面向半导体等离子体刻蚀的自适应学习策略：基于对比熵条件腔室适配的实时端点检测新方法

《JOURNAL OF INTELLIGENT MANUFACTURING》：Adaptive learning strategies for addressing chamber variations in real-time endpoint detection of semiconductor plasma etching

本研究针对半导体等离子体刻蚀过程中因腔室变异导致的端点检测(EPD)模型泛化能力下降问题，提出了对比熵条件腔室适配(CECCA)框架。通过集成对抗学习、熵条件加权和对比学习策略，该方案在无靶腔室标签数据条件下实现了跨腔室的稳健端点检测。实验结果表明，CECCA框架在不同适配场景下均能显著提升EPD性能，且基于Wasserstein距离的源腔室选择算法可进一步优化适配效果。

　　

随着半导体技术向更精细的电路设计发展，制造过程的精确监控变得至关重要。等离子体刻蚀作为定义集成电路图案的关键工艺，其端点检测(EPD)的准确性直接影响器件性能。然而，当晶圆开口面积减小、电路设计愈加复杂时，光学发射光谱(OES)数据易受射频脉冲影响产生剧烈振荡，导致信噪比(SNR)显著降低。更严峻的挑战来自等离子体腔室间的变异——尽管采用相同工艺参数，不同腔室因硬件差异和长期等离子体暴露产生的物理变化，会导致OES数据分布出现协变量偏移(covariate shift)。这种分布差异使得基于机器学习EPD模型在新腔室上表现急剧下降，而通过破坏性晶圆切割获取真实端点标签的高成本又限制了传统监督学习方法的规模化应用。

针对这一工业痛点，韩国首尔大学与三星电子联合研究团队在《Journal of Intelligent Manufacturing》发表了一项创新研究，提出了一种名为对比熵条件腔室适配(CECCA)的新型框架。该研究核心目标是解决在无靶腔室标签数据条件下，实现跨腔室稳健端点检测的挑战。研究团队通过对抗学习机制对齐源腔室与靶腔室的潜在表示域，同时引入熵条件加权策略优先选择高可迁移性数据样本，并采用对比学习保持靶腔室固有特征，最终构建出具有腔室不变性的EPD模型。

关键技术方法主要包括：首先开发基于Transformer的EPD模型，利用自注意力机制增强时间序列OES数据分析能力；其次采用相关性波长选择算法，从1024个波长波段中筛选出与端点相关的关键波长；最后通过Wasserstein距离度量实现最优源腔室选择，并设计实时端点决策更新算法避免误报。

相关性波长选择

研究采用基于sigmoid函数相关性的波长选择策略，通过计算各波长与在真实端点处呈现陡峭上升的sigmoid函数之间的Pearson相关性，筛选出在多个晶圆数据中共同出现的高相关性波长波段。该方法在低信噪比条件下显著优于基于主成分分析(PCA)和先验知识的选择方法，为后续模型训练提供了高质量输入特征。

腔室适配框架

CECCA框架包含三个并行优化组件：基于源腔室标签的EPD损失函数确保基础检测性能；熵条件对抗学习通过梯度反转层(GRL)实现域不变特征学习，其中熵加权函数ω(H(g))=1+e^-H(g)赋予低不确定性样本更高权重；对比学习模块通过信息最大化原则保持靶腔室特征与其原始输入数据的互信息，避免特征表示过度偏向源域。

源腔室选择策略

通过分析八种实际腔室数据的Wasserstein距离矩阵，研究发现选择数据分布最接近靶腔室的源腔室能显著提升适配效果。与跨设备(inter-equip.)和同设备内(intra-equip.)选择策略相比，基于Wasserstein距离的最近腔室(nearest C/B)选择策略在多数测试案例中实现最高EPD性能，其对比损失下降幅度更大表明域对齐难度更低。

实时端点检测

研究设计了包含建议更新机制的实时EPD算法：当模型输出从0类(端点前)跃迁至1类(端点后)时，持续观测后续δ时间窗内的分类结果。若持续为1类则确认端点，否则丢弃当前建议并等待下一次跃迁。该机制有效避免了因噪声引起的误报，δ值设定在5秒内可控制在工业可接受的过刻蚀范围内。

实验结果表明，CECCA框架在三种适配场景下均显著优于传统方法。在"最近腔室"场景中，其决定系数R²平均值达到0.68，较无适配的ERM方法提升约80%。潜在空间可视化分析进一步证实，CECCA成功实现了源域与靶域特征的充分混合，而对比学习模块使靶腔室特征更接近其原始输入分布。消融实验表明，熵条件加权和对比学习分别贡献了约15%和12%的性能提升。

该研究的创新价值在于首次从数据角度而非设备层面解决了等离子体刻蚀中的腔室变异问题，为半导体制造提供了高性价比的解决方案。提出的CECCA框架不仅适用于历史数据充足的腔室间知识迁移，更能针对无历史数据的新腔室进行实时适配，极大降低了EPD模型部署对标注数据的依赖。未来研究方向包括扩展至多腔室域适配设置，以及探索在训练阶段完全不需要靶腔室数据的域泛化方法。