修改用于新半导体处理设备的机器学习模型的方法和机制与流程

本公开内容涉及构建机器学习模型以预测半导体处理设备的性能，更新机器学习模型以预测其他半导体处理设备的性能，以及在开发阶段期间使用机器学习模型来更快地收敛到期望的处理。

背景技术：

1、可以通过使用制造设备执行一个或多个制造处理来生产产品。例如，半导体制造设备可以用于经由半导体制造处理来生产半导体器件(例如，基板)。制造设备可以根据处理配方在基板的表面上沉积多层膜，并且可以执行蚀刻处理以在沉积的膜中形成复杂的图案。例如，制造设备可以执行化学气相沉积(cvd)处理以在基板上沉积交替的层。然后可以使用蚀刻处理设备通过例如化学反应和/或物理轰击来从基板的区域移除材料。

2、典型的基板处理方法具有多种不同的处理，其中一些先进的方法(例如，等离子体蚀刻)具有二十种或甚至更多种处理。每种处理具有多个处理控制变量，也称为“旋钮”，其可以用于调整和优化性能。因此，能够用于调整和优化给定处理的空间理论上非常大。

3、处理工程师使用他们的经验和专业知识来选择初步基线处理，并基于专用于实验设计(doe)的有限数量的基板(或基板的部分，称为试样(coupon))来微调处理。doe的目标是定制处理以在基板上实现期望的规格。然而，将全部基板或基板的部分专用于doe数据收集消耗宝贵的资源。因此，通常所采用的处理可能是可行的，但不一定是最佳解决方案。

技术实现思路

1、以下是本公开内容的简化概述，以便提供对本公开内容的一些方面的基本理解。该概述不是本公开内容的广泛概述。其既不旨在标识本公开内容的关键或重要元素，也不旨在示出本公开内容的特定实施方式的任何范围或权利要求的任何范围。其唯一目的是以简化形式呈现本公开内容的一些概念，作为稍后呈现的具体实施方式的序言。

2、在本公开内容的一方面中，一种电子装置制造系统被配置为由处理器获得第一机器学习模型，所述第一机器学习模型被训练以生成第一处理腔室的第一预测数据，并获得与由第二处理腔室产生的基板相关联的计量数据。所述制造系统进一步被配置为基于所述第一机器学习模型和所述计量数据训练第二机器学习模型，其中所述第二机器学习模被训练以生成与所述第二处理腔室相关联的第二预测数据。

3、本公开内容的另一方面包括根据本文描述的任何方面或实施方式的方法。

4、本公开内容的另一方面包括一种包含指令的非暂时性计算机可读储存介质，所述指令在由可操作地耦合到存储器的处理装置执行时执行根据本文描述的任何方面或实施方式的操作。

技术特征：

1.一种方法，包括以下步骤：

2.根据权利要求1所述的方法，其中所述第二预测数据包括预测计量数据或预测处理控制变量数据中的至少一者。

3.根据权利要求1所述的方法，其中进一步基于从所述第一机器学习模型获得的一个或多个处理灵敏度值训练所述第二机器学习模型。

4.根据权利要求1所述的方法，进一步包括以下步骤：

5.根据权利要求4所述的方法，其中所述校正动作包括将调整值应用至与所述第二处理腔室相关联的旋钮。

6.根据权利要求1所述的方法，其中所述第二处理腔室包括处于不同状态的所述第一处理腔室。

7.根据权利要求1所述的方法，其中训练所述第二机器学习模型的步骤包括执行与所述第一机器学习模型相关联的迁移学习操作。

8.一种电子装置制造系统，包括：

9.根据权利要求8所述的电子装置制造系统，其中所述第二预测数据包括预测计量数据或预测处理控制变量数据中的至少一者。

10.根据权利要求8所述的电子装置制造系统，其中进一步基于从所述第一机器学习模型获得的一个或多个处理灵敏度值训练所述第二机器学习模型。

11.根据权利要求8所述的电子装置制造系统，其中所述操作进一步包括以下步骤：

12.根据权利要求11所述的电子装置制造系统，其中所述校正动作包括将调整值应用至与所述第二处理腔室相关联的旋钮。

13.根据权利要求8所述的电子装置制造系统，其中所述第二处理腔室包括处于不同状态的所述第一处理腔室。

14.根据权利要求8所述的电子装置制造系统，其中训练所述第二机器学习模型的步骤包括执行与所述第一机器学习模型相关联的迁移学习操作。

15.一种方法，包括以下步骤：

16.根据权利要求15所述的方法，其中所述第一预测数据包括预测计量数据或预测处理控制变量数据中的至少一者。

17.根据权利要求15所述的方法，其中基于从所述第二机器学习模型获得的一个或多个处理灵敏度值来训练所述第一机器学习模型。

18.根据权利要求15所述的方法，还包括：

19.根据权利要求18所述的方法，其中所述校正动作包括将调整值应用至与所述第一处理腔室相关联的旋钮。

20.根据权利要求15所述的方法，其中使用与所述第二机器学习模型相关联的迁移学习操作来训练所述第一机器学习模型。

技术总结一种电子装置制造系统，被配置为由处理器识别第一机器学习模型，所述第一机器学习模型被训练以生成第一处理腔室的第一预测数据，并获得与由第二处理腔室产生的基板相关联的计量数据。所述制造系统进一步被配置为基于所述第一机器学习模型和所述计量数据训练第二机器学习模型，其中所述第二机器学习模被训练以生成与所述第二处理腔室相关联的第二预测数据。技术研发人员：瓦赫布·比沙拉,苏巴西什·班迪奥帕德海受保护的技术使用者：应用材料公司技术研发日：技术公布日：2024/9/2