《Materials Science and Engineering: R: Reports》：Machine learning enhanced real-time temperature measurement for millisecond-scale plasma processing using optical-interference contactless thermometry (OICT)
编辑推荐：
摘要：实时晶圆温度测量在等离子体工艺中对实现反馈控制及提升工艺重复性至关重要。在等离子体环境中准确测量晶圆表面温度仍具挑战性，尤其对于会引发显著晶圆厚度方向温度梯度的毫秒级工艺。研究人员开发了光干涉非接触测温(optical-interference cont
摘要：实时晶圆温度测量在等离子体工艺中对实现反馈控制及提升工艺重复性至关重要。在等离子体环境中准确测量晶圆表面温度仍具挑战性，尤其对于会引发显著晶圆厚度方向温度梯度的毫秒级工艺。研究人员开发了光干涉非接触测温(optical-interference contactless thermometry, OICT)技术，用于测量等离子体工艺期间晶圆表面及内部的瞬态温度分布。本研究提出一种基于机器学习(machine learning, ML)的新型OICT分析方法，以实现宽工艺条件下的实时温度测量。采用间接ML建模策略，利用晶圆周向光学厚度与温度–深度分布之间的基础物理关系。该ML框架可预测晶圆内部任意深度及工艺任意时刻的温度。通过对多种ML模型的综合比较，确定多层感知器(multilayer perceptron, MLP)为OICT最理想的模型。经仿真训练后，MLP模型对仿真数据的平均预测温度误差小于0.1 K，最大误差低于1 K。利用常压热等离子体射流(thermal plasma jet, TPJ)进行的实验验证表明，所提出的ML预测方法可在100–1500 mm/s的宽扫描速度范围内实现实时温度测量，分析时间为0.2–0.6 s。该方法有效复现OICT手动拟合的温度分析结果，在表面温度达到峰值时整个晶圆深度方向上的温差保持在1.6 K以内。
论文解读：机器学习增强光干涉非接触测温(OICT)用于毫秒级等离子体工艺实时温度测量
本文由Jiawen Yu、Hiroaki Hanafusa及Seiichiro Higashi（广岛大学先端科学与工程学院）完成，发表于Materials Science and Engineering: R: Reports。
一、研究背景与意义
等离子体工艺（刻蚀、薄膜沉积、热退火）在半导体制造中至关重要，晶圆表面温度的精确控制直接影响刻蚀/沉积速率及整体工艺质量。然而，在毫秒级工艺（如超快热退火、脉冲等离子体处理）中，晶圆厚度方向存在显著温度梯度，且强等离子体辐射干扰使传统测温手段受限：热电偶(thermocouple, TC)为接触式、响应慢且只能测背面温度；红外(infrared, IR)辐射温度计易受等离子体辐射干扰且对低发射率材料测量困难；现有干涉测温技术多假设沿厚度方向温度均匀，不适用于毫秒级非均匀加热。研究人员此前开发的光干涉非接触测温(optical-interference contactless thermometry, OICT)可通过背面反射干涉条纹提取瞬态内部温度分布，但其常规手动拟合(manual-fitting)法耗时无法实时分析，数据库检索(database-search)法泛化能力差且需大量独立数据库。为此，研究人员将机器学习(machine learning, ML)引入OICT分析，旨在建立高精度、快速、适用于宽工况的实时温度测量方法。
二、主要关键技术方法
研究人员采用仿真数据驱动与实验验证相结合的策略：(1)建立三维有限差分热传导模型耦合多光束反射干涉分析，模拟热等离子体射流(thermal plasma jet, TPJ)退火下SiC晶圆瞬态温度场及对应光学厚度与反射率变化，生成5046组训练样本与560组验证样本；(2)将测得的反射率振荡通过条纹分析法转换为光学厚度变化，提取加热起止点(tmax, optmax)与预测时刻(tpred, optpred)作为ML输入特征，以互补误差函数(erfc)拟合的温度–深度剖面参数{Tmax, delta_T, coe_Z}为输出目标进行间接逐点回归建模；(3)对比多层感知器(multilayer perceptron, MLP)、极端梯度提升(eXtreme Gradient Boosting, XGBoost)、轻量梯度提升机(Light Gradient Boosting Machine, LightGBM)及多项式回归(polynomial regression, Poly)四种模型性能；(4)在n型4H-SiC晶圆(厚350 μm)上开展TPJ退火实验(扫描速度100–1500 mm/s，功率650–1200 W)，同步进行OICT背面测量，以手动拟合结果为基准验证ML预测效果。
三、研究结果
3.1. Simulation validation（仿真验证）
研究人员用验证数据集对比四种回归模型的平均预测温度误差(mean prediction temperature error, MPTE)与最大预测温度误差(maximum prediction temperature error, MaxPTE)。结果表明：MLP与XGBoost平均MPTE均低于0.1 K，但MLP的MPTE分布更窄、稳定性更好；MLP在所有加热条件下MaxPTE均控制在1 K以内，而XGBoost、LightGBM和Poly模型偶发超过10 K的大偏差。树模型在参数空间边界（低扫描速度、高输入功率、训练样本稀疏区）预测变差，多项式回归因高阶项在定义域边缘放大灵敏度导致误差增大，MLP凭借强非线性建模能力与光滑连续输出在稀疏边界区域亦保持稳健预测。训练虽耗时约40分钟但是离线一次性完成。代表性算例显示MLP能准确重构任意时刻表面/背面瞬态温度曲线及任意深度温度–深度剖面。故MLP被选为OICT最优分析模型。
3.2. Experimental validation（实验验证）
研究人员将实验测得的反射率振荡经条纹分析提取光学厚度变化，输入训练好的MLP模型预测温度分布，并与手动拟合结果对比。瞬态表面与背面温度曲线吻合良好；冷却阶段ML预测曲线出现微小局部波动，溯源为实际冷却期面内热流不均导致激光光斑内空间非均匀性被光电二极管空间积分记录所致，属实验观测效应而非ML预测误差。重点关注表面峰值温度时刻的晶圆深度方向温度剖面，ML预测与手动拟合全深度温差≤1 K；多组工况统计显示平均温差<1 K，最大温差≤1.6 K且无随扫描速度或功率的系统依赖趋势。分析时间随信号长度变化：扫描速度100 mm/s时总分析时间0.6 s（特征提取0.5 s + MLP预测0.1 s），1500 mm/s时降至0.2 s（0.15 s + 0.06 s），均短于TPJ相邻扫描间隔（~3 s），满足实时要求。相较已报道数据库检索法，ML预测法用更少训练样本覆盖更宽扫描速度范围(100–1500 mm/s vs 单点500 mm/s)，精度相当或更优，泛化能力显著增强。该逐点架构可扩展至高速相机像素级分析以实现实时三维温度绘图。
四、讨论与结论翻译
本研究将ML集成入OICT以促进TPJ退火宽工况下的实时温度测量。采用基于光学厚度与温度–深度分布基础物理关系的间接ML建模策略：将SiC晶圆反射率振荡转为光学厚度变化，训练ML模型逐时间点预测以获得瞬态温度–深度剖面，可实现晶圆任意深度及TPJ退火任意时刻温度重构。经仿真训练对比MLP、XGBoost、LightGBM及Poly模型，MLP因强非线性建模能力与光滑连续输出即使在参数空间稀疏采样区亦保持高预测精度，最适于OICT温度分析。仿真验证中训练后MLP平均预测误差低于0.1 K，最大误差在1 K内。实验验证中ML预测方法有效复现传统OICT手动拟合分析结果，各TPJ加热条件下表面温度峰值时全晶圆深度温差在1.6 K内。基于ML预测方法以0.1 ms时间分辨率实现实时测量，总分析时间依TPJ扫描速度0.2–0.6 s。相比已报道实时OICT测量用数据库检索法，ML预测法在相当精度与分析速度下显著提升普适性，可在更宽加热条件范围准确分析温度。此ML增强OICT有望为下一代半导体制造中等离子体工艺的实时温度监控与控制提供有力工具。
