半导体光刻中的光源的模块的维护的制作方法

所公开的主题涉及光源(诸如用于集成电路光刻制造工艺的光源)的维护。

背景技术：

1、用于半导体光刻的光(其可以是激光辐射)通常由称为光源的系统提供。这些光源以指定的重复率(例如，在大约500hz到大约6khz的范围内)产生作为一系列脉冲的辐射。此外，这种光源通常具有预期的有用寿命，该寿命是根据预计光源在需要修复或更换之前能够产生的脉冲数目来测量的，通常表示为数十亿个脉冲。

2、一种用于以对半导体光刻有用的频率(诸如深紫外(duv)波长)产生光(诸如激光辐射)的系统涉及使用主振荡器功率放大器(mopa)双气体放电室配置。这种配置具有两个室，即主振荡器室(mo室)和功率放大器室(pa室)。这些室和很多其他系统部件可以被视为模块，并且光源整体可以被视为由模块组成的整体。每个模块通常具有比整个光源的寿命短的寿命。因此，在光源的使用寿命过程中，评估单独的模块的健康状况，以确定是否应当修理或更换模块。

技术实现思路

1、在一些一般方面，一种装置维护包括一个或多个模块的光源，该一个或多个模块一起被配置为产生用于半导体光刻的光束。该装置包括预测单元和集成单元。预测单元被配置为：接收多个子特征数据集，每个子特征数据集与光源的唯一性能标准相关联；并且针对每个子特征数据集，评估在预测增量中故障模式是否在光源中被检测到。集成单元被配置为：从预测单元接收多个评估；并且针对每个故障模式，基于故障模式的相关联的子特征数据集来确定哪个或哪些性能标准与故障模式相关。

2、实现方式可以包括以下特征中的一个或多个特征。例如，预测单元可以包括或访问多个模型，每个模型是通过使用唯一子特征数据集的机器学习生成的。预测单元中的模型中的每个模型可以具有相同的拟合结构。预测单元中的模型中的每个模型可以具有不同的拟合结构。预测单元中的模型中的至少一个模型可以具有与预测单元中的另一模型的拟合结构不同的拟合结构。

3、多个子特征数据集可以包括与光束的带宽相关的子特征数据集、与光束的波长相关的子特征数据集和与光束的能量相关的子特征数据集。多个子特征数据集可以包括与光束的长期带宽相关的子特征数据集、与光束的短期带宽相关的子特征数据集、与带宽误差事件相关的子特征数据集、与光束的长期波长相关的子特征数据集、与光束的短期波长相关的子特征数据集、与波长误差事件相关的子特征数据集、与光束的长期能量相关的子特征数据集、与光束的短期能量相关的子特征数据集和与能量误差事件相关的子特征数据集。

4、集成单元可以被配置为通过聚合来自预测单元的评估并且对与每个检测到的故障模式相关联的故障原因进行优先级排序，基于相关联的子特征数据集来确定哪个或哪些性能标准与故障模式相关。集成单元可以被配置为基于与每个子特征数据集相关联的性能标准来聚合来自预测单元的评估。集成单元可以被配置为：如果与性能标准相关联的至少一个故障模式被检测到，则标记性能标准以用于进一步评估。集成单元可以被配置为：如果与性能标准相关联的至少一个故障模式被检测到并且独立于与另一性能标准相关联的另一故障模式是否被检测到，标记性能标准以用于进一步评估。

5、预测单元被配置为评估在预测增量中是否在光源中检测到故障模式可以包括基于针对光源的特定模块而训练的模型来评估是否在特定模块中检测到故障模式。光源的特定模块可以包括主振荡器模块。预测单元被配置为评估在预测增量中是否在光源中检测到故障模式可以包括：基于每个针对特定模块而训练的模型来评估是否在光源的一个或多个特定模块中检测到故障模式。光源的一个或多个特定模块可以包括主振荡器模块、功率放大器模块、线窄化模块、光谱特征分析模块和脉冲扩展器模块中的一项或多项。预测单元被配置为评估在预测增量中是否在光源中检测到故障模式可以包括：根据利用使用每个子特征数据集的机器学习而生成的模型来单独评估子特征数据集；并且针对每个子特征数据集评估，输出与故障概率相关的得分。得分可以与确定性得分、二元输出或在0到1之间的范围内的函数相对应。

6、预测单元可以被配置为：针对每个子特征数据集，通过在每次经过评估增量时执行评估来评估在预测增量中是否在光源中检测到故障模式。评估增量可以是1亿个脉冲。

7、在其他一般方面，一种装置维护包括一个或多个模块的光源，该一个或多个模块一起被配置为产生用于半导体光刻的光束。该装置包括流水线单元、预测单元和集成单元。流水线单元被配置为：接收多个子特征数据集，每个子特征数据集在操作期间与光源的唯一性能标准相关；并且基于子特征数据集的相关唯一性能标准将所接收的子特征数据集中的每个子特征数据集分类为特征类别。预测单元被配置为：接收多个子特征数据集和为每个子特征数据集而分配的类别；并且评估在预测增量中是否在光源中检测到故障模式。集成单元被配置为基于每个子特征数据集的所分配的类别来确定一个或多个性能标准中的哪个性能标准与故障模式相关。

8、实现方式可以包括以下特征中的一个或多个特征。例如，预测单元被配置为评估在预测增量中是否在光源中检测到故障模式可以包括基于针对光源的特定模块而训练的多个模型来评估是否在特定模块中检测到故障模式。每个模型可以通过提供相应子特征数据集来训练模型通过机器学习来开发。该装置还可以包括警报生成单元，该警报生成单元被配置为：如果评估确定在特定模块中检测到故障模式，则指示对特定模块的维护操作。

9、预测单元被配置为评估在预测增量中是否在光源中检测到故障模式可以包括：根据利用使用每个子特征数据集的机器学习而生成的模型来单独评估子特征数据集；并且针对每个子特征数据集评估，输出与故障概率相关的得分。集成单元被配置为基于每个子特征数据集的所分配的类别来确定哪个或哪些性能标准与故障模式相关可以包括从与相同分配类别相关的子特征数据集中分析得分。得分可以是确定性得分、二元输出或在0到1之间的范围内的函数。

10、预测单元被配置为评估在预测增量中是否在光源中检测到故障模式可以包括在预测增量中确定光源内的至少一个模块是否不具有在没有故障的情况下操作的至少最小概率。预测增量可以测量为光束的脉冲数。

11、在每次评估之前，流水线单元还可以被配置为在使用中在评估之前的一个或多个回顾增量上聚合至少一个子特征数据集的数据。预测单元被配置为评估在预测增量中是否在光源中检测到故障模式可以包括：根据利用使用每个子特征数据集、并且如果子特征数据集在使用中在一个或多个回顾增量上被聚合则使用所聚合的子特征数据集的机器学习而生成的模型来单独评估子特征数据集。每个回顾增量可以选自与性能标准如何随使用而变化相关的一组可能的回顾增量。该组可能的回顾增量可以包括约20亿个脉冲的第一回顾增量、约10亿个脉冲的第二回顾增量和约1亿个脉冲的第三回顾增量。子特征数据集中的一个或多个子特征数据集可以与以相对较短的回顾增量被跟踪的性能标准相关，并且子特征数据集中的一个或多个子特征数据集可以与以相对较长的回顾增量被跟踪的性能标准相关。

12、流水线单元可以被配置为在使用中基于相同回顾增量来聚合一个或多个子特征数据集，并且预测单元可以被配置为通过接收使用相同回顾增量而跟踪的子特征数据集的聚合来接收多个子特征数据集。

13、在其他一般方面，执行一种用于维护光源的方法，该光源包括一个或多个模块，该一个或多个模块一起被配置为产生用于半导体光刻的光束。该方法包括：接收多个子特征数据集，每个子特征数据集与光源的唯一性能标准相关联；针对每个子特征数据集，评估在预测增量中是否在光源中检测到故障模式；以及针对每个检测到的故障模式，基于故障模式的相关联的子特征数据集来确定哪个或哪些性能标准与故障模式相关。

14、实现方式可以包括以下特征中的一个或多个特征。例如，该方法还可以包括在接收到多个子特征数据集之后，基于子特征数据集的相关唯一性能标准将所接收的子特征数据集中的每个子特征数据集分类为特征类别。并且，确定哪个或哪些性能标准与故障模式相关可以包括基于为每个子特征数据集而分配的类别来确定哪个或哪些性能标准与故障模式相关。

15、评估在预测增量中是否在光源中检测到故障模式可以包括：根据利用使用每个子特征数据集的机器学习而生成的模型来单独评估子特征数据集；以及针对每个子特征数据集评估，输出与故障概率相关的得分。评估在预测增量中是否在光源中检测到故障模式可以包括每次经过评估增量时执行评估。

16、基于故障模式的相关联的子特征数据集来确定哪个或哪些性能标准与故障模型相关可以包括聚合评估，并且对与每个检测到的故障模式相关联的故障原因进行优先级排序。评估可以通过基于与每个子特征数据集相关联的性能标准来聚合评估来聚合。该方法还可以包括如果与性能标准相关联的至少一个故障模式被检测到，则标记性能标准以用于进一步评估。该方法还可以包括：如果与性能标准相关联的至少一个故障模式被检测到并且独立于与另一性能标准相关联的另一故障模式是否被检测到，标记性能标准以用于进一步评估。

17、评估在预测增量中是否在光源中检测到故障模式可以包括基于针对光源的特定模块而训练的模型来评估是否在特定模块中检测到故障模式。评估在预测增量中是否在光源中检测到故障模式可以包括基于每个针对特定模块而训练的模型来评估是否在光源的一个或多个特定模块中检测到故障模式。

18、该方法还可以包括在每次评估之前，在使用中在评估之前的一个或多个回顾增量上聚合至少一个子特征数据集的数据。在使用中在一个或多个回顾增量上聚合至少一个子特征数据集的数据可以包括在使用中基于相同回顾增量聚合一个或多个子特征数据集，并且接收多个子特征数据集可以包括接收使用相同回顾增量被跟踪的子特征数据集的聚合。

19、在其他一般方面，执行一种用于维护光源的方法，该光源包括一个或多个模块，该一个或多个模块一起被配置为产生用于半导体光刻的光束。该方法包括：接收多个子特征数据集，每个子特征数据集与光源的唯一性能标准相关联；针对每个子特征数据集，评估在预测增量中是否在光源中检测到故障模式，包括根据利用使用每个子特征数据集的机器学习而生成的模型来单独评估子特征数据集；以及针对每个检测到的故障模式，基于故障模式的相关联的子特征数据集来确定哪个或哪些性能标准与故障模式相关。确定包括聚合评估，并且对与每个检测到的故障模式相关联的故障原因进行优先级排序。

20、实现方式可以包括以下特征中的一个或多个特征。例如，评估可以通过基于与每个子特征数据集相关联的性能标准来聚合评估来聚合。该方法还可以包括：如果与性能标准相关联的至少一个故障模式被检测到并且独立于与另一性能标准相关联的另一故障模式是否被检测到，标记性能标准以用于进一步评估。