CN112655077B - 基板处理装置的制造工艺判定装置、基板处理系统、基板处理装置的制造工艺判定方法、学习模型组、学习模型组的生成方法以及程序 - Google Patents

基板处理装置的制造工艺判定装置、基板处理系统、基板处理装置的制造工艺判定方法、学习模型组、学习模型组的生成方法以及程序 Download PDF

Info

Publication number
CN112655077B
CN112655077B CN202080004996.7A CN202080004996A CN112655077B CN 112655077 B CN112655077 B CN 112655077B CN 202080004996 A CN202080004996 A CN 202080004996A CN 112655077 B CN112655077 B CN 112655077B
Authority
CN
China
Prior art keywords
determination
substrate processing
processing apparatus
learning model
manufacturing process
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
Application number
CN202080004996.7A
Other languages
English (en)
Other versions
CN112655077A (zh
Inventor
花田克司
藤原佑挥
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sumitomo Precision Products Co Ltd
Original Assignee
Sumitomo Precision Products Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Sumitomo Precision Products Co Ltd filed Critical Sumitomo Precision Products Co Ltd
Publication of CN112655077A publication Critical patent/CN112655077A/zh
Application granted granted Critical
Publication of CN112655077B publication Critical patent/CN112655077B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/20—Sequence of activities consisting of a plurality of measurements, corrections, marking or sorting steps
    • H01L22/26—Acting in response to an ongoing measurement without interruption of processing, e.g. endpoint detection, in-situ thickness measurement
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • C—CHEMISTRY; METALLURGY
    • C23—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; CHEMICAL SURFACE TREATMENT; DIFFUSION TREATMENT OF METALLIC MATERIAL; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL; INHIBITING CORROSION OF METALLIC MATERIAL OR INCRUSTATION IN GENERAL
    • C23C—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; SURFACE TREATMENT OF METALLIC MATERIAL BY DIFFUSION INTO THE SURFACE, BY CHEMICAL CONVERSION OR SUBSTITUTION; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL
    • C23C16/00—Chemical coating by decomposition of gaseous compounds, without leaving reaction products of surface material in the coating, i.e. chemical vapour deposition [CVD] processes
    • C23C16/44—Chemical coating by decomposition of gaseous compounds, without leaving reaction products of surface material in the coating, i.e. chemical vapour deposition [CVD] processes characterised by the method of coating
    • C23C16/50—Chemical coating by decomposition of gaseous compounds, without leaving reaction products of surface material in the coating, i.e. chemical vapour deposition [CVD] processes characterised by the method of coating using electric discharges
    • C—CHEMISTRY; METALLURGY
    • C23—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; CHEMICAL SURFACE TREATMENT; DIFFUSION TREATMENT OF METALLIC MATERIAL; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL; INHIBITING CORROSION OF METALLIC MATERIAL OR INCRUSTATION IN GENERAL
    • C23C—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; SURFACE TREATMENT OF METALLIC MATERIAL BY DIFFUSION INTO THE SURFACE, BY CHEMICAL CONVERSION OR SUBSTITUTION; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL
    • C23C16/00—Chemical coating by decomposition of gaseous compounds, without leaving reaction products of surface material in the coating, i.e. chemical vapour deposition [CVD] processes
    • C23C16/44—Chemical coating by decomposition of gaseous compounds, without leaving reaction products of surface material in the coating, i.e. chemical vapour deposition [CVD] processes characterised by the method of coating
    • C23C16/52—Controlling or regulating the coating process
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
    • H01L21/67005—Apparatus not specifically provided for elsewhere
    • H01L21/67011—Apparatus for manufacture or treatment
    • H01L21/67017—Apparatus for fluid treatment
    • H01L21/67063—Apparatus for fluid treatment for etching
    • H01L21/67069—Apparatus for fluid treatment for etching for drying etching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Mechanical Engineering (AREA)
  • Metallurgy (AREA)
  • Materials Engineering (AREA)
  • Organic Chemistry (AREA)
  • General Chemical & Material Sciences (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Manufacturing & Machinery (AREA)
  • Computer Hardware Design (AREA)
  • Power Engineering (AREA)
  • Plasma & Fusion (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Drying Of Semiconductors (AREA)
  • Chemical Vapour Deposition (AREA)

Abstract

本发明提供一种能够容易地抑制判定精度的降低的基板处理装置的制造工艺判定装置等。制造工艺判定装置(20)具备：工艺日志获取部(21)，其获取基板处理装置(10)的工艺日志数据；以及判定部(22)，其基于工艺日志数据来制作输入数据，基于输入数据来进行与基板处理装置的制造工艺有关的判定。判定部具备多个学习模型(25)，所述多个学习模型(25)分别被输入输入数据，分别输出与制造工艺有关的判定结果，所述多个学习模型是通过使用互不相同的教师数据进行机器学习而生成的。判定部能够切换要使用多个学习模型中的哪个学习模型来进行判定。

Description

基板处理装置的制造工艺判定装置、基板处理系统、基板处理 装置的制造工艺判定方法、学习模型组、学习模型组的生成方 法以及程序
技术领域
本发明涉及一种进行与基板处理装置的制造工艺有关的判定的基板处理装置的制造工艺判定装置、具备该基板处理装置的制造工艺判定装置的基板处理系统、基板处理装置的制造工艺判定方法、学习模型组、学习模型组的生成方法以及程序。特别地，本发明涉及一种能够容易地抑制判定精度的降低的基板处理装置的制造工艺判定装置、基板处理系统、基板处理装置的制造工艺判定方法、学习模型组、学习模型组的生成方法以及程序。
背景技术
以往，作为进行与半导体制造装置等基板处理装置的制造工艺有关的判定的装置，例如提出了专利文献1～3所记载的装置。
专利文献1所记载的装置是使用通过进行机器学习而生成的学习模型(神经网络)来判定(预测)基板的膜厚分布(具体地说，蚀刻深度)的装置。
专利文献2所记载的装置是使用通过进行机器学习而生成的学习模型(神经网络)来预测基板的蚀刻深度、进而判定(检测)蚀刻的终点的装置。
专利文献3所记载的装置是使用通过进行机器学习而生成的学习模型(支持向量机)来判定(预知)基板处理装置的故障(具体地说，异常发生部位和直到发生故障为止的预测时间)的装置。
在如专利文献1～3所记载的具备学习模型的判定装置中，在初始状态中(例如，基板处理装置出厂前)，通过使用规定的教师数据进行机器学习来生成学习模型。之后，在经过初始状态后(例如，基板处理装置出厂后)，通常使用或追加新的教师数据来使学习模型再次进行机器学习(再学习)，以提高判定精度。
然而，在经过初始状态后使学习模型再次进行学习时，例如在新使用或追加的教师数据不适当的情况下，与使用初始状态的学习模型(再学习前的学习模型)时相比判定精度有时会降低。由于即使判定精度降低也无法使已经再次学习完的学习模型复原，因此需要重复进行再学习直到获得期望的判定精度为止，需要极多的劳力和时间。
另外，也存在随着基板处理装置的运行条件的变更等而再学习前的学习模型的判定精度和再学习后的学习模型的判定精度的优劣发生变化的情况。即，对于某个运行条件，使用再学习前的学习模型会使判定精度更高，对于其它的运行条件，使用再学习完成的学习模型会使判定精度更高。
然而，在这种情况下也是，由于即使再学习完成的学习模型的判定精度降低也无法使再学习已完成的学习模型复原，因此需要重复进行再学习直到获得期望的判定精度为止，需要极多的劳力和时间。
在专利文献1～3中没有公开任何解决如上所述的学习模型的再学习中的问题的手段。
此外，如专利文献4所示，虽然不是使用学习模型，但是在对基板执行蚀刻处理的基板处理装置中，作为判定(检测)对基板进行的蚀刻的终点的装置，已知一种具备分光器的判定装置。具体地说，如专利文献4所记载的判定装置是如下的装置：将在基板处理装置所具备的腔室内产生的光引导至设置于腔室外的分光器，通过该分光器来测定具有规定波长的光的强度，由此判定(检测)对基板进行的蚀刻的终点。例如，在专利文献4所记载的判定装置中，在将SF6气体用作处理气体来对Si基板进行蚀刻的情况下，判定(检测)具有作为Si的反应生成物的SiF的发光波长的光的强度成为基准值以下的时间点来作为蚀刻的终点。
与上述同样地，在对基板执行成膜处理的基板处理装置中，在判定(检测)对通过成膜处理而附着于腔室内的膜组成物进行的蚀刻的终点时，也使用了具备分光器的判定装置。在这种判定装置中，例如在将C4F8气体用作处理气体来对膜组成物进行蚀刻的情况下，判定(检测)具有F的发光波长的光的强度成为基准值以上的时间点来作为蚀刻的终点。
现有技术文献
专利文献
专利文献1：日本特表2009-534854号公报
专利文献2：日本特开2017-195365号公报
专利文献3：日本特开2018-178157号公报
专利文献4：日本特许第4101280号公报
发明内容
发明要解决的问题
本发明是为了解决上述现有技术的问题点而完成的，其课题在于提供一种能够容易地抑制判定精度的降低的基板处理装置的制造工艺判定装置、基板处理系统、基板处理装置的制造工艺判定方法、学习模型组、学习模型组的生成方法以及程序。
用于解决问题的方案
为了解决所述课题，本发明提供一种基板处理装置的制造工艺判定装置，进行与基板处理装置的制造工艺有关的判定，基板处理装置的制造工艺判定装置具备：工艺日志获取部，其获取所述基板处理装置的工艺日志数据；以及判定部，其基于所述工艺日志数据来制作输入数据，基于所述输入数据来进行与所述基板处理装置的制造工艺有关的判定，其中，所述判定部具备多个学习模型，所述多个学习模型分别被输入所述输入数据，分别输出与所述制造工艺有关的判定结果，所述多个学习模型是通过使用互不相同的教师数据进行机器学习而生成的，所述判定部能够切换要使用所述多个学习模型中的哪个学习模型来进行判定。
根据本发明，进行与基板处理装置的制造工艺有关的判定的判定部具备多个学习模型，这些多个学习模型是通过使用互不相同的教师数据进行机器学习而生成的。而且，判定部能够切换要使用多个学习模型中的哪个学习模型来进行判定。因此，例如在变更了基板处理装置的运行条件时等适当的定时分别评价多个学习模型的判定精度，通过切换为使用判定精度最高的学习模型，能够容易地抑制判定精度的降低。
在本发明中，也能够手动进行对多个学习模型的判定精度的评价、针对判定部的用于切换学习模型的切换指示。然而，自动地进行这些更为有效，是优选的。
因而，优选的是，所述判定部使用判定精度评价用数据来分别评价所述多个学习模型的判定精度，使用判定精度最高的学习模型来进行之后的判定。
根据上述优选的结构，判定部对多个学习模型的判定精度分别自动地进行评价，自动切换为判定精度最高的学习模型，因此能够有效地抑制判定精度的降低。
在上述优选的结构中，对学习模型的判定精度进行评价的定时可以根据时间等预先设定，也可以手动进行指示。
在本发明中，如果如上述优选的结构那样设为对多个学习模型的判定精度分别进行评价，使用判定精度最高的学习模型来进行之后的判定，则虽然能够抑制判定精度的降低，但是要花费准备判定精度评价用数据的劳力和时间。为了节省该劳力和时间，优选将多个学习模型的判定结果的多数投票设为最终的判定结果。
因而，优选的是，所述判定部输出所述多个学习模型的判定结果的多数投票来作为最终的判定结果。
根据上述优选的结构，由于将多个学习模型的判定结果的多数投票设为最终的判定结果，因此即使不频繁地对各学习模型的判定精度进行评价，也能够使最终的判定结果的判定精度具有可靠性。
此外，在多个学习模型为偶数个学习模型的情况下，输出相同判定结果的学习模型的个数可能成为相同数量。在成为相同数量的情况下，考虑输出预先决定的判定结果来作为最终的判定结果。例如，判定部具备四个学习模型，在如后述的本发明的第一实施方式那样判定是在蚀刻的终点前还是在蚀刻的终点后的情况下，在判定为某两个学习模型在蚀刻的终点前且判定为其余的两个学习模型在蚀刻的终点后时，由于是相同数量，因此只要预先决定将最终的判定结果设为蚀刻的终点前即可。
优选的是，在所述多个学习模型中包括如下两种学习模型：通过仅使用在所述基板处理装置的初始状态下获得的教师数据进行机器学习而生成的学习模型；以及通过使用包含在经过所述基板处理装置的初始状态后获得的教师数据的教师数据进行机器学习而生成的学习模型。
根据上述优选的结构，在经过初始状态后的学习模型(例如，通过使用包含在基板处理装置出厂后获得的教师数据的教师数据进行机器学习而生成的学习模型)的判定精度比初始状态的学习模型(例如，通过仅使用在基板处理装置出厂前获得的教师数据进行机器学习而生成的学习模型)的判定精度低的情况下，能够切换为初始状态的学习模型并使用该模型。
另外，即使在随着基板处理装置的运行条件的变更等而初始状态的学习模型的判定精度和经过初始状态后的学习模型的判定精度的优劣发生了变化的情况下，也能够切换为任意的判定精度高的学习模型并使用该模型。
另外，为了解决所述课题，本发明还作为基板处理系统被提供，其特征在于，具备基板处理装置和上文中记载的任一制造工艺判定装置。
另外，为了解决所述课题，本发明还作为基板处理装置的制造工艺判定方法被提供，其特征在于，包括以下工序：工艺日志获取工序，获取基板处理装置的工艺日志数据；以及判定工序，基于通过所述工艺日志获取工序获取到的工艺日志数据来制作输入数据，基于所述输入数据来进行与所述基板处理装置的制造工艺有关的判定，其中，在所述判定工序中，准备通过使用互不相同的教师数据进行机器学习而生成的多个学习模型，使用所述多个学习模型中的至少某一个学习模型，向所述至少某一个学习模型输入所述输入数据，从所述至少某一个学习模型输出与所述制造工艺有关的判定结果。
另外，为了解决所述课题，本发明还作为学习模型组被提供，学习模型组由通过使用互不相同的教师数据进行机器学习而生成的多个学习模型构成，所述多个学习模型分别被输入基于基板处理装置的工艺日志数据制作出的输入数据，分别输出与所述基板处理装置的制造工艺有关的判定结果。
另外，为了解决所述课题，本发明还作为学习模型组的生成方法被提供，该学习模型组的生成方法用于生成由多个学习模型构成的学习模型组，所述多个学习模型分别被输入基于基板处理装置的工艺日志数据制作出的输入数据，分别输出与所述基板处理装置的制造工艺有关的判定结果，所述学习模型组的生成方法的特征在于，通过使用互不相同的教师数据进行机器学习来生成所述多个学习模型。
并且，为了解决所述课题，本发明还作为程序被提供，该程序用于使计算机(CPU)执行所述基板处理装置的制造工艺判定方法中包括的所述工艺日志获取工序和所述判定工序。
此外，也能够作为存储有上述程序的可由计算机(CPU)读取的存储介质提供。
发明的效果
根据本发明，能够容易地抑制判定精度的降低。
附图说明
图1是示意性地示出本发明的第一实施方式所涉及的基板处理系统的概要结构的图。
图2是对图1所示的归一化部以及图像化部的动作进行说明的说明图。
图3是示意性地示出图1所示的学习模型的概要结构和动作的图。
图4是示出图1所示的学习模型的学习时和判定时的动作过程的流程图。
图5是示出图1所示的制造工艺判定装置的变形例的框图。
图6示出使用图1所示的基板处理系统进行了试验的结果。
图7是示意性地示出本发明的第二实施方式所涉及的基板处理系统的概要结构的图。
图8示出使用图7所示的基板处理系统进行了试验的结果。
具体实施方式
下面，参照添附附图来说明本发明的实施方式所涉及的制造工艺判定装置以及具备该制造工艺判定装置的基板处理系统。在本实施方式中，列举如下的情况进行说明：基板处理装置是等离子体处理装置，检测蚀刻的终点来作为与基板处理装置中的制造工艺有关的判定。
首先，对本说明书中使用的词句的意思进行说明。
在本说明书中，“与基板处理装置的制造工艺有关的判定”是指与基板处理装置的制造工艺(是指基板处理装置中的基板的制造工艺)有关的检测、预测。基板处理装置的制造工艺是指在基板处理装置内在对基板进行处理的期间以及在处理前后进行的工艺。因而，在与基板处理装置的制造工艺有关的判定中不包括与对处理后的基板的检查(特别是，对在基板处理装置内的处理后被搬出到基板处理装置外的基板的检查)有关的判定。具体地说，能够例示基板处理装置的制造工艺中的异常检测、执行蚀刻处理的基板处理装置的制造工艺中的蚀刻终点的检测、蚀刻形状/深度的预测、执行成膜处理的基板处理装置的制造工艺中的进行成膜得到的膜质的预测等。此外，本实施方式所涉及的制造工艺判定装置进行与基板处理装置的制造工艺有关的判定，因此其判定结果能够直接有助于提高通过基板处理装置进行处理后的基板的性能、提高成品率等。与此相对地，由于即使进行与处理后的基板的检查有关的判定也只不过是判定进行了检查的基板本身是否良好等，因此其判定结果并非直接有助于提高通过基板处理装置处理后的基板的性能、提高成品率等。
另外，在本说明书中，“基板处理装置的工艺日志数据”是指与基板处理装置中的对基板的处理有关的各种测定值、设定值的历史记录，一般来说是在基板处理装置运行时逐次获得的。但是，在工艺日志数据中也可以包含与处理后的基板的检查(对被搬出到基板处理装置外的基板的检查)有关的测定值。这是因为，由于基板的检查结果可能会根据基板的处理是否良好而发生变化，因此与处理后的基板的检查有关的测定值也可以说是与基板处理装置中的对基板的处理有关的测定值。
另外，在本说明书中，作为“学习模型”，只要能够使用神经网络、支持向量机等机器学习来生成，则能够采用各种结构。
另外，在本说明书中，“教师数据”是指向学习模型输入输出的已知的输入输出的组合，“互不相同的教师数据”的意思并不限于输入输出的组合完全不同的情况，也包含一部分组合重复的情况。
另外，在本说明书中，“能够切换要使用多个学习模型中的哪个学习模型来进行判定”的意思并不限于切换为某一个学习模型并仅使用该切换后的某一个学习模型来进行判定。例如，也包含切换为三个学习模型中的两个学习模型并使用这两个学习模型来进行判定、或者使用多个学习模型的全部来进行判定。
另外，在本说明书中，“判定精度评价用数据”是指向学习模型输入输出的已知的输入输出的组合，“判定精度”是指学习模型输出的判定结果与判定精度评价用数据的输出(真的判定结果)的匹配程度。
并且，在本说明书中，“输出多个学习模型的判定结果的多数投票来作为最终的判定结果”是包含在输出相同的判定结果的学习模型的个数为相同数量的情况下输出预先决定的某一方的判定结果来作为最终的判定结果的情况的概念。
<第一实施方式>
图1是示意性地示出第一实施方式所涉及的基板处理系统的概要结构的图。图1的(a)是基板处理系统的整体结构图。图1的(b)是示出制造工艺判定装置的概要结构的框图。图1的(c)是示意性地示出构成制造工艺判定装置的计算机的监视器画面的显示例的图。此外，在图1的(a)中，将要测定的参数以用虚线矩形包围的方式进行了图示。
如图1的(a)所示，第一实施方式所涉及的基板处理系统100具备基板处理装置10和制造工艺判定装置20。
第一实施方式的基板处理装置10具备腔室1和配置在腔室1内的载置台2，是对载置于载置台2的基板W实施等离子体处理的装置。更具体地说，第一实施方式的基板处理装置10是对基板W实施作为等离子体处理的蚀刻的感应耦合等离子体(ICP)方式的等离子体蚀刻装置。在基板处理装置10中对基板W实施蚀刻时，重要的是判定(检测)蚀刻的终点以避免基板W被过度蚀刻。
从气体供给源(未图示)向基板处理装置10的腔室1内供给用于生成等离子体的处理气体。在图1的(a)中，图示了能够供给气体No.1～气体No.6的六种处理气体的结构。然而，在执行蚀刻处理时，并不限于使用六种处理气体的全部的情况，能够使用任意一种以上的处理气体来进行蚀刻。此外，通过设置于从气体供给源到腔室1的流路上的质量流量控制器(Mass Flow Controller，MFC)11来测定所供给的各处理气体的流量。另外，在腔室1中，对腔室1的壁面进行加热的加热器(未图示)被设置在适当的位置，通过热电偶等公知的测定器(未图示)来测定各位置的加热器的温度(图1的(a)所示的温度No.1-1～No.1-4)。并且，通过真空计12来测定腔室1内的压力。
基板处理装置10具备以围绕腔室1的方式配置于腔室1的线圈3(方便起见，在图1的(a)中仅图示了位于左侧的线圈3的截面)。从上部高频电源4经由上部匹配单元5向线圈3施加高频电力(上部高频电力)。通过对线圈3施加上部高频电力，来使被供给到腔室1内的处理气体被等离子体化。此外，分别通过公知的测定器(未图示)来测定上部高频电源4施加的上部高频电力和上部匹配单元5的匹配位置(上部匹配单元5具备的可变电容器、可变线圈等的常数)。
从下部高频电源6经由下部匹配单元7对载置台2施加高频电力(下部高频电力)。通过对载置台2施加下部高频电力，来对载置台2与腔室1内的等离子体之间赋予偏置电位，以将等离子体中的离子加速地吸引到被载置于载置台2的基板W上。由此，对基板W实施蚀刻。此外，分别通过公知的测定器(未图示)来测定下部高频电源6施加的下部高频电力和下部匹配单元7的匹配位置(下部匹配单元7具备的可变电容器、可变线圈等的常数)。
在等离子体处理的执行过程中，通过冷却器8将载置台2进行冷却。通过热电偶等公知的测定器(未图示)来测定冷却器8的温度。另外，在等离子体处理的执行过程中，向基板W的背面供给He气体，通过该He气体将基板W进行冷却。此时，通过在从He气体供给源(未图示)到基板W的背面(载置台2的上表面)的流路上设置的压力/流量计9来测定所供给的He气体的压力/流量。
通过执行等离子体处理而在腔室1内生成的反应生成物等通过与腔室1内连通的排气管17被排出到腔室1外。在排气管17上设置有通过调整阀开度来控制腔室1内的压力的自动压力控制装置(Auto Pressure Controller，APC)13、用于排出反应生成物的第一泵(涡轮分子泵)14以及辅助第一泵14的第二泵(干式泵、旋转泵等)15。此外，通过热电偶等公知的测定器(未图示)来测定自动压力控制装置13的温度(图1的(a)所示的温度No.1-5)和第一泵14的温度(图1的(a)所示的温度No.1-6)。另外，在排气管17上的适当位置(例如，第一泵14与第二泵15之间)设置有将排气管17进行加热的加热器(未图示)，通过热电偶等公知的测定器(未图示)来测定各位置处的加热器的温度(图1的(a)所示的温度No.1-7、No.1-8)。另外，通过编码器等公知的测定器(未图示)来测定自动压力控制装置13的阀开度(APC开度)。并且，通过真空计16来测定位于第一泵14与第二泵15之间的排气管17内的压力(前级压力)。
第一实施方式的制造工艺判定装置20是与具有上述结构的基板处理装置10电连接并判定(检测)在基板处理装置10中对基板W实施的蚀刻的终点的装置。
如图1的(b)所示，制造工艺判定装置20具备工艺日志获取部21和判定部22，例如由计算机构成。
工艺日志获取部21以有线或无线方式与参照图1的(a)在前文中记述的用于测定各测定值的测定器(例如质量流量控制器11)电连接(方便起见，在图1的(a)中图示了仅与压力/流量计9、质量流量控制器11以及真空计12进行了有线连接的状态)，具有以规定的采样周期(例如1秒)获取(进行A/D变换)从各测定器逐次输入的测定数据的功能。工艺日志获取部21例如通过搭载于计算机的A/D转换板、计算机具备的ROM、RAM等存储器、或者存储于该存储器中并使CPU执行作为工艺日志获取部21的动作的程序来构成。程序也可以是被存储于作为制造工艺判定装置20所具备的外置的存储介质的硬盘27中并从硬盘27被读入到RAM中的方式。获取到的该各测定值以及与各测定值对应的各设定值作为工艺日志数据被使用于由判定部22进行的蚀刻的终点检测中。
此外，在第一实施方式所使用的工艺日志数据中不包含与在腔室1内产生的光(根据向腔室1内供给的处理气体、基板W的成分而产生的光)有关的测定值。即，以往的使用分光器得到的光的强度测定值等被排除在外。换言之，在检测蚀刻的终点时不需要使用分光器。另外，在第一实施方式所使用的工艺日志数据中不包含与基板处理装置10外的基板W的位置有关的测定值、设定值。
另外，在第一实施方式中，将图1的(a)所示的全部的测定值作为工艺日志数据使用于蚀刻的终点检测中，但是本发明并不限于此。其中，优选的是，至少使用前级压力或APC开度、以及上部匹配单元5以及/或者下部匹配单元7的匹配位置。
根据本发明的发明人们潜心研究的结果，各种工艺日志数据中的排气管17内的压力(前级压力)、自动压力控制装置13的阀开度(APC开度)、上部匹配单元5的匹配位置以及下部匹配单元7的匹配位置在蚀刻的终点前后特别容易变化。这是因为，如果蚀刻结束，则基板W上的作为蚀刻对象的层消失，因此等离子体的状态发生变化。因此，为了判定(检测)蚀刻的终点，优选使用如上所述的至少这些工艺日志数据。其中，前级压力与APC开度大致联动地变化，因此考虑可以仅使用其中任一方。
此外，在制造工艺判定装置20还具有作为一般用于控制基板处理装置10的运行的控制装置的功能的情况下(在控制装置还被兼用作制造工艺判定装置20的情况下)，构成工艺日志数据的各设定值被预先存储于制造工艺判定装置20(工艺日志获取部21)中。在制造工艺判定装置20与上述的控制装置分开设置且两者进行了电连接的情况下，控制装置中预先存储的各设定值被发送到制造工艺判定装置20(工艺日志获取部21)。另外，在第一实施方式中，例示了制造工艺判定装置20与各测定器直接连接的情况，但是也能够采用上述的控制装置与各测定器直接连接并将由控制装置获取到的各测定值发送到制造工艺判定装置20的结构。
判定部22是根据由工艺日志获取部21逐次(例如每1秒)获取到的工艺日志数据来制作输入数据并基于该输入数据来判定(检测)基板处理装置10中的蚀刻的终点的部分。判定部22例如通过计算机所具备的ROM、RAM等存储器、或者存储于该存储器中并使CPU执行作为判定部22的动作的程序构成。该程序也可以是被存储于硬盘27中并从硬盘27被读入到RAM中的方式。
判定部22具备多个学习模型25。在图1的(b)所示的例子中，判定部22具备第一学习模型25a和第二学习模型25b这两个学习模型，但是本发明并不限于此，也能够具备三个以上的学习模型25。第一学习模型25a和第二学习模型25b的结构相同，但是第一学习模型25a和第二学习模型25b是通过使用互不相同的教师数据进行机器学习而生成的。例如，第一学习模型25a是通过仅使用在基板处理装置10出厂前获得的教师数据进行机器学习而生成的，第二学习模型25b是通过使用在基板处理装置10出厂前和出厂后获得的教师数据进行机器学习而生成的。此外，本说明书所记载的“出厂前”并不限于基板处理装置10存在于基板处理装置10的制造者侧的状态。在将基板处理装置10从制造者侧交给使用者侧之后制造者侧前往使用者侧对基板处理装置10进行启动调整的情况下，本说明书所记载的“出厂前”是还包含该启动调整期间的概念。
而且，判定部22能够切换要使用第一学习模型25a和第二学习模型25b中的哪个习模型来进行判定。判定中使用的学习模型25的切换可以手动地指示判定部22进行切换，也可以如后述那样由判定部22自动进行。
在图1的(b)所示的例子中，图示了如下的状态：选择了第一学习模型25a，后述的图像化部24与第一学习模型25a连接，使用第一学习模型25a来进行判定。
例如，在出厂前后，由于实用性标准不同、或者洁净室环境不同，有时在出厂后获得的教师数据不适当。另外，在出厂后也在基板处理装置中存在如下情况：由于设备的性能提高/制造工艺改善或用途变更，而基板W的材质或尺寸不同、或者用于生成等离子体的处理气体不同。在这种情况下，使用第一学习模型25a可能判定精度更高，该第一学习模型25a是仅使用在出厂前获得的教师数据进行学习而得到的。
此外，如上所述，判定部22也能够具备三个以上的学习模型。特别地，优选的是，根据如上所述的出厂后的基板处理装置中的设备的性能提高/制造工艺改善、用途变更等，准备同样在出厂后获得但彼此不同的教师数据，通过分别使用这些出厂后的不同的教师数据进行机器学习来生成多个学习模型25。
作为优选的结构，第一实施方式的判定部22还具备归一化部23和图像化部24。这些归一化部23、图像化部24以及学习模型25例如也通过计算机所具备的ROM、RAM等存储器、或者存储于该存储器中并使CPU执行作为各部23～25的动作的程序来构成。该程序也可以是被存储于硬盘27中并从硬盘27被读入到RAM中的方式。
图2是对归一化部23和图像化部24的动作进行说明的说明图。图2的(a)是对归一化部23的动作进行说明的图，图2的(b)、(c)是对图像化部24的动作进行说明的图。
图2的(a)的左图是示意性地示出由工艺日志获取部21获取到的工艺日志数据的图。图2的(a)所示的参数1～N是指工艺日志数据的种类，例如，参数1为通过图1的(a)所示的质量流量控制器11测定出的气体No.1的流量、参数N为图1的(a)所示的温度No.1-8等。图2的(a)的左图所示的Xij(i＝1～N、j＝1～M)是指在工艺时间(从蚀刻开始起的经过时间)为j[sec]时针对参数i获取到的工艺日志数据的值。例如，X11是在工艺时间为1[sec]时针对参数1获取到的工艺日志数据的值，XNM是在工艺时间为M[sec]时针对参数N获取到的工艺日志数据的值。
归一化部23预先按工艺日志数据的每个种类(每个参数i)计算全部工艺时间(1～M[sec])内的工艺日志数据的最大值MAXi、最小值MINi。例如，针对参数1的最大值为MAX1、最小值为MIN1，针对参数N的最大值为MAXN、最小值为MINN。此外，优选的是，这些最大值MAXi和最小值MINi不是使用在对一个基板W进行蚀刻时获取到的工艺日志数据计算出的，而是预先使用在后述的进行学习模型25的学习时等关于以同等的制程(等离子体处理的条件)进行了蚀刻的多个基板W获取到的工艺日志数据计算出的。计算出的工艺日志数据的每个种类(每个参数i)的最大值MAXi和最小值MINi被存储于归一化部23中。
然后，归一化部23按工艺日志数据的每个种类(每个参数i)对由工艺日志获取部21逐次获取到的工艺日志数据Xij进行最大值为1且最小值为0的归一化。
具体地说，基于下面的式(1)，如图2的(a)的右图所示那样计算归一化后的工艺日志数据Yij。
Yij＝(Xij-MINi)/(MAXi-MINi) …(1)
在上述的式(1)中，i＝1～M，j＝1～N。
根据上述的式(1)明确可知的是，以在Xij＝MAXi时Yij＝1、在Xij＝MINi时Yij＝0的方式进行归一化。
工艺日志数据Xij的值根据压力、温度、流量等工艺日志数据Xij的种类而有很大不同。另外，根据用什么样的单位进行表示也会为不同的值。因此，在对蚀刻的终点进行判定(检测)时，如果直接使用各种工艺日志数据Xij的值，则可能对判定精度造成影响。为了避免该影响，优选如上述那样进行归一化，使得归一化后的各种工艺日志数据Yij的值均在一定的范围内变动。
图像化部24基于归一化后的工艺日志数据，来制作向学习模型25输入的输入数据。
具体地说，图像化部24基于图2的(b)的左图所示的归一化后的工艺日志数据，如图2的(b)的右图所示那样逐次(例如每1秒)制作将以下图表(直方图)进行图像化所得到的图像数据，在该图表(直方图)中，一个轴(在图2的(b)的右图所示的例子中为横轴)为工艺日志数据的种类(参数1～N)，与一个轴正交的另一个轴(在图2的(b)的右图所示的例子中为纵轴)为归一化后的工艺日志数据的值Yij。
作为图像数据的种类，并不限于如图2的(b)的右图所示那样的单色灰度图像，也能够制作二值化图像、彩色图像等任意的图像数据。
接着，第一实施方式的图像化部24将制作出的图像数据分割为由多个像素构成的规定的像素区域。
具体地说，如图2的(c)所示，图像化部24将图像数据在一个轴(横轴)方向和另一个轴(纵轴)方向上分别进行K分割来制作像素区域Aij(i＝1～K、j＝1～K)。而且，图像化部24针对每个像素区域Aij计算平均浓度值(构成像素区域Aij的多个像素的浓度值的平均值)Iave(Aij)(i＝1～K、j＝1～K)。该平均浓度值Iave(Aij)被用作向学习模型25输入的输入数据。
此外，在图像化部24制作彩色图像(RGB三色的彩色图像)的情况下，图像化部24对于各颜色的图像计算平均浓度值，这些平均浓度值全部被用作向学习模型25输入的输入数据。
另外，在第一实施方式中，示出了图像化部24将图像数据分割为像素区域的例子，但是本发明并不限于此，也能够将构成图像数据的各像素的浓度值直接用作向学习模型25输入的输入数据。
图3是示意性地示出学习模型25(第一学习模型25a、第二学习模型25b)的概要结构和动作的图。
图4是示出学习模型25的学习时和判定时的动作过程的流程图。图4的(a)示出学习时的动作过程，图4的(b)示出判定时的动作过程。
如图3所示，第一实施方式的学习模型25由具有输入层、中间层以及输出层的神经网络构成。在图3中，例示了具有两层中间层的结构，但是能够用作本发明的学习模型的神经网络并不限于此，能够采用具有任意层数的中间层的结构。另外，图3所示的各层的节点(图3中用“○”表示的部分)的个数只是例示，能够用作本发明的学习模型的神经网络中的节点的个数并不限于图示的个数。
学习模型25是以在将由图像化部24制作出的图像数据(具体地说，各像素区域Aij的平均浓度值Iave(Aij))作为输入数据输入到输入层的情况下从输出层输出是基板处理装置10中的蚀刻的终点前后中的哪一方(输出输出值OUT)的方式通过机器学习生成的结构。
具体地说，在进行学习模型25的学习时，作为教师数据的输入，赋予根据在蚀刻的终点前获取到的工艺日志数据制作出的输入数据(图像数据)。另外，作为与所述输入组合起来的教师数据的输出，赋予蚀刻的终点前(在第一实施方式中，为OUT＝0)。然后，以在向输入层输入了所述输入的情况下从输出层输出OUT＝0的方式进行机器学习。
另外，作为教师数据的输入，赋予根据在蚀刻的终点后获取到的工艺日志数据制作出的输入数据(图像数据)。另外，作为与所述输入组合起来的教师数据的输出，赋予蚀刻的终点后(在第一实施方式中，为OUT＝1)。然后，以在向输入层输入了所述输入的情况下从输出层输出OUT＝1的方式进行机器学习。
如上所述，在第一学习模型25a和第二学习模型25b中，使用互不相同的教师数据，但是机器学习的方法相同。具体地说，如图4的(a)所示，准备第一学习模型25a用的教师数据D1，使用该教师数据D1来使第一学习模型25a进行学习。另外，准备与教师数据D1不同的第二学习模型25b用的教师数据D2，使用该教师数据D2来使第二学习模型25b进行学习。
此外，第一学习模型25a和第二学习模型25b不限于通过进行一次机器学习而生成的模型。根据需要，也能够使用新的教师数据来进行第一学习模型25a和第二学习模型25b的再学习、或者向以往的教师数据中追加新的教师数据来进行第一学习模型25a和第二学习模型25b的再学习。关于是否进行第一学习模型25a和第二学习模型25b的再学习，例如只要如图1的(c)所示那样在构成制造工艺判定装置20的计算机的监视器画面上分别显示用于进行第一学习模型25a和第二学习模型25b的再学习的执行按钮20c即可。然后，只要构成为通过使用键盘或鼠标点击各执行按钮20c、或者在监视器为触摸面板式的情况下用手指碰触各执行按钮20c来执行与各执行按钮20c对应的学习模型25的再学习即可。
此外，在基板处理装置10具备分光器的情况下，使用该分光器来获取教师数据即可。具体地说，关于成为用作教师数据的输入数据的基础的工艺日志数据是在蚀刻的终点前获取到的、还是在蚀刻的终点后获取到的，只要通过分光器测定具有规定波长的光的强度来进行判定即可。即，使用分光器来检测蚀刻的终点，将通过该分光器检测到的蚀刻的终点设为真，判定工艺日志数据是在该设为真的终点以前获取到的、还是在设为真的终点以后获取到的并设为教师数据即可。
另外，在基板处理装置10不具备分光器的情况下，使用具备分光器的其它基板处理装置来获取教师数据即可。即，也能够通过使用具备分光器的其它基板处理装置进行机器学习来生成学习模型25，在应用于第一实施方式的基板处理装置10的制造工艺判定装置20中使用该学习模型25。
另外，在基板处理装置10具备用于执行蚀刻处理的多个腔室1、对每个腔室1应用制造工艺判定装置20、仅在一部分腔室1具备分光器的情况下，使用具备分光器的其它的腔室1来获取教师数据即可。即，也能够通过使用具备分光器的其它的腔室1进行机器学习来生成学习模型25，在不具备分光器的腔室1用的制造工艺判定装置20中使用该学习模型25。该方式对于在多个腔室1中以同种制程并行地执行蚀刻处理的情况特别有效。
并且，并不一定限于使用分光器来获取教师数据的情况。例如，还考虑以下情形：在获取教师数据时，观察蚀刻期间的基板W的表面，根据与蚀刻的终点前后相应的基板W表面的颜色差异，判定工艺日志数据是蚀刻的终点前还是终点后的数据来获取教师数据。
在通过如上述那样进行学习后的学习模型25，基于逐次输入的输入数据来判定(检测)蚀刻的终点的判定时，向学习模型25的输入层逐次输入输入数据(图像数据)，从学习模型25的输出层输出输出值OUT。与学习时不同，判定时的输出值OUT的值为0≤OUT≤1。
具体地说，如图4的(b)所示，判定部22切换要使用第一学习模型25a和第二学习模型25b中的哪一个学习模型25来进行判定。在选择了第一学习模型25a的情况下，向第一学习模型25a的输入层逐次输入输入数据来进行判定。在选择了第二学习模型25b的情况下，向第二学习模型25b的输入层逐次输入输入数据来进行判定。
此外，在图1的(b)所示的例子中，由于选择了第一学习模型25a，因此成为向第一学习模型25a的输入层逐次输入输入数据(图像数据)并从第一学习模型25a的输出层输出输出值OUT。在选择了第二学习模型25b的情况下，成为向第二学习模型25b的输入层逐次输入输入数据(图像数据)并从第二学习模型25b的输出层输出输出值OUT。
第一实施方式的判定部22构成为在0≤OUT＜0.5时(小数点后1位四舍五入为0时)判定为蚀刻的终点前、在0.5≤OUT≤1时(小数点后1位四舍五入为1时)判定为蚀刻的终点后。换言之，第一实施方式的判定部22构成为将输出值OUT与规定的阈值(在上述的例子中，阈值＝0.5)进行比较，如果输出值OUT小于阈值，则判定为蚀刻的终点前，如果输出值OUT为阈值以上，则判定为蚀刻的终点后。
通过具有以上说明的结构的制造工艺判定装置20，来逐次判定(检测)基板处理装置10中对基板W实施的蚀刻的终点。
此外，例如能够如下面那样自动进行对使用第一学习模型25a和第二学习模型25b中的哪个学习模型25来进行判定的切换。即，在判定部22中预先存储与教师数据同样地获取到的判定精度评价用数据(针对学习模型25的已知的输入输出的组合)。接着，判定部22使用该判定精度评价用数据来分别评价第一学习模型25a和第二学习模型25b的判定精度。而且，判定部22构成为使用判定精度更高的学习模型25来进行之后的判定即可。对各学习模型25的判定精度进行评价的定时可以根据时间等预先设定，也可以手动进行指示(例如，通过制造工艺判定装置20具备的键盘、鼠标、触摸面板等来指示评价开始)。
在手动地指示判定部22进行要使用第一学习模型25a和第二学习模型25b中的哪个学习模型25来进行判定的切换的情况下，例如使用与上述同样的判定精度评价用数据(其中，在该情况下不需要在判定部22中事先存储判定精度评价用数据)来以手动方式分别评价第一学习模型25a和第二学习模型25b的判定精度，手动地指示向判定精度高的一方的学习模型25进行切换即可。
在第一实施方式中，构成为在构成制造工艺判定装置20的计算机的监视器画面上显示在判定中使用的学习模型25。具体地说，在手动地指示判定部22进行学习模型25的切换的情况下，例如如图1的(c)所示，在监视器上分别显示第一学习模型25a和第二学习模型25b的选择按钮20b。而且，能够采用如下方式：通过使用键盘或鼠标选择任一个选择按钮20b、或者在监视器为触摸面板式的情况下用手指选择任一个选择按钮20b，来将被选择的学习模型25以能够区别于其它的学习模型25的方式进行显示。例如，在图1的(c)所示的例子中，被选择的学习模型25(第一学习模型25a)的显示栏20a在监视器上被点亮显示。不限于点亮显示，只要能够识别被选择的学习模型25，则能够采用闪烁显示、彩色显示等各种方式。
另外，在判定部22自动地进行学习模型25的切换的情况下，例如与图1的(c)所示的例子同样地(但是，在该情况下不需要选择按钮20b)，通过将全部的学习模型25的显示栏20a中的、被选择的学习模型25(第一学习模型25a或第二学习模型25b)的显示栏20a在监视器上进行点亮显示等，能够采用能够区别于其它的学习模型25的方式。或者，也能够仅将被选择的学习模型25的显示栏20a显示于监视器(未被选择的学习模型25的显示栏20a为非显示)。
如上所述，通过设为显示在判定中使用的学习模型25的结构，例如对于分析判定结果时(例如，调查判定精度降低的原因时)等是有效的。特别地，在判定部22自动进行学习模型25的切换的情况下，如果不显示在判定中使用的学习模型25，则成为不能一目了然地获知使用哪个学习模型25进行了判定的黑箱状态，因此设为如上述那样进行显示的结构是有效的。
另外，对判定结果进行分析，而且将判定中所使用的学习模型25与对该判定中所使用的学习模型25应用的工艺日志数据(还包含教师数据)或判定结果相关联地例如存储于硬盘27中也是有效的。
此外，在图1的(b)所示的制造工艺判定装置20中，说明了判定部22具备第一学习模型25a和第二学习模型25b这两个学习模型、例如基于判定精度的评价结果切换为某一个学习模型25并且仅使用该切换后的某一个学习模型25来进行判定的情形，但是本发明并不限于此。
图5是示出制造工艺判定装置的变形例的图。图5的(a)是示出变形例所涉及的制造工艺判定装置的概要结构的框图。图5的(b)是示意性地示出构成变形例所涉及的制造工艺判定装置的计算机的监视器画面的显示例的图。
图5的(a)所示的变形例所涉及的制造工艺判定装置20A也与图1的(b)所示的制造工艺判定装置20同样地具备工艺日志获取部21和判定部22A，例如由计算机构成。工艺日志获取部21的结构与图1的(b)所示的制造工艺判定装置20相同，因此省略说明。
图5的(a)所示的判定部22A也与图1的(b)所示的判定部22同样地具备归一化部23、图像化部24以及多个学习模型25。其中，判定部22A与判定部22的不同点在于：具备三个以上的奇数个学习模型25(在图5的(a)所示的例子中，第一学习模型25a、第二学习模型25b、第三学习模型25c这三个学习模型)，来作为多个学习模型25。另外，判定部22A与判定部22的不同点在于具备多数投票决定部26。这些归一化部23、图像化部24、学习模型25以及多数投票决定部26例如通过计算机所具备的ROM、RAM等存储器、或者存储于该存储器中并使CPU执行作为各部23～26的动作的程序来构成。程序也可以是被存储于作为制造工艺判定装置20A所具备的外置的存储介质的硬盘27中并从硬盘27被读入到RAM中的方式。归一化部23以及图像化部24的结构与图1的(b)所示的制造工艺判定装置20相同，因此省略说明。
变形例所涉及的制造工艺判定装置20A的判定部22A构成为使用第一学习模型25a、第二学习模型25b以及第三学习模型25c的全部来进行判定。因而，例如如图5的(b)所示，被选择的学习模型25(第一学习模型25a～第三学习模型25c)全部的显示栏20a在监视器上被点亮显示。具体地说，从第一学习模型25a～第三学习模型25c的全部输出输出值OUT，并将输出值OUT输入到多数投票决定部26。
然后，多数投票决定部26输出第一学习模型25a～第三学习模型25c的判定结果的多数投票来作为最终的判定结果。例如，在第一学习模型25a的输出值OUT为0≤OUT＜0.5(判定为蚀刻的终点前)、第二学习模型25b的输出值OUT为0≤OUT＜0.5(判定为蚀刻的终点前)、第三学习模型25c的输出值OUT为0.5≤OUT≤1(判定为蚀刻的终点后)的情况下，从多数投票决定部26输出蚀刻的终点前来作为最终的判定结果。
在图5所示的例子中，使用第一学习模型25a～第三学习模型25c这三个学习模型25的全部来进行判定，但是并不限于此。例如，也能够采用如下方式：在存在五个学习模型25的情况下，以使用其中的三个学习模型25进行判定的方式选择使用一部分的学习模型25来进行判定。
另外，也能够采用能够在使用多数投票决定部26输出最终的判定结果的情况以及与图1的(b)所示的制造工艺判定装置20同样地不使用多数投票决定部26而使用任一个学习模型25输出判定结果的情况之间切换的方式。
下面，说明进行如下的试验得到的结果的一例：通过第一实施方式所涉及的基板处理系统100的基板处理装置10对基板W进行蚀刻，通过制造工艺判定装置20的第一学习模型25a(通过仅使用在基板处理装置10出厂前获得的教师数据进行机器学习而生成的学习模型25)来判定(检测)蚀刻的终点。
在上述试验中，首先，使用SF6气体对19张基板W(Si基板)进行蚀刻，在各基板W的蚀刻时间(从基板W的蚀刻开始起直到经过蚀刻结束后过蚀刻结束为止的约50秒)内，以1秒为采样周期制作出向第一学习模型25a输入的输入数据(图像数据)。关于各采样周期的输入数据是根据在蚀刻的终点前获取到的工艺日志数据制作出的输入数据、还是根据在蚀刻的终点后获取到的工艺日志数据制作出的输入数据，由于在上述试验中所使用的基板处理装置10设置有分光器，因此根据由分光器测定出的具有SiF的发光波长的光的强度是否为基准值以下来进行判定。使用通过以上那样提取出的教师数据来使第一学习模型25a进行机器学习。在向学习后的第一学习模型25a输入相同的教师数据的输入数据来判定是蚀刻的终点前还是终点后时，作为判定精度的正确率(正确的次数/判定次数×100)为99.89％。此外，由于第一学习模型25a中进行1次判定所需要的时间与过蚀刻的时间相比非常短，因此可以说即使在由制造工艺判定装置20检测出蚀刻的终点(判定为蚀刻的终点后)后结束蚀刻也不产生任何故障。
接着，在上述试验中，使用SF6气体通过相同的制程对其它6张(No.1-1～No.1-6)基板W(Si基板)进行蚀刻，在各基板W的蚀刻时间内以1秒为采样周期制作出向第一学习模型25a输入的输入数据(图像数据)。然后，将制作出的输入数据输入到上述学习后的第一学习模型25a来判定是蚀刻的终点前还是终点后。此时，与上述的学习时同样地，使用设置于基板处理装置10的分光器来判定各采样周期的输入数据是蚀刻的终点前的数据、还是蚀刻的终点后的数据。
图6示出上述试验的结果。图6所示的“0”是由制造工艺判定装置20判定为蚀刻的终点前，“1”是由制造工艺判定装置20判定为蚀刻的终点后。在图6中，施加影线并用粗线包围的栏是使用分光器判定为蚀刻的终点后。
如图6所示，进行了与使用分光器进行的判定不同的判定的只有No.1-3的基板W的38秒时间点时的判定和No.1-5的基板W的38秒时间点时的判定，作为判定精度的正确率为99.35％(＝306/308×100)。因而，根据第一实施方式所涉及的基板处理系统100的制造工艺判定装置20，可以说能够高精度地检测基板W的蚀刻的终点。
<第二实施方式>
图7是示意性地示出第二实施方式所涉及的基板处理系统的概要结构的图。此外，在图7中，也与上述的图1的(a)同样地，将要测定的参数以用虚线矩形包围的方式进行了图示。在图7中，省略了与上述的图1的(b)相当的结构的图示。
如图7所示，第二实施方式所涉及的基板处理系统200具备基板处理装置10A和制造工艺判定装置20。
下面，主要说明与第一实施方式所涉及的基板处理系统100的不同点，对于与第一实施方式所涉及的基板处理系统100同样的构成要素标注相同的标记并省略说明。
第二实施方式的基板处理装置10A具备腔室1和配置在腔室1内的载置台2，是对载置于载置台2的基板W实施等离子体处理的装置。更具体地说，第二实施方式的基板处理装置10A是基板W上进行作为等离子体处理的膜的形成的电容耦合等离子体(CCP)方式的等离子体成膜装置。
因此，与第一实施方式的基板处理装置10不同，代替线圈3(参照图1的(a))而在腔室1内具备与载置台2平行地相向配置的上部电极18。
在基板处理装置10A中，在将实施了成膜处理的基板W搬送到腔室1外之后，通过进行清洁来去除通过成膜处理而附着于腔室1内的膜组成物。具体地说，通过使用等离子体进行蚀刻，来去除附着于腔室1内的膜组成物。关于在进行该清洁时执行的蚀刻，也要防止用于生成等离子体的处理气体的过度供给，因此重要的是判定(检测)蚀刻的终点(清洁的终点)。
从气体供给源(未图示)向基板处理装置10A的腔室1内供给用于生成等离子体的处理气体。在图7中，图示了能够供给气体No.1～气体No.6的六种处理气体的结构。然而，在执行成膜处理时、对成膜处理后附着于腔室1内的膜组成物进行清洁时，不限于使用六种处理气体的全部的情况，也能够使用任意一种以上的处理气体来进行成膜处理、清洁。
从上部高频电源4经由上部匹配单元5向上部电极18施加高频电力(上部高频电力)。另外，从下部高频电源6经由下部匹配单元7对载置台2施加高频电力(下部高频电力)。由此，使被供给到腔室1内的处理气体被等离子体化，生成的等离子体向载置台2移动，由此在载置于载置台2的基板W上形成膜。在成膜处理后清洁膜组成物时，使生成的等离子体向腔室1的内表面移动，由此通过蚀刻来去除附着于腔室1内的膜组成物。
第二实施方式的基板处理装置10A与第一实施方式的基板处理装置10不同，不具备冷却器8、压力/流量计9、第一泵(涡轮分子泵)14以及真空计16。
在第二实施方式所涉及的基板处理系统200中，通过设置于从气体供给源到腔室1的流路上的质量流量控制器11来测定所供给的各处理气体的流量。另外，通过热电偶等公知的测定器(未图示)来测定在腔室1的壁面的适当位置设置的加热器(未图示)的温度(图7所示的温度No.2-1～No.2-3)。并且，通过真空计12来测定腔室1内的压力。
另外，通过公知的测定器(未图示)分别测定上部高频电源4施加的上部高频电力和上部匹配单元5的匹配位置(上部匹配单元5具备的可变电容器、可变线圈等的常数)。
另外，通过公知的测定器(未图示)分别测定下部高频电源6施加的下部高频电力和下部匹配单元7的匹配位置(下部匹配单元7具备的可变电容器、可变线圈等的常数)。
并且，通过热电偶等公知的测定器(未图示)来测定自动压力控制装置13的温度(图7所示的温度No.2-5)和设置在排气管17的适当位置的加热器(未图示)的温度(图7所示的温度No.2-4、No.2-6、No.2-7)。另外，通过编码器等公知的测定器(未图示)来测定自动压力控制装置13的APC开度。
第二实施方式所涉及的基板处理系统200具备的制造工艺判定装置20具有与第一实施方式同样的结构，以有线或无线方式与参照图7在前文中记述的用于测定各测定值的测定器(例如质量流量控制器11)电连接。制造工艺判定装置20以规定的采样周期(例如1秒)获取从各测定器逐次输入的测定数据，这些获取到的各测定值以及与各测定值对应的各设定值作为工艺日志数据被使用于蚀刻的终点检测中。在第二实施方式所使用的工艺日志数据中也不包含与在基板处理装置10A外面的基板W的位置有关的测定值、设定值。
在第二实施方式中，将图7所示的全部的测定值作为工艺日志数据使用于判定中，但是本发明并不限定于此。其中，优选至少使用APC开度、以及上部匹配单元5以及/或者下部匹配单元7的匹配位置。
与第一实施方式不同，第二实施方式的制造工艺判定装置20判定(检测)的蚀刻的终点是在基板W上形成膜之后为了去除附着于腔室1内的膜组成物而执行的蚀刻的终点。
此外，在第二实施方式中也能够与第一实施方式同样地采用图5所示的变形例所涉及的制造工艺判定装置20A。
下面，对进行如下的试验得到的结果的一例进行说明：在通过第二实施方式所涉及的基板处理系统200的基板处理装置10A在基板W上形成膜之后，在为了去除附着于腔室1内的膜组成物而执行蚀刻(清洁)时，通过制造工艺判定装置20的第一学习模型25a(通过仅使用在基板处理装置10A出厂前获得的教师数据进行机器学习而生成的学习模型25)来判定(检测)蚀刻的终点。
在上述试验中，首先，使用C4F8气体对腔室1内进行13次清洁，在各清洁的蚀刻时间(从开始对附着于腔室1内的膜组成物的蚀刻起经过蚀刻结束后且过蚀刻结束为止的约150秒)内，以1秒为采样周期制作出向第一学习模型25a输入的输入数据(图像数据)。关于各采样周期的输入数据是根据在蚀刻的终点前获取到的工艺日志数据制作出的输入数据、还是根据在蚀刻的终点后获取到的工艺日志数据制作出的输入数据，由于在上述试验中所使用的基板处理装置10A设置有分光器，因此根据由分光器测定出的具有F的发光波长的光的强度是否为基准值以上来进行判定。使用通过以上那样提取出的教师数据来使第一学习模型25a进行机器学习。在向学习后的第一学习模型25a输入相同的教师数据的输入数据来进行判定时，作为判定精度的正确率为99.39％。此外，由于第一学习模型25a中进行1次判定所需要的时间与过蚀刻的时间相比非常短，因此可以说即使在由制造工艺判定装置20检测出蚀刻的终点(判定为蚀刻的终点后)后结束蚀刻也不产生任何故障。
接着，在上述试验中，使用不同定时的5次(No.2-1～No.2-5)C4F8气体通过相同的制程对腔室1内进行清洁，在各清洁的蚀刻时间内，以1秒为采样周期制作出向第一学习模型25a输入的输入数据(图像数据)。然后，将制作出的输入数据输入到上述学习后的第一学习模型25a来判定是蚀刻的终点前还是终点后。此时，与上述的学习时同样地，使用设置于基板处理装置10A的分光器来判定各采样周期的输入数据是蚀刻的终点前的数据、还是蚀刻的终点后的数据。
图8示出上述试验的结果。图8所示的“0”是由制造工艺判定装置20判定为蚀刻的终点前，“1”是由制造工艺判定装置20判定为蚀刻的终点后。在图8中，施加斜影线并用粗线包围的栏是使用分光器判定为蚀刻的终点后。
如图8所示，进行了与使用分光器进行的判定不同的判定的只有No.2-1的清洁的35～39秒时间点时的判定、No.2-3的清洁的3秒时间点时的判定以及No.2-5的清洁的44秒时间点时的判定，作为判定精度的正确率为99.1％(＝743/750×100)。因而，根据第二实施方式所涉及的基板处理系统200的制造工艺判定装置20，可以说能够高精度地检测附着于腔室1内的膜组成物的蚀刻(清洁)的终点。
此外，在以上说明的第一实施方式和第二实施方式中，列举判定部22具备归一化部23的结构为例进行了说明，但是本发明并不限于此。也能够是，判定部22不具备归一化部23，不对由工艺日志获取部21获取到的工艺日志数据进行归一化，而是直接使用由工艺日志获取部21获取到的工艺日志数据来制作输入数据。
另外，在第一实施方式和第二实施方式中，列举判定部22具备图像化部24的结构为例进行了说明，但是本发明并不限于此。也能够是，判定部22不具备图像化部24，直接使用由工艺日志获取部21获取到的工艺日志数据，或者在将由工艺日志获取部21获取到的工艺日志数据进行归一化之后，不进行图像化而直接用作向学习模型25输入的输入数据。
具体地说，在不进行图像化的情况下，例如向图3所示的学习模型25的输入层输入图2所示的工艺日志数据Xij(i＝1～N、j＝1～M)或归一化后的工艺日志数据Yij(i＝1～N、j＝1～M)。
另外，在第一实施方式和第二实施方式中，列举在学习时和判定时都使用以规定的采样周期(例如1秒)制作出的输入数据(图像数据)来作为向学习模型25输入的输入数据的结构为例进行了说明，但是本发明并不限于此。例如，也能够是，将表示以规定的采样周期获取到的工艺日志数据的在规定时间内(与多个采样周期相当的时间内)的变化的曲线进行图像化，将该图像数据用作向学习模型25输入的输入数据。在上述的图像数据的任一个中包含根据跨越蚀刻的终点前后的工艺日志数据制作出的曲线图。
另外，在第一实施方式和第二实施方式中，列举通过仅使用在基板处理装置10、10A出厂前获得的教师数据进行机器学习来生成第一学习模型25a、通过使用在基板处理装置10、10A出厂前和出厂后获得的教师数据进行机器学习来生成第二学习模型25b的结构为例进行了说明，但是本发明并不限于此。例如，也可以是通过仅使用在基板处理装置10、10A出厂后获得的教师数据进行机器学习来生成第二学习模型25b。另外，并不限于使用出厂前后的教师数据，只要使用互不相同的教师数据来生成第一学习模型25a和第二学习模型25b即可。
另外，在第一实施方式和第二实施方式中，列举基板处理装置10、10A具备执行蚀刻处理的单个腔室1并具备一组第一学习模型25a和第二学习模型25b的结构为例进行了说明，但是本发明并不限于此。例如，在基板处理装置10、10A具备多个腔室1并在各腔室1进行与制造工艺有关的判定的情况下，能够采用在每个腔室1具备第一学习模型25a和第二学习模型25b并切换这些模型来使用的结构。另外，在每个制程中进行与制造工艺有关的判定的情况下，能够采用在每个制程具备第一学习模型25a和第二学习模型25b并切换这些模型来使用的结构。在如变形例所涉及的制造工艺判定装置20A那样具备第一学习模型25a～第三学习模型25c的情况下也是同样的。
另外，在第一实施方式和第二实施方式中，列举使用输出为蚀刻的终点前(OUT＝0)以及输出为蚀刻的终点后(OUT＝1)这两方的教师数据来进行学习模型25的机器学习为例进行了说明，但是本发明并不限于此。例如，也能够仅使用输出为蚀刻的终点前(OUT＝0)的教师数据、或者仅使用输出为蚀刻的终点后(OUT＝1)的教师数据来进行学习模型25的机器学习。
另外，在第一实施方式和第二实施方式中，列举教师数据的输出为离散值(OUT＝0或1)的情况、即学习模型25为分类模型(分类器)的情况为例进行了说明，但是本发明并不限于此。例如，在判定对象为蚀刻深度的预测值等连续值的情况下，也能够使用输出为连续值(例如，归一化为0～1的范围内的值)的教师数据来进行学习模型25的机器学习(即，生成作为回归模型的学习模型25)。
并且，在第二实施方式中，列举多数投票决定部26输出第一学习模型25a～第三学习模型25c的判定结果的多数投票来作为最终的判定结果的情况为例进行了说明，但是本发明并不限于此。例如，也能够与上述同样地采用如下的方式：在判定对象为蚀刻深度的预测值等连续值的情况下，设置平均值计算部来代替多数投票决定部26，该平均值计算部计算被构成为输出连续值的第一学习模型25a～第三学习模型25c的输出的平均值，输出计算出的平均值来作为最终的判定结果。
另外，根据第一实施方式和第二实施方式的制造工艺判定装置20，无需一定在应用制造工艺判定装置20的基板处理装置10、10A自身设置分光器，即使设置分光器也仅在进行学习模型25的学习时使用即可。可以在学习后拆下分光器。
因而，与如专利文献4所记载的那样的在检测蚀刻的终点时一定需要分光器的以往的判定装置相比，制造成本、维护的劳力和时间减少。
但是，本发明并不限于在进行学习模型25的学习时使用分光器的方式。
一般来说，为了将在腔室1内产生的光引导至设置于腔室1外的分光器，而在腔室1的侧壁设置有石英玻璃等透明材料形成的光学窗。该光学窗会被腔室1内的等离子体蚀刻而变粗糙、或者由于腔室1内的反应生成物的附着而变模糊。当光学窗变模糊时，由分光器检测的光的光量降低，由此分光器对于蚀刻的终点检测精度有时会降低。因此，例如在已有的基板处理装置10、10A已经设置了分光器的情况下，也能够采用将由制造工艺判定装置20进行的蚀刻的终点检测用于辅助由分光器进行的蚀刻的终点检测(例如，用于发出警报的用途)的方式。
另外，一般来说，在基板处理装置10、10A的载置台2设置有用于在进行等离子体处理时对基板W进行静电吸附的静电吸盘(在图1、图7中未图示)。在等离子体处理结束而要通过升降机构上推基板W来使基板W脱离静电吸盘时，存在由于残留的静电力而产生基板W的脱离不良的情况。在判定这种升降异常(检测)时，也能够应用第一实施方式和第二实施方式的制造工艺判定装置20。
在判定升降异常的制造工艺判定装置20的情况下，例如对于从静电吸盘脱离后向腔室1外搬送的基板W，通过使用用于探测基板W的传感器等，来探测是否在规定的定时和规定的位置发生了搬送异常，使用没有发生搬送异常(正常)时的工艺日志数据来制作教师数据即可。即，只要进使用学习模型25的输出正常的教师数据进行学习模型25的机器学习即可。
并且，在第一实施方式和第二实施方式中，列举应用制造工艺判定装置20的基板处理装置10、10A为等离子体处理装置的情况为例进行了说明，但是本发明并不限于此。例如，也能够应用于以往只能进行时间蚀刻(仅在预先决定的一定时间内执行的蚀刻)的、使用无水HF气体和乙醇的牺牲层蚀刻装置或使用XeF2气体的牺牲层蚀刻装置等。
附图标记说明
1：腔室；2：载置台；10、10A：基板处理装置；20：制造工艺判定装置；21：工艺日志获取部；22、22A：判定部；23：归一化部；24：图像化部；25：学习模型；26：多数投票决定部；25a：第一学习模型；25b：第二学习模型；25c：第三学习模型；100、200：基板处理系统；W：基板。

Claims (9)

1.一种基板处理装置的制造工艺判定装置，进行与基板处理装置的制造工艺有关的判定，所述基板处理装置的制造工艺判定装置的特征在于，具备：
工艺日志获取部，其获取所述基板处理装置的工艺日志数据；以及
判定部，其基于所述工艺日志数据来制作输入数据，基于所述输入数据来进行与所述基板处理装置的制造工艺有关的判定，
其中，所述判定部具备多个学习模型，所述多个学习模型分别被输入所述输入数据，分别输出与所述制造工艺有关的判定结果，
所述多个学习模型是通过使用互不相同的教师数据进行机器学习而生成的，
所述判定部能够切换要使用所述多个学习模型中的哪个学习模型来进行判定。
2.根据权利要求1所述的基板处理装置的制造工艺判定装置，其特征在于，
所述判定部使用判定精度评价用数据来分别评价所述多个学习模型的判定精度，使用判定精度最高的学习模型来进行之后的判定。
3.根据权利要求1所述的基板处理装置的制造工艺判定装置，其特征在于，
所述判定部输出所述多个学习模型的判定结果的多数投票来作为最终的判定结果。
4.根据权利要求1至3中的任一项所述的基板处理装置的制造工艺判定装置，其特征在于，
在所述多个学习模型中包括如下两种学习模型：通过仅使用在所述基板处理装置的初始状态下获得的教师数据进行机器学习而生成的学习模型；以及通过使用包含在经过所述基板处理装置的初始状态后获得的教师数据的教师数据进行机器学习而生成的学习模型。
5.一种基板处理系统，其特征在于，
具备基板处理装置和根据权利要求1至4中的任一项所述的制造工艺判定装置。
6.一种基板处理装置的制造工艺判定方法，其特征在于，包括以下工序：
工艺日志获取工序，获取基板处理装置的工艺日志数据；以及
判定工序，基于通过所述工艺日志获取工序获取到的工艺日志数据来制作输入数据，基于所述输入数据来进行与所述基板处理装置的制造工艺有关的判定，
其中，在所述判定工序中，准备通过使用互不相同的教师数据进行机器学习而生成的多个学习模型，使用所述多个学习模型中的至少某一个学习模型，向所述至少某一个学习模型输入所述输入数据，从所述至少某一个学习模型输出与所述制造工艺有关的判定结果。
7.一种存储有学习模型组的计算机可读存储介质，所述学习模型组用于根据权利要求1-4中任意一项所述的基板处理装置的制造工艺判定装置，以进行与基板处理装置的制造工艺有关的判定，
其中，所述学习模型组由通过使用互不相同的教师数据进行机器学习而生成的多个学习模型构成，所述多个学习模型分别被输入基于所述基板处理装置的工艺日志数据制作出的输入数据，分别输出与所述基板处理装置的制造工艺有关的判定结果。
8.一种学习模型组的生成方法，用于生成学习模型组，所述学习模型组用于根据权利要求1-4中任意一项所述的基板处理装置的制造工艺判定装置，以进行与基板处理装置的制造工艺有关的判定，所述学习模型组的生成方法的特征在于，
所述学习模型组由多个学习模型构成，所述多个学习模型分别被输入基于所述基板处理装置的工艺日志数据制作出的输入数据，分别输出与所述基板处理装置的制造工艺有关的判定结果，
通过使用互不相同的教师数据进行机器学习来生成所述多个学习模型。
9.一种计算机可读存储介质，存储有程序，该程序用于使计算机执行根据权利要求6所述的基板处理装置的制造工艺判定方法中包括的所述工艺日志获取工序和所述判定工序。
CN202080004996.7A 2019-03-04 2020-03-02 基板处理装置的制造工艺判定装置、基板处理系统、基板处理装置的制造工艺判定方法、学习模型组、学习模型组的生成方法以及程序 Active CN112655077B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JPPCT/JP2019/008393 2019-03-04
PCT/JP2019/008393 WO2020178945A1 (ja) 2019-03-04 2019-03-04 基板処理装置のプロセス判定装置、基板処理システム、基板処理装置のプロセス判定方法及び学習モデル群
PCT/JP2020/008659 WO2020179729A1 (ja) 2019-03-04 2020-03-02 基板処理装置の製造プロセス判定装置、基板処理システム、基板処理装置の製造プロセス判定方法、学習モデル群、学習モデル群の生成方法及びプログラム

Publications (2)

Publication Number Publication Date
CN112655077A CN112655077A (zh) 2021-04-13
CN112655077B true CN112655077B (zh) 2023-10-20

Family

ID=70682424

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080004996.7A Active CN112655077B (zh) 2019-03-04 2020-03-02 基板处理装置的制造工艺判定装置、基板处理系统、基板处理装置的制造工艺判定方法、学习模型组、学习模型组的生成方法以及程序

Country Status (6)

Country Link
US (1) US20220114484A1 (zh)
EP (1) EP3819930A4 (zh)
JP (2) JP6696059B1 (zh)
KR (1) KR20210134298A (zh)
CN (1) CN112655077B (zh)
WO (2) WO2020178945A1 (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021240572A1 (ja) * 2020-05-25 2021-12-02 株式会社日立ハイテク 半導体装置製造システムおよび半導体装置製造方法
CN111882030B (zh) * 2020-06-29 2023-12-05 武汉钢铁有限公司 一种基于深度强化学习的加锭策略方法
US20220228265A1 (en) 2021-01-15 2022-07-21 Taiwan Semiconductor Manufacturing Co., Ltd. System and method for dynamically adjusting thin-film deposition parameters
JP7176143B2 (ja) * 2021-03-31 2022-11-21 Ｓｐｐテクノロジーズ株式会社 基板処理装置のプロセス判定装置、基板処理システム、基板処理装置のプロセス判定方法、学習モデル群、学習モデル群の生成方法及びプログラム
JP7041773B1 (ja) 2021-05-26 2022-03-24 Ｓｐｐテクノロジーズ株式会社 基板処理装置のプロセス判定装置、基板処理システム、基板処理装置のプロセス判定方法、学習モデルの生成方法及びプログラム
JP7041776B1 (ja) 2021-06-30 2022-03-24 Ｓｐｐテクノロジーズ株式会社 基板処理装置のプロセス判定装置、基板処理システム、基板処理装置のプロセス判定方法、学習モデルの生成方法及びプログラム
TW202310131A (zh) * 2021-08-24 2023-03-01 日商東京威力科創股份有限公司 基板處理裝置、模型資料產生裝置、基板處理方法、及模型資料產生方法
KR102673673B1 (ko) * 2021-12-09 2024-06-07 한국핵융합에너지연구원 Rf 신호를 이용한 플라즈마 상태 감지 장치 및 이를 이용한 플라즈마 상태 감지 방법
JP2023127946A (ja) * 2022-03-02 2023-09-14 株式会社Ｓｃｒｅｅｎホールディングス 制御支援装置および制御支援方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011007553A (ja) * 2009-06-24 2011-01-13 Hitachi High-Technologies Corp 欠陥検出方法及び装置
JP2014178229A (ja) * 2013-03-15 2014-09-25 Dainippon Screen Mfg Co Ltd 教師データ作成方法、画像分類方法および画像分類装置

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05190457A (ja) * 1992-01-17 1993-07-30 Fuji Electric Co Ltd 学習指示機能付半導体製造装置
JPH0758015A (ja) * 1993-08-16 1995-03-03 Fuji Electric Co Ltd 半導体製造装置の成膜条件予測装置
JPH101280A (ja) 1996-06-14 1998-01-06 Nec Eng Ltd 真空吸着装置
JP2001134763A (ja) * 1999-11-09 2001-05-18 Hitachi Ltd 撮像画像に基づく欠陥の分類方法、および、その結果の表示方法
JP2005200730A (ja) 2004-01-19 2005-07-28 Itagaki Kinzoku Kk レーザー光照射による酸化膜形成方法および装置
US20070249071A1 (en) * 2006-04-21 2007-10-25 Lei Lian Neural Network Methods and Apparatuses for Monitoring Substrate Processing
JP4101280B2 (ja) 2006-07-28 2008-06-18 住友精密工業株式会社 終点検出可能なプラズマエッチング方法及びプラズマエッチング装置
WO2010050334A1 (ja) * 2008-10-30 2010-05-06 コニカミノルタエムジー株式会社 情報処理装置
JP5640774B2 (ja) * 2011-01-28 2014-12-17 富士通株式会社 情報照合装置、情報照合方法および情報照合プログラム
JP6492880B2 (ja) * 2015-03-31 2019-04-03 日本電気株式会社 機械学習装置、機械学習方法、および機械学習プログラム
US10032681B2 (en) * 2016-03-02 2018-07-24 Lam Research Corporation Etch metric sensitivity for endpoint detection
JP6839342B2 (ja) * 2016-09-16 2021-03-10 富士通株式会社 情報処理装置、情報処理方法およびプログラム
JP6921526B2 (ja) * 2016-12-22 2021-08-18 キヤノン株式会社 情報処理装置、情報処理方法及びプログラム
JP6860406B2 (ja) * 2017-04-05 2021-04-14 株式会社荏原製作所 半導体製造装置、半導体製造装置の故障予知方法、および半導体製造装置の故障予知プログラム
WO2018189796A1 (ja) * 2017-04-10 2018-10-18 富士通株式会社 認識装置、認識システム、認識方法および認識プログラム

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011007553A (ja) * 2009-06-24 2011-01-13 Hitachi High-Technologies Corp 欠陥検出方法及び装置
JP2014178229A (ja) * 2013-03-15 2014-09-25 Dainippon Screen Mfg Co Ltd 教師データ作成方法、画像分類方法および画像分類装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"Muiti-model adaptive soft sensor modeling method using local learning and online support vector regression for nonlinear time-variant batch processes";Huaiping Jin etal;《CHEMICAL ENGINEERING SCIENCE OXFORD》;第131卷;正文第282-303页 *
"Growing Structure Multiple Model System for Quality Estimation in Manufactruing Processes";Alexander Bleakie etal;《IEEE TRANSACTIONS ON SEMICONDUCTOR MANUFACTURING》;第29卷(第第2期期);正文第79-97页 *

Also Published As

Publication number Publication date
WO2020179729A1 (ja) 2020-09-10
EP3819930A1 (en) 2021-05-12
EP3819930A4 (en) 2021-10-27
JP6696059B1 (ja) 2020-05-20
JPWO2020179729A1 (zh) 2020-09-10
JPWO2020178945A1 (ja) 2021-03-18
CN112655077A (zh) 2021-04-13
KR20210134298A (ko) 2021-11-09
US20220114484A1 (en) 2022-04-14
WO2020178945A1 (ja) 2020-09-10
JP7504863B2 (ja) 2024-06-24

Similar Documents

Publication Publication Date Title
CN112655077B (zh) 基板处理装置的制造工艺判定装置、基板处理系统、基板处理装置的制造工艺判定方法、学习模型组、学习模型组的生成方法以及程序
JP6875224B2 (ja) プラズマ処理装置及び半導体装置製造システム
TWI549568B (zh) Plasma processing device
US6747239B2 (en) Plasma processing apparatus and method
KR100748288B1 (ko) 스펙트럼 간섭법을 이용한 막 두께 제어
JP4833687B2 (ja) プラズマ処理装置
TWI600895B (zh) 原位控制製程的方法及設備
TWI517246B (zh) Analytical methods, analytical devices and etching processing systems
JPWO2004019396A1 (ja) プラズマ処理方法及びプラズマ処理装置
JP2007234859A (ja) プラズマ処理装置
US7473332B2 (en) Method for processing semiconductor
JP6761910B1 (ja) エッチング終点検出装置、基板処理システム、エッチング終点検出方法及び分類器
TWI825317B (zh) 基板處理裝置之製造程序判定裝置、基板處理系統、基板處理裝置之製造程序判定方法、電腦程式、學習模型群之生成方法及程式
JP6643202B2 (ja) プラズマ処理装置及びプラズマ処理データを解析する解析方法
JP7058129B2 (ja) プラズマ処理装置
JP4476551B2 (ja) プラズマ処理装置および処理方法
KR20230124043A (ko) 반도체 제작 장비의 프로세스 제어를 위한 적응형 모델 트레이닝 (adaptive model training)
JPH10223499A (ja) 物品の製造方法、物品の製造システムおよび複数の加工処理装置の運用方法
JP7176143B2 (ja) 基板処理装置のプロセス判定装置、基板処理システム、基板処理装置のプロセス判定方法、学習モデル群、学習モデル群の生成方法及びプログラム
JP7041776B1 (ja) 基板処理装置のプロセス判定装置、基板処理システム、基板処理装置のプロセス判定方法、学習モデルの生成方法及びプログラム
JP4363861B2 (ja) 半導体製造装置
KR20230055609A (ko) 플라즈마 설비의 실시간 모니터링 방법 및 모니터링 시스템
KR20170130674A (ko) 공정 평가 방법 및 그를 포함하는 기판 제조 장치의 제어 방법

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