外延膜厚确定方法、系统、电子设备及存储介质与流程

摘要: 本技术涉及硅外延生长,具体涉及一种外延膜厚确定方法、系统、电子设备及存储介质。背景技术:1、12英寸硅外延生产过程中,外延膜厚是影响产品质量和后续制程窗口的重要...
外延膜厚确定方法、系统、电子设备及存储介质与流程

本技术涉及硅外延生长,具体涉及一种外延膜厚确定方法、系统、电子设备及存储介质。

背景技术:

1、12英寸硅外延生产过程中,外延膜厚是影响产品质量和后续制程窗口的重要参数。相关生产流程通常依赖物理量测设备对部分晶圆进行膜厚抽样量测,再根据量测结果判断外延工艺状态。受量测设备产能、生产节拍以及量测周期限制,膜厚量测难以覆盖每片晶圆,未被量测的晶圆缺少对应的膜厚判断依据,导致生产过程中难以及时掌握全部晶圆的膜厚状态。

2、外延设备在晶圆加工过程中会产生与工艺运行状态相关的过程数据,不同腔体在执行相同或相近工艺时也会受到温场、流场、硬件状态及维护周期等因素影响。相关数据通常分散在设备过程数据系统和实际膜厚量测系统中,不同系统在记录格式、时间基准、晶圆标识或批次标识方面可能存在差异,且不同腔体之间可能存在膜厚基线偏移,从而导致外延膜厚预测结果的可靠性较低。

技术实现思路

1、提供一种外延膜厚确定方法、系统、电子设备及存储介质,旨在解决在相关技术的硅外延生产过程中,存在的利用外延设备过程数据对晶圆的外延膜厚预测结果的可靠性较低的问题。

2、第一方面,提供一种外延膜厚确定方法,包括以下步骤:

3、识别外延工艺中的沉积步骤,并获取外延设备对待预测晶圆进行加工的过程中,所述沉积步骤内生成的过程数据,所述外延设备包括反应腔体;

4、根据所述沉积步骤内生成的过程数据,确定所述待预测晶圆的过程特征;

5、利用预构建的多元线性回归模型对所述待预测晶圆的过程特征进行外延膜厚预测,得到所述待预测晶圆的预测膜厚;

6、其中,所述多元线性回归模型包括全局斜率系数和截距项,且不同反应腔体分别对应的多元线性回归模型的所述全局斜率系数相同,所述截距项与所述反应腔体相对应。

7、可选地,根据所述沉积步骤内生成的过程数据,确定所述待预测晶圆的过程特征,包括:

8、对所述沉积步骤内生成的过程数据进行特征提取,得到膜厚相关过程参数;

9、对所述膜厚相关过程参数进行统计聚合,确定所述待预测晶圆的过程特征。

10、可选地,所述多元线性回归模型的构建步骤,包括:

11、获取所述外延设备对晶圆进行加工的过程数据和实际膜厚量测数据;

12、识别外延工艺中的沉积步骤,并基于所述沉积步骤内的过程数据生成对应晶圆的过程特征;

13、将所述过程特征与所述实际膜厚量测数据进行匹配,得到匹配样本;

14、基于所述匹配样本建立所述多元线性回归模型。

15、可选地,将所述过程特征与所述实际膜厚量测数据进行匹配,得到匹配样本,包括:

16、获取所述过程特征对应的腔体标识、批次标识、晶圆标识、槽位信息和工艺处理时间;

17、获取所述实际膜厚量测数据对应的批次标识、晶圆标识、槽位信息和量测时间;

18、基于批次标识、晶圆标识和槽位信息,将所述过程特征与所述实际膜厚量测数据进行初始匹配,得到初始匹配结果;

19、基于所述腔体标识和所述工艺处理时间,对所述初始匹配结果进行校验;

20、将校验通过且同时具有完整过程特征和可信实际膜厚量测数据的晶圆确定为匹配样本,所述完整过程特征为无数据缺失的过程特征,所述可信实际膜厚量测数据为未被判定为量测异常的实际膜厚量测数据。

21、可选地,所述实际膜厚量测数据为所述晶圆的多点测试平均膜厚。

22、可选地,基于所述匹配样本建立所述多元线性回归模型,包括:

23、在同一工艺菜单或同一工艺族内,基于多个反应腔体的匹配样本训练所述全局斜率系数和各所述反应腔体对应的截距项;

24、其中,所述同一工艺族为主氢与狭缝氢比例相同的工艺菜单集合。

25、可选地,所述方法还包括:

26、将具有完整过程特征且未具有实际膜厚量测数据的晶圆确定为所述待预测晶圆,所述完整过程特征为无数据缺失的过程特征。

27、可选地,所述方法还包括:

28、在所述外延设备的新增反应腔体运行相同工艺菜单或满足第一斜率复用条件的情况下,固定所述多元线性回归模型中的全局斜率系数,所述第一斜率复用条件为采用共享全局斜率系数的模型进行验证所得平均绝对误差小于预设误差阈值;

29、在固定所述全局斜率系数的条件下,利用新增反应腔体对应的匹配样本学习所述新增反应腔体对应的截距项;

30、基于所述全局斜率系数和所述新增反应腔体对应的截距项,对所述新增反应腔体中的待预测晶圆进行外延膜厚预测,得到所述新增反应腔体的预测膜厚。

31、可选地,所述方法还包括:

32、利用验证样本对所述新增反应腔体的预测膜厚进行误差验证;

33、在所述预测膜厚对应的预设误差指标小于或等于预设误差阈值的情况下,将所述新增反应腔体纳入预测范围。

34、可选地,所述方法还包括:

35、获取新增产品的工艺信息和目标膜厚,所述工艺信息包括工艺菜单、核心气体设定、功率比例和流场设定中的至少一种;

36、将所述新增产品的工艺信息与已有产品的工艺信息进行比较,以判断所述新增产品是否满足第二斜率复用条件,所述第二斜率复用条件包括所述新增产品与所述已有产品的工艺信息满足预设相似条件;

37、在所述新增产品满足所述第二斜率复用条件的情况下,复用所述多元线性回归模型中的全局斜率系数;

38、获取所述新增产品中同时具有完整过程特征和可信实际膜厚量测数据的多个晶圆样本,并基于各所述晶圆样本确定与所述新增产品及其反应腔体对应的截距项;所述完整过程特征为无数据缺失的过程特征,所述可信实际膜厚量测数据为未被判定为量测异常的实际膜厚量测数据;

39、基于所述全局斜率系数和所述新增产品对应的截距项,对所述新增产品中的待预测晶圆进行外延膜厚预测。

40、第二方面,还提供一种外延膜厚确定系统,包括:

41、沉积步骤识别模块,用于识别外延工艺中的沉积步骤,并获取外延设备对待预测晶圆进行加工的过程中,所述沉积步骤内生成的过程数据,所述外延设备包括反应腔体;

42、过程特征确定模块,用于根据所述沉积步骤内生成的过程数据,确定所述待预测晶圆的过程特征;

43、膜厚预测模块,用于利用预构建的多元线性回归模型对所述待预测晶圆的过程特征进行外延膜厚预测,得到所述待预测晶圆的预测膜厚;其中,所述多元线性回归模型包括全局斜率系数和截距项,且不同反应腔体分别对应的多元线性回归模型的所述全局斜率系数相同,所述截距项与所述反应腔体相对应。

44、第三方面,还提供一种电子设备,包括存储器和处理器,所述存储器上存储有计算机程序,所述计算机程序被所述处理器执行时实现上述任一项所述的方法。

45、第四方面,还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器加载,以执行上述任一项所述的方法中的步骤。

46、有益效果:

47、本技术能够在待预测晶圆未进行实际膜厚量测的情况下,利用其在外延加工过程中产生的过程数据生成过程特征,并将该过程特征输入预构建的多元线性回归模型以获得预测膜厚,从而补充抽样量测无法覆盖每片晶圆的问题,使外延膜厚状态能够进行估计;同时,由于多元线性回归模型采用多个腔体共享的全局斜率系数和各腔体对应的截距项,全局斜率系数能够表征多个腔体之间相对稳定的工艺影响关系,截距项能够补偿不同腔体因温场、流场、硬件状态或维护周期差异造成的膜厚基线偏移,因此能够在利用多腔体数据共性提高模型稳定性的同时,降低腔体差异对膜厚预测结果造成的系统性偏差,进而提高预测待预测晶圆外延膜厚的可靠性。