晶體缺陷易因表面汙染引起
磊晶層內的晶體缺陷可能因為表面污染(例如氧)而引起，這會導致磊晶層/底基層質界面處形成SiOx區域。在含SiOx的區域內成核的晶體缺陷可以導致缺陷處局部的原子級別的表面粗糙度增高，因而形成更高的Haze，這與磊晶品質相關聯。
本研究目的是開發一種用於測量圖案晶圓上磊晶層品質的光學技術。本文首先介紹為無圖案底基層開發的光學檢測技術，該技術可以預測每個磊晶層的品質並且具可重複性。這是一種利用寬頻電漿檢測系統上所收集的背景雜訊的機器學習方法，接下來會描述如何將該技術擴展用於圖案晶圓的磊晶層。
圖1顯示了針對不同的預烤和清洗條件的無圖案層並採用Surfscan Haze、SIMS、Secco蝕刻和AFM所獲得的缺陷密度的結果。不同測量技術的結果相互關聯性良好。隨後，在無預烤、750℃預烤以及850℃預烤的dHF清洗的底基板上沉積了一系列厚度不同的磊晶層，達到不同差排密度條件。這些在之後所沉積磊晶層的Secco蝕刻資料顯示，850℃、750℃和無預烤的條件下，可重複測量的缺陷密度分別為<102、4×104和4×105/cm2。本文針對這些之後所沉積的磊晶層來開發具有機器學習功能的光學技術。
寬頻電漿光學檢測效率更高
本研究最初專注於開發使用寬頻電漿(KLA 29xx)光學缺陷檢測系統的技術，可以擴展用於圖案化晶圓，因為與傳統的Haze量測技術不同，首先採用無圖案晶圓並將其檢測結果與其他標準量測方法的結果比較(如SIMS、Secco蝕刻、AFM和Haze量測)，以證實新技術的可行性。
在無預烤、650℃和850℃預烤後沉積的一組磊晶層上隨機的位子選取背景訊號，這些磊晶層上的差排密度範圍很大(從小於100到4×105缺陷/cm2的範圍)。機器學習算法(iDO 2.0)被用來確定模型中最重要的缺陷特性(圖2)。在第一組隨機位置上對模型進行訓練後，另取第一組晶圓上的其他隨機位置來驗證模型的可行性。圖3~5顯示出在不同的預烤溫度下生長的磊晶層品質是非常容易區分的。在無圖案晶圓上採用同一個模型也得到了相同的結果。
圖2顯示了iDO2.0的分類。在該圖中，背景訊號被分類為「1」，而重要缺陷(DOI)則被分到各自的預烤溫度的分組中，其中「100」分類是指無預烤的條件。iDO2.0演算法可以根據缺陷特性自動分類組合。
圖3顯示對高密度缺陷(無預烤)無圖案磊晶層iDO2.0分析的示例，其中機器學習演算法預計超過85%的缺陷總數是屬於無預烤組的。圖4顯示了650℃預烤的樣本，就晶體品質而言它們更接近於無預烤的樣品而不是850℃的樣本。圖5顯示了在850℃的溫度預烤樣品的分類準確度為99%。這項技術與機器學習演算法(iDO2.0)結合，可在各種缺陷密度範圍內準確預測磊晶無圖案層的晶體品質。
接下來，將三種類型的磊晶層–未摻雜矽(與無圖案晶圓研究的條件相同)、Si:P和Si0.8Ge0.2沉積在圖案化晶圓上。每種類型的薄層仍然採用同樣的三種預烤條件。然後如圖6所示，使用與無圖案晶圓相同的測量方法，在劃片槽上的100微米大小的接點上對每組晶圓進行測量。另外，圖6也顯示了一個晶圓圖的示例，其中兩個晶片用作iDO2.0訓練組，其餘的晶片用作驗證組。
正如預期，每個薄層類型都需要一個獨特的機器學習iDO2.0。同樣，對於圖案晶圓，要求具有90nm像素大小的超深頻ECP模式(基於灰階直方圖)，並使用光感器測量光強度，保持照明強度進而在不同預烤溫度的薄層之間獲得足夠的分辨率。該技術也能可重複地發現這些結構中的不同缺陷數量，也可以進行缺陷密度的測量，並在製造環境中實現磊晶品質的即時監控。
總結來說，本研究已經開發出一種快速的光學技術，可以在無圖案和圖案晶圓上針對廣泛的晶體品質可重複地發現磊晶摻雜和未摻雜矽和SiGe層的缺陷密度。接下來，將研究該技術在圖案化晶圓的SRAM區域中獲得相似結果的能力，該技術可以使產線上光學測量自動化，以在製造環境中實現磊晶品質的即時監控。
(本文作者Shravan Matham, Curtis Durfee, Brock Mendoza, Devendra K Sadana, Stephen W Bedell, John Gaudiello, Sean Teehan皆任職於IBM Research；HeungSoo Choi, Ankit Jain, Martin Plihal皆任職於KLA Corporation；此篇文章原發佈在ASMC 2017)
