CN1369902A - 自适应等离子体表征系统 - Google Patents

Abstract

用模糊逻辑和神经网络表征等离子体工艺的自适应等离子体表征系统和方法,包括收集输入输出学习数据,输入学习数据基于与控制等离子体工作室的电功率有关的变量并从执行等离子体工艺得到。此方法还包括根据学习数据产生模糊逻辑输入输出隶属函数。此隶属函数能够估计等离子体工艺的输出参数值来表征等离子体工艺。基于神经网络学习算法和输出数据对隶属函数的修正提供了学习能力。于是,多种腐蚀工艺参数都能够以系统自主运行的方式被表征。

Description

自适应等离子体表征系统

技术领域

本发明涉及到半导体等离子体腐蚀。更确切地说是涉及到利用模糊逻辑和神经网络来表征半导体等离子体工艺的方法和系统。

背景技术

在半导体工业中，等离子体腐蚀已经成为半导体电路制造的一个组成部分。例如，在半导体工艺中，当需要比较直的垂直边沿时，经常使用等离子体腐蚀器。例如，当腐蚀MOS晶体管的多晶硅栅时，多晶硅的基蚀对晶体管运行有不利的影响。当用液体腐蚀方法执行腐蚀时，常常遇到基蚀。等离子体腐蚀是采用电场加速的离子，倾向于仅仅腐蚀水平暴露的表面，因而避免了基蚀。

所有等离子体工艺的一个重要情况是，等离子体过程停止于被腐蚀的层被清除之后而下一个层被破坏之前。这常常被称为“终点”探测—用来探测特定层腐蚀的完成。在终点探测中，确定腐蚀速率常常是关键的。等离子体工艺的另一个重要情况是工作室的维护。工作室的维护涉及到监测等离子体工艺中使用的各种设备的条件，以便确定何时需要清洗、修理或作出其它改变。

探测终点和确定腐蚀速率的常规方法涉及到采用诸如残留气体分析仪、晶体剥离显示器(目测检查)、以及扫描光谱仪之类的装置。在扫描光谱仪的情况下，工艺技术人员能够目测检查表明腐蚀速率的等离子体的颜色变化。当得出的腐蚀速率变为0时，就可以认为是终点。残留气体分析仪借助于监测等离子体工艺的出气量而相似地工作。所有上述方法为了控制工艺过程都使工艺技术人员能够监测等离子体工艺的“输出”。

近年来，对馈送到等离子体工作室的射频(RF)功率(亦即输入)进行监测，已经成为探测终点和确定腐蚀速率方面有价值的技术。例如，借助于监测与用来控制等离子体工作室的电功率有关的变量，能够作出大量与工艺相关的决定。

虽然已经开发了使用诸如阻抗分析仪之类的探测器的大量数据收集技术，但在表征方面仍然有改进的余地。例如，当工艺技术人员通常基于上述变量来表征等离子体工艺，结果是费力而不精确。关于确定终点，技术人员通常利用某些频率的光透射能够被用来确定腐蚀终点是否已经达到这样一个事实。但频率的选择是根据逐步逼近而完成的。其结果是一种潜伏着不精确性的比较昂贵的工艺表征方法。一旦表征了工艺，就根据后续输入数值来预测输出参数值。于是，若RF输入根据收集的学习数据而建议某个输出数值，则此输出参数值在常规方法中是多少有点可预测的。

发明内容

虽然上述常规工艺表征技术在某些时候多少有点用处(不管其费力的方面)，但重要的是要指出仍然有其它的困难。一个具体的困难涉及到对等离子体工艺的输入参数相对于等离子体工艺的输出不是“内定的”。于是，虽然工艺技术人员或许能够从等离子体工艺得到一些实际控制工艺所必须的特性，但常规方法无法论述工艺的细微差别。因此，希望提供一种用来表征半导体等离子体工艺的方法，它提供能够估计输出参数值而不受到上述缺点的影响的“隶属函数”。

根据本发明的用来表征半导体等离子体工艺的方法，提供了上述和其它的目的。此方法包括收集学习数据的步骤，其中的学习数据基于与用来控制等离子体腐蚀工作室的电功率有关的变量，并从执行等离子体工艺得到。此方法还包括根据学习数据而产生模糊逻辑输入和输出隶属函数的步骤。此隶属函数使得能够估计等离子体工艺的输出参数值，这些隶属函数根据输出参数而表征等离子体工艺。利用模糊逻辑来解决学习数据固有的不精确性。其结果是一种比常规方法更可靠的等离子体工艺表征。

而且，根据本发明，提供了一种用来估计半导体等离子体工艺输出参数值的方法。此方法包括收集输入数据的步骤，其中的输入数据基于与用来控制等离子体腐蚀工作室的电功率有关的变量，并对应于执行等离子体工艺。此方法还根据模糊逻辑输入和输出隶属函数而提供对输出参数值的估计。此方法还根据神经网络学习算法而提供对隶属函数的修正并输出数据。此输出数据确定一个得自执行等离子体工艺的实际参数值。

在本发明的另一情况中，自适应等离子体表征系统具有阻抗分析仪、模糊推理系统、以及神经网络。阻抗分析仪被连接到等离子体腐蚀工作室，其中的分析仪收集得自执行等离子体工艺的数据。此数据基于与用来控制等离子体腐蚀工作室的电功率有关的变量。此算法基于数据而产生模糊逻辑输入和输出隶属函数以及模糊推理系统的相关模糊规则组，其中的模糊推理系统使得能够自主估计等离子体工艺的输出参数。神经网络基于神经网络学习算法而修正隶属函数，并输出数据。此输出数据确定一个得自执行等离子体工艺的实际参数。

要理解的是，上述一般描述以及下面的详细描述都仅仅是本发明的例子，是为了提供用来理解提出权利要求的本发明的本质和特点的概貌。附图被用来提供对本发明的进一步理解，并组合在本说明书中构成其一部分。附图说明了本发明的各个特定和实施方案，并与描述一起用来解释本发明的原理和工作。

从下面提供的详细描述中，本发明的进一步应用范围将变得明显。应该理解的是，虽然指出了本发明的优选实施方案，但详细描述和具体例子仅仅是为了说明的目的，而不是为了限制本发明的范围。

附图说明

图1是流程图，示出了根据本发明的表征半导体等离子体工艺的方法；

图2是流程图，示出了产生模糊逻辑输入和输出隶属函数的优选方法；

图3是流程图，示出了产生簇位置的优选方法；

图4是流程图，示出了根据本发明的用来估计半导体等离子体工艺的输出参数值的方法；

图5是根据本发明一个实施方案的输入和输出数据点曲线；

图6是根据本发明一个实施方案的应用预定山形函数得到的曲线；

图7是根据本发明一个实施方案的应用修改的山形函数得到的曲线；

图8是根据本发明一个实施方案的具有簇位置的输入和输出数据点曲线；

图9是根据本发明一个实施方案的非线性系统的数据点与簇位置的曲线；

图10曲线示出了根据本发明一个实施方案的初始估计输出参数值；

图11曲线示出了图10所示曲线的估计输出参数值与实际输出参数值之间的误差；

图12曲线示出了根据本发明一个实施方案的修正隶属函数的估计输出参数值；

图13曲线示出了图12所示曲线的估计输出参数值与实际输出参数值之间的误差；而

图14是根据本发明一个实施方案的自适应等离子体表征系统的方框图。

具体实施方式

优选实施方案的下列描述本质上仅仅是示例性的，决不是为了限制本发明及其应用或使用。

现参照图1，示出了用来表征半导体等离子体工艺和工作室的方法20。虽然本发明主要描述等离子体腐蚀工艺，但重要的是本发明不局限于此。而且，虽然此处描述的例子常常涉及到终点探测，但诸如腐蚀速率、工作室维护、以及工作室设备的诊断之类的其它工艺参数也能够得益于本发明。具体的例子因而仅仅是用于讨论的目的。

通常，方法20涉及到在步骤22收集输入和输出学习数据24，其中的输入学习数据基于与用来控制等离子体工作室70的电功率有关的变量。可以看到，等离子体工作室70具有相关的功率馈送系统30。借助于用阻抗分析仪100监视功率馈送系统30，能够监视大量变量，例如电压均方根(RMS)、电流RMS、电压与电流之间的相位角、多个RMS基波的一次谐波。其它的变量包括复数和极化阻抗以及馈送到等离子体工作室70的功率。一种这样的RF阻抗分析仪可以从ENI技术公司购得，其产品名称为V/I探针。

应该指出的是，学习数据24包括与腐蚀工艺有关的输入学习数据(例如X数值)以及输出学习数据(例如Y数值)。如已经讨论的那样，输入学习数据涉及到馈送到工作室70的功率，并能够被阻抗分析仪100收集。于是，阻抗分析仪100所监视的任何参数能够用作输入学习数据的来源。同样重要的是要指出，根据应用，可以有多个输入。输出学习数据涉及到被表征的特定输出参数，并能够被诸如扫描光谱仪或残留气体分析仪之类的任意数目的数据收集装置所收集。无论如何，学习数据24得自执行下面要描述的等离子体工艺。

在步骤26，产生模糊推理系统，它包括基于学习数据24的输入和输出隶属函数以及模糊规则28。隶属函数和模糊规则28使得能够随后估计等离子体工艺的各个输出参数值，致使隶属函数28以输出参数表征等离子体工艺。于是，若输出参数是终点估计，则隶属函数28将得自功率馈送系统30和阻抗分析仪100的后续输入数据描绘成所涉及到的腐蚀的预计终点。重要的是要指出，图1所示的方法代表为开始建立自适应等离子体表征系统(APCS)所采取的各个步骤。如下面要描述的那样，等离子体表征系统还能够在现场实现之后进行学习。同样重要的是要指出，一旦APCS被建立，就能够被用于已经学习过的设备之外的设备。于是，得到的APCS能够自适应于其它的工作室、功率馈送系统、以及阻抗分析仪，因此称为自适应等离子体表征系统。

现参照图2，更详细地示出了一种在步骤26产生隶属函数28的方法。具体地说，可以看到，在步骤32，基于学习数据24而产生簇位置34。在步骤38，基于簇位置34而产生模糊推理规则36。如下面要更详细地讨论的那样，模糊推理规则36主要确定输入和输出隶属函数28。

图3示出了在步骤32产生簇位置34的优选方法。可以理解的是，模糊推理系统能够用直觉逻辑或基于算法的模型产生。下面将对山形簇算法描述此优选实施方案。其它相似的方法包括K均子算法和C均子算法。这些方法本质上是统计性的。但本发明不局限于这些方法中的任何一种。虽然如此，可以看到，在步骤40，学习数据24的目标空间48被离散。图5示出了曲线42，将每个唯一的输入X描绘为输出Y。变量X表示感兴趣的参数的输入值，而变量Y表示对应的输出值。例如，若感兴趣的参数是腐蚀速率，则X可以表示给定时刻施加到工作室的电压与电流之间的瞬时相位角。利用熟知的腐蚀速率测量技术，能够确定对应的Y值，且X、Y坐标对能够被表示在目标空间48中。

可以看到，X和Y取样值被包含在0-1的范围内。在此例子中，目标空间被离散成10个等距离的间隔。可以理解的是，数据浓度比较高的目标空间中的各个区域的间隔能够被调节，以便最好地实现数据的成簇。于是，各个间隔不一定要相等，且对于各个输入或输出不一定要完全相等。虽然如此，对于输入和输出数据空间二者，曲线42的间隔距离被选择为0.1。各个输入和输出间隔的交点被称为节点。于是，曲线42的目标空间包含100个节点。

再参照图3，可以看到，在步骤44，基于学习数据24和预定山形函数46而产生簇位置34。簇位置34被置于目标空间48内。预定山形函数46最好被应用于整个目标空间48中的各个取样数据，并由下式定义： $M\left(\mathrm{Nij}\right)=\underset{k}{\mathrm{\Σ}}{e}^{-\left(\mathrm{ad}(\mathrm{Nij},S)\right)}$

其中，Nij表示位置i和j处的节点；S是取样数据(X(k)，Y(k))；α是学习速率；而d(Nij，S)是Nij与S之间的欧基里德距离函数。

图6中的三维曲线50表示山形函数应用于图5所含数据的结果。应该指出的是，得到的山形簇的峰值位置位于X＝0.8和Y＝0.4处。这一坐标位置与位于图5中目标空间34右下部分中的数据点匹配。再参照图3，可以看到，在步骤52，簇位置34被修正，直至满足预定的阈值判据，致使修正的簇位置的簇中心与目标空间48中的其它数据簇匹配。具体地说，借助于破坏簇位置确定的初始山形簇54并将修改的山形函数56应用于被破坏的山形簇来实现这一点。优选的修改山形函数56由下式定义： ${M^{\′}}_{k+1}\left(\mathrm{Nij}\right)={M^{\′}}_k\left(\mathrm{Nij}\right)-{M^{*}}_k{e}^{-\left(\mathrm{\βd}(N^{*},\mathrm{Nij})\right)}$

其中，Nij表示位置i和j处的节点；M_{* k}是簇迭代k的最大值；M’_k是节点Nij处来自簇迭代k的山形簇值；M’_k+1是节点Nij处的更新了的山形簇值；N^*表示具有簇迭代k的最大值的节点位置；β是学习速率；而d(^*N，Nij)是N^*与Nij之间的欧基里德距离函数。

图7示出了修改的山形函数应用于曲线58处图6所含数据的结果。应该指出的是，图6的峰值位置已经被破坏，而新的山形簇的峰值位于X＝0.4和Y＝0.8处。这一坐标位置与图5中目标空间左上部分中的数据点匹配。还可以理解的是，上述成簇步骤被迭代重复，直至形成所有取样数据簇。这些迭代因而继续，直至满足M^*的最小阈值判据。

上述例子已经显示优选的山形成簇方法。从图5的取样数据，(X，Y)坐标为0.8和0.4以及0.4和0.8处的二个簇是完全相同的。图8示出了具有完全相同的簇位置的数据点的曲线60。

再参照图2，可以看到，一旦已经满足阈值判据，簇位置34就被传送到模糊推理系统。这些簇位置34被用来产生模糊推理系统的输入和输出隶属函数28。

参照图4，可以理解的是，用簇节点建立的初始条件将导致实际输出数据62与估计数值64(亦即模糊推理输出)之间的一定的误差。对于给定的应用，此误差可能是令人满意的或不能令人满意的。为了尽量减小这一误差，神经网络学习过程被用来修正簇节点位置。簇位置的修正有效地“调整”了模糊推理系统的输入和输出隶属函数28，从而降低输出数据62与模糊推理系统输出之间的误差。

于是，本发明提供了一种用来估计半导体等离子体工艺的输出参数的方法66。此方法通常包括收集输入数据72的步骤68，其中的输入数据72基于与用来控制等离子体工作室70’的电功率相关的变量。输入数据72因而对应于执行等离子体工艺。在步骤74，根据模糊逻辑输入和输出隶属函数28，来估计输出参数值。在步骤76，根据神经网络学习算法78来修正隶属函数28，并输出数据62。如已经讨论的那样，输出数据62确定了得自执行等离子体工艺的实际参数值。

利用任意数目的熟知技术，能够获得输出数据62。例如，常常利用残留气体分析仪、目测检查(用晶体剥离显示器)、或扫描光谱仪，来测量腐蚀速率和终点探测。

通过以下例子，能够更好地理解方法66的运行。假设有一个二维非线性系统，其描述方程为：

y(k)＝2.5(x-0.45)²＝noise(k)；

x(k)＝0.5sin(pik)+0.5

其中的noise是平均为0且变化0.00114的正态分布。

图9中的曲线80指明了这一非线性系统的输入和输出数据。在曲线80中，正方形数据点表示上述山形成簇算法导出的簇位置。可以理解的是，在此例子中，各个簇位置描绘了7个输入和7个输出的隶属函数。由于这是一个简单的二维图，故模糊规则比较直截了当。在语音模糊模型中，这些模糊规则可能是：

“若A为A_i且B为B_i…，则Y为Y_i。”

其中i表示m个模糊规则之一；A_i，B_i…是与输入X有关的各个隶属函数；而Yi是与输出Y有关的第i个输出隶属函数。

这些模糊规则能够被理解为：“若输入X(A)接近簇节点A_i，且…，则结果Y为Y_i。”

假设盯住图9中位于节点x＝0.5和y＝0.1处的簇。在上述的模糊规则中，A_i为0.5和0.5，且Y_i为0.5。

注意，虽然在此例子中，每一个簇节点有一个模糊规则，但本发明不局限于这种安排。一对一的关系仅仅是为了简化讨论而提出的。

若使用上述初始簇位置，并将模糊推理系统应用于各个输入取样数据以推导估计的输出，则误差可能在大约±0.2的范围内。图10的曲线82示出了实际的Y输出(圆数据点)以及从模糊推理系统估计的各个输入数据点的Y输出(正方形数据点)。图11在曲线84示出了实际Y输出与从模糊推理系统估计的Y输出之间的误差。

如已经讨论的那样，Y的估计值是通过应用模糊推理系统而导出的。模糊推理系统的第一步骤是找出各个规则的启动值。在此简化的例子中，有7个模糊规则---图9所示的每个簇节点位置各一个。

第i个模糊规则的启动值FV，由下列方程确定： ${\mathrm{FV}}_i={\mathrm{\τ}}_i{y}_i^{-}$

其中，τ_i是输入到第i个输入隶属函数的成员，亦即A_ix，而y_i ^-是第i个输出隶属函数的质心。

模糊推理系统的最终值y’是FV之和除以τ之和。

对于初始估计，山形成簇函数能够提供非线性系统的初始表征。为了改进这一初始表征，反传(back propagation)学习算法被应用于隶属函数。此反传学习算法由下列递推方程定义： $y\tilde{i}(k+1)=y\tilde{i}\left(k\right)-{\mathrm{av}}_{i}e;$ $x_i^{~}(k+1)=x_i^{~}\left(k\right)-{\mathrm{av}}_i({y^{\′}}_i\left(k\right)-y\left(k\right))\mathrm{ex}\left(k\right)((x\left(k\right)-x_i^{~})/{\mathrm{\σ}}_i^{~}\left(k\right));$ ${\mathrm{\σ}}_i(k+1)={\mathrm{\σ}}_i\left(k\right)-{\mathrm{av}}_i({\mathrm{yi}}^{\′}\left(k\right)-y\left(k\right))\mathrm{ex}\left(k\right)((x\left(k\right)-x_i^{~}{)}^2)/{\mathrm{\σ}}_l^3\left(k\right));$

e＝y′(k)-y(k)；

ν_i＝τ_i/∑τ.

在神经网络学习1000次并替换新的隶属函数之后，图12中的曲线86和图13中的曲线88提供了被训练过的模糊推理系统的结果。

现参照图14，示出了根据本发明的自适应等离子体表征系统90(APCS)。通常可以看到，阻抗分析仪100被连接到等离子体工作室70的功率馈送系统30。分析仪100收集得自执行等离子体工艺的数据，且此数据基于与用来控制等离子体工作室70的电功率有关的变量。模糊推理系统94基于此数据而产生模糊逻辑输入和输出隶属函数91和92。隶属函数使得能够自主估计等离子体工艺的输出参数值。神经网络96根据神经网络学习算法而修正隶属函数，并输出确定得自执行等离子体工艺的实际参数值的数据。可以看到，模糊推理系统94最好包括用来根据此数据而产生簇位置的成簇模块98。模糊推理系统根据簇位置而产生模糊推理规则，其中的模糊推理规则确定输入和输出隶属函数91和92。成簇模块98也最好修正簇位置，直至满足预定的阈值判据，致使修正的簇位置具有与其它数据簇匹配的簇中心。

从上述的描述，本技术领域的熟练人员现在能够理解，本发明的广泛内容能够以各种各样的形式加以实现。因此，虽然本发明能够结合其具体例子加以描述，但本发明的实际范围不应该局限于此，因为对于熟练的实施人员来说，在研究附图、说明书、以及下列 之后，其它的修正是显而易见的。

本发明的描述本质上仅仅是示例性的，因此，不偏离本发明要旨的各种变化被认为在本发明的范围之内。这些变化不被认为偏离了本发明的构思与范围。

Claims (20)

1.一种用来表征半导体等离子体工艺的方法，此方法包含下列步骤：

收集输入和输出学习数据，此输入学习数据基于与用来控制等离子体腐蚀工作室的电功率有关的变量，并从执行等离子体工艺得到；以及

根据学习数据产生模糊逻辑输入和输出隶属函数；

所述隶属函数使得能够估计等离子体工艺的输出参数值，致使隶属函数以输出参数表征等离子体工艺。

2.权利要求1的方法，还包括下列步骤：

基于学习数据而产生簇位置；以及

基于簇位置而产生模糊推理规则；

所述模糊推理规则确定输入和输出隶属函数。

3.权利要求2的方法，还包括下列步骤：

离散学习数据的目标空间；

基于学习数据和预定山形函数而产生簇位置，此簇位置被置于目标空间之中；以及

修正簇位置，直至满足预定的阈值判据，致使修正的簇位置的簇中心与目标空间中的其它数据簇匹配。

4.权利要求3的方法，还包括调整学习数据浓度比较高的目标空间中各个区域的间隔距离的步骤。

5.权利要求3的方法，其中的预定山形函数由下式定义： $M\left(\mathrm{Nij}\right)=\underset{k}{\mathrm{\Σ}}{e}^{-\left(\mathrm{ad}(\mathrm{Nij},S)\right)}$

其中，Nij表示位置i和j处的节点；S是取样数据(X(k)，Y(k))；α是学习速率；而d(Nij，S)是Nij与S之间的欧基里德距离函数。

6.权利要求3的方法，还包括下列步骤：

破坏由簇位置确定的山形簇；以及

将修改了的山形函数应用于被破坏的山形簇。

7.权利要求6的方法，其中的修改了的山形函数由下式定义： ${M^{\′}}_{k+1}\left(\mathrm{Nij}\right)={M^{\′}}_k\left(\mathrm{Nij}\right)-{M^{*}}_k{e}^{-\left(\mathrm{\βd}(N^{*},\mathrm{Nij})\right)}$

其中，Nij表示位置i和j处的节点；M^* _k是簇迭代k的最大值；M’_k是节点Nij处来自簇迭代k的山形簇值；M’_k+1是节点Nij处的更新了的山形簇值；N^*表示具有簇迭代k的最大值的节点位置；β是学习速率；而d(^*N，Nij)是N^*与Nij之间的欧基里德距离函数。

8.权利要求1的方法，还包括将阻抗分析仪连接到等离子体腐蚀工作室的步骤，此阻抗分析仪响应等离子体工艺的执行而产生输入学习数据。

9.一种用来估计半导体等离子体工艺的输出参数值的方法，此方法包含下列步骤：

收集输入数据，此输入数据基于与用来控制等离子体腐蚀工作室的电功率有关的变量，并对应于等离子体工艺的执行；

基于模糊逻辑输入和输出隶属函数而估计输出参数值；以及

基于神经网络学习算法和输出数据而修正隶属函数，此输出数据确定一个得自执行等离子体工艺的实际参数值。

10.权利要求9的方法，还包括将反传学习算法应用于隶属函数的步骤。

11.权利要求9的方法，还包括估计腐蚀速率数值的步骤，此腐蚀速率数值确定等离子体工艺的进行速率。

12.权利要求9的方法，还包括估计终点数值的步骤，此终点数值确定等离子体工艺的终点。

13.权利要求9的方法，还包括估计维护条件数值的步骤，此维护条件数值确定等离子体腐蚀工作室的维护条件。

14.权利要求9的方法，还包括估计设备状态数值的步骤，此设备条件数值确定等离子体工艺所用的设备的状态。

15.权利要求9的方法，还包括将阻抗分析仪连接到等离子体腐蚀工作室的步骤，此阻抗分析仪响应等离子体工艺的执行而产生输入数据。

16.一种自适应等离子体表征系统，它包含：

连接到等离子体腐蚀工作室的阻抗分析仪，此分析仪收集得自执行等离子体工艺且基于与用来控制等离子体腐蚀工作室的电功率有关的变量的数据；

模糊推理系统，用来基于该数据而产生模糊逻辑输入和输出隶属函数，所述隶属函数使得能够自主估计等离子体工艺的输出参数值；以及

神经网络，用来基于神经网络学习算法和输出数据而修正隶属函数，此输出数据确定一个得自执行等离子体工艺的实际参数值。

17.权利要求16的表征系统，其中的模糊推理系统包括：

用来基于数据而产生簇位置的成簇模块；

所述模糊推理系统基于簇位置而产生模糊推理规则，其中的模糊推理规则确定输入和输出隶属函数。

18.权利要求17的表征系统，其中的成簇模块修正簇位置，直至满足预定的阈值判据，致使修正的簇位置的簇中心与其它数据簇匹配。

19.一种用来表征半导体等离子体腐蚀工艺的方法，此方法包含下列步骤：

收集输入和输出学习数据，此输入学习数据基于与用来控制等离子体腐蚀工作室的电功率有关的变量，并从执行等离子体腐蚀工艺得到；

离散学习数据的目标空间；

基于学习数据和预定山形函数而产生簇位置，此簇位置位于目标空间之中；

修正簇位置，直至满足预定的阈值判据，致使修正的簇位置的簇中心与目标空间中的其它数据簇匹配；

基于簇位置而产生模糊推理规则；

所述模糊推理规则确定输入和输出隶属函数；

所述隶属函数使得能够估计等离子体腐蚀工艺的输出参数值，致使隶属函数以输出参数表征等离子体腐蚀工艺；以及

基于神经网络学习算法和输出数据而修正隶属函数，此输出数据确定一个得自执行等离子体腐蚀工艺的实际参数值。

20.权利要求19的方法，还包括将反传学习算法应用于隶属函数的步骤。

Images