CN112655071B - 学习装置、推断装置以及已学习模型 - Google Patents
学习装置、推断装置以及已学习模型 Download PDFInfo
- Publication number
- CN112655071B CN112655071B CN201980058184.8A CN201980058184A CN112655071B CN 112655071 B CN112655071 B CN 112655071B CN 201980058184 A CN201980058184 A CN 201980058184A CN 112655071 B CN112655071 B CN 112655071B
- Authority
- CN
- China
- Prior art keywords
- simulation
- data
- learning
- predetermined number
- semiconductor manufacturing
- 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.)
- Active
Links
- 238000004088 simulation Methods 0.000 claims abstract description 172
- 238000004519 manufacturing process Methods 0.000 claims abstract description 51
- 239000004065 semiconductor Substances 0.000 claims abstract description 51
- 238000012545 processing Methods 0.000 claims abstract description 48
- 238000004364 calculation method Methods 0.000 claims abstract description 27
- 230000007613 environmental effect Effects 0.000 claims abstract description 20
- 238000010801 machine learning Methods 0.000 claims abstract description 13
- 238000000034 method Methods 0.000 claims description 96
- 238000003860 storage Methods 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 description 47
- 235000012431 wafers Nutrition 0.000 description 40
- 238000010586 diagram Methods 0.000 description 14
- 238000005530 etching Methods 0.000 description 8
- 230000015572 biosynthetic process Effects 0.000 description 7
- 238000004380 ashing Methods 0.000 description 4
- 238000004140 cleaning Methods 0.000 description 3
- 238000009616 inductively coupled plasma Methods 0.000 description 3
- BSYNRYMUTXBXSQ-UHFFFAOYSA-N Aspirin Chemical compound CC(=O)OC1=CC=CC=C1C(O)=O BSYNRYMUTXBXSQ-UHFFFAOYSA-N 0.000 description 2
- 230000008094 contradictory effect Effects 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000013526 transfer learning Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005755 formation reaction Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000031700 light absorption Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000003507 refrigerant Substances 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/39—Circuit design at the physical level
- G06F30/398—Design verification or optimisation, e.g. using design rule check [DRC], layout versus schematics [LVS] or finite element methods [FEM]
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- 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
-
- 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
- H01L21/31—Treatment of semiconductor bodies using processes or apparatus not provided for in groups H01L21/20 - H01L21/26 to form insulating layers thereon, e.g. for masking or by using photolithographic techniques; After treatment of these layers; Selection of materials for these layers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/18—Manufacturability analysis or optimisation for manufacturability
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Geometry (AREA)
- Manufacturing & Machinery (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Power Engineering (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Drying Of Semiconductors (AREA)
Abstract
提供一种学习装置,使用被输入至输入层的数据,基于学习模型来进行机器学习,所述学习装置具有:计算部,其计算将模拟数据同与晶圆表面平行的XY坐标进行了关联的规定个数的特征量,所述模拟数据是设定用于进行半导体制造工艺的处理容器内的环境信息并将设置于所述处理容器的规定的配件作为变量来进行半导体制造工艺的模拟所得到的结果;以及输入部,其将计算出的所述规定个数的特征量输入至所述输入层。
Description
技术领域
本公开涉及一种学习装置、推断装置以及已学习模型。
背景技术
例如,专利文献1中提出了一种在一边变更参数一边重复执行蚀刻工艺的模拟时高效地估计物理量的技术。
现有技术文献
专利文献
专利文献1:国际公开第2016/132759号小册子
发明内容
发明要解决的问题
本公开提供一种能够高效地进行半导体制造工艺的模拟的技术。
用于解决问题的方案
根据本公开的一个方式,提供一种学习装置,使用被输入至输入层的数据,基于学习模型来进行机器学习,所述学习装置具有:计算部,其计算将模拟数据同与晶圆表面平行的XY坐标进行了关联的规定个数的特征量,所述模拟数据是设定用于进行半导体制造工艺的处理容器内的环境信息并将设置于所述处理容器的规定的配件作为变量来进行半导体制造工艺的模拟所得到的结果;以及输入部,其将计算出的所述规定个数的特征量输入至所述输入层。
发明的效果
根据一个方面,能够高效地进行半导体制造工艺的模拟。
附图说明
图1是示出一个实施方式所涉及的模拟系统的整体结构的一例的图。
图2A是示出一个实施方式所涉及的学习装置的硬件结构的一例的图。
图2B是示出一个实施方式所涉及的推断装置的硬件结构的一例的图。
图3是说明一个实施方式所涉及的模拟装置进行的模拟的图。
图4是示出一个实施方式所涉及的学习用数据的一例的图。
图5是示出一个实施方式所涉及的模拟数据(晶圆表面图像数据)和特征向量的一例的图。
图6是示出一个实施方式所涉及的模拟处理的一例的流程图。
图7是示出一个实施方式所涉及的学习处理的一例的流程图。
图8是示出一个实施方式所涉及的使用特征向量进行的迁移学习的一例的图。
图9是示出一个实施方式所涉及的使用特征向量进行的迁移学习的一例的图。
具体实施方式
下面,参照附图对用于实施本公开的方式进行说明。此外,在本说明书和附图中,对实质上相同的结构标注相同的附图标记,由此省略重复的说明。
[模拟系统的整体结构]
首先,对一个实施方式所涉及的执行半导体制造工艺的模拟的模拟系统的整体结构进行说明。图1是示出模拟系统的整体结构的一例的图。如图1所示,模拟系统具有学习装置10、推断装置20以及模拟装置30。此外,在本实施方式中,模拟系统所处理的各种数据主要从半导体制造商处获取。
此外,执行半导体制造工艺的半导体制造装置也能够应用Capacitively CoupledPlasma(CCP:电容耦合等离子体)、Inductively Coupled Plasma(ICP:电感耦合等离子体)、Radial Line Slot Antenna(RLSA:径向线缝隙天线)、Electron CyclotronResonance Plasma(ECR:电子回旋共振等离子体)、Helicon Wave Plasma(HWP:螺旋波等离子体)等任意种类的装置。
当搬送多个未处理晶圆(处理对象)时,半导体制造装置执行与半导体制造工艺的各工序(例如成膜、蚀刻、灰化、清洁)相应的处理(下面也称作“晶圆处理”。)。
(模拟装置)
模拟装置30设定表示半导体制造工艺的条件(下面也称作“工艺条件”。)、半导体制造装置的处理容器内的环境条件的环境信息,模拟半导体制造工艺的各工序,并输出作为其结果的模拟数据。作为模拟数据的一例,可列举表示晶圆表面上的成膜、蚀刻的特性的图像数据、数值数据。另外,模拟数据也可以包括工艺条件、环境信息、工序、作为模拟对象的规定的配件的信息。
如图1所示,模拟装置30具有执行部31和存储部32。半导体制造工艺的模拟由模拟装置30的执行部31来执行。执行部31设定与半导体制造装置的硬件结构有关的信息、环境信息以及工艺条件,并按照模拟模型来执行模拟。在存储部32中存储有在模拟中设定的各种数据。
在存储部32中存储有作为模拟模型33的、工艺的每个工序的模拟模型。例如,针对成膜工序的模拟定义有成膜工艺用的模拟模型。另外,针对蚀刻工序的模拟定义有蚀刻工艺用的模拟模型。针对灰化工序的模拟定义有灰化用的模拟模型,针对清洁工序的模拟定义有清洁用的模拟模型。
环境信息34是表示在半导体制造装置中进行晶圆处理的模拟时的处理容器内的环境条件的数据。作为环境信息34的一例,可列举与气体的流动有关的条件。在该情况下,可列举为了使气体管道中流过预先进行了标准化的气体来进行模拟,而将在气体管道中流过例如1sccm的密度为1的气体A设定为环境信息34。此时的气体管道是设置于处理容器的规定的配件的一例,能够针对气体管道的多个形状的各形状进行模拟。作为环境信息34的其它例,可列举与设置于处理容器的规定的配件的温度有关的信息等。
在工艺条件DB(数据库)35中设定有与各制造工艺的工序相应的工艺条件。例如,作为工艺条件,可以设定作为半导体制造装置的控制信息的工艺时间、压力(气体的排气)、高频电力和电压、各种气体流量。另外,作为工艺条件,也可以设定处理容器内温度(上部电极温度、处理容器的侧壁温度、晶圆W温度、静电吸盘温度等)、从冷却器输出的制冷剂的温度等。
气体管道数据36是表示半导体制造装置的处理容器内的规定的配件的硬件结构的数据。例如,在规定的配件是气体管道的情况下,存储气体管道的长度、管道的直径等形状信息来作为气体管道数据36。
装置日志DB(数据库)37存储使用了半导体制造装置时的RF使用时间、压力、温度等日志数据。例如,在通过模拟来考虑半导体制造装置内的经时变化等的情况下,使用与模拟相应的日志数据。
模拟装置30设定模拟模型33、环境信息34、从工艺条件DB 35中选择的工艺条件以及从气体管道数据36中选择的气体管道的形状信息。而且,模拟装置30将设置于处理容器的规定的配件作为变量来进行半导体制造工艺的模拟。作为其结果得到的模拟数据被发送至学习装置10,并被保存在模拟数据DB(数据库)15中。
(学习装置)
学习装置10使用被输入至输入层的数据,基于学习模型来进行机器学习。学习装置10具有计算部11、输入部12、处理部13以及存储部14。在学习装置10安装有输入数据生成程序和学习程序,学习装置10通过执行相应的程序来作为计算部11和处理部13发挥功能。
计算部11读出存储部14中存储的模拟数据DB 15内的模拟数据(通过模拟装置30得到的工艺结果的数据)并加工为处理部13进行学习时适用的规定个数的特征向量。加工后的特征向量被输入至学习模型的输入层。
作为加工的一例,计算部11也可以根据晶圆表面的纵向尺寸和横向尺寸,将晶圆表面上的模拟数据加工为与晶圆表面平行的XY坐标的二维阵列的形式。计算部11计算将晶圆表面上的模拟数据同与晶圆表面平行的XY坐标进行了关联的规定个数的特征向量。计算出的规定个数的特征向量是将模拟数据同与晶圆表面平行的XY坐标进行了关联的规定个数的特征量的一例。
此外,处理部13具有的学习模型既可以将表示晶圆表面上的工艺结果的、数值数据形式的输入数据用作特征向量,也可以将图像数据形式的输入数据用作特征向量。
在本实施方式中,加工后的特征向量被保存在学习用数据16中。但是,上述数据的加工并不限定于此,也可以在向模拟数据DB 15进行保存时进行。在该情况下,被加工为二维阵列的形式后的模拟数据作为学习用数据16被保存在模拟数据DB 15中,并被计算部11读出。输入部12将被加工为二维阵列的形式后的规定个数的特征向量依次输入至进行机器学习时的输入层。
输入部12将计算部11计算出的规定个数的特征向量依次输入至学习模型的输入层。处理部13将被输入至输入层的规定个数的特征量用作教师数据来进行半导体制造工艺的模拟。
由此,在处理部13中,通过机器学习来生成已学习模型,并输出模拟结果。由处理部13生成的已学习模型被提供给推断装置20,并搭载于推断装置20。
(推断装置)
推断装置20使用通过学习装置10进行了学习的已学习模型,来进行半导体制造工艺的模拟。推断装置20具有计算部21、输入部22、执行部23、输出部24以及存储部25。在推断装置20安装有输入数据生成程序和推断程序,推断装置20通过执行相应的程序来作为计算部21和执行部23发挥功能。
计算部21读出存储部25中存储的推断对象的模拟数据26(通过模拟装置30得到的推断对象的工艺结果的数据)并加工为在执行部23执行模拟时适用的规定个数的特征向量。加工后的特征向量被输入至已学习模型的输入层。
计算部21根据晶圆表面的纵向尺寸和横向尺寸,将模拟数据26加工为与晶圆表面平行的XY坐标的二维阵列的形式。计算部21读入模拟数据26,该模拟数据26是在将气体管道数据36作为变量并设定了作为推断对象的新的配件(例如气体管道的新的形状数据)时进行半导体制造工艺的模拟所得到的结果。而且,计算部21计算将读入的模拟数据26同与晶圆表面平行的XY坐标进行了关联的规定个数的特征向量。计算出的规定个数的特征向量是将模拟数据同与晶圆表面平行的XY坐标进行了关联的规定个数的特征量的一例。
从输入部22向执行部23依次输入规定个数的特征向量,由此执行部23执行已学习模型,输出模拟结果。作为输出的模拟结果的一例,可列举表示晶圆表面上的成膜、蚀刻的特性的信息(例如晶圆表面图像数据)。
[构成模拟系统的各装置的硬件结构]
接着,使用图2A和图2B对构成模拟系统的各装置(学习装置10、推断装置20)的硬件结构进行说明。图2A是示出一个实施方式所涉及的学习装置10的硬件结构的一例的图。图2B是示出一个实施方式所涉及的推断装置20的硬件结构的一例的图。
如图2A所示,学习装置10具有CPU(Central Processing Unit:中央处理器)201、ROM(Read Only Memory:只读存储器)202。另外,学习装置10具有RAM(Random AccessMemory:随机存储器)203、GPU(Graphics Processing Unit:图形处理器)204。CPU 201、ROM202、RAM 203以及GPU 204形成所谓的计算机。
学习装置10还具有辅助存储装置205、操作装置206、显示装置207、I/F(Interface:接口)装置208以及驱动装置209。此外,学习装置10的各硬件经由总线210相互连接。
CPU 201是执行被安装于辅助存储装置205的各种程序(例如输入数据生成程序、学习程序等)的运算设备。
ROM 202是非易失性存储器,作为主存储装置发挥功能。ROM 202保存CPU 201为了执行被安装于辅助存储装置205的各种程序所需要的各种程序、数据等。具体地说,ROM 202保存BIOS(Basic Input/Output System:基本输入输出系统)、EFI(Extensible FirmwareInterface:可扩展固件接口)等的启动程序等。
RAM 203是DRAM(Dynamic Random Access Memory:动态随机存储器)、SRAM(Static Random Access Memory:静态随机存储器)等易失性存储器,作为主存储装置发挥功能。RAM 203提供在通过CPU 201来执行被安装于辅助存储装置205的各种程序时供各种程序展开的工作区。
GPU 204是用于图像处理的运算设备,在通过CPU 201执行输入数据生成程序、学习程序时,通过并行处理来对输入数据进行高速运算。此外,GPU 204搭载有内部存储器(GPU存储器),暂时保持在进行上述并行处理时需要的信息。
辅助存储装置205保存各种程序、在CPU 201执行各种程序时通过GPU 204被进行处理的学习用数据16、模拟数据等。例如,在辅助存储装置205中实现模拟数据DB 15、存储部14。
操作装置206是学习装置10的管理者对学习装置10输入各种指示时使用的输入设备。显示装置207是显示学习装置10的内部状态的显示设备。I/F装置208是用于与其它装置连接来进行通信的连接设备。
驱动装置209是用于设置记录介质220的设备。此处所说的记录介质220包括如CD-ROM、软盘、磁光盘等以光学方式、电气方式或磁方式记录信息的介质。另外,记录介质220也可以包括如ROM、闪存等以电气方式记录信息的半导体存储器等。
此外,例如将分发的记录介质220设置于驱动装置209,利用驱动装置209读出该记录介质220中记录的各种程序,由此对要安装于辅助存储装置205的各种程序进行安装。或者,也可以是,经由未图示的网络下载要安装于辅助存储装置205的各种程序,由此进行安装。
如图2B所示,推断装置20具有CPU 231、ROM 232、RAM 233、GPU 234、辅助存储装置235、操作装置236、显示装置237、I/F装置238以及驱动装置239。推断装置20的各硬件经由总线240相互连接。驱动装置239能够与记录介质250连接。推断装置20的硬件结构与学习装置10的硬件结构相同,因此省略对推断装置20的硬件结构的说明。
[学习用数据的说明]
接着,对根据模拟数据DB 15中保存的模拟数据生成的学习用数据16进行说明。图3是示出生成模拟数据DB 15中保存的模拟数据的模拟装置30进行的模拟的一例的图。图4是示出根据表示模拟结果的模拟数据生成的学习用数据的一例的图。
如图3所示,通过在模拟装置30中设定环境信息和工艺条件,能够将半导体制造工艺的模拟中的处理容器内的环境和工艺条件设定为固定。由此,执行部31能够仅将规定的配件(例如气体管道)的硬件结构(形状数据a、b、c…)作为变量,将除此以外的模拟条件设为固定,基于用于各工艺的模拟模型来进行模拟。
由此,模拟装置30能够得到与规定的配件的硬件结构一一对应的模拟结果并作为模拟数据(例如晶圆表面图像数据A、B、C…)发送至学习装置10,由此,学习装置10能够使用该模拟数据。由此,在学习装置10中能够将规定的配件的硬件结构的特征量作为特征向量输入至输入层。
例如,将与处理容器内的气体的流动有关的环境条件设定为固定(例如设为1sccm的密度为1的气体A等),并且将每个工艺的工艺条件(压力、温度等)设定为固定。在此基础上,当提供气体管道的硬件结构(管道的长度、直径等不同的形状数据)来作为变量并按照每个工艺的模拟模型来执行模拟时,能够将气体管道的硬件结构以外的模拟条件固定。由此,例如根据作为晶圆表面图像数据的模拟数据计算出的规定个数的特征向量与表示气体管道的特定形状的特征的特征量以一一对应的关系进行关联。由此,能够在学习装置10中生成已学习模型,该已学习模型被输入规定的组件的硬件结构的信息来作为学习模型的输入数据输入,并通过执行学习模型来输出与规定的组件的硬件结构对应的工艺结果。
图4中示出学习用数据的一例,该学习用数据包括学习装置10的计算部11根据模拟数据计算出的规定个数的特征向量。学习用数据包括“工序”、“(模拟)ID”、“气体管道数据(形状信息)”、“晶圆表面图像数据”以及“特征向量”来作为信息的项目。
在“工序”中保存通过模拟装置30执行的模拟的已知的工艺。在“ID”中保存用于识别通过模拟装置30执行的模拟的识别符。
在“气体管道数据”中保存根据气体管道的长度、直径等决定的气体管道的形状信息。但是,“气体管道”是半导体制造装置的处理容器内的配件的一例,只要是半导体制造装置的处理容器内的配件即可,不限定于气体管道,也可以换成任意配件的硬件结构的信息。
“晶圆表面图像数据”是表示通过模拟装置30进行模拟所得到的结果、即工艺结果的模拟数据一例。作为表示工艺结果的模拟数据的其它例,可列举形成于晶圆表面的膜的性质(电阻值等)、组成比、密度、成膜速率、蚀刻速率、照射于晶圆表面的光的折射率、光吸收系数等光学常数。
“特征向量”表示将规定个数的XY坐标与模拟数据进行了关联的各XY坐标处的特征量。在图5的例子中,确定与晶圆表面平行的XY坐标中的等间隔地散布的25个XY坐标(X1,Y1)~(X5,Y1)~(X1,Y5)~(X5,Y5)。而且,计算将25个XY坐标与各XY坐标处的模拟数据(AR11~AR15~AR51~AR55)进行了关联的25个特征向量。在图5的例子中,计算出(X1,Y1,AR11)~(X5,Y1,AR15)~(X1,Y5,AR51)~(X5,Y5,AR55)的25个特征向量,但是XY坐标的位置和个数并不限定于此。
如图4所示,按每个工艺将计算出的特征向量与气体管道数据进行相对应并作为学习用数据16保存在存储部14中。根据相关方法,能够通过将模拟数据映射到晶圆表面上来计算预先决定的固定个数的特征向量。也就是说,预先决定晶圆表面的(Xi,Yi)(i≥1),并进行标准化,由此能够将监控点固定。由此,通过使向图5的右侧所示的学习模型的示意图的输入层输入的特征向量的个数一致,能够进行高效的学习。
另外,根据本方法,能够将规定的配件的硬件结构以外的模拟条件固定。由此,能够将从模拟数据提取出的25个特征向量作为使规定的配件的硬件结构具有特征的特征量输入至学习模型的输入层。由此,能够进行与气体管道的硬件结构相应的学习。
但是,向输入层输入的特征向量的个数也可以不固定。例如,也可以是,晶圆表面的(Xi,Yi)不是固定的,是晶圆表面内的可变的位置。由此,能够将向学习模型的输入层输入的规定个数的特征向量设为可变。
另外,在本实施方式所涉及的模拟中,针对气体管道的硬件结构来模拟气体的流动,将作为其结果的工艺结果作为晶圆表面图像数据输出,但是并不限定于此。也能够利用于与各种制造工艺相关的模拟,例如针对用于载置晶圆的载置台的硬件结构进行晶圆温度的模拟,并输出表示晶圆表面上的温度分布的图像数据等作为工艺结果。
另外,在学习中使用的教师数据并不限定于模拟数据,也可以使用半导体制造装置实际进行了制造的数据,或者包括该数据。
通过在学习装置10中进行机器学习,并将生成的已学习模型搭载于推断装置20,能够在推断装置20中使用已学习模型来进行与新的配件有关的已知的工艺A、B的工艺预测。除此以外,在推断装置20中也可以使用已学习模型来进行与新的配件有关的未知的工艺A’、B’的工艺预测。
[通过模拟装置进行的模拟处理的流程]
接着,对通过模拟装置30进行的模拟处理的流程进行说明。图6是示出一个实施方式所涉及的模拟处理的一例的流程图。模拟装置30当被输入进行模拟的意思的指示时,执行图6所示的流程图。
首先,在步骤S10中,执行部31设定用于进行半导体制造工艺的处理容器内的环境信息34。另外,执行部31从工艺条件DB 35中选择模拟对象的工序(例如成膜工序)的工艺条件并进行设定。
接着,在步骤S12中,执行部31从气体管道数据36中选择作为对象的配件(气体管道的形状信息)并进行输入,按照与作为模拟对象的工序对应的模拟模型33来执行模拟。
接着,在步骤S14中,执行部31将模拟结果的模拟数据发送至学习装置10,结束模拟处理。由此,将模拟数据保存在图1所示的学习装置10的模拟数据DB 15内。
[通过学习装置进行的学习处理的流程]
接着,对通过学习装置10进行的学习处理的流程进行说明。图7是示出一个实施方式所涉及的学习处理的一例的流程图。在学习装置10中,当输入机器学习的执行指示时,执行图7所示的流程图。
首先,在步骤S20中,学习装置10从模拟装置30接收模拟数据并保存到模拟数据DB15中。
接着,在步骤S22中,计算部11计算将模拟数据同与晶圆表面平行的XY坐标进行了关联的规定个数的特征向量,并保存到学习用数据16中。计算部11每当接收到模拟数据时,重复进行计算将模拟数据与上述XY坐标进行了关联的规定个数的特征向量的处理,并保存到学习用数据16中。
接着,在步骤S24中,输入部12将计算出的规定个数的特征向量依次输入到学习模型的输入层。然后,处理部13将特征向量作为输入数据,将晶圆处理的结果作为输出数据,使用教师数据,利用半导体制造工艺的学习模型来对规定的配件执行机器学习。
接着,在步骤S26中,处理部13输出进行了学习的学习模型、即已学习模型,结束学习处理。
[通过推断装置进行的推断处理的流程]
通过推断装置20进行的推断处理的流程与通过学习装置10进行的学习处理的不同点在于使用已学习模型来进行处理,其它处理大致相同。在推断装置20中,当输入模拟的执行指示时,首先,从模拟装置30接收模拟数据并保存到存储部25中。接收的模拟数据例如是通过模拟装置30执行模拟所得到的、与新的配件(例如气体管道的新的形状)有关的模拟结果的数据。
接着,计算部21计算将模拟数据同与晶圆表面平行的XY坐标进行了关联的规定个数的特征向量。接着,输入部22将计算出的规定个数的特征向量依次输入到已学习模型的输入层。
接着,执行部23将计算出的规定个数的特征向量作为输入数据来执行已学习模型。输出部24输出从已学习模型输出的工艺结果、即晶圆处理的结果(例如晶圆表面图像数据),结束推断处理。由此,能够高精度且高效地得到例如使用了新的配件的情况下的半导体制造工艺的模拟结果。
如以上所说明的那样,在具备本实施方式所涉及的模拟装置30、学习装置10、推断装置20的模拟系统中,将规定的配件的硬件结构以外的模拟条件固定。由此,能够将根据模拟数据计算出的规定个数的特征向量作为使规定的配件的硬件结构具有特征的特征量来输入至学习模型的输入层。由此,能够使用进行了学习的已学习模型来模拟与规定的配件的硬件结构相应的半导体制造工艺。由此,用户能够使用已学习模型,基于模拟的结果、即输出晶圆表面图像数据来高精度且高效地掌握改变了规定的配件的形状时的工艺结果。
另外,通过使从模拟数据提取出的特征向量的个数相同,能够使向学习模型的输入层输入的数据一致。由此,能够高效地对关于半导体制造工艺的模拟进行机器学习。
并且,如图8所示,使用输入特征向量先进行了学习的已学习模型,并且还进行向其它输入层追加工艺条件数据、或者加入装置日志数据来进行学习的迁移学习,由此实现学习效率的提高和学习对象的扩充。
特别地,为了提高进行模拟所得到的工艺结果的精度,优选输入表示是使用至何种程度的半导体制造装置的数据来进行学习。因此,向输入层输入特征向量的部分的学习模型直接使用已学习模型的参数,并且还将装置日志数据与工艺条件数据一起输入至输入层来进行学习,由此能够考虑半导体制造装置的使用程度,能够得到精度更高的模拟结果。
另外,有时想要将工艺的各工序中的模拟进行组合以掌握最终的工艺结果。例如,考虑想要将成膜工序、蚀刻工序、灰化工序的各工艺的模拟进行组合以掌握最终的工艺结果的情况等。在该情况下,如图9所示,向输入层输入本工序的特征向量的部分的学习模型直接使用已学习模型的参数,并且还进行向其它输入层加入预处理的特征向量和后处理的特征向量来进行学习的迁移学习。由此,能够提高学习效率,并且能够得到与组合相关的工艺结果,关于与多种组合相关的半导体制造工艺的工序能够高效地得到高精度的模拟结果。
应该认为,本次公开的一个实施方式所涉及的学习装置、推断装置以及已学习模型在所有方面均为例示,而非限制性的。上述的实施方式在不脱离所附权利要求的范围及其主旨的情况下能够以各种方式进行变形和改良。上述多个实施方式中记载的事项在不矛盾的范围内也能够采用其它结构,另外,在不矛盾的范围内能够进行组合。
在本说明书中,作为被处理体的一例,列举晶圆进行了说明。但是,被处理体并不限定于此,也可以是在FPD(Flat Panel Display:平板显示器)中使用的各种基板、印刷电路板等。
本公开的学习装置10、推断装置20以及模拟装置30可以由个人计算机、服务器、平板侧终端、智能手机、穿戴式装置以及其它信息处理装置中的任一方实现。另外,学习装置10和模拟装置30既可以作为相同的装置来实现,也可以作为相分别的装置来实现。同样地,推断装置20和模拟装置30既可以作为相同的装置来实现,也可以作为相分别的装置来实现。另外,学习装置10和推断装置20既可以作为相同的装置来实现,也可以作为相分别的装置来实现。
另外,说明了对本公开的学习装置10基于神经网络来进行机器学习、推断装置20通过学习完的神经网络来实现的情况,但是并不限定于此,也可以通过各种机器学习模型来实现。
本国际申请主张基于以2018年9月12日申请的日本专利申请2018-171015号的优先权,在本国际申请中引用其全部内容。
附图标记说明
10:学习装置;11:计算部;12:输入部;13:处理部;14:存储部;15:模拟数据DB;20:推断装置;21:计算部;22:输入部;23:执行部;24:输出部;25:存储部;30:模拟装置;31:执行部;32:存储部;33:模拟模型;34:环境信息;35:工艺条件DB;36:气体管道数据;37:装置日志DB。
Claims (12)
1.一种学习装置,使用被输入至输入层的数据,基于学习模型来进行机器学习,所述学习装置具有:
计算部,其通过将模拟数据同与晶圆表面平行的XY坐标进行关联来计算得到规定个数的特征量,所述模拟数据是设定用于进行半导体制造工艺的处理容器内的环境信息并将设置于所述处理容器的规定的配件作为变量来进行半导体制造工艺的模拟所得到的结果;以及
输入部,其将计算出的所述规定个数的特征量输入至所述输入层。
2.根据权利要求1所述的学习装置,其中,
所述计算部计算将模拟数据与所述XY坐标进行了关联的规定个数的特征量,所述模拟数据是设定与气体有关的所述环境信息并将所述配件设为气体管道的形状来进行与气体的流动有关的半导体制造工艺的模拟所得到的结果。
3.根据权利要求1或2所述的学习装置,其中,
所述计算部计算将与所述晶圆表面平行且等间隔地散布的规定个数的XY坐标同该规定个数的XY坐标处的晶圆表面上的所述模拟数据进行了关联的规定个数的特征量。
4.根据权利要求1或2所述的学习装置,其中,
所述计算部参照针对半导体制造工艺的每个工序存储有模拟数据的存储部来针对每个工序计算规定个数的特征量,所述模拟数据是针对每个工序设定工艺条件并进行所述模拟所得到的结果。
5.根据权利要求1或2所述的学习装置,其中,
所述计算部重复以下处理:计算将模拟数据与所述XY坐标进行了关联的规定个数的特征量,所述模拟数据是使用设置于所述处理容器的多个所述配件来进行半导体制造工艺的模拟所得到的结果,
每当重复所述处理时,所述输入部将计算出的所述规定个数的特征量输入至所述输入层。
6.根据权利要求1或2所述的学习装置,其中,
还具有处理部,该处理部将被输入至所述输入层的所述规定个数的特征量用作教师数据,基于神经网络来进行半导体制造工艺的模拟。
7.根据权利要求5所述的学习装置,其中,
所述规定个数的特征量是相同的个数。
8.根据权利要求1或2所述的学习装置,其中,
所述模拟数据是晶圆表面图像数据。
9.根据权利要求8所述的学习装置,其中,
所述计算部将所述晶圆表面图像数据加工为与该晶圆表面图像数据的X方向和Y方向上的尺寸相应的二维阵列的形式,来计算规定个数的特征量。
10.一种推断装置,搭载有通过根据权利要求1~9中的任一项所述的学习装置进行了学习的已学习模型,所述推断装置具有:
计算部,其通过将模拟数据同与晶圆表面平行的XY坐标进行关联来计算得到规定个数的特征量,所述模拟数据是设定用于进行半导体制造工艺的处理容器内的环境信息并将设置于所述处理容器的规定的配件作为变量来进行半导体制造工艺的模拟所得到的结果;
输入部,其将计算出的所述规定个数的特征量输入至所述输入层;以及
执行部,其使用被输入至所述输入层的所述规定个数的特征量,通过所述已学习模型来进行半导体制造工艺的模拟。
11.根据权利要求10所述的推断装置,其中,
还具有输出部,该输出部输出进行所述模拟所得到的工艺结果的数据。
12.一种已学习模型,是使用被输入至输入层的数据基于学习模型进行了机器学习的模型,
所述已学习模型使计算机作为以下结构发挥功能:
计算部,其通过将模拟数据同与晶圆表面平行的XY坐标进行关联来计算得到规定个数的特征量,该模拟数据是设定用于进行半导体制造工艺的处理容器内的环境信息并将设置于所述处理容器的规定的配件作为变量来进行半导体制造工艺的模拟所得到的结果;以及
输入部,其将计算出的所述规定个数的特征量输入至所述输入层。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018-171015 | 2018-09-12 | ||
JP2018171015A JP7126412B2 (ja) | 2018-09-12 | 2018-09-12 | 学習装置、推論装置及び学習済みモデル |
PCT/JP2019/033861 WO2020054443A1 (ja) | 2018-09-12 | 2019-08-29 | 学習装置、推論装置及び学習済みモデル |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112655071A CN112655071A (zh) | 2021-04-13 |
CN112655071B true CN112655071B (zh) | 2024-04-16 |
Family
ID=69778274
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980058184.8A Active CN112655071B (zh) | 2018-09-12 | 2019-08-29 | 学习装置、推断装置以及已学习模型 |
Country Status (5)
Country | Link |
---|---|
US (1) | US11625518B2 (zh) |
JP (1) | JP7126412B2 (zh) |
KR (1) | KR102582921B1 (zh) |
CN (1) | CN112655071B (zh) |
WO (1) | WO2020054443A1 (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102685425B1 (ko) * | 2018-12-14 | 2024-07-17 | 에이에스엠엘 네델란즈 비.브이. | 패터닝 공정에서의 웨이퍼 거동을 결정하기 위해 이미지 패턴들을 그룹화하는 장치 및 방법 |
US20220252658A1 (en) * | 2019-05-23 | 2022-08-11 | Semiconductor Energy Laboratory Co., Ltd. | Method for predicting electrical characteristics of semiconductor element |
JP7399783B2 (ja) * | 2020-04-30 | 2023-12-18 | 株式会社Screenホールディングス | 基板処理装置、基板処理方法、学習用データの生成方法、学習方法、学習装置、学習済モデルの生成方法、および、学習済モデル |
JP7351814B2 (ja) * | 2020-08-17 | 2023-09-27 | トヨタ自動車株式会社 | 車両応答予測装置、学習装置、方法、及びプログラム |
US11586789B2 (en) * | 2021-04-07 | 2023-02-21 | Applied Materials, Inc. | Machine learning based smart process recipe builder to improve azimuthal flow and thickness uniformity |
JP2023046032A (ja) * | 2021-09-22 | 2023-04-03 | キヤノン株式会社 | 解析方法 |
TW202407483A (zh) * | 2022-05-06 | 2024-02-16 | 日商東京威力科創股份有限公司 | 模型產生方法、電腦程式及資訊處理裝置 |
JP2024107944A (ja) * | 2023-01-30 | 2024-08-09 | 東京エレクトロン株式会社 | コンピュータプログラム、情報処理装置、及び情報処理方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007036269A (ja) * | 1996-05-20 | 2007-02-08 | Ricoh Co Ltd | 半導体プロセスシミュレーション装置 |
TW200805434A (en) * | 2005-11-24 | 2008-01-16 | Toshiba Kk | Simulation device, computer-readable medium having simulation program recorded, and simulation method |
CN101359612A (zh) * | 2007-07-30 | 2009-02-04 | 东京毅力科创株式会社 | 管理和使用用于处理和设备控制的计量数据 |
CN101452221A (zh) * | 2007-12-05 | 2009-06-10 | 睿初科技公司 | 光刻工艺窗口模拟的方法和系统 |
JP2016189363A (ja) * | 2015-03-30 | 2016-11-04 | 株式会社日立ハイテクノロジーズ | 半導体外観検査装置および画像処理装置 |
JP2016213430A (ja) * | 2015-04-28 | 2016-12-15 | ルネサスエレクトロニクス株式会社 | 半導体装置の製造方法およびプログラム |
WO2017031014A1 (en) * | 2015-08-14 | 2017-02-23 | Kla-Tencor Corporation | System, method and computer program product for calibration of metrology tools |
CN107045560A (zh) * | 2015-12-17 | 2017-08-15 | 朗姆研究公司 | 通过表面动力学模型优化进行蚀刻轮廓匹配的方法和装置 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4693225B2 (ja) | 2000-11-06 | 2011-06-01 | 株式会社東芝 | 製造ラインの自動品質制御方法及びその装置並びに記憶媒体、自動品質制御プログラム |
US7337420B2 (en) * | 2005-07-29 | 2008-02-26 | International Business Machines Corporation | Methodology for layout-based modulation and optimization of nitride liner stress effect in compact models |
WO2015090774A1 (en) * | 2013-12-17 | 2015-06-25 | Asml Netherlands B.V. | Yield estimation and control |
JP2016058465A (ja) | 2014-09-08 | 2016-04-21 | 株式会社日立ハイテクノロジーズ | 欠陥定量化方法、欠陥定量化装置、および欠陥評価値表示装置 |
US10152678B2 (en) * | 2014-11-19 | 2018-12-11 | Kla-Tencor Corporation | System, method and computer program product for combining raw data from multiple metrology tools |
US20170357911A1 (en) * | 2014-12-18 | 2017-12-14 | Asml Netherlands B.V. | Feature search by machine learning |
JP6781689B2 (ja) | 2015-02-20 | 2020-11-04 | ソニーセミコンダクタソリューションズ株式会社 | 情報処理装置、加工装置、推定方法、プログラム、および、加工方法 |
JP2017084224A (ja) * | 2015-10-30 | 2017-05-18 | 株式会社日立製作所 | 設計支援装置、プログラムおよび設計支援方法 |
US10269545B2 (en) | 2016-08-03 | 2019-04-23 | Lam Research Corporation | Methods for monitoring plasma processing systems for advanced process and tool control |
US20180093419A1 (en) * | 2016-09-30 | 2018-04-05 | Velo3D, Inc. | Three-dimensional objects and their formation |
TW201837894A (zh) * | 2017-02-15 | 2018-10-16 | 日商半導體能源研究所股份有限公司 | 半導體裝置及顯示系統 |
JP7323541B2 (ja) * | 2018-03-13 | 2023-08-08 | アプライド マテリアルズ インコーポレイテッド | 半導体処理のモニタリングのための機械学習システム |
-
2018
- 2018-09-12 JP JP2018171015A patent/JP7126412B2/ja active Active
-
2019
- 2019-08-29 CN CN201980058184.8A patent/CN112655071B/zh active Active
- 2019-08-29 US US17/274,739 patent/US11625518B2/en active Active
- 2019-08-29 WO PCT/JP2019/033861 patent/WO2020054443A1/ja active Application Filing
- 2019-08-29 KR KR1020217009571A patent/KR102582921B1/ko active IP Right Grant
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007036269A (ja) * | 1996-05-20 | 2007-02-08 | Ricoh Co Ltd | 半導体プロセスシミュレーション装置 |
TW200805434A (en) * | 2005-11-24 | 2008-01-16 | Toshiba Kk | Simulation device, computer-readable medium having simulation program recorded, and simulation method |
CN101359612A (zh) * | 2007-07-30 | 2009-02-04 | 东京毅力科创株式会社 | 管理和使用用于处理和设备控制的计量数据 |
CN101452221A (zh) * | 2007-12-05 | 2009-06-10 | 睿初科技公司 | 光刻工艺窗口模拟的方法和系统 |
JP2016189363A (ja) * | 2015-03-30 | 2016-11-04 | 株式会社日立ハイテクノロジーズ | 半導体外観検査装置および画像処理装置 |
JP2016213430A (ja) * | 2015-04-28 | 2016-12-15 | ルネサスエレクトロニクス株式会社 | 半導体装置の製造方法およびプログラム |
WO2017031014A1 (en) * | 2015-08-14 | 2017-02-23 | Kla-Tencor Corporation | System, method and computer program product for calibration of metrology tools |
CN107045560A (zh) * | 2015-12-17 | 2017-08-15 | 朗姆研究公司 | 通过表面动力学模型优化进行蚀刻轮廓匹配的方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
JP7126412B2 (ja) | 2022-08-26 |
US20220050943A1 (en) | 2022-02-17 |
KR20210055057A (ko) | 2021-05-14 |
WO2020054443A1 (ja) | 2020-03-19 |
JP2020043270A (ja) | 2020-03-19 |
US11625518B2 (en) | 2023-04-11 |
CN112655071A (zh) | 2021-04-13 |
KR102582921B1 (ko) | 2023-09-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112655071B (zh) | 学习装置、推断装置以及已学习模型 | |
US20100063787A1 (en) | Plasma fluid modeling with transient to stochastic transformation | |
US7847247B2 (en) | Method of plasma particle simulation, storage medium, plasma particle simulator and plasma processing apparatus | |
US20200104708A1 (en) | Training apparatus, inference apparatus and computer readable storage medium | |
KR20210038665A (ko) | 학습 장치, 추론 장치 및 학습 완료 모델 | |
US20090106002A1 (en) | Process simulation framework | |
KR20150060524A (ko) | 시뮬레이션 방법, 시뮬레이션 프로그램, 가공 장치, 시뮬레이터 및 설계 방법 | |
CN112257848B (zh) | 确定逻辑核布局的方法、模型训练方法、电子设备、介质 | |
JP2008198380A (ja) | 電荷軌道計算方法及び電荷軌道計算システム | |
CN117010318B (zh) | 用于版图处理的方法、设备和介质 | |
CN115457350B (zh) | 光学邻近修正的蚀刻模型训练方法及光学邻近修正方法 | |
CN113779779A (zh) | 优化掩模的方法、设备和计算机可读存储介质 | |
US11853661B2 (en) | Systems and methods for machine learning based fast static thermal solver | |
WO2021111511A1 (ja) | 探索装置、探索プログラム及びプラズマ処理装置 | |
EP1190279A1 (en) | Model error bounds for identification of stochastic models for control design | |
CN115130384A (zh) | 神经网络辅助隐式空间映射的滤波器设计方法及装置 | |
JP2010135370A (ja) | 検査位置決定方法、検査情報管理システム及び検査方法 | |
CN113221499A (zh) | 掩膜版图生成方法、装置、计算机设备及存储介质 | |
CN109508467B (zh) | 对工艺腔中的气体的流动进行仿真的计算系统及其方法 | |
US8874252B2 (en) | Comprehensive analysis of queue times in microelectronic manufacturing | |
WO2024203739A1 (ja) | コンピュータプログラム、情報処理方法及び情報処理装置 | |
CN113256757B (zh) | 基于反距离加权插值的等值线快速生成方法、设备及介质 | |
CN117973092B (zh) | 一种半导体器件的数值仿真方法、装置、设备及存储介质 | |
US20230369032A1 (en) | Etching processing apparatus, etching processing system, analysis apparatus, etching processing method, and storage medium | |
Guo et al. | Optimizing Plasma Etching: Integrating Precise Three-Dimensional Etching Simulation and Machine Learning for Multi-Objective Optimization |
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 |