CVD/PVD薄膜沉积：AI膜厚均匀性预测实践

CVD/PVD薄膜沉积：AI膜厚均匀性预测实践

迈烁集芯（上海）科技有限公司 | 技术博客 | 2026年3月

薄膜沉积是半导体制造的基础工艺，无论是CVD（化学气相沉积）的介质膜、还是PVD（物理气相沉积）的金属阻挡层，膜厚均匀性都是影响后续工艺和器件性能的关键指标。本文介绍如何利用AI技术对CVD/PVD工艺的膜厚进行在线预测和漂移补偿，从工程实践角度分享建模方法、特征选取和部署经验。

一、膜厚均匀性控制的现实困难

1.1 多参数耦合

薄膜沉积的膜厚分布受多个工艺参数的耦合影响：

• CVD工艺：反应温度（多区加热器设定）、腔体压力、前驱体流量及配比、载气流量、等离子体功率（PECVD）、Shower Head与晶圆的间距。
• PVD工艺：DC/RF溅射功率、Ar气流量及压力、基板温度、靶材到基板距离（T-S Distance）、磁控管配置。

这些参数之间存在复杂的交互效应。例如，在PECVD SiO₂沉积中，提高RF功率可增加沉积速率，但同时会改变等离子体的空间分布，导致Center-to-Edge的膜厚差异变化。工程师很难仅凭经验把握所有参数的交互关系。

1.2 长期漂移

薄膜沉积设备的特性会发生缓慢漂移：

• CVD：Shower Head的微孔堵塞（前驱体分解产物沉积）、加热器功率衰减、腔体内壁沉积膜的累积（影响热辐射特性和颗粒水平）。
• PVD：靶材刻蚀沟槽（Target Erosion Track）的深度变化导致溅射角分布改变、磁控管磁场衰减。

这些漂移通常在数百片到数千片的尺度上发生，量测数据的反馈周期往往跟不上漂移速度。

1.3 量测成本与周期

膜厚量测（椭偏仪、XRF、四探针）通常是离线操作，量测点位有限（通常9-49点），无法获得全晶圆的完整膜厚Map。特殊膜层（如高k介质、超薄ALD膜）的量测更加耗时，每片可达10-15分钟。

二、AI膜厚预测的建模方法

2.1 建模框架

CVD/PVD膜厚预测的AI建模框架分为三层：

1. 工艺参数层（静态特征）：Recipe设定值——温度、压力、功率、流量等。这些是工程师设定的目标值。
2. 设备状态层（动态特征）：传感器实测值与设定值的偏差、设备累计使用状态（靶材寿命、Shower Head使用片数、加热器校准系数等）。这些特征捕捉设备的实际工作状态与理想状态之间的差异。
3. 时序过程层（波形特征）：沉积过程中温度、压力、功率的时序曲线。尤其是升温阶段的温度过冲、稳态阶段的压力波动等瞬态特征，与膜厚分布有强相关性。

2.2 模型架构选择

根据预测目标的不同，推荐以下模型架构：

平均膜厚预测：使用GBDT（如LightGBM）即可达到较高精度。输入为结构化的静态+动态特征，模型训练快、可解释性强。典型精度：MAPE < 1%。

膜厚均匀性预测（Within-Wafer Uniformity）：需要预测晶圆面内多个位置的膜厚值，本质上是一个多输出回归问题。推荐使用多任务学习（Multi-Task Learning）框架：底层共享特征提取网络，顶层为每个量测位置设置独立的输出头。这种架构可以利用不同位置之间的空间相关性，提升整体预测精度。

膜厚Map预测（全晶圆分布重建）：如果需要预测完整的膜厚分布Map（例如用于前馈到CMP工序），可以使用CNN-based方法。将少量量测点的数据作为约束条件，结合设备参数预测完整的2D分布。

2.3 在线漂移补偿

沉积设备的长期漂移是膜厚预测精度的最大威胁。我们采用以下策略实现在线漂移补偿：

• 滑动窗口更新：维护最近N片（通常N=50-200）的量测数据，定期（如每天或每50片）对模型进行增量学习，使模型持续跟踪设备状态变化。
• 漂移检测：利用Page-Hinkley检测或CUSUM算法监控预测残差的均值偏移。一旦检测到显著漂移（如PM后的突变），自动触发模型的快速适应机制。
• 分段建模：以PM事件为分割点，将数据划分为不同的设备状态段。每段内部使用局部模型，段与段之间通过迁移学习共享知识。这种方法特别适合PVD靶材更换后的快速模型适配。

三、工程实践案例

某8英寸晶圆厂在PECVD SiN_x薄膜沉积工序的AI膜厚预测实践：

工艺背景：PECVD SiN_x作为钝化层，膜厚目标值3000Å，均匀性要求 ≤ 2%（1σ，49点）。设备为双腔体配置，每日产能约300片。

数据准备：采集6个月历史数据，包含约45,000片晶圆的设备传感器数据（200+通道，1Hz采样）和对应的膜厚量测数据（抽检率约15%，约6,750片有量测值）。

模型结果：

部署收益：

• 膜厚虚拟全检覆盖，量测抽检率从15%降至5%（仅用于模型校准），每月节省量测机台约120小时。
• 发现并修正了两个腔体之间的系统性膜厚偏差（约45Å），此前因抽检频率不足未被察觉。
• 新Recipe开发阶段，利用AI模型进行参数寻优，试片量减少约60%。

四、CVD与PVD的建模差异

虽然AI建模的基本框架相似，但CVD和PVD工艺在实践中存在一些重要差异：

• 特征重要性不同：CVD中温度和流量是最关键的特征，PVD中功率和压力的权重更高。
• 漂移模式不同：CVD的漂移通常较为平缓（Shower Head堵塞是渐进过程），PVD的靶材消耗导致的漂移更加显著且非线性。
• 数据质量差异：PVD过程通常较短（几十秒到几分钟），时序特征的信息密度低于CVD过程（几分钟到十几分钟），需要更精细的特征工程。

五、总结

CVD/PVD膜厚均匀性的AI预测已经从学术研究走向工程落地。关键成功因素包括：完善的数据采集基础设施（EDA）、合理的特征工程（融合静态参数与时序波形）、以及有效的在线漂移补偿机制。对于计划引入AI膜厚预测的工厂，建议从单一工序的平均膜厚预测起步，逐步扩展到均匀性预测和全晶圆Map预测。