用于检测薄膜的污染的系统和方法

技术领域

本发明的实施例涉及用于检测薄膜的污染的系统和方法。

背景技术

一直存在对增加电子器件中的计算能力的持续需求，电子器件包括智能电话、平板电脑、台式计算机、膝上型计算机和许多其他种类的电子器件。集成电路为这些电子器件提供计算能力。增加集成电路中的计算能力的一种方式是增加半导体衬底的给定区域可以包括的晶体管和其他集成电路部件的数量。

为了继续减小集成电路中的部件的尺寸，实现了各种薄膜沉积技术。这些技术可以形成非常薄的膜。然而，薄膜沉积技术在确保正确形成薄膜方面也面临严重困难。

发明内容

本发明的实施例提供了一种用于检测薄膜的污染的方法，包括：在薄膜沉积室中在晶圆上沉积薄膜；利用激发光照射所述薄膜；检测响应于所述激发光的来自所述薄膜的发射光谱；以及通过利用控制系统的分析模型分析所述发射光谱来检测所述薄膜的污染。

本发明的另一实施例提供了一种用于检测薄膜的污染的系统，包括：薄膜沉积室，配置为在晶圆上沉积薄膜；辐射源，配置为利用激发光照射所述薄膜；发射物传感器，配置为检测响应于所述激发光的来自所述晶圆的发射光谱；以及控制系统，所述控制系统耦接至所述辐射源和所述发射物传感器，并且配置为通过分析所述发射光谱来检测所述薄膜的污染，并且响应于检测到所述薄膜的污染而停止所述薄膜沉积室中的薄膜沉积工艺。

本发明的又一实施例提供了一种用于检测薄膜的污染的方法，包括：利用机器学习过程训练分析模型以检测薄膜的污染，所述机器学习过程利用来自在多个污染和非污染条件下检测到的多个光谱的数据；在薄膜沉积室中在晶圆上沉积薄膜；利用激发光照射所述晶圆；检测响应于所述激发光的来自所述晶圆的发射光谱；以及通过利用所述分析模型分析所述发射光谱来检测所述薄膜是否被污染。

附图说明

图1是根据一个实施例的薄膜沉积系统的框图。

图2是根据一个实施例的薄膜沉积系统的图示。

图3是根据一个实施例的薄膜沉积系统的图示。

图4是根据一个实施例的半导体晶圆的截面图。

图5是根据一个实施例的半导体晶圆的截面图。

图6是根据一个实施例的控制系统的框图。

图7至图13是根据各个实施例的用于检测薄膜中的缺陷的方法的流程图。

具体实施方式

在以下描述中，针对集成电路管芯内的各种层和结构描述了许多厚度和材料。对于各个实施例，以示例的方式给出了具体的尺寸和材料。根据本发明，本领域技术人员将认识到，在不背离本发明的范围的情况下，可以在许多情况下使用其他尺寸和材料。

以下公开提供了许多用于实现所提供主题的不同特征的不同的实施例或实例。下面描述了组件和布置的具体实例以简化本发明。当然，这些仅是实例而不旨在限制。例如，在以下描述中，在第二部件上方或者上形成第一部件可以包括第一部件和第二部件直接接触形成的实施例，并且也可以包括在第一部件和第二部件之间可以形成附加部件，从而使得第一部件和第二部件可以不直接接触的实施例。此外，本发明可以在各个示例中重复参考数字和/字母。该重复是为了简单和清楚的目的，并且其本身不指示讨论的各个实施例和/或配置之间的关系。

此外，为了便于描述，本文中可以使用诸如“在…下方”、“在…下面”、“下部”、“在…之上”、“上部”等的空间相对术语，以描述如图中所示的一个元件或部件与另一元件或部件的关系。除了图中所示的方位外，空间相对术语旨在包括器件在使用或操作工艺中的不同方位。装置可以以其它方式定位(旋转90度或在其它方位)，并且在本文中使用的空间相对描述符可以同样地作相应地解释。

在以下描述中，阐述了某些具体细节以便提供对本发明的各个实施例的透彻理解。然而，本领域技术人员将理解，可以在没有这些具体细节的情况下实践本发明。在其他情况下，未详细描述与电子组件和制造技术相关联的公知结构，以避免不必要地使本发明的实施例的描述不清楚。

除非上下文另外要求，否则在整个说明书和随后的权利要求书中，词语“包括”及其变体(诸如“包括”和“包含”)应以开放的、包容性的意义来解释，即“包括但不限于”。

诸如第一、第二和第三的序数的使用不一定暗示顺序的等级感，而是仅可以区分动作或结构的多个实例。

在整个说明书中，对“一个实施例”或“实施例”的参考意味着结合该实施例描述的特定部件、结构或特性包括在至少一个实施例中。因此，在整个说明书中各处出现的短语“在一个实施例中”或“在实施例中”不一定都指的是同一个实施例。此外，在一个或多个实施例中，可以以任何合适的方式组合特定的部件、结构或特性。

如本说明书和所附权利要求书中所使用的，单数形式“一个”、“一种”和“该”包括复数个对象，除非内容中另有明确规定。还应注意，除非内容清楚地另外指出，否则术语“或”通常以包括“和/或”的意义使用。

本发明的实施例提供了具有可靠的厚度和组分的薄膜。本发明的实施例利用机器学习技术来检测薄膜中的污染或其他缺陷。可以原位检测污染，从而能够在有缺陷的沉积工艺之后立即停止薄膜沉积工艺。因此，不是让大量晶圆在测试可以检测到问题之前就接收有缺陷的薄膜，而是立即检测问题并且不会影响其他晶圆。包括薄膜的集成电路将不会具有性能问题(如果未正确形成薄膜时可能导致性能问题)。此外，成批的半导体晶圆将具有改进的良率和更少的废弃晶圆。

图1是根据一个实施例的薄膜沉积系统100的框图。薄膜沉积系统100包括限定内部容积103的薄膜沉积室102。薄膜沉积系统100包括沉积设备104，该沉积设备104配置为对位于内部容积103内的晶圆106执行薄膜沉积工艺。薄膜沉积系统100包括辐射源108、发射物传感器110和控制系统112。辐射源108、发射物传感器110和控制系统112协作以检测形成在晶圆106上的薄膜的污染。

薄膜沉积设备104可以包括位于薄膜沉积室102外部、位于薄膜沉积室102内部或者薄膜沉积室102内部和外部的沉积设备。沉积设备104可以包括用于执行用于在晶圆106上形成薄膜的物理气相沉积(PVD)工艺、化学气相沉积(CVD)工艺、原子层沉积(ALD)工艺或其他类型的薄膜沉积工艺中的一种或多种的设备。

在一些情况下，薄膜可能会在薄膜沉积工艺期间或之后受到污染。由于在薄膜沉积工艺期间引入到薄膜沉积室102中的靶材料、前体材料或其他材料中的污染物或杂质，可能发生污染。在许多情况下，薄膜沉积工艺是在真空条件下进行的。在预期为真空条件的薄膜沉积工艺期间，漏气或设备中的其他缺陷可能会使外部空气进入薄膜沉积室102。在这种情况下，空气中的氧气可能会氧化薄膜。如果发生薄膜的氧化，则薄膜可能不具有在晶圆106中执行所选功能的预期结构、组分和特性。

薄膜沉积系统100利用辐射源108、发射物传感器110和控制系统112来检测薄膜的污染。辐射源108输出激发光109。激发光109照射形成在晶圆106上的薄膜。形成在晶圆106上的薄膜的照射可以激发薄膜的原子或分子。薄膜的被激发的原子或分子可以响应于被激发光109激发而输出发射物111。发射物111可以包括光或粒子(诸如电子)或光和粒子的组合。发射物111共同具有能谱。能谱对应于发射的光的光谱或发射的粒子的能谱。如果发射物111包括光子，则能谱对应于包括与发射光子相关联的各种波长的光子光谱。如果发射物111包括诸如电子的粒子，则能谱对应于发射的粒子的能量。能谱可以提供薄膜中包括的原子、分子或化合物类型的指示。

如本文所用，术语“辐射”和“激发光”是指可见光谱内部或外部的电磁辐射。因此，激发光109可以包括可见光谱外部的电磁辐射。

虽然图1示出了辐射源108位于薄膜沉积室102内，但是辐射源108可以位于薄膜沉积室102外部。辐射源108可以部分地位于薄膜沉积室102内并且部分地位于薄膜沉积室102外部。如果辐射源108位于薄膜沉积室102外部，则辐射源108可以经由薄膜沉积室102的壁中的一个或多个窗口或开口照射晶圆106。

发射物传感器110配置为感测发射物111。薄膜可以在各个方向上发射发射物111。发射物传感器110定位成使得发射物传感器110将接收一些发射物111。发射物传感器110感测由发射物传感器110接收的各种发射物111的波长。发射物传感器110输出指示发射物111的光谱的传感器信号。

虽然图1示出了发射物传感器110位于薄膜沉积室102内，但是发射物传感器110可以位于薄膜沉积室102外部。发射物传感器110可以部分地位于薄膜沉积室102内并且部分地位于薄膜沉积室102外部。如果发射物传感器110位于薄膜沉积室102外部，则发射物传感器110可以经由薄膜沉积室102的壁中的一个或多个窗口或开口接收发射物111。

控制系统112耦接至辐射源108、发射物传感器110和沉积设备104。控制系统112从发射物传感器110接收传感器信号。控制系统112分析传感器信号并且确定发射物111的光谱。控制系统112可以基于发射物111的光谱来检测薄膜的污染。

控制系统112包括分析模型114。通过机器学习过程训练分析模型114，以基于由发射物传感器110感测的发射光谱来检测薄膜的污染。分析模型114可以包括神经网络或其他类型的机器学习模型。如关于图6和图7更详细地阐述的，利用训练集来训练分析模型114，该训练集包括多个光谱，每个光谱与被污染或未被污染的薄膜相关联。机器学习过程利用训练集来训练分析模型114，以基于由发射物传感器110感测的发射光谱来可靠地检测薄膜的污染。

如果控制系统112检测到薄膜的污染，则控制系统112可以采取各种响应动作。例如，控制系统112可以基于对薄膜中的污染的检测来使薄膜沉积系统100停止操作。控制系统112可以输出指示污染类型的信息。例如，如果分析模型114检测到光谱指示薄膜的不期望的氧化，则控制系统112可以指示氧污染。如果分析模型114检测到其他类型的污染，则控制系统112可以输出指示其他类型的污染的信息。

控制系统112可以原位检测薄膜的污染。换句话说，当晶圆106仍在薄膜沉积室中时，控制系统112可以在薄膜沉积工艺期间或在薄膜沉积工艺之后不久检测薄膜的污染。这可以提供巨大的好处，因为可以监测每个晶圆106，并且可以立即检测污染，而不是在随后可能已经处理和污染大量晶圆106时检测污染物。这提高了晶圆良率，并且减少了废弃晶圆的数量。

控制系统112可以包括处理、存储器和信息传输资源。处理、存储器和信息传输资源可以位于薄膜沉积系统100的设施处。可选地，处理、存储器和信息传输资源可以位于远离薄膜沉积系统100的设施处。控制系统112可以是包括多个位置中的资源的分布式控制系统。控制系统112可以包括基于云的资源和本地物理资源。

图2是根据一个实施例的薄膜沉积系统200的框图。薄膜沉积系统200类似于图1的薄膜沉积系统100，除了薄膜沉积系统200是采用激发激光器和光传感器的PVD系统。系统100可以利用关于图2描述的组件、系统和工艺。薄膜沉积系统200包括限定内部容积203的薄膜沉积室202。晶圆支撑件222支撑薄膜沉积室202的内部容积203内的晶圆206。

在图2的示例中，薄膜沉积系统200是PVD溅射沉积系统，但是在不背离本发明的范围的情况下可以利用其他类型的沉积系统。薄膜沉积系统200包括溅射磁控阴极216和溅射靶218。在沉积工艺期间，电压源220将电压信号施加至溅射磁控阴极216。结果是从溅射靶218中喷射原子。晶圆支撑件222用作溅射系统的接地阳极。来自溅射靶218的原子积聚在晶圆206的表面上。结果是薄膜沉积在晶圆206上。

薄膜沉积系统200还包括排气通道224，该排气通道224连通地耦接至薄膜沉积室202的内部容积203。阀226将排气通道224耦接至泵228。在薄膜沉积工艺之前，打开阀226并且激活泵228。泵228通过从内部容积203泵送流体来在内部容积203内生成真空。当内部容积低于阈值压力时，即，基本上在真空下，PVD工艺可以开始。

在一个示例中，薄膜沉积工艺是氮化钛沉积工艺。在这种情况下，溅射靶218是钛溅射靶。在通过泵228将内部容积抽空之后，氮气流入内部容积203。在氮气的存在下开始溅射工艺。结果是氮化钛薄膜沉积在晶圆206上。

在一些情况下，由于薄膜沉积室202中的泄漏，在沉积工艺期间空气可能进入内部容积203。如果发生这种情况，则氮化钛薄膜可能氧化，导致薄膜中存在氧化钛。视情况而定，薄膜中氧化钛的存在将导致薄膜无法发挥其作为阻挡层或粘合层的功能。

为了检测薄膜的氧化或其他污染，薄膜沉积系统200包括激发激光器208和光传感器210。激发激光器208和光传感器210可以位于管213中，该管213从薄膜沉积室202外部延伸至薄膜沉积室202内部。在管213的大部分范围内，管213的内部表面可以是基本反射的。管213的端部可以是透明的，使得激发光和发射光子可以通过。在图2中，管的透明部分由虚线表示。在一个示例中，管的透明部分与管的反射部分的不同之处在于，管213的透明部分不包括反射涂层，而管213的反射部分包括反射涂层。

激发激光器208输出激发光209。激发光在管的反射部分内反射。在管的非反射部分处，激发光209从管213进入薄膜沉积室202的内部容积203。然后，激发光209照射晶圆206。特别地，激发光209照射沉积在晶圆206上的薄膜。

激发光209中的一些由薄膜吸收。结果是薄膜的原子或化合物中的价电子从较低的能级跃迁到较高的能级。随后，电子从较高能级返回到较低能级。当电子从较高能级返回到较低能级时，电子发射具有与能级差对应的能量的发射光子211。

由薄膜发射的发射光子211的光谱指示薄膜的组分。不同的材料将基于组成材料的原子或分子发射不同波长的光子。因此，响应于激发光的照射，来自薄膜的发射光子211的光子光谱指示薄膜的组分。

光传感器210配置为接收和感测发射光子211。特别地，光传感器210位于管213的透明端部，使得发射光子211能够通过管213并且由光传感器210接收。光传感器210可以配置为感测与来自污染的和非污染的薄膜的发射光子211的期望波长范围对应的波长范围内的光。

返回到薄膜沉积系统200沉积氮化钛薄膜的示例，激发激光器208发射300nm至330nm之间的激发光。选择该范围是因为氮化钛的一种可能的污染是氮化钛的氧化。氮化钛的氧化产生氧化钛，氧化钛是具有约3.2eV的带隙的半导体材料。300nm和330nm范围内的光子具有足够的能量

在一个示例中，TiO

虽然已经给出了被氧化污染的氮化钛薄膜的具体示例，但是薄膜沉积系统200可以包括在不背离本发明的范围的情况下在本文中描述的特定示例：许多其他类型的沉积工艺、薄膜、污染检测、辐射源和辐射传感器。例如，薄膜可以包括Ti、TiAl、TiON、TiAlO、TiAl、TiAlC、中段制程(MEOL)接触金属、前段制程(FEOL)高k帽或金属栅极或其他类型的薄膜。

控制系统212耦接至激发激光器208、光传感器210和电压源220。控制系统212从光传感器210接收传感器信号。来自光传感器210的传感器信号指示来自薄膜211的由光传感器210接收的发射光子211的光谱。控制系统212分析传感器信号以确定发射光子的光谱是对应于污染的薄膜还是适当形成的薄膜。如果控制系统212确定光子光谱对应于污染的薄膜，则控制系统212可以关闭薄膜沉积系统200并且可以输出警报。在氮化钛薄膜的氧化的示例中，警报可以指示薄膜沉积室202中的泄漏。

控制系统212包括分析模型214。通过机器学习过程训练分析模型214，以可靠地检测指示各种类型的污染或适当形成的薄膜的光子光谱。关于图6和图7，提供了关于训练分析模型的更多细节。

虽然图2示出了激发激光器208和感测发射光子的光传感器210，但是薄膜沉积系统200可以包括其他类型的激发源和辐射传感器。在一个实施例中，激发源是发射X射线辐射的X射线源。X射线源用X射线照射薄膜。X射线是高能光子。高能X射线光子激励薄膜，并且经由光电效应使薄膜发射电子。

在X射线源的示例中，光传感器210替代地是光电子传感器。响应于X射线的来自薄膜的发射物是光电子。光电子传感器可以经由光电效应确定从薄膜接收的电子的能量。因为X射线的能量是已知的，并且因为发射的电子的能量是由光电子传感器测量的，所以可以确定发射的电子的电子结合能。从薄膜发射的电子的电子结合能指示薄膜的材料。因此，通过分析发射的电子的光谱，可以确定薄膜的组分。在这种情况下，分析模型可以基于光电子的能谱确定薄膜是否被污染。

图3是根据一个实施例的薄膜沉积系统300的图示。薄膜沉积系统300在许多方面与图1和图2的薄膜沉积系统100、200类似，除了薄膜沉积系统300包括用于薄膜沉积和薄膜测量的单独的室。薄膜沉积系统300包括薄膜沉积室302和薄膜分析室334。薄膜沉积系统300包括沉积设备304，沉积设备304配置为在由薄膜沉积室302中的支撑件322支撑的晶圆306上执行薄膜沉积工艺。

薄膜分析室334和薄膜沉积室302通过传送通道332连通耦接。在对晶圆306执行薄膜沉积工艺之后，晶圆306经由传送通道332传送到薄膜分析室334。薄膜分析室334包括支撑件330。晶圆306在从薄膜沉积室302传送之后位于支撑件330上。晶圆306可以由机械臂(图3中未示出)传送。

在一个实施例中，因为薄膜沉积室302和薄膜分析室334通过传送通道332耦接在一起，所以薄膜沉积室302中的真空或压力条件与薄膜分析室334连通。这意味着当晶圆306从薄膜沉积室302传送到薄膜分析室334时，晶圆306不经过额外的污染环境。

辐射源308和发射物传感器310位于薄膜分析室334中或邻近薄膜分析室334。辐射源308配置为用激发光照射晶圆306。发射物传感器310配置为接收和感测响应于激发光的来自晶圆306的发射物。辐射源308和发射物传感器310可以包括与关于图1和图2描述的那些相同类型的辐射源和发射物传感器。

控制系统312可以从发射物传感器310接收发射光谱信号。分析模型314可以分析光谱并且确定薄膜是否被污染。如果薄膜被污染，则控制系统312可以输出警报并且停止薄膜沉积系统300的操作。

图4是根据一个实施例的晶圆406的截面图。晶圆406包括纳米片结构440。界面层442位于纳米片结构上方。高K栅极介电层444位于界面层442上和形成在介电材料层445中的沟槽448的侧壁上。沟槽448形成为由纳米片晶体管的栅电极填充。

在沉积栅电极之前，在高K栅介电层444上形成氮化钛层446。氮化钛层用作将在沟槽448中形成的栅电极的功函层。氮化钛增大了功函数并且改善了纳米片晶体管的整体功能。

氮化钛层446是在图1至图3的薄膜沉积系统中形成的薄膜层的示例。在形成氮化钛层446之后，辐射源用激发光409照射氮化钛层446。激发光409可以对应于关于图1至图3给出的激发光的各种示例。因此，激发光可以包括紫外线辐射、X射线辐射或从辐射源发射的其他类型的辐射。

氮化钛层446吸收一些激发光409并且输出发射物411。发射物411可以包括响应于吸收激发光409而从氮化钛层446发射的光致发光光子。可选地，发射物411可以包括响应于吸收激发光409而从氮化钛层446发射的光电子。

辐射传感器(未示出)可以接收并且感测发射物411。辐射传感器可以包括关于图1至图3描述的发射物传感器的类型，或者其他类型的辐射传感器。辐射传感器可以将传感器信号提供给控制系统，该控制系统包括关于图1至图3所描述的分析模型。控制系统和分析模型可以基于发射物411的光谱来确定氮化钛是否被污染，如先前关于图1至图3所描述的以及如将关于图6和图7更详细地描述的。

图5是根据一个实施例的晶圆506的截面图。晶圆506包括纳米片结构540。界面层542位于纳米片结构540上方。高K介电层544位于界面层542上。侧壁间隔件551定位为邻近高K介电层544。氮化钛功函层546位于高K介电层544上。栅电极550形成为与氮化钛功函层546接触。沟槽552形成在介电材料层555中。沟槽552用于源电极和漏电极。源极区域553和漏极区域557邻近纳米片结构540。硅化物层554和556位于源极区域553和漏极区域557处。氮化钛粘合层556形成在介电材料层555上、沟槽552的侧壁上和栅电极550上。

氮化钛层556是在图1至图3的薄膜沉积系统中形成的薄膜层的示例。在形成氮化钛层556之后，辐射源用激发光509照射氮化钛层556。激发光509可以对应于关于图1至图3给出的激发光的各种示例。因此，激发光可以包括紫外线辐射、X射线辐射或从辐射源发射的其他类型的辐射。

氮化钛层556吸收一些激发光509并且输出发射物511。发射物511可以包括响应于吸收激发光509而从氮化钛层556发射的光致发光光子。可选地，发射物511可以包括应于吸收激发光509而从氮化钛层556发射的光电子。

辐射传感器(未示出)可以接收并且感测发射物511。辐射传感器可以包括关于图1至图3描述的辐射传感器的类型，或者其他类型的辐射传感器。辐射传感器可以将传感器信号提供给控制系统，该控制系统包括关于图1至图3所描述的分析模型。控制系统和分析模型可以基于发射物511的光谱来确定氮化钛是否被污染，如先前关于图1至图3所描述的以及如将关于图6更详细地描述的。

虽然关于图4和图5描述了特定的氮化钛层，但是本发明的原理扩展到其他类型的沉积的薄膜和其他类型的结构以及其他类型的沉积工艺。利用分析模型、辐射源和发射物传感器检测污染可以用于多种薄膜和许多不同类型的污染。

图6是根据一个实施例的控制系统612的框图。图1至图3的控制系统112、212和312可以包括控制系统612的组件和功能。因此，可以采用具有关于图1至图5描述的系统、工艺和组件的控制系统612。根据一个实施例，图6的控制系统612配置为控制薄膜沉积系统的操作。控制系统612利用机器学习来确定薄膜是否被污染或薄膜是否适当地形成。控制系统612可以检测薄膜的污染，并且在未适当形成的薄膜可以影响额外的晶圆之前停止进一步的薄膜沉积工艺。控制系统612可以发出指示薄膜沉积工艺有问题的警报。

在一个实施例中，控制系统612包括分析模型614和训练模块660。训练模块利用机器学习过程训练分析模型614。机器学习过程训练分析模型614以基于来自薄膜的发射光谱来检测薄膜是否被污染。虽然训练模块660示出为与分析模型614分离，但在实践中，训练模块660可以是分析模型614的部分。

控制系统612包括或存储训练集数据662。训练集数据662包括历史薄膜光谱数据664和污染标签数据666。历史薄膜光谱数据664包括大量薄膜的发射光谱。对于历史薄膜光谱数据664中的每个发射光谱，污染标签数据666包括指示发射光谱是否对应于被污染的薄膜的数据。如将在下面更详细地阐述的，训练模块660利用历史薄膜光谱数据664和污染标签数据666以利用机器学习过程来训练分析模型614。

在一个实施例中，历史薄膜光谱数据664包括与大量薄膜的发射光谱有关的数据。发射光谱包括由大量薄膜中的每个发射的光子或光电子的光谱。在光子光谱的情况下，每个光谱包括对于特定的先前分析的薄膜的各种能量、波长或频率的光子的分布。在电子光谱的情况下，每个光谱包括对于特定的先前分析的薄膜的电子的能量的分布。

在一个实施例中，针对历史薄膜光谱数据664中的每个历史薄膜光谱，污染标签数据666包括相应的标签。每个标签都指示污染或非污染。因为可能存在多种类型的污染，所以可能存在多种类型的污染标签。换句话说，取决于在薄膜沉积工艺期间薄膜可能被污染的各种方式，指示污染的标签可以落入多种污染类别中的一种。

在一个实施例中，分析模型614包括神经网络。将关于神经网络来描述分析模型614的训练。然而，在不背离本发明的范围的情况下，可以使用其他类型的分析模型或算法。训练模块660利用训练集数据662以利用机器学习过程来训练神经网络。在训练过程期间，神经网络从训练集数据662接收历史薄膜光谱数据664作为输入。在训练过程期间，神经网络输出预测的类别数据。对于提供给分析模型614的每个薄膜光谱，预测的类别数据预测光谱所属的类别。类别可以包括污染、非污染或各种单独类别的污染和非污染。训练过程训练神经网络以生成与每个薄膜光谱的污染标签数据666匹配的预测的类别数据。

在一个实施例中，神经网络包括多个神经层。各种神经层包括限定一个或多个内部函数的神经元。内部函数基于与神经网络的每个神经层的神经元相关联的加权值。在训练期间，控制系统612针对历史薄膜光谱数据的每个集合将预测的类别数据与来自污染标签数据666的实际标签进行比较。控制系统生成误差函数，该误差函数指示预测的类别数据与污染标签数据666的匹配程度。控制系统612然后调整神经网络内部函数。因为神经网络基于内部函数生成预测的类别数据，所以调整内部函数将导致针对历史薄膜光谱数据的同一组合生成不同的预测的类别数据。调整内部函数可以产生预测的类别数据，该预测的类别数据产生较大的误差函数(与污染标签数据666较差的匹配)或较小的误差函数(与污染标签数据666更好的匹配)。

在调整神经网络内部函数之后，历史薄膜光谱数据664再次被传递到神经网络，并且分析模型614再次生成预测的类别数据。训练模块660再次将预测的类别数据与污染标签数据666进行比较。训练模块660再次调整神经网络内部函数。在监测误差函数和调整神经网络内部函数的大量迭代中重复此过程，直到找到内部函数的集合，该内部函数的集合会在整个训练集中产生与污染标签数据666匹配的预测的类别数据。

在训练过程开始时，预测的类别数据可能不会与污染标签数据666非常匹配。然而，随着训练过程通过调整神经网络的内部函数的许多迭代进行，误差函数将趋向于越来越小，直到找到内部函数的集合，该内部函数的集合产生与污染标签数据666匹配的预测的类别数据。产生与污染标签数据666匹配的预测的类别数据的内部函数的集合的识别对应于训练过程的完成。一旦训练过程完成，就可以使用神经网络来调整薄膜沉积工艺参数。

在一个实施例中，在已经训练分析模型614之后，分析模型614可以用于分析薄膜的发射光谱。特别地，如关于图1至图5所描述的，可以利用来自辐射源的激发光来照射薄膜。然后，薄膜将输出发射物，诸如视情况而定的光致发光光子或光电子。然后，辐射传感器可以感测发射物的能谱。辐射传感器可以将传感器信号传递到分析模型614。分析模型614分析光谱数据并且将光谱标记为类别。该类别可以包括污染、非污染或污染和非污染的各种子类别。如果类别指示污染，则控制系统612可以输出警报并且停止进一步的薄膜沉积工艺。

在一个实施例中，控制系统612包括处理资源668、存储器资源670和通信资源672。处理资源668可以包括一个或多个控制器或处理器。处理资源668配置为执行软件指令，处理数据，做出薄膜沉积控制决定，执行信号处理，从存储器读取数据，将数据写入存储器以及执行其他处理操作。处理资源668可以包括位于薄膜沉积系统的站点或设施处的物理处理资源668。处理资源可以包括远离站点薄膜沉积系统或薄膜沉积系统所处的设施的虚拟处理资源668。处理资源668可以包括基于云的处理资源，基于云的处理资源包括经由一个或多个云计算平台访问的处理器和服务器。

在一个实施例中，存储器资源670可以包括一个或一个以上计算机可读存储器。存储器资源670配置为存储与控制系统及其组件的功能相关联的软件指令，包括但不限于分析模型614。存储器资源670可以存储与控制系统612及其组件的功能相关联的数据。该数据可以包括训练集数据662、当前工艺条件数据以及与控制系统612或其任何组件的操作相关联的任何其他数据。存储器资源670可以包括位于薄膜沉积系统100的站点或设施处的物理存储器资源。存储器资源可以包括远离薄膜沉积系统100的站点或设施的虚拟存储器资源。存储器资源670可以包括经由一个或多个云计算平台访问的基于云的存储器资源。

在一个实施例中，通信资源可以包括使控制系统612能够与和薄膜沉积系统100相关联的设备进行通信的资源。例如，通信资源672可以包括使控制系统612能够接收与薄膜沉积系统相关联的传感器数据并且控制薄膜沉积系统的设备的有线和无线通信资源。通信资源672可以使控制系统612能够控制薄膜沉积系统的各个组件。通信资源672可以使控制系统612能够与远程系统通信。通信资源672可以包括或可以促进经由一个或多个网络(诸如广域网、无线网络、因特网或内联网)的通信。通信资源672可以使控制系统612的组件能够彼此通信。

在一个实施例中，分析模型614是经由处理资源668、存储器资源670和通信资源672来实现的。控制系统612可以是分散的控制系统，分散的控制系统的组件和资源以及位置彼此远离并且远离薄膜沉积系统。

关于控制系统612和分析模型614描述的组件、功能和过程可以扩展到关于图1至图5描述的控制系统和分析模型。

图7是根据一个实施例的用于训练分析模型以确定薄膜是否被污染的工艺700的流程图。可以利用关于图1至图6描述的系统、组件和工艺来实现工艺700。工艺700还可以使用其他系统、组件和工艺来实现。分析模型的一个示例是图6的分析模型614，但是图7的工艺700可以应用于先前任何图中描述的分析模型。工艺700的各个步骤可以利用关于图1至图6描述的组件、工艺和技术。因此，参考图1至图6描述图7。

在702处，工艺700收集包括历史薄膜光谱数据和污染标签数据的训练集数据。训练集数据的一个示例是图6的训练集数据662。这可以通过使用数据挖掘系统或工艺来完成。数据挖掘系统或工艺可以通过访问与薄膜沉积系统关联的一个或多个数据库并且收集和组织包含在一个或多个数据库中的各种类型的数据来收集训练集数据。数据挖掘系统或工艺或另一个系统或工艺可以对收集的数据进行处理和格式化，以生成训练集数据。训练集数据可以包括如关于图6所述的历史薄膜光谱数据和污染标签数据。

在704处，工艺700将历史薄膜光谱数据输入至分析模型。在一个示例中，这可以包括如关于图6所描述的利用训练模块将污染标签数据输入至分析模型。污染标签数据的一个示例是图6的污染标签数据666。历史薄膜光谱数据可以以连续离散集合的形式提供给分析模型。历史薄膜数据的一个示例是图6的历史薄膜数据664。每个离散集合可以对应于单个薄膜或薄膜组。历史薄膜光谱数据可以作为向量提供给分析模型。每个集合可以包括一个或多个向量，这些向量被格式化以供分析模型接收和处理。可以以其他格式将历史薄膜光谱数据提供给分析模型，而不背离本发明的范围。

在706处，工艺700基于历史薄膜光谱数据生成预测的类别数据。特别地，分析模型为历史薄膜光谱数据的每个集合生成预测的类别数据。预测的类别数据对应于污染或非污染的预测类别。这可以由图6的训练模块660或分析模型614执行。

在708处，将预测的类别数据与历史薄膜光谱数据664进行比较。特别地，将历史薄膜光谱数据的每个集合的预测的类别数据与和该历史薄膜光谱数据的集合相关联的污染标签数据进行比较。该比较可以产生误差函数，该误差函数指示预测的类别数据与污染标签数据的匹配程度。对预测的类别数据的每个集合执行此比较。在一个实施例中，该工艺可以包括生成总误差函数或指示，该总误差函数或指示指示预测的类别数据的整体与污染标签数据的比较。这些比较可以由训练模块或分析模型执行。在不背离本发明的范围的情况下，比较可以包括除上述那些之外的其他类型的函数或数据。这可以由图6的训练模块660或分析模型614执行。

在710处，工艺700基于在步骤708处生成的比较来确定预测的类别数据是否与污染标签数据匹配。在一个示例中，如果总误差函数小于误差容限，则工艺700确定预测的类别数据与误差容限不匹配。在一个示例中，如果总误差函数大于误差容限，则工艺700确定预测的类别数据确实与污染标签数据匹配。在一个示例中，误差容限可以包括0.1与0之间的容限。换句话说，如果总百分比误差小于0.1或10％，则工艺700认为预测的类别数据与污染标签数据匹配。如果总百分比误差大于0.1或10％，则工艺700认为预测的类别数据与污染标签数据不匹配。在不背离本发明的范围的情况下，可以利用其他容限范围。可以以多种方式来计算误差分数，而不背离本发明的范围。训练模块或分析模型可以做出与工艺步骤710相关联的确定。这可以由图6的训练模块660或分析模型614执行。

在一个实施例中，如果在步骤710处预测的类别数据与历史薄膜光谱数据不匹配，则工艺进行到步骤712。在步骤712处，工艺700调整与分析模型相关联的内部函数。在一个示例中，训练模块调整与分析模型相关联内部函数。从步骤712，过程返回到步骤704。在步骤704处，历史薄膜光谱数据再次被提供给分析模型。由于分析模型的内部函数已调整，因此分析模型将生成与上一个周期不同的预测的类别数据。工艺进行到步骤706、708和710，并且计算总误差。如果预测的类别数据与污染标签数据不匹配，则工艺返回到步骤712，并且再次调整分析模型的内部函数。该工艺迭代进行，直到分析模型生成与污染标签数据匹配的预测的类别数据为止。这可以由图6的训练模块660或分析模型614执行。

在一个实施例中，如果预测的类别数据与历史污染标签数据和工艺步骤710匹配，则工艺700进行到714。在步骤714处，训练完成。现在准备好利用分析模型来识别可在由薄膜沉积系统执行的薄膜沉积工艺中利用的工艺条件。工艺700可以包括在本文中示出和描述的步骤以外的其他步骤或步骤的布置，而不背离本发明的范围。

图8是根据一个实施例的薄膜沉积方法800的流程图。可以利用关于图1至图7描述的系统、组件和工艺来实现方法800。方法800还可以使用其他系统、组件和工艺来实现。在802处，方法800包括在薄膜沉积室中的图案化的晶圆上沉积薄膜。晶圆的一个示例是图1的晶圆106。薄膜沉积室的一个示例是图1的薄膜沉积室102。在804处，方法800包括在薄膜沉积室中利用激光器照射薄膜。激光器的一个示例是图2的激发激光器208。在806处，方法800包括利用光传感器收集响应于利用激光器照射的光致发光光谱数据。光传感器的一个示例是图2的光传感器210。在808处，方法800包括利用通过机器学习过程训练的分析模型来分析光谱。分析模型的一个示例是图2的分析模型214。在810处，方法800包括利用分析模型基于光谱来确定是否存在氧气泄漏。在812处，方法800包括，如果存在氧气泄漏，则输出指示氧气泄漏的信号。

图9是根据一个实施例的薄膜沉积方法900的流程图。可以利用关于图1至图8描述的系统、组件和工艺来实现方法900。方法900也可以使用其他系统、组件和工艺来实现。在902处，方法900包括在第一室中的图案化的晶圆上沉积薄膜。晶圆的一个示例是图3的晶圆306。第一室的一个示例是图3的薄膜沉积室302。在903处，方法900包括将晶圆从第一室传送到第二室。第二室的一个示例是图3的薄膜分析室334。在904处，方法900包括在第二室中利用激光器照射薄膜。激光器的一个示例是图2的激发激光器208。在906处，方法900包括利用光传感器收集响应于利用激光器照射的光致发光光谱数据。光传感器的一个示例是图2的光传感器210。在908处，方法900包括利用通过机器学习过程训练的分析模型来分析光谱。分析模型的一个示例是图3的分析模型314。在910处，方法900包括利用分析模型基于光谱确定是否存在氧气泄漏。在912处，方法900包括：如果存在氧气泄漏，则输出指示氧气泄漏的信号。

图10是根据一个实施例的薄膜沉积方法1000的流程图。可以利用关于图1至图9描述的系统、组件和工艺来实现方法1000。方法1000也可以使用其他系统、组件和工艺来实现。在1002处，方法1000包括在薄膜沉积室中的图案化的晶圆上沉积薄膜。晶圆的一个示例是图1的晶圆106。薄膜沉积室的一个示例是图1的薄膜沉积室102。在1004处，方法1000包括在薄膜沉积室中利用X射线照射薄膜。在1006处，方法1000包括利用光电子传感器收集响应于利用X射线照射的光电子光谱数据。光电子传感器的一个示例是图1的发射物传感器110。在1008处，方法1000包括利用通过机器学习过程训练的分析模型来分析光谱。分析模型的一个示例是图1的分析模型114。在1010处，方法1000包括利用分析模型基于光谱确定是否存在氧气泄漏。在1012处，方法1000包括，如果存在氧气泄漏，则输出指示氧气泄漏的信号。

图11是根据一个实施例的薄膜沉积方法1100的流程图。可以利用关于图1至图10描述的系统、组件和工艺来实现方法1100。方法1100也可以使用其他系统、组件和工艺来实现。在1102处，方法1100包括在第一室中的图案化的晶圆上沉积薄膜。晶圆的一个示例是图3的晶圆306。第一室的一个示例是图3的薄膜沉积室302。在1103处，方法1100包括将晶圆从第一室传送到第二室。第二室的一个示例是图3的薄膜分析室334。在1104处，方法1100包括在第二室中利用x射线照射薄膜。在1106处，方法1100包括利用光电子传感器收集响应于利用X射线照射的光电子光谱数据。光电子传感器的一个示例是图3的发射物传感器310。在1108处，方法1100包括利用通过机器学习过程训练的分析模型来分析光谱。分析模型的一个示例是图3的分析模型314。在1110处，方法1100包括利用分析模型基于光谱确定是否存在氧气泄漏。在1112处，方法1100包括，如果存在氧气泄漏，则输出指示氧气泄漏的信号。

图12是根据一个实施例的薄膜沉积方法1200的流程图。可以利用关于图1至图11描述的系统、组件和工艺来实现方法1200。方法1200也可以使用其他系统、组件和工艺来实现。在一个实施例中，在1202处，方法1200包括在薄膜沉积室中的晶圆上沉积薄膜。薄膜沉积室的一个示例是图1的薄膜沉积室102。在1204处，方法1200包括利用激发光照射薄膜。在1206处，方法1200包括检测响应于激发光的来自薄膜的发射光谱。在1208处，方法1200包括通过利用控制系统的分析模型分析发射光谱来检测薄膜的污染。分析模型的一个示例是图6的分析模型614。控制系统的一个示例是图6的控制系统612。

图13是根据一个实施例的薄膜沉积方法1300的流程图。可以利用关于图1至图12描述的系统、组件和工艺来实现方法1300。方法1300也可以使用其他系统、组件和工艺来实现。在1302处，方法1300包括利用机器学习过程来训练分析模型以检测薄膜的污染，该机器学习过程利用来自在多个污染和非污染条件下检测到的多个光谱的数据。分析模型的一个示例是图6的分析模型614。在1304处，方法1300包括在薄膜沉积室中的晶圆上沉积薄膜。在1306处，方法1300包括利用激发光照射晶圆。薄膜沉积室的一个示例是图1的薄膜沉积室102。在1308处，方法1300包括检测响应于激发光的来自晶圆的发射光谱。在1310处，方法1300包括通过利用分析模型分析发射光谱来检测薄膜是否被污染。

在一个实施例中，一种方法包括在薄膜沉积室中的晶圆上沉积薄膜并且利用激发光照射薄膜。该方法包括检测响应于激发光的来自薄膜的发射光谱，以及通过利用控制系统的分析模型分析发射光谱来检测薄膜的污染。

在上述方法中，还包括在所述薄膜沉积室中利用所述激发光照射所述薄膜。

在上述方法中，还包括：将所述晶圆从所述薄膜沉积室传送到检测室；以及在所述检测室中利用所述激发光照射所述薄膜。

在上述方法中，还包括：将所述晶圆从所述薄膜沉积室传送到检测室；以及在所述检测室中利用所述激发光照射所述薄膜；在利用所述激发光照射所述薄膜时，在所述检测室中保持所述薄膜沉积室的真空条件。

在上述方法中，其中，检测污染包括检测所述薄膜的氧化。

在上述方法中，其中，检测污染包括检测所述薄膜的氧化，所述方法还包括：利用所述控制系统基于检测所述薄膜的氧化来检测所述薄膜沉积室中的泄漏。

在上述方法中，还包括响应于检测到所述薄膜的污染而停止所述薄膜沉积室的操作。

在上述方法中，其中，所述激发光包括紫外线光，其中，检测所述发射光谱包括：检测光致发光光谱。

在上述方法中，其中，所述激发光包括X射线光，其中，检测所述发射光谱包括：检测光电子光谱。

在上述方法中，还包括利用机器学习过程训练所述分析模型以检测所述薄膜的污染。

在一个实施例中，一种系统包括：薄膜沉积室，配置为在晶圆上沉积薄膜；以及辐射源，配置为利用激发光照射薄膜。该系统包括发射物传感器，该发射物传感器配置为检测响应于激发光的来自晶圆的发射光谱。该系统包括控制系统，该控制系统耦接至辐射源和发射物传感器，并且配置为通过分析光子的光谱来检测薄膜的污染并且响应于检测到薄膜的污染而停止薄膜沉积室中的薄膜沉积工艺。

在上述系统中，其中，所述辐射源是激光器，其中，所述发射物传感器是紫外光传感器。

在上述系统中，其中，所述辐射源是X射线源，其中，所述发射物传感器是光电子能谱检测器。

在上述系统中，其中，所述辐射源定位成照射所述薄膜沉积室中的所述薄膜。

在上述系统中，还包括薄膜分析室，其中，所述辐射源配置为照射所述薄膜分析室中的所述薄膜。

在上述系统中，其中，所述控制系统包括利用机器学习过程训练的分析模型，以基于所述发射光谱来检测所述薄膜的污染。

在上述系统中，其中，所述控制系统包括利用机器学习过程训练的分析模型，以基于所述发射光谱来检测所述薄膜的污染，所述分析模型包括神经网络。

在一个实施例中，一种方法包括利用机器学习过程来训练分析模型以检测薄膜的污染，机器学习过程利用来自在多个污染和非污染条件下检测到的多个光谱的数据。该方法包括在薄膜沉积室中的晶圆上沉积薄膜，并且利用激发光照射晶圆。该方法包括检测响应于激发光的来自晶圆的发射光谱，以及通过利用分析模型分析发射光谱来检测薄膜是否被污染。

在上述方法中，其中，所述薄膜包括氮化钛，其中，检测所述氮化钛的污染包括：检测所述发射光谱包括氧化钛的发射特性。

在上述方法中，其中，所述薄膜包括氮化钛，其中，检测所述氮化钛的污染包括：检测所述发射光谱包括氧化钛的发射特性，所述方法还包括在半导体纳米片结构上方沉积所述薄膜。

本发明的实施例能够原位检测薄膜的污染。一旦检测到污染，就可以停止薄膜沉积工艺，从而减少具有缺陷薄膜的晶圆的数量。这提供了许多益处，包括提高了晶圆良率并且减少了废弃晶圆。此外，可以基于检测到的污染来检测沉积室中的氧气泄漏。

可以将上述各个实施例组合以提供其他实施例。本说明书中提及的和/或在申请数据表中列出的所有美国专利申请出版物和美国专利申请通过引用结合于此作为参考。如果需要，可以修改实施例的各方面，以采用各个专利、申请和出版物的概念来提供其他实施例。

可以根据以上详细描述对实施例进行这些和其他改变。通常，在以下权利要求书中，所使用的术语不应解释为将权利要求书限制为说明书和权利要求书中公开的具体实施例，而应解释为包括所有可能的实施例以及等同物的全部范围。因此，权利要求不受公开内容的限制。