KR101741271B1 - Methods for constructing an optimal endpoint algorithm - Google Patents

Abstract

플라즈마 프로세싱 시스템 내에서의 기판 프로세싱 동안 프로세스 종말점을 검정 (qualifying) 하기 위해 최적 종말점 알고리즘을 자동으로 식별하는 방법이 제공된다. 방법은 플라즈마 프로세싱 시스템 내에서 적어도 하나의 기판을 프로세싱하는 동안 복수의 센서들로부터 데이터를 수신하는 것을 포함하며, 센서 데이터는 복수의 센서 채널들로부터의 복수의 신호 스트림들을 포함한다. 또한, 방법은 종말점 도메인을 식별하는 것을 포함하며, 종말점 도메인은 프로세스 종말점 발생이 예상되는 근사 주기이다.A method is provided for automatically identifying an optimal endpoint algorithm to qualify a process endpoint during substrate processing in a plasma processing system. The method includes receiving data from a plurality of sensors during processing of at least one substrate within a plasma processing system, wherein the sensor data comprises a plurality of signal streams from a plurality of sensor channels. The method also includes identifying an endpoint domain, wherein the endpoint domain is an approximate cycle in which process endpoint occurrences are expected.

Description

최적 종말점 알고리즘 구성 방법{METHODS FOR CONSTRUCTING AN OPTIMAL ENDPOINT ALGORITHM}{METHODS FOR CONSTRUCTING AN OPTIMAL ENDPOINT ALGORITHM}

설명을 용이하게 하기 위해, 몇몇 용어들이 하기에 정의되어 있다.In order to facilitate the description, some terms are defined below.

데이터 세트 - 프로세싱 툴 상의 파라미터에 대한 시간의 함수로서의 측정치들의 레코드Data set - a record of measurements as a function of time for parameters on the processing tool

변화점 - 일부 변화가 발생하는 시계열에서의 지점Change point - a point in time series where some change occurs

종말점 - 프로세스 (예를 들어, 실리콘층의 에칭) 가 완료에 도달하거나 거의 완료에 도달한 시점End point - When the process (e.g., etching of the silicon layer) reaches completion or near completion

종말점 도메인 - 종말점이 발생할 것이라고 생각되는 동안의 데이터 세트에서의 간격. 종말점 도메인은 통상 상대적으로 넓으며 사용자 추정치에 기초한다.Endpoint domain - The interval in the data set during which the end point is thought to occur. The end point domain is typically relatively large and is based on user estimates.

PLS-DA (Partial Least Squares Discriminant Analysis) - 2 세트의 데이터 사이의 관계들을 찾아내는 기술. PLS-DA는 (입력 매트릭스 X에서) 독립적 다변량들이 존재하고 (입력 매트릭스 Y에서) 의존적 다변량들이 존재할 때 사용될 수 있다. PLS-DA에 있어서, Y 변량은 연속적이지 않지만 독립적 이산 값들 또는 분류들의 세트로 구성된다. PLS-DA는 입력 데이터를 이산 분류들 중 하나로 분류하는데 사용될 수 있는 X 변량들의 선형 결합을 찾으려 할 수 있다.PLS-DA (Partial Least Squares Discriminant Analysis) - A technique for finding relationships between two sets of data. The PLS-DA can be used when there are independent multivariate (at input matrix X) and there are dependent multivariate (at input matrix Y). In the PLS-DA, the Y-variance consists of a set of independent discrete values or classes that are not continuous. The PLS-DA may seek to find a linear combination of the X variables that can be used to classify the input data into one of the discrete classes.

프리 종말점 도메인 - 종말점 도메인을 실행하는 데이터 세트의 일 부분Free endpoint domain - A part of the data set that runs the endpoint domain

포스트 종말점 도메인 - 종말점 도메인 이후에 오는 데이터 세트의 일 부분Post endpoint domain - A portion of the data set that comes after the endpoint domain

시그니쳐 - 프로세스에서 종말점을 표시하는 파라미터 또는 파라미터들의 결합의 평가에서 구별되는 변화 지점 (또는 변화 지점들의 결합). 파라미터들의 결합 및 변화의 특성은 통상 시그니쳐의 부분을 형성한다.Signature - a point of change (or a combination of points of change) that is distinguished in evaluating the combination of parameters or parameters that represent endpoints in the process. The nature of the combination and variation of the parameters usually forms part of the signature.

단계적 회귀 (Stepwise regression) - 개별 센서 채널로부터의 데이터의 유한 시간 간격에서 데이터 값들에 최소 자승 피팅 알고리즘 (least-squares fitting algorithm) 을 사용하여 직선을 피팅하는 것을 지칭함.Stepwise regression - refers to fitting a straight line to a data value in a finite time interval of data from an individual sensor channel using a least-squares fitting algorithm.

플라즈마 프로세싱의 진보는 반도체 산업의 성장을 제공해 왔다. 경쟁력 있는 이점을 얻기 위해서, 반도체 디바이스 제조자들은 페기물을 최소화하고 고품질의 반도체 디바이스들을 제조하도록 프로세싱 환경의 엄격한 제어를 유지하여야 한다. Advances in plasma processing have provided growth in the semiconductor industry. In order to gain a competitive advantage, semiconductor device manufacturers must maintain strict control of the processing environment to minimize waste and produce high-quality semiconductor devices.

엄격한 제어를 유지하기 위한 일 방법이 프로세스 종말점을 식별하는 것에 의한 것이다. 본 명세서에서 설명되는 바와 같이, 용어 종말점은 프로세스 (예를 들어, 실리콘층의 에칭) 가 완료에 도달하거나 거의 완료에 도달한 시점을 지칭한다. 종말점을 식별하는 프로세스는 가장 큰 변화를 갖는 신호를 식별하는 것 만큼 간단할 수 있다. 그러나, 신호 변화가 항상 종말점과 일치하지 않을 수도 있다. 채널의 노이즈와 같은 다른 인자들이 신호 패턴을 변화시킬 수도 있다.One way to maintain tight control is by identifying process endpoints. As described herein, the term end point refers to the point in time when a process (e.g., etching of a silicon layer) has reached a completion or near completion. The process of identifying endpoints can be as simple as identifying the signal with the greatest variation. However, the signal change may not always coincide with the end point. Other factors such as the noise of the channel may change the signal pattern.

설명을 용이하게 하기 위해, 도 1은 종말점 알고리즘을 확립하기 위한 개략적인 방법을 나타낸다. 도 1에 기재된 바와 같은 방법은, 통상적으로 전문 사용자에 의해 수동으로 수행된다.To facilitate the description, FIG. 1 shows a schematic method for establishing an endpoint algorithm. The method as described in Figure 1 is typically performed manually by a professional user.

예를 들어, 테스트 기판이 프로세싱되는 상황을 고려한다. 상이한 유형의 기판들이 존재하기 때문에, 테스트 기판은 제조 환경에 사용될 수 있는 기판과 동일한 유형일 수 있다. 예를 들어, 제조 동안 특정의 패터닝된 기판이 사용되는 경우, 유사한 패터닝된 기판이 테스트 기판으로서 채용될 수 있다.Consider, for example, the situation in which the test substrate is processed. Because there are different types of substrates, the test substrate can be of the same type as the substrate that can be used in the manufacturing environment. For example, if a particular patterned substrate is used during fabrication, a similar patterned substrate may be employed as the test substrate.

제 1 단계 (102) 에서, 기판에 대해 데이터가 획득된다. 일 예에 있어서, 센서들 (예를 들어, 압력 마노미터, 광학 방출 분광기 (OES), 온도 센서 등) 은 기판이 프로세싱되는 동안 데이터를 획득한다. 수천 개 아니면 수백 개의 센서 채널들의 데이터가 수집될 수 있다.In a first step 102, data is acquired for the substrate. In one example, sensors (e.g., pressure manometers, optical emission spectroscopes (OES), temperature sensors, etc.) acquire data while the substrate is being processed. Data from thousands or hundreds of sensor channels can be collected.

기판이 프로세싱된 후 수집된 데이터가 분석될 수 있다. 많은 데이터가 이용될 수 있기 때문에, 수천 개의 신호 스트림들 내에서 종말점을 찾아내는 것은 통상적으로 레시피 및 툴에 대한 철저한 지식을 필요로하는 어려운 작업일 수 있다. 이러한 이유로, 전문 사용자가 통상적으로 분석을 수행하는 작업을 담당하게 된다.After the substrate has been processed, collected data can be analyzed. Finding the end point in thousands of signal streams can be a difficult task that requires a thorough knowledge of the recipe and tools, as a lot of data can be used. For this reason, specialized users are typically responsible for performing the analysis.

다음 단계 (104) 에서, 전문 사용자는 신호 패턴들에서의 변화들에 대한 하나 이상의 신호들을 검사할 수 있다. 전문 사용자는 분석을 돕기 위해 하나 이상의 소프트웨어 프로그램들을 채용할 수 있다. 일 예에 있어서, 소프트웨어 프로그램은 간단한 산출들 및 분석을 수행할 수 있는 간단한 분석 툴일 수 있다. 다른 예에 있어서, 소프트웨어 프로그램은, 예를 들어 신호 히스토리를 그래픽으로 도시하기 위해 채용될 수 있는 간단한 데이터 시각화 프로그램일 수 있다.In a next step 104, the expert user may examine one or more signals for changes in signal patterns. A professional user may employ one or more software programs to aid in analysis. In one example, a software program can be a simple analysis tool that can perform simple calculations and analysis. In another example, the software program may be a simple data visualization program that may be employed, for example, to graphically illustrate the signal history.

그러나, 전문 사용자의 전문 지식과 경험에 의해서도, 센서들에 의해 획득되고 분석에 이용될 수 있는 데이터의 양은 압도적일 수 있다. 따라서, 종말점 시그니쳐를 식별하는 작업은 벅찬 작업일 수 있다. 일 예에 있어서, OES 센서 채널 내에 2,000 개 이상의 파장 측정치들이 있을 수 있다. 또한, 종말점 데이터가 다른 센서 채널들 (예를 들어, 온도, 압력, 전압 등에 관한 데이터를 제공하는 센서 채널들) 에서 발견될 수도 있기 때문에, 모든 신호 및 신호들의 결합이 분석되어야 하는 경우, 전문 사용자는 수행가능성이 없는 작업에 직면하게 될 수도 있다.However, the expertise and experience of expert users can also be overwhelming in the amount of data that can be acquired and used by the sensors for analysis. Thus, identifying the endpoint signature can be a daunting task. In one example, there may be more than 2,000 wavelength measurements within the OES sensor channel. Also, since the endpoint data may be found in different sensor channels (e.g., sensor channels that provide data regarding temperature, pressure, voltage, etc.), if all the signals and combinations of signals are to be analyzed, May be faced with tasks that are not likely to be performed.

예상될 수 있는 바와 같이, 어플리케이션들에 의존하여, 일부 신호들은 다른 신호들보다 더 양호한 종말점 데이터를 제공할 수 있다. 예를 들어, 신호들 A 및 B 양자가 종말점 데이터를 갖는다. 그러나, 신호 B 가 신호 A 보다 적은 노이즈를 가질 수도 있기 때문에, 신호 B 가 보다 양호한 종말점 시그니쳐를 제공할 수 있다. 수십 또는 수백 개의 신호들이 있을 수 있다고 하면, 최적의 종말점 시그니쳐보다 훨씬 적은, 종말점 시그니처에 대한 데이터 세트를 분석하는 작업은 매우 지루하고 시간 소모적인 프로세스가 될 수 있다.As can be expected, depending on the applications, some signals may provide better endpoint data than other signals. For example, both signals A and B have endpoint data. However, since signal B may have less noise than signal A, signal B may provide a better endpoint signature. Assuming there could be tens or hundreds of signals, analyzing the dataset for the endpoint signature, which is far less than the optimal endpoint signature, can be a very tedious and time-consuming process.

데이터를 분석하는데 있어서, 전문 사용자는 종말점의 표시로서 신호 변화 (예를 들어, 신호 패턴에서의 변화) 를 찾을 수도 있다. 예를 들어, 신호가 아래로 기울고 있으면, 신호 기울기에서의 피크는 변화를 나타낼 수 있다. 신호 변화를 수동으로 식별하는 작업이 과거에 지루한 작업이었더라도, 최근, 이 작업은 신호 변화들이 덜 명확해지게 됨에 따라 훨씬 더 어려워지고 있다. 이는 특히 기판 상에 작은 개구 면적들을 프로세싱하기 위해 채용되는 레시피들에 대해 해당된다. 일 예에 있어서, 프로세싱 (예를 들어, 에칭) 되고 있는 개구 면적이 너무 작아서 (예를 들어, 기판 면적의 < 1%), 인간의 눈에 거의 띠지 않을 만큼 신호 변화가 감지되기 어렵다.In analyzing the data, a professional user may look for a signal change (e.g., a change in the signal pattern) as an indication of the end point. For example, if the signal is sloping down, the peak in the slope of the signal may indicate a change. Although manual identification of signal changes was a tedious task in the past, this task is becoming more and more challenging as signal changes become less obvious. This is particularly true for recipes employed to process small aperture areas on a substrate. In one example, it is difficult to detect a signal change that is so small that the aperture area being processed (e.g., etched) is too small (e.g., <1% of the substrate area) so that it is hardly noticeable to the human eye.

분석을 용이하게 하기 위해, 전문 사용자는 종말점을 식별하는 것과 관련되지 않는다고 여겨지는 데이터 값들을 제거할 수 있다. 데이터 세트를 감소시키기 위한 일 방법은 전문 사용자가 종말점 발생을 예상하지 않는 신호 스트림에서의 영역들을 식별하고 제거하는 것을 포함한다. 즉, 전문 사용자는 통상적으로 프리 종말점 도메인과 포스트 종말점 도메인 사이에서, 신호 스트림에서의 타겟 영역으로 종말점에 대한 그의 검색을 한정할 수 있다. 종말점 시그니쳐들을 찾고 정제하는 (전문가 시간에 있어서) 높은 비용 때문에, 가능한 큰 프리 종말점 및 포스트 종말점 도메인들을 제작하여 종말점을 찾기 위해 남겨지는 영역을 한정하는 것이 목표이다.To facilitate analysis, a professional user may remove data values that are not considered to be related to identifying endpoints. One way to reduce the data set involves identifying and removing areas in the signal stream where the expert user does not anticipate end point occurrences. That is, a professional user can typically define his search for an end point as a target region in the signal stream, between the free end point domain and the post end point domain. Because of the high cost (in expert hours) of finding and refining endpoint signatures, the goal is to create as large a free endpoint and post-endpoint domains as possible to limit the area left to find endpoints.

통상적으로 전문 사용자는 프로세스에 익숙하기 때문에, 전문 사용자는 단지 선택 신호들만을 분석함으로써 데이터 세트를 또한 감소시킬 수 있다. 선택 신호들은, 전문 사용자의 경험에 기초하여 종말점 데이터를 함유할 수 있는 신호들 또는 신호들의 결합을 포함할 수 있다. 전형적으로, 신호들의 결합이 그룹으로서 분석되고 있는 경우, 신호들의 결합은 통상적으로 신호 센서 소스로부터이다. 일반적으로, 센서들 사이의 변화량들은, 불가능하지 않다면, 상관 분석이 수동으로 수행되는 것을 어렵게 할 수 있기 때문에, 상이한 센서 소스들로부터의 데이터는 결합되지 않는다.Because professional users are typically familiar with the process, professional users can also reduce the data set by analyzing only the selection signals. The selection signals may comprise a combination of signals or signals that may contain endpoint data based on experience of a professional user. Typically, when the combination of signals is being analyzed as a group, the combination of signals is typically from a signal sensor source. In general, the data from different sensor sources are not combined because the amount of variation between the sensors, if not impossible, can make it difficult to perform correlation analysis manually.

예상될 수 있는 바와 같이, 단지 필터링된 데이터 세트만을 이용한 작업은 부주의로 제거되는 최적의 종말점 시그니쳐의 리스크를 증가시킬 수 있다. 즉, 데이터를 필터링함으로써, 전문 사용자는 최적 종말점 시그니쳐보다 훨씬 더 적은 종말점 시그니쳐가 필터링 후 잔류하는 신호들 중 하나에 위치되는 것을 추측할 수 있다. 이러한 이유로, 잔류 신호들에서 식별될 수 있는 종말점 시그니쳐는 반드시 최적의 종말점 시그니쳐일 수는 없다.As can be expected, work using only filtered data sets can increase the risk of optimal endpoint signatures that are inadvertently removed. That is, by filtering the data, the expert user can guess that much less endpoint signatures than the optimal endpoint signature are located in one of the remaining signals after filtering. For this reason, the endpoint signature that can be identified in the residual signals can not necessarily be the optimal endpoint signature.

신호 변화가 식별된 후, 전문 사용자는 종말점 후보로서 신호 변화의 강건성을 결정하기 위해 검증 분석을 수행할 수 있다. 예를 들어, 전문 사용자는 신호 변화의 특별함을 결정하기 위해 신호의 히스토리를 분석할 수 있다. 신호 변화가 특별하지 않은 경우 (즉, 신호의 히스토리에서 1회 보다 많이 발생하는 경우), 신호는 데이터 세트로부터 제거될 수 있다. 그 후, 전문 사용자는 다른 신호에서 "규정하기 힘든" 종말점을 식별하는 지루한 작업을 재개할 수 있다.After the signal change is identified, the expert user may perform a validation analysis to determine the robustness of the signal change as an end point candidate. For example, a professional user can analyze the history of a signal to determine the specificity of the signal change. If the signal change is not unusual (i.e., occurs more than once in the history of the signal), the signal may be removed from the data set. Professional users can then resume tedious tasks that identify "hard to define" endpoints in other signals.

다음 단계 (106) 에서, 필터들의 세트 (예를 들어, 디지털 필터들의 세트) 가 노이즈를 제거하기 위해 그리고 데이터를 평활화하기 위해 데이터에 적용될 수 있다. 적용될 수 있는 필터들의 예들은, 예를 들어 시계열 필터들 및 주파수계 필터들을 포함하지만 이에 한정되지 않는다. 데이터 세트에 필터들을 적용하는 것이 데이터 세트에서의 노이즈를 감소시킬 수 있더라도, 필터들은 신호 내에서 실시간 지연을 또한 증가시킬 수 있기 때문에 통상적으로 필터들은 적게 적용된다.In a next step 106, a set of filters (e.g., a set of digital filters) may be applied to the data to remove noise and to smooth the data. Examples of filters that may be applied include, but are not limited to, time series filters and frequency meter filters, for example. Although applying filters to a data set may reduce noise in the data set, filters are typically less applied because they can also increase the real-time delay in the signal.

일부 상황들에 있어서, 다변량 분석 (예를 들어, 주요 성분 분석 (Principal Component Analysis) 또는 부분적 최소 자승 (Partial Least Squares)) 이 데이터 분석 시 수행될 수 있다. 다변량 분석은 데이터 세트를 더욱 감소시키기 위해 수행될 수 있다. 다변량 분석을 사용하기 위해, 전문 사용자가 종말점 피쳐의 형상 (예를 들어, 곡선) 을 정의하도록 요구될 수 있다. 즉, 전문 사용자는 종말점 후보가 아직 식별되지 않았더라도 종말점의 형상 예측을 예상한다. 종말점의 형상을 미리 정의함으로써, 다변량 분석은 본질적으로 원하는 형상을 나타내지 않는 신호들을 제거한다. 일 예에 있어서, 종말점의 형상이 피크일 것으로 정의되는 경우, 이 형상을 나타내지 않는 신호들은 제거될 수 있다. 따라서, 최적 종말점 시그니쳐가 "예상된" 형상을 갖지 않는 경우, 그 최적 종말점 시그니쳐를 놓칠 수 있다.In some situations, multivariate analysis (e.g., Principal Component Analysis or Partial Least Squares) may be performed during data analysis. Multivariate analysis can be performed to further reduce the data set. To use multivariate analysis, a professional user may be required to define the shape (e.g., curve) of the end point feature. That is, the expert user expects the shape prediction of the end point even though the end point candidate is not yet identified. By predefining the shape of the endpoint, multivariate analysis essentially eliminates signals that do not exhibit the desired shape. In one example, if the shape of the end point is defined to be a peak, signals that do not exhibit this shape can be removed. Thus, if the optimal endpoint signature does not have an "expected" shape, then it may miss its optimal endpoint signature.

상기로부터 알 수 있는 바와 같이, 많은 데이터로부터 단일 종말점 시그니쳐를 식별하는 작업은 지루한 작업일 수 있고 수행하기 위해 몇 주가 아니면 몇 시간이 걸릴 수 있다. 또한, 일단 종말점 시그니쳐가 식별되면, 종말점 시그니쳐로서 신호들 또는 신호들의 결합의 적합성에 대한 정량 분석이 적게 수행될 수도 있고 또는 어떠한 정량 분석도 수행되지 않을 수도 있다. 일 예에 있어서, 종말점 시그니쳐로써 신호 변화를 검증하기 위해, 전문 사용자는 다른 신호들을 분석하여 동일한 시간 프레임 주위에서 유사한 신호 변화를 찾을 수 있다. 그러나, 전문 사용자가 제 1 종말점 시그니쳐를 식별하는데 이미 상당한 양의 시간을 소모했다면, 전문 사용자는 그 결과를 검증하기 위해 시간, 자원 및/또는 의향을 항상 갖지 않을 수 있다.As can be seen, the task of identifying a single endpoint signature from a large amount of data can be a tedious task and may take several weeks or weeks to perform. Also, once the endpoint signature is identified, quantitative analysis of the suitability of the signals or combinations of signals as an endpoint signature may be performed less or no quantitative analysis may be performed. In one example, in order to verify the signal change with the endpoint signature, the expert user may analyze the other signals to find a similar signal change around the same time frame. However, a professional user may not always have the time, resources and / or intent to verify the results if the expert user has already spent a significant amount of time identifying the first endpoint signature.

다음 단계 (108) 에서, 전문 사용자는 과도 (transition) 의 특성에 기초하여 종말점 알고리즘 유형을 선택할 수 있다. 통상적으로, 종말점 알고리즘 유형은, 예를 들어, 종말점을 나타낼 수 있는 스펙트럼 선 (들) 의 형상에 기초할 수 있다. 일 예에 있어서, 종말점은 기울기 변화에 의해 나타낼 수 있다. 따라서, 전문 사용자는 기울기 의존 알고리즘을 제시할 수 있다.In a next step 108, the expert user may select an endpoint algorithm type based on the nature of the transition. Typically, the endpoint algorithm type may be based, for example, on the shape of the spectral line (s) that may represent the end point. In one example, the end point may be represented by a slope change. Therefore, the expert user can present a gradient dependent algorithm.

또한, 종말점 알고리즘은 최상의 종말점 시그니쳐를 제공할 수 있는 도함수 (derivative) 에 기초할 수 있다. 그러나, 종말점 시그니쳐의 제 1 도함수 (예를 들어, 기울기에서의 변화) 가 최상의 종말점 알고리즘을 제공하지 않을 수도 있다. 대신, 예를 들어 기울기의 제 2 도함수 (예를 들어, 변곡점 (inflection point)) 가 보다 양호한 종말점 알고리즘을 제공할 수 있다. 종말점 시그니쳐 뿐만 아니라 이 종말점 시그니쳐와 연관된 최상의 종말점 알고리즘을 식별하기 위한 능력은 몇몇 사용자들 (전문 사용자들만) 이 소유할 수 있는 전문 지식을 필요로 할 수 있다.In addition, the endpoint algorithm may be based on a derivative that can provide the best endpoint signature. However, a first derivative (e.g., a change in slope) of the endpoint signature may not provide the best endpoint algorithm. Instead, for example, a second derivative of the slope (e.g., an inflection point) may provide a better endpoint algorithm. The ability to identify the endpoint signature as well as the best endpoint algorithm associated with this endpoint signature may require expertise that some users (professional users only) can possess.

다음 단계 (110) 에서, 알고리즘 설정들은 최적화 및/또는 테스트될 수 있다. 일단 종말점 알고리즘이 식별되면, 종말점 알고리즘은 제조 종말점 알고리즘으로 변환될 수 있다. 테스트 환경과 제조 환경 사이에 차이점들이 존재할 수 있기 때문에, 종말점 알고리즘의 설정은 종말점 알고리즘이 제조로 이동될 수 있기 전에 조정되어야 할 수도 있다. 조정될 수 있는 설정들은, 예를 들어 알고리즘 유형들에 대한 특정 설정들, 지연 시간, 평활화 필터 등을 포함하지만 이에 한정되지 않는다.In the next step 110, the algorithm settings may be optimized and / or tested. Once the end point algorithm is identified, the end point algorithm can be converted to a manufacturing end point algorithm. Since there may be differences between the test environment and the manufacturing environment, the configuration of the endpoint algorithm may need to be adjusted before the endpoint algorithm can be moved to manufacturing. Settings that may be adjusted include, but are not limited to, for example, specific settings for algorithm types, delay times, smoothing filters, and the like.

일 예에 있어서, 테스트 환경에서 데이터를 평활화하기 위해 채용될 수 있는 필터들은 제조 환경 내에서 수용할 수 없는 실시간 지연을 야기할 수도 있다. 본 명세서에서 설명된 바와 같이, 실시간 지연은 필터링되지 않은 신호 변화 및 필터링된 신호 변화 사이의 시간차를 지칭한다. 예를 들어, 신호에서의 피크는 프로세스 내에서 40 초에 발생하였을 수도 있다. 그러나, 필터가 적용된 후, 피크는 5 초 이후까지 발생하지 않을 수도 있다. 종말점 알고리즘이 필터 설정들로 적용되는 경우, 기판은 종말점 알고리즘이 종말점을 식별하기 전에 오버 에칭될 수 있다. 실시간 지연을 최소화하기 위해, 필터들이 조정되어야 할 수도 있다.In one example, filters that may be employed to smooth data in a test environment may cause unacceptable real-time delays within the manufacturing environment. As described herein, the real-time delay refers to the time difference between the unfiltered signal change and the filtered signal change. For example, the peak in the signal may have occurred in 40 seconds in the process. However, after the filter is applied, the peak may not occur until after 5 seconds. If the end point algorithm is applied with filter settings, the substrate may be overetchable before the end point algorithm identifies the end point. To minimize the real-time delay, the filters may need to be adjusted.

종말점 알고리즘을 제조로 이동하기 전에, 설정들이 최적화되었는지를 결정하기 위해 테스트가 수행될 수 있다. 일 예에 있어서, 종말점 알고리즘은 종말점 알고리즘을 생성하는데 사용되었던 데이터 설정에 적용될 수 있다. 종말점 알고리즘이 조정된 설정들을 사용하여 종말점을 정확하게 식별하는 경우, 설정들이 최적화되는 것으로 고려될 수 있다. 그러나, 종말점 알고리즘이 종말점을 정확하게 식별하지 못하는 경우, 설정들은 조정되어야 할 수도 있다. 이러한 테스트는 설정들이 최적화되기 전에도 (시행 착오 방법 (trial and error method)) 을 통해 복수 회 수행되어야 할 수도 있다.Prior to moving the endpoint algorithm to manufacturing, a test may be performed to determine if the settings have been optimized. In one example, the endpoint algorithm may be applied to the data settings that were used to generate the endpoint algorithm. If the endpoint algorithm correctly identifies the endpoint using the adjusted settings, then the settings can be considered to be optimized. However, if the end point algorithm does not correctly identify the end point, the settings may need to be adjusted. These tests may have to be performed multiple times before the settings are optimized (trial and error method).

다음 단계 (112) 에서, 종말점 알고리즘 상에서 강건성 테스트를 수행하는 것과 관련하여 결정이 이루어진다. 강건성 테스트가 수행되는 경우 (단계 114), 종말점 알고리즘은 다른 기판들과 연관된 데이터 세트들에 적용될 수 있다. 일 예에 있어서, 제 2 테스트 기판이 프로세싱될 수 있고 데이터가 수집될 수 있다. 그 후, 종말점 알고리즘이 제 2 데이터 세트에 적용될 수 있다. 종말점 알고리즘이 종말점을 식별할 수 있는 경우, 종말점 알고리즘이 강건하다고 고려될 수 있으며 종말점 알고리즘이 제조로 이동될 수 있다 (단계 116). 그러나, 종말점 알고리즘이 종말점을 식별하지 못하는 경우, 종말점 알고리즘은 충분히 강건하지 않다고 고려될 수 있으며 전문 사용자는 단계 (104) 로 되돌아가서 다른 종말점 후보를 식별하고 다른 종말점 알고리즘을 구성하는 작업을 재개한다.In the next step 112, a determination is made regarding performing a robustness test on the end point algorithm. If a robustness test is performed (step 114), the endpoint algorithm may be applied to data sets associated with other substrates. In one example, the second test substrate can be processed and data can be collected. The end point algorithm may then be applied to the second data set. If the end point algorithm can identify the end point, then the end point algorithm may be considered robust and the end point algorithm may be moved to manufacturing (step 116). However, if the endpoint algorithm does not identify the endpoint, then the endpoint algorithm may be considered insufficiently robust and the expert user goes back to step 104 to identify other endpoint candidates and resume the work of configuring the other endpoint algorithm.

강건성 테스트가 실행 및 분석을 위해 시간을 필요로 할 수도 있다면, 많은 종말점 알고리즘들이 강건성 테스트를 겪지 않고 제조 환경으로 이동될 수 있다. 즉, 단계 (112) 가 통상적으로 종말점 알고리즘의 생성에 있어서 선택적 단계로서 고려된다.If robustness testing may require time for execution and analysis, many endpoint algorithms can be moved to the manufacturing environment without undergoing robustness testing. That is, step 112 is typically considered as an optional step in the creation of the endpoint algorithm.

도 1로부터 알 수 있는 바와 같이, 종말점 알고리즘을 생성하는 방법은 복잡한 분석을 수행하기 위해 전문 지식 및 경험을 가질 수 있는 전문가에 의해 통상적으로 수행되는 대부분 수동 프로세스이다. 자원들에 대해 규제가 주어진다면, 제조로 이동될 수 있는 종말점 알고리즘은 정량적 지원이 부족할 수 있다. 또한, 한 명의 인간이 적정한 주기의 시간 내에서 모든 신호들 및/또는 신호들의 결합을 분석할 수 없기 때문에, 생성될 수 있는 종말점 알고리즘이 항상 프로세스에 대한 최적의 종말점 알고리즘이 될 수는 없다.As can be seen from Figure 1, the method of generating an endpoint algorithm is mostly a manual process that is typically performed by an expert who can have expertise and experience to perform complex analysis. Given regulation on resources, endpoint algorithms that can be moved to manufacturing may lack quantitative support. Also, since one human being can not analyze all the signals and / or combinations of signals within a reasonable period of time, the endpoint algorithm that can be generated is not always the optimal endpoint algorithm for the process.

따라서, 강건한 종말점 알고리즘을 구성하기 위해 간략화된 방법이 바람직하다.Thus, a simplified method is desirable for constructing a robust endpoint algorithm.

본 발명은 첨부 도면들의 도들에서 한정이 아닌 예시로서 설명되며, 도면들에서 동일한 참조 번호는 유사한 엘리먼트들을 지칭한다.
도 1은 종말점 알고리즘을 확립하기 위한 개략적인 방법을 나타낸다.
도 2는 본 발명의 일 실시형태에 있어서 종말점 알고리즘을 구성하는 방법을 도시하는 개략적인 플로우 챠트를 나타낸다.
도 3a 및 도 3b는 본 발명의 일 실시형태에 있어서 최적의 종말점 알고리즘을 찾아내는데 있어서 알고리즘 엔진이 실행할 수 있는 단계들을 도시하는 개략적인 플로우 챠트를 나타낸다.
도 4는 본 발명의 일 실시형태에 있어서 제조 환경 내에서 최적의 종말점 알고리즘을 구현하기 위한 개략적인 플로우 챠트를 나타낸다.
도 5는 본 발명의 일 실시형태에 있어서 최적의 종말점 알고리즘의 리스트로의 데이터 세트들의 전개의 일 예를 도시하는 블록도를 나타낸다.The present invention is illustrated by way of example and not by way of limitation in the figures of the accompanying drawings, wherein like reference numerals refer to similar elements.
Figure 1 shows a schematic method for establishing an endpoint algorithm.
Figure 2 shows a schematic flow chart illustrating a method for constructing an endpoint algorithm in an embodiment of the present invention.
FIGS. 3A and 3B show a schematic flow chart illustrating the steps that an algorithm engine can perform in finding an optimal endpoint algorithm in an embodiment of the invention. FIG.
Figure 4 shows a schematic flow chart for implementing an optimal endpoint algorithm within a manufacturing environment in an embodiment of the invention.
Figure 5 shows a block diagram illustrating an example of the evolution of data sets into a list of optimal end point algorithms in an embodiment of the invention.

이제, 첨부된 도면들에 도시된 바와 같이 몇몇 실시형태들을 참조하여 본 발명이 상세하게 설명된다. 다음의 설명에 있어서, 본 발명의 완전한 이해를 제공하기 위해 다수의 특정 상세들이 설명된다. 그러나, 본 발명은 이러한 특정 상세들의 일부 또는 전부 없이도 실시될 수 있음이 당업자에게 명백하다. 다른 예시들에 있어서, 주지된 공정 단계들 및/또는 구조들은 본 발명을 불필요하게 모호하게 하지 않도록 하기 위해 상세하게 설명되지 않는다.The present invention will now be described in detail with reference to several embodiments as illustrated in the accompanying drawings. In the following description, numerous specific details are set forth in order to provide a thorough understanding of the present invention. However, it will be apparent to those skilled in the art that the present invention may be practiced without some or all of these specific details. In other instances, well-known process steps and / or structures have not been described in detail in order not to unnecessarily obscure the present invention.

이하, 방법들 및 기술들을 포함하는 다양한 실시형태들이 본 명세서에서 설명된다. 또한, 본 발명은 발명 기술의 실시형태들을 수행하기 위한 컴퓨터 판독가능 명령들이 저장된 컴퓨터 판독가능 매체를 포함하는 제조물을 커버할 수도 있음을 유념해야 한다. 컴퓨터 판독가능 매체는, 예를 들어 반도체, 자기, 광자기, 광학 또는 컴퓨터 판독 가능 코드를 저장하기 위한 다른 형태의 컴퓨터 판독 가능 매체를 포함할 수도 있다. 게다가, 본 발명은 본 발명의 실시형태들을 실시하기 위한 장치도 또한 커버할 수 있다. 이러한 장치는 전용 및/또는 프로그램 가능한 회로들을 포함하여, 본 발명의 실시형태들에 관한 작업들을 수행할 수도 있다. 이러한 장치의 예들은 적절하게 프로그램되는 경우 범용 컴퓨터 및/또는 전용 컴퓨팅 디바이스를 포함하고, 본 발명의 실시형태들에 관한 다양한 작업들에 적응된 전용/프로그램가능 회로들 및 컴퓨터/컴퓨팅 디바이스의 결합을 포함할 수도 있다.Hereinafter, various embodiments including methods and techniques are described herein. It should also be noted that the present invention may cover an article of manufacture comprising a computer-readable medium having computer-readable instructions thereon for carrying out embodiments of the invention. The computer-readable medium may comprise, for example, a semiconductor, magnetic, magnetooptical, optical, or other form of computer readable medium for storing computer readable code. In addition, the present invention can also cover an apparatus for practicing the embodiments of the present invention. Such a device may include dedicated and / or programmable circuits to perform operations relating to embodiments of the present invention. Examples of such devices include general purpose computers and / or dedicated computing devices, when properly programmed, and combinations of dedicated / programmable circuits and computer / computing devices adapted to various tasks in accordance with embodiments of the present invention .

본 발명의 실시형태들에 따라, 종말점 알고리즘들을 자동으로 발견하고 최적화하기 위한 방법들이 제공된다. 본 발명의 실시형태들은 프로세스에 대한 최적의 종말점을 결정하기 위한 종말점 알고리즘 구성 방법들을 포함한다. 또한, 본 발명의 실시형태들은 제조 환경 내에서 종말점 알고리즘을 적용하기 위한 인-시튜 방법들을 포함한다.In accordance with embodiments of the present invention, methods are provided for automatically locating and optimizing endpoint algorithms. Embodiments of the present invention include methods for constructing an endpoint algorithm to determine an optimal endpoint for a process. Embodiments of the present invention also include in-situ methods for applying an endpoint algorithm within a manufacturing environment.

본 명세서에 있어서, 일 예로서 종말점을 사용하는 다양한 구현들이 설명될 수 있다. 그러나, 본 발명은 종말점에 한정되지 않으며 프로세스 동안 발생할 수 있는 임의의 변화점을 포함할 수 있다. 즉, 설명들은 예시들로서 의미되며 본 발명은 제시된 예시들에 의해 한정되지 않는다.In this specification, various implementations using an end point as an example can be described. However, the present invention is not limited to an end point and may include any change points that may occur during the process. In other words, the descriptions are meant to be illustrative and the invention is not limited by the presented examples.

본 발명의 일 실시형태에 있어서, 종말점 알고리즘을 구성하는 방법들이 제공된다. 이 방법들은 전문 사용자 및 비전문 사용자 모두에 의해 사용될 수 있는 단순하고, 사용자 친화적이며 자동화된 방법들이다. 이 방법들은 센서 데이터를 획득하고, 근사 종말점 주기를 자동 정의하고, 센서 데이터를 자동 분석하고, 잠재적 종말점 시그니쳐들의 세트를 자동 결정하며, 최적의 종말점 알고리즘을 제조로 자동 임포팅 (importing) 하는 것을 포함할 수 있다.In one embodiment of the invention, methods are provided for constructing an endpoint algorithm. These methods are simple, user friendly and automated methods that can be used by both professional and non-professional users. These methods include acquiring sensor data, automatically defining an approximate endpoint period, automatically analyzing sensor data, automatically determining a set of potential endpoint signatures, and automatically importing an optimal endpoint algorithm into the manufacturing .

종래 기술에 있어서, 데이터의 많은 양으로 인해, 한명의 인간이 적정 시간 주기 내에서 모든 신호들을 실행 가능하게 분석할 수 없을 수 있다. 종래 기술과 달리, 일 실시형태에 있어서의 분석은 인간의 참여가 적거나 없을 수 있다. 대신, 일 실시형태에서는, 분석을 수행하는데 알고리즘 엔진이 채용될 수 있다. 데이터가 수동 대신 자동으로 분석되기 때문에, 전부는 아니더라도, 많은 데이터가 분석될 수 있다. 일 실시형태에 있어서, 모든 가능한 신호들이 분석될 수 있고, 각 신호는 잠재적 종말점 시그니쳐일 때 그 관련성에 관해서 특징화될 수 있다. 또한, 알고리즘 엔진에 의해 분석이 지금 수행되고 있기 때문에, 분석은 더 이상 단일 기판으로부터의 데이터 파일들에 한정되지 않는다. 이에 따라, 많은 데이터가 분석되어 강건한 최적의 종말점 알고리즘들의 세트를 구성할 수 있다.In the prior art, due to the large amount of data, one human being may not be able to analyze all of the signals in a timely manner. Unlike the prior art, the analysis in one embodiment may be less or no human involvement. Instead, in one embodiment, an algorithm engine may be employed to perform the analysis. Because the data is analyzed automatically instead of manually, many, if not all, of the data can be analyzed. In one embodiment, all possible signals can be analyzed, and each signal can be characterized as to its relevance when it is a potential endpoint signature. Also, since the analysis is now being performed by the algorithm engine, the analysis is no longer limited to data files from a single substrate. Thus, a large amount of data can be analyzed to construct a robust set of optimal endpoint algorithms.

알고리즘 엔진은 종말점의 타겟 영역 (예를 들어, 종말점 도메인) 에 대한 시간의 함수에 기초한 소프트웨어 프로그램일 수 있다. 일단 사용자가 근사 종말점 영역 (예를 들어, 종말점 도메인) 을 정의하면, 데이터를 분석하기 위해 알고리즘 엔진이 채용되어 최적의 종말점 시그니쳐들의 세트를 찾아낼 수 있다.The algorithm engine may be a software program based on a function of time for a target region (e.g., an endpoint domain) of an endpoint. Once the user defines an approximate endpoint region (e.g., an endpoint domain), an algorithm engine can be employed to analyze the data to find the optimal set of endpoint signatures.

일 실시형태에 있어서, 알고리즘 엔진은 다변량 분석에서 잠재적 종말점 시그니쳐들을 나타낼 수 있는 포텐셜 형상들의 세트를 식별할 수 있다. 종래 기술과 달리, 사용자는 각 잠재적 종말점 시그니쳐 (예를 들어, 피크, 밸리, 스텝 등) 의 이전 형상에 대한 지식을 가져야 할 필요가 없다. 대신, 일단 알고리즘 엔진이 잠재적 종말점 시그니쳐들을 식별했으면, 알고리즘 엔진은 포텐셜 형상들의 리스트를 생성할 수 있다. 이로써, 알고리즘 엔진에 의해 식별될 수 있는 잠재적 종말점 알고리즘들이 단일 형상 (예를 들어, 곡선) 에 한정되지 않는다. 일 실시형태에 있어서, 알고리즘 엔진은 프로세스에 대한 최상의 종말점 시그니쳐들을 식별하기 위해서 알려진 종말점 후보들의 데이터 컨디셔닝 및 테스팅을 수행하도록 구성된다. 시간 함수로서의 각 파라미터의 가변성은 프로세스의 히스토리 전체에 걸친 일련의 유한 시간 간격들에서 각 데이터 입력 파라미터의 기울기를 결정하기 위한 단계적 회귀분석을 수행함으로써 도출될 수 있다. 일 실시형태에 있어서, 기울기 산출에 사용된 시간 간격들은 들어오는 데이터에서의 노이즈를 거절하도록 그리고 종말점과 연관되지 않는 데이터에서의 느린 이동을 거절하도록 또한 설정될 수 있다.In one embodiment, the algorithm engine can identify a set of potential shapes that can represent potential endpoint signatures in a multivariate analysis. Unlike the prior art, the user need not have knowledge of the previous shape of each potential endpoint signature (e.g., peak, valley, step, etc.). Instead, once the algorithm engine has identified potential endpoint signatures, the algorithm engine can generate a list of potential shapes. As such, the potential endpoint algorithms that can be identified by the algorithm engine are not limited to a single shape (e.g., a curve). In one embodiment, the algorithm engine is configured to perform data conditioning and testing of known endpoint candidates to identify the best endpoint signatures for the process. The variability of each parameter as a function of time can be derived by performing a stepwise regression analysis to determine the slope of each data input parameter in a series of finite time intervals spanning the entire history of the process. In one embodiment, the time intervals used for slope computation can also be set to reject noise in the incoming data and reject slow movement in data not associated with the end point.

일 실시형태에 있어서, OES 신호들은 프로세스가 진전함에 따라 가변성에서 나타나는 변화의 정도 (즉, 기울기) 에 따라 그룹화될 수 있다. 일 예에 있어서, 유사한 기울기 변화량을 갖는 인접 파장들은 함께 그룹화될 수 있다. OES 신호들의 기울기 기반 그룹화에 의해, 분석될 필요가 있을 수 있는 신호들의 개수 및 그 신호들에서의 노이즈가 크게 감소될 수 있다. 그 결과는 종말점과 관련된 정보를 가장 쉽게 포함할 수 있는 신호들의 그룹 및 신호들의 리스트를 나타낼 수 있다.In one embodiment, the OES signals can be grouped according to the degree of change (i.e., slope) that appears in the variability as the process evolves. In one example, adjacent wavelengths having similar slope variations may be grouped together. By the slope-based grouping of OES signals, the number of signals that may need to be analyzed and the noise in those signals can be greatly reduced. The result can represent a group of signals and a list of signals that can most easily contain information related to the end point.

일 실시형태에 있어서, 컬링 (culling) 은 잠재적 종말점 시그니쳐들의 개수를 감소시키기 위해 수행될 수 있다. 일 실시형태에 있어서, 강건한 종말점 시그니쳐는 모든 프로세싱된 기판들에서 존재할 수 있는 것이다. 일 예에 있어서, 종말점 시그니쳐가 테스트 기판들의 전부 또는 실질적으로 다수에서 피쳐가 아니라면, 그 종말점 시그니쳐는 강건하지 않고 제거될 수 있다. 그러나, 종말점 시그니쳐가 제어 기판 상에 나타나는 경우, 제어 기판은 에칭되지 않았고 이에 따라 종말점 시그니쳐를 생성하지 않았던 기판이기 때문에 그 종말점 시그니쳐도 또한 제거될 수 있다.In one embodiment, culling may be performed to reduce the number of potential endpoint signatures. In one embodiment, robust endpoint signatures can exist in all processed substrates. In one example, if the endpoint signature is not a feature on all or substantially all of the test substrates, the endpoint signature may be removed without being robust. However, if the endpoint signature appears on the control substrate, then the endpoint signature can also be removed because the control substrate is not etched and thus did not generate an endpoint signature.

일 실시형태에 있어서, 다변량 분석이 수행될 수 있다. 일 예에서, 분석에서의 결과들은 각각의 기울기 그룹에서의 각각의 개별 신호의 가중화를 최적화하기 위해서 PLS-DA (Partial Least Squares Discriminant Analysis) 로의 입력으로서 사용될 수 있다. 일 실시형태에 있어서, 사용자가 (종래 기술에 의해 요구되는 것과 같은) 종말점 곡선의 예상된 형상을 입력할 것을 요구하는 대신, PLS-DA는 알고리즘 엔진에 의해 제공된 형상들 및 종말점에 대한 타겟 영역에 의존할 수 있다.In one embodiment, multivariate analysis can be performed. In one example, the results in the analysis can be used as inputs to the PLS-DA (Partial Least Squares Discriminant Analysis) to optimize the weighting of each individual signal in each slope group. In one embodiment, instead of requiring the user to enter the expected shape of the end point curve (as required by the prior art), the PLS-DA may be able to determine the shapes provided by the algorithm engine and the target area for the end point You can depend on it.

일 실시형태에 있어서, OES 신호들로부터 PLS-DA 에서 생긴 결과들은 대역화될 수 있으며 다른 센서 신호들과 결합될 수 있다. 일 실시형태에 있어서, PLS-DA 는 대역화된 신호들의 새로운 세트로 반복되어, 실시간 종말점 산출에 대해 낮은 컴퓨터 부하 및 높은 콘트라스트를 가질 수 있는 잠재적 종말점 시그니쳐들의 컴팩트한 최적화된 결합을 생성할 수 있다.In one embodiment, results from PLS-DA from OES signals can be banded and combined with other sensor signals. In one embodiment, the PLS-DA can be repeated with a new set of banded signals to produce a compact, optimized combination of potential endpoint signatures that can have low computer load and high contrast for real-time endpoint computation .

일 실시형태에 있어서, 잠재적 종말점 시그니쳐들은 최소 가능한 지연 시간에 의해 종말점 알고리즘으로 변환된다. 최소 실시간 지연에 의해 실시간 종말점 알고리즘들로 변환될 수 없는 잠재적 종말점 시그니쳐들은 제거될 수 있다. 즉, 실시간 종말점 알고리즘은 알고리즘과 연관된 실시간 지연이 최대 허용가능한 실시간 지연을 초과하는 경우 폐기될 수 있다.In one embodiment, the potential endpoint signatures are converted to an endpoint algorithm by a minimum possible delay time. Potential endpoint signatures that can not be converted to real-time endpoint algorithms by minimal real-time delay can be eliminated. That is, the real-time endpoint algorithm may be discarded if the real-time delay associated with the algorithm exceeds the maximum allowable real-time delay.

일 실시형태에 있어서, 잠재적 종말점 알고리즘들은 이후 충실도 비율로서 지칭되는, 무관 및/또는 실시간 지연인 정보에 대한 유용한 정보의 비율에 기초하여 순위 결정될 수 있다. 일 예에 있어서, 높은 충실도 비율 및 낮은 실시간 지연을 갖는 알고리즘은 더 강건한 알고리즘으로 고려된다. 일단 순위 결정이 수행되면, 실시간 종말점 알고리즘들 중 하나가 선택되고 제조로 이동될 수 있다.In one embodiment, the potential endpoint algorithms may be ranked based on the ratio of useful information to information that is an unrelated and / or real-time delay, hereinafter referred to as the fidelity ratio. In one example, an algorithm with a high fidelity ratio and low real-time delay is considered a more robust algorithm. Once the ranking is performed, one of the real-time endpoint algorithms can be selected and moved to manufacturing.

본 발명의 피쳐들 및 이점들은 다음의 도들 및 설명들을 참조하여 더 잘 이해될 수 있다.The features and advantages of the present invention may be better understood with reference to the following drawings and description.

도 2는 본 발명의 일 실시형태에 있어서 종말점 알고리즘을 구성하는 방법을 도시하는 개략적인 플로우 챠트를 나타낸다.Figure 2 shows a schematic flow chart illustrating a method for constructing an endpoint algorithm in an embodiment of the present invention.

제 1 단계 (202) 에서, 데이터는 프로세싱 챔버 내에서 센서들의 세트에 의해 획득된다. 예를 들어, 테스트 기판이 프로세싱되고 있는 상황을 고려한다. 기판이 처리되는 동안, 데이터 (예를 들어, 광학 방출, 전기 신호들, 압력 데이터, 플라즈마 데이터 등) 가 센서들의 세트에 의해 수집된다.In a first step 202, data is acquired by a set of sensors in the processing chamber. For example, consider the situation in which a test substrate is being processed. During processing of the substrate, data (e.g., optical emissions, electrical signals, pressure data, plasma data, etc.) are collected by a set of sensors.

일 실시형태에 있어서, 최적의 종말점 알고리즘을 생성하는데 사용되는 데이터는 2 이상의 테스트 기판에서 나올 수 있다. 상이한 테스트 기판들로부터의 데이터를 결합함으로써, 기판들 사이의 재료 차이들 또는 공정 가변성들과 연관된 노이즈가 제거될 수 있다. 일 실시형태에 있어서, 데이터는 상이한 챔버들 내에서 프로세싱될 수 있는 테스트 기판에서 나올 수 있다. 상이한 챔버들로부터의 데이터를 결합함으로써, 챔버들 사이의 차이와 연관된 노이즈도 또한 제거될 수 있다.In one embodiment, the data used to generate the optimal endpoint algorithm may come from two or more test substrates. By combining the data from the different test substrates, the noise associated with material differences or process variability between the substrates can be eliminated. In one embodiment, the data may come from a test substrate that can be processed in different chambers. By combining the data from the different chambers, the noise associated with the differences between the chambers can also be eliminated.

다음 단계 (204) 에서, 프로세스에 대한 종말점 발생이 예상되는 근사 시간 주기가 식별된다. 즉, 종말점 도메인이 정의된다. 종래 기술과 달리, 종말점 도메인은 근사 및 상대적으로 넓은 시간 간격이며, 이 시간 간격 내에서 알고리즘 엔진은 유효 종말점 시그니쳐들을 검색하게 된다. 예를 들어, 높은 검색 속도 때문에, 사용자는 종래 기술에 있어서 프리 종말점 도메인이었던 것의 일부를 결합하기 위해 종말점 도메인을 확장할 수 있다. 그렇게 함으로써, 알고리즘 엔진은 프로세스에서 초기에 발생할 수도 있었던 종말점 시그니쳐들을 식별할 수 있다. 이 초기 종말점들은 하부의 반도체층들을 손상시키는 프로세스의 리스크를 감소시킨다.In a next step 204, an approximate time period in which an endpoint occurrence for the process is expected is identified. That is, the end point domain is defined. Unlike the prior art, the end point domain is an approximate and relatively wide time interval within which the algorithm engine retrieves valid endpoint signatures. For example, due to the high search speed, the user can extend the end point domain to combine some of what was a pre-endpoint domain in the prior art. By doing so, the algorithm engine can identify endpoint signatures that may have occurred early in the process. These initial endpoints reduce the risk of processes damaging underlying semiconductor layers.

다음 단계 (206) 에서, 알고리즘 엔진은 활성화되어 데이터 분석을 수행하고 최적 종말점 알고리즘들의 세트를 생성한다. 일 실시형태에 있어서, 데이터 분석이 수동으로 수행되지 않기 때문에, 2 이상의 기판으로부터의 데이터 파일들이 분석될 수 있다. 분석되는 기판들에서 통상적으로 발견되지 않은 종말점 피쳐들이 제거될 수 있기 때문에, 다량의 데이터를 포함하더라도 복수의 기판들로부터의 데이터 파일들로 구성된 종말점 알고리즘은 보다 강건할 수 있음을 당업자가 인식할 수 있다.At a next step 206, the algorithm engine is activated to perform data analysis and generate a set of optimal end point algorithms. In one embodiment, since data analysis is not performed manually, data files from two or more substrates may be analyzed. It will be appreciated by those skilled in the art that an endpoint algorithm comprised of data files from a plurality of substrates may be more robust, even though the endpoint features that are not normally found in the analyzed substrates may be removed, have.

도 3a 및 도 3b는 본 발명의 일 실시형태에 있어서, 데이터 세트들을 분석하고 최적 종말점 알고리즘들의 리스트를 생성하는데 있어서 알고리즘 엔진이 실행할 수 있는 단계들을 도시하는 개략적인 플로우 챠트를 나타낸다. 설명을 용이하게 하기 위해, 도 3a 및 도 3b가 도 5와 함께 설명된다. 도 5는 일 실시형태에 있어서 최적 종말점 알고리즘들의 리스트로의 데이터 세트들의 전개에 대한 일 예를 도시하는 블록도를 나타낸다.FIGS. 3A and 3B show a schematic flow chart, in an embodiment of the invention, showing the steps that an algorithm engine can perform in analyzing data sets and generating a list of optimal end point algorithms. For ease of explanation, Figs. 3A and 3B are explained together with Fig. 5 shows a block diagram illustrating an example of the evolution of data sets into a list of optimal end point algorithms in one embodiment.

제 1 단계 (302) 에서, 알고리즘 엔진은 이용가능한 데이터 세트들 (초기 데이터 그룹 (502)) 상에서 선형 피팅을 수행할 수 있다. 즉, 각 신호는 시간 간격들에 기초하여 균일한 세그먼트들 (데이터 그룹 (504)) 로 분할될 수 있다. 노이즈를 최소화하고 종말점 피쳐들을 식별하기 위한 포텐셜을 최대화하기 위해서는, 세그먼트들의 길이가 중요하다. 세그먼트 길이가 너무 길면, 종말점은 결국 평균이 되어 종말점을 놓칠 수 있다. 세그먼트 길이가 너무 짧으면, (이후 단계 (304) 에서 설명되는 바와 같이) 기울기가 노이즈에 의해 영향을 받을 수 있다. 일 실시형태에 있어서, 세그먼트 길이에 대한 최소 및 최대 수치는 미리 정의될 수 있다. 일 실시형태에 있어서, 최소 세그먼트 길이는 1초의 1/10 보다 길다. 다른 실시형태에 있어서, 최대 세그먼트 길이는 10Hz 에서 수집된 데이터에 대해 2초 보다 짧다.In a first step 302, the algorithm engine may perform linear fitting on the available data sets (initial data group 502). That is, each signal may be divided into uniform segments (data group 504) based on time intervals. In order to minimize noise and maximize the potential for identifying endpoint features, the length of the segments is important. If the segment length is too long, the end point may eventually become an average and miss the end point. If the segment length is too short, the slope (as described in step 304 thereafter) may be affected by noise. In one embodiment, the minimum and maximum values for the segment length can be predefined. In one embodiment, the minimum segment length is longer than 1/10 of a second. In another embodiment, the maximum segment length is less than 2 seconds for data collected at 10 Hz.

다음 단계 (304) 에서, 알고리즘 엔진은 각 세그먼트에 대해 기울기 및 그 대응 기울기 노이즈 값 (기울기로부터 피트에서 불확실한 것) 을 산출할 수 있다. 일 예에 있어서, 신호 A 가 10 개의 세그먼트들로 분할된 경우, 신호 A 에 대해 10 개의 기울기 및 기울기 노이즈 값이 결정될 수 있다 (데이터 그룹 (506A)). 일 실시형태에 있어서, 기울기 노이즈 값들은 기울기들을 정규화하는데 채용될 수 있다 (데이터 그룹 (506B)).In the next step 304, the algorithm engine may calculate the slope and its corresponding tilt noise value (uncertain in feet from the slope) for each segment. In one example, if signal A is divided into 10 segments, ten slope and tilt noise values for signal A can be determined (data group 506A). In one embodiment, the slope noise values may be employed to normalize the slopes (data group 506B).

부가적으로 또는 대안적으로, 알고리즘 엔진은 (데이터 그룹 (506A) 에도 또한 포함된) 센서 채널들의 결합으로부터의 신호들에 기초한 기울기들 및 기울기 노이즈 값들의 부가적인 리스트를 생성하기 위해, 입력들로서 기울기 노이즈 값들에 의해 스케일링된 기울기들을 사용하여 다변량 분석 (예를 들어, 부분 최소 자승 분석) 을 수행할 수 있다. 일 실시형태에 있어서, (데이터 그룹 (506B) 에도 또한 포함된) 기울기 노이즈 값들은 기울기들을 정규화하는데 채용될 수 있다.Additionally or alternatively, the algorithm engine may be configured to generate an additional list of slopes and tilt noise values based on signals from a combination of sensor channels (also included in data group 506A) Multivariate analysis (e. G., Partial least squares analysis) can be performed using the scales scaled by the noise values. In one embodiment, tilt noise values (also included in data group 506B) may be employed to normalize the slopes.

각 세그먼트에 대한 기울기들 및 기울기 노이즈 값들의 리스트가 일단 생성되면 (데이터 그룹 (506A)), 다음 단계 (306) 에서, 알고리즘 엔진은 종말점 데이터를 반송할 수 있는 신호 후보들을 식별할 수 있다. 일 예에 있어서, 알고리즘 엔진은 각 신호 (및 그 세그먼트들) 를 분석하여 각 신호에 대한 기울기의 변화량의 양을 정량화할 수 있다. 기울기의 가변성을 정량화하기 위한 일 방법은, 정규화된 기울기의 표준 편차를 산출하는 것을 포함한다. 일 예에 있어서, 높은 표준 편차는 기울기에서 발생하는 변화들에 의해 신호를 나타낼 수 있다. 이 예에 있어서, 높은 표준 편차는 잠재적 종말점 데이터를 반송할 수 있는 신호를 나타낼 수 있다. 즉, (기울기 노이즈에 대해) 높은 기울기 변수를 갖는 신호들은 신호 후보들로서 식별될 수 있다 (데이터 그룹 (508)).Once a list of slopes and slope noise values for each segment has been generated (data group 506A), then in a next step 306, the algorithm engine can identify signal candidates capable of carrying endpoint data. In one example, the algorithm engine can analyze each signal (and its segments) to quantify the amount of change in slope for each signal. One way to quantify the variability of the slope involves calculating the standard deviation of the normalized slope. In one example, a high standard deviation can represent a signal by changes that occur in the slope. In this example, a high standard deviation may indicate a signal capable of carrying potential endpoint data. That is, signals with high slope variables (with respect to tilt noise) can be identified as signal candidates (data group 508).

OES 데이터는 파장 측정치들 (적어도 2,000 신호들) 의 높은 체적을 포함할 수 있기 때문에, 알고리즘 엔진은 유사한 기울기 변화량을 갖는 인접 파장들을 다음 단계 (308) 에서 신호 파장 대역들 (데이터 그룹 (510)) 과 결합함으로써 OES 신호들의 개수를 감소시킬 수 있다. 일 예에 있어서, 255 nm 와 280 nm 사이에 100 개의 파장 측정치들이 존재하고, 그 파장 측정치들이 유사한 기울기 변화량을 가지면, 100 개의 파장 측정치들은 신호 파장 대역들과 결합될 수 있고, 분석 동안 단일 유닛으로서 처리될 수 있다. 예를 들어, 2,000 개의 파장 측정치들의 존재하면, 단지 10 개의 신호 파장 대역들만이 분석되어야 할 수 있다. 파장 측정치들을 그룹화함으로써, 분석되어야 할 아이템들의 개수가 현저하게 감소될 수 있기 때문에 컴퓨터 부하가 감소될 수 있다.Since the OES data may include a high volume of wavelength measurements (at least 2,000 signals), the algorithm engine then transmits adjacent wavelengths with similar tilt variations to the signal wavelength bands (data group 510) The number of OES signals can be reduced. In one example, if there are 100 wavelength measurements between 255 nm and 280 nm, and the wavelength measurements have similar slope variations, then 100 wavelength measurements may be combined with the signal wavelength bands, and as a single unit during analysis Lt; / RTI &gt; For example, if there are 2,000 wavelength measurements, only 10 signal wavelength bands may need to be analyzed. By grouping the wavelength measurements, the computer load can be reduced because the number of items to be analyzed can be significantly reduced.

다음 단계 (310) 에서, 알고리즘 엔진은 근본적인 프로세스에 있어서의 드리프트 및 노이즈를 캡쳐할 수 있는 정규화 신호들의 리스트 (데이터 그룹 (506B)) 를 식별할 수 있다. 즉, 알고리즘 엔진은 높은 기울기를 갖지만 (기울기 노이즈에 대해) 낮은 변화량을 갖기 때문에, 정규화하기에 적합한 신호들을 식별할 수 있다. 정규화 신호들 (데이터 그룹 (512)) 은 센서 신호들에 있어서 공통 모드 변화들 (예를 들어, 드리프트, 노이즈 등) 을 제거하기 위해 가능한 후보들을 나타낼 수 있다.In a next step 310, the algorithm engine can identify a list of normalization signals (data group 506B) that can capture drift and noise in the underlying process. That is, although the algorithm engine has a high slope (with respect to tilt noise) but has a low amount of change, it can identify signals suitable for normalization. The normalized signals (data group 512) may represent possible candidates for eliminating common mode changes (e.g., drift, noise, etc.) in the sensor signals.

단계 (312) 에서, 알고리즘 엔진은 유사 기울기 변화량을 갖는 인접 파장들을 정규화된 신호 파장 대역들 (데이터 그룹 (514)) 과 결합함으로써 정규화된 OES 신호들의 개수를 감소시킬 수 있다. 단계 (312) 는, 단계 (312) 가 정규화된 OES 신호들에 적용되는 것을 제외하고 단계 (308) 과 어느 정도 유사하다.At step 312, the algorithm engine may reduce the number of normalized OES signals by combining adjacent wavelengths with similar slope variations with normalized signal wavelength bands (data group 514). Step 312 is somewhat similar to step 308 except that step 312 is applied to the normalized OES signals.

다음 단계 (314) 에서, 알고리즘은 모든 센서 채널들에 대해 높은 콘트라스트의 센서 신호들 (데이터 그룹 (508)), 높은 콘트라스트의 센서 신호 파장 대역들 (데이터 그룹 (510)), 정규화된 신호들 (데이터 그룹 (512)) 및 정규화된 파장 대역들 (데이터 그룹 (514)) 의 리스트를 생성할 수 있다. 일 실시형태에 있어서, 각 데이터 세트 내의 신호들은 순위 결정된다. 각 신호 내의 종말점 데이터의 가능성이 정량화되었기 때문에, 각 데이터 세트 내의 신호들은 순위 결정될 수 있다. 일 예에 있어서, 높은 기울기 변화량을 갖는 신호는 낮은 기울기 변화량을 갖는 신호보다 더 높은 순위를 가질 수 있다.In a next step 314, the algorithm determines whether the sensor signals (data group 508) with high contrast for all sensor channels, the sensor signal wavelength bands (data group 510) with high contrast, the normalized signals Data group 512) and normalized wavelength bands (data group 514). In one embodiment, the signals in each data set are ranked. Since the likelihood of endpoint data in each signal has been quantified, the signals in each data set can be ranked. In one example, a signal with a high slope variation may have a higher order than a signal with a low slope variation.

다음 단계 (316) 에서, 알고리즘 엔진은 종말점 도메인 (데이터 그룹 (516)) 내에서 가능한 종말점 시그니쳐들에 대한 높은 콘트라스트의 센서 신호들 및/또는 대역들을 검색할 수 있다. 일 실시형태에 있어서, 종말점 시그니쳐는 분류 피쳐들 (피크, 밸리, 변곡 등) 의 세트를 통해 식별될 수 있다. 일 실시형태에 있어서 분류 피쳐들의 세트는 미리 정의될 수 있다. 분류 피쳐들의 세트는 신호들의 상이한 도함수 내에서 검색될 수 있다. At next step 316, the algorithm engine may retrieve high contrast sensor signals and / or bands for possible endpoint signatures within the endpoint domain (data group 516). In one embodiment, the endpoint signature may be identified through a set of classification features (peak, valley, inflection, etc.). In one embodiment, the set of classification features may be predefined. The set of classification features can be retrieved within different derivatives of the signals.

일 실시형태에 있어서, 필터들은 노이즈를 제거하고 데이터를 평활화하기 위해 데이터 그룹들 (508 및 510) 에 적용될 수 있다. 일 실시형태에 있어서, 데이터 그룹들에 적용되는 필터들은 시간 대칭 필터들일 수 있다. 시간 대칭의 필터들은 평균값을 산출하기 위한 특정 지점 전후에서 동일한 수의 지점들을 사용한다. 이 필터들은 공정의 실시간 실행 동안 보다는 오히려 포스트 공정 모드에서 적용될 수 있다. 시간 비대칭 필터들과 달리, 시간 대칭 필터들은 최소 시간 왜곡 및/또는 진폭 왜곡을 도입하기 쉽다. 그 결과, 필터링된 데이터는 최소의 실시간 지연을 경험할 수 있다.In one embodiment, the filters may be applied to data groups 508 and 510 to remove noise and smooth the data. In one embodiment, the filters applied to the data groups may be time symmetric filters. Time-symmetric filters use the same number of points before and after a certain point to calculate the average value. These filters can be applied in post process mode rather than during real-time execution of the process. Unlike time-asymmetric filters, time-symmetric filters are prone to introduce minimum time distortion and / or amplitude distortion. As a result, the filtered data may experience minimal real-time delay.

상기로부터 알 수 있는 바와 같이, 각 데이터 그룹은 과량의 신호들을 포함할 수 있다. 일 실시형태에 있어서, 각 데이터 그룹은 순위 결정되기 때문에, 데이터 분석 시간이 검색값을 감소시킴으로써 현저하게 감소될 수 있다. 일 예에 있어서, 데이터 그룹 (508) 내의 모든 아이템들을 검색하는 대신, 상위 10 개의 높은 콘트라스트의 센서 신호들만이 분석될 수 있다. 검색될 수 있는 아이템들의 개수는 달라질 수 있다. 디미니싱 리턴 분석 (diminishing return analysis) 이 최적의 개수를 결정하기 위해 수행될 수 있다.As can be seen from the above, each data group may contain excess signals. In one embodiment, since each data group is ranked, the data analysis time can be significantly reduced by reducing the search value. In one example, instead of searching all the items in the data group 508, only the top ten high contrast sensor signals can be analyzed. The number of items that can be searched can vary. A diminishing return analysis can be performed to determine the optimal number.

다음 단계 (318) 에서, 알고리즘 엔진은 높은 콘트라스트의 센서 신호들/대역들 (데이터 그룹 (508 및 510)) 의 비율을 검색하여 종말점 도메인 내의 가능한 종말점 시그니쳐들 (데이터 그룹 (518)) 에 대한 센서들/대역들 (데이터 그룹들 (512 및 514)) 을 정규화할 수 있다. 각각의 정규화 센서/대역에 대한 각각의 높은 콘트라스트의 센서들 신호/대역의 비율을 취득함으로써, 식별될 수 있는 가능한 종말점 신호들은 더 높은 충실도 비율을 가질 수 있다.At a next step 318, the algorithm engine retrieves the ratio of the high contrast sensor signals / bands (data groups 508 and 510) to a sensor for possible endpoint signatures (data group 518) within the endpoint domain / Bands (data groups 512 and 514). By obtaining the ratio of the signals / bands of each high contrast sensor to each normalization sensor / band, possible endpoint signals that can be identified can have a higher fidelity ratio.

다음 단계 (320) 에서, 알고리즘 엔진은 결합들 (데이터 그룹 (520)) 을 순위 결정하기 위해 데이터 결과들 (데이터 그룹들 (516 및 518)) 을 검색할 수 있다. 즉, 콘트라스트 및 SNR 을 개선하기 위해서, 매칭이 유사한 형상들 및 시간 주기를 갖는 종말점 시그니쳐들을 결합하기 위해 수행된다. 일 실시형태에 있어서, 선형 결합은 동일한 도함수 내에서 수행된다. 즉, 제 1 및 제 2 도함수 모두가 동일한 시간 간격 내에서 발생할 수 있더라도, 제 1 도함수에서 발생하는 피크는 제 2 도함수에서 발생하는 피크와 결합되지 않을 수 있다.At next step 320, the algorithm engine may retrieve data results (data groups 516 and 518) to rank combinations (data group 520). That is, matching is performed to combine endpoint signatures with similar shapes and time periods to improve contrast and SNR. In one embodiment, the linear combination is performed in the same derivative. That is, even though both the first and second derivatives may occur within the same time interval, the peaks occurring in the first derivative may not be combined with the peaks occurring in the second derivative.

다음 단계 (322) 에서, 알고리즘 엔진은 비재현성 종말점 시그니쳐들을 잠재적으로 제거하기 위해 강건성 테스트를 수행할 수 있다. 일 실시형태에 있어서, 강건성 테스트는 복수의 기판들에 걸쳐 일관성을 체크할 수 있다. 일 예에 있어서, 잠재적 종말점 시그니쳐가 복수의 기판들에 걸쳐 일치하지 않는 경우, 잠재적 종말점 시그니쳐는, 예를 들어 노이즈/드리프트의 결과일 수 있기 때문에 잠재적 종말점 시그니쳐가 폐기될 수 있다.At a next step 322, the algorithm engine may perform a robustness test to potentially remove non-reproducible end point signatures. In one embodiment, the robustness test can check consistency across a plurality of substrates. In one example, if the potential endpoint signature does not coincide across the plurality of substrates, the potential endpoint signature may be discarded because it may be the result of, for example, noise / drift.

다른 예에 있어서, 강건성 테스트는 테스트 기판과 제어 기판 (또는 제어 기판들의 세트) 사이에서 유사성을 체크할 수 있다. 예를 들어, 테스트 기판들이 노출된 실리콘 영역인 일 부분을 갖는 레지스트 마스크를 갖는 기판들인 상황을 고려한다. 제어 기판이 레지스트 마스크에 의해 전체적으로 피복되지 않은 것을 제외하고 제어 기판은 테스트 기판들과 동일한 특성을 가질 수 있다. 테스트 기판 및 제어 기판 모두에 동일한 기판 프로세싱이 수행될 수 있다. 그러나, 제어 기판의 전체 표면이 레지스트 마스크로 피복되기 때문에, 제어 기판은 어떠한 에칭 신호도 나타내지 않는다. 따라서, 제어 기판은 종말점을 가지지 않아야 한다. 즉, 제어 기판 상의 변화가 잠재적 종말점 시그니쳐들 중 하나와 매칭하는 경우, 매칭된 잠재적 종말점 시그니쳐는 폐기된다.In another example, the robustness test can check the similarity between the test substrate and the control substrate (or set of control substrates). For example, consider the situation where the test substrates are substrates having a resist mask having a portion that is an exposed silicon region. The control substrate may have the same characteristics as the test substrates except that the control substrate is not entirely covered by the resist mask. The same substrate processing can be performed on both the test substrate and the control substrate. However, since the entire surface of the control substrate is covered with a resist mask, the control substrate does not show any etching signal. Therefore, the control board should not have an end point. That is, if the change on the control board matches one of the potential endpoint signatures, the matched potential endpoint signature is discarded.

또 다른 예에 있어서, 강건성 테스트는 특이성에 대한 테스팅을 포함한다. 일 예에 있어서, 테스트되는 잠재적 종말점 시그니쳐는 피크 피쳐를 갖는다. 나머지 신호는 잠재적 종말점 시그니쳐의 발생 전 또는 후에 다른 피크 피쳐가 발생하고 있는지를 결정하기 위해 분석될 수 있다. 다른 피크가 식별되는 경우, 잠재적 종말점 시그니쳐는 제거된다.In yet another example, the robustness test includes testing for the specificity. In one example, the potential endpoint signature being tested has a peak feature. The remaining signal may be analyzed to determine if other peak features are occurring before or after the occurrence of the potential endpoint signature. If another peak is identified, the potential endpoint signature is removed.

상기는 실제 종말점 시그니쳐들이 아닐 수 있는 시그니쳐들을 제거하기 위해 적용될 수 있는 상이한 강건성 기준의 예들이다. 잠재적 종말점 시그니쳐들에 강건성 테스트를 적용함으로써, 실제 종말점들일 수 있는 잠재적 종말점 시그니쳐들의 리스트가 또한 확고해질 수 있다.These are examples of different robustness criteria that may be applied to remove signatures that may not be actual endpoint signatures. By applying a robustness test to the potential endpoint signatures, the list of potential endpoint signatures, which may be actual endpoints, can also be established.

일 실시형태에 있어서, 알고리즘 엔진은 상관 기반 PLS -DA (partial least square discriminate analysis) 와 같은 다변량 상관 분석을 수행하여 잠재적 종말점 시그니쳐들의 리스트를 최적화할 수 있다. 이전에 언급한 바와 같이, 다변량 분석 (예를 들어, 상관 기반 PLS 분석) 은, 통상적으로 종말점 시그니쳐의 형상이 정의될 것을 요구한다. 즉, 다변량 분석은 시그니쳐 곡선의 원하는 형상을 알아야 할 필요가 있다. 종래 기술에 있어서, 사용자는 통상적으로 종말점 시그니쳐의 형상 (예를 들어, 피크, 밸리, 기울기 등) 을 제공하여야 하는 사람이다. (종래 기술에 있어서) 종말점 후보의 형상을 결정하는데 몇 주 아니면 몇 시간이 걸린다면, 사용자는 통상 다변량 분석으로의 입력으로서 하나의 형상 피쳐를 제공할 수 있을 뿐이다. 종래 기술과 달리, 알고리즘 엔진에 의해 식별된 바와 같은 잠재적 종말점 시그니쳐들은 상이한 형상의 피쳐들을 가질 수 있다. 그 결과, 다변량 상관 분석에 입력될 수 있는 입력들의 개수는 식별되었을 수 있는 잠재적 종말점 시그니쳐들의 형상들에 의존할 수 있다.In one embodiment, the algorithm engine can perform a multivariate correlation analysis such as a correlation based PLS-DA (partial least square discriminate analysis) to optimize the list of potential endpoint signatures. As noted previously, multivariate analysis (e.g., correlation-based PLS analysis) typically requires that the shape of the endpoint signature be defined. In other words, multivariate analysis needs to know the desired shape of the signature curve. In the prior art, a user is typically a person who must provide the shape (e.g., peak, valley, slope, etc.) of the endpoint signature. If, in the prior art, it takes several weeks or even a few hours to determine the shape of the end point candidate, the user can only provide one shape feature as input to the multivariate analysis. Unlike the prior art, potential endpoint signatures, as identified by the algorithm engine, may have features of different shapes. As a result, the number of inputs that can be input into the multivariate correlation analysis may depend on the shapes of potential endpoint signatures that may have been identified.

일 실시형태에 있어서, (잠재적 종말점 시그니쳐들의 리스트에 의해 결정된 바와 같은) 형상/형상들은 각 센서 채널 내의 신호들과 잠재적 종말점 시그니쳐 사이의 상관 매트릭스를 생성하기 위해 각 신호에 대해 상관될 수 있다. 상관 매트릭스는 각각의 잠재적 종말점 시그니쳐에서 콘트라스트를 최대화하기 위해 신호마다 적용될 수 있는 최적의 가중치들 및/또는 부하들을 포함할 수 있다. 다변량 분석이 잠재적 종말점 시그니쳐들 (데이터 그룹 (522)) 의 리스트의 최적화를 도울 수 있더라도, 다변량 상관 분석이 최적 종말점 알고리즘들의 리스트를 식별할 필요가 없다. 또한, 상관 기반 PLS 분석이 상기 예에서 사용되었지만, 본 발명은 상관 기반 PLS 분석에 한정되는 것이 아니라 상관 기반 다변량 분석의 임의의 유형일 수 있다.In one embodiment, shapes / shapes (as determined by the list of potential endpoint signatures) may be correlated for each signal to produce a correlation matrix between signals within each sensor channel and potential endpoint signatures. The correlation matrix may include optimal weights and / or loads that may be applied per signal to maximize contrast in each potential endpoint signature. Although multivariate analysis may help optimize the list of potential endpoint signatures (data group 522), multivariate correlation analysis does not need to identify a list of optimal endpoint algorithms. In addition, although correlation-based PLS analysis is used in the above example, the present invention is not limited to correlation-based PLS analysis, but may be any type of correlation-based multivariate analysis.

다음 단계 (324) 에서, 알고리즘 엔진은 최소 실시간 지연에 의해 잔류 포텐셜 시그니쳐들 (데이터 그룹 (522)) 을 실시간 종말점 알고리즘 (데이터 그룹 (524)) 으로 변환할 수 있다. 즉, 알고리즘 엔진은 최소 실시간 지연에 의해 제조 동안 실행될 수 있는 종말점 알고리즘으로 잠재적 종말점 시그니쳐들을 변환하도록 구성된다. 일 실시형태에 있어서, 각 종말점 알고리즘에 의해 요구될 수 있는 설정들은 자동으로 산출될 수 있다. 일 예에 있어서, 실시간 필터들에 대한 설정들은 자동으로 최적화되어 최소 필터 지연에 의해 모든 프로세싱된 테스트 기판 상에서 종말점을 호출할 수 있다. 실시간 필터들은 캐스캐드될 수 있고 무한 임펄스 응답 필터들로 일어나는 초기 과도들 (transients) 을 최소화하기 위해 캐스캐드 메모리 컴포넌트들의 초기화를 사용할 수 있다. 이는 데이터 히스토리의 개시에 가까운 종말점을 가질 수 있는 종말점 알고리즘들에 있어서 특히 중요하다.At the next step 324, the algorithm engine may convert the residual potential signatures (data group 522) into a real-time endpoint algorithm (data group 524) by a minimum real-time delay. That is, the algorithm engine is configured to transform potential endpoint signatures into an endpoint algorithm that can be run during manufacturing by minimal real-time delay. In one embodiment, the settings that may be required by each endpoint algorithm may be computed automatically. In one example, the settings for the real-time filters are automatically optimized to invoke the endpoint on the all-processed test board by the minimum filter delay. Real-time filters can be cascaded and can use the initialization of cascaded memory components to minimize the initial transients that occur with infinite impulse response filters. This is particularly important for endpoint algorithms that may have endpoints close to the start of the data history.

각 잠재적 종말점 시그니쳐에 대해, 알고리즘 엔진은 실시간 종말점 알고리즘을 제공할 수 있다. 일 실시형태에 있어서, 알고리즘 엔진이 실시간 종말점 알고리즘을 구성할 수 없으면, 어떠한 종말점 알고리즘도 제공되지 않는다. 일 예에 있어서, 알고리즘 엔진이 모든 프로세싱된 테스트 기판에서 종말점을 호출/식별할 수 있는 실시간 종말점 알고리즘을 구성할 수 없으면, 어떠한 종말점 알고리즘도 제공될 수 없다.For each potential endpoint signature, the algorithm engine can provide a real-time endpoint algorithm. In one embodiment, if the algorithm engine can not construct a real-time endpoint algorithm, no endpoint algorithm is provided. In one example, no endpoint algorithm can be provided if the algorithm engine can not construct a real-time endpoint algorithm that can call / identify endpoints on all processed test boards.

다음 단계 (326) 에서, 알고리즘 엔진은 최대 허용가능한 실시간 지연을 초과할 수 있는 종말점 알고리즘을 제거할 수 있다. 일 예에 있어서, 종말점을 식별하는데 요구되는 시간이 미리 정의된 임계치를 초과하는 경우, 제조 동안 실시간 지연이 오버 에칭된 기판들을 야기할 수 있기 때문에 종말점 알고리즘은 제거될 수 있다.At the next step 326, the algorithm engine may remove the end point algorithm that may exceed the maximum allowable real time delay. In one example, if the time required to identify the end point exceeds a predefined threshold, the endpoint algorithm may be eliminated since real-time delay during fabrication may cause over-etched substrates.

다음 단계 (328) 에서, 알고리즘 엔진은 강건성 기준의 세트를 통과하지 않는 실시간 종말점 알고리즘을 제거할 수 있다. 강건성 기준의 일 예는 최소 실시간 지연을 가지고 모든 테스트 기판 상에서 종말점들을 식별하는 것을 포함할 수 있다. 즉, 각 종말점 알고리즘은 모든 테스트 기판들 상에서 종말점을 식별하기 위해 요구될 수 있다. 강건성 기준의 다른 예는 제어 기판 상에서 종말점을 식별하지 않는 것을 포함할 수 있다. 즉, 종말점 알고리즘이 제어 기판 상에서 종말점을 식별할 수 없으면, 종말점 알고리즘은 강건하지 않고 그 종말점 알고리즘은 폐기될 수 있다.In a next step 328, the algorithm engine may remove a real-time endpoint algorithm that does not pass a set of robustness criteria. An example of a robustness criterion may include identifying endpoints on all test boards with minimal real time delay. That is, each endpoint algorithm may be required to identify the endpoint on all test substrates. Other examples of robustness criteria may include not identifying endpoints on the control board. That is, if the endpoint algorithm can not identify the endpoint on the control board, then the endpoint algorithm is not robust and the endpoint algorithm can be discarded.

다음 단계 (330) 에서, 알고리즘 엔진은 실시간 종말점 알고리즘을 순위 결정할 수 있다. 일 실시형태에 있어서, 순위 결정은 충실도 비율 및/또는 실시간 지연에 기초할 수 있다. 일 예에 있어서, 2 개의 실시간 종말점 알고리즘이 동일한 충실도 비율을 갖으면, 보다 작은 실시간 지연을 갖는 종말점 알고리즘이 더 높게 순위 결정된다. 다른 예에 있어서, 2 개의 종말점 알고리즘이 동일한 실시간 지연을 갖으면, 보다 높은 충실도 비율을 갖는 종말점 알고리즘이 더 높은 순위를 가질 수 있다.In a next step 330, the algorithm engine may rank a real-time endpoint algorithm. In an embodiment, the ranking may be based on a fidelity ratio and / or a real-time delay. In one example, if the two real-time endpoint algorithms have the same fidelity ratio, the endpoint algorithm with the smaller real-time delay is ranked higher. In another example, if the two endpoint algorithms have the same real-time delay, the endpoint algorithm with the higher fidelity ratio may have a higher ranking.

다시 도 2를 참조하면, 다음 단계 (208) 에서, 실시간 종말점 알고리즘이 제조로 이동될 수 있다. 일 실시형태에 있어서, 최고 순위를 갖는 실시간 종말점 알고리즘은 제조로 자동 이동될 수 있다. 다른 실시형태에 있어서, 제조로 이동될 수 있는 실시간 종말점 알고리즘은 사용자 제어형일 수 있으며, 이에 의해 사용자가 그 요구들을 최상으로 충족시킬 수 있는 종말점 알고리즘을 선택하게 할 수 있다. 일 예에 있어서, 실시간 지연은 디바이스 제조자에 대해 중요한 것이다. 이러한 이유로, 디바이스 제조자는 보다 짧은 지연 시간이 제공될 수 있는 경우, 보다 덜 강건한 종말점 알고리즘을 갖는 것을 선호할 수 있다.Referring again to FIG. 2, in a next step 208, a real-time endpoint algorithm may be moved to manufacturing. In one embodiment, a top-ranked real-time endpoint algorithm may be automatically moved to manufacturing. In another embodiment, the real-time endpoint algorithm that can be moved to manufacturing can be user-controlled, thereby allowing the user to select an endpoint algorithm that can best meet those needs. In one example, the real-time delay is important to the device manufacturer. For this reason, the device manufacturer may prefer to have a less robust end point algorithm if a shorter delay time can be provided.

경험적 증거는, 프로세스를 자동화함으로써, 최적의 실시간 종말점 알고리즘을 생성하는 작업이 몇 분 내에 수행될 수 있음을 나타낸다. 또한, 알고리즘 엔진은 인간의 최소 입력에 의해 분석을 수행하도록 구성되기 때문에, 종말점 알고리즘을 구성하는 프로세스는 이제 비전문 사용자들에 의해 수행될 수 있다. 따라서, 그 방법은 주어진 종말점 도메인으로 수용가능한 종말점 알고리즘들의 리스트를 생성하지 못하는 경우, 사용자는 종말점 도메인을 빨리 재정의하고 알고리즘 엔진을 재작동하여 수분 내에 새로운 종말점 알고리즘들의 리스트를 생성할 수 있다.Empirical evidence indicates that by automating the process, the task of creating an optimal real-time endpoint algorithm can be performed in a matter of minutes. Also, since the algorithm engine is configured to perform analysis by a human minimum input, the process of configuring the endpoint algorithm can now be performed by non-expert users. Thus, if the method fails to generate a list of acceptable endpoint algorithms for a given endpoint domain, the user can quickly redefine the endpoint domain and reactivate the algorithm engine to generate a list of new endpoint algorithms in a matter of minutes.

도 4는 본 발명의 일 실시형태에 있어서 제조 환경에서 실시간 종말점 알고리즘을 구현하기 위한 개략적인 플로우 챠트를 나타낸다.Figure 4 shows a schematic flow chart for implementing a real-time endpoint algorithm in a manufacturing environment in an embodiment of the invention.

제 1 단계 (402) 에서, 레시피가 실행될 수 있다.In a first step 402, a recipe may be executed.

다음 단계 (404) 에서, 데이터는 센서들의 세트에 의해 기판 프로세싱 동안 획득될 수 있다.In a next step 404, the data may be acquired during substrate processing by a set of sensors.

다음 단계 (406) 에서, 종말점 알고리즘은 인-시튜로 채용되어 프로세스 종말점을 식별하기 위해 데이터를 분석할 수 있다. 일 실시형태에 있어서, 컴퓨팅 엔진이 데이터를 분석하는데 채용될 수 있다. 다량의 데이터가 수집될 수 있기 때문에, 컴퓨팅 엔진은 다량의 데이터를 취급하기 위해 구성될 수 있는 빠른 프로세싱 모듈일 수 있다. 데이터는 제조 호스트 제어기 또는 프로세스 모듈 제어기 조차 먼저 통과하지 않고 센서로부터 직접 전송될 수 있다. Huang 등에 의해 2009년 9월 8일에 출원된 출원 번호 제 12/555,674 호는 분석을 수행하기에 적합한 일 예의 분석 컴퓨터를 기재한다.At next step 406, the endpoint algorithm may be employed in-situ to analyze the data to identify the process endpoint. In one embodiment, a computing engine may be employed to analyze the data. Because a large amount of data can be collected, the computing engine can be a fast processing module that can be configured to handle large amounts of data. The data may be transmitted directly from the sensor without first passing through the manufacturing host controller or the process module controller. Application No. 12 / 555,674, filed September 8, 2009 by Huang et al., Describes an example of an analytical computer suitable for performing an analysis.

다음 단계 (408) 에서, 시스템은 식별된 종말점에 관해 결정할 수 있다.In a next step 408, the system can determine about the identified end point.

종말점이 식별되지 않으면, 시스템은 단계 (404) 로 돌아간다.If the end point is not identified, the system returns to step 404.

그러나, 종말점이 식별되면, 다음 단계 (410) 에서 레시피가 정지될 수 있다.However, if the end point is identified, the recipe may be stopped at next step 410.

상기로부터 알 수 있는 바와 같이, 본 발명의 일 이상의 실시형태들은 최적의 실시간 종말점 알고리즘을 식별하기 위한 방법들을 제공한다. 분석을 자동화함으로써, 그 방법들은 본질적으로 전문 사용자의 필요성을 없앤다. 본 명세서에서 설명된 바와 같은 방법에 의해, 보다 강건한 종말점 알고리즘이 제조로 이동될 수 있다. 또한, 종말점 알고리즘을 생성하는데 필요한 시간이 현저하게 감소되기 때문에, 새로운 종말점 알고리즘을 업데이트 또는 생성하는 것이 더 이상 자원 집중적이고 시간 소모적인 작업이 아니다.As can be seen from the above, one or more embodiments of the present invention provide methods for identifying an optimal real-time endpoint algorithm. By automating the analysis, the methods essentially eliminate the need for specialized users. By a method as described herein, a more robust endpoint algorithm can be moved to manufacturing. Furthermore, updating or creating a new endpoint algorithm is no longer resource-intensive and time-consuming because the time required to generate the endpoint algorithm is significantly reduced.

본 발명은 몇몇 바람직한 실시형태들에 의해 설명되었지만, 본 발명의 범위 내에 포함되는 변경물들, 치환물들 및 등가물들이 있다. 본 명세서에서 다양한 예시들이 제공되었지만, 이 예시들은 본 발명에 대한 예시이며 본 발명을 한정하는 것은 아니다. 또한, 본 명세서 전체에 걸쳐 종말점이 예시로서 사용되었지만, 본 발명은 또한 프로세싱 동안 발생할 수 있는 신호 변화 이벤트인 변화점에 대해 적용될 수 있다.While this invention has been described in terms of several preferred embodiments, there are alterations, permutations, and equivalents that fall within the scope of the invention. While various examples have been provided herein, these examples are illustrative of the invention and are not intended to limit the invention. In addition, while the endpoints are used throughout as examples throughout this disclosure, the present invention is also applicable to transition points, which are signal change events that may occur during processing.

또한, 본 명세서에서 명칭 및 요약은 편의를 위해 제공되며 본 발명의 청구항들의 범위를 제한하기 위해 사용되지 않아야 한다. 또한, 요약서는 매우 단축된 형태로 작성된 것이고 본 명세서에서 편의를 위해 제공된 것이므로, 청구항들에서 표현되는 모든 발명을 제한 또는 한정하는데 사용되지 않아야한다. 본 명세서에서 용어 "세트" 가 사용되는 경우, 이 용어는 통상적으로 제로, 하나 이상의 부재를 포함하는 수학적 의미로 이해되어야 한다. 또한, 본 발명의 방법들 및 장치들을 구현하는 많은 대안의 방식들이 있음을 이해해야 한다. 따라서, 다음의 첨부된 청구항들은 본 발명의 진정한 사상 및 범위 내에 포함된 그러한 변경물들, 치환물들 및 등가물들 모두를 포함하는 것으로서 해석되어야 한다.In addition, the names and abstracts herein are provided for convenience only and should not be used to limit the scope of the claims of the invention. Also, the abstract is drawn in a very shortened form and is provided for convenience in this specification, and should not be used to limit or limit any invention expressed in the claims. When the term "set" is used herein, it should be understood that the term is usually used in a mathematical sense including zero, one or more members. It should also be understood that there are many alternative ways of implementing the methods and apparatuses of the present invention. It is therefore intended that the following appended claims be interpreted as including all such modifications, permutations, and equivalents as fall within the true spirit and scope of the present invention.

Claims (20)

플라즈마 프로세싱 시스템에서 기판 프로세싱 동안 프로세스 종말점을 검정 (qualifying) 하기 위해 최적 종말점 알고리즘을 자동으로 식별하는 방법으로서,
상기 플라즈마 프로세싱 시스템에서 적어도 하나의 기판을 프로세싱하는 동안 복수의 센서들로부터 센서 데이터를 수신하는 단계로서, 상기 센서 데이터는 복수의 센서 채널들로부터의 복수의 신호 스트림들을 포함하는, 상기 센서 데이터를 수신하는 단계;
상기 프로세스 종말점의 발생이 예상되는 시간 주기 내에 있는 종말점 도메인을 식별하는 단계;
상기 복수의 신호 스트림들의 각 신호 스트림을 시간 간격들에 기초하여 복수의 세그먼트들로 분할하는 단계;
상기 센서 데이터에 대한 제 1 세트의 기울기들과 제 1 세트의 대응 기울기 노이즈 값들을 산출하는 단계로서, 기울기 및 대응 기울기 노이즈 값은 상기 복수의 세그먼트들의 각 세그먼트에 대해 산출되는, 상기 제 1 세트의 기울기들과 상기 제 1 세트의 대응 기울기 노이즈 값들을 산출하는 단계;
상기 복수의 신호 스트림들로부터 제 1 세트의 후보 신호들을 식별하기 위해 상기 제 1 세트의 기울기들에서 기울기 변화량들을 산출하는 단계로서, 상기 제 1 세트의 후보 신호들은 상기 복수의 신호 스트림들에서 상기 제1 세트의 후보 신호들 이외의 신호들보다 높은 기울기 변화량들을 갖는, 상기 기울기 변화량들을 산출하는 단계;
유사한 기울기 변화량들을 갖는 상기 센서 데이터에서의 인접 파장 측정치들을 제 1 세트의 신호 파장 대역들로 그룹화하는 단계;
상기 제 1 세트의 후보 신호들의 기울기 변화량들에 기초하여 상기 제 1 세트의 후보 신호들을 순위 결정하는 (rank) 단계;
상기 제 1 세트의 신호 파장 대역들의 기울기 변화량들에 기초하여 상기 제 1 세트의 신호 파장 대역들을 순위 결정하는 단계;
분류 피쳐들의 세트를 순위 결정된 상기 제 1 세트의 신호 파장 대역들과 상기 순위 결정된 제 1 세트의 후보 신호들의 적어도 일부와 비교함으로써 상기 종말점 도메인 내의 제 1 세트의 잠재적(potential) 종말점 시그니쳐들을 식별하는 단계로서, 상기 분류 피쳐들의 세트는 피크 피쳐, 밸리 (valley) 피쳐 및 변곡 (inflection) 피쳐 중 적어도 하나를 포함하는, 상기 제 1 세트의 잠재적 종말점 시그니쳐들을 식별하는 단계;
상기 제 1 세트의 잠재적 종말점 시그니쳐들을 종말점 알고리즘들의 세트로 변환하는 단계; 및
상기 종말점 알고리즘들의 세트의 종말점 알고리즘을 상기 최적 종말점 알고리즘으로써 제조 환경에 임포팅 (importing) 하는 단계를 포함하는, 최적 종말점 알고리즘의 자동 식별 방법.CLAIMS What is claimed is: 1. A method for automatically identifying an optimal endpoint algorithm for qualifying a process endpoint during substrate processing in a plasma processing system,
Receiving sensor data from a plurality of sensors during processing of at least one substrate in the plasma processing system, the sensor data comprising a plurality of signal streams from a plurality of sensor channels, ;
Identifying an endpoint domain within the time period in which the occurrence of the process endpoint is expected;
Dividing each signal stream of the plurality of signal streams into a plurality of segments based on time intervals;
Calculating a first set of slopes and a first set of corresponding tilt noise values for the sensor data, wherein the tilt and corresponding tilt noise values are computed for each segment of the plurality of segments, Calculating slopes and corresponding slope noise values of the first set;
Calculating slope variations in the first set of slopes to identify a first set of candidate signals from the plurality of signal streams, wherein the first set of candidate signals is selected from the plurality of signal streams, Calculating the slope variations with higher slope variations than signals other than a set of candidate signals;
Grouping adjacent wavelength measurements in the sensor data having similar slope variations into a first set of signal wavelength bands;
Ranking the first set of candidate signals based on slope variations of the first set of candidate signals;
Ranking the first set of signal wavelength bands based on the slope variations of the first set of signal wavelength bands;
Identifying a first set of potential endpoint signatures within the end point domain by comparing the set of classification features with the at least a portion of the ranked first set of signal wavelength bands and the ranked first set of candidate signals Identifying a first set of potential endpoint signatures, the set of classification features including at least one of a peak feature, a valley feature, and an inflection feature;
Converting the first set of potential endpoint signatures into a set of end point algorithms; And
And importing the endpoint algorithm of the set of endpoint algorithms into the manufacturing environment as the optimal endpoint algorithm. 제 1 항에 있어서,
상기 센서 데이터는 복수의 기판들로부터 수집되는, 최적 종말점 알고리즘의 자동 식별 방법.The method according to claim 1,
Wherein the sensor data is collected from a plurality of substrates. 제 1 항에 있어서,
상기 분할하는 단계는, 상기 센서 데이터 상에서 선형 피팅 (linear fitting) 을 수행함으로써 수행되는, 최적 종말점 알고리즘의 자동 식별 방법.The method according to claim 1,
Wherein the dividing is performed by performing linear fitting on the sensor data. 제 1 항에 있어서,
상기 복수의 세그먼트들의 세그먼트들은 균일한 길이를 갖는, 최적 종말점 알고리즘의 자동 식별 방법.The method according to claim 1,
Wherein segments of the plurality of segments have a uniform length. 제 1 항에 있어서,
상기 제 1 세트의 후보 신호들은 상기 제 1 세트의 후보 신호들에서 후보 신호들과 연관된 기울기 변화량들에 따라 순위 결정되는, 최적 종말점 알고리즘의 자동 식별 방법.The method according to claim 1,
Wherein the first set of candidate signals is ranked according to slope variations associated with candidate signals in the first set of candidate signals. 제 1 항에 있어서,
상기 복수의 신호 스트림들로부터 제 2 세트의 후보 신호들을 식별하는 단계로서, 상기 제 2 세트의 후보 신호들은 상기 복수의 신호 스트림들에서 상기 제 2 세트의 후보 신호들 이외의 신호들보다 높은 기울기들 및 낮은 기울기 변화량들을 갖는, 상기 제 2 세트의 후보 신호들을 식별하는 단계;
유사한 기울기 변화량들을 갖는 상기 제 2 세트의 후보 신호들에서의 인접 파장 측정치들을 제 2 세트의 신호 파장 대역들로 그룹화하는 단계;
상기 제 2 세트의 후보 신호들의 기울기 변화량들에 기초하여 상기 제 2 세트의 후보 신호들을 순위 결정하는 단계;
상기 제 2 세트의 신호 파장 대역들의 기울기 변화량들에 기초하여 상기 제 2 세트의 신호 파장 대역들을 순위 결정하는 단계; 및
상기 제 2 세트의 후보 신호들과 상기 제 2 세트의 신호 파장 대역들에 대한 상기 제 1 세트의 후보 신호들과 상기 제 1 세트의 신호 파장 대역들의 비율을 제 2 세트의 분류 피쳐들과 비교하여, 제 2 세트의 잠재적 종말점 시그니쳐들을 생성하는 단계를 더 포함하는, 최적 종말점 알고리즘의 자동 식별 방법.The method according to claim 1,
Identifying a second set of candidate signals from the plurality of signal streams, the second set of candidate signals having higher slopes than signals other than the second set of candidate signals in the plurality of signal streams And identifying the second set of candidate signals with low slope variations;
Grouping adjacent wavelength measurements in the second set of candidate signals having similar slope variations into a second set of signal wavelength bands;
Ranking the second set of candidate signals based on slope variations of the second set of candidate signals;
Ordering the second set of signal wavelength bands based on the slope variations of the second set of signal wavelength bands; And
Comparing the ratio of the first set of candidate signal and first set of signal wavelength bands to the second set of candidate signals and the second set of signal wavelength bands with a second set of classification features , And generating a second set of potential endpoint signatures. 제 1 항에 있어서,
상기 변환하는 단계는,
상기 제 1 세트의 잠재적 종말점 시그니쳐들의 제 1 잠재적 종말점 시그니쳐 및 제 2 잠재적 종말점 시그니쳐가 유사한 형상들 및 유사한 시간 주기들을 갖는 경우, 상기 제 1 잠재적 종말점 시그니쳐 및 상기 제 2 잠재적 종말점 시그니쳐를 그룹화하는 단계;
상기 제 1 세트의 잠재적 종말점 시그니쳐들로부터 잠재적 비재현성 종말점 시그니쳐들을 제거하기 위해 강건성 테스트를 수행하는 단계;
상기 제 1 세트의 잠재적 종말점 시그니쳐들 중 최적 종말점 시그니쳐들의 세트를 식별하기 위해 다변량 상관 분석을 수행하는 단계;
상기 최적 종말점 시그니쳐들의 세트를 필터 지연들에 기초하는 최소 실시간 지연들과 연관된 최적 종말점 알고리즘들의 세트로 변환하는 단계;
미리 정의된 임계치보다 큰 대응 실시간 지연들과 연관된 최적 종말점 알고리즘들의 서브 세트를 제거하는 단계; 및
충실도 비율 및 실시간 지연 중 적어도 하나에 기초하여 상기 최적 종말점 알고리즘들의 세트를 순위 결정하는 단계를 포함하는, 최적 종말점 알고리즘의 자동 식별 방법.The method according to claim 1,
Wherein the converting comprises:
Grouping the first potential endpoint signature and the second potential endpoint signature if the first potential endpoint signature and the second potential endpoint signature of the first set of potential endpoint signatures have similar shapes and similar time periods;
Performing a robustness test to remove potential non-reproducible endpoint signatures from the first set of potential endpoint signatures;
Performing a multivariate correlation analysis to identify a set of optimal endpoint signatures of the first set of potential endpoint signatures;
Converting the set of optimal endpoint signatures into a set of optimal endpoint algorithms associated with minimum real-time delays based on filter delays;
Removing a subset of optimal endpoint algorithms associated with corresponding real-time delays greater than a predefined threshold; And
Fidelity ratio, and real-time delay based on at least one of a fidelity ratio and a real-time delay. 제 1 항에 있어서,
상기 변환하는 단계는,
상기 잠재적 종말점 시그니쳐들의 세트 중 제 1 잠재적 종말점 시그니쳐 및 제 2 잠재적 종말점 시그니쳐가 유사한 형상들 및 유사한 시간 주기들을 갖는 경우, 상기 제 1 잠재적 종말점 시그니쳐 및 상기 제 2 잠재적 종말점 시그니쳐를 그룹화하는 단계;
상기 잠재적 종말점 시그니쳐들의 세트로부터 잠재적 비재현성 종말점 시그니쳐들을 제거하기 위해 강건성 테스트를 수행하는 단계;
상기 잠재적 종말점 시그니쳐들의 세트 중 최적 종말점 시그니쳐들의 세트를 식별하기 위해 다변량 상관 분석을 수행하는 단계;
상기 최적 종말점 시그니쳐들의 세트를 필터 지연들에 기초하는 실시간 지연들을 최소화하는 실시간 종말점 알고리즘들의 세트로 변환하는 단계; 및
종말점 알고리즘 강건성 테스트를 통과하지 못한 상기 실시간 종말점 알고리즘들의 세트의 서브 세트를 제거하는 단계를 포함하는, 최적 종말점 알고리즘의 자동 식별 방법.The method according to claim 1,
Wherein the converting comprises:
Grouping the first potential endpoint signature and the second potential endpoint signature if the first potential endpoint signature and the second potential endpoint signature of the set of potential endpoint signatures have similar shapes and similar time periods;
Performing a robustness test to remove potential non-reproducible end point signatures from the set of potential end point signatures;
Performing multivariate correlation analysis to identify a set of optimal endpoint signatures among the set of potential endpoint signatures;
Converting the set of optimal endpoint signatures into a set of real-time endpoint algorithms that minimize real-time delays based on filter delays; And
Removing a subset of the set of real-time endpoint algorithms that did not pass an endpoint algorithm robustness test. 제 1 항에 있어서,
상기 임포팅하는 단계는, 상기 종말점 알고리즘들의 세트의 순위 및 사용자 정의된 조건들의 세트 중 적어도 하나에 기초하는, 최적 종말점 알고리즘의 자동 식별 방법.The method according to claim 1,
Wherein the applying step is based on at least one of a set of the set of end point algorithms and a set of user defined conditions. 프로세싱 챔버에서의 기판 프로세싱 동안 종말점을 검정 (qualifying) 하는 방법으로서,
기판 상에서 레시피를 실행하는 단계;
상기 기판을 프로세싱하는 동안 센서들의 세트로부터 센서 데이터를 수신하는 단계로서, 상기 센서 데이터는 복수의 센서 채널들로부터의 복수의 신호 스트림들을 포함하는, 상기 센서 데이터를 수신하는 단계;
상기 복수의 신호 스트림들로부터의 각 신호 스트림을 시간 간격들에 기초하여 복수의 세그먼트들로 분할하는 단계;
상기 센서 데이터에 대한 제 1 세트의 기울기들과 제 1 세트의 대응 기울기 노이즈 값들을 산출하는 단계로서, 기울기 및 대응 기울기 노이즈 값은 상기 복수의 세그먼트들의 각 세그먼트에 대해 산출되는, 상기 제 1 세트의 기울기들과 제 1 세트의 대응 기울기 노이즈 값들을 산출하는 단계;
상기 복수의 신호 스트림들로부터 제 1 세트의 후보 신호들을 식별하기 위해 상기 제 1 세트의 기울기들에서 기울기 변화량들을 산출하는 단계로서, 상기 제 1 세트의 후보 신호들은 상기 복수의 신호 스트림들에서의 상기 제 1 세트의 후보 신호들 이외의 신호들보다 높은 기울기 변화량들을 갖는, 상기 기울기 변화량들을 산출하는 단계;
유사한 기울기 변화량들을 갖는 상기 센서 데이터에서의 인접 파장 측정치들을 제 1 세트의 신호 파장 대역들로 그룹화하는 단계;
상기 제 1 세트의 후보 신호들의 기울기 변화량들에 기초하여 상기 제 1 세트의 후보 신호들을 순위 결정하는 단계;
상기 제 1 세트의 신호 파장 대역들의 기울기 변화량들에 기초하여 상기 제 1 세트의 신호 파장 대역들을 순위 결정하는 단계;
순위 결정된 상기 제 1 세트의 신호 파장 대역들과 순위 결정된 상기 제 1 세트의 후보 신호들의 적어도 일부에 분류 피쳐들의 세트를 비교함으로써 제 1 세트의 잠재적(potential) 종말점 시그니쳐들을 식별하는 단계로서, 상기 분류 피쳐들의 세트는 피크 피쳐, 밸리 (valley) 피쳐 및 변곡 (inflection) 피쳐 중 적어도 하나를 포함하는, 상기 제 1 세트의 잠재적 종말점 시그니쳐들을 식별하는 단계;
상기 제 1 세트의 잠재적 종말점 시그니쳐들 중 적어도 하나의 종말점 시그니쳐를 사용하여 프로세스 종말점을 식별하는 단계; 및
상기 기판 프로세싱을 정지하는 단계를 포함하는, 종말점 검정 방법.CLAIMS 1. A method of qualifying an end point during substrate processing in a processing chamber,
Executing a recipe on a substrate;
Receiving sensor data from a set of sensors during processing the substrate, the sensor data comprising a plurality of signal streams from a plurality of sensor channels;
Dividing each signal stream from the plurality of signal streams into a plurality of segments based on time intervals;
Calculating a first set of slopes and a first set of corresponding tilt noise values for the sensor data, wherein the tilt and corresponding tilt noise values are computed for each segment of the plurality of segments, Calculating slopes and a first set of corresponding tilt noise values;
Calculating slope variations in the first set of slopes to identify a first set of candidate signals from the plurality of signal streams, wherein the first set of candidate signals comprises at least one of: Calculating the slope variations with higher slope variations than signals other than the first set of candidate signals;
Grouping adjacent wavelength measurements in the sensor data having similar slope variations into a first set of signal wavelength bands;
Ranking the first set of candidate signals based on slope variations of the first set of candidate signals;
Ranking the first set of signal wavelength bands based on the slope variations of the first set of signal wavelength bands;
Identifying a first set of potential endpoint signatures by comparing a set of classification features to at least a portion of the ranked first set of signal wavelength bands and the ranked first set of candidate signals, Identifying a first set of potential endpoint signatures, the set of features including at least one of a peak feature, a valley feature, and an inflection feature;
Identifying a process endpoint using at least one endpoint signature of the first set of potential endpoint signatures; And
And stopping the substrate processing. 제 10 항에 있어서,
상기 기울기 변화량들을 산출하는 단계는, 컴퓨팅 엔진에 의해 수행되는, 종말점 검정 방법.11. The method of claim 10,
Wherein calculating the slope variations is performed by a computing engine. 제 10 항에 있어서,
종말점 도메인을 식별하는 단계를 더 포함하고,
상기 종말점 도메인은 상기 프로세스 종말점의 발생이 예상되는 시간 주기이고,
상기 제 1 세트의 잠재적 종말점 시그니쳐들은 상기 종말점 도메인 내에 존재하는, 종말점 검정 방법.11. The method of claim 10,
Further comprising identifying an endpoint domain,
Wherein the end point domain is a time period in which the process end point is expected to occur,
Wherein the first set of potential endpoint signatures are within the endpoint domain. 제 10 항에 있어서,
상기 센서 데이터는 복수의 기판들로부터 수집되는, 종말점 검정 방법.11. The method of claim 10,
Wherein the sensor data is collected from a plurality of substrates. 제 10 항에 있어서,
상기 분할하는 단계는, 상기 센서 데이터 상에서 선형 피팅을 수행함으로써 수행되는, 종말점 검정 방법.11. The method of claim 10,
Wherein the dividing is performed by performing linear fitting on the sensor data. 제 10 항에 있어서,
상기 제 1 세트의 후보 신호들은 상기 제 1 세트의 후보 신호들에서 후보 신호들과 연관된 기울기 변화량들에 따라 순위 결정되는, 종말점 검정 방법.11. The method of claim 10,
Wherein the first set of candidate signals is ranked according to slope variations associated with candidate signals in the first set of candidate signals. 제 10 항에 있어서,
상기 복수의 신호 스트림들로부터 제 2 세트의 후보 신호들을 식별하는 단계로서, 상기 제 2 세트의 후보 신호들은 상기 복수의 신호 스트림들에서 상기 제 2 세트의 후보 신호들 이외의 신호들보다 높은 기울기들 및 낮은 기울기 변화량들을 갖는, 상기 제 2 세트의 후보 신호들을 식별하는 단계;
유사한 기울기 변화량들을 갖는 상기 제 2 세트의 후보 신호들에서의 인접 파장 측정치들을 제 2 세트의 신호 파장 대역들로 그룹화하는 단계;
상기 제 2 세트의 후보 신호들의 기울기 변화량들에 기초하여 상기 제 2 세트의 후보 신호들을 순위 결정하는 단계;
상기 제 2 세트의 신호 파장 대역들의 기울기 변화량들에 기초하여 상기 제 2 세트의 신호 파장 대역들을 순위 결정하는 단계; 및
순위 결정된 상기 제 2 세트의 후보 신호들과 순위 결정된 상기 제 2 세트의 신호 파장 대역들에 대한 상기 제 1 세트의 후보 신호들과 상기 제 1 세트의 신호 파장 대역들의 비율에 제 2 세트의 분류 피쳐들을 비교하여, 제 2 세트의 잠재적 종말점 시그니쳐들을 생성하는 단계를 더 포함하는, 종말점 검정 방법.11. The method of claim 10,
Identifying a second set of candidate signals from the plurality of signal streams, the second set of candidate signals having higher slopes than signals other than the second set of candidate signals in the plurality of signal streams And identifying the second set of candidate signals with low slope variations;
Grouping adjacent wavelength measurements in the second set of candidate signals having similar slope variations into a second set of signal wavelength bands;
Ranking the second set of candidate signals based on slope variations of the second set of candidate signals;
Ordering the second set of signal wavelength bands based on the slope variations of the second set of signal wavelength bands; And
To a ratio of the first set of candidate signal and the first set of signal wavelength bands to the ranked second set of candidate signals and to the ranked second set of signal wavelength bands, To generate a second set of potential endpoint signatures. &Lt; Desc / Clms Page number 19 &gt; 제 10 항에 있어서,
상기 제 1 세트의 잠재적 종말점 시그니쳐들의 제 1 잠재적 종말점 시그니쳐 및 제 2 잠재적 종말점 시그니쳐가 유사한 형상 및 유사한 시간 주기들을 갖는 경우, 상기 제 1 잠재적 종말점 시그니쳐 및 상기 제 2 잠재적 종말점 시그니쳐를 그룹화하는 단계;
상기 제 1 세트의 잠재적 종말점 시그니쳐들로부터 잠재적 비재현성 종말점 시그니쳐들을 제거하기 위해 강건성 테스트를 수행하는 단계;
상기 제 1 세트의 잠재적 종말점 시그니쳐들 중 최적 종말점 시그니쳐들의 세트를 식별하기 위해 다변량 상관 분석을 수행하는 단계;
상기 최적 종말점 시그니쳐들의 세트를 필터 지연들에 기초하는 최소 실시간 지연들과 연관된 실시간 종말점 알고리즘들의 세트로 변환하는 단계; 및
미리 정의된 임계치보다 큰 대응 실시간 지연들과 연관된 실시간 종말점 알고리즘들의 서브 세트를 제거하는 단계를 더 포함하는, 종말점 검정 방법.11. The method of claim 10,
Grouping the first potential endpoint signature and the second potential endpoint signature if the first potential endpoint signature and the second potential endpoint signature of the first set of potential endpoint signatures have similar shapes and similar time periods;
Performing a robustness test to remove potential non-reproducible endpoint signatures from the first set of potential endpoint signatures;
Performing a multivariate correlation analysis to identify a set of optimal endpoint signatures of the first set of potential endpoint signatures;
Converting the set of optimal endpoint signatures into a set of real-time endpoint algorithms associated with minimum real-time delays based on filter delays; And
Further comprising removing a subset of real-time endpoint algorithms associated with corresponding real-time delays greater than a predefined threshold. 제 10 항에 있어서,
상기 제 1 세트의 잠재적 종말점 시그니쳐들의 제 1 잠재적 종말점 시그니쳐 및 제 2 잠재적 종말점 시그니쳐가 유사한 형상들 및 유사한 시간 주기들을 갖는 경우, 상기 제 1 잠재적 종말점 시그니쳐 및 상기 제 2 잠재적 종말점 시그니쳐를 그룹화하는 단계;
상기 제 1 세트의 잠재적 종말점 시그니쳐들의 세트로부터 잠재적 비재현성 종말점 시그니쳐들을 제거하기 위해 강건성 테스트를 수행하는 단계;
상기 제 1 세트의 잠재적 종말점 시그니쳐들 중 최적 종말점 시그니쳐들의 세트를 식별하기 위해 다변량 상관 분석을 수행하는 단계;
상기 최적 종말점 시그니쳐들의 세트를 필터 지연들에 기초하는 최소 실시간 지연들과 연관된 실시간 종말점 알고리즘들의 세트로 변환하는 단계; 및
종말점 알고리즘 강건성 테스트를 통과하지 못한 상기 실시간 종말점 알고리즘들의 세트의 서브 세트를 제거하는 단계를 더 포함하는, 종말점 검정 방법.11. The method of claim 10,
Grouping the first potential endpoint signature and the second potential endpoint signature if the first potential endpoint signature and the second potential endpoint signature of the first set of potential endpoint signatures have similar shapes and similar time periods;
Performing a robustness test to remove potential non-reproducible end-point signatures from the set of potential end-point signatures of the first set;
Performing a multivariate correlation analysis to identify a set of optimal endpoint signatures of the first set of potential endpoint signatures;
Converting the set of optimal endpoint signatures into a set of real-time endpoint algorithms associated with minimum real-time delays based on filter delays; And
Further comprising removing a subset of the set of real-time endpoint algorithms that did not pass the endpoint algorithm robustness test. 제 10 항에 있어서,
상기 적어도 하나의 종말점 시그니쳐와 연관된 최적 종말점 알고리즘을 적어도 사용자 정의된 조건들의 세트에 기초한 제조 환경으로 임포팅 (importing) 하는 단계를 더 포함하는, 종말점 검정 방법.11. The method of claim 10,
Further comprising: importing an optimal endpoint algorithm associated with the at least one endpoint signature into a manufacturing environment based on at least a set of user defined conditions. 제 10 항에 있어서,
상기 복수의 세그먼트들의 세그먼트들은 균일한 길이를 갖는, 종말점 검정 방법.11. The method of claim 10,
Wherein the segments of the plurality of segments have a uniform length.

Images