Prediction and Analysis of Film Stress and Warpage based on Machine Learning

摘要

於半導體薄膜製程中，為達成製程目標會經歷反覆的溫度變化，過程中會因上下材料性質的差異形成熱應力且變形，而過大的薄膜應力和變形狀況均有可能產生破壞、缺陷，影響後續的製程導致良率降低，因此為量測此兩種物理量，會透過光學的方式量測晶圓的翹曲或平均曲率半徑得知變形情形，再以Stoney Equation換算出薄膜應力，然而製程中必定經過複雜的變化，過程中包含多項製程參數、材料性質、幾何參數、離散薄膜等等的綜合效應，使的基本的Stoney Equation無法適用，雖有人針對特定的案例推導其對應的半解析解，但在綜合的情形下半解析解的推導亦有其極限。因此，本文將透過有限元素數值模擬建立對應的大數據，並以此數據集做為神經網路模型的訓練，訓練成?的神經網路模型能用來預測計算薄膜應力或晶圓的翹曲、曲率半徑。本研究亦提出以區域曲率半徑計算晶圓整體變形樣貌的演算法，且此演算法於連續、離散薄膜的情形下均可適用，以神經網路模型計算預測區域的曲率半徑，再透過演算法計算，即可得到整體晶圓的變形樣貌狀態。並整合神經網路模型和曲面建構演算法於使用者圖形介面，達成讓使用者輸入參數後，經由神經網路運算出所要的薄膜應力並以演算法繪製出晶圓變形狀態。綜合以上，可達到於複雜模型情形下獲取薄膜應力和製程後的晶圓變形狀況的目的，並期望本文提出之研究方法未來能擴展至其他相似案例中使用。

獎項日期	2020
原文	English
監督員	Kuo-Shen Chen (Supervisor)