技术领域
[0001] 本
发明涉及
半导体制造技术领域，特别涉及一种晶圆刻蚀的控制方法及晶圆制造方法。
背景技术
[0002] 半导体工艺中的先进制程控制(APC，Advanced Process Control)研究的目的在于有效的监控工艺过程与机台，以提高良率和总体设备效能。
[0003] 随着半导体工艺
节点的不断减小，半导体器件加工时的工艺窗口越来越小，这就对集成
电路设备和检测设备提出了更为严格的工艺控制要求，以往的统计制程控制(SPC，Statistical Process Control)和单独对某一参数的控制方法已经不能适应当前的工艺技术要求，因而APC技术成为半导体工艺的关键技术之一。APC技术作为一种主要的解决方案逐渐得到了包括半导体设备供应商、测量设备供应商以及制造厂商等的认同，目前已经在化学机械
研磨、
化学气相沉积、
光刻和刻蚀等工艺中逐步推广应用。
[0004] APC技术的目标是解决工艺过程中各项参数和性能指标漂移的问题、缩短测量所需时间、及时调整工艺变量，它的实施有助于提高生产率、降低能耗、改善产品
质量和连续性、以及改善工艺的安全性等，使得工艺设备能够实现更加严格的工艺窗口，满足半导体工艺节点不断减小的要求。
[0005] 尽管
现有技术中采用了APC技术对刻蚀工艺进行控制，但是现有技术中仍存在晶圆生产良率低且可靠性低的问题。
发明内容
[0006] 本发明解决的问题是提供一种晶圆刻蚀的控制方法及晶圆制造方法，提高晶圆的生产良率和可靠性。
[0007] 为解决上述问题，本发明提供一种晶圆刻蚀的控制方法，包括：提供金属栅极的目标厚度参数；获取
预测模型，所述预测模型的输入参数包括金属栅极顶部表面若干个点对应的金属栅极厚度参数，所述预测模型的输出参数包括刻蚀去除晶圆中伪栅时
静电卡盘上若干点的
温度参数，其中，每一金属栅极厚度参数与一温度参数一一对应；采集前一晶圆中金属栅极顶部表面若干点对应的金属栅极实际厚度参数；获取前一晶圆中金属栅极顶部表面各点对应的金属栅极实际厚度参数与目标厚度参数之差为第一差值；基于所述第一差值和所述预测模型，采用先进制程控制技术，优化刻蚀去除后一晶圆中伪栅时静电卡盘上各点的温度参数。
[0008] 可选的，采用所述优化的温度参数刻蚀去除所述后一晶圆中的伪栅，然后在后一晶圆中形成金属栅极，后一晶圆中金属栅极顶部表面各点对应的金属栅极实际厚度参数与目标厚度参数之差为第二差值，且所述第二差值小于第一差值。
[0009] 可选的，所述预测模型为神经网络模型。
[0010] 可选的，所述神经网络模型为线性模型或非线性模型。
[0011] 可选的，所述神经网络模型的输入参数为输入压缩数据，所述输入压缩数据个数小于原输入数据个数；所述神经网络模型的输出参数为输出压缩数据，所述输出压缩数据个数小于原输出数据个数，且输出压缩数据数量小于输入压缩数据。
[0012] 可选的，所述原输入数据反映金属栅极顶部表面若干点对应的金属栅极厚度参数；所述原输出数据反映刻蚀伪栅时静电卡盘上若干点的温度参数。
[0013] 可选的，采用主元分析技术或者离散
小波变换技术，将原输入
数据压缩为输入压缩数据；采用逆主元分析技术或者逆
离散小波变换技术，将输出压缩数据解压为原输出数据。
[0014] 可选的，所述输入压缩数据个数的确定原则为：所述输入压缩数据反映的信息
覆盖原输入数据反映的信息的85％以上。
[0015] 可选的，所述输出压缩数据的个数小于等于4。
[0016] 可选的，所述先进制程控制技术还包括前馈控制。
[0017] 可选的，所述金属栅极还经历了研磨工艺；所述前馈控制的反馈参数为研磨工艺的工艺结果。
[0018] 可选的，所述先进制程控制技术还包括反馈控制。
[0019] 可选的，所述反馈控制的反馈参数为后一晶圆中金属栅极顶部表面各点对应的金属栅极实际厚度参数。
[0020] 可选的，获取所述预测模型的方法为试验设计。
[0021] 可选的，所述预测模型的输出参数还包括刻蚀气体流量参数、刻蚀压强参数或刻蚀功率参数中的一种或多种。
[0022] 可选的，采用光学特征尺寸测量设备测量所述金属栅极实际厚度参数。
[0023] 本发明还提供一种晶圆制造方法，包括：提供衬底，所述衬底表面形成有伪栅，所述伪栅一侧的衬底内形成有源掺杂区，与所述一侧相对的另一侧衬底内形成有漏掺杂区，在所述衬底表面还形成有层间介质层，所述层间介质层覆盖伪栅
侧壁表面，且所述层间介质层顶部与伪栅顶部表面；采用上述晶圆刻蚀的控制方法，刻蚀去除所述伪栅，在所述层间介质层中形成开口；形成填充满所述开口的金属膜，且所述金属膜还覆盖于层间介质层顶部表面以及硬掩膜层顶部表面；研磨去除高于层间介质层顶部表面的金属膜以及硬掩膜层，形成填充满所述开口的金属栅极。
[0024] 与现有技术相比，本发明的技术方案具有以下优点：
[0025] 本发明提供的晶圆刻蚀的控制方法的技术方案中，预测模型反映的是金属栅极各点的厚度参数与静电卡盘上各点的温度参数的对应关系，因此本发明更能实际反映出金属栅极各点的特征尺寸情况，根据金属栅极各点的特征尺寸情况，采用先进制程控制技术对静电卡盘上各点的温度参数进行修正优化，从而提高晶圆制造的良率和可靠性。
[0026] 进一步，本发明中的预测模型为神经网络模型，神经网络模型能够有效的逼近金属栅极顶部表面各点对应的厚度参数，通过精确的厚度参数对刻蚀伪栅的工艺进行调整，提高刻蚀伪栅工艺的可靠性，从而进一步提高形成的晶圆的良率和可靠性。
[0027] 更进一步，本发明中神经网络模型的输入数据和输出数据均为压缩数据，能够有效的简化神经网络模型的计算量。
[0028] 本发明还提供一种晶圆制造方法，采用上述提供的晶圆刻蚀的控制方法对伪栅进行刻蚀，能够提高形成的金属栅极的厚度均匀性，提高晶圆的生产良率和可靠性。
附图说明
[0029] 图1为本发明
实施例提供的晶圆刻蚀的控制方法的流程示意图；
[0030] 图2至图7为本发明实施例提供的晶圆
制造过程的剖面结构示意图；
[0031] 图8为本发明实施例提供的神经网络模型的示意图。
具体实施方式
[0032] 由背景技术可知，现有的晶圆生产良率低且可靠性低。
[0033] 通常的，晶圆制造过程中包括刻蚀去除伪栅(DPGR，Dummy Poly Gate Remove)、以及重新形成金属栅极的工艺步骤。在刻蚀去除伪栅的过程中，由于伪栅顶部表面各点位于刻蚀腔室的
位置不同，使得刻蚀腔室内的刻蚀条件对伪栅顶部表面各点的影响不一样，若刻蚀腔室内的静电卡盘各处的温度相同，那么伪栅顶部表面各点的刻蚀速率将出现较大区别。为此，在刻蚀去除伪栅的过程中，静电卡盘上各点的温度不同，相应的伪栅顶部表面各点所处的刻蚀温度也不同，从而消除刻蚀腔室内刻蚀条件对伪栅顶部表面各点的影响不同而带来的不良影响，使得刻蚀去除伪栅的刻蚀速率一致性好。
[0034] 经研究发现，现有的通过APC技术对刻蚀伪栅工艺进行控制的技术中，通过金属栅极厚度的均一性来反映刻蚀去除伪栅的刻蚀工艺的质量。且APC技术利用的预测模型(predicate model)的输出参数为金属栅极顶部各点对应的厚度参数的平均值。由此，当金属栅极顶部上各点对应的厚度参数差别较大但是平均值趋于金属栅极目标厚度时，实际上金属栅极顶部各点对应的特征尺寸均匀性(CDU，Critical Dimension Uniformity)差。由于预测模型反映的是平均
水平，因此当基于所述预测模型采用APC技术对刻蚀伪栅的工艺进行静电卡盘温度参数的优化时，会导致刻蚀伪栅工艺的可靠性差，进而降低晶圆的生产良率和可靠性。
[0035] 为此，本发明提供一种晶圆刻蚀的控制方法，提供金属栅极的目标厚度参数；获取预测模型，所述预测模型的输入参数包括金属栅极顶部表面若干个点对应的金属栅极厚度参数，所述预测模型的输出参数包括刻蚀伪栅时静电卡盘上若干点的温度参数，其中，每一金属栅极厚度参数与一温度参数一一对应；采集前一晶圆中金属栅极顶部表面若干点对应的金属栅极实际厚度参数；获取前一晶圆中金属栅极顶部表面各点对应的金属栅极实际厚度参数与目标厚度参数之差为第一差值；基于所述第一差值和所述预测模型，采用先进制程控制技术，优化刻蚀去除后一晶圆中伪栅的刻蚀过程中静电卡盘上各点的温度参数。本发明提高了对伪栅进行刻蚀的刻蚀均匀性，从而使得形成的金属栅极的厚度均匀性好，提高晶圆的生产良率和可靠性。
[0036] 本发明还提供一种晶圆制造方法，采用上述提供的晶圆刻蚀的控制方法刻蚀去除伪栅，使得伪栅被刻蚀去除的速率均匀，进而使得形成的金属栅极的厚度均匀性好，提高形成的晶圆的生产良率和可靠性。
[0037] 为使本发明的上述目的、特征和优点能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。
[0038] 图1为本发明实施例提供的晶圆刻蚀的控制方法的流程示意图；
[0039] 图2至图7为本发明实施例提供的晶圆制造过程的剖面结构示意图。
[0040] 参考图1，晶圆制造的工艺包括以下步骤：
[0041] 步骤S1：提供初始晶圆。具体的，参考图2，提供衬底100；所述衬底100表面形成有伪栅101；所述伪栅101一侧的衬底100内形成有源掺杂区，与所述一侧相对的另一侧衬底100内形成有漏掺杂区；在所述衬底100表面还形成有层间介质层102，所述层间介质层102覆盖伪栅101侧壁表面，且所述层间介质层102顶部与伪栅101顶部表面齐平。
[0042] 步骤S2：光刻工艺。具体的，参考图3，在所述层间介质层102顶部表面以及伪栅101顶部表面形成初始硬掩膜103；采用光刻工艺在所述初始硬掩膜层103表面形成
光刻胶层104，所述光刻胶层104定义出后续刻蚀伪栅101时需要被硬掩膜层覆盖的区域。
[0043] 步骤S3：形成硬掩膜层工艺。具体的，参考图4，以所述光刻胶层104(参考图3)为掩膜，刻蚀所述初始硬掩膜层103(参考图3)形成硬掩膜层105；采用湿法去胶或灰化工艺去除所述光刻胶层104。
[0044] 步骤S4、刻蚀去除伪栅工艺。具体的，参考图5，刻蚀去除所述伪栅101(参考图4)，在所述层间介质层102中形成开口106。
[0045] 所述刻蚀去除伪栅101的工艺在刻蚀腔室内进行，刻蚀腔室内具有静电卡盘，所述静电卡盘
吸附晶圆，且静电卡盘上各点的温度即对应为刻蚀去除伪栅101过程中各点的刻蚀温度。因此，静电卡盘上各点的温度与刻蚀去除伪栅101的刻蚀速率有关。
[0046] 步骤S5、形成金属膜工艺。具体的，参考图6，形成填充满所述开口106(参考图5)的金属膜107，且所述金属膜107还覆盖于层间介质层102顶部表面以及硬掩膜层105顶部表面。
[0047] 步骤S6、研磨金属膜形成金属栅极工艺。具体的，参考图7，研磨去除高于层间介质层102顶部表面的金属膜107(参考图6)以及硬掩膜层105(参考图6)，形成填充满所述开口106(参考图6)的金属栅极108。
[0048] 其中，在执行步骤S4时，采用本实施例提供的晶圆刻蚀的控制方法，刻蚀去除所述伪栅101，使得衬底100表面的伪栅101被同时刻蚀去除，进而使得金属栅极107厚度均匀性好。
[0049] 以下将对本实施例提供的晶圆刻蚀的控制方法进行详细说明。
[0050] 首先，获取预测模型。所述预测模型的输入参数包括金属栅极顶部表面若干个点对应的金属栅极厚度参数，所述预测模型的输出参数包括刻蚀去除晶圆中伪栅时静电卡盘上若干点的温度参数，其中，每一金属栅极厚度参数与一温度参数一一对应。
[0051] 每一金属栅极厚度参数与一温度参数一一对应指的是：晶圆吸附在静电卡盘上，在刻蚀去除伪栅的过程中，静电卡盘上各个点的温度与静电卡盘上方的伪栅各处被刻蚀的速率有关，静电卡盘上某一点的温度越高，则位于该点正上方的伪栅被刻蚀去除的速率越大，静电卡盘上某一点的温度越低，则位于该点正上方的伪栅被刻蚀去除的速率越小；因此，静电卡盘上各点的温度参数与伪栅被刻蚀去除的速率有关，而伪栅被刻蚀去除的速率与金属栅极顶部表面各点对应的金属栅极厚度参数有关，因此，静电卡盘上一点的温度参数与金属栅极顶部表面一点对应的金属栅极厚度参数有关，每一金属栅极厚度参数与一温度参数一一对应。
[0052] 具体的，所述预测模型为神经网络模型(neural network model)，所述神经网络模型为线性模型或非线性模型。所述神经网络模型反映静电卡盘温度与金属栅极厚度的对应关系，实际上，所述神经网络模型反映静电卡盘温度与刻蚀去除伪栅的刻蚀速率的对应关系。
[0053] 神经网络模型中，将刻蚀工艺中需要预测的变量作为输出的变量，即将静电卡盘各点的温度参数作为神经网络模型的输出参数。
[0054] 为了简化神经网络模型，减少神经网络模型的计算量，所述神经网络模型的输入参数为输入压缩数据，且所述输入压缩数据个数小于原输入数据个数，其中，所述原输入数据反映金属栅极顶部表面若干点对应的金属栅极厚度参数。所述神经网络模型的输出参数为输出压缩数据，所述输出压缩数据个数小于原输出数据个数，且输出压缩数据小于输入压缩数据，其中，所述原输出数据反映刻蚀伪栅时静电卡盘上若干点的温度参数。
[0055] 其中，采用主元分析(PCA，Principal Component Analysis)技术或者离散子波变换(DWT，Discrete Wavelet)技术，将原输入数据压缩为输入压缩数据，即通过压缩输入数据减少神经网络模型的输入量，从而简化神经网络模型的计算量。本实施例中，所述原输入数据为40至200个，即选择金属栅极中40至200个点对应的金属栅极的厚度参数，例如能够为50、70或100个，从而全面反映金属栅极的厚度参数情况，由此，根据这些点的厚度参数能够对静电卡盘上各点的温度参数进行精确的调整，从而提高刻蚀伪栅工艺的可靠性。
[0056] 本实施例中，所述输入压缩数据个数的确定原则为：所述输入压缩数据反映的信息覆盖原输入数据反映的信息的85％以上。即，选取的输入压缩数据能够反映出金属栅极顶部表面若干点的厚度参数的情况的85％以上。
[0057] 采用逆主元分析(Inverse PCA)技术或逆离散小波变换(Inverse DWT)技术，将输出压缩数据解压为原输出数据。所述输出压缩数据的个数小于等于4，本实施例中，所述输出压缩数据的个数为2。
[0058] 具体的，参考图8，图8为神经网络模型的示意图，神经网络模型包括
输入层(Input Layer)、
隐藏层(Hidden Layer)和
输出层(Output Layer)，向所述输入层写入输入压缩数据(x1、x2……xn)，通过隐藏层中的多个节点(Q1、Q2……Qn)的运算，获得输出层，输出层为输出压缩数据(Y1、Y2)，本实施例以输出压缩数据个数为2个作为示例。本实施例中，所述隐藏层为一层，在其他实施例中，为了更好的反应金属栅极若干点的厚度参数，所述隐藏层也能够为多层。
[0059] 本实施例中，获取所述神经网络模型的方法为试验设计(DOE，Design of Experiments)，采用DOE方法对神经网络模型进行训练，使得神经网络模型有效的逼近金属栅极上各点的厚度参数，从而获得神经网络模型中的系数(W12、W1n、W21、W22、W2n……Wn1、Wn2、Wnn)，即确定神经网络模型。作为输入的DOE数据包括金属栅极各点的厚度参数，作为输出的DOE数据包括静电卡盘各点的温度参数，作为输出的DOE参数还可以包括其他能够影响刻蚀伪栅的刻蚀速率的工艺参数，例如，刻蚀伪栅的刻蚀气体流量、刻蚀腔室压强或刻蚀工艺等。
[0060] 本实施例中，为了提高预测模型的准确性，所述预测模型的输出参数还能够包括刻蚀气体流量参数、刻蚀气体组成、刻蚀压强参数或刻蚀功率参数中的一种或多种。
[0061] 在获取了预测模型之后，采用先进制程控制技术，对单片晶圆内(within wafer)、一片晶圆对一片晶圆(wafer-to-wafer)或者一批晶圆对一批晶圆(lot-to-lot)进行先进制程控制技术，提高晶圆的生产良率和可靠性。
[0062] 本实施例中，所述先进制程控制技术采用检测控制(Run-to-Run Control)方法。预先提供金属栅极的目标厚度参数。
[0063] 参考图1，在执行步骤S1之前，首先执行步骤S0，采集前一晶圆中金属栅极顶部表面若干点对应的金属栅极实际厚度参数，在这一步骤中进行
数据采集。其中，前一晶圆能够为一片晶圆或一批晶圆。
[0064] 本实施例中，采用光学特征尺寸(OCD，Optical Critical Dimension)测量设备测量所述金属栅极实际厚度参数。
[0065] 然后进行数据比对，即获取前一晶圆中金属栅极顶部表面各点对应的金属栅极实际厚度参数与目标厚度参数之间的第一差值。
[0066] 基于所述第一差值和所述预测模型，采用先进制程控制技术，优化刻蚀去除后一晶圆中伪栅时静电卡盘上各点的温度参数。
[0067] 最后，采用所述优化的温度参数刻蚀去除所述后一晶圆中的伪栅，然后在后一晶圆中形成金属栅极，后一晶圆中金属栅极顶部表面各点对应的金属栅极实际厚度参数与目标厚度参数之差为第二差值，且所述第二差值小于第一差值。
[0068] 由于本实施例中，所述预测模型反映的是金属栅极各点的厚度参数与静电卡盘上各点的温度参数的对应关系，因此本实施例中更能实际反映出金属栅极各点的特征尺寸情况，根据金属栅极各点的特征尺寸情况进行修正优化静电卡盘上各点的温度参数，从而提高晶圆制造的良率和可靠性。
[0069] 在利用先进制程控制技术优化静电卡盘上各点的温度参数的过程中，所述先进制程控制技术还包括前馈控制或反馈控制，从而进一步提高先进制程控制技术的准确性，进一步提高刻蚀伪栅工艺的可靠性。
[0070] 本实施例中，所述先进制程控制技术还包括前馈控制(Feedforward Control)。由于金属栅极还经历了研磨工艺，例如为化学机械研磨，因此所述前馈控制的反馈参数为研磨工艺的工艺结果。由于研磨工艺的工艺结果也会对金属栅极上各点的厚度参数产生影响，而本实施例中的先进制程控制技术考虑研磨工艺对金属栅极上各点的厚度参数的影响，使得形成的金属栅极各点的厚度参数更有效的逼近目标厚度参数。
[0071] 本实施例中，所述先进制程控制技术还包括反馈控制(Feedback Control)，所述反馈控制的反馈参数为后一晶圆中金属栅极顶部表面各点对应的金属栅极实际厚度参数。
[0072] 在一个实施例中，晶圆刻蚀的控制方法能够应用到一片晶圆对一片晶圆的先进制程控制技术中。例如，先对一晶圆的伪栅进行刻蚀然后形成金属栅极，基于所述晶圆的金属栅极实际厚度参数以及预测模型，采用先进制程控制技术，优化刻蚀去除伪栅的刻蚀过程中静电卡盘上各点的温度参数，然后对同一批次的晶圆进行刻蚀。
[0073] 在另一实施例中，晶圆刻蚀的控制方法能够应用到一批晶圆对一批晶圆的先进制程控制技术中。例如，先对同一批次的晶圆进行刻蚀然后形成金属栅极，基于所述批次的晶圆的金属栅极厚度参数以及预测模型，采用先进制程控制技术，优化刻蚀去除伪栅的刻蚀过程中静电卡盘上各点的温度参数，然后对下一批次的晶圆进行刻蚀。
[0074] 由于本实施例中，所述预测模型反映的是金属栅极各点的厚度参数与静电卡盘上各点的温度参数的对应关系，因此本实施例中更能实际反映出金属栅极各点的特征尺寸情况，根据金属栅极各点的特征尺寸情况进行修正优化静电卡盘上各点的温度参数，从而提高晶圆制造的良率和可靠性。
[0075] 并且，本实施例中的预测模型为神经网络模型，神经网络模型能够有效的逼近金属栅极顶部表面各点对应的厚度参数，通过精确的厚度参数对刻蚀伪栅的工艺进行调整，提高刻蚀伪栅工艺的可靠性，从而进一步提高形成的晶圆的良率和可靠性。
[0076] 同时，本实施例中神经网络模型的输入数据和输出数据均为压缩数据，能够有效的简化神经网络模型的计算量。
[0077] 最后，本发明中的晶圆刻蚀的控制方法中还包括前馈控制和反馈控制，从而进一步提高先进制程控制技术的准确性，进一步提高刻蚀伪栅工艺的可靠性。
[0078] 虽然本发明披露如上，但本发明并非限定于此。任何本领域技术人员，在不脱离本发明的精神和范围内，均可作各种更动与
修改，因此本发明的保护范围应当以
权利要求所限定的范围为准。
