PLS와 SVM복합 알고리즘을 이용한 식각 종료점 검출 (Endpoint Detection Using Hybrid Algorithm of PLS and SVM)

서지정보

· 발행기관 : 한국전기전자재료학회
· 수록지 정보 : 전기전자재료학회논문지 / 24권 / 9호 / 701 ~ 709페이지
· 저자명 : 이윤근, 한승수, 한이슬, 홍상진

초록

웨이퍼로부터 하나의 완성된 반도체 제품을 생산하기까지는 매우 복잡한 반도체 공정들이 필요하다. 반도체 공정들에는 다양한 종류의 반도체 장비들이 각각 사용되며, 이들 반도체 장비들 각각의 공정 조건에 따라 완성된 반도체 제품의 동작 성능이 결정된다. 따라서 반도체 처리 장비의 비정상적인 공정 오차는 양품의 반도체 제품을 얻는데 큰 장애 요인이 될 뿐만 아니라 경제적 손실 및 시간적 손실을 초래하게 된다. 반도체 웨이퍼 제조에서 플라즈마 식각은 물질 층을 선택적으로 제거하는 가장 중요한 과정 중 하나이다. 플라즈마 식각 공정 시 식각 종료가 정확히 되지 않으면 과식각과 같은 공정 오류가 일어나 반도체 제품의 성능이나 수율에 손실이 발생하게 된다. 따라서 정확한 식각 종료점을 검출하여 식각이 정확하게 수행되는 것이 중요하다. 정확한 식각 종료점을 검출하기 위해 플라즈마 공정 모니터링 기법인 OES센서를 이용하여 식각 공정 시 방출되는 여러 개의 파장 데이터를 얻었다. 과거에는 직접 회로 장치가 커서 몇 개의 선택되어 있는 단파장을 이용하여 식각 종료점을 검출하였지만, 직접 회로가 점점 작아지면서 노이즈가 많이 생기거나 식각 종료점을 구분하기 어려운 파장들이 추출되는 문제점 들이 생겼다. 본 논문은 PLS와 SVM 복합 알고리즘을 이용하여 정상적인 파장 뿐 만 아니라 노이즈가 많이 있거나 식각 종료점이 불분명한 파장도 식각 종료점을 실시간으로 검출하였다.

영어초록

In semiconductor wafer fabrication, etching is one of the most critical processes, by which a material layer is selectively removed. Because of difficulty to correct a mistake caused by over etching, it is critical that etch should be performed correctly. This paper proposes a new approach for etch endpoint detection of small open area wafers. The traditional endpoint detection technique uses a few manually selected wavelengths, which are adequate for large open areas. As the integrated circuit devices continue to shrink in geometry and increase in device density, detecting the endpoint for small open areas presents a serious challenge to process engineers. In this work, a high-resolution optical emission spectroscopy (OES) sensor is used to provide the necessary sensitivity for detecting subtle endpoint signal. Partial Least Squares (PLS) method is used to analyze the OES data which reduces dimension of the data and increases gap between classes. Support Vector Machine (SVM) is employed to detect endpoint using the data after PLS. SVM classifies normal etching state and after endpoint state. Two data sets from OES are used in training PLS and SVM. The other data sets are used to test the performance of the model.
The results show that the trained PLS and SVM hybrid algorithm model detects endpoint accurately.

참고자료

· 없음