JP3577163B2

JP3577163B2 - Determining the end point of the plasma etching process using an active neural network

Info

Publication number: JP3577163B2
Application number: JP12313596A
Authority: JP
Inventors: エドワードイボットソンデール; リーツェン−チュン; ルイスメイナードヘレン; アロイスレイトマンエドワード
Original assignee: AT&T Corp
Current assignee: AT&T Corp
Priority date: 1995-05-19
Filing date: 1996-05-17
Publication date: 2004-10-13
Anticipated expiration: 2016-05-17
Also published as: JPH08330287A

Description

【０００１】
【発明の属する技術分野】
本発明は、プラズマを使用する製造プロセスの制御変数や材料を調整するために、ニューラル・ネットワークを使うための方法に関する。
【０００２】
【関連出願の情報】
本出願は、現在放棄され、参照によって本明細書に組み込まれている１９９２年１２月１４日出願の米国特許出願第０７／９９０、３０８号の一部継続出願である、１９９３年１１月１７日出願の米国特許出願第０８／１５０、２６１号の一部継続出願である。
【０００３】
【従来の技術】
プラズマ処理は、航空宇宙産業、太陽エネルギー関係、製紙、繊維産業はもちろん、集積回路や光電子デバイスを製作する電子産業においても重要である。米国学術研究会議「材料のプラズマ処理」、ナショナル・アカデミー・プレス、ワシントンＤ．Ｃ．、１９９１年を参照されたい。例えば、プラズマは、集積回路基盤上の薄膜層のエッチングや蒸着両方のために使われている。
【０００４】
プラズマは、陽イオンと陰イオンの濃度がほぼ等しい電離気体である。プラズマはまた、電気的に中性で、高い反応性を持つ、遊離基を含むことがある。プラズマは、望ましいガスを反応器またはチャンバに導入し、高周波（ＲＦ）の磁場をチャンバに適用することによって形成される。導入されるガスは、通常、例えば集積回路製造でのポリシリコンのエッチングにおける塩素ガスのように、望ましい処理の化学反応に加わるように選択される。高周波磁場は中性または帯電した電子の衝突を引き起こし、グロー放電または放出を生じさせる放射が行われる。
【０００５】
プラズマ・エッチングは、プラズマの中に生成される反応性の遊離基またはイオンによる材料の選択的除去である。多くの場合、プラズマ・エッチング処理は、（材料が液状の化学薬品によってエッチングされる）湿式エッチング技術より、エッチングおよびプロセス制御の正確さの点で優れている。一般には、Ｒ．Ｇ．Ｐｏｕｌｓｅｎ、「集積回路製造におけるプラズマ・エッチング − 概説」、真空科学技術ジャーナル、第１４巻、第１号、２６６〜２７４（１９７７年１／２月）を参照されたい。
【０００６】
プラズマ処理は、一般に制御が困難である。例えば、米国学術研究会議の３４〜３５を参照されたい。例えば、プラズマ・エッチング処理は、変動を補正するために絶えず監視されなければならない。処理中に変動が起こる１つの原因は、反応器の経時変化である。新たに清掃された反応器チャンバのエッチング時間は、製造工程でしばらく使用した反応器のエッチング時間と異なる。また、異なったパターン密度を有するウエハはエッチングのされ方が異なる。
【０００７】
【発明が解決しようとする課題】
こうした変化によって、製品の品質を維持するために絶えず検査することが必要になる。検査の結果に基づいて、次のロットのエッチング時間が決定される。しかし、機械の経時変化と清掃の効果を評価するために人間が絶えず干渉しなければならないので、ロット間のウエハの性質や特性が、絶えず変化することになる。従って、絶えず人間が干渉することなしに、エッチング時間を調整するための正確な制御機構が必要になる。
【０００８】
【課題を解決するための手段】
本発明は、製造プロセスで使われる入力制御変数と材料を管理または調整して、望ましい品質の製品の産出を得るためにニューラル・ネットワークを使用する。本方法は特にプラズマ処理を制御する際に有益であり、従来の方法に関連する費用、遅滞、不整合性の多くを回避する。好適な実施例においては、ニューラル・ネットワーク・コントローラは、エッチング処理の間、時間の経過に連れて変化する少なくとも２つのプロセス変数を監視する。ニューラル・ネットワークは、あるパラメータをプロセスの終点に関連させるよう調整される。ニューラル・ネットワークが、プロセスの終点と関連するよう調整されたパラメータまたはパラメータの組み合わせを観察すると、ニューラル・ネットワークは、観察されたプロセスの条件に反応して適当な変化を発生する。この変化は、ガス組成の変更、高周波電力の変化、または高周波電力の停止である。本発明のプロセスに従って監視されるプロセス変数は、そこからニューラル・ネットワークが終点を検出出来る何らかのプロセス・パラメータである。１つの実施例においては、ニューラル・ネットワークはプラズマ・プロセスのある高周波変数を監視するよう調整される。この変数には、高周波処理の静電容量、電圧、電流、出力密度、順方向及び反射電力などの特性が含まれる。ニューラル・ネットワークは、ある条件、または条件の組み合わせを、プロセスの終点と関連させるように調整される。この意味で、プロセス・シグネチュア（プロセス・サイン，Ｐｒｏｃｅｓｓｓｉｇｎａｔｕｒｅ）の組み合わせは全てニューラル・ネットワークに監視されることが予想される。
【０００９】
プラズマ、材料またはエッチング工具の分析方法はニューラル・ネットワークによって分析され、一度ニューラル・ネットワークがプロセスの終点をこれらの分析方法から得た条件または条件の組み合わせと関連させるように調整させると、プロセスの終点を決定することが出来る。例えば、４極質量分光分析、プラズマによる光の放射、吸収分光分析、ラングミュア・プローブ（プラズマの電気的特性を監視するプローブの一種）といったプラズマの分析方法がエッチング・プロセスの間に開始され、ニューラル・ネットワークに伝送される。ニューラル・ネットワークは、前もって、１つかそれ以上のこうした分析方法から得た条件または条件の組み合わせをプロセスの終点と関連させるよう調整されている。ニューラル・ネットワークは、一度終点と関連する条件または条件の組み合わせを観察すると、プロセスに信号を送り、適当な反応（例えば、プラズマへのガスの流れを停止する、プラズマの組成を変化させる）を起こさせる。同様に、ウエハの分析方法や工具の分析方法も本発明のプロセスにおいて有益である。薄膜の干渉測定や偏光解析といった、ウエハの分析方法はこの点で有益である。適当な工具の分析方法には、プラズマの圧力を制御するために使われるスロットル・バルブの位置の監視、プラズマの中立圧力の監視、前に論じた高周波パラメータの監視が含まれる。これらの分析方法のあらゆる組み合わせが、本発明のプロセスを実行するために観察される。選択された分析方法または分析方法の組み合わせはプロセスの終点に関する何らかの情報を提供する。例えば、ある特定の分析方法のトレースが、プロセスの終点で観察出来る変化を示さない場合、その特定のトレースは、特定のプロセスを監視する上で有益でない。しかし、有益な分析方法は、プロセスの条件によって変化する。それが、プロセスの監視のために、１つ以上の分析方法を使うことが有利である理由である。
【００１０】
プロセスの時間も監視されれば有利である。時間を監視することによって、プロセスは、一定の時間の後、ニューラル・ネットワークが、一定の時間が経過する前に終点を観察することが出来ない場合停止出来る。自動エッチング時間制御プロセスは、より大きな均一性、高い生産量、低いコストといった利点を提供する。
【００１１】
【発明の実施の形態】
Ｉ．序説
図１は、ＭＯＳトランジスタ製造の１ステップである、プラズマ・エッチング・プロセスの典型的な使用例を示す。シリコン・ウエハ基盤１０は、酸化物層１２に覆われている。酸化物層１２は、さらにポリシリコン層１４と窒化チタン（ＴｉＮ）１６に覆われている。通常、二酸化シリコンである酸化物層１２は、くぼみ１３を持っている。酸化マスク１８がゲート・スタックの上に形成され、ＴｉＮ層１６とポリシリコン層１４がエッチングで除去される。
【００１２】
ポリシリコン層１４をエッチングする際、全てのポリシリコン層１４が除去されることが重要である。しかし、ポリシリコン層１４を完全にエッチングすると、酸化物層１２の一部２１がエッチングされることが避けられない。エッチング・プロセスでは、ソース区域２２とドレイン区域２４に残存する酸化物の厚さ２０は、これらの区域の特性を決定する重要な品質特性である。残存する酸化物の厚さ２０は、エッチング時間、すなわち、ウエハがプラズマにさらされている時間の関数である。
【００１３】
図２は、ニューラル・ネットワークが、プロセス２０４への制御変数入力を調整または管理して、プロセスが終点に達すると、プロセスを停止するプロセス・モニタ２０２に有利にも組み込まれる、本発明の説明される実施例を示す。第ＩＩ節では、プラズマ・エッチング・プロセスの１つ以上のプロセス・シグネチュアがニューラル・ネットワークによって監視される、本発明の説明される実施例が示される。ニューラル・ネットワークが調整の結果として含む情報に基づいて、ニューラル・ネットワークは、プロセスの間、様々なプロセス・シグネチュアを分析する。ニューラル・ネットワークが、終点と関連する条件または条件の組み合わせを観察すると、ニューラル・ネットワークはプロセスにメッセージを送り、プロセスにエッチングを停止するよう命じる。本技術に熟練した者は、ニューラル・ネットワークの調整、使用法に通じているので、ニューラル・ネットワークの操作と好適な調整技術の概観をここで詳細に論じることはしない。
【００１４】
ＩＩ．ニューラル・ネットワーク・コントローラ
トレースまたは記録とは、一般にある特定の変数または関数を、長時間にわたって測定することである。好適な実施例においては、プラズマを発生するために使われる高周波電力に関連する電気的パラメータ、すなわち静電容量、直流バイアス、電圧、電流等の少なくとも２つのトレースの一部が、プロセス・シグネチュアとして使われる。プロセス・シグネチュアは品質とプロセス自体に関連する情報だけでなく、プロセスを制御困難にしている要素に関する情報を反映するか、またはその中に埋め込んでいる。高周波電気的パラメータのトレースには、プラズマの化学的性質に関する情報と、エッチングで除去された材料の濃度に関する情報が含まれる。これらの電気的パラメータのトレースは、ニューラル・ネットワークによってリアル・タイムで分析される。前もってプロセスが終点に達したことを示す特定の条件または条件の組み合わせを認識するよう調整されたニューラル・ネットワークは、必要な条件または条件の組み合わせが観察される時、プロセスを停止するために使われる。制御用のニューラル・ネットワークに関する文献を収集するためには、Ｗ．Ｔ．Ｍｉｌｌｅｒ、Ｒ．Ｓ．Ｓｕｔｔｏｎ、Ｐ．Ｊ．Ｗｅｒｂｏｓ「制御用ニューラル・ネットワーク」、ＭＩＴプレス、ケンブリッジ、マサチューセッツ州（１９９０）を参照されたい。
【００１５】
他のプロセス・シグネチュアも確認され、ニューラル・ネットワークを調整しプロセスを制御するために使われる。例えば、ある場合では、温度、圧力といった入力制御変数や材料のトレースがプロセス・シグネチュアとなる。プラズマの光の放射のトレース自体も使用出来る。
【００１６】
図３は、ニューラル・ネットワークを調整する方法の説明図である。好適な実施例においては、ニューラル・ネットワーク４０２は１２×４×１アーキテクチャ（すなわち、１２入力ノード、４隠しノード、１出力ノード）であり、バック・プロパゲイション技術（下記の第ＩＩＩ節参照）によって調整される。プロダクション・データベースの結果が調整のために使われる。以下に提供される例によって説明されるように、本プロセスは、多数のウエハをエッチングする間に、あるパラメータをプロセスの終点と相関させ、プロセスを監視してプロセスの終点を検出するためにニューラル・ネットワークを使って、プロセスのパラメータのトレースを観察することによってプロセスの終点を決定するのに使われる。
【００１７】
＜例＞
一般に図１に示される、窒化チタン（ＴｉＮ）／ポリシリコンのゲート・スタックが、高密度プラズマ反応器の中でエッチングされた。ウエハ・スタックは、７０Å厚のゲート酸化物の層、２０００Å厚のポリシリコン層、１０００Å厚の窒化チタンの層を持ち、その上に、厚さ約１５００Åから約２０００Åの酸化シリコンの膜が形成されたシリコン・ウエハからなっていた。こうしたゲート・スタックをエッチングするために使われるプロセスは、Ｎ．Ｂｌａｙｏ、Ｒ．Ａ．Ｃｉｒｅｌｌｉ、Ｆ．Ｐ．Ｋｌｅｍｅｎｓ、Ｊ．Ｔ．Ｃ．Ｌｅｅ、「サブミクロン台のエッチング中のプロセス制御のための紫外線可視偏光解析法」、アメリカ光学協会ジャーナル、１２（３）、５９１〜５９９ページ（１９９５）に詳細に説明されている。使用されたプラズマ・エッチング装置は、カリフォルニア州サニーベールのＬｕｃａｓＬａｂｓから入手した、高密度プラズマ発生源ＬｕｃａｓＬａｂｓＭｏｄｅｌ００１であった。ＡｄｖａｎｃｅｄＥｎｅｒｇｙＲＦＸ−２５００発生源から得た１３．５６ＭＨｚの高周波電力は、マサチューセッツ州ビバリーのＣｏｍｄｅｌＩｎｃ．から入手した、ＭａｔｃｈｐｒｏＣＰＭ−２０００自動整合ネットワークを使って、アンテナ経由ソース・チャンバに接続した。チャンバ内のウエハには、ＡｄｖａｎｃｅｄＥｎｅｒｇｙＲＦＸ−６００発生源と、カリフォルニア州サンタクララのＥＮＩから入手した、Ｍａｔｃｈｗｏｒｋ５Ｃｏｎｔｒｏｌｌｅｒ整合ネットワークを通じて、高周波バイアスが掛けられた。
【００１８】
合計５５枚のウエハが上記の条件でエッチングされた。各ウエハのＴｉＮ層をエッチングするのに要した時間が記録された。データは、それぞれ異なった平均エッチング時間を持つ３つの組に分けられた。平均エッチング時間が異なっている理由は不明だが、パターン密度か最初の膜の厚さの違いによるのかも知れない。
【００１９】
各ウエハのエッチングの間に、いくつかの異なった処理条件がリアル・タイムで監視された。光の放射の分光分析（ＯＥＳ）データは、Ｍｏｄｅｌ６００ＯｐｔｉｃａｌＳｐｅｃｔｒｕｍａｎａｌｙｚｅｒ（マサチューセッツ州レオンミンスターのＭｏｎｏｌｉｔｅＩｎｓｔｒｕｍｅｎｔｓ）によって記録された。プロセスは、フランスのＪｏｂｉｎＹｖｏｎから入手したＵＶＩＳＥＬ分光偏光解析装置によってその場でΨとΔのトレースを監視するオペレータによって制御された。偏光解析装置は、プラズマ・エッチング・プロセスの間、各ウエハを監視するために、２ｅＶ〜４ｅＶの範囲の１つの波長に同調された。偏光解析のトレースは、プロセスの終点を検出するために使われた。偏光解析のトレースを得るために使われる波長は、ウエハによって多少異なっているので、全てのトレースが正確にプロセスの終点を示したわけではない。トレースが終点を示さない場合、オペレータは、エッチングの時間の長さによって終点を推定した。
【００２０】
まず、プロセスを監視するために使われるトレースの組み合わせが決定された。これは、プロセスを実行するために必要なステップではないが、使用されるニューラル・ネットワークが、監視された７つの信号全てからデータを受け入れられないために、必要とされた。従って、終点を最も良く示す信号が次の方法を使って選択された。７つの信号のトレースとは、反射ソース電力、反射チャック電力、ソース整合負荷、ソース整合同調、高周波バイアス整合負荷、高周波バイアス整合同調、直流バイアスであった。トレースは、終点の信号の数値を決定するために検討された。この数値は、平均して、終点８秒前の信号の数値と比較された。
【００２１】
次いで、どの信号ｘ_ｉが終点を検出するために有益かを決定するために、計量が行われた。使用された計量は、終点の信号の数値と終点の前の時間ｔの信号の数値の差の平均の比率であった。この比率は、次の等式を使って標準偏差により正規化された。
【数１】

但し、
【数２】

及び、
【数３】

であり、Ｎはウエハの数であり、ｊは、ウエハの数の指数であった。
【００２２】
次いで、全ての高周波信号に関する等式（１）の総和によって、各Δｔにスコアが割り当てられた。
【数４】

このスコアの関数のグラフは、高いΔｔの方が低いΔｔよりも終点を良く表すことを示した。しかし、プロセスの観点からは、低いΔｔが望ましい。時間の増加の関数として、総スコアの増加を評価することによって、Δｔの各増加の実際の増分利得が決定された。この分析に基づいて、プロセスの終点は、終点の８〜９秒前のパラメータの数値を終点の数値と比較することによって、容易に検出出来ることが判明した。
【００２３】
下記の表１は、評価された各信号のスコアを示す。
【表１】

【００２４】
終点で最も大きな変化を示す４つの信号（反射ソース電力、ソース整合負荷、高周波バイアス整合負荷、高周波バイアス同調）が、ニューラル・ネットワークを調整するために使われた。完全に接続された、フィードフォワード・ニューラル・ネットワークが、入力層、１つの隠し層、１ノードの出力層を使って実現された。このネットワークは一般に図４のように示される。このネットワークの出力は、終点にある場合「１」であり、その他の場合「０」であった。ニューラル・ネットワークへの入力には、上記の表に挙げた４つの電気的パラメータの各々のｎ＋１の数値が含まれた。時間ステップτが一般に１秒であり、時間ステップの数が普通１か２である時、これらの数値は、時間ｔ、時間−τ、時間ｔ−２τからｔ−ｎτの数値である。入力層は８または１２のノードを持っていた。８ノードの入力層は、各信号について、２つの異なった時間の４つの入力を受け入れた。１２ノードの入力層は、３つの異なった時間の４つの入力を受け入れた。
【００２５】
上記の表に挙げた４つのパラメータの数値のトレースは、調整テストとテスト・セットの２つの組に分けられた。テスト・セットはテストから得られた利用可能なデータの約１０パーセントであった。終点は、上記で説明したように、偏光解析装置の出力を観察するオペレータによって決定された。データは、データを−１から１の範囲の数値に変更する次の標準等式を使って正規化された。
【数５】

次いで、ニューラル・ネットワークは、より多くのトレースがニューラル・ネットワークに供給されるに連れて数値がアップデートされる、通常のバック・プロパゲイション・アルゴリズムを使って調整された。次いでテスト・データ・セットがネットワークに供給され、出力（すなわち、プロセスが終点に達したかどうか）が既知の回答と比較された。
【００２６】
本発明のプロセスに従って調整されたニューラル・ネットワークは、そのネットワークを調整するために評価されたプロセス、すなわち、恐らくはそのニューラル・ネットワークを再調整するために必要なものと同様のプロセスを制御するために有益である。例えば、プロセスのパラメータが、ネットワークを調整するために監視されたプロセスで使われたパラメータの数値から１０パーセント以上調整される場合、ネットワークは、変更されたプロセスの終点を確実に検出するため再調整されるべきである。
【００２７】
ニューラル・ネットワークの学習性能を改善するための様々な方法がある。Ｊ．Ｄｅｎｋｅｒ他、「大規模自動学習、規則の抽出、一般化」、複合システム、第１巻、８７７〜９２２（１９８７）を参照されたい。最も普通なのは、ネットワークの複雑さを調整することである。しかし、複雑さと誤差とは両刃の剣である。複雑すぎるネットワークは、本質的に調整データと共にルックアップ・テーブルを構成し、テスト・データをうまく扱わない。例示される実施例のネットワークは、複雑さを最小限にするために最適化される一方で、低い誤差を達成している。調整データの量が増加するに連れて、テストの誤差が減少することもまた明らかであろう。従って、プラズマ・エッチング後に残る酸化物の厚みに対するより厳重な制御が期待される。
【図面の簡単な説明】
【図１】集積回路製造におけるプラズマ・エッチング・ステップを説明する図である。
【図２】制御変数と材料を監視して、製造プロセスを調整するニューラル・ネットワーク・コントローラを説明する図である。
【図３】ニューラル・ネットワークを調整するブロック・ダイアグラム・システムを説明する図である。
【図４】本発明のプロセスを実行するために使用されるニューラル・ネットワークの略図である。
【符号の説明】
１０シリコンウエハ基盤
１２酸化物層
１４ポリシリコン層
１６窒化チタン
１８酸化マスク
２２リース区域
２４ドレイン区域[0001]
TECHNICAL FIELD OF THE INVENTION
The present invention relates to a method for using a neural network to adjust the control variables and materials of a manufacturing process using a plasma.
[0002]
[Related application information]
This application is a continuation-in-part of US patent application Ser. No. 07 / 990,308, filed Dec. 14, 1992, which is now abandoned and incorporated herein by reference, Nov. 17, 1993. No. 08 / 150,261 is a continuation-in-part of the application.
[0003]
[Prior art]
Plasma processing is important in the aerospace industry, the solar energy industry, the paper and textile industries, as well as in the electronics industry that manufactures integrated circuits and optoelectronic devices. American Academy of Sciences, "Plasma Processing of Materials," National Academy Press, Washington, D.C. C. , 1991. For example, plasma has been used for both etching and deposition of thin film layers on integrated circuit boards.
[0004]
Plasma is an ionized gas with approximately equal concentrations of cations and anions. Plasmas may also contain free radicals that are electrically neutral and highly reactive. A plasma is formed by introducing a desired gas into a reactor or chamber and applying a radio frequency (RF) magnetic field to the chamber. The gas introduced is typically selected to participate in the desired process chemistry, such as, for example, chlorine gas in the etching of polysilicon in integrated circuit fabrication. The high frequency magnetic field causes collisions of neutral or charged electrons, producing radiation that produces a glow discharge or emission.
[0005]
Plasma etching is the selective removal of material by reactive free radicals or ions created in the plasma. In many cases, plasma etching processes are superior to wet etching techniques (where the material is etched by a liquid chemical) in terms of etching and process control accuracy. Generally, R.I. G. FIG. See Poulsen, "Plasma Etching in Integrated Circuit Manufacturing-An Overview", Vacuum Science and Technology Journal, Vol. 14, No. 1, 266-274 (January 1977).
[0006]
Plasma processing is generally difficult to control. See, for example, American Scientific Research Council 34-35. For example, plasma etching processes must be constantly monitored to correct for variations. One cause of fluctuations during processing is aging of the reactor. The etching time of the newly cleaned reactor chamber is different from the etching time of the reactor used for some time in the manufacturing process. Also, wafers having different pattern densities are etched differently.
[0007]
[Problems to be solved by the invention]
These changes require constant testing to maintain product quality. The etching time of the next lot is determined based on the result of the inspection. However, since humans must constantly interfere to evaluate the effects of machine aging and cleaning, lot-to-lot wafer properties and characteristics are constantly changing. Therefore, there is a need for a precise control mechanism for adjusting the etching time without constant human interference.
[0008]
[Means for Solving the Problems]
The present invention uses neural networks to manage or adjust the input control variables and materials used in the manufacturing process to obtain the desired quality product. The method is particularly useful in controlling plasma processing and avoids many of the costs, delays, and inconsistencies associated with conventional methods. In a preferred embodiment, the neural network controller monitors at least two process variables that change over time during the etching process. The neural network is tuned to relate certain parameters to the endpoint of the process. When the neural network observes a parameter or combination of parameters adjusted to be associated with the end point of the process, the neural network makes appropriate changes in response to the observed process conditions. This change is a change in gas composition, a change in high frequency power, or a stop in high frequency power. The process variables monitored in accordance with the process of the present invention are any process parameters from which the neural network can detect the endpoint. In one embodiment, the neural network is tuned to monitor certain high frequency variables of the plasma process. The variables include characteristics such as capacitance, voltage, current, output density, forward and reflected power of high frequency processing. The neural network is tuned to associate a condition, or combination of conditions, with an endpoint of the process. In this sense, it is expected that all combinations of process signatures will be monitored by the neural network.
[0009]
The method of analysis of the plasma, material or etching tool is analyzed by the neural network, and once the neural network has adjusted the process endpoint to relate to the conditions or combination of conditions obtained from these methods, the process endpoint Can be determined. For example, plasma analysis methods such as quadrupole mass spectrometry, emission of light by plasma, absorption spectroscopy, Langmuir probe (a type of probe for monitoring the electrical properties of plasma) are started during the etching process,・ Transmitted to the network. The neural network has been previously tuned to associate conditions or combinations of conditions from one or more of these analytical methods with the endpoint of the process. Once the neural network observes the condition or combination of conditions associated with the endpoint, it signals the process and initiates the appropriate reaction (eg, stopping the flow of gas into the plasma, changing the composition of the plasma). Let it. Similarly, wafer analysis methods and tool analysis methods are also useful in the process of the present invention. Wafer analysis methods such as thin film interferometry and ellipsometry are useful in this regard. Suitable tool analysis methods include monitoring the position of the throttle valve used to control the pressure of the plasma, monitoring the neutral pressure of the plasma, and monitoring the high frequency parameters discussed above. Any combination of these analytical methods is observed to carry out the process of the present invention. The selected analysis method or combination of analysis methods provides some information about the endpoint of the process. For example, if a trace for a particular analysis method does not show any observable changes at the end of the process, that particular trace is not useful in monitoring a particular process. However, useful analytical methods vary with process conditions. That is why it is advantageous to use one or more analytical methods for process monitoring.
[0010]
It is advantageous if the time of the process is also monitored. By monitoring the time, the process can be stopped if, after a certain time, the neural network cannot observe the endpoint before the certain time has elapsed. An automatic etch time control process offers the advantages of greater uniformity, higher yield, and lower cost.
[0011]
BEST MODE FOR CARRYING OUT THE INVENTION
I. Introduction FIG. 1 shows a typical use of a plasma etching process, which is one step in the manufacture of a MOS transistor. The silicon wafer substrate 10 is covered with an oxide layer 12. The oxide layer 12 is further covered with a polysilicon layer 14 and titanium nitride (TiN) 16. The oxide layer 12, which is typically silicon dioxide, has a depression 13. An oxidation mask 18 is formed over the gate stack and the TiN layer 16 and the polysilicon layer 14 are etched away.
[0012]
When etching the polysilicon layer 14, it is important that all the polysilicon layer 14 is removed. However, when the polysilicon layer 14 is completely etched, it is inevitable that a part 21 of the oxide layer 12 is etched. In the etching process, the remaining oxide thickness 20 in the source area 22 and the drain area 24 is an important quality characteristic that determines the properties of these areas. The remaining oxide thickness 20 is a function of the etch time, ie, the time the wafer is exposed to the plasma.
[0013]
FIG. 2 illustrates the invention in which a neural network regulates or manages control variable inputs to the process 204 and is advantageously incorporated into a process monitor 202 that stops the process when the process reaches an endpoint. An embodiment will be described. Section II presents a described embodiment of the present invention in which one or more process signatures of a plasma etching process are monitored by a neural network. Based on the information that the neural network includes as a result of the adjustment, the neural network analyzes various process signatures during the process. When the neural network observes the condition or combination of conditions associated with the endpoint, the neural network sends a message to the process, telling the process to stop etching. Those skilled in the art are familiar with neural network tuning and use, and will not discuss in detail the operation of neural networks and the preferred tuning techniques here in detail.
[0014]
II. A neural network controller trace or record is generally a measurement of a particular variable or function over time. In a preferred embodiment, a portion of at least two traces of electrical parameters associated with the high frequency power used to generate the plasma, i.e., capacitance, DC bias, voltage, current, etc., are used as process signatures. used. Process signatures reflect or embed information about factors that make the process difficult to control, as well as information related to quality and the process itself. Traces of high frequency electrical parameters include information about the chemistry of the plasma and information about the concentration of material removed by etching. Traces of these electrical parameters are analyzed in real time by a neural network. A neural network that has been tuned in advance to recognize a particular condition or combination of conditions indicating that the process has reached an endpoint is used to stop the process when the required condition or combination of conditions is observed . To collect literature on neural networks for control, see W.W. T. Miller, R.A. S. Sutton, P .; J. See Werbos, "Neural Networks for Control," MIT Press, Cambridge, Mass. (1990).
[0015]
Other process signatures have also been identified and used to tune the neural network and control the process. For example, in some cases, input control variables, such as temperature and pressure, and material tracing are process signatures. The plasma light emission trace itself can also be used.
[0016]
FIG. 3 is an explanatory diagram of a method for adjusting a neural network. In the preferred embodiment, neural network 402 is a 12 × 4 × 1 architecture (ie, 12 input nodes, 4 hidden nodes, 1 output node), and employs back propagation techniques (see Section III below). Will be adjusted by Production database results are used for reconciliation. As illustrated by the examples provided below, the present process correlates certain parameters with the process endpoint while etching multiple wafers and monitors the process to detect the process endpoint to detect the process endpoint. Used to determine the end point of the process by observing a trace of the process parameters using the network.
[0017]
<Example>
A titanium nitride (TiN) / polysilicon gate stack, generally shown in FIG. 1, was etched in a high density plasma reactor. The wafer stack has a 70 .ANG. Thick layer of gate oxide, a 2000 .ANG. Thick layer of polysilicon, a 1000 .ANG. Thick layer of titanium nitride, on which a film of silicon oxide having a thickness of about 1500 DEG to about 2000 DEG is formed. Consisted of silicon wafers. The process used to etch such a gate stack is described in Blayo, R.A. A. Cirelli, F.C. P. Klemens, J .; T. C. Lee, "Ultraviolet Visible Ellipsometry for Process Control During Sub-Micron Etching", Journal of the American Optical Society, 12 (3), pp.591-599 (1995). The plasma etcher used was a high-density plasma source Lucas Labs Model 001, obtained from Lucas Labs, Sunnyvale, CA. 13.56 MHz RF power from an Advanced Energy RFX-2500 source was obtained from Comdel Inc. of Beverly, Mass. Connected to the source chamber via antenna using a Matchpro CPM-2000 auto-matching network, obtained from the company. The wafer in the chamber was RF biased through an Advanced Energy RFX-600 source and a Matchwork 5 Controller matching network obtained from ENI, Santa Clara, CA.
[0018]
A total of 55 wafers were etched under the above conditions. The time required to etch the TiN layer on each wafer was recorded. The data was divided into three sets, each with a different average etch time. The reason for the different average etch times is unknown, but may be due to differences in pattern density or initial film thickness.
[0019]
During the etching of each wafer, several different processing conditions were monitored in real time. Spectroscopic analysis of light emission (OES) data was recorded by a Model 600 Optical Spectrum analyzer (Monolite Instruments, Leon Minster, Mass.). The process was controlled by an operator monitoring the Ψ and Δ traces in situ by a UVISEL spectroscopic ellipsometer obtained from Jobin Yvon, France. The ellipsometer was tuned to one wavelength in the range of 2 eV to 4 eV to monitor each wafer during the plasma etching process. Ellipsometric traces were used to detect the end of the process. Since the wavelengths used to obtain ellipsometric traces vary somewhat from wafer to wafer, not all traces accurately indicate the end of the process. If the trace did not indicate an endpoint, the operator estimated the endpoint by the length of time of the etch.
[0020]
First, the combination of traces used to monitor the process was determined. This is not a necessary step to carry out the process, but was required because the neural network used could not accept data from all seven monitored signals. Therefore, the signal that best represents the endpoint was selected using the following method. The seven signal traces were reflected source power, reflected chuck power, source matched load, source matched tuning, high frequency bias matching load, high frequency bias matching tuning, and DC bias. The trace was examined to determine the value of the endpoint signal. This value was compared on average to the value of the signal 8 seconds before the end point.
[0021]
Then, which signal x _i is to determine beneficial to detect the end point, the metering is performed. The metric used was the ratio of the average of the difference between the value of the signal at the end point and the value of the signal at time t before the end point. This ratio was normalized by the standard deviation using the following equation:
(Equation 1)

However,
(Equation 2)

as well as,
(Equation 3)

Where N is the number of wafers and j is an index of the number of wafers.
[0022]
A score was then assigned to each Δt by the sum of equation (1) for all high frequency signals.
(Equation 4)

The graph of the function of this score showed that a higher Δt represented the endpoint better than a lower Δt. However, a low Δt is desirable from a process point of view. By evaluating the increase in the total score as a function of the increase in time, the actual incremental gain of each increase in At was determined. Based on this analysis, it was found that the endpoint of the process could be easily detected by comparing the value of the parameter 8-9 seconds before the endpoint with the value of the endpoint.
[0023]
Table 1 below shows the score of each signal evaluated.
[Table 1]

[0024]
The four signals showing the largest change at the endpoint (reflected source power, source matched load, high frequency bias matched load, high frequency bias tuning) were used to tune the neural network. A fully connected, feedforward neural network was implemented using an input layer, one hidden layer, and a one-node output layer. This network is generally shown as in FIG. The output of this network was "1" when at the end point and "0" otherwise. Inputs to the neural network included n + 1 values for each of the four electrical parameters listed in the table above. When the time step τ is typically one second and the number of time steps is usually one or two, these numbers are those of time t, time−τ, time t−2τ to t−nτ. The input layer had 8 or 12 nodes. The eight-node input layer accepted four inputs at two different times for each signal. The 12-node input layer accepted four inputs at three different times.
[0025]
The numerical traces of the four parameters listed in the table above were split into two sets: adjustment tests and test sets. The test set was about 10 percent of the available data obtained from the test. The endpoint was determined by the operator observing the output of the ellipsometer, as described above. The data was normalized using the following standard equation that changes the data to a number in the range of -1 to 1.
(Equation 5)

The neural network was then tuned using a regular back propagation algorithm, where the values were updated as more traces were provided to the neural network. The test data set was then provided to the network and the output (ie, whether the process reached an endpoint) was compared to known answers.
[0026]
The neural network tuned according to the process of the present invention is used to control the process evaluated to tune the network, i.e., a process similar to that required to retune the neural network. It is informative. For example, if a process parameter is adjusted by more than 10 percent from the value of the parameter used in the monitored process to tune the network, the network may be retuned to reliably detect the endpoint of the changed process. It should be.
[0027]
There are various ways to improve the learning performance of a neural network. J. See Denker et al., "Large Scale Automatic Learning, Rule Extraction, Generalization", Complex Systems, Vol. 1, 877-922 (1987). The most common is to adjust the complexity of the network. But complexity and error are two-edged swords. Networks that are too complex essentially construct a look-up table with the adjustment data and do not handle the test data well. The network of the illustrated embodiment has been optimized to minimize complexity while achieving low error. It will also be apparent that the test error decreases as the amount of adjustment data increases. Therefore, tighter control over the oxide thickness remaining after plasma etching is expected.
[Brief description of the drawings]
FIG. 1 is a diagram illustrating a plasma etching step in integrated circuit manufacture.
FIG. 2 illustrates a neural network controller that monitors control variables and materials to adjust the manufacturing process.
FIG. 3 is a diagram illustrating a block diagram system for adjusting a neural network.
FIG. 4 is a schematic diagram of a neural network used to perform the process of the present invention.
[Explanation of symbols]
Reference Signs List 10 silicon wafer substrate 12 oxide layer 14 polysilicon layer 16 titanium nitride 18 oxidation mask 22 lease area 24 drain area

Claims

プラズマ・エッチング・プロセスの終点を検出するためにニューラル・ネットワークを使うための方法であって、
ａ．プラズマ分析方法、ウエハ分析方法、工具分析方法からなるグループから選択から複数のプロセス・シグネチュアを識別するステップであって、ここで、前記複数のプロセス・シグネチュアの中の少なくとも１つのプロセス・シグネチュアが、単独で、または他のプロセス・シグネチュアと結合して、前記プラズマ・エッチング・プロセスの終点を示す、ステップと、
ｂ．前記ニューラル・ネットワークを使って前記プロセス・シグネチュアとプロセスの終点とを関連づけするための記録を形成するように、前記複数のプロセス・シグネチュアを測定するステップと、
ｃ．前記プラズマ・エッチング・プロセスが前記終点に達したかどうかを決定するために、前記複数のプロセス・シグネチュアを監視し、前記ニューラル・ネットワークを使って、前記監視されたプロセス・シグネチュアを前記記録と比較するステップとを含む方法。A method for using a neural network to detect an end point of a plasma etching process, comprising:
a. Plasma analysis method, the wafer analytical method, comprising: identifying a plurality of process signature from selected from the group consisting of tool analytical methods, wherein at least one process signature in said plurality of process signature is, Alone or in combination with other process signatures , indicating an end point of the plasma etching process;
b. Measuring the plurality of process signatures to form a record for associating the process signature with a process endpoint using the neural network;
c. Compared to the plasma etch process to determine if it has reached the end point, monitoring the plurality of process signature, using the neural network, the monitored process signature the recorded The steps of:

前記ニューラル・ネットワークが１ないしそれ以上のプロセス・シグネチュアの組み合わせの測定と、前記プロセス・シグネチュアの以前のデータによって調整される、請求項１に記載の方法。The method of claim 1, wherein the neural network is conditioned by measurements of one or more process signature combinations and previous data of the process signature .

前記ニューラル・ネットワークがバック・プロパゲイション技術によって調整される、請求項１に記載の方法。The method according to claim 1, wherein the neural network is tuned by a back propagation technique.

前記プロセス・シグネチュアが、反射ソース電力、反射チャック電力、ソース整合負荷、ソース整合同調、高周波バイアス整合負荷、高周波バイアス整合同調、直流バイアスからなるグループから選択される、請求項１に記載の方法。The method of claim 1, wherein the process signature is selected from the group consisting of a reflected source power, a reflected chuck power, a source matched load, a source matched tuning, a high frequency bias matched load, a high frequency bias matched tuning, and a DC bias.