在低K氧化物沉积的时间变化的过程诊断中,人工神经网络驱动的创新
Seunghwan Lee1, Yonggyun Park1, Pengzhan Liu1
1School of Mechanical Engineering, Sungkyunkwan University, Suwon 16419, Republic of Korea.
Sensors (Basel, Switzerland)
|October 14, 2023
概括
这项研究引入了一种新的机器学习方法,用于分析等离子体波,用于实时半导体制造诊断. 该方法准确预测工艺性能,提高缺陷控制和降低SiOF沉积成本.
科学领域:
- 材料科学 材料科学 材料科学
- 电气工程 电气工程
- 化学工程是化学工程的重要组成部分.
背景情况:
- 半导体制造业在实时过程诊断方面面临着挑战.
- 基于等离子体的沉积过程,如SiOF沉积,产生复杂的波信号.
- 非线性等离子体外动力学有助于产生高频波.
研究的目的:
- 开发一种新的机器学习方法,用于分析SiOF沉积过程中的时间变化的第10波.
- 为了实现准确的实时过程诊断和半导体制造业的性能预测.
- 通过改进的工艺监控来加强缺陷控制和产量.
主要方法:
- 使用高密度等离子体化学蒸汽沉积系统进行SiOF沉积.
- 应用了一个人工神经网络,采用了三层隐藏层架构.
- 优化了神经网络模型,使用k-fold交叉验证进行波分析.
主要成果:
- 人工神经网络模型实现了0.1277.7的二进制交叉损失.
- 该模型在预测过程性能方面表现出0.9461的高精度.
- 分析的重点在于在等离子体外中生成的时间变化的第10波.
结论:
- 拟议的机器学习方法使半导体制造过程的准确实时诊断成为可能.
- 这种方法为该行业的成本降低和产量改善提供了显著的潜力.
- 预计随着更大的数据集的使用,会有进一步的改进,从而增强缺陷控制能力.
