CN116261737A - 蚀刻处理系统、蚀刻质量预测方法及蚀刻质量预测程序 - Google Patents

蚀刻处理系统、蚀刻质量预测方法及蚀刻质量预测程序 Download PDF

Info

Publication number
CN116261737A
CN116261737A CN202280005913.5A CN202280005913A CN116261737A CN 116261737 A CN116261737 A CN 116261737A CN 202280005913 A CN202280005913 A CN 202280005913A CN 116261737 A CN116261737 A CN 116261737A
Authority
CN
China
Prior art keywords
etching
substrate
processing
learning
image data
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.)
Pending
Application number
CN202280005913.5A
Other languages
English (en)
Inventor
高良穣二
佐藤秀彦
木村友里
京兼广和
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.)
Tokyo Electron Ltd
Original Assignee
Tokyo Electron 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 Tokyo Electron Ltd filed Critical Tokyo Electron Ltd
Publication of CN116261737A publication Critical patent/CN116261737A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • 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
    • 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
    • H01L21/3065—Plasma etching; Reactive-ion etching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer
    • 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
    • H01L21/027—Making masks on semiconductor bodies for further photolithographic processing not provided for in group H01L21/18 or H01L21/34
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Power Engineering (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Computer Hardware Design (AREA)
  • Manufacturing & Machinery (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Plasma & Fusion (AREA)
  • Drying Of Semiconductors (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • ing And Chemical Polishing (AREA)
  • Image Analysis (AREA)

Abstract

缩短直到取得蚀刻质量的检查结果为止的时间。蚀刻处理系统包括：预测部，通过将预测对象的基板的图像数据输入到通过使用学习用数据进行学习而得到的学习完成模型，从而对预测对象的基板的蚀刻质量进行预测，所述学习用数据通过将由布置在基板的输送路径上的摄像装置拍摄的所述基板的图像数据与用于对所述基板的蚀刻质量进行预测的信息相关联而得到。

Description

蚀刻处理系统、蚀刻质量预测方法及蚀刻质量预测程序
技术领域
本公开涉及一种蚀刻处理系统、蚀刻质量预测方法及蚀刻质量预测程序。
背景技术
在基板的制造工艺中，例如，对进行了蚀刻处理的基板进行各种检查。其中，在CD(Critical Dimension：临界尺寸)值或蚀刻量等所谓的蚀刻质量(也称为蚀刻的完成情况)的检查中，一般使用外部的检查装置。因此，蚀刻处理系统在蚀刻处理后直到取得该基板的检查结果为止需要一定程度的时间。
因此，在现有的蚀刻处理系统中，例如难以进行诸如将蚀刻质量的检查结果反馈到下一个基板的蚀刻处理的控制。
<现有技术文献>
<专利文献>
专利文献1：美国专利申请公开第2021/0143039号说明书
专利文献2：美国专利第10955832号说明书
发明内容
<本公开要解决的问题>
本公开缩短直到取得蚀刻质量的检查结果为止的时间。
<用于解决问题的手段>
根据本公开的一个实施方式的蚀刻处理系统例如具有以下构成。即，包括：预测部，通过将预测对象的基板的图像数据输入到通过使用学习用数据进行学习而得到的学习完成模型，从而对预测对象的基板的蚀刻质量进行预测，所述学习用数据通过将由布置在基板的输送路径上的摄像装置拍摄的所述基板的图像数据与用于对所述基板的蚀刻质量进行预测的信息相关联而得到。
<发明的效果>
能够缩短直到取得蚀刻质量的检查结果为止的时间。
附图说明
[图1]图1是示出学习阶段中的蚀刻处理系统的系统构成的一个示例的第1图。
[图2]图2是示出预测阶段中的蚀刻处理系统的系统构成的一个示例的第1图。
[图3]图3是示出蚀刻处理系统中的摄像装置的布置示例的图。
[图4]图4是示出学习装置的硬件构成的一个示例的图。
[图5]图5是示出学习用数据的具体示例的第1图。
[图6]图6是示出学习装置的功能构成的一个示例的第1图。
[图7]图7是表示预测装置的功能构成的一个示例的第1图。
[图8]图8是示出蚀刻质量信息与预测蚀刻质量信息之间的关系的第1图。
[图9]图9是示出蚀刻质量预测处理的流程的流程图。
[图10]图10是示出学习阶段中的蚀刻处理系统的系统构成的一个示例的第2图。
[图11]图11是示出预测阶段中的蚀刻处理系统的系统构成的一个示例的第2图。
[图12]图12是示出学习用数据的具体示例的第2图。
[图13]图13是示出学习装置的功能构成的一个示例的第2图。
[图14]图14是示出差分图像数据与蚀刻量之间的关系的图。
[图15]图15是示出预测装置的功能构成的一个示例的第2图。
[图16]图16是示出蚀刻质量信息与预测蚀刻质量信息之间的关系的第2图。
[图17]图17是示出学习用数据的具体示例的第3图。
[图18]图18是示出学习装置的功能构成的一个示例的第3图。
[图19]图19是示出预测装置的功能构成的一个示例的第3图。
[图20]图20是示出蚀刻质量信息与预测蚀刻质量信息之间的关系的第3图。
具体实施方式
以下，参照附图对各实施方式进行说明。需要说明的是，在说明书和附图中，针对具有实质上相同的功能构成的构成要素，赋予相同的符号以省略重复的说明。
[第1实施方式]
<蚀刻处理系统的系统构成>
首先，针对根据第1实施方式的蚀刻处理系统的系统构成，将其分为学习阶段和预测阶段进行说明。
(1)学习阶段的情况
图1是示出学习阶段中的蚀刻处理系统的系统构成的一个示例的第1图。如图1所示，学习阶段中的蚀刻处理系统100包括处理室101、摄像装置102、学习装置103。
图1的示例示出了处理前基板在蚀刻处理系统100内的输送路径上被输送，在处理室101中被进行蚀刻处理后，作为处理后基板在输送路径上被输送，在摄像装置102中拍摄后被搬出的情况。
其中，处理室101对所收容的处理前基板进行蚀刻处理，生成处理后基板。
摄像装置102布置在蚀刻处理系统100内的输送路径上，在本实施方式中，通过对处理后基板进行拍摄，从而生成处理后图像数据。另外，摄像装置102将生成的处理后图像数据发送到学习装置103。需要说明的是，由摄像装置102生成的处理后图像数据是包含多个颜色分量(例如R分量、G分量、B分量)的图像数据。
学习装置103取得从摄像装置102发送的处理后图像数据，并且取得通过在外部检查装置110中对处理后基板进行蚀刻质量(Etching Quality)的检查而输出的蚀刻质量信息。
另外，学习装置103生成将处理后图像数据与蚀刻质量信息相关联的学习用数据，并通过使用所生成的学习用数据进行模型的学习，从而生成学习完成模型。此外，学习装置103在后述的预测装置中设定所生成的学习完成模型的模型参数。
外部检查装置110对从蚀刻处理系统100搬出的处理后基板进行蚀刻质量的检查。在本实施方式中的外部检查装置110中，作为蚀刻质量的检查，例如对表示蚀刻的完成情况的绝对值进行测定，生成蚀刻质量信息。需要说明的是，表示蚀刻的完成情况的绝对值例如包括膜厚值、CD(Critical Dimension)值、与基板的剖面形状相关的值等中的任意一者。
(2)预测阶段的情况
图2是示出预测阶段中的蚀刻处理系统的系统构成的一个示例的第1图。如图2所示，预测阶段中的蚀刻处理系统200包括处理室101、摄像装置102、预测装置203。
图2的示例示出了处理前基板在蚀刻处理系统200内的输送路径上被输送，在处理室101中被进行蚀刻处理后，作为处理后基板在输送路径上被输送，在摄像装置102中被拍摄后被搬出的情况。
与学习阶段相同，处理室101对收容的处理前基板进行蚀刻处理，生成处理后基板。
另外，摄像装置102布置在蚀刻处理系统200内的输送路径上，在本实施方式中，通过对处理后基板进行拍摄，从而生成处理后图像数据。另外，摄像装置102将所生成的处理后图像数据发送到预测装置203。
预测装置203通过将从摄像装置102发送的处理后图像数据输入到学习完成模型，从而对蚀刻质量进行预测，并输出预测蚀刻质量信息。
这样一来，通过蚀刻处理系统200，能够在每次对1片处理前基板进行蚀刻处理时，对蚀刻质量进行预测，并输出预测蚀刻质量信息。由此，与由外部检查装置进行蚀刻质量的检查并输出蚀刻质量信息的情况相比，能够大幅地缩短直到蚀刻处理系统取得蚀刻质量的检查结果为止的时间。
因此，通过蚀刻处理系统200，能够进行诸如将蚀刻质量的检查结果反馈到处理室101中的下一个处理前基板的蚀刻处理的控制(参见虚线)。
<摄像装置的布置示例>
接着，对蚀刻处理系统100或200内的摄像装置102的布置示例进行说明。图3是示出摄像装置的布置示例的图。其中，图3(a)是示出整个蚀刻处理系统100或200的模块构成的图。
在此，在对摄像装置102的布置示例进行说明时，首先，对包含布置有摄像装置102的特定模块的蚀刻处理系统100或200整体的模块构成简单地进行说明。
如图3(a)所示，蚀刻处理系统100或200例如具有
·6个处理室PM(Process Module)、
·输送室VTM(Vacuum Transfer Module)、
·2个装载锁定室LLM(Load Lock Module)、
·装载器模块(Loader Module)、
·3个装载端口LP(Load Port)。
6个处理室PM布置在输送室VTM的周围，对处理前基板进行蚀刻处理。需要说明的是，图1或图2所示的处理室101是指6个处理室PM中的任意一个处理室。
在输送室VTM的内部布置有输送装置VA，将处理前基板从2个装载锁定室LLM输送到6个处理室PM，并且将进行了蚀刻处理的处理后基板从6个处理室PM输送到装载锁定室LLM。
装载锁定室LLM设置在输送室VTM与装载器模块LM之间，进行大气气氛与真空气氛的切换。
在装载器模块LM的内部布置有对处理前基板或处理后基板进行输送的输送装置LA。输送装置LA将在安装在各装载端口LP上的FOUP(Front Opening Unified Pod)中收容的处理前基板输送到2个装载锁定室LLM。另外，输送装置LA将处理后基板从2个装载锁定室LLM输送到安装在各装载端口LP上的空的FOUP。即，装载端口LP成为对处理前基板进行搬入并对处理后基板进行搬出时的出入口。
在装载器模块LM中设置有对处理前基板的位置进行对准的定向器ORT。ORT对处理前基板的中心位置、偏心量以及缺口位置进行检测。使用装载器模块LM的机械臂AA、AB进行基于利用定向器ORT得到的检测结果的处理前基板的校正。
图3(b)是示意性地示出布置有摄像装置102的定向器ORT内部的图。如图3(b)所示，摄像装置102例如布置在对处理前基板(符号W)的缺口位置进行检测的检测器301的附近。
这样一来，通过将摄像装置102布置在蚀刻处理系统100或200内的输送路径上，从而能够在摄像装置102中，对进行了蚀刻处理的处理后基板(或进行蚀刻处理前的处理前基板)进行摄像。
<学习装置和预测装置的硬件构成>
接着，对学习装置103和预测装置203的硬件构成进行说明。需要说明的是，由于在本实施方式中学习装置103和预测装置203具有同样的硬件构成，因此在此对学习装置103的硬件构成进行说明。
图4是示出学习装置的硬件构成的一个示例的图。如图4所示，学习装置103具有处理器401、存储器402、辅助存储装置403、用户接口装置404、连接装置405、通信装置406。需要说明的是，学习装置103的各硬件经由总线407相互连接。
处理器401具有CPU(Central Processing Unit：中央处理单元)、GPU(GraphicsProcessing Unit：图形处理单元)等各种运算设备。处理器401在存储器402上读出各种程序(例如学习程序等)并执行。
存储器402具有ROM(Read Only Memory：只读存储器)、RAM(Random AccessMemory：随机存取存储器)等主存储设备。处理器401和存储器402形成所谓的计算机，处理器401通过对在存储器402上读出的各种程序进行执行，从而使该计算机实现各种功能。
辅助存储装置403对各种程序、由处理器401执行各种程序时使用的各种数据进行存储。需要说明的是，后述的学习用数据存储部620在辅助存储装置403中实现。
用户接口装置404例如包括由学习装置103的用户进行各种命令的输入操作等的键盘或触摸面板、或者向用户显示学习装置103的内部状态的显示装置等。
连接装置405是与蚀刻处理系统100内的各部(例如摄像装置102等)进行连接的连接设备。通信装置406是用于经由网络与未图示的外部装置进行通信的通信设备。
<学习用数据的具体示例>
接着，对由学习装置103生成的学习用数据的具体示例进行说明。图5是示出学习用数据的具体示例的第1图。如图5所示，学习用数据500包含“输入数据”和“正确答案数据”作为信息的项目。
在“输入数据”中，存储有通过由摄像装置102对在处理室101中进行了蚀刻处理的处理后基板进行拍摄而生成的处理后图像数据。图5的示例示出了存储有文件名＝“处理后图像数据1”、“处理后图像数据2”、……等作为处理后图像数据的情况。
在“正确答案数据”中，与处理后图像数据相关联地存储有通过将在处理室101中进行了蚀刻处理的处理后基板搬出并在外部检查装置110中进行蚀刻质量的检查而输出的蚀刻质量信息。图5的示例示出了将文件名＝“蚀刻质量信息1”、“蚀刻质量信息2”……等作为蚀刻质量信息与文件名＝“处理后图像数据1”、“处理后图像数据2”、……等相关联地存储的情况。
<学习装置的功能构成>
接着，对学习装置103的功能构成进行说明。图6是示出学习装置的功能构成的一个示例的第1图。如上所述，在学习装置103中安装有学习程序，通过执行该程序，从而使学习装置103作为学习部610发挥功能。
学习部610具有模型611和比较/变更部612。学习部610从学习用数据存储部620读出学习用数据500，并将存储在“输入数据”中的处理后图像数据(文件名：“处理后图像数据1”、“处理后图像数据2”、……等)输入到模型611。由此，模型611输出输出数据。另外，学习部610将存储在“正确答案数据”中的蚀刻质量信息(文件名＝“蚀刻质量信息1”、“蚀刻质量信息2”……等)输入到比较/变更部612。
比较/变更部612以使由模型611输出的输出数据接近由学习部610输入的蚀刻质量信息的方式，对模型611的模型参数进行更新。由此，在学习部610中，生成学习完成的模型。
<预测装置的功能构成>
接着，对预测装置203的功能构成进行说明。图7是表示预测装置的功能构成的一个示例的第1图。在预测装置203中安装有蚀刻质量预测程序，通过执行该程序，从而使预测装置203作为蚀刻质量预测部710发挥功能。
蚀刻质量预测部710是预测部的一个示例。蚀刻质量预测部710具有由学习部610生成的学习完成模型711，并且通过将预测对象的处理后基板的处理后图像数据输入到学习完成模型711中，从而对蚀刻质量进行预测，并输出预测蚀刻质量信息。
<预测蚀刻质量信息的具体示例>
接着，针对从预测装置203输出的预测蚀刻质量信息的具体示例，一边与从外部检查装置110输出的蚀刻质量信息进行对比一边进行说明。在此，假设外部检查装置110是膜厚测定装置，蚀刻质量信息和预测蚀刻质量信息是实测膜厚值或预测膜厚值来进行说明。
图8是示出蚀刻质量信息与预测蚀刻质量信息之间的关系的第1图。在图8中，横轴表示从膜厚测定装置输出的实测膜厚值，纵轴表示从预测装置203输出的预测膜厚值。另外，各绘制部分表示多个处理后基板各自的多个测定点处的实测膜厚值和预测膜厚值的组。需要说明的是，直线801表示在实测膜厚值与预测膜厚值一致的情况下绘制的位置。
如图8所示，各绘制位置大致沿着直线801，并且也未发现大幅偏离直线801的绘制部分。因此，可以说由预测装置203输出的预测膜厚值能够大致再现实测膜厚值。这样一来，根据预测装置203，能够实现良好的预测精度。
<蚀刻质量预测处理的流程>
接着，对由蚀刻处理系统100、200进行的蚀刻质量预测处理的流程进行说明。图9是示出蚀刻质量预测处理的流程的流程图。
首先，进行由蚀刻处理系统100进行的学习阶段中的处理(步骤S901～步骤S904)。
在步骤S901中，学习装置103取得通过对进行了蚀刻处理的处理后基板进行摄像而生成的处理后图像数据。
在步骤S902中，学习装置103取得通过由外部检查装置110对进行了蚀刻处理的处理后基板进行蚀刻质量的检查而输出的蚀刻质量信息。
在步骤S903中，学习装置103生成以取得的处理后图像数据作为输入数据并以取得的蚀刻质量信息作为正确答案数据的学习用数据。
在步骤S904中，学习装置103使用生成的学习用数据进行学习，并生成学习完成模型。
当由蚀刻处理系统100进行的学习阶段中的处理(步骤S901～步骤S904)完成时，随后进行由蚀刻处理系统200进行的预测阶段中的处理(步骤S905～步骤S907)。
在步骤S905中，预测装置203取得通过对进行了蚀刻处理的预测对象的处理后基板进行摄像而生成的处理后图像数据。
在步骤S906中，预测装置203通过将取得的处理后图像数据输入到学习完成模型中，从而对蚀刻质量进行预测，并输出预测蚀刻质量信息。
在步骤S907中，预测装置203对是否结束蚀刻质量预测处理进行判定。当在步骤S907中判定为不结束时(在步骤S907中为否的情况下)，返回到步骤S905。
另一方面，当在步骤S907中判定为结束时(在步骤S907为是的情况下)，结束蚀刻质量预测处理。
<总结>
从以上的说明可以看出，根据第1实施方式的蚀刻处理系统进行以下处理。
·取得由布置在基板的输送路径上的摄像装置拍摄的基板的处理后图像数据、以及通过由外部检查装置进行检查而输出的基板的蚀刻质量信息。
·通过使用将基板的处理后图像数据与基板的蚀刻质量信息相关联的学习用数据进行学习，从而生成学习完成模型。
·通过将预测对象的基板的处理后图像数据输入到学习完成模型，从而对预测对象的基板的蚀刻质量进行预测，并输出预测蚀刻质量信息。
这样一来，在根据第1实施方式的蚀刻处理系统中，通过在内部布置摄像装置，并使用基板的处理后图像数据使学习完成模型进行动作，从而取得蚀刻质量的检查结果。由此，根据第1实施方式，与由外部检查装置对从蚀刻处理系统搬出的处理后基板进行检查的情况相比，能够大幅地缩短直到取得蚀刻质量的检查结果为止的时间。
[第2实施方式]
在上述第1实施方式中，对通过使用通过对在处理室101中进行了蚀刻处理的处理后基板进行摄像而生成的处理后图像数据，来对表示蚀刻的完成情况的绝对值进行预测的情况进行了说明。
相比之下，在第2实施方式中，对使用
·通过对在处理室101中进行蚀刻处理前的处理前基板进行摄像而生成的处理前图像数据和
·通过对在处理室101中进行蚀刻处理后的处理后基板进行摄像而生成的处理后图像数据的差分图像数据，将表示蚀刻的完成情况的相对值作为蚀刻质量进行预测的情况进行说明。需要说明的是，表示蚀刻的完成情况的相对值例如包括蚀刻量、蚀刻速率、ΔCD值等中的任意一者。以下，以与上述第1实施方式的不同点为中心对第2实施方式进行说明。
<蚀刻处理系统的系统构成>
首先，针对根据第2实施方式的蚀刻处理系统的系统构成，将其分为学习阶段和预测阶段进行说明。
(1)学习阶段的情况
图10是示出学习阶段中的蚀刻处理系统的系统构成的一个示例的第2图。如图11所示，学习阶段中的蚀刻处理系统1000包括处理室101、摄像装置102、学习装置1003。需要说明的是，在本实施方式的学习阶段中，构成为利用外部检查装置110针对处理前基板和处理后基板进行与蚀刻质量相关的项目的检查。
具体而言，在本实施方式的学习阶段中，处理前基板和处理后基板按照以下的顺序被进行处理。
首先，针对处理前基板在外部检查装置110中进行与蚀刻质量相关的项目(例如，在蚀刻质量为“蚀刻量”的情况下，处理前基板的膜厚)的检查。然后，处理前基板在蚀刻处理系统1000内的输送路径上被输送，并被布置在输送路径上的摄像装置102进行拍摄。
需要说明的是，通过在外部检查装置110中进行与蚀刻质量相关的项目的检查而输出的处理前质量信息(例如，处理前基板的膜厚值)被发送到学习装置1003。另外，通过由摄像装置102拍摄而生成的处理前图像数据被发送到学习装置1003。
由摄像装置102被进行拍摄的处理前基板被收容在处理室101内，并在处理室101中进行蚀刻处理。通过进行蚀刻处理而生成的处理后基板在输送路径上被输送，并被布置在输送路径上的摄像装置102进行拍摄。另外，由摄像装置102进行拍摄的处理后基板被搬出，并在外部检查装置110中被进行与蚀刻质量相关的项目(例如，在蚀刻质量为“蚀刻量”的情况下，处理后基板的膜厚)的检查。
需要说明的是，通过由摄像装置102对处理后基板进行拍摄而生成的处理后图像数据被发送到学习装置1003。另外，通过在外部检查装置110中对处理后基板进行与蚀刻质量相关的项目的检查而输出的处理后质量信息(例如，处理后基板的膜厚值)被发送到学习装置1003。
学习装置1003取得从摄像装置102发送来的处理前图像数据和处理后图像数据，并取得从外部检查装置110发送来的处理前质量信息和处理后质量信息。
另外，学习装置1003计算处理前图像数据与处理后图像数据之间的差分，并生成差分图像数据。另外，学习装置1003通过计算处理前质量信息与处理后质量信息的差分，从而计算蚀刻质量信息。另外，学习装置1003生成将计算出的蚀刻质量信息与差分图像数据相关联的学习用数据。另外，学习装置103通过使用所生成的学习用数据进行模型的学习，从而生成学习完成模型。此外，学习装置1003在后述的预测装置中设定所生成的学习完成模型的模型参数。
(2)预测阶段的情况
图11是示出预测阶段中的蚀刻处理系统的系统构成的一个示例的第2图。如图11所示，预测阶段中的蚀刻处理系统1100包括处理室101、摄像装置102、预测装置1103。
在本实施方式的预测阶段中，处理前基板和处理后基板按照以下的顺序被进行处理。
首先，处理前基板在蚀刻处理系统1100内的输送路径上被输送，并被布置在输送路径上的摄像装置102进行拍摄。需要说明的是，通过由摄像装置102进行拍摄而生成的处理前图像数据被发送到预测装置1103。
由摄像装置102进行拍摄的处理前基板被收容在处理室101内，并在处理室101中被进行蚀刻处理。通过进行蚀刻处理而生成的处理后基板在输送路径上被输送，并在被布置在输送路径上的摄像装置102进行拍摄之后被搬出。
需要说明的是，通过由摄像装置102对处理后基板进行拍摄而生成的处理后图像数据被发送到预测装置1103。
预测装置1103计算从摄像装置102发送的处理前图像数据与处理后图像数据之间的差分，并生成差分图像数据。另外，预测装置1103通过将生成的差分图像数据输入到学习完成模型，从而对蚀刻质量进行预测，并输出预测蚀刻质量信息。
这样一来，通过蚀刻处理系统1100，能够在每次对1片处理前基板进行蚀刻处理时，对蚀刻质量进行预测，并输出预测蚀刻质量信息。由此，与由外部检查装置进行与蚀刻质量相关的项目的检查并输出处理前质量信息和处理后质量信息的情况相比，能够大幅地缩短直到蚀刻处理系统取得蚀刻质量的检查结果为止的时间。
因此，通过蚀刻处理系统1100，能够进行诸如将蚀刻质量的检查结果反馈到处理室101中的下一个处理前基板的蚀刻处理的控制(参见虚线)。
<学习用数据的具体示例>
接着，对由学习装置1003生成的学习用数据的具体示例进行说明。图12是示出学习用数据的具体示例的第2图。如图12所示，学习用数据1200包括“取得图像数据”、“输入数据”、“取得质量信息”、“正确答案数据”作为信息的项目。
在“取得图像数据”中，存储由通过由摄像装置102分别对在处理室101中进行蚀刻处理前的处理前基板和进行蚀刻处理后的处理后基板进行拍摄而生成的处理前图像数据和处理后图像数据。图12的示例示出了存储有文件名＝“处理前图像数据1”、“处理前图像数据2”、……等作为处理前图像数据，并且存储有文件名＝“处理后图像数据1”、“处理后图像数据2”、……等作为处理后图像数据的情况。
在“输入数据”中，存储有通过计算存储在“取得图像数据”中的处理前图像数据与对应的处理后图像数据之间的差分而生成的差分图像数据。图12的示例示出了存储有文件名＝“差分图像数据1”、“差分图像数据2”、……等作为差分图像数据的情况。
在“取得质量信息”中，存储有通过针对处理前基板和处理后基板分别在外部检查装置110中进行与蚀刻质量相关的项目的检查而输出的处理前质量信息以及处理后质量信息。图12的示例示出了存储有文件名＝“处理前质量信息1”、“处理前质量信息2”、……等作为处理前质量信息，并存储有文件名＝“处理后质量信息1”、“处理后质量信息2”、……等作为处理后质量信息的情况。
在“正确答案数据”中，存储有通过计算在“取得质量信息”中存储的处理前质量信息与对应的处理后质量信息的差分而生成的蚀刻质量信息。图12的示例示出了存储有文件名＝“蚀刻质量信息1”、“蚀刻质量信息2”、……等作为蚀刻质量信息的情况。
<学习装置的功能构成>
接着，对学习装置1003的功能构成进行说明。图13是示出学习装置的功能构成的一个示例的第2图。在学习装置1003中安装有学习程序，通过执行该程序，从而使学习装置1003作为差分算出部1310、学习部1320发挥功能。
差分算出部1310取得通过由摄像装置102分别对处理前基板和处理后基板进行拍摄而生成的处理前图像数据和处理后图像数据。
另外，差分算出部1310计算所取得的处理前图像数据与处理后图像数据之间的差分，并生成差分图像数据。此外，差分算出部1310将生成的差分图像数据与处理前图像数据和处理后图像数据相关联，并分别存储在学习用数据存储部1330的学习用数据1200的“输入数据”和“取得图像数据”中。
另外，差分算出部1310取得通过由外部检查装置110对处理前基板及处理后基板分别进行与蚀刻质量相关的项目的检查而输出的处理前质量信息和处理后质量信息。
另外，差分算出部1310计算所取得的处理前质量信息与处理后质量信息之间的差分，并生成蚀刻质量信息。此外，差分算出部1310将生成的蚀刻质量信息与处理前质量信息和处理后质量信息相关联，并分别存储在学习用数据存储部1330的学习用数据1200的“正确答案数据”和“取得质量信息”中。
学习部1320具有模型1321和比较/变更部1322。学习部1320从学习用数据存储部1330读出学习用数据1200，并将存储在“输入数据”中的差分图像数据(文件名：“差分图像数据1”、“差分图像数据2”、……等)输入到模型1321。由此，模型1321输出输出数据。另外，学习部1320将存储在“正确答案数据”中的蚀刻质量信息(文件名：“蚀刻质量信息1”、“蚀刻质量信息2”、……等)输入到比较/变更部1322。
比较/变更部1322以使由模型1321输出的输出数据接近由学习部1320输入的蚀刻质量信息的方式，对模型1321的模型参数进行更新。由此，学习部1320生成学习完成的模型。
<差分图像数据与蚀刻质量信息之间的关系>
接着，对由差分算出部1310生成的差分图像数据与蚀刻质量信息之间的关系进行说明。在此，作为一个示例，对差分图像数据与蚀刻量之间的关系进行说明。
图14是示出差分图像数据与蚀刻量之间的关系的图。在图14中，横轴表示差分图像数据的亮度值(处理前图像数据与处理后图像数据的亮度值的差分)，纵轴表示蚀刻量，其各自的绘制通过以下的顺序进行。
·针对处理前基板，测定多个测定点处的膜厚，生成并输出包含多个膜厚值的膜厚值信息。
·对处理前基板进行摄像，从处理前图像数据中提取上述多个测定点处的亮度值。
·通过对处理前基板进行蚀刻处理，从而生成处理后基板。
·对处理后基板进行摄像，从处理后图像数据中提取上述多个测定点的亮度值。
·针对处理后基板，对上述多个测定点处的膜厚进行测定，生成并输出包含多个膜厚值的膜厚值信息。
·在上述多个测定点的每一个处，生成亮度值的差分和膜厚值的差分(即，蚀刻量)的组，并将其绘制在图表上。
在图14中，符号1410表示基于亮度值的差分和蚀刻量的组计算出的近似直线。如图14所示，差分图像数据与蚀刻量之间具有一定程度的相关性。
<预测装置的功能构成>
接着，对预测装置1103的功能构成进行说明。图15是示出预测装置的功能构成的一个示例的第2图。在预测装置1103中安装有蚀刻质量预测程序，通过执行该程序，从而使预测装置1103作为差分图像生成部1510、蚀刻质量预测部1520发挥功能。
差分图像生成部1510取得预测对象的处理前基板和处理后基板的处理前图像数据和处理后图像数据。另外，差分图像生成部1510计算处理前图像数据与处理后图像数据之间的差分，生成差分图像数据。
蚀刻质量预测部1520是预测部的另一个示例，具有由学习部1320生成的学习完成模型1521。蚀刻质量预测部1520通过将由差分图像生成部1510生成的差分图像数据输入到学习完成模型1521中，从而对蚀刻质量进行预测，并输出预测蚀刻质量信息。
<预测蚀刻质量信息的具体示例>
接着，针对从预测装置1103输出的预测蚀刻质量信息的具体示例，一边与通过计算从外部检查装置110输出的处理前质量信息与处理后质量信息之间的差分而生成的蚀刻质量信息进行对比一边进行说明。图16是示出蚀刻质量信息与预测蚀刻质量信息之间的关系的第2图。具体而言，在图16的示例中，在对初始膜厚和膜种类不同的各处理前基板进行蚀刻处理的情况下，对
·从预测装置1103输出的蚀刻量(纵轴：预测蚀刻量)与
·通过计算出从外部检查装置110输出的处理前基板的膜厚值与处理后基板的膜厚值之间的差分而生成的蚀刻量(横轴：实测蚀刻量)
进行对比。
在图16中，符号1610表示对初始膜厚为1.0μm、膜种类为硅氧化膜(Ox)的处理前基板进行蚀刻处理的情况下的预测蚀刻量与实测蚀刻量之间的关系。
另外，符号1620表示对初始膜厚为0.1μm、膜种类为硅氧化膜(Ox)的处理前基板进行蚀刻处理的情况下的预测蚀刻量与实测蚀刻量之间的关系。
另外，符号1630表示对初始膜厚为1.0μm、膜种类为硅氧化膜(Ox)的处理前基板进行蚀刻处理的情况下的预测蚀刻量与实测蚀刻量之间的关系。
另外，符号1640表示对初始膜厚为1.5μm、膜种类为光致抗蚀剂(PR)的处理前基板进行蚀刻处理的情况下的预测蚀刻量与实测蚀刻量之间的关系。
另外，符号1650表示对初始膜厚为0.25μm、膜种类为氮化硅膜(SiN)的处理前基板进行蚀刻处理的情况下的预测蚀刻量与实测蚀刻量之间的关系。
如图16的示例所示，在预测装置1103的情况下，与有机膜相比，硬质膜(Ox、SIN)能够实现较高的预测精度。另外，在预测装置1103的情况下，初始膜厚较小者能够实现较高的预测精度。
<总结>
从以上的说明可以看出，根据第2实施方式的蚀刻处理系统进行以下处理。
·取得由布置在基板的输送路径上的摄像装置拍摄的处理前基板的处理前图像数据和处理后基板的处理后图像数据、以及通过外部检查装置进行检查而输出的处理前基板的处理前质量信息和处理后基板的处理后质量信息。
·通过使用将对处理前图像数据和处理后图像数据进行差分而得到的差分图像数据与对处理前质量信息和处理后质量信息进行差分而得到的蚀刻质量信息相关联的学习用数据进行学习，从而生成学习完成模型。
·通过将对预测对象的处理前基板的处理前图像数据和预测对象的处理后基板的处理后图像数据进行差分而得到的差分图像数据输入到学习完成模型，从而输出预测对象的处理前基板和处理后基板的预测蚀刻质量信息。
这样一来，在根据第2实施方式的蚀刻处理系统中，通过在内部布置摄像装置，并使用处理前基板的处理前图像数据和处理后基板的处理后图像数据使学习完成模型进行动作，从而取得蚀刻质量的检查结果。由此，根据第2实施方式，与由外部检查装置对搬入蚀刻处理系统的处理前基板和搬出的处理后基板进行检查的情况相比，能够大幅地缩短直到取得蚀刻质量的检查结果为止的时间。
[第3实施方式]
在上述第2实施方式中，构成为在预测蚀刻质量时，预测部将对处理前图像数据与处理后图像数据进行差分而得到的差分图像数据输入到学习完成模型，并直接预测蚀刻质量。
相比之下，在第3实施方式中，配置两个学习完成模型，一个学习完成模型根据处理前图像数据对处理前质量进行预测，另一个学习完成模型根据处理后图像数据对处理后质量进行预测。然后，基于预测的处理前质量和处理后质量对蚀刻质量进行预测。以下，以与上述第1实施方式和第2实施方式的不同点为中心，对第3实施方式进行说明。
<学习用数据的具体示例>
首先，对在第3实施方式中生成的学习用数据的具体示例进行说明。图17是示出学习用数据的具体示例的第3图。如图17所示，学习用数据1710包括“输入数据”和“正确答案数据”作为信息的项目。
在“输入数据”中，存储有通过由摄像装置102对在处理室101中进行蚀刻处理之前的处理前基板进行拍摄而生成的处理前图像数据。图17的示例示出了存储有文件名＝“处理前图像数据1”、“处理前图像数据2”、……等作为处理前图像数据的情况。
在“正确答案数据”中，存储有通过在外部检查装置110中对处理前基板进行与蚀刻质量相关的项目的检查而输出的处理前质量信息。图17的示例示出了存储有文件名＝“处理前质量信息1”、“处理前质量信息2”、……等作为处理前质量信息的情况。
类似地，学习用数据1720包括“输入数据”和“正确答案数据”作为信息的项目。
在“输入数据”中，存储有通过由摄像装置102对在处理室101中进行蚀刻处理后的处理后基板进行拍摄而生成的处理后图像数据。图17的示例示出了存储有文件名＝“处理后图像数据1”、“处理后图像数据2”、……等作为处理后图像数据的情况。
在“正确答案数据”中，存储有通过在外部检查装置110中对处理后基板进行与蚀刻质量相关的项目的检查而输出的处理后质量信息。图17的示例示出了存储有文件名＝“处理后质量信息1”、“处理后质量信息2”、……等作为处理后质量信息的情况。
<学习装置的功能构成>
接着，对学习装置的功能构成进行说明。图18是示出学习装置的功能构成的一个示例的第3图。在学习装置1800中安装有学习程序，通过执行该程序，使得学习装置1800作为学习部1810、学习部1820发挥功能。
学习部1810包括模型1811和比较/变更部1812。学习部1810从学习用数据存储部1830读出学习用数据1710，并将存储在“输入数据”中的处理前图像数据(文件名：“处理前图像数据1”、“处理前图像数据2”、……等)输入到模型1811。由此，模型1811输出输出数据。另外，学习部1810将存储在“正确答案数据”中的处理前质量信息(文件名：“处理前质量信息1”、“处理前质量信息2”、……等)输入到比较/变更部1812。
比较/变更部1812以使由模型1811输出的输出数据接近由学习部1810输入的处理前质量信息的方式，对模型1811的模型参数进行更新。因此，学习部1810生成学习完成的模型。
类似地，学习部1820包括模型1821和比较/变更部1822。学习部1820从学习用数据存储部1830读出学习用数据1720，并将存储在“输入数据”中的处理后图像数据(文件名：“处理后图像数据1”、“处理后图像数据2”、……等)输入到模型1821。由此，模型1821输出输出数据。另外，学习部1820将存储在“正确答案数据”中的处理后质量信息(文件名：“处理后质量信息1”、“处理后质量信息2”、……等)输入到比较/变更部1822。
比较/变更部1822以使由模型1821输出的输出数据接近由学习部1820输入的处理后质量信息的方式，对模型1821的模型参数进行更新。因此，学习部1820生成学习完成的模型。
<预测装置的功能构成>
接着，对第3实施方式中的预测装置的功能构成进行说明。图19是示出预测装置的功能构成的一个示例的第3图。在预测装置1900中安装有蚀刻质量预测程序，通过执行该程序，使得预测装置1900作为预测部1910、预测部1920、蚀刻质量计算部1930发挥功能。
预测部1910具有由学习部1810生成的学习完成模型1911，并且通过将通过对预测对象的处理前基板进行拍摄而生成的处理前图像数据输入到学习完成模型1911中，从而对处理前质量进行预测，并输出处理前质量信息。
预测部1920具有由学习部1820生成的学习完成模型1921，并且通过将通过对预测对象的处理后基板进行拍摄而生成的处理后图像数据输入到学习完成模型1921中，从而对处理后质量进行预测，并输出处理后质量信息。
蚀刻质量计算部1930通过计算从预测部1910输出的处理前质量信息与从预测部1920输出的处理后质量信息之间的差分，从而对蚀刻质量进行预测，并输出预测蚀刻质量信息。
<预测蚀刻质量信息的具体示例>
接着，针对从预测装置1900输出的预测蚀刻质量信息的具体示例，一边与通过对从外部检查装置110输出的处理前质量信息与处理后质量信息之间的差分进行计算而生成的蚀刻质量信息进行对比一边进行说明。图20是示出蚀刻质量信息与预测蚀刻质量信息之间的关系的第3图。具体而言，在图20的示例中，在对初始膜厚和膜种类不同的各个处理前基板进行蚀刻处理的情况下，对
·从预测装置1900输出的蚀刻量(纵轴：预测蚀刻量)与
·通过对从外部检查装置110输出的处理前基板的膜厚值和处理后基板的膜厚值之间的差分进行计算而生成的蚀刻量(横轴：实测蚀刻量)
进行对比。
在图20中，符号2010表示对初始膜厚为0.1μm、膜种类为硅氧化膜(Ox)的处理前基板进行蚀刻处理的情况下的预测蚀刻量与实测蚀刻量之间的关系。
另外，符号2020表示对初始膜厚为0.25μm、膜种类为氮化硅膜(SiN)的处理前基板进行蚀刻处理的情况下的预测蚀刻量与实测蚀刻量之间的关系。
如图20的示例所示，在预测装置1900的情况下，即使是相同的硬质膜，也能够实现与氮化硅膜(SiN)相比氧化硅膜(Ox)更高的预测精度。
<总结>
从以上的说明可以看出，根据第3实施方式的蚀刻处理系统进行以下处理。
·取得由布置在基板的输送路径上的摄像装置拍摄的处理前基板的处理前图像数据和处理后基板的处理后图像数据、以及通过由外部检查装置进行检查而输出的处理前基板的处理前质量信息和处理后基板的处理后质量信息。
·通过使用将处理前图像数据和处理前质量信息相关联的学习用数据进行学习，从而生成第一学习完成模型。
·通过使用将处理后图像数据和处理后质量信息相关联的学习用数据进行学习，从而生成第二学习完成模型。
·通过将预测对象的处理前基板的处理前图像数据输入到第一学习完成模型，从而输出预测对象的处理后基板的处理前质量信息。另外，通过将预测对象的处理后基板的处理后图像数据输入到第二学习完成模型，从而输出预测对象的处理后基板的处理后质量信息。
·计算处理前质量信息与处理后质量信息的差分，并输出预测对象的处理前基板和处理后基板的预测蚀刻质量信息。
这样一来，在根据第3实施方式的蚀刻处理系统中，通过在内部布置摄像装置，并使用处理前基板的处理前图像数据和处理后基板的处理后图像数据使各个学习完成模型进行动作，从而取得蚀刻质量的检查结果。由此，根据第3实施方式，与由外部检查装置对搬入蚀刻处理系统的处理前基板和搬出的处理后基板进行检查的情况相比，能够大幅地缩短直到取得蚀刻质量的检查结果为止的时间。
[第4实施方式]
虽然在上述第1实施方式至第3实施方式中，对预测装置具有输出预测蚀刻质量信息的功能进行了说明，但是预测装置所具有的功能不限于此。例如，也可以具有用于反馈预测蚀刻质量、并对在预测对象的基板之后进行蚀刻处理的基板的处理内容进行控制(例如，对控制旋钮的控制量进行校正)的控制部。
在此情况下，例如，在控制部中配置通过预先对控制旋钮的控制量与蚀刻质量之间的关系进行学习而生成的学习完成的工艺控制模型，该控制部根据使用该模型导出的控制量使控制旋钮进行动作。具体而言，控制部在预测蚀刻质量信息偏离目标值的情况下，以对该偏移量进行校正的方式，使用该模型导出控制量，并根据导出的控制量使控制旋钮进行动作。
这样一来，通过采用利用预测蚀刻质量信息来对蚀刻处理的处理内容进行控制的构成，从而能够通过蚀刻处理系统200，实现符合目标值的蚀刻质量。
[第5实施方式]
虽然在上述第1实施方式至第4实施方式中，对学习部在学习阶段中进行学习，并生成学习完成模型进行了说明，但是学习部所具有的功能不限于此。例如，也可以具有在预测阶段中，在预定的条件成立的情况下，针对生成的学习完成模型进行再学习的功能。
在此所说的预定的条件成立的情况例如是指：在预测阶段中也通过由外部检查装置110继续进行蚀刻质量的检查来生成学习用数据，并积累了预定量的学习用数据的情况。或者是指：在预测阶段也通过由外部检查装置110继续进行蚀刻质量的检查，从而对蚀刻质量信息与预测蚀刻质量信息之间的差分进行监视，两者的差分变为预定的阈值以上的情况。
需要说明的是，由学习部进行的再学习的方法是任意的。例如，可以通过使用在预测阶段中积累的学习用数据，从头开始进行学习，来生成新的学习完成模型。或者，也可以通过对在预测阶段中正在进行动作的学习完成模型，使用在预测阶段中积累的学习用数据，进行追加学习，从而对学习完成模型进行更新。
这样一来，通过使学习部具有进行再学习的功能，从而能够通过蚀刻处理系统100，在转移到预测阶段之后提高预测精度。
[其他的实施方式]
虽然在上述各实施方式中，对将学习装置和预测装置分开构成的情况进行了说明，但是学习装置和预测装置也可以构成为一体的装置。
另外，在上述各实施方式中，对学习装置和预测装置与构成蚀刻处理系统100或200的多个模块一体地构成的情况进行了说明。但是，学习装置和预测装置也可以与构成蚀刻处理系统100或200的多个模块分开地构成，例如可以构成为经由网络连接。
另外，虽然在上述各实施方式中，对将摄像装置102布置在构成蚀刻处理系统100或200的定向器ORT内的情况进行了说明，但是摄像装置102的布置并不限定于定向器ORT内。只要是能够对处理前基板和处理后基板双方进行摄像的布置，则可以布置在输送路径上的任意位置。另外，设置的摄像装置的数量不限于一台，也可以是多台。
另外，在上述各实施方式中，作为蚀刻质量信息或预测蚀刻质量信息，对使用作为膜厚值或膜厚值的差分的蚀刻量进行了说明。但是，蚀刻质量信息或预测蚀刻质量信息不限于此。
另外，虽然在上述第2实施方式中，并未提及差分图像数据的计算方法，但是差分图像数据例如可以按每个颜色分量分别计算，并选择和与蚀刻质量相关的项目之间的相关性较高的特定的颜色分量的差分图像数据。或者，也可以使用特定的颜色分量的处理前图像数据和处理后图像数据来计算差分图像数据。或者，也可以以使和与蚀刻质量相关的项目之间的相关性变得更高的方式，对差分图像数据进行加工，来代替选择特定的颜色分量的差分图像数据。
需要说明的是，在公开的技术中，可以考虑诸如以下记载的附注的方式。
(附注1)
一种蚀刻处理系统，包括：
预测部，通过将预测对象的基板的图像数据输入到通过使用学习用数据进行学习而得到的学习完成模型，从而对预测对象的基板的蚀刻质量进行预测，所述学习用数据通过将由布置在基板的输送路径上的摄像装置拍摄的所述基板的图像数据与用于对所述基板的蚀刻质量进行预测的信息相关联而得到。
(附注2)
根据附注1所述的蚀刻处理系统，其中，
所述学习完成模型是通过使用以通过对进行了蚀刻处理的所述基板进行拍摄而生成的处理后图像数据作为输入数据，并以通过对进行了蚀刻处理的所述基板的蚀刻质量进行检查而输出的蚀刻质量信息作为正确答案数据的学习用数据进行学习而得到的模型。
(附注3)
根据附注1或附注2所述的蚀刻处理系统，其中，
所述学习完成模型是通过使用以对通过对进行蚀刻处理前的所述基板进行拍摄而生成的处理前图像数据和通过对进行蚀刻处理后的所述基板进行拍摄而生成的处理后图像数据进行差分而得到的差分图像数据作为输入数据，并以对通过对进行蚀刻处理前的所述基板的与蚀刻质量相关的项目进行检查而输出的处理前质量信息和通过对进行蚀刻处理后的所述基板的与蚀刻质量相关的项目进行检查而输出的处理后质量信息进行差分而得到的蚀刻质量信息作为正确答案数据的学习用数据进行学习而得到的模型。
(附注4)
根据附注1至附注3中的任意一个附注所述的蚀刻处理系统，其中，
所述学习完成模型具有
通过使用以通过对进行蚀刻处理前的所述基板进行拍摄而生成的处理前图像数据作为输入数据，并以通过对进行蚀刻处理前的所述基板的与蚀刻质量相关的项目进行检查而输出的处理前质量信息作为正确答案数据的学习用数据进行学习而得到的第一学习完成模型；以及
通过使用以通过对进行蚀刻处理后的所述基板进行拍摄而生成的处理后图像数据作为输入数据，并以通过对进行蚀刻处理后的所述基板的与蚀刻质量相关的项目进行检查而输出的处理前质量信息作为正确答案数据的学习用数据进行学习而得到的第二学习完成模型，
所述预测部基于通过将通过对进行蚀刻处理前的预测对象的基板进行拍摄而生成的处理前图像数据输入到所述第一学习完成模型而输出的预测对象的基板的处理前质量信息、以及通过将通过对进行蚀刻处理后的预测对象的基板进行拍摄而生成的处理后图像数据输入到所述第二学习完成模型而输出的处理后质量信息，对预测对象的基板的蚀刻质量进行预测。
(附注5)
根据附注2至附注4中的任意一个附注所述的蚀刻处理系统，其中，
所述预测部将进行了蚀刻处理的预测对象的基板的膜厚值、CD值、与剖面形状相关的值中的至少一者作为所述蚀刻质量进行预测。
(附注6)
根据附注3或附注4所述的蚀刻处理系统，其中，
所述与蚀刻质量相关的项目包括膜厚值、CD值、与剖面形状相关的值中的至少一者，
所述预测部将进行了蚀刻处理的预测对象的基板的蚀刻量、蚀刻速率、ΔCD值中的至少一者作为所述蚀刻质量进行预测。
(附注7)
根据附注6所述的蚀刻处理系统，其中，
所述处理前图像数据和所述处理后图像数据是特定的颜色分量的图像数据。
(附注8)
根据附注1至附注7中的任意一个附注所述的蚀刻处理系统，还包括：
控制部，基于预测的所述预测对象的基板的蚀刻质量，对在所述预测对象的基板之后进行蚀刻处理的基板的处理内容进行控制。
(附注9)
根据附注1至附注8中的任意一个附注所述的蚀刻处理系统，还包括：
学习部，生成所述学习完成模型，并且在预定的条件成立的情况下，针对生成的所述学习完成模型进行再学习。
(附注10)
一种蚀刻质量预测方法，包括：
预测工序，通过将预测对象的基板的图像数据输入到通过使用学习用数据进行学习而得到的学习完成模型，从而对预测对象的基板的蚀刻质量进行预测，所述学习用数据通过将由布置在基板的输送路径上的摄像装置拍摄的所述基板的图像数据与用于对所述基板的蚀刻质量进行预测的信息相关联而得到。
(附注11)
一种蚀刻质量预测程序，用于使计算机执行以下工序：
预测工序，通过将预测对象的基板的图像数据输入到通过使用学习用数据进行学习而得到的学习完成模型，从而对预测对象的基板的蚀刻质量进行预测，所述学习用数据通过将由布置在基板的输送路径上的摄像装置拍摄的所述基板的图像数据与用于对所述基板的蚀刻质量进行预测的信息相关联而得到。
需要说明的是，本发明不限于在上述实施方式所列举的方案等中组合其他要素等在此所示的方案。关于这些方面，在不脱离本发明的主旨的范围内可以进行变更，并且可以根据其应用方式适当地确定。
本申请以于2021年10月8日提交的日本发明专利申请第2021-166079号作为要求优先权的基础，并在本申请中通过参照而援引该日本发明专利申请的全部内容。
符号说明
100：蚀刻处理系统
101：处理室
102：摄像装置
103：学习装置
110：外部检查装置
200：蚀刻处理系统
203：预测装置
500：学习用数据
610：学习部
710：蚀刻质量预测部
1000：蚀刻处理系统
1003：学习装置
1103：预测装置
1200：学习用数据
1310：差分算出部
1320：学习部
1510：差分图像生成部
1520：蚀刻质量预测部
1710：学习用数据
1720：学习用数据
1800：学习装置
1810：学习部
1820：学习部
1900：预测装置
1910：预测部
1920：预测部
1930：蚀刻质量计算部。

Claims (11)

1.一种蚀刻处理系统，包括：
预测部，通过将预测对象的基板的图像数据输入到通过使用学习用数据进行学习而得到的学习完成模型，从而对预测对象的基板的蚀刻质量进行预测，所述学习用数据通过将由布置在基板的输送路径上的摄像装置拍摄的所述基板的图像数据与用于对所述基板的蚀刻质量进行预测的信息相关联而得到。
2.根据权利要求1所述的蚀刻处理系统，其中，
所述学习完成模型是通过使用以通过对进行了蚀刻处理的所述基板进行拍摄而生成的处理后图像数据作为输入数据，并以通过对进行了蚀刻处理的所述基板的蚀刻质量进行检查而输出的蚀刻质量信息作为正确答案数据的学习用数据进行学习而得到的模型。
3.根据权利要求1所述的蚀刻处理系统，其中，
所述学习完成模型是通过使用以对通过对进行蚀刻处理前的所述基板进行拍摄而生成的处理前图像数据和通过对进行蚀刻处理后的所述基板进行拍摄而生成的处理后图像数据进行差分而得到的差分图像数据作为输入数据，并以对通过对进行蚀刻处理前的所述基板的与蚀刻质量相关的项目进行检查而输出的处理前质量信息和通过对进行蚀刻处理后的所述基板的与蚀刻质量相关的项目进行检查而输出的处理后质量信息进行差分而得到的蚀刻质量信息作为正确答案数据的学习用数据进行学习而得到的模型。
4.根据权利要求1所述的蚀刻处理系统，其中，
所述学习完成模型具有
通过使用以通过对进行蚀刻处理前的所述基板进行拍摄而生成的处理前图像数据作为输入数据，并以通过对进行蚀刻处理前的所述基板的与蚀刻质量相关的项目进行检查而输出的处理前质量信息作为正确答案数据的学习用数据进行学习而得到的第一学习完成模型；以及
通过使用以通过对进行蚀刻处理后的所述基板进行拍摄而生成的处理后图像数据作为输入数据，并以通过对进行蚀刻处理后的所述基板的与蚀刻质量相关的项目进行检查而输出的处理前质量信息作为正确答案数据的学习用数据进行学习而得到的第二学习完成模型，
所述预测部基于通过将通过对进行蚀刻处理前的预测对象的基板进行拍摄而生成的处理前图像数据输入到所述第一学习完成模型而输出的预测对象的基板的处理前质量信息、以及通过将通过对进行蚀刻处理后的预测对象的基板进行拍摄而生成的处理后图像数据输入到所述第二学习完成模型而输出的处理后质量信息，对预测对象的基板的蚀刻质量进行预测。
5.根据权利要求2所述的蚀刻处理系统，其中，
所述预测部将进行了蚀刻处理的预测对象的基板的膜厚值、CD值、与剖面形状相关的值中的至少一者作为所述蚀刻质量进行预测。
6.根据权利要求3或4所述的蚀刻处理系统，其中，
所述与蚀刻质量相关的项目包括膜厚值、CD值、与剖面形状相关的值中的至少一者，
所述预测部将进行了蚀刻处理的预测对象的基板的蚀刻量、蚀刻速率、ΔCD值中的至少一者作为所述蚀刻质量进行预测。
7.根据权利要求6所述的蚀刻处理系统，其中，
所述处理前图像数据和所述处理后图像数据是特定的颜色分量的图像数据。
8.根据权利要求1所述的蚀刻处理系统，还包括：
控制部，基于预测的所述预测对象的基板的蚀刻质量，对在所述预测对象的基板之后进行蚀刻处理的基板的处理内容进行控制。
9.根据权利要求1所述的蚀刻处理系统，还包括：
学习部，生成所述学习完成模型，并且在预定的条件成立的情况下，针对生成的所述学习完成模型进行再学习。
10.一种蚀刻质量预测方法，包括：
预测工序，通过将预测对象的基板的图像数据输入到通过使用学习用数据进行学习而得到的学习完成模型，从而对预测对象的基板的蚀刻质量进行预测，所述学习用数据通过将由布置在基板的输送路径上的摄像装置拍摄的所述基板的图像数据与用于对所述基板的蚀刻质量进行预测的信息相关联而得到。
11.一种蚀刻质量预测程序，用于使计算机执行以下工序：
预测工序，通过将预测对象的基板的图像数据输入到通过使用学习用数据进行学习而得到的学习完成模型，从而对预测对象的基板的蚀刻质量进行预测，所述学习用数据通过将由布置在基板的输送路径上的摄像装置拍摄的所述基板的图像数据与用于对所述基板的蚀刻质量进行预测的信息相关联而得到。
CN202280005913.5A 2021-10-08 2022-10-05 蚀刻处理系统、蚀刻质量预测方法及蚀刻质量预测程序 Pending CN116261737A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2021166079A JP2023056708A (ja) 2021-10-08 2021-10-08 エッチング処理システム、エッチング品質予測方法及びエッチング品質予測プログラム
JP2021-166079 2021-10-08
PCT/JP2022/037299 WO2023058688A1 (ja) 2021-10-08 2022-10-05 エッチング処理システム、エッチング品質予測方法及びエッチング品質予測プログラム

Publications (1)

Publication Number Publication Date
CN116261737A true CN116261737A (zh) 2023-06-13

Family

ID=85804315

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202280005913.5A Pending CN116261737A (zh) 2021-10-08 2022-10-05 蚀刻处理系统、蚀刻质量预测方法及蚀刻质量预测程序

Country Status (6)

Country Link
US (1) US20230206418A1 (zh)
JP (1) JP2023056708A (zh)
KR (1) KR20240082255A (zh)
CN (1) CN116261737A (zh)
TW (1) TW202320205A (zh)
WO (1) WO2023058688A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117241483B (zh) * 2023-10-25 2024-04-12 广东达源设备科技有限公司 用于电路板生产的喷淋装置和方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001155979A (ja) * 1999-11-24 2001-06-08 Nippon Steel Corp 製造情報管理システム
KR100955832B1 (ko) 2007-12-24 2010-05-06 주식회사 동부하이텍 반도체 소자의 층간 절연막 형성 방법
WO2019198143A1 (ja) * 2018-04-10 2019-10-17 株式会社日立製作所 加工レシピ生成装置
JP6804069B2 (ja) * 2018-08-03 2020-12-23 株式会社Ｋｏｋｕｓａｉ Ｅｌｅｃｔｒｉｃ 基板処理システム、基板処理装置及び半導体装置の製造方法
JP7105135B2 (ja) * 2018-08-17 2022-07-22 東京エレクトロン株式会社 処理条件補正方法及び基板処理システム
KR102513707B1 (ko) * 2018-09-03 2023-03-23 가부시키가이샤 프리퍼드 네트웍스 학습 장치, 추론 장치, 학습 모델 생성 방법 및 추론 방법
JP7004826B2 (ja) * 2019-08-07 2022-01-21 株式会社日立ハイテク 寸法計測装置、寸法計測方法及び半導体製造システム
US20210143039A1 (en) 2019-11-12 2021-05-13 Applied Materials, Inc. Systems and methods for controlling non-uniformity

Also Published As

Publication number Publication date
JP2023056708A (ja) 2023-04-20
WO2023058688A1 (ja) 2023-04-13
KR20240082255A (ko) 2024-06-10
TW202320205A (zh) 2023-05-16
US20230206418A1 (en) 2023-06-29

Similar Documents

Publication Publication Date Title
JP4980675B2 (ja) 稼働状況を提示することができる装置
WO2020159673A1 (en) Chamber matching with neural networks in semiconductor equipment tools
CN113449532B (zh) 检测包裹的方法、装置、计算设备、物流系统及存储介质
KR100882252B1 (ko) 결함 검사 장치 및 결함 검사 방법
TW201237443A (en) Circuit pattern inspection device and inspection method therefor
CN116261737A (zh) 蚀刻处理系统、蚀刻质量预测方法及蚀刻质量预测程序
US20190026879A1 (en) Method of detecting defects in an object
US20110286674A1 (en) Detecting potential changed objects in images
CN111507055B (zh) 电路设计版图和电镜扫描图像的配准方法及系统、电路设计版图和其成像误差计算方法
CN109154575A (zh) 结合片块及基于设计的缺陷检测
JP2006276454A (ja) 画像補正方法、およびこれを用いたパターン欠陥検査方法
TWI558211B (zh) 影像處理方法與裝置
CN114245933A (zh) 制程信息提示系统、制程错误推定系统
JPH0943058A (ja) 色分類装置及び色むら検査装置
JP5178781B2 (ja) センサ出力データの補正装置及びセンサ出力データの補正方法
JPH08292014A (ja) パターン位置の計測方法および計測装置
KR20210134129A (ko) 웨이퍼 검사 장치 및 방법
JP4629086B2 (ja) 画像欠陥検査方法および画像欠陥検査装置
CN115508384A (zh) 检查方法和检查系统
EP0578816B1 (en) Method of inspecting articles
US20230317528A1 (en) Efficient Semiconductor Metrology Using Machine Learning
JP2009071383A (ja) 画像処理装置、検査システム、画像処理方法、画像処理プログラム、及び該プログラムを記録したコンピュータ読み取り可能な記録媒体
JP5039083B2 (ja) 画像作成方法、計算装置、画像作成プログラムおよび記憶媒体
US20110038506A1 (en) Emission analysis device, method and system
EP2214138A1 (en) Detecting potential changed objects in images

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication