CN113329845A - 信息处理系统、信息处理方法、程序以及基板处理装置 - Google Patents
信息处理系统、信息处理方法、程序以及基板处理装置 Download PDFInfo
- Publication number
- CN113329845A CN113329845A CN201980090127.8A CN201980090127A CN113329845A CN 113329845 A CN113329845 A CN 113329845A CN 201980090127 A CN201980090127 A CN 201980090127A CN 113329845 A CN113329845 A CN 113329845A
- Authority
- CN
- China
- Prior art keywords
- parameter
- values
- learning
- substrate processing
- processing apparatus
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 239000000758 substrate Substances 0.000 title claims abstract description 99
- 238000012545 processing Methods 0.000 title claims abstract description 95
- 230000010365 information processing Effects 0.000 title claims description 61
- 238000003672 processing method Methods 0.000 title claims description 7
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 143
- 238000012795 verification Methods 0.000 claims abstract description 39
- 238000000605 extraction Methods 0.000 claims abstract description 23
- 238000000034 method Methods 0.000 claims description 14
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 230000008030 elimination Effects 0.000 claims description 8
- 238000003379 elimination reaction Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 8
- 238000005498 polishing Methods 0.000 description 51
- 238000003860 storage Methods 0.000 description 46
- 235000012431 wafers Nutrition 0.000 description 40
- 238000010586 diagram Methods 0.000 description 16
- 238000004140 cleaning Methods 0.000 description 12
- 239000000463 material Substances 0.000 description 12
- 239000002002 slurry Substances 0.000 description 12
- 238000009826 distribution Methods 0.000 description 9
- 239000007788 liquid Substances 0.000 description 9
- 239000000126 substance Substances 0.000 description 9
- 238000004519 manufacturing process Methods 0.000 description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 8
- 238000000227 grinding Methods 0.000 description 7
- 238000001035 drying Methods 0.000 description 5
- 230000007717 exclusion Effects 0.000 description 5
- 238000007689 inspection Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 238000003825 pressing Methods 0.000 description 5
- 239000004065 semiconductor Substances 0.000 description 5
- 230000003746 surface roughness Effects 0.000 description 5
- 230000005856 abnormality Effects 0.000 description 4
- 230000006835 compression Effects 0.000 description 4
- 238000007906 compression Methods 0.000 description 4
- 238000010219 correlation analysis Methods 0.000 description 4
- 230000000704 physical effect Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000003750 conditioning effect Effects 0.000 description 3
- 239000000470 constituent Substances 0.000 description 3
- 239000012530 fluid Substances 0.000 description 3
- 239000006061 abrasive grain Substances 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 239000012528 membrane Substances 0.000 description 2
- 238000002156 mixing Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 230000035515 penetration Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 239000003082 abrasive agent Substances 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000000356 contaminant Substances 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000011068 loading method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007517 polishing process Methods 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 230000036316 preload Effects 0.000 description 1
- 238000011165 process development Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
- H01L21/02—Manufacture or treatment of semiconductor devices or of parts thereof
- H01L21/04—Manufacture or treatment of semiconductor devices or of parts thereof the devices having potential barriers, e.g. a PN junction, depletion layer or carrier concentration layer
- H01L21/18—Manufacture or treatment of semiconductor devices or of parts thereof the devices having potential barriers, e.g. a PN junction, depletion layer or carrier concentration layer the devices having semiconductor bodies comprising elements of Group IV of the Periodic Table or AIIIBV compounds with or without impurities, e.g. doping materials
- H01L21/30—Treatment of semiconductor bodies using processes or apparatus not provided for in groups H01L21/20 - H01L21/26
- H01L21/302—Treatment of semiconductor bodies using processes or apparatus not provided for in groups H01L21/20 - H01L21/26 to change their surface-physical characteristics or shape, e.g. etching, polishing, cutting
- H01L21/306—Chemical or electrical treatment, e.g. electrolytic etching
- H01L21/30625—With simultaneous mechanical treatment, e.g. mechanico-chemical polishing
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B24—GRINDING; POLISHING
- B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
- B24B37/00—Lapping machines or devices; Accessories
- B24B37/005—Control means for lapping machines or devices
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
- H01L21/02—Manufacture or treatment of semiconductor devices or of parts thereof
- H01L21/04—Manufacture or treatment of semiconductor devices or of parts thereof the devices having potential barriers, e.g. a PN junction, depletion layer or carrier concentration layer
- H01L21/18—Manufacture or treatment of semiconductor devices or of parts thereof the devices having potential barriers, e.g. a PN junction, depletion layer or carrier concentration layer the devices having semiconductor bodies comprising elements of Group IV of the Periodic Table or AIIIBV compounds with or without impurities, e.g. doping materials
- H01L21/30—Treatment of semiconductor bodies using processes or apparatus not provided for in groups H01L21/20 - H01L21/26
- H01L21/302—Treatment of semiconductor bodies using processes or apparatus not provided for in groups H01L21/20 - H01L21/26 to change their surface-physical characteristics or shape, e.g. etching, polishing, cutting
- H01L21/304—Mechanical treatment, e.g. grinding, polishing, cutting
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Medical Informatics (AREA)
- Mechanical Engineering (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Manufacturing & Machinery (AREA)
- Computer Hardware Design (AREA)
- Computational Linguistics (AREA)
- Power Engineering (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- General Factory Administration (AREA)
- Mechanical Treatment Of Semiconductor (AREA)
- Finish Polishing, Edge Sharpening, And Grinding By Specific Grinding Devices (AREA)
- Complex Calculations (AREA)
Abstract
本发明将基板处理装置的多个参数调节为提高基板处理装置的性能值。具有:第一人工智能部,该第一人工智能部针对多个第一学习数据集分别进行学习,该多个第一学习数据集将参数类别的组合相互不同的参数的组作为输入值,并将对应的基板处理装置的性能值作为输出值,该第一人工智能部在学习后,将多个验证用数据集分别作为输入,来预测性能值,所述多个验证用数据集的参数类别的组合与学习时通用;选择部,该选择部使用表示预测的该性能值的正确回答的比例的值、该学习所花费的时间及该第一人工智能部预测性能值所需的时间中的至少一个,从该多个验证用数据集中所包含的多个参数类别的组中选择一个参数类别的组;以及第二人工智能部,该第二人工智能部使用多个第二学习数据集进行学习,该多个第二学习数据集将由选择出的该参数类别的组构成的过去的参数值的组作为输入值,并将对应的过去的性能值作为输出值,该第二人工智能部在学习后,将由选择出的该参数类别的组构成的参数中的按每个基板处理装置必然确定的固定参数作为输入,在使由选择出的该参数类别的组构成的参数中的可变的参数变化的情况下预测该基板处理装置的性能值,并输出预测出的性能值中的、该性能值满足提取基准的参数值的组合。
Description
技术领域
本发明涉及一种信息处理系统、信息处理方法、程序以及基板处理装置。
背景技术
近年来,随着半导体器件的高集成化的发展,电路的配线正在微细化,配线间距离也正在变得更窄。在半导体器件的制造中,基板处理装置对基板(例如晶片)执行各种处理。作为基板处理装置的一例的进行化学机械研磨(CMP)的研磨装置(也称为CMP装置)被用作使晶片的表面平坦化的一个手段。通过利用研磨装置使晶片的表面平坦,从而,在半导体器件的制造中,当许多种类的材料在晶片上被反复形成为了膜状时,能够形成均匀的层叠构造。
这种研磨装置一般具备安装有研磨垫的转台(也称为研磨台)、保持晶片的顶环(也称为研磨头)以及将研磨液供给至研磨垫上的喷嘴。一边从喷嘴将研磨液(也称为浆料)供给至研磨垫上,一边利用顶环将晶片按压于研磨垫,进一步使顶环与转台相对移动,由此对晶片进行研磨而使其表面平坦。
在这样的研磨装置中,在研磨中的晶片与研磨垫之间的相对的按压力不是遍及晶片的整个面均匀的情况下,会根据向晶片的各部分给予的按压力而产生研磨不足、过度研磨。为了使对晶片的按压力均匀化,正在进行的是,在顶环的下部设置由弹性膜(膜片)形成的多个压力室,并通过向该多个压力室分别供给加压空气等流体,从而利用经由弹性膜的流体压力来将晶片按压于研磨垫进行研磨。
另外,顶环基本上由将晶片按压于研磨面的顶环主体和保持晶片的外周缘而使晶片不从顶环飞出的挡护环构成。另外,若长时间进行研磨工序,则研磨垫的削屑、浆料会进入研磨垫的微细的孔而引起堵塞,研磨速度显著降低,因此使用被称为修整器的装置进行研磨垫的整形(修整)。
现有技术文献
专利文献
专利文献1:日本特开2001-160544号公报
代表性的CMP装置通过根据研磨方案即一系列的研磨步骤(各步骤使用研磨压力、转台转速等预先设定的一组参数来执行)制作的软件来控制。这一组参数的设定通过试错而创建,因此在花费时间上是困难的。
对此,在专利文献1中公开了一种研磨方案的决定方法,包括:使用多个研磨参数集来研磨多个测试基板的步骤;分别测定多个测试基板的研磨轮廓的步骤;以及针对使预测基板轮廓与期望基板轮廓间的差最小的各研磨参数集计算研磨时间的步骤。
然而,依然存在如下这样的问题:在基板处理装置(例如研磨装置)中,难以将多个参数调节为提高基板处理装置的性能值。
发明内容
本发明是鉴于上述问题而完成的,其目的在于提供一种能够容易地将基板处理装置的多个参数调节为提高基板处理装置的性能值的信息处理系统、信息处理方法、程序以及基板处理装置。
本发明的第一方式涉及的信息处理系统是提供基板处理装置的参数值的组合的信息处理系统,具备:第一人工智能部,该第一人工智能部针对多个第一学习数据集分别进行学习,该多个第一学习数据集将参数类别的组合相互不同的参数的组作为输入值,并将对应的所述基板处理装置的性能值作为输出值,该第一人工智能部在学习后,将多个验证用数据集分别作为输入,来预测性能值,所述多个验证用数据集的参数类别的组合与学习时通用;选择部,该选择部使用表示预测的所述性能值的正确回答的比例的值、该学习所花费的时间及所述性能值的预测所需的时间中的至少一个,从所述多个验证用数据集中所包含的多个参数类别的组中选择一个参数类别的组;以及第二人工智能部,该第二人工智能部使用多个第二学习数据集进行学习,该多个第二学习数据集将由选择出的所述参数类别的组构成的过去的参数值的组作为输入值,并将对应的过去的性能值作为输出值,该第二人工智能部在学习后,将由选择出的所述参数类别的组构成的参数中的由对象基板处理装置必然确定的固定参数作为输入,在使由选择出的所述参数类别的组构成的参数中的可变的参数变化的情况下预测所述对象基板处理装置的性能值,并输出预测出的性能值中的、该性能值满足提取基准的参数值的组合。
根据该结构,暂时使用指标来选择了参数类别之后,利用所选择的参数类别的参数进行学习,由此提高性能值的预测精度。并且,输出预测精度提高了的性能值满足提取基准的参数值的组合,因此能够将基板处理装置的多个参数设为提高基板处理装置的性能值。因此,能够容易地将基板处理装置的多个参数调节为提高基板处理装置的性能值。
本发明的第二方式涉及的信息处理系统为,在第一方式涉及的信息处理系统中,还具备决定部,该决定部决定所述基板处理装置的多个参数值各自与性能值之间的相关性,使用所决定的多个相关性,决定所述第一人工智能部作为输入值使用的多个参数的参数类别。
根据该结构,能够选择与性能值相关性高的多个参数,能够在第二人工智能部中使用与性能值相关性高的多个参数来预测性能值,因此第二人工智能部能够输出更高的性能值的参数值的组合。
本发明的第三方式涉及的信息处理系统为,在第二方式涉及的信息处理系统中,所述决定部分别决定所述基板处理装置的多个参数值各自之间的相互相关性,使用所决定的相互相关性来追加,或者部分或全部替换所述第二人工智能部作为输入值使用的多个参数的参数类别。
根据该结构,由于追加或替换与在第二人工智能部中用于学习及预测的参数相关性高的参数,因此能够在第二人工智能部中使用与性能值相关性高的多个参数来预测性能值,因此第二人工智能部能够输出更高的性能值的参数值的组合。
本发明的第四方式涉及的信息处理系统为,在第一至第三方式中的任一个方式涉及的信息处理系统中,还具备排除基准决定部,该排除基准决定部决定所述基板处理装置的一个参数值与性能值之间的相关式,并使用该相关式来决定排除异常值的基准,所述选择部除去满足所决定的所述基准的参数,选择所述参数类别的组。
根据该结构,将与性能值无相关性的参数从学习对象中除外,由此能够提高第二人工智能部输出性能值更高的参数值的组合的可能性,因此第二人工智能部能够输出更高的性能值的参数值的组合。
本发明的第五方式涉及的信息处理系统为,在第一至第四方式中的任一个方式涉及的信息处理系统中,所述第二人工智能部将对象基板处理装置正在使用的多个参数值与此时的性能值的组追加到所述第二学习数据集或替换已有的所述第二学习数据集中所包含的数据来进一步学习,在学习后,将包含由选择出的所述参数类别的组构成的参数的多个验证用数据集作为输入,来预测所述基板处理装置的性能值,并输出预测出的性能值中的该性能值满足所述提取基准的参数值的组合。
根据该结构,存在能够输出性能值更高的参数值的组合的可能性。
本发明的第六方式涉及的信息处理方法是提供基板处理装置的参数值的组合的信息处理方法,具有以下步骤:针对多个第一学习数据集分别进行学习,该多个第一学习数据集将参数类别的组合相互不同的参数的组作为输入值,并将对应的所述基板处理装置的性能值作为输出值,在学习后,将多个验证用数据集分别作为输入,来预测性能值,所述多个验证用数据集的参数类别的组合与学习时通用的多个验证用数据集;使用表示预测的所述性能值的正确回答的比例的值、该学习所花费的时间及所述性能值的预测所需的时间中的至少一个,从所述多个验证用数据集中所包含的多个参数类别的组中选择一个参数类别的组;以及使用多个第二学习数据集进行学习,该多个第二学习数据集将由选择出的所述参数类别的组构成的过去的参数值的组作为输入值,并将对应的过去的性能值作为输出值,在学习后,将包含由选择出的所述参数类别的组构成的参数的多个验证用数据集作为输入,预测所述基板处理装置的性能值,并输出预测出的性能值中的、该性能值满足提取基准的参数值的组合。
根据该结构,暂时使用指标来选择了参数类别之后,利用所选择的参数类别的参数进行学习,由此提高性能值的预测精度。并且,输出预测精度提高了的性能值满足提取基准的参数值的组合,因此能够将基板处理装置的多个参数设为提高基板处理装置的性能值。因此,能够容易地将基板处理装置的多个参数调节为提高基板处理装置的性能值。
本发明的第七方式涉及的程序是用于使在第一至第五方式中的任一个方式涉及的信息处理系统中使用的计算机作为第一人工智能部发挥功能的程序,该第一人工智能部针对多个第一学习数据集分别进行学习,该多个第一学习数据集将参数类别的组合相互不同的参数的组作为输入值,并将对应的所述基板处理装置的性能值作为输出值,该第一人工智能部在学习后,将多个验证用数据集分别作为输入,来预测性能值,所述多个验证用数据集的参数类别的组合与学习时通用。
根据该结构,能够使用表示预测的性能值的正确回答的比例的值、该学习所花费的时间和所述性能值的预测所需的时间中的至少一个来选择参数类别。
本发明的第八方式涉及的信息处理系统是用于使在第一至第五方式中的任一个方式涉及的信息处理系统中使用的计算机作为第二人工智能部发挥功能的程序,该第二人工智能部使用多个第二学习数据集进行学习,该多个第二学习数据集将由选择出的所述参数类别的组构成的过去的参数值的组作为输入值,并将对应的过去的性能值作为输出值,该第二人工智能部在学习后,将由选择出的所述参数类别的组构成的参数中的由对象基板处理装置必然确定的固定参数作为输入,在使由选择出的所述参数类别的组构成的参数中的可变的参数变化的情况下预测所述对象基板处理装置的性能值,并输出预测出的性能值中的、该性能值满足提取基准的参数值的组合。
根据该结构,利用所选择的参数类别的参数进行学习,由此性能值的预测精度提高。并且,输出预测精度提高了的性能值满足提取基准的参数值的组合,因此能够将基板处理装置的多个参数设为提高基板处理装置的性能值。因此,能够容易地将基板处理装置的多个参数调节为提高基板处理装置的性能值。
本发明的第九方式涉及的基板处理装置为,一种基板处理装置,具备第二人工智能部,该第二人工智能部学习了由已选择的参数类别的组构成的参数值的组与性能值的关系性,所述第二人工智能部将由该已选择的参数类别的组构成的参数中的由该基板处理装置必然确定的固定参数作为输入,在使由选择出的所述参数类别的组构成的参数中的可变的参数变化的情况下预测该基板处理装置的性能值,输出预测出的性能值中的、该性能值满足提取基准的参数值的组合,该基板处理装置使用输出的所述参数值的组合对基板进行处理。
根据该结构,使用已学习的第二人工智能部,输出满足提取基准的参数值的组合,利用该参数值的组合对基板进行处理,因此能够提高基板处理装置的性能。
发明的效果
根据本发明的一方式,暂时使用指标来选择了参数类别之后,利用所选择的参数类别的参数进行学习,由此提高性能值的预测精度。并且,输出预测精度提高了的性能值满足提取基准的参数值的组合,因此能够将基板处理装置的多个参数设为提高基板处理装置的性能值。因此,能够容易地将基板处理装置的多个参数调节为提高基板处理装置的性能值。
附图说明
图1是第一实施方式涉及的CMP系统的一例的概略结构图。
图2是第一实施方式涉及的存储介质中存储的表的一例。
图3是第一实施方式涉及的信息处理系统S1的概略结构图。
图4是表示第一实施方式涉及的信息处理系统的预处理的流程的一例的流程图。
图5是表示第一实施方式涉及的信息处理系统的执行的流程的一例的流程图。
图6是第二实施方式涉及的CMP系统的一例的概略结构图。
图7是第三实施方式涉及的CMP系统的一例的概略结构图。
图8是第四实施方式涉及的CMP系统的一例的概略结构图。
图9是第五实施方式涉及的CMP系统的一例的概略结构图。
图10是第六实施方式涉及的CMP系统的一例的概略结构图。
图11是第七实施方式涉及的CMP系统的一例的概略结构图。
具体实施方式
以下,参照附图来对各实施方式进行说明。但是,有时省略过于详细的说明。例如,有时省略已经众所周知的事项的详细说明、对实质上相同的结构的重复说明。这是为了避免以下的说明不必要地变得冗长,使本领域技术人员容易理解。在各实施方式中,作为基板处理装置的一例,以CMP装置为例进行说明。
<第一实施方式>
图1是第一实施方式涉及的CMP系统的一例的概略结构图。如图1所示,在第一实施方式涉及的CMP系统C1中,在用于半导体制造的第一工厂(以下,简称为第一工厂)设置有CMP装置1~3,设置有外部设备21。并且,在第一实施方式的CMP系统C1中,在用于半导体制造的第二工厂(以下,简称为第二工厂)设置有CMP装置4~6,设置有外部设备22。第一工厂和第二工厂内的外部设备21及22例如是晶片检查/测定仪(膜厚测定仪、微粒测定仪等)。
此外,在本实施方式中,为了使说明变得简单,作为一个例子以有两个工厂并在各工厂有3台CMP装置为例进行说明,但不限于此,工厂可以是一个,也可以是三个以上,另外,各工厂中的CMP装置的台数不必为相同数量,各工厂中的CMP装置的数量可以是两个以下,也可以是四个以上。
在第一实施方式涉及的CMP系统C1中,在第一工厂和第二工厂外设置有外部设备23。该外部设备23例如是消耗部件制造商的检查/测定仪,以及存储有它们的存储介质等。
在分析中心设置有信息处理系统S1。信息处理系统S1具备第一人工智能部11、选择部12、第二人工智能部13以及存储介质14。
图2是第一实施方式涉及的存储介质中存储的表的一例。在图2中,蓄积有识别记录的记录ID、参数(例如研磨压力、转台转速等)、在利用该参数的组使CMP装置进行了动作时的性能值(例如研磨率),以及性能值不能满足基准的要因的组的记录。这样,如图2所示,在存储介质14相关联地存储有各CMP装置的过去的参数的组和利用该参数的组使CMP装置进行了动作时的性能值。在存储介质14例如大量存储有这些数据,作为所谓的大数据而存储。存储介质14例如是硬盘。
<参数>
对本实施方式涉及的参数进行说明。参数是以下中的至少一个。研磨参数(例如研磨压力、转台转速、头转速、研磨时间、研磨温度等)、纯水研磨参数(例如研磨压力、转台转速、头转速、研磨时间、纯水流量、纯水温度等)
垫修整参数(例如修整器按压压力、修整器转速、修整器摆动速度、修整时间、转台转速、修整液流量、修整器消耗度等)
清洗参数(例如清洗部件按压压力、清洗部件转速、晶片转速、清洗时间、清洗液种类、清洗液流量等)
晶片干燥参数(例如晶片转速、晶圆旋转加速度、干燥时间等)
晶片参数(例如外径尺寸、翘曲、平面度、厚度、斜面形状、研磨面粗糙度等)
膜条件(例如膜种类、初始膜厚分布、表面自然氧化膜层厚度等)
浆料参数(例如流量、预加载量、垫上的液膜分布、磨粒材质、粒径、粒径分布、磨粒浓度、pH、温度、添加药液种类、添加药液浓度、添加药液pH、添加药液混合比等)
垫参数(例如材质、厚度、垫孔隙率、压缩弹性模量、压缩恢复率、硬度、弯曲强度、表面槽形状、厚度分布、表面粗糙度、表面附着物有无、浆料残渣堆积有无、水向内部的渗入面积、晶片处理张数等)
膜片参数(例如橡胶种类、橡胶硬度、外径尺寸、橡胶物性检查数据、材料批次、制造批次、晶片处理张数等)
挡护环参数(例如材料种类、材料物性检查数据、材料批次、制造批次、厚度、槽的形状/尺寸、晶片处理张数等)
硬件参数(例如转台转矩、头旋转转矩、头摆动转矩、修整器旋转炉转矩、修整器摆动转矩、膜片压力上升/下降、膜片压力线路流量波动、挡护环气囊压力上升/下降、挡护环气囊压力线路流量波动等)
<CMP装置的性能值>
接着,CMP装置的性能值是研磨率、晶片内表面内均匀性(研磨率、残膜量)、晶片间均匀性(研磨率、残膜量)、图案高低差消除性,或缺陷(划痕、垃圾、腐蚀、水印等)等。水印是干燥过程特有的污染物,如斑点、水垢那样。
<数据收集方法>
如图1所示,通过网络NW连接CMP装置1~6和存储介质14,由设置于CMP装置1~6内部的测量仪器、设备取得的以下的信息和数据被蓄积在存储介质14中。研磨参数(研磨压力、转台转速、头转速、研磨时间、研磨温度)
纯水研磨参数(研磨压力、转台转速、头转速、研磨时间、纯水流量、纯水温度)
垫修整参数(修整器按压压力、修整器转速、修整器摆动速度、修整时间、转台转速、修整液流量、修整器消耗度)
清洗参数(清洗部件按压压力、清洗部件转速、晶片转速、清洗时间、清洗液种类、清洗液流量)
晶片干燥参数(晶片转速、晶片旋转加速度、干燥时间)、浆料参数(流量、预加载量、垫上的液膜分布)
垫参数(厚度分布、表面粗糙度、表面附着物有无、浆料残渣堆积有无、水向内部的渗入面积、晶片处理张数)
膜片参数(晶片处理张数)、挡护环参数(厚度、晶片处理张数)
硬件参数(转台转矩、头旋转转矩、头摆动转矩、修整器旋转炉转矩、修整器摆动转矩、膜片压力上升/下降、膜片压力线路流量波动、挡护环气囊压力上升/下降、挡护环气囊压力线路流量波动)
如图1所示,处于第一工厂和第二工厂内的CMP装置1~6的外部的外部设备21、22(例如测量仪器和/或设备)与存储介质14通过网络NW连接。由此,由外部设备21、22取得的以下的信息和数据被蓄积在存储介质14中。初始晶片膜厚分布、研磨率、晶片内表面内均匀性(Removal、Remaining)、晶片间均匀性(Removal、Remaining)、图案高低差消除性、缺陷、晶片批次信息、膜种类、浆料参数(pH、温度、添加药液种类、添加药液浓度、添加药液pH、添加药液混合比等)
在此,Removal意味着研磨后的膜厚,Remain意味着在研磨后残留的膜厚。
在工厂外部测量出的以下的信息和数据也可以是,从供应商收集信息和数据,例如该信息处理系统的管理者将这些收集到的信息和数据集中蓄积到存储介质14。或者,也可以是,将供应商的终端装置(未图示)与存储介质14经由网络NW连接,在取得该信息和数据后,从该供应商的终端装置向存储介质14发送这些数据而被蓄积在存储介质14中。
晶片参数(Lot ID、S/N、外径尺寸、翘曲、平面度、厚度、斜面形状、研磨面粗糙度)、垫参数(Lot ID、S/N、磨粒材质、粒径、粒径分布、磨粒浓度)、垫参数(Lot ID、S/N、材质、厚度、垫孔隙率、压缩弹性模量、压缩恢复率、硬度、弯曲强度、表面槽形状、厚度分布、表面粗糙度)、膜片参数(Lot ID、S/N、橡胶种类、橡胶硬度、外径尺寸、橡胶物性检查数据、材料Lot、制造Lot)、挡护环参数(Lot ID、S/N、材料种类、材料物性检查数据、材料Lot、制造批次、厚度、槽的形状/尺寸)
图3是第一实施方式涉及的信息处理系统S1的概略结构图。如图3所示,第一实施方式涉及的信息处理系统S1具备第一人工智能部11、选择部12、第二人工智能部13以及存储介质14。第一人工智能部11具备AI执行部110、决定部15以及排除基准决定部16作为一例。这里,AI执行部110例如具有AI(人工智能)111、112、113,各个AI111~113并行处理。此外,AI执行部110既可以仅内置一个AI而串行地执行处理,也可以具有两个AI,也可以具有四个以上的AI。此外,决定部15和排除基准决定部16也可以设置在第一人工智能部11的外部。
决定部15为了更高效地进行CMP性能预测,针对存储于存储介质14的信息进行CMP的性能值与参数之间的相关分析,或者参数与其他参数的相关分析等。决定部15例如执行CMP的性能值与参数之间的相关分析(例如计算出相关系数),选择多个在与CMP的性能值之间相关性(例如相关系数)高于基准的参数的类别,并将所选择的参数的类别的组输出至第一人工智能部11。这样,决定部15决定基板处理装置(在此,作为一例是CMP装置)的多个参数值各自与性能值之间的相关性,使用所决定的多个相关性,决定第一人工智能部11用作输入值的多个参数的参数类别。由此,能够选择与性能值相关性高的多个参数,能够在第二人工智能部13中使用与性能值相关性高的多个参数来预测性能值,因此第二人工智能部13能够输出更高的性能值的参数值的组合。
此外,随着信息进一步蓄积于存储介质14,奇点的主要原因被阐明,与新参数的相关性变得明确,在该情况下,决定部15也可以对使第二人工智能部13学习时的参数进行追加或替换,定期性地进行过滤规则的更新。这样,决定部15也可以分别决定基板处理装置(在此,作为一例是CMP装置)的多个参数值各自之间的相互相关性,使用所决定的相互相关性,追加第二人工智能部13用作输入值的多个参数的参数类别,或者一部分或全部替换第二人工智能部13用作输入值的多个参数的参数类别。
由此,追加或替换与在第二人工智能部13中用于学习及预测的参数相关性高的参数,因此能够在第二人工智能部13中使用与性能值相关性高的多个参数来预测性能值,因此第二人工智能部13能够输出更高的性能值的参数值的组合。
第一人工智能部11的AI执行部110针对多个第一学习数据集分别进行学习,该多个第一学习数据集将由决定部15决定的多个参数类别中的参数类别的组合互不相同的参数的组作为输入值,并将对应的基板处理装置(这里,作为一例是CMP装置)的性能值作为输出值。该学习例如是机器学习,具体而言例如是有监督学习。作为该机器学习,既可以是神经网络的有监督学习(例如深度学习的有监督学习),也可以是使用了模式识别模型的有监督学习(例如支持向量机的有监督学习),也可以是使用了概率模型的有监督学习(例如朴素贝叶斯分类器的有监督学习)。
例如,设想由决定部15决定的多个参数类别是A、B、C这三种的情况。参数的组P1是参数类别A的参数与参数类别B的参数的组合。参数的组P2是参数类别A的参数与参数类别C的参数的组合。参数的组P3是参数类别B的参数与参数类别C的参数的组合。
AI111使用多个将参数的组P1作为输入值、将在为该参数的组P1时的CMP装置的性能值E1作为输出值的学习数据集进行学习。AI112使用多个将参数的组P2作为输入值、将在为上述参数的组P1时的CMP装置的性能值E2作为输出值的学习数据集进行学习。AI113使用多个将参数的组P3作为输入值、将在为上述参数的组P1时的CMP装置的性能值E3作为输出值的学习数据集进行学习。
第一人工智能部11在学习后,将多个验证用数据集即参数类别的组合与学习时通用的多个验证用数据集分别作为输入来预测性能值。
具体而言,验证用的参数的组Q1是参数类别A的参数与参数类别B的参数的组合。学习后的AI111在输入了验证用的参数的组Q1时,输出预测的性能值。即,输入与学习时相同的参数类别的组合的验证用的参数。
同样地,验证用的参数的组Q2是参数类别A的参数与参数类别C的参数的组合。学习后的AI112在输入了验证用的参数的组Q2时,输出预测的性能值。即,输入与学习时相同的参数类别的组合的验证用的参数。
同样地,验证用的参数的组Q3是参数类别B的参数与参数类别C的参数的组合。学习后的AI112在输入了验证用的参数的组Q3时,输出预测的性能值。即,输入与学习时相同的参数类别的组合的验证用的参数。
AI111、112、113分别向选择部12输出表示预测的性能值的正确回答的比例的值(例如正确回答率)、该学习所花费的时间(以下,也称为学习时间),以及第一人工智能部11预测性能值所需的时间(以下,也称为预测时间)。
选择部12使用表示预测的性能值的正确回答的比例的值(例如正确回答率)、该学习所花费的时间,以及所述第一人工智能部预测性能值所需的时间中的至少一个,从多个验证用数据集中所包含的多个参数类别的组中选择一个参数类别的组。选择部12例如也可以基于学习时间、预测时间和正确回答率的平衡来选择参数类别的组。具体而言,例如选择部12也可以在学习时间比第一基准时间短、且预测时间比第二基准时间短中选择正确回答率最高的组作为参数类别的组。由此,能够在学习时间和预测时间处于允许范围之中选择正确回答率最高的参数类别的组。
此外,在从AI111、112、113输出的正确回答率中的从AI111输出的正确回答率最高的情况下,选择部12也可以选择参数类别A与参数类别B的组。
排除基准决定部16决定用于排除参数值中的异常值的异常值排除条件。具体而言,例如,排除基准决定部16决定基板处理装置(在此为例如CMP装置)的一个参数值与性能值之间的相关式,使用该相关式来决定排除异常值的基准(例如排除根据相关式超过阈值而离开的点等)。然后,选择部12例如除去满足由排除基准决定部16决定的基准的参数,选择参数类别的组。根据该结构,将与性能值无相关性的参数从学习对象中除外,由此能够提高第二人工智能部13输出性能值更高的参数值的组合的可能性,因此第二人工智能部13能够输出更高的性能值的参数值的组合。
并且,第一人工智能部11还进行CMP装置的方案以外的参数例如所使用的消耗部件的种类及组合、材料、物性的倾向等最佳条件的提案,在此得到的信息也能够用于工艺开发、消耗部件的开发、改善。第一人工智能部11中的算法也可以使用神经网络等。
<第二人工智能部13的学习时>
第二人工智能部13从存储介质14读出由选择部12选择出的参数类别的组构成的过去的参数的组和对应的过去的性能值。然后,第二人工智能部13使用将读出的过去的参数的组作为输入值并将对应的过去的性能值作为输出值的多个第二学习数据集进行学习。
这样,第二人工智能部13使用学习数据进行学习,该学习数据将由选择部12选择出的参数类别的组构成的过去的参数值的组作为输入值,并将对应的过去的性能值作为输出值。该学习例如是机器学习,具体而言例如是有监督学习。作为该机器学习,既可以是神经网络的有监督学习(例如深度学习的有监督学习),也可以是使用了模式识别模型的有监督学习(例如支持向量机的有监督学习),也可以是使用了概率模型的有监督学习(例如朴素贝叶斯分类器的有监督学习)。
<第二人工智能部13的验证时>
第二人工智能部13在学习后,向对象CMP装置1~6请求由选择部12选择出的参数类别的组构成的参数中的、按每个CMP装置1~6必然确定的固定参数。第二人工智能部13接收根据该请求而从CMP装置i(i为1~6的整数)发送的固定参数的组Ui(i为1~6的整数)。
针对对象CMP装置i,第二人工智能部13将接收到的固定参数的组Ui(i为1~6的整数)作为输入,在对由选择部12选择出的参数类别中的可变的参数调整了参数的值(使参数的值变化了)的情况下,预测各个CMP装置i的性能值。然后,第二人工智能部13对CMP装置i输出预测出的性能值中的、该性能值满足提取基准的参数值的组合。具体而言,例如,第二人工智能部13对CMP装置i输出预测出的性能值中的、该性能值最佳的参数值的组合。第二人工智能部13对每个CMP装置1~6分别进行这些一系列的处理。
这样,第二人工智能部13在学习后,将由选择部12选择出的参数类别的组构成的参数中的由对象基板处理装置(这里作为一例为CMP装置)必然确定的固定参数作为输入,在使由选择出的所述参数类别的组构成的参数中的可变的参数变化的情况下,预测该对象基板处理装置(这里作为一例为CMP装置)的性能值。然后,第二人工智能部13输出所预测出的性能值中的、该性能值满足提取基准的参数值的组合。
第二人工智能部13将满足抽取基准的参数值的组合作为参数的组Xi(i为1~6的整数)输出到对应的CMP装置i(i为1~6的整数)。第二人工智能部13对每个CMP装置1~6分别进行该处理。即,参数的组X1输出到CMP装置1,参数的组X2输出到CMP装置2,参数的组X3输出到CMP装置3,参数的组X4输出到CMP装置4,参数的组X5输出到CMP装置5,参数的组X6输出到CMP装置6。由此,CMP装置i使用参数的组Xi(i为1~6的整数)进行动作,因此任一个CMP装置1~6的性能值都能够满足性能基准。
此后,第二人工智能部13也可以将对象基板处理装置正在使用的多个参数值和此时的性能值的组追加到第2学习数据集或替换已有的第2学习数据集中所包含的数据来进一步学习。由此,存在能够输出性能值更高的参数值的组合的可能性。
接着,使用图4对第一人工智能部11的学习、验证、第二人工智能部13的学习处理进行说明。图4是表示第一实施方式涉及的信息处理系统的预处理的流程的一例的流程图。
(步骤S11)首先,决定部15例如决定CMP装置的多个参数值各自与性能值之间的相关性,使用所决定的多个相关性,决定第一人工智能部11用作输入值的多个参数的参数类别。具体而言,例如,决定部15执行CMP的性能值与参数之间的相关分析(例如算出相关系数),决定在与CMP的性能值之间相关性(例如相关系数)比基准高的参数的类别。
(步骤S12)接着,第一人工智能部11例如从存储介质14读出在步骤S11中决定的参数类别的参数和在为该参数时的CMP装置的性能值。
(步骤S13)接着,第一人工智能部11例如对将参数的组作为输入值并将对应的CMP装置的性能值作为输出值的多个第一学习数据集分别进行学习。
(步骤S14)接着,第一人工智能部11例如将多个验证用数据集即参数类别的组合与学习时通用的多个验证用数据集分别作为输入来预测性能值。
(步骤S15)接着,选择部12例如使用正确回答率、学习时间和预测时间中的至少一个,来从多个验证用数据集中所包含的多个参数类别的组中选择一个参数类别的组。
(步骤S16)接着,第二人工智能部13从存储介质读出由选择部12选择出的参数类别的组构成的过去的参数的组和对应的过去的性能值。
(步骤S17)接着,第二人工智能部13使用将读出的过去的参数的组作为输入值并将对应的过去的性能值作为输出值的多个第二学习数据集进行学习。至此,本流程图的处理结束。
接着,使用图5对第二人工智能部13的执行的处理进行说明。图5是表示第一实施方式涉及的信息处理系统的执行流程的一例的流程图。
(步骤S21)首先,第二人工智能部13向对象CMP装置请求由选择部12选择出的参数类别的组构成的参数中的、按每个CMP装置必然确定的固定参数例如在作为对象的CMP装置中正在使用的消耗部件种类(浆料、垫种类等)、表示消耗部件的状态的参数(物性、性状、尺寸、使用时间、消耗度等)、研磨对象膜种类、表示运转中的CMP装置的状态的参数(研磨温度、旋转部转矩等),对象CMP装置将这些数据、信息向第二人工智能部13发送。
(步骤S22)接着,第二人工智能部13将从对象CMP装置发送来的固定参数作为输入,通过CMP装置的设定变更等对可变的参数(方案等)进行参数调整,输出利用参数调整后的各个数据集预测出的CMP装置的性能值中的性能值最佳的参数值的组合,并向对象CMP装置发送。
(步骤S23)接着,对象CMP装置利用从第二人工智能部13接收到的参数值的组合来处理晶片。
(步骤S24)利用外部设备21或22测定晶片,将所得到的性能值与晶片ID和该参数的组相关联地向存储介质14发送。存储介质14将该性能值与晶片ID和该参数的组相关联地存储。
至此,本流程图的处理结束。这样,在第二人工智能部13完成了学习之后,在所选择的参数类别的组中,首先将对象CMP装置中的固有值从CMP装置抽出当前的信息,作为固定参数(例如在该CMP装置中正在使用的消耗部件种类、研磨对象膜种类、运转中的CMP装置的状态量、消耗部件的状态量)向第二人工智能部13输入,然后,针对通过方案等CMP装置的设定而改变的可变参数,在规定的范围内调整参数(同时调整多个参数,进行循环式调整(日文:総当たり戦)),输出性能值最佳的情况下的可变参数各自的值。其目的在于,在消耗品等按每个工厂或CMP不同的环境参数(固定参数)下,优化方案等可变参数。或者,也可以在从CMP装置抽出了当前的信息之后,指定进行优化的参数(通常构成CMP装置的方案的参数),进行条件调整。
<不良时的应对方法>
在第二人工智能部13的预测性能与实际的性能出现了预先决定的基准以上的偏离的情况下,第二人工智能部13也可以请求CMP装置停止晶片的处理。在该情况下,第二人工智能部13可以对CMP装置请求从CMP装置发出警告,也可以在CMP装置被请求了停止晶片的处理的情况下CMP装置的控制器进行控制发出警告。
关于在性能预测中使用的参数,也可以确认在预测性能与实际的性能上出现了一定的偏离时的实际的参数值(也称为实际值)是否没有异常。例如在使用浆料流量作为参数的情况下,由于突然的CMP装置的不良情况等原因,存在如下情况等:在性能预测时第二人工智能部13从CMP接收的浆料流量和CMP装置实际对晶片进行了处理时的浆料流量存在偏离。因此,也可以在从CMP装置接受了警告的情况下,确认预测性能与实际的性能出现了一定的偏离时的实际的浆料流量等参数值是否没有异常。
如果在对晶片进行了异常处理时的实际的参数值(实际值)存在异常,则存在如下可能性:在之前学习异常值而导致第二人工智能部13的预测精度变差,因此,也可以是,在第一人工智能部11中,变更排除异常值的基准(例如异常值检测的阈值)(改变过滤条件)来验证使其进行了学习时的预测性能与实际的性能的偏离,决定新的排除异常值的基准,更新排除基准决定部16中的异常值排除条件。
以上,本实施方式的信息处理系统S1是提供基板处理装置的参数值的组合的信息处理系统。信息处理系统S1具备第一人工智能部11,该第一人工智能部针对多个第一学习数据集分别进行学习,该多个第一学习数据集将参数类别的组合互不相同的参数的组作为输入值,并将对应的上述基板处理装置的性能值作为输出值。第一人工智能部11在学习后,将多个验证用数据集即参数类别的组合与学习时通用的多个验证用数据集分别作为输入,对性能值进行预测。并且,信息处理系统S1还具备选择部12,该选择部使用表示上述预测的性能值的正确回答的比例的值、该学习所花费的时间,以及上述第一人工智能部预测性能值所需的时间中的至少一个,从上述多个验证用数据集中所包含的多个参数类别的组中选择一个参数类别的组。并且,信息处理系统S1还具备第二人工智能部13,该第二人工智能部使用多个第二学习数据集进行学习,该多个第二学习数据集将由上述选择出的参数类别的组构成的过去的参数值的组作为输入值,并将对应的过去的性能值作为输出值。第二人工智能部13在学习后,将包含由上述选择出的参数类别的组构成的参数的多个验证用数据集作为输入,预测上述基板处理装置的性能值,并输出预测出的性能值中的、该性能值满足提取基准的参数值的组合。
根据该结构,暂时使用指标来选择了参数类别之后,利用所选择的参数类别的参数进行学习,由此性能值的预测精度提高。并且,输出预测精度提高了的性能值满足提取基准的参数值的组合,因此能够将基板处理装置的多个参数设为提高基板处理装置的性能值。因此,能够容易地将基板处理装置的多个参数调节为提高基板处理装置的性能值。
<第二实施方式>
接着,对第二实施方式进行说明。图6是第二实施方式涉及的CMP系统的一例的概略结构图。在第一实施方式的CMP系统C1中,如图1所示,第一人工智能部11、选择部12、第二人工智能部13、存储介质14全部设置于分析中心。另一方面,在第二实施方式的CMP系统C2中,如图6所示,第一人工智能部11、选择部12、存储介质14设置于分析中心,但第二人工智能部13分别设置于第一工厂、第二工厂。如图6所示,第二实施方式涉及的信息处理系统具备第一人工智能部11、选择部12、存储介质14以及两个第二人工智能部13。
<第三实施方式>
接着,对第三实施方式进行说明。图7是第三实施方式涉及的CMP系统的一例的概略结构图。在第一实施方式的CMP系统C1中,如图1所示,第一人工智能部11、选择部12、第二人工智能部13、存储介质14全部设置于分析中心。另一方面,在第三实施方式的CMP系统C3中,如图7所示,第一人工智能部11、选择部12、存储介质14设置于分析中心,但第二人工智能部13针对每个CMP装置1~6而设置。如图7所示,第三实施方式涉及的信息处理系统S3具备第一人工智能部11、选择部12、存储介质14以及六个第二人工智能部13。
<第四实施方式>
接着,对第四实施方式进行说明。图8是第四实施方式涉及的CMP系统的一例的概略结构图。在第一实施方式的CMP系统C1中,如图1所示,第一人工智能部11、选择部12、第二人工智能部13、存储介质14全部设置于分析中心。另一方面,在第四实施方式的CMP系统C4中,如图8所示,在各工厂设置有具备第一人工智能部11、选择部12、第二人工智能部13及存储介质14的分析中心。如图8所示,第四实施方式涉及的信息处理系统S4-1、S4-2分别具备第一人工智能部11、选择部12、第二人工智能部13以及存储介质14。
<第五实施方式>
接着,对第五实施方式进行说明。图9是第五实施方式涉及的CMP系统的一例的概略结构图。在第一实施方式的CMP系统C1中,如图1所示,第一人工智能部11、选择部12、第二人工智能部13、存储介质14全部设置于分析中心。另一方面,在第五实施方式的CMP系统C5中,如图9所示,在各工厂设置有具备第一人工智能部11、选择部12及存储介质14的分析中心,且第二人工智能部13针对每个CMP装置1~6而设置。如图9所示,第五实施方式涉及的信息处理系统S5-1、S5-2分别具备第一人工智能部11、选择部12、三个第二人工智能部13以及存储介质14。
<第六实施方式>
接着,对第六实施方式进行说明。图10是第六实施方式涉及的CMP系统的一例的概略结构图。在第一实施方式的CMP系统C1中,如图1所示,第一人工智能部11、选择部12、第二人工智能部13、存储介质14全部设置于分析中心。另一方面,在第六实施方式的CMP系统C6中,如图10所示,第一人工智能部11、选择部12、第二人工智能部13及存储介质14针对每个CMP装置1~6而设置。如图10所示,第六实施方式涉及的信息处理系统S6-1~S6-6分别具备第一人工智能部11、选择部12、第二人工智能部13以及存储介质14。
<第七实施方式>
接着,对第七实施方式进行说明。图11是第七实施方式涉及的CMP系统的一例的概略结构图。在第一实施方式的CMP系统C1中,如图1所示,第一人工智能部11、选择部12、第二人工智能部13、存储介质14全部设置于分析中心。另一方面,在第七实施方式的CMP系统C7中,如图11所示,第一人工智能部11、选择部12、第二人工智能部13以及第二存储介质14b针对每个CMP装置1~6而设置,第一存储介质14a针对每个工厂而设置。在此,第一存储介质14a存储有CMP装置1~6的外部的信息,第二存储介质14b存储有对应的CMP装置的内部的信息和CMP外部的信息。如图11所示,第七实施方式涉及的信息处理系统S7-1~S7-6分别具备第一人工智能部11、选择部12、第二人工智能部13、第一存储介质14a以及第二存储介质14b。
此外,在各实施方式中,基板处理装置也可以具备学习了由已选择的参数类别的组构成的参数值的组与性能值的关系性的第二人工智能部13。在此,学习例如是机器学习。在该情况下,第二人工智能部13将由该已选择的参数类别的组构成的参数中的由该基板处理装置必然确定的固定参数作为输入,在使由上述已选择的参数类别的组构成的参数中的可变的参数变化的情况下预测该基板处理装置的性能值,并输出所预测出的性能值中的、该性能值满足提取基准的参数值的组合。在该情况下,该基板处理装置利用该输出的参数值的组合对基板进行处理。根据该结构,使用已学习的第二人工智能部13,输出满足提取基准的参数值的组合,使用该参数值的组合对基板进行处理,因此能够提高基板处理装置的性能。
此外,在上述的实施方式中说明过的信息处理系统S1~S7的至少一部分可以由硬件构成,也可以由软件构成。在由硬件构成的情况下,也可以将实现信息处理系统S1~S7的至少一部分功能的程序收纳于软盘、CD-ROM等计算机可读取的记录介质,使计算机读入并执行。记录介质不限于磁盘、光盘等可装卸的介质,也可以是硬盘装置或存储器等固定型的记录介质。
另外,也可以经由因特网等通信线路(也包含无线通信)发布实现信息处理系统S1~S7的至少一部分功能的程序。此外,也可以对该程序进行加密、施加调制或者在压缩的状态下经由因特网等有线线路、无线线路发布或者收纳于记录介质而发布。
此外,也可以通过一个或多个信息处理装置来使信息处理系统S1~S7发挥功能。在使用多个信息处理装置的情况下,也可以将信息处理装置中的一个作为计算机,通过该计算机执行规定的程序而作为信息处理系统S1~S7中的至少一个单元来实现功能。
另外,在方法的发明中,也可以利用计算机通过自动控制来实现全部的工序(步骤)。另外,也可以一边使计算机实施各工序,一边通过人手来实施工序间的行进控制。另外,还可以通过人手来实施所有工序中的至少一部分。
以上,本发明并不照原样限定于上述实施方式,在实施阶段,能够在不脱离其主旨的范围内对构成要素进行变形而具体化。另外,通过上述实施方式所公开的多个构成要素的适当组合,能够形成各种发明。例如,也可以从实施方式所示的全部构成要素中删除几个构成要素。并且,也可以适当组合横跨不同的实施方式的构成要素。
符号说明
1~6 CMP装置
11 第一人工智能部
110 AI执行部
111 AI
112 AI
113 AI
12 选择部
13 第二人工智能部
14 存储介质
15 决定部
16 排除基准决定部
21~23 外部设备
C1~C7 CMP系统
S1~S3、S4-1、S4-2、S5-1、S5-2、S6-1~S6-6、S7-1~S7-6 信息处理系统
Claims (9)
1.一种信息处理系统,提供基板处理装置的参数值的组合,其特征在于,具备:
第一人工智能部,该第一人工智能部针对多个第一学习数据集分别进行学习,该多个第一学习数据集将参数类别的组合相互不同的参数的组作为输入值,并将对应的所述基板处理装置的性能值作为输出值,该第一人工智能部在学习后,将多个验证用数据集分别作为输入,来预测性能值,所述多个验证用数据集的参数类别的组合与学习时通用;
选择部,该选择部使用表示预测的所述性能值的正确回答的比例的值、该学习所花费的时间及所述性能值的预测所需的时间中的至少一个,从所述多个验证用数据集中所包含的多个参数类别的组中选择一个参数类别的组;以及
第二人工智能部,该第二人工智能部使用多个第二学习数据集进行学习,该多个第二学习数据集将由选择出的所述参数类别的组构成的过去的参数值的组作为输入值,并将对应的过去的性能值作为输出值,该第二人工智能部在学习后,将由选择出的所述参数类别的组构成的参数中的由对象基板处理装置必然确定的固定参数作为输入,在使由选择出的所述参数类别的组构成的参数中的可变的参数变化的情况下预测所述对象基板处理装置的性能值,并输出预测出的性能值中的、该性能值满足提取基准的参数值的组合。
2.根据权利要求1所述的信息处理系统,其特征在于,
还具备决定部,该决定部决定所述基板处理装置的多个参数值各自与性能值之间的相关性,使用所决定的多个相关性,决定所述第一人工智能部作为输入值使用的多个参数的参数类别。
3.根据权利要求2所述的信息处理系统,其特征在于,
所述决定部分别决定所述基板处理装置的多个参数值各自之间的相互相关性,使用所决定的相互相关性来追加,或者部分或全部替换所述第二人工智能部作为输入值使用的多个参数的参数类别。
4.根据权利要求1至3中任一项所述的信息处理系统,其特征在于,
还具备排除基准决定部,该排除基准决定部决定所述基板处理装置的一个参数值与性能值之间的相关式,并使用该相关式来决定排除异常值的基准,
所述选择部除去满足所决定的所述基准的参数,选择所述参数类别的组。
5.根据权利要求1至4中任一项所述的信息处理系统,其特征在于,
所述第二人工智能部将对象基板处理装置正在使用的多个参数值与此时的性能值的组追加到所述第二学习数据集或替换已有的所述第二学习数据集中所包含的数据来进一步学习,在学习后,将包含由选择出的所述参数类别的组构成的参数的多个验证用数据集作为输入,来预测所述基板处理装置的性能值,并输出预测出的性能值中的该性能值满足所述提取基准的参数值的组合。
6.一种信息处理方法,提供基板处理装置的参数值的组合,其特征在于,具有以下步骤:
针对多个第一学习数据集分别进行学习,该多个第一学习数据集将参数类别的组合相互不同的参数的组作为输入值,并将对应的所述基板处理装置的性能值作为输出值,在学习后,将多个验证用数据集分别作为输入,来预测性能值,所述多个验证用数据集的参数类别的组合与学习时通用的多个验证用数据集;
使用表示预测的所述性能值的正确回答的比例的值、该学习所花费的时间及所述性能值的预测所需的时间中的至少一个,从所述多个验证用数据集中所包含的多个参数类别的组中选择一个参数类别的组;以及
使用多个第二学习数据集进行学习,该多个第二学习数据集将由选择出的所述参数类别的组构成的过去的参数值的组作为输入值,并将对应的过去的性能值作为输出值,在学习后,将包含由选择出的所述参数类别的组构成的参数的多个验证用数据集作为输入,预测所述基板处理装置的性能值,并输出预测出的性能值中的、该性能值满足提取基准的参数值的组合。
7.一种程序,其特征在于,用于使在权利要求1至5中任一项所述的信息处理系统中使用的计算机作为第一人工智能部发挥功能,
该第一人工智能部针对多个第一学习数据集分别进行学习,该多个第一学习数据集将参数类别的组合相互不同的参数的组作为输入值,并将对应的所述基板处理装置的性能值作为输出值,该第一人工智能部在学习后,将多个验证用数据集分别作为输入,来预测性能值,所述多个验证用数据集的参数类别的组合与学习时通用。
8.一种程序,其特征在于,用于使在权利要求1至5中任一项所述的信息处理系统中使用的计算机作为第二人工智能部发挥功能,
该第二人工智能部使用多个第二学习数据集进行学习,该多个第二学习数据集将由选择出的所述参数类别的组构成的过去的参数值的组作为输入值,并将对应的过去的性能值作为输出值,该第二人工智能部在学习后,将由选择出的所述参数类别的组构成的参数中的由对象基板处理装置必然确定的固定参数作为输入,在使由选择出的所述参数类别的组构成的参数中的可变的参数变化的情况下预测所述对象基板处理装置的性能值,并输出预测出的性能值中的、该性能值满足提取基准的参数值的组合。
9.一种基板处理装置,其特征在于,
具备第二人工智能部,该第二人工智能部学习了由已选择的参数类别的组构成的参数值的组与性能值的关系性,所述第二人工智能部将由该已选择的参数类别的组构成的参数中的由该基板处理装置必然确定的固定参数作为输入,在使由选择出的所述参数类别的组构成的参数中的可变的参数变化的情况下预测该基板处理装置的性能值,并输出预测出的性能值中的、该性能值满足提取基准的参数值的组合,
该基板处理装置使用输出的所述参数值的组合对基板进行处理。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019010209A JP7220573B2 (ja) | 2019-01-24 | 2019-01-24 | 情報処理システム、情報処理方法、プログラム及び基板処理装置 |
JP2019-010209 | 2019-01-24 | ||
PCT/JP2019/047317 WO2020153001A1 (ja) | 2019-01-24 | 2019-12-04 | 情報処理システム、情報処理方法、プログラム及び基板処理装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113329845A true CN113329845A (zh) | 2021-08-31 |
CN113329845B CN113329845B (zh) | 2023-07-25 |
Family
ID=71736336
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980090127.8A Active CN113329845B (zh) | 2019-01-24 | 2019-12-04 | 信息处理系统、信息处理方法、程序以及基板处理装置 |
Country Status (7)
Country | Link |
---|---|
US (1) | US20220093409A1 (zh) |
JP (1) | JP7220573B2 (zh) |
KR (1) | KR20210118128A (zh) |
CN (1) | CN113329845B (zh) |
SG (1) | SG11202107874TA (zh) |
TW (1) | TW202042963A (zh) |
WO (1) | WO2020153001A1 (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020131353A (ja) * | 2019-02-19 | 2020-08-31 | パナソニックIpマネジメント株式会社 | 研磨加工システム、学習装置、学習装置の学習方法 |
JP2024503978A (ja) * | 2020-12-18 | 2024-01-30 | アプライド マテリアルズ インコーポレイテッド | 適応型スラリ分注システム |
JPWO2022138272A1 (zh) * | 2020-12-25 | 2022-06-30 | ||
JP2022162709A (ja) * | 2021-04-13 | 2022-10-25 | 株式会社Screenホールディングス | 基板処理装置、基板処理システム、及びデータ処理方法 |
KR20240024919A (ko) * | 2021-06-22 | 2024-02-26 | 가부시키가이샤 에바라 세이사꾸쇼 | 연마 방법 및 연마 장치 |
WO2023166991A1 (ja) * | 2022-03-01 | 2023-09-07 | 株式会社荏原製作所 | 情報処理装置、推論装置、機械学習装置、情報処理方法、推論方法、及び、機械学習方法 |
KR20230137613A (ko) | 2022-03-22 | 2023-10-05 | 사회복지법인 삼성생명공익재단 | 대퇴골 x-레이 영상을 이용한 학습 모델 기반의 종양 분류 방법 및 분석장치 |
WO2023230517A1 (en) * | 2022-05-27 | 2023-11-30 | Onto Innovation Inc. | Performance management of semiconductor substrate tools |
JP2024015933A (ja) * | 2022-07-25 | 2024-02-06 | 株式会社荏原製作所 | 情報処理装置、機械学習装置、情報処理方法、及び、機械学習方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5664066A (en) * | 1992-11-09 | 1997-09-02 | The United States Of America As Represented By The United States Department Of Energy | Intelligent system for automatic feature detection and selection or identification |
US7001243B1 (en) * | 2003-06-27 | 2006-02-21 | Lam Research Corporation | Neural network control of chemical mechanical planarization |
JP2010272053A (ja) * | 2009-05-25 | 2010-12-02 | Victor Co Of Japan Ltd | データ分類器作成装置、データ分類装置、データ分類器作成方法、データ分類方法、データ分類器作成プログラム、データ分類プログラム |
JP2014507801A (ja) * | 2011-01-19 | 2014-03-27 | 東京エレクトロン株式会社 | ツール操作パラメータ及び材料測定と分光情報を関連付けることによるツール性能の改良 |
CN104583712A (zh) * | 2012-08-15 | 2015-04-29 | 诺威量测设备股份有限公司 | 用于原位测量的光学计量 |
JP2017135365A (ja) * | 2015-12-17 | 2017-08-03 | ラム リサーチ コーポレーションLam Research Corporation | 表面反応速度モデル最適化によるエッチングプロファイルマッチングのための方法および装置 |
TW201832872A (zh) * | 2016-10-18 | 2018-09-16 | 日商荏原製作所股份有限公司 | 基板處理控制系統、基板處理控制方法、以及程式 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6439964B1 (en) | 1999-10-12 | 2002-08-27 | Applied Materials, Inc. | Method of controlling a polishing machine |
TWI264043B (en) * | 2002-10-01 | 2006-10-11 | Tokyo Electron Ltd | Method and system for analyzing data from a plasma process |
JP2012074574A (ja) * | 2010-09-29 | 2012-04-12 | Hitachi Ltd | 加工装置制御システムおよび加工装置制御方法 |
US10262910B2 (en) * | 2016-12-23 | 2019-04-16 | Lam Research Corporation | Method of feature exaction from time-series of spectra to control endpoint of process |
-
2019
- 2019-01-24 JP JP2019010209A patent/JP7220573B2/ja active Active
- 2019-12-03 TW TW108144087A patent/TW202042963A/zh unknown
- 2019-12-04 WO PCT/JP2019/047317 patent/WO2020153001A1/ja active Application Filing
- 2019-12-04 US US17/425,195 patent/US20220093409A1/en active Pending
- 2019-12-04 CN CN201980090127.8A patent/CN113329845B/zh active Active
- 2019-12-04 SG SG11202107874TA patent/SG11202107874TA/en unknown
- 2019-12-04 KR KR1020217026411A patent/KR20210118128A/ko unknown
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5664066A (en) * | 1992-11-09 | 1997-09-02 | The United States Of America As Represented By The United States Department Of Energy | Intelligent system for automatic feature detection and selection or identification |
US7001243B1 (en) * | 2003-06-27 | 2006-02-21 | Lam Research Corporation | Neural network control of chemical mechanical planarization |
JP2010272053A (ja) * | 2009-05-25 | 2010-12-02 | Victor Co Of Japan Ltd | データ分類器作成装置、データ分類装置、データ分類器作成方法、データ分類方法、データ分類器作成プログラム、データ分類プログラム |
JP2014507801A (ja) * | 2011-01-19 | 2014-03-27 | 東京エレクトロン株式会社 | ツール操作パラメータ及び材料測定と分光情報を関連付けることによるツール性能の改良 |
CN104583712A (zh) * | 2012-08-15 | 2015-04-29 | 诺威量测设备股份有限公司 | 用于原位测量的光学计量 |
JP2017135365A (ja) * | 2015-12-17 | 2017-08-03 | ラム リサーチ コーポレーションLam Research Corporation | 表面反応速度モデル最適化によるエッチングプロファイルマッチングのための方法および装置 |
TW201832872A (zh) * | 2016-10-18 | 2018-09-16 | 日商荏原製作所股份有限公司 | 基板處理控制系統、基板處理控制方法、以及程式 |
Also Published As
Publication number | Publication date |
---|---|
JP7220573B2 (ja) | 2023-02-10 |
TW202042963A (zh) | 2020-12-01 |
WO2020153001A1 (ja) | 2020-07-30 |
KR20210118128A (ko) | 2021-09-29 |
SG11202107874TA (en) | 2021-08-30 |
CN113329845B (zh) | 2023-07-25 |
JP2020120004A (ja) | 2020-08-06 |
US20220093409A1 (en) | 2022-03-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113329845B (zh) | 信息处理系统、信息处理方法、程序以及基板处理装置 | |
CN105981151B (zh) | 将定制度量与全局分类法结合以在极端高处理量下监测加工工具状况的基于晶片及批次的层级式方法 | |
US20070117393A1 (en) | Hardened porous polymer chemical mechanical polishing (CMP) pad | |
KR100701356B1 (ko) | Cmp 공정 최적화 방법 | |
EP0809798B1 (en) | Method for polishing a wafer and method for manufacturing an integrated circuit | |
JP2018118372A (ja) | ワーク研磨方法およびワーク研磨装置 | |
CN107107309B (zh) | 抛光研磨处理中研磨量的模拟方法、抛光研磨装置及研磨量的模拟用存储介质 | |
JP6013317B2 (ja) | 同時両面ウエハ研削盤における静水圧パッド圧力調節 | |
WO2020235581A1 (ja) | 基板処理システム | |
TWI709170B (zh) | 化學機械平坦化系統和使用其的方法 | |
CN101838848A (zh) | 经外延涂布的硅晶片和经外延涂布的硅晶片的生产方法 | |
US7097534B1 (en) | Closed-loop control of a chemical mechanical polisher | |
TWI826943B (zh) | 用於對保持環評估拋光及優化拋光的方法以及包括執行該方法的電腦程式編碼的非瞬態電腦可讀媒體 | |
JP4237201B2 (ja) | 半導体装置の製造方法及び半導体装置の製造装置 | |
US10987776B2 (en) | Calibration method and non-transitory computer-readable storage medium storing a program of calibration | |
CN107953259A (zh) | 抛光垫修整方法及包含其的化学机械抛光方法 | |
CN115319637B (zh) | 一种抛光方法和化学机械抛光设备 | |
CN105448817A (zh) | 一种电化学抛光金属互连晶圆结构的方法 | |
CN101148016A (zh) | 修正cmp作业工艺条件的方法 | |
US20020124869A1 (en) | Water reclamation rate in semiconductor fabrication wet benches | |
JP3824345B2 (ja) | 研磨方法および研磨装置 | |
CN111571446B (zh) | 金刚石研磨盘上风险金刚石的确定方法 | |
CN117373963B (zh) | 氧化镓晶片蚀刻抛光过程中负压控制的方法 | |
KR102279045B1 (ko) | 공정 제어정보 생성 장치, 방법 및 이를 포함하는 공정 제어장치 | |
CN113953969B (zh) | 一种在线优化抛光压力的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |