CN117501414A - 基板处理装置及信息处理系统 - Google Patents

基板处理装置及信息处理系统 Download PDF

Info

Publication number
CN117501414A
CN117501414A CN202280042683.XA CN202280042683A CN117501414A CN 117501414 A CN117501414 A CN 117501414A CN 202280042683 A CN202280042683 A CN 202280042683A CN 117501414 A CN117501414 A CN 117501414A
Authority
CN
China
Prior art keywords
substrate
defects
machine learning
learning model
unit
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
CN202280042683.XA
Other languages
English (en)
Inventor
铃木佑多
高桥广毅
中村显
渡边和英
松尾尚典
神子岛隆仁
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.)
Ebara Corp
Original Assignee
Ebara Corp
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 Ebara Corp filed Critical Ebara Corp
Publication of CN117501414A publication Critical patent/CN117501414A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • H01L22/10—Measuring as part of the manufacturing process
    • H01L22/12—Measuring as part of the manufacturing process for structural parameters, e.g. thickness, line width, refractive index, temperature, warp, bond strength, defects, optical inspection, electrical measurement of structural dimensions, metallurgic measurement of diffusions
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B24—GRINDING; POLISHING
    • B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
    • B24B37/00—Lapping machines or devices; Accessories
    • B24B37/005—Control means for lapping machines or devices
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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
    • 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
    • H01L21/67—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
    • H01L21/67242—Apparatus for monitoring, sorting or marking
    • H01L21/67253—Process monitoring, e.g. flow or thickness monitoring
    • 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
    • H01L21/67242—Apparatus for monitoring, sorting or marking
    • H01L21/67288—Monitoring of warpage, curvature, damage, defects or the like

Landscapes

  • Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Power Engineering (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Mechanical Engineering (AREA)
  • Cleaning Or Drying Semiconductors (AREA)
  • Mechanical Treatment Of Semiconductor (AREA)

Abstract

基板处理装置具备：在基板的研磨中和/或清洗中和/或干燥中对对象的物理量进行检测的至少一个传感器；对于已学习的机器学习模型，将由所述传感器检测到的研磨中和/或清洗中和/或干燥中的传感器值按照每个处理步骤转换为特征量的转换部；以及通过将包含所述特征量的对象数据输入已学习的机器学习模型而输出对象的基板中的缺陷的数量、缺陷的尺寸、缺陷的位置中的至少一个的预测值的推论部，所述已学习的机器学习模型使用学习数据组进行学习，该学习数据组的输入数据包含将在对象的生产线或与该对象的生产线同种的生产线中由传感器检测到的研磨中和/或清洗中的传感器值按照每个处理步骤转换而得到的特征量，且该学习数据组的输出数据是基板中的缺陷的数量、缺陷的尺寸、缺陷的位置中的至少一个。

Description

基板处理装置及信息处理系统
技术领域
本发明涉及一种基板处理装置及信息处理系统。
背景技术
基板处理装置(例如研磨装置)的清洗性能通过用专用的缺陷检查装置对例如结束了研磨、清洗、干燥的处理而从装置排出的基板(具体而言，晶片)进行测定来评价(例如，参照专利文献1)。缺陷检查需要成本(主要是时间)，因此在制造现场，难以在基板处理(例如、研磨、清洗、干燥)后全部进行检查，而实施抽检。
现有技术文献
专利文献
专利文献1：日本特开2002-257533号公报
发明所要解决的技术问题
但是，也存在因没有被检查的基板(具体而言，晶片)的清洗不足等而产生不良品的可能性。
发明内容
本发明是鉴于上述问题而做成的，其目的在于，提供一种不通过缺陷检查装置进行检查就能够推定基板处理后的基板是否是不良品的基板处理装置和信息处理系统。
用于解决技术问题的技术手段
本发明的一方式的基板处理装置具备：至少一个传感器，该至少一个传感器在基板的研磨中和/或清洗中和/或干燥中对对象的物理量进行检测；转换部，该转换部对于已学习的机器学习模型，将由所述传感器检测到的研磨中和/或清洗中和/或干燥中的传感器值按照每个处理步骤转换为特征量；以及推论部，该推论部通过将包含所述特征量的对象数据输入已学习的机器学习模型而输出对象的基板中的缺陷的数量、缺陷的尺寸、缺陷的位置中的至少一个的预测值，所述已学习的机器学习模型使用学习数据组进行学习，该学习数据组的输入数据包含将在对象的生产线或与该对象的生产线同种的生产线中由传感器检测到的研磨中和/或清洗中的传感器值按照每个处理步骤转换而得到的特征量，且该学习数据组的输出数据是基板中的缺陷的数量、缺陷的尺寸、缺陷的位置中的至少一个。
根据该结构，不通过缺陷检查装置进行检查就能够得到基板处理后的基板的缺陷的数量、缺陷的尺寸、缺陷的位置中的至少一个的预测值，因此不通过缺陷检查装置进行检查就能够推定基板处理后的基板是否是不良品。
另外，在上述基板处理装置中，也可以是，所述机器学习模型的学习时的输入数据还包含停留时间，该停留时间是按照基板处理装置所含的每个单元进行了计数的在该单元停留的停留时间，所述基板处理装置还具备单元停留时间计数部，该单元停留时间计数部针对该基板处理装置所含的每个单元，对在该单元停留的停留时间进行计数，输入至所述已学习的机器学习模型的所述对象数据还包含通过所述单元停留时间计数部对每个单元进行了计数的在该单元停留的停留时间。
另外，在上述基板处理装置中，也可以是，所述机器学习模型的学习时的输入数据还包含第二特征量，该第二特征量由对用于研磨或清洗的部件的位置进行转换而得到，所述转换部将用于研磨或清洗的部件的位置转换为第二特征量，输入至所述已学习的机器学习模型的所述对象数据还包含由所述转换部转换后的每个部件的第二特征量。
另外，在上述基板处理装置中，也可以是，所述机器学习模型的学习时的输入数据还包含制程信息，该制程信息包含对于基板处理装置所含的单元的指令值，输入至所述已学习的机器学习模型的所述对象数据还包含制程信息，该制程信息包含对于该基板处理装置所含的单元的指令值。
另外，在上述基板处理装置中，也可以是，具备：回归分析部，该回归分析部按照预先决定的回归分析算法，对于多个传感器值中的每一个，输出表示该传感器值与缺陷的数量、缺陷的尺寸、基板中的缺陷的位置中的任一个之间的相关的相关参数；受理部，该受理部受理至少一个传感器，该传感器输出作为机器学习模型的输入数据所含的特征量的基础的传感器值；以及学习部，该学习部使所述机器学习模型用所述受理的传感器的传感器值被转换而得到的特征量再次进行学习，所述推论部使用通过所述学习部再次学习后的机器学习模型来输出所述预测值。
本发明的其他方式的信息处理系统具备：转换部，该转换部对于已学习的机器学习模型，将由基板处理装置所具备的传感器检测到的、基板的研磨中和/或清洗中和/或干燥中的传感器值按照每个处理步骤转换为特征量；以及推论部，该推论部通过输入包含所述特征量的对象数据而输出基板中的缺陷的数量、缺陷的尺寸、基板中的缺陷的位置中的至少一个的预测值，所述已学习的机器学习模型使用学习数据组进行了学习，该学习数据组的输入数据包含将在对象的生产线或与该对象的生产线同种的生产线中由传感器检测到的研磨中和/或清洗中的传感器值按照每个处理步骤转换而得到的特征量，且该学习数据组的输出数据是基板中的缺陷的数量、缺陷的尺寸、缺陷的位置中的至少一个。
发明的效果
根据本发明的一个方式，不通过缺陷检查装置进行检查就能够得到基板处理后的基板的缺陷的数量、缺陷的尺寸、缺陷的位置中的至少一的预测值，因此不通过缺陷检查装置进行检查就能够推定基板处理后的基板是否是不良品。
附图说明
图1是表示本实施方式的基板处理装置的概略结构的一例的图。
图2是表示本实施方式的控制部的概略结构的一例的框图的一例。
图3是表示本实施方式的各单元中的停留时间的例子的曲线图。
图4是输入到机器学习模型的输入数据所含的特征量的数据结构的一例。
图5是输入到机器学习模型的输入数据所含的每个单元的停留时间的数据结构的一例。
图6A是用于说明机器学习模型的学习工序的一例的示意图。
图6B是用于说明机器学习模型的推论工序的一例的示意图。
图7是对缺陷的数量的实测值与缺陷的数量的预测值进行比较的曲线图的一例。
图8A是用于说明机器学习模型的学习工序的变形例1的示意图。
图8B是用于说明机器学习模型的推论工序的变形例1的示意图。
图9A是用于说明机器学习模型的学习工序的变形例2的示意图。
图9B是用于说明机器学习模型的推论工序的变形例2的示意图。
图10A是用于说明机器学习模型的学习工序的变形例3的示意图。
图10B是用于说明机器学习模型的推论工序的变形例3的示意图。
图11A是本实施方式的变形例1的概略结构图。
图11B是本实施方式的变形例2的概略结构图。
图12A是本实施方式的变形例3的概略结构图。
图12B是本实施方式的变形例4的概略结构图。
具体实施方式
以下，参照附图，对各实施方式进行说明。但是，可能存在省略非必要的详细的说明的情况。例如，可能省略对已经清楚知道的事项的详细说明、对实质上相同的结构的重复说明。这是为了避免以下的说明变得不必要的冗长，从而使本领域技术人员容易理解。在本实施方式中，作为基板处理装置的一例，说明对基板W的表面进行化学机械研磨(CMP：Chemical Mechanical Polishing)而使其平坦的研磨装置。
图1是表示本实施方式的基板处理装置的概略结构的一例的图。如图1所示，基板处理装置1是对硅晶片(以下，仅称作晶片)等基板W的表面进行化学机械研磨(CMP：Chemical Mechanical Polishing)而使其平坦的研磨装置。
如图1所示，基板处理装置1例如具备矩形箱状的外壳2。外壳2形成为在俯视下呈大致长方形。外壳2在其中央具备沿长边方向延伸的基板输送路3。在基板输送路3的长边方向的一端部配设有装载/卸载部10。在基板输送路3的宽度方向、即俯视下与长边方向正交的方向上的一方侧配设有研磨部20，在另一方侧配设有清洗部30。在基板输送路3设有输送基板W的基板输送部40。另外，基板处理装置1具备控制部50，该控制部50统合地控制装载/卸载部10、研磨部20、清洗部30及基板输送部40的动作。
装载/卸载部10具备收容基板W的前装载部11。前装载部11在外壳2的长边方向上的一方侧的侧面设有多个。多个前装载部11沿外壳2的宽度方向配列。前装载部11例如搭载有开口盒、SMIF(Standard Manufacturing Interface，标准制造接口)载具或FOUP(FrontOpening Unified Pod，前开式统一处理载具)。SMIF和FOUP都是在内部收纳基板W的盒并通过隔壁进行覆盖的密闭容器，能够保持与外部空间独立的环境。
另外，装载/卸载部10具备从前装载部11收放基板W的两台输送机器人12和使各输送机器人12沿着前装载部11的排列方向行驶的行驶机构13。各输送机器人12具备上下两个手臂，并在基板W的处理前和基板W的处理后分开使用这两个手臂。例如，在使基板W返回前装载部11的情况下，各输送机器人12使用上侧的手臂，在从前装载部11取出处理前的基板W的情况下，各输送机器人12使用下侧的手臂。
研磨部20具备对基板W进行研磨的多个研磨装置21(21A、21B、21C、21D)。多个研磨装置21沿基板输送路3的长边方向配列。研磨装置21具备：使具有研磨面的研磨垫22旋转的研磨台23、用于保持基板W且一边将基板W向研磨台23上的研磨垫22按压一边对基板W进行研磨的顶环24、用于向研磨垫22供给研磨液、修整液等的研磨液供给喷嘴25、用于进行研磨垫22的研磨面的修整的修整器26、使纯水等液体与氮气等气体的混合流体或纯水等液体成为雾状而向研磨面喷射的雾化器27。
研磨装置21通过一边从研磨液供给喷嘴25向研磨垫22上供给研磨液，一边通过顶环24将基板W向研磨垫22按压，使顶环24与研磨台23相对移动，从而对基板W进行研磨而使基板W的表面平坦。另外，顶环24具备同心圆状地配置的多个加减压区域(例如气垫)。顶环24通过调整这些多个加减压区域内的压力来调整向研磨垫22按压基板W的情况。
修整器26在与研磨垫22接触的顶端的旋转部固定有金刚石粒子、陶瓷粒子等硬质的粒子，通过使该旋转部旋转并摆动，从而均匀地修整研磨垫22的研磨面整体，而形成平坦的研磨面。
雾化器27通过用高压的流体冲洗残留于研磨垫22的研磨面的研磨屑、磨粒等来执行研磨面的净化和基于修整器26的研磨面的整形作业、即研磨面的再生。
清洗部30具备对基板W进行清洗的多个清洗装置31(31A、31B)和使清洗后的基板W干燥的基板干燥装置32。多个清洗装置31和基板干燥装置32沿基板输送路3的长边方向配列。在清洗装置31A与清洗装置31B之间设有第一输送室33。在第一输送室33设有在基板输送部40、清洗装置31A及清洗装置31B之间输送基板W的输送机器人35。
输送机器人35具备上下两个手臂，并且在基板W的清洗装置31A中的清洗前与基板W的清洗装置31A中的清洗后分开使用这两个手臂。例如，在从后述的临时放置台(也称作晶片站)47取出清洗前的基板W并向清洗装置31A输送的情况下，输送机器人35使用下侧的手臂，在清洗后从清洗装置31A取出基板W并向清洗装置31输送的情况下，输送机器人35使用上侧的手臂。
另外，在清洗装置31B与基板干燥装置32之间设有第二输送室34。在第二输送室34设有在清洗装置31B与基板干燥装置32之间输送基板W的输送机器人36。
清洗装置31具备辊形海绵(以下，也称作辊)型的清洗组件，使用该清洗组件对基板W进行清洗。此外，清洗装置31A和清洗装置31B可以是相同的类型也可以是不同的类型的清洗组件。另外，清洗装置31A和清洗装置31B可以代替辊形海绵型的清洗组件而具备例如笔形海绵(以下，也称作笔)型的清洗组件、双流体喷嘴型的清洗组件。这里，在双流体喷嘴型的清洗组件的情况下，双流体是例如氮(N2)与纯水的混合。
基板干燥装置32具备例如执行氮气(N2)干燥、使用了异丙醇(IPA：Iso-PropylAlcohol)的罗塔戈尼干燥的干燥组件。在对基板W执行了罗塔戈尼干燥之后，设于基板干燥装置32与装载/卸载部10之间的隔壁的闸门1a被打开，而通过输送机器人12将基板W从基板干燥装置32运出。
基板输送部40具备：升降机41、第一线性传送装置42、第二线性传送装置43及摆动传送装置44。在基板输送路3从装载/卸载部10侧起依次设定有第一输送位置TP1、第二输送位置TP2、第三输送位置TP3、第四输送位置TP4、第五输送位置TP5、第六输送位置TP6、第七输送位置TP7。
升降机41是在第一输送位置TP1处上下输送基板W的机构。升降机41在第一输送位置TP1从装载/卸载部10的输送机器人12接受基板W。然后，升降机41将从输送机器人12接受的基板W交给第一线性传送装置42。在第一输送位置TP1与装载/卸载部10之间的隔壁设有闸门1b，在基板W的输送时，闸门1b被打开，从而基板W被从输送机器人12交给升降机41。
第一线性传送装置42是在第一输送位置TP1、第二输送位置TP2、第三输送位置TP3及第四输送位置TP4中的两个之间输送基板W的机构。第一线性传送装置42具备多个输送臂45(45A、45B、45C、45D)和使各输送臂45以多个高度沿水平方向移动的线性引导机构46。
输送臂45A通过线性引导机构46在第一输送位置TP1至第四输送位置TP4之间移动。输送臂45A是用于从升降机41接受基板W并将该基板W交给第二线性传送装置43的传递臂。
输送臂45B通过线性引导机构46在第一输送位置TP1与第二输送位置TP2之间移动。输送臂45B在第一输送位置TP1从升降机41接受基板W，并在第二输送位置TP2将基板W交给研磨装置21A。在输送臂45B设有升降驱动部，在将基板W交给研磨装置21A的顶环24时上升，并在将基板W交给了顶环24之后下降。此外，在输送臂45C和输送臂45D也设有同样的升降驱动部。
输送臂45C通过线性引导机构46在第一输送位置TP1与第三输送位置TP3之间移动。输送臂45C在第一输送位置TP1从升降机41接受基板W，并在第三输送位置TP3将基板W交给研磨装置21B。另外，输送臂45C也作为在第二输送位置TP2从研磨装置21A的顶环24接受基板W并在第三输送位置TP3将基板W交给研磨装置21B的存取臂发挥功能。
输送臂45D通过线性引导机构46在第二输送位置TP2与第四输送位置TP4之间移动。输送臂45D作为用于在第二输送位置TP2或第三输送位置TP3从研磨装置21A或研磨装置21B的顶环24接受基板W并在第四输送位置TP4将基板W交给摆动传送装置44的存取臂发挥功能。
摆动传送装置44具有能够在第四输送位置TP4与第五输送位置TP5之间移动的手臂，将基板W从第一线性传送装置42交给第二线性传送装置43。另外，摆动传送装置44将被研磨部20研磨后的基板W交给清洗部30。在摆动传送装置44的侧方设有基板W的临时放置台47。摆动传送装置44将在第四输送位置TP4或第五输送位置TP5接受的基板W上下反转并载置于临时放置台47。载置于临时放置台47的基板W被清洗部30的输送机器人35向第一输送室33输送。
第二线性传送装置43是在第五输送位置TP5、第六输送位置TP6及第七输送位置TP7中的两个之间输送基板W的机构。第二线性传送装置43具备多个输送臂48(48A、48B、48C)和使各输送臂45以多个高度沿水平方向移动的线性引导机构49。输送臂48A通过线性引导机构49在第五输送位置TP5至第六输送位置TP6之间移动。输送臂45A作为从摆动传送装置44接受基板W并将该基板W交给研磨装置21C的存取臂发挥功能。
输送臂48B在第六输送位置TP6与第七输送位置TP7之间移动。输送臂48B作为用于从研磨装置21C接受基板W并将该基板W交给研磨装置21D的存取臂发挥功能。输送臂48C在第七输送位置TP7与第五输送位置TP5之间移动。输送臂48C作为用于在第六输送位置TP6或第七输送位置TP7从研磨装置21C或研磨装置21D的顶环24接受基板W并在第五输送位置TP5将基板W交给摆动传送装置44的存取臂发挥功能。此外，虽然省略了说明，但输送臂48交接基板W时的动作与上述的第一线性传送装置42的动作相同。
基板处理装置1具备至少一个传感器(未图示)，该传感器在基板(例如晶片)的研磨中和/或清洗中和/或干燥中对对象的物理量进行检测。在研磨中的情况下，对象的物理量例如为以下的参数。
研磨台23的转速和/或转矩
顶环24的转速和/或转矩
顶环24的气垫压力
修整器26的转速和/或负荷
浆料/水的流量
雾化器27的流量
雾化器27中的氮(N2)的流量
清洗中的情况下，对象的物理量例如为以下的参数。
辊转速和/或转矩和/或负荷
笔转速和/或转矩和/或负荷
药液/水的流量
晶片转速
氮(N2)的流量
在干燥中的情况下，对象的物理量例如为以下的参数。
氮(N2)的流量
异丙醇(IPA)的流量
作为上述传感器的一例，基板处理装置1可以具备：检测台转速和/或转矩的传感器、检测顶环转速和/或转矩的传感器、检测顶环气垫压力的传感器、检测修整器转速和/或负荷的传感器、检测浆料/水的流量的传感器、检测浆料/水的流量的传感器。
另外，基板处理装置1还可以具备：检测清洗装置31的辊转速和/或转矩和/或负荷的传感器、检测清洗装置31的笔转速和/或转矩和/或负荷的传感器、检测清洗装置31的药液/水的流量的传感器、检测清洗装置31的晶片转速的传感器。
另外，基板处理装置1还可以具备：检测氮(N2)的流量的传感器、检测异丙醇(IPA)的流量的传感器。
以下，将构成装载/卸载部10、研磨部20、清洗部30及基板输送部40的部件分别称作单元。
图2是表示本实施方式的控制部的概略结构的一例的框图。如图2所示，控制部50具备：单元控制部51、处理器6及存储部7。
单元控制部51统合地控制装载/卸载部10、研磨部20、清洗部30及基板输送部40的各单元的动作。
存储部7存储有已学习的机器学习模型71。该已学习的机器学习模型71是使用学习数据组进行了学习而得到的模型，该学习数据组的输入数据包含将在对象的生产线或与该对象的生产线同种的生产线中通过传感器检测到的研磨中和/或清洗中的传感器值按照每个处理步骤转换而得到的特征量，且输出数据是基板中的缺陷的数量、缺陷的尺寸、缺陷的位置中的至少一个。在本实施方式中，作为一例，以学习数据组的输出数据是基板中的缺陷的数量进行说明。这里，特征量是传感器的时间序列值的平均、最大、最小、合计、中央值、标准差、方差、峰度或偏度，或者是传感器值的微分值的时间序列数据的平均、最大、最小、合计、中央值、标准差、方差、峰度或偏度。
处理器6通过从存储部7读取并执行规定的程序而作为单元停留时间计数部61、转换部62、学习部63、推论部64、回归分析部65、受理部66发挥功能。
转换部62对于已学习的机器学习模型将由所述传感器检测到的研磨中和/或清洗中和/或干燥中的传感器值按照每个处理步骤转换为特征量。
学习部63使用学习数据组使机器学习模型71进行学习，该学习数据组的输入数据包含将在对象的生产线或与该对象的生产线同种的生产线中由传感器检测到的研磨中和/或清洗中的传感器值按照每个处理步骤转换而得到的特征量，且输出数据是基板中的缺陷的数量、缺陷的尺寸、基板中的缺陷的位置中的至少一个。
推论部64通过向已学习的机器学习模型输入包含所述特征量的对象数据，而输出对象的基板中的缺陷的数量、缺陷的尺寸、缺陷的位置中的至少一个的预测值。
回归分析部65根据预先决定的回归分析算法，对于多个传感器值中的每一个，输出表示该传感器值与缺陷的数量、缺陷的尺寸、基板中的缺陷的位置中的任一个之间的相关的相关参数(例如相关系数)。这里，该回归分析算法可以是：LASSO(least absoluteshrinkage and selection operator，最小绝对值收敛和选择算子)回归、岭(Ridge)回归、支持向量回归(Support Vector Regression:SVR)、随机森林回归(random forestRegression:RFR)、或Light GBM。回归分析部65也可以在显示装置8显示该相关参数(例如相关系数)。由此，基板处理装置1的操作员或用户能够确认相关参数(例如相关系数)。
受理部66例如从确认了上述被输出的相关参数(例如相关系数)的操作员或用户受理至少一个传感器，该传感器输出作为机器学习模型的输入数据所含的特征量的基础的传感器值。此时，操作员或用户例如输入或选择输出作为相关高的特征量的基础的传感器值的传感器。然后，学习部63使上述机器学习模型71用将上述被受理的传感器的传感器值转换而得到的特征量再次进行学习。推论部64使用由学习部63再次学习后的机器学习模型来输出上述预测值。根据该结构，通过受理部66受理操作员或用户例如输出成为相关高的特征量的基础的传感器值的传感器，从而能够提高机器学习模型71的再次学习后的预测精度。
在本实施方式中，作为一例，上述机器学习模型的学习时的输入数据还包含停留时间，该停留时间是按照基板处理装置所含的每个单元进行计数的在该单元停留的停留时间。以此为前提，单元停留时间计数部61对于该基板处理装置1所含的每个单元，对在该单元停留的停留时间进行计数。在本实施方式中，作为一例，输入至上述已学习的机器学习模型的上述对象数据还包含通过上述单元停留时间计数部对每个单元进行了计数的在该单元停留的停留时间。
在本实施方式中，作为一例，上述机器学习模型的学习时的输入数据还包含第二特征量，该第二特征量由对用于研磨或清洗的部件的位置进行转换而得到。以此为前提，转换部62将用于研磨或清洗的部件的位置转换为第二特征量。在该情况下，输入至上述已学习的机器学习模型的上述对象数据还包含由转换部62转换后的每个部件的第二特征量。
在本实施方式中，作为一例，上述机器学习模型的学习时的输入数据还包含制程信息，该制程信息包含对基板处理装置所含的单元的指令值。该指令值是上述的对象的物理量(例如研磨台23的转速等)的设定值，对象的物理量的设定值在每个处理步骤中分别是一个值。以此为前提，输入至上述已学习的机器学习模型的上述对象数据还包含制程信息，该制程信息包含对该基板处理装置所含的单元的指令值。
接着，使用图3，对各单元中的基板的停留时间进行说明。图3是表示本实施方式的各单元中的停留时间的例子的曲线图。在图3的曲线图中，纵轴是处理步骤编号，横轴是时间。图3表示以下的处理中的各单元的停留时间。即，输送机器人12将基板交给升降机41，之后第一线性传送装置42的输送臂45A从升降机41取出基板，输送臂45A在第二输送位置TP2将基板W交给研磨装置21A。然后，在研磨装置21A中的研磨后，第一线性传送装置42的输送臂45D从研磨装置21A接受基板，在第四输送位置TP4将基板W交给摆动传送装置44，摆动传送装置44将接受的基板上下反转并载置于临时放置台47。之后，输送机器人35的下侧的手臂接受基板W并向清洗装置31A输送。然后，在清洗装置31A中的清洗后，输送机器人35的上侧的手臂从清洗装置31A取出基板W并向清洗装置31B输送。然后，在清洗装置31B中的清洗后，输送机器人36的手臂从清洗装置31B取出基板W并向基板干燥装置32输送。然后，在基板干燥装置32中的干燥后，输送机器人12从基板干燥装置32取出基板。
在图3中，TRBDs是研磨工序前的输送机器人12的手臂处的基板的停留时间，TLFT是升降机41处的基板的停留时间，TLTP1是第一线性传送装置42的输送臂45A处的基板的停留时间，TPoliA是研磨装置21A处的基板的停留时间。该研磨装置21A处的基板的停留时间TPoliA除了研磨工序的时间之外还包含待机时间。该待机时间还可以进一步作为机器学习模型的学习和推论的输入数据使用。TLTP3是第一线性传送装置42的输送臂45D处的基板的停留时间，TSTP是摆动传送装置44处的基板的停留时间，TWS1是临时放置台处的基板的停留时间，TRB1L是输送机器人35的下侧的手臂处的基板的停留时间，TCL1A是清洗装置31A处的基板的停留时间，TRB1LU是输送机器人35的上侧的手臂处的基板的停留时间，TCL3A是清洗装置31B处的基板的停留时间，TRB3是输送机器人36的手臂处的基板的停留时间，TCL4A是基板干燥装置32处的基板的停留时间，TRBDe是干燥后的输送机器人12的手臂处的基板的停留时间。
如图3所示，研磨工序具有多个处理步骤，第一清洗工序也具有多个处理步骤，第二清洗工序也具有多个处理步骤，干燥工序也具有多个处理步骤。这些各处理步骤被分配了处理步骤编号，以能够识别处理步骤。这里，按照这些处理步骤为1～N号(即处理步骤编号为1～N、N是自然数)进行以下的说明。
接着，使用图4和图5，对输入至机器学习模型的输入数据所含的特征量的数据结构的一例进行说明。这里，在基板处理装置1中，以传感器D1～传感器DM为止的M个(M是自然数)传感器进行说明。图4是输入至机器学习模型的输入数据所含的特征量的数据结构的一例。如图4所示，传感器D1的值的特征量由将处理步骤1～N为止的特征量分别作为要素而具有的数组(或向量)表示。同样地，传感器D2的值的特征量由将处理步骤1～N为止的特征量分别作为要素而具有的数组(或向量)表示，传感器DM的值的特征量由将处理步骤1～N为止的特征量分别作为要素而具有的数组(或向量)表示。这样，输入至机器学习模型的输入数据所含的传感器Di(i是1到M为止的整数)的值的特征量由将处理步骤1～N为止的特征量分别作为要素而具有的数组(或向量)表示。
这里，将上述的基板处理装置1所具备的部件分别称作部件U1～UL(L是自然数)进行说明。处理器6例如将基板处理装置1所具备的部件1～L的位置按照时间序列存储于存储部7。该部件U1～UL的位置可以由单元控制部51根据指示对部件U1～UL的动作的指令信号通过预先决定的换算式来计算，也可以根据指令信号与位置的已知的对应关系来决定，也可以是由传感器检测到的位置。如图4所示，部件U1的位置的特征量由将处理步骤1～N为止的特征量分别作为要素而具有的数组(或向量)表示。同样地，部件U2的位置的特征量由将处理步骤1～N为止的特征量分别作为要素而具有的数组(或向量)表示。同样地，部件UL的位置的特征量由将处理步骤1～N为止的特征量分别作为要素而具有的数组(或向量)表示。这样，输入至机器学习模型的输入数据所含的部件Uj(j是1到L为止的整数)的位置的特征量由将处理步骤1～N为止的特征量分别作为要素而具有的数组(或向量)表示。
图5是输入至机器学习模型的输入数据所含的每个单元的停留时间的数据结构的一例。如图5所示，输入至机器学习模型的输入数据所含的每个单元的停留时间由将上述的每个单元的基板的停留时间分别作为要素而具有的数组(或向量)表示。
接着，使用图6A和图6B，对机器学习模型71的学习工序和推论工序的一例进行说明。图6A是用于说明机器学习模型的学习工序的一例的示意图。图6B是用于说明机器学习模型的推论工序的一例的示意图。如图6A所示，在学习工序中，机器学习模型71使用将上述图4中所述的、一个以上的每个处理步骤的特征量的数组、制程信息、及每个单元的停留时间的数组作为输入数据，并将基板的缺陷的数量作为输出数据的学习数据组进行学习。如图6B所示，在推论工序中，当向机器学习模型71输入了关于对象的基板的一个以上的每个处理步骤的特征量的数组、制程信息、及每个单元的停留时间的数组时，输出对象的基板的缺陷的数量。这里，该推论工序中的特征量是与学习工序中的特征量同种的特征量。
此外，将一个以上的每个处理步骤的特征量的数组、制程信息、及每个单元的停留时间的数组作为机器学习的输入数据，但可以是任一个，也可以是任两个的组合。
图7是对缺陷的数量的实测值与缺陷的数量的预测值进行比较的曲线图的一例。在图7中，纵轴是缺陷的数量的预测值，横轴是缺陷的数量的实测值，并且改变标示的浓度而分别对研磨装置21A、21B、21C、21D进行标示。标示组越靠近虚线L1分布则缺陷的数量的预测精度越高。如图7所示，每一个研磨装置中，标示组都靠近虚线L1分布，表示每一个研磨装置中的缺陷的数量的预测精度都高。
以上，本实施方式的基板处理装置1具备：至少一个传感器，该至少一个传感器在基板的研磨中和/或清洗中和/或干燥中对对象的物理量进行检测；转换部62，该转换部62对于已学习的机器学习模型，将由上述传感器检测到的研磨中和/或清洗中和/或干燥中的传感器值按照每个处理步骤转换为特征量；以及推论部64，该推论部64通过将包含上述特征量的对象数据输入已学习的机器学习模型71而输出基板中的缺陷的数量的预测值。该已学习的机器学习模型71使用学习数据组进行了学习，该学习数据组的输入数据包含将在对象的生产线或与该对象的生产线同种的生产线中由传感器检测到的研磨中和/或清洗中的传感器值按照每个处理步骤转换而得到的特征量，且输出数据是基板中的缺陷的数量。
根据该结构，不通过缺陷检查装置进行检查就能够得到基板处理后的基板的缺陷的数量、缺陷的尺寸、缺陷的位置中的至少一个的预测值，因此不通过缺陷检查装置进行检查就能够推定基板处理后的基板是否是不良品。
＜机器学习模型的变形例1＞
接着，使用图8A和图8B，对机器学习模型71的学习工序和推论工序的变形例1进行说明。图8A是用于说明机器学习模型的学习工序的变形例1的示意图。图8B是用于说明机器学习模型的推论工序的变形例1的示意图。如图8A所示，在学习工序中，机器学习模型71使用在上述图4中所述的、一个以上的每个处理步骤的特征量的数组、制程信息、及每个单元的停留时间的数组作为输入数据并将基板的缺陷的数量和基板的缺陷的尺寸作为输出数据的学习数据组来进行学习。如图8B所示，在推论工序中，当向机器学习模型71输入了关于对象的基板的一个以上的每个处理步骤的特征量的数组、制程信息、及每个单元的停留时间的数组时，输出对象的基板的缺陷的数量和对象的基板的缺陷的尺寸。该推论工序中的特征量与学习工序中的特征量是同种的特征量。
＜机器学习模型的变形例2＞
接着，使用图9A和图9B，对机器学习模型71的学习工序和推论工序的变形例2进行说明。图9A是用于说明机器学习模型的学习工序的变形例2的示意图。图8B是用于说明机器学习模型的推论工序的变形例2的示意图。如图9A所示，在学习工序中，机器学习模型71使用将在上述图4中所述的一个以上的每个处理步骤的特征量的数组、制程信息、及每个单元的停留时间的数组作为输入数据并将基板的缺陷的数量和基板的缺陷的位置作为输出数据的学习数据组进行学习。如图9B所示，在推论工序中，当向机器学习模型71输入了关于对象的基板的一个以上的每个处理步骤的特征量的数组、制程信息、及每个单元的停留时间的数组时，输出对象的基板的缺陷的数量和对象的基板的缺陷的位置。这里，该推论工序中的特征量与学习工序中的特征量是同种的特征量。
＜机器学习模型的变形例3＞
接着，使用图10A和图10B，对机器学习模型71的学习工序和推论工序的变形例3进行说明。图10A是用于说明机器学习模型的学习工序的变形例3的示意图。图10B是用于说明机器学习模型的推论工序的变形例3的示意图。如图10A所示，在学习工序中，机器学习模型71使用将在上述图4中所述的一个以上的每个处理步骤的特征量的数组、制程信息、及每个单元的停留时间的数组作为输入数据并将基板的缺陷的数量、基板的缺陷的尺寸及基板的缺陷的位置作为输出数据的学习数据组进行学习。如图9B所示，在推论工序中，当向机器学习模型71输入了关于对象的基板的一个以上的每个处理步骤的特征量的数组、制程信息、及每个单元的停留时间的数组时，输出对象的基板中的缺陷的数量、对象的基板中的缺陷的尺寸和对象的基板中的缺陷的位置。这里，该推论工序中的特征量与学习工序中的特征量是同种的特征量。
此外，不限于变形例1～3的输出数据的组合，推论部64也可以输出对象的基板中的缺陷的数量、缺陷的尺寸、缺陷的位置中的一个或任两个。这样，推论部64可以通过将包含上述特征量的对象数据输入已学习的机器学习模型，而输出对象的基板中的缺陷的数量、缺陷的尺寸、缺陷的位置中的至少一个的预测值。
在本实施方式中，基板处理装置1具备处理器6和存储部7，但不限于此。
＜本实施方式的变形例1＞
图11A是本实施方式的变形例1的概略结构图。如图11A所示，也可以具备信息处理系统S1，该信息处理系统S1与基板处理装置1以能够进行信息交换的方式连接，信息处理系统S1具有处理器6和存储有机器学习模型71的存储部7，该处理器6通过从存储部7读取并执行程序而作为单元停留时间计数部61、转换部62、学习部63、推论部64、回归分析部65、受理部66发挥功能。
＜本实施方式的变形例2＞
图11B是本实施方式的变形例2的概略结构图。如图11B所示，也可以具备信息处理系统S1，该信息处理系统S1与基板处理装置1以能够经由通信电路网CN进行信息交换的方式连接，信息处理系统S1具有处理器6和存储有机器学习模型71的存储部7，该处理器6通过从存储部7读取并执行规定的程序而作为单元停留时间计数部61、转换部62、学习部63、推论部64、回归分析部65、受理部66发挥功能。
＜本实施方式的变形例3＞
图12A是本实施方式的变形例3的概略结构图。如图12A所示，也可以具备服务器70，该服务器70与基板处理装置1以能够经由通信电路网CN进行信息交换的方式连接，基板处理装置1具有处理器6和存储有规定的程序的存储部7a，服务器70具有存储有机器学习模型71的存储部7b。在该情况下，也可以是，基板处理装置1的处理器6通过从存储部7a读取并执行规定的程序而作为单元停留时间计数部61、转换部62、学习部63、推论部64、回归分析部65、受理部66发挥功能，推论部64通过向服务器70的已学习的机器学习模型71输入包含上述特征量的对象数据，而输出对象的基板中的缺陷的数量、缺陷的尺寸、缺陷的位置中的至少一个的预测值。
＜本实施方式的变形例4＞
图12A是本实施方式的变形例3的概略结构图。如图12A所示，可以是具备基板处理装置1和信息处理系统S3的结构，信息处理系统S3可以具有与基板处理装置1以能够进行信息交换的方式连接的信息处理装置60和与信息处理装置60以能够经由通信电路网CN进行信息交换的方式连接的服务器70。在该情况下，也可以是，信息处理装置60具有处理器6和存储有规定的程序的存储部7a，服务器70具有存储有机器学习模型71的存储部7b。这里，也可以是，信息处理装置60的处理器6通过从存储部7a读取并执行规定的程序而作为单元停留时间计数部61、转换部62、学习部63、推论部64、回归分析部65、受理部66发挥功能，推论部64通过向服务器70的已学习的机器学习模型71输入包含上述特征量的对象数据，而输出对象的基板中的缺陷的数量、缺陷的尺寸、缺陷的位置中的至少一个的预测值。
这样的信息处理系统S1、S2、S3也可以具备转换部62和推论部64，该转换部62对于已学习的机器学习模型，将由基板处理装置1所具备的传感器检测到的、基板的研磨中和/或清洗中和/或干燥中的传感器值按照每个处理步骤转换为特征量，该推论部64通过输入包含上述特征量的对象数据而输出基板中的缺陷的数量、缺陷的尺寸、基板中的缺陷的位置中的至少一个的预测值。这里，该已学习的机器学习模型使用学习数据组进行了学习，该学习数据组的输入数据包含将在对象的生产线或与该对象的生产线同种的生产线中由传感器检测到的研磨中和/或清洗中的传感器值按照每个处理步骤转换而得到的特征量，且输出数据是基板中的缺陷的数量、缺陷的尺寸、缺陷的位置中的至少一个。
根据该结构，不通过缺陷检查装置进行检查就能够得到基板处理后的基板的缺陷的数量、缺陷的尺寸、缺陷的位置中的至少一个的预测值，因此不通过缺陷检查装置进行检查就能够推定基板处理后的基板是否是不良品。
此外，上述的实施方式中说明的信息处理系统S1、S2、S3或处理器6的至少一部分的功能可以由硬件构成，也可以由软件构成。在由软件构成的情况下，可以将实现信息处理系统S1、S2、S3或处理器6的至少一部分的功能的程序存储于计算机能够读取的存储介质，并使计算机读取而执行。存储介质不限于磁盘、光盘等能够装卸的存储介质，还可以是硬盘装置、存储器等固定型的存储介质。
另外，也可以经由网络等通信线路(也包含无线通信)发布实现信息处理系统S1、S2、S3或处理器6的至少一部分的功能的程序。进而，也可以在对同程序进行了加密、调制、压缩的状态下，经由网络等有线线路、无线线路或存储于存储介质来进行发布。
进而，也可以通过一个或多个信息设备来使信息处理系统S1、S2、S3发挥功能。在使用多个信息设备的情况下，可以将其中的一个作为计算机，并通过该计算机执行规定的程序而作为信息处理系统S1、S2、S3中的至少一个手段来实现功能。
以上，本发明不限于上述实施方式直接限定的方式，而能够在实施阶段在不脱离其主旨的范围将构成要素变形而进行具体化。另外，能够通过上述实施方式中公开的多个构成要素的适当组合来形成各种发明。例如，也可以从实施方式所示的全部构成要素删除几个构成要素。而且，也可以将不同实施方式中的构成要素适当组合。
符号说明
1 基板处理装置
50 控制部
51 单元控制部
6 处理器
61 单元停留时间计数部
62 转换部
63 学习部
64 推论部
65 回归分析部
66 受理部
7 存储部
71 机器学习模型
8 显示装置
S1、S2、S3信息处理系统

Claims (6)

1.一种基板处理装置，其特征在于，具备：
至少一个传感器，该至少一个传感器在基板的研磨中和/或清洗中和/或干燥中对对象的物理量进行检测；
转换部，该转换部对于已学习的机器学习模型，将由所述传感器检测到的研磨中和/或清洗中和/或干燥中的传感器值按照每个处理步骤转换为特征量；以及
推论部，该推论部通过将包含所述特征量的对象数据输入已学习的机器学习模型而输出对象的基板中的缺陷的数量、缺陷的尺寸、缺陷的位置中的至少一个的预测值，
所述已学习的机器学习模型使用学习数据组进行学习，该学习数据组的输入数据包含将在对象的生产线或与该对象的生产线同种的生产线中由传感器检测到的研磨中和/或清洗中的传感器值按照每个处理步骤转换而得到的特征量，且该学习数据组的输出数据是基板中的缺陷的数量、缺陷的尺寸、缺陷的位置中的至少一个。
2.根据权利要求1所述的基板处理装置，其特征在于，
所述机器学习模型的学习时的输入数据还包含停留时间，该停留时间是按照基板处理装置所含的每个单元进行了计数的在该单元停留的停留时间，
所述基板处理装置还具备单元停留时间计数部，该单元停留时间计数部针对该基板处理装置所含的每个单元，对在该单元停留的停留时间进行计数，
输入至所述已学习的机器学习模型的所述对象数据还包含通过所述单元停留时间计数部对每个单元进行了计数的在该单元停留的停留时间。
3.根据权利要求1或2所述的基板处理装置，其特征在于，
所述机器学习模型的学习时的输入数据还包含第二特征量，该第二特征量由对用于研磨或清洗的部件的位置进行转换而得到，
所述转换部将用于研磨或清洗的部件的位置转换为第二特征量，
输入至所述已学习的机器学习模型的所述对象数据还包含由所述转换部转换后的每个部件的第二特征量。
4.根据权利要求1～3中任一项所述的基板处理装置，其特征在于，
所述机器学习模型的学习时的输入数据还包含制程信息，该制程信息包含对于基板处理装置所含的单元的指令值，
输入至所述已学习的机器学习模型的所述对象数据还包含制程信息，该制程信息包含对于该基板处理装置所含的单元的指令值。
5.根据权利要求1～4中任一项所述的基板处理装置，其特征在于，具备：
回归分析部，该回归分析部按照预先决定的回归分析算法，对于多个传感器值中的每一个，输出表示该传感器值与缺陷的数量、缺陷的尺寸、基板中的缺陷的位置中的任一个之间的相关的相关参数；
受理部，该受理部受理至少一个传感器，该传感器输出作为机器学习模型的输入数据所含的特征量的基础的传感器值；以及
学习部，该学习部使所述机器学习模型用所述受理的传感器的传感器值被转换而得到的特征量再次进行学习，
所述推论部使用通过所述学习部再次学习后的机器学习模型来输出所述预测值。
6.一种信息处理系统，其特征在于，具备：
转换部，该转换部对于已学习的机器学习模型，将由基板处理装置所具备的传感器检测到的、基板的研磨中和/或清洗中和/或干燥中的传感器值按照每个处理步骤转换为特征量；以及
推论部，该推论部通过输入包含所述特征量的对象数据而输出基板中的缺陷的数量、缺陷的尺寸、基板中的缺陷的位置中的至少一个的预测值，
所述已学习的机器学习模型使用学习数据组进行学习，该学习数据组的输入数据包含将在对象的生产线或与该对象的生产线同种的生产线中由传感器检测到的研磨中和/或清洗中的传感器值按照每个处理步骤转换而得到的特征量，且该学习数据组的输出数据是基板中的缺陷的数量、缺陷的尺寸、缺陷的位置中的至少一个。
CN202280042683.XA 2021-06-15 2022-05-24 基板处理装置及信息处理系统 Pending CN117501414A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2021-099286 2021-06-15
JP2021099286A JP2022190829A (ja) 2021-06-15 2021-06-15 基板処理装置及び情報処理システム
PCT/JP2022/021203 WO2022264753A1 (ja) 2021-06-15 2022-05-24 基板処理装置及び情報処理システム

Publications (1)

Publication Number Publication Date
CN117501414A true CN117501414A (zh) 2024-02-02

Family

ID=84526159

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202280042683.XA Pending CN117501414A (zh) 2021-06-15 2022-05-24 基板处理装置及信息处理系统

Country Status (6)

Country Link
US (1) US20240308018A1 (zh)
JP (1) JP2022190829A (zh)
KR (1) KR20240021250A (zh)
CN (1) CN117501414A (zh)
TW (1) TW202305975A (zh)
WO (1) WO2022264753A1 (zh)

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4230674B2 (ja) 2001-03-01 2009-02-25 株式会社日立製作所 欠陥検査装置およびその方法
JP5661564B2 (ja) * 2011-06-10 2015-01-28 株式会社荏原製作所 洗浄性能予測方法及び基板洗浄方法
JP5815361B2 (ja) * 2011-10-07 2015-11-17 シャープ株式会社 基板処理制御装置および基板処理制御方法、制御プログラム、可読記憶媒体
JP2020013918A (ja) * 2018-07-19 2020-01-23 株式会社荏原製作所 基板の周縁部を研磨するための研磨装置および研磨方法
JP2020053550A (ja) * 2018-09-27 2020-04-02 株式会社荏原製作所 研磨装置、研磨方法、及び機械学習装置
JP2020150155A (ja) * 2019-03-14 2020-09-17 株式会社荏原製作所 基板を研磨するための研磨装置を制御するための制御システム、および研磨方法
JP6860727B2 (ja) * 2020-04-24 2021-04-21 キオクシア株式会社 半導体装置の製造方法および半導体製造装置

Also Published As

Publication number Publication date
TW202305975A (zh) 2023-02-01
US20240308018A1 (en) 2024-09-19
WO2022264753A1 (ja) 2022-12-22
KR20240021250A (ko) 2024-02-16
JP2022190829A (ja) 2022-12-27

Similar Documents

Publication Publication Date Title
JP4689367B2 (ja) 研磨プロファイル又は研磨量の予測方法、研磨方法及び研磨装置
US5616063A (en) Polishing apparatus
TWI749207B (zh) 基板清洗裝置及基板處理裝置
US9022046B2 (en) Substrate processing apparatus and substrate processing method for successively processing a plurality of substrates
US6413145B1 (en) System for polishing and cleaning substrates
TWI770175B (zh) 基板清洗裝置及基板處理裝置
CN107263303B (zh) 示教系统、示教方法、清洗装置、存储介质及维护套件
US11597607B2 (en) Automated material handling system having carrier pollution management function
TWI724565B (zh) 用於監測機台的系統及方法
JP2014082470A (ja) 基板処理装置
JP5305729B2 (ja) 研磨方法及び研磨装置、並びに研磨装置制御用プログラム
TWI610385B (zh) 基板處理方法及基板處理裝置
US11004701B2 (en) Break-in apparatus, break-in system and storage media
TW201601875A (zh) 基板處理裝置
TW202243758A (zh) 半導體裝置製造設備
CN117501414A (zh) 基板处理装置及信息处理系统
JP2021136258A (ja) 基板処理装置、および基板処理方法
KR20150088193A (ko) 연마 방법 및 연마 장치
JP6363284B2 (ja) 基板処理システム
JP5977728B2 (ja) 基板処理システム
KR20190140840A (ko) 기판 반송 시스템을 위한 티칭 장치 및 티칭 방법
JP2022124016A (ja) 基板洗浄装置、基板洗浄装置の異常判定方法、基板洗浄装置の異常判定プログラム
JP6366289B2 (ja) 状態報告装置、基板処理装置、及び状態報告方法
TWI773798B (zh) 記錄了畫面控制程序的非暫態電腦可讀取記錄媒介及半導體製造裝置
JP6224780B2 (ja) 基板処理システム

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