CN1653598B - 处理装置状态或处理结果的预测方法 - Google Patents

处理装置状态或处理结果的预测方法 Download PDF

Info

Publication number
CN1653598B
CN1653598B CN038103559A CN03810355A CN1653598B CN 1653598 B CN1653598 B CN 1653598B CN 038103559 A CN038103559 A CN 038103559A CN 03810355 A CN03810355 A CN 03810355A CN 1653598 B CN1653598 B CN 1653598B
Authority
CN
China
Prior art keywords
residual error
processing unit
benchmark
principal component
standard
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.)
Expired - Fee Related
Application number
CN038103559A
Other languages
English (en)
Other versions
CN1653598A (zh
Inventor
坂野真治
原田智
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
Priority claimed from JP2002193624A external-priority patent/JP4274348B2/ja
Application filed by Tokyo Electron Ltd filed Critical Tokyo Electron Ltd
Publication of CN1653598A publication Critical patent/CN1653598A/zh
Application granted granted Critical
Publication of CN1653598B publication Critical patent/CN1653598B/zh
Anticipated expiration legal-status Critical
Expired - Fee Related legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
    • H01J37/32—Gas-filled discharge tubes
    • H01J37/32431—Constructional details of the reactor
    • H01J37/32798—Further details of plasma apparatus not provided for in groups H01J37/3244 - H01J37/32788; special provisions for cleaning or maintenance of the apparatus
    • H01J37/32853—Hygiene
    • H01J37/32862—In situ cleaning of vessels and/or internal parts

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Automation & Control Theory (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Analytical Chemistry (AREA)
  • Public Health (AREA)
  • Chemical & Material Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Plasma & Fusion (AREA)
  • Epidemiology (AREA)
  • Mathematical Physics (AREA)
  • Drying Of Semiconductors (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明的等离子体处理结果的预测方法，是比较以下两个残差：基于处理装置清洗前的第一标准处理的主分量分析模型而得到的残差和基于该处理装置清洗后的或另外的处理装置的第二标准处理的主分量分析模型而得到的残差，从而确定加权基准并据此构筑第二标准处理的主分量分析模型而预测处理结果。

Description

处理装置状态或处理结果的预测方法
技术领域
本发明涉及处理装置状态或处理结果的预测方法，更详细地说，涉及例如使用来自附设在半导体制造装置或半导体检查装置等处理装置中的多个检测器的检测数据，对处理装置状态或处理结果进行预测的方法及装置。
背景技术
在半导体制造工序中，使用多种半导体制造装置和半导体检查装置等的处理装置。例如，等离子体处理装置用于蚀刻处理和成膜处理等的等离子体处理。例如，这种等离子体处理装置包括在处理室内相互平行配置的上部电极和下部电极。如果在下部电极上施加高频电力，同时向处理室内导入处理气体，则通过上部电极和下部电极之间的放电而产生处理气体的等离子体。由此，在被处理体(例如晶片)上实施规定的等离子体处理。
在进行对这些等离子体处理装置的工艺中是否有异常的评价时，使用各自的检测器来检测等离子体的发光强度、处理室内的压力、下部电极的施加电力及处理气体的供给流量等的三十种数据。各个检测值作为运行数据被收集，使用这些运行数据来进行主分量分析等的多变量解析。由此，评价等离子体处理装置的工艺。
例如，如果处理多个晶片，则对于各晶片获得多个运行数据。例如，对于各晶片收集三种运行数据，将这些运行数据进行绘图，例如可获得图12所示的曲线。在图12所示的曲线中，运行数据表示某种一定的趋势，即，大部分的运行数据都容纳在橄榄球状的空间内。因此，如果对这些运行数据进行主分量分析并求出第一、第二主分量，则第一主分量是与分散最大的橄榄球状的空间长直径大致一致的直线坐标①，而第二主分量是与分散大的橄榄球状的空间短直径大致一致的直线坐标②。直线坐标①和直线坐标②为相互垂直的关系。因此，例如使用第一分量来进行等离子体处理装置的工艺等的评价。
但是，例如从图12可知，如标点A、B那样，还有从橄榄球状的空间脱离的运行数据。这些运行数据被认为与正常的运行数据脱离。即，认为等离子体处理装置中有某些异常。
作为查明这样的异常原因的方法，本申请人在特开2002-25981号公报中，提出利用主分量分析的残差矩阵来查明等离子体处理装置的异常的方法。在该方法中，对多个样本晶片进行处理，将通过多个检测器获得的检测值用作运转数据，进行这些运转数据的主分量分析，形成模型算式。而且，求取将次数高的主分量归纳为一个的残差矩阵，利用构成该残差矩阵的分量(残差)，来检测等离子体处理装置的异常。此外，求取残差矩阵的各分量的平方和(残差值)，根据使用作为基准的处理装置时的各晶片的残差值形成的基线(平均水平的线)和使用其他等离子体处理装置时的残差值形成的基线之差的大小，检测等离子体处理装置的异常。
但是，在特开2002-25981号公报中提出的异常检测方法的情况下，在使用进行了清洗等维修点检后的处理装置来处理多个训练晶片而获得运转数据后，如果将这些运转数据套用于使用清洗前的同一处理装置求取的主分量分析的模型算式来求取残差值，则即使清洗后的处理装置为正常状态，也如图13所示，可知由维修点检后的各晶片的残差值形成基线②从由维修点检前的各晶片的残差值形成的基线①移动，并超过异常判定线L，将处理装置的工艺判定为异常.即，这种情况下，对于所有的晶片，不能检测原来的异常.此外，如果重复进行清洗等维修点检，可知基线③、④从基线②缓慢向更大的方向移动，更加不能进行异常的判定.这里，图13所示的曲线，将通过终点检测器检测的等离子体的规定的波长范围内的多个分量波长的发光强度用作运转数据，在每个晶片中求取所有分量波长的发光强度的残差值的平均值，将各晶片的残差值的平均值绘图.
此外，在半导体制造工序中，使用多种半导体制造装置和半导体检查装置等的处理装置。例如，等离子体处理装置用于蚀刻处理和成膜处理等的等离子体处理。例如，这种等离子体处理装置，在处理室内包括相互平行配置的上部电极和下部电极。在控制装置的控制下，在上下两电极上施加高频电力，同时向处理室内导入处理气体时，通过上部电极和下部电极之间的放电而产生处理气体的等离子体。通过终点检测器监视该等离子体的发光强度，同时在被处理体(例如晶片)上实施规定的等离子体处理。此时，处理室内的压力、上下两电极间的高频电力及处理气体的流量等的可控制的参数(以下称为‘工艺参数’)被设定为标准条件。晶片被处理的期间，通过附带在等离子体处理装置上的终点检测器等的多个检测器来检测等离子体发光强度等。
然后，根据多个检测数据，通过存储在控制装置中的多变量解析程序，形成用于预测工艺的模型算式。通过该模型算式，评价等离子体处理装置的装置状态，并预测处理结果。在形成模型算式的情况下，例如收集来自多个检测器的检测数据，通过多重回归分析来求取这些检测数据和工艺参数的相关关系。通过在由该多重回归分析形成的模型算式中套用检测数据，可以预测工艺参数。
在形成模型算式的情况下，首先，在等离子体处理装置的处理室内配置规定的例如7片晶片。然后，处理室内的压力、上下两电极的高频功率和处理气体流量等的工艺参数被设定为标准条件(根据处理内容，预先设定的标准条件)，从而晶片被处理。在处理这些晶片的期间，通过终点检测器，将等离子体发光的多个分量波长的发光强度(光学数据)分别作为检测数据来检测。标准条件下处理的晶片被定义为正常晶片。
接着，在将多个工艺参数在规定的范围内从标准条件改变后，例如处理12片晶片。此时，对于各个晶片，将多个光学数据分别作为检测数据来检测。在波动(改变)工艺参数时，进行使用田口方法(TaguchiMethod)的正交表的正交实验。用于该正交实验的晶片被定义为正交表晶片。
使用正常晶片和正交晶片获得的检测数据，进行图15所示的重递归解析。即，如图15所示，将光学数据组成的多个检测数据作为说明变量xij(i是晶片的片数，j是各分量波长的样本数)，而以处理气体的处理室内的压力、高频功率及处理气体的流量等的工艺参数作为多个目标变量yij，进行多重回归分析而形成下述的模型算式。在形成该模型算式时，通过使用根据少的数据求取矩阵X和矩阵Y的相关关系的PLS方法，求取矩阵B。PLS法的细节，例如披露于JOURANL OFCHEMOMETRICS，VOL.2(PP.211-228)(1998)中。再有，在下述模型算式中，X是以说明变量为分量的矩阵，B是以重递归系数为分量的矩阵，Y是以目标变量为分量的矩阵。
Y＝BX
在形成模型算式后，使用清洗后的等离子体处理装置，形成正常晶片和异常晶片(故意地在将工艺参数从标准条件向大小方向波动改变的条件下处理的晶片)，使用晶片处理时检测的检测数据来预测工艺参数。即，工艺参数被设定为标准条件并将7片晶片作为正常晶片进行处理，接着，在工艺参数从标准条件向大小方向波动的条件下，将15片晶片作为异常晶片进行处理。此时，来自终点检测器的等离子体发光的多个分量波长作为检测数据被分别检测。然后，根据上述模型算式和这些检测数据，运算多个工艺参数，该运算值作为预测值被自动地输出。
比较清洗前后的各晶片中的工艺参数的设定值和预测值呈现的情况为图16。图16的左半部分，表示形成模型算式的清洗前的等离子体处理装置情况下的气体1的流量的设定值和预测值。图16的右半部分表示清洗后的等离子体处理装置情况下的气体1的流量的设定值和预测值(使用了上述模型算式)。从图16可知，对于形成了模型算式的清洗前的等离子体处理装置，预测值近似于设定值，即，可知预测精度比较高。
但是，在清洗后的等离子体处理装置的情况下，预测值远离设定值。即，如果原封不动地使用清洗前形成的模型算式，则不能预测清洗后的等离子体处理装置的工艺参数。即使是同一等离子体处理装置，在清洗后检测数据因终点检测器的修理或处理室内的环境变化等而产生变动。因此，在清洗后，必须重新形成模型算式。这种情况不仅限于清洗后的同一等离子体处理装置，不用说，在进行其他维修点检的情况，以及同种类的单独的等离子体处理装置间也是如此。
发明内容
本发明用于解决上述课题，其目的在于提供一种处理装置的异常等的评价方法，即使在清洗等的维修点检后，也与维修点检前同样，可以可靠地检测处理装置的异常。
本发明人对于用清洗后的处理装置不能检测异常的原因，进行各种研究。其结果是，在清洗等的维修点检中，处理室内的部件和检测器被分别拆下并维修点检后，这些处理室内的部件和检测器被再次安装，所以处理室内的部件的表面污染，它们的安装状态和检测器的检测值在每次安装中产生变化。
本发明人发现，在根据从配置在维修点检后的处理装置上的各检测器获得的运转数据来求取残差值时，通过对于该运转数据实施特定的统计办法，可以抑制异常判定线的变动。
此外，本发明用于解决上述课题，其目的在于提供一种可预测处理结果的方法和装置，只要对于某一处理装置的预测算式被一次形成，则也可使用该预测算式对其他的同种类的处理装置来评价工艺参数等的装置状态。
本发明提供一种处理结果的预测方法，其特征在于，包括：使用某一状态的第一处理装置，对于多个被处理体，进行规定的第一标准处理的工序；在所述第一标准处理中，通过设置在所述第一处理装置中的多个检测器，获得多个检测数据的工序；使用所述第一标准处理中获得的多个检测数据，进行某一多变量解析，从而设定多个检测数据的加权基准的工序；使用另一状态的所述第一处理装置或另外的相同种类的第二处理装置，对与所述多个被处理体同样的多个被处理体，进行与所述第一标准处理同样的第二标准处理的工序；在所述第二标准处理中，通过设置在所述第一处理装置或所述第二处理装置中的多个检测器，获得多个检测数据的工序；根据所述加权基准来加权所述第二标准处理中获得的多个检测数据后，套用于所述多变量解析的工序；以及根据所述多变量解析的处理结果，预测所述第二标准处理的处理结果的工序.
优选是所述加权基准是采用或不采用各检测数据的双值的基准。
本发明提供一种处理结果的预测方法，其特征在于，包括：使用某一状态的第一处理装置，对于多个被处理体，进行规定的第一标准处理的工序；在所述第一标准处理中，通过设置在所述第一处理装置中的多个检测器，获得多个检测数据的工序；对所述第一标准处理中获得的多个检测数据进行主分量分析而形成主分量分析模型的工序；求取所述主分量分析模型的残差作为第一残差的工序；使用另一状态的所述第一处理装置或另外的相同种类的第二处理装置，对与所述多个被处理体同样的多个被处理体，进行与所述第一标准处理同样的第二标准处理的工序；在所述第二标准处理中，通过设置在所述第一处理装置或所述第二处理装置中的多个检测器，获得多个检测数据的工序；将所述第二标准处理中获得的多个检测数据套用于所述主分量分析模型，从而求取第二残差的工序；比较第一残差和第二残差，设定各第二残差的加权基准的工序；根据所述加权基准来加权所述第二残差后，使用该加权后的第二残差来形成新的多变量解析模型的工序；以及使用所述多变量解析模型，预测所述第二标准处理的处理结果的工序。
优选是所述加权基准是采用或不采用各第二残差的双值的基准。特别优选是所述加权基准是采用变化量小的第二残差的基准。而且，进一步优选是所述加权基准以第一残差的最大值和/或最小值为基准，是判别变化量小的第二残差的基准。
例如，将所述第一标准处理中获得的多个检测数据进行主分量分析而形成主分量分析模型的工序包括使用交叉验证法(cross validation)求取主分量的次数的工序。
此外，例如，将所述主分量分析模型的残差作为第一残差来求取的工序包括：将主分量分析的结果分为贡献率高的主分量和贡献率低的主分量的工序；以及将贡献率低的主分量的残差作为残差矩阵来归纳的工序。
优选是所述多变量解析模型是多重回归分析模型。
例如，所述某一状态是维修点检前的状态，所述另一状态是通过维修点检而变更了装置内部状态后的状态。
例如，所述装置内部状态包含各检测器的安装状态。或者，所述装置内部状态包含装置内部的表面状态。
所述维修点检包括装置的清洗。
例如，所述处理装置是等离子体处理装置。这种情况下，所述检测数据包括等离子体的发光强度数据。
本发明提供一种处理装置状态的评价方法，其特征在于，包括：使用某一状态的第一处理装置，对于多个被处理体，进行规定的第一标准处理的工序；在所述第一标准处理中，通过设置在所述第一处理装置中的多个检测器，获得多个检测数据的工序；使用所述第一标准处理中获得的多个检测数据，进行某一多变量解析，从而设定多个检测数据的加权基准的工序；使用另一状态的所述第一处理装置或另外的同种类的第二处理装置，对与所述多个被处理体同样的多个被处理体，进行与所述第一标准处理同样的第二标准处理的工序；在所述第二标准处理中，通过设置在所述第一处理装置或第二处理装置中的多个检测器，获得多个检测数据的工序；根据所述加权基准来加权所述第二标准处理中获得的多个检测数据后，套用于所述多变量解析的工序；以及根据所述多变量解析，评价所述第二标准处理时的所述第一处理装置或所述第二处理装置的装置状态的工序.
本发明提供一种处理装置状态的评价方法，其特征在于，包括：使用某一状态的第一处理装置，对于多个被处理体，进行规定的第一标准处理的工序；在所述第一标准处理中，通过设置在所述第一处理装置中的多个检测器，获得多个检测数据的工序；对所述第一标准处理中获得的多个检测数据进行主分量分析而形成主分量分析模型的工序；求取所述主分量分析模型的残差作为第一残差的工序；使用另一状态的所述第一处理装置或另外的同种类的第二处理装置，对与所述多个被处理体同样的多个被处理体，进行与所述第一标准处理同样的第二标准处理的工序；在所述第二标准处理中，通过设置在所述第一处理装置或第二处理装置中的多个检测器，获得多个检测数据的工序；将所述第二标准处理中获得的多个检测数据套用于所述主分量分析模型，从而求取第二残差的工序；比较第一残差和第二残差，来设定各第二残差的加权基准的工序；根据所述加权基准来加权所述第二残差后，使用该加权后的第二残差而形成新的多变量解析模型的工序；以及使用所述多变量解析模型，评价所述第二标准处理时的所述第一处理装置或所述第二处理装置的装置状态的工序。
本发明提供一种处理结果的预测装置，包括：在使用某一状态的第一处理装置，对于多个被处理体进行规定的第一标准处理期间，使用通过设置在所述第一处理装置中的多个检测器获得的多个检测数据，进行某一多变量解析，从而设定多个检测数据的加权基准的部件；在使用另一状态的所述第一处理装置或另外的同种类的第二处理装置，对于与所述多个被处理体同样的多个被处理体进行与所述第一标准处理同样的第二标准处理期间，对于通过设置在所述第一处理装置或所述第二处理装置中的多个检测器获得的多个检测数据，根据所述加权基准进行加权后，套用于所述多变量解析的部件；以及根据所述多变量解析的结果，预测所述第二标准处理的处理结果的部件。
本发明提供一种处理结果的预测装置，包括：在使用某一状态的第一处理装置，对于多个被处理体进行规定的第一标准处理期间，对通过设置在所述第一处理装置中的多个检测器获得的多个检测数据进行主分量分析，从而形成主分量分析模型的部件；将所述主分量分析模型的残差作为第一残差来求取的部件；在使用另一状态的所述第一处理装置或另外的同种类的第二处理装置，对于与所述多个被处理体同样的多个被处理体进行与所述第一标准处理同样的第二标准处理期间，将通过设置在所述第一处理装置或所述第二处理装置中的多个检测器获得的多个检测数据套用于所述主分量分析模型，从而求取第二残差的部件；比较第一残差和第二残差，来设定各第二残差的加权基准的部件；根据所述加权基准来加权所述第二残差后，使用该加权后的第二残差而形成新的多变量解析模型的部件；以及使用所述多变量解析模型，预测所述第二标准处理的处理结果的部件。
本发明提供一种处理装置状态的评价装置，其特征在于，包括：在使用某一状态的第一处理装置，对于多个被处理体进行规定的第一标准处理期间，使用通过设置在所述第一处理装置中的多个检测器获得的多个检测数据，进行某一多变量解析，从而设定多个检测数据的加权基准的部件；在使用另一状态的所述第一处理装置或另外的同种类的第二处理装置，对于与所述多个被处理体同样的多个被处理体进行与所述第一标准处理同样的第二标准处理期间，将通过设置在所述第一处理装置或所述第二处理装置中的多个检测器获得的多个检测数据，根据所述加权基准进行加权后，套用于所述多变量解析的部件；以及根据所述多变量解析的结果，评价所述第二标准处理时的所述第一处理装置或所述第二处理装置的装置状态的部件.
本发明提供一种处理装置状态的评价装置，其特征在于，包括：在使用某一状态的第一处理装置，对于多个被处理体进行规定的第一标准处理期间，对通过设置在所述第一处理装置中的多个检测器获得的多个检测数据进行主分量分析，从而形成主分量分析模型的加权基准的部件；将所述主分量分析模型的残差作为第一残差来求取的部件；在使用另一状态的所述第一处理装置或另外的同种类的第二处理装置，对于与所述多个被处理体同样的多个被处理体进行与所述第一标准处理同样的第二标准处理期间，将通过设置在所述第一处理装置或所述第二处理装置中的多个检测器获得的多个检测数据套用于所述主分量分析模型，从而求取第二残差的部件；比较第一残差和第二残差，来设定各第二残差的加权基准的部件；根据所述加权基准来加权所述第二残差后，使用该加权后的第二残差而形成新的多变量解析模型的部件；以及使用所述多变量解析模型，评价所述第二标准处理时的所述第一处理装置或所述第二处理装置的装置状态的部件。
附图说明
图1是表示采用本发明一实施方式的异常检测方法的一例等离子体处理装置的概略结构图。
图2是通过配置在清洗后的等离子体处理装置中的终点检测器检测出的等离子体的200～950nm波长区中的各分量波长的残差变化的曲线图。
图3是表示晶片的处理片数和各晶片的残差变化小的多个分量波长的残差值之间的关系，同时表示清洗前后的残差值的变化的曲线图。
图4是表示清洗前后的等离子体处理装置中的C4F8气体流量和残差小的多个分量波长的残差值之间的关系的曲线图。
图5是表示清洗前后的等离子体处理装置中的C4F8气体流量和所有分量波长的残差值之间的关系的曲线图。
图6是等离子体的分量波长和相对于处理气体的流量变化的各分量波长的发光强度的变化量之间关系的曲线图。
图7是表示清洗前后的等离子体处理装置中的灵敏度实验的残差值的非变动指数的曲线图。
图8是表示采用本发明一实施方式的工艺的预测方法的一例等离子体处理装置的概略结构图。
图9是通过配置在清洗后的等离子体处理装置中的终点检测器检测出的等离子体的200～950nm波长区中的各分量波长的残差变化的曲线图。
图10是表示形成用于本实施方式的工艺的预测方法的模型的方法的示意图。
图11是表示使用本实施方式的工艺的预测方法来预测清洗前后的等离子体处理装置的工艺参数的情况下的预测值和设定值的曲线图。
图12是示意性地表示主分量分析的曲线图。
图13表示晶片的处理片数和各晶片的所有分量波长的残差值之间的关系，同时是表示清洗前后的残差值的变化的曲线图。
图14是表示使用清洗前的等离子体处理装置时的分量波长和各自的残差之间的关系的曲线图。
图15是表示形成用于现有的工艺的预测方法的模型的方法的示意图。
图16表示使用现有的工艺的预测方法来预测清洗前后的等离子体处理装置的工艺参数的情况下的预测值和设定值的曲线图。
具体实施方式
以下，根据图1～图7所示的实施例来说明本发明。
首先，参照图1来说明采用本发明一实施方式的异常检测方法的等离子体处理装置的一例。等离子体处理装置的异常是指以下状态：处理气体的流量、处理室内压力、高频电力、高频电流等的处理条件从中心处理条件产生变化，从而不能对被处理体(例如，晶片)实施原来的处理，在处理后的晶片上产生缺陷。这里，缺陷的程度没有特别限制。
本实施方式中使用的等离子体处理装置10，例如如图1所示，包括：铝等的导电材料构成的处理室11；配置在该处理室11内的底面并且兼用为载置作为被处理体的晶片W的载置台的下部电极12；在该下部电极12的上方隔开规定的间隔配置并且兼用为处理气体的供给部的空心状的被接地的上部电极13；以及向处理室11内提供旋转磁场的磁场形成部件14。在控制装置15的控制下，在磁场形成部件14产生的旋转磁场B作用于处理室11的上下电极间产生的电场时，产生高密度等离子体，从而对晶片W进行均匀的等离子体处理。连通到上部电极13的气体供给管16连接到处理室11的上面。经由气体供给管16和上部电极13，从气体供给源(未图示)向处理室11供给处理气体。连结到未图示的真空排气装置的气体排出管17连接到处理室11的侧面。经由真空排气装置和气体排出管17，使处理室11内减压而保持规定的真空度。高频电源18连接到下部电极12。如果从高频电源18向下部电极12施加高频电力，则在两电极12、13间产生处理气体的等离子体。由此，在下部电极12上的半导体晶片W表面上例如实施规定的蚀刻处理。
在等离子体处理装置10中，例如安装终点检测器19等的36种检测器。使用这些检测器，例如将等离子体发光强度S、高频电力Vpp、高频功率P、处理气体流量F等作为等离子体处理(例如蚀刻)时的运转数据逐一检测。将各个检测值逐一取入控制装置15内。在控制装置15中，作为多变量解析程序，例如存储用于主分量分析的程序。通过该程序来进行主分量分析，检测(判别)等离子体处理装置10的异常。在该主分量分析中，求取残差值，根据该残差值来检测异常。
但是，如上述那样，随着清洗等的维修点检作业，在处理室内的各种部件和检测器拆下修复后，这些检测器的检测值大多变化，即，大多不能获得与维修点检前相同的运转数据。
因此，在本实施方式中，在求取维修点检后的残差值时，根据特定的方法来选择运转数据，只使用选择的运转数据来求取残差值。通过这种操作，缓和由清洗等的维修点检作业引起的各检测器的检测值的变化影响，所以本实施方式的方法能够可靠地检测等离子体处理装置10的异常。
在详细地说明本实施方式的异常检测方法之前，简略说明有关使用由终点检测器19检测的等离子体发光强度S的主分量分析。
首先，使用清洗前的等离子体处理装置10，预先对作为基准的例如30片的样本晶片(训练集)进行等离子体处理。此时，在每个晶片上作为运转数据逐一检测终点检测器19检测的n个分量波长的发光强度。通过进行这些运转数据的主分量分析来判定等离子体处理装置10的异常。例如，对于m片晶片的各个晶片，如果存在n个检测值，则输入了运转数据的矩阵用算式1表示。
[算式1]
X = x 11 x 12 · · · · x 1 n x 21 x 22 · · · · x 2 n · · · · · · · · · · · · · · · · · · · · · x m 1 x m 2 · · · · x mn
在控制装置15中，求取有关各个检测值的平均值、最大值、最小值、方差值。然后，使用基于这些计算值的方差-协方差矩阵来进行多个运转数据的主分量分析，求取本征值(eigenvalue)和其本征矢量(eigenvector)。
本征值表示运转数据的方差的大小，按照本征值的大小顺序，被定义为第一主分量、第二主分量、…第n主分量。此外，在各本征值中，有各自所属的本征矢量。通常，主分量的次数越高(本征值越小)，相对于数据的评价的贡献率越低，其利用价值小。
如上述那样，在对m片的晶片分别采用n个检测值时，与第i号晶片的第j号本征值对应的第j主分量tij用算式2表示。
[算式2]
tij＝xi1Pj1+xi2Pj2+…+xinPjn
然后，在该第j主分量tij的算式中代入具体的第i号晶片的检测值(xi1、xi2、…、xin)所得的值为第i号晶片的第j主分量的点数。因此，第j主分量的点数tj用算式3定义，第j主分量的本征矢量Pj用算式4定义。
[算式3]
t j = t 1 j t 2 j · · t mj
[算式4]
P j = P j 1 P j 2 · · P jn
如果使用矩阵X和本征矢量Pj，则用算式5表示第j主分量的点数tj。此外，如果使用主分量的点数ti和各自的本征矢量Pi，则用算式6表示矩阵X。
[算式5]
tj＝XPj
[算式6]
X＝t1P1 T+t2P2 T+…+tnPn T
(其中，Pn T是Pn的转置矩阵)
可是，如上述那样，在判定等离子体处理装置10的处理异常时，在进行了主分量分析后，形成归纳了次数高的主分量的残差矩阵。例如，进行直至被认为贡献率高的第k主分量的主分量分析，将比第k主分量贡献率低的第(k+1)以上的高阶的主分量归纳为一个，形成用算式7定义的残差矩阵E(各列与发光频谱的各分量波长对应，各行与晶片的片数对应)。
[算式7]
E = e 11 e 12 · · · · e 1 n e 21 e 22 · · · · e 2 n · · · · · · · · · · · · · · · · · · · · · e m 1 e m 2 · · · · e mn
如果在算式6中代入该残差矩阵E，则算式6用算式8表示。如果该残差矩阵E的残差值Qi用算式9定义的行矢量ei，则如算式10定义的那样，表示为行矢量ei和其转置矩阵矢量ei T之积。残差值Qi是表示第i号的晶片的各检测值的残差(误差)的指标。如算式10所示，残差值Qi为各残差的平方和，正分量和负分量没有被相互抵消，可靠地作为残差来求取。
[算式8]
X＝t1P1 T+t2P2 T+…+tkPk T+E
[算式9]
ei＝[ei1 ei2····ein]
[算式10]
Q i = e i e i T = Σ j = 1 n ( e ij ) 2
在本实施方式中，通过在每个晶片中求取该残差值Qi，来判定处理的异常。通过利用残差矩阵和其残差值Qi，作为运转数据的统计性的数据的加权被多方面地评价，在第1～第k分量中，可以判定没有掌握的处理的异常。
算式10可以表示为下述算式11。其中，Wj是加权，一般来说，在0≤Wj≤1的范围内。在本实施方式中，使用的分量波长的加权为Wj＝1，不使用的分量波长的加权Wj＝0。即，通过将加权Wj设定为1或0，从而根据终点检测器19检测的波长的特性，合适地选择被使用的分量波长。由此，可以更多样地设定残差值Qi。
[算式11]
Q i = Σ j = 1 n w j ( e ij ) 2
在本实施方式中，在下述的处理条件(蚀刻下述晶片的情况下的标准的处理条件，即中心条件)下，处理600片的晶片。各晶片的等离子体的分量波长的发光强度(例如，将200nm～950nm的范围用5nm划分128部位)作为第一运转数据被分别检测。进行这些第一运转数据的主分量分析，直至求取第5主分量(k＝5)，使用算式10来求取有关各晶片的残差值Qi。此时，如图14所示，600片的晶片的各分量波长的残差的平均值大致为零，128×600个的总残差最大为+1.81，最小为-0.58。
[处理条件]
处理装置：磁控管RIE型处理装置
晶片：300mm
蚀刻膜：氧化硅膜
衬底层：硅膜
处理内容：形成接触孔
下部电极的电源高频及功率：13.56MHz、4000W
处理压力：50mTorr
处理气体：C4F8＝20sccm、CO＝100sccm
Ar＝440sccm、O2＝10sccm
背面侧气体：He＝10mTorr(电极中央部)、
50mTorr(电极边缘部)
静电卡盘直流电压：2.5KV
处理温度：上部电极＝60℃、侧壁＝60℃、下部电极＝20℃
接着，进行第一运转数据的主分量分析而形成了模型算式的等离子体处理装置10被清洗。然后，使用清洗后的等离子体处理装置10，在上述处理条件下处理600片晶片。此时检测的等离子体的各分量波长的发光强度作为第二运转数据代入清洗前求出的模型算式，将600片的晶片的各分量波长的残差的平均值绘图。其结果示于图2。如图2所示，残差的平均值在正负两方向上极大波动。如果根据这些残差来求取所有分量波长的残差值Q，则如图13的②～④所示，残差值Q在每个清洗周期中变大而超过异常判定线L，即，不能进行异常判定。
因此，在本实施方式中，勘察各分量波长的残差的最大值和最小值，只选择表示比较小的残差变化的分量波长，并只使用选择的分量波长来求取各晶片的残差值Q’.例如，在图2所示的例子中，从128部位的分量波长之中，只选择在小于或等于清洗前的各分量波长的残差的绝对值的最大值1.8的约10％的、±0.2范围内残差变化的40个分量波长.求取这些残差值Q’，对于各晶片进行绘图.其结果示于图3.如图3所示，残差值Q’收纳在异常判定线(残差值的平均值+12σ)L内，即，可以进行异常判定.如图3所示，即使在第二次～第四次清洗后，也与第一次清洗后同样，残差值Q’收纳在异常判定线L内，可进行异常判定.
接着，只使用128部位中残差变化小的40部位的分量波长，来验证是否能够有效地检测等离子体处理装置10的工序变动，例如处理气体的流量异常变化造成的处理异常。例如，图4是表示以上述中心条件为中心，只使处理气体之一的C4F8的流量发生各种变化时所得的残差值Q’和流量之间的关系的曲线图。再有，在图4中，‘第一次’表示清洗前，‘第四次’表示三次清洗后。
根据图4，清洗后的等离子体处理装置10的残差值Q’与清洗前的残差值相比呈现整体性增大的值。但是，在中心条件(抛物线的底部)的流量和其附近的流量中清洗后的残差值Q’仍收容在异常判定线L内，另一方面，如果流量进一步增减，则残差值Q’超过异常判定线L。即，C4F8气体的流量异常、即可检测工序异常的情况被验证。
可是，如果获得有关128部位的所有区域的分量波长的清洗前后的残差值Q，则如图5所示，在清洗前的情况下可判定工序的异常，而在清洗后的情况下，即使是中心条件的情况下，残差值Q也超过异常判定线L。即，不能判定原来的工序异常(C4F8气体的流量异常)。
即，通过只选择使用残差变化小的分量波长，检测这些残差值Q’的变化，从而验证可更可靠地判定工序异常。
而且，对于所有的分量波长，求取相对于C4F8气体的流量变化的各分量波长的发光强度的变化量(％/sccm)。其结果示于图6。根据图6，各分量波长的发光强度随着气体流量的变化而分别变化，如本实施方式那样，在残差小的分量波长(在图6中用○包围的方式表示)中，也确实实现发光强度的变化。因此，可以确认能够检测工序异常。
如以上说明，根据本实施方式，从等离子体的128个的分量波长中选择残差小的40个分量波长，求取它们的残差值，利用该残差值来判定工序异常，从而即使是清洗后的等离子体处理装置，也可非常有效地抑制各晶片的残差值的因清洗产生的变动量，所以可以更可靠地检测处理气体的异常流量。
在上述实施方式中，可知对于处理气体的一部分流量在处理中变化的情况，实际上能够检测工序异常。下面，对于处理气体和其他处理条件重叠变化的情况，为了验证本发明的异常检测方法也是有效的，进行后述的实验。
使用清洗前的下述等离子体处理装置(在上下的电极中分别施加不同的高频电力的双频施加方式的等离子体处理装置)，在下述的处理条件(中心条件)下处理(中心实验)25片晶片后，与上述实施方式同样，将等离子体的128部位的分量波长的发光强度分别作为运转数据来检测。将这些运转数据的主分量分析进行至第5主分量，求取中心实验中的各晶片的残差值。然后，求取所有晶片的残差值的平均值(以下，称为‘平均残差值’)。
[处理条件]
晶片：300mm
蚀刻膜：氧化硅膜
衬底层：硅膜
处理内容：形成通孔
上部电极的电源高频和功率：60MHz、3200W
下部电极的电源高频及功率：2MHz、3500W
处理压力：20mTorr
处理气体：C5F8＝10sccm、CH2F2＝10sccm
Ar＝450sccm、O2＝15sccm
N2＝90sccm
背面侧气体：He＝20mTorr(电极中央部)、
40mTorr(电极边缘部)
静电卡盘直流电压：2.5KV
处理温度：上部电极＝20℃、侧壁＝60℃、下部电极＝60℃
而且，使用清洗前的双频施加方式的等离子体处理装置，例如处理气体(例如，C5F8)的流量、处理室11内的压力及下部电极12的功率分别以上述处理条件为中心，一边在从正常值至异常值的范围以下述条件下同时变化，一边处理25片晶片(灵敏度实验)。然后，求取各晶片的残差值，求取所有晶片的平均残差值。下述条件以外，被设定为中心条件。这里，灵敏度实验是用于观察残差值对从中心条件的中心起的变化的变化的实验。
[处理条件]
上部电极(60MHz)：3100W、3300W
下部电极(2MHz)：3400W、3600W
处理压力：20mTorr、25mTorr
处理气体：C5F8＝10sccm、14sccm
CH2F2＝8sccm、14sccm
Ar＝350sccm、550sccm
O2＝11sccm、18.5sccm
N2＝70sccm、90sccm
接着，使用清洗后的同样的等离子体处理装置10，进行与清洗前的情况同样的中心实验和灵敏度实验，求取各自的平均残差值。清洗前后的中心实验和灵敏度实验中的128部位的分量波长的平均残差值作为模型1示于下述表1。
此外，作为选择表示比较小的残差变化的分量波长的方法，在本实施方式中，采用以下方法：以使用128部位的分量波长的清洗前的中心实验的各分量波长的残差的最大值和最小值为基准，选择分量波长。例如，使用各分量波长的残差的最大值(在本实施方式中为0.43)和最小值(在本实施方式中为-0.67)的100％、80％、60％、40％、20％的各值，台阶式地选择分量波长。进入最小值(清洗前)＜残差(清洗后)＜最大值(清洗前)的范围的32部位的分量波长的平均残差值为模型2，进入0.8×最小值＜残差＜0.8×最大值的范围的25部位的分量波长的平均残差值为模型3，进入0.6×最小值＜残差＜0.6×最大值的范围的15部位的分量波长的平均残差值为模型4，进入0.4×最小值＜残差＜0.4×最大值的范围的9部位的分量波长的平均残差值为模型5，进入0.2×最小值＜残差＜0.2×最大值的范围的3部位的分量波长的平均残差值为模型6，示于下述表1。
[表1]
Figure G038103559D00191
如上述表1所示，清洗后的中心实验的平均残差值与清洗前的平均点数相比明显增大。
因此，应以中心实验中清洗前后变动的平均残差值的变动值为基准来评价清洗前后的灵敏度实验的平均残差值，形成下述表2。下述表2的数值表示清洗前后的灵敏度实验的平均残差值除以所述变动值所得的值(非变动指数)。该值越大，清洗前后的平均残差值受清洗造成的变动的影响越小。根据下述表2所示的结果，选择了残差小的分量波长的模型2至模型6，清洗后的平均残差值的因来自清洗前的平均残差值的变动造成的影响被抑制。因此，即使清洗后的终点检测器19的检测值比如与清洗前有所不同，也可以可靠地检测工艺异常。而且，在只选择残差更小的分量波长时，可知灵敏度实验的平均残差值中的因清洗造成的变动的影响变弱。清洗造成的变动的影响最弱的情况是残差第二小的分量波长构成的模型5的情况。如果只选择残差更小的分量波长，则可知受到噪声的影响而不好。再有，将下述表2所示的结果绘图的情况为图7。
[表2]
如以上说明，根据本实施方式，在使用清洗前后的等离子体处理装置来处理晶片时，只使用残差小的分量波长来求取残差值，所以不受清洗前后的(清洗引起的)终点检测器19的检测值的不同造成的影响，可以检测工序异常。
此外，根据本实施方式，在选择残差小的分量波长时，以残差的最大值和最小值为基准来选择残差小的分量波长，所以可以简单地进行分量波长(数据)的压缩.
此外，根据本实施方式，使用每个晶片的残差值，所以如果识别出残差值突发性变化的晶片，则只确认该晶片的各检测值就可以简单地知道哪个检测值上有异常。
再有，在上述各实施方式中，作为检测器，举例说明了终点检测器，但只要是配置在等离子体处理装置上的检测器，就可以期待与上述实施方式同样的作用效果。此外，在上述各实施方式中举例说明了等离子体处理装置，但本发明也可套用于等离子体处理装置以外的处理多个被处理体的半导体制造装置或其他的一般性的生产装置。
以下，根据图8至图11的实施方式来说明本发明。
首先，对于本发明的用于处理结果的预测方法的等离子体处理装置的一例，参照图8来说明。
如图8所示，本实施方式的等离子体处理装置101包括可保持期望的高真空度的处理室102。处理室102的表面进行氧化铝膜加工并被接地。在处理室102内的底面中央，配置载置被处理体(例如，具有热氧化膜的晶片)W的下部电极103。下部电极103由经绝缘构件102A配置在处理室102的底面上的的支承体104支承。为了对晶片W的热氧化膜进行等离子体处理(蚀刻)，设置空心状形成的上部电极105，使其与下部电极103经由间隙相对。在下部电极103中，经由匹配器106A来连接例如2MHz的高频电源106。在上部电极105中，经由匹配器107A来连接与下部电极103相比频率高的、例如60MHz的高频电源107。下部电极103经由高通滤波器108被接地，上部电极105经由低通滤波器109被接地。此外，在形成于处理室102底面的排气口102B中，经由气体排气管111A来连接排气装置111。该排气装置111对处理室102内部进行真空排气，从而可维持期望的真空度。再有，一般地，将下部电极103和支承体104统一称为载置台110。
在上部电极105的上面中央，连接气体导入管105A。该气体导入管105A贯通配置于处理室102的上面中央的绝缘构件102C的孔。而且，在该气体导入管105A中，气体供给源112经由气体供给管113来连接。详细地说，气体供给源112有气体1(例如C6F8)供给源、气体2(例如CH2F2)供给源、气体3(例如N2)供给源、气体4(例如Ar)供给源及气体5(例如O2)供给源。这些各气体供给源分别连接到气体供给管113。而且，这些气体作为蚀刻气体，通过流量控制装置向处理室102以规定流量来供给。
在上部电极105的下面，均等地分散形成多个孔105B。由此，从各孔105B向处理室102内部均等地分散供给处理气体。因此，通过排气装置111将处理室102内部抽真空，同时从气体供给源112以规定的流量供给规定的蚀刻气体。然后，在这样的状态下，通过在下部电极103和上部电极105上施加各自的高频电力，在处理室102内产生蚀刻气体的等离子体。由此，对下部电极103上的晶片W实施规定的蚀刻处理。
在下部电极103上，安装着温度传感器(未图示)。通过温度传感器，可始终监视下部电极103上的晶片W的温度。
在载置台110内部，形成通过规定的冷却介质(例如，现有公知的氟类流体或水等)的冷却介质流路110A。通过冷却介质流过冷却介质流路110A，下部电极103被冷却，晶片W通过下部电极103被冷却。由此，晶片W被控制在期望的温度下。
此外，在下部电极103上，配置绝缘材料构成的静电卡盘114.静电卡盘114内的电极板114A连接到高压直流电源115.静电卡盘114通过从高压直流电源115施加在电极板114上的高电压而在表面上产生静电，对晶片W进行静电吸附.
在下部电极103的外边缘上，配置聚焦环116，以包围静电卡盘114。通过聚焦环116，可以将等离子体聚焦在晶片W上。
在载置台110中，形成用于将He气体等的导热性气体作为背面侧气体供给的气体流路110B。气体流路110B在载置台110的上面的多个部位开口。气体流路110B与开口的相应位置对应，在载置台110上的静电卡盘114中也形成贯通孔。由此，经由载置台110的气体流路110B来供给背面侧气体时，该背面侧气体从气体流路110B通过静电卡盘114的贯通孔流出，在静电卡盘114和晶片W之间的整体间隙中均等地扩散。由此，可提高两者间的间隙中的导热性。再有，在图8中，117是开闭形成于处理室102中的晶片W的运出入口的闸阀。
在等离子体处理装置101中，安装有终点检测器118。使用该终点检测器118，对每个晶片W检测处理室102内的等离子体发光。每个晶片W的等离子体发光的各分量波长的发光强度作为检测数据被逐一取入控制装置119内。在该控制装置119中，设置存储多变量解析程序并通过该程序来进行检测数据的主分量分析等的多变量解析的多变量解析部件。作为检测数据，使用例如200nm～950nm范围内的150种的分量波长。
而且，如果随着清洗等的维修点检，处理室内的各种部件和检测器被拆下修理，则这些检测器的检测数据大多变化。因此，如果使用维修点检前形成的模型算式，则不能进行维修点检后的等离子体处理装置的装置状态的评价、处理结果的预测和/或工序的预测。
本实施方式使用的多变量解析部件120包括：第一存储部件120A，存储在处理室102内如上述那样对多个晶片W进行规定的条件的标准处理，对从多个检测器(在本实施方式中，为终点检测器118)获得的多个分量波长的发光强度组成的检测数据进行主分量分析的程序；运算部件120B，使用第一存储部件120A的程序，根据多个分量波长的发光强度组成的检测数据来形成主分量分析模型，同时将该主分量分析模型的残差作为第一残差来求取；第二存储部件120C，存储由该运算部件120B求取的第一残差；第三存储部件120D，存储在主分量分析模型中套用检测数据求取的第二残差，该检测数据是由例如因维修点检等而使安装部件、各安装部件的安装状态、处理室102的内部的表面状态等的处理室102的内部状态不同的等离子体处理装置101的终点检测器118，进行与上述标准条件相同的条件的处理获得的检测数据；选择部件120E，以第一残差的偏差为基准，选择第二残差的偏差小的检测数据；以及第四存储部件120F，存储使用通过该选择部件120E选择的多个检测数据的残差来形成多变量解析模型(例如，多重回归分析模型)的程序。
在本实施方式的多变量解析部件120中进行以下的处理.即，使用一个等离子体处理装置(例如，清洗前的等离子体处理装置)101的处理部件，将晶片W按标准条件进行处理，将每个晶片W上等离子体发光的各波长的发光强度(光学数据)由终点检测器118作为检测数据来检测.这些检测数据使用第一存储部件120A的程序，在运算部件120B中被进行主分量分析，由此形成主分量分析模型.然后，根据该主分量分析模型来求取各检测数据的残差，作为第一残差存储在第二存储部件120C中.接着，使用同种类的另一等离子体处理装置(例如，清洗后的上述等离子体处理装置)，将晶片按标准条件进行处理，由因清洗作业等而使设置状态不同的终点检测器118对每个晶片检测等离子体发光的各波长的发光强度.这些检测数据在上述主分量分析模型被套用，从而求取第二残差.第二残差被存储在第三存储部件120D中.从这些第二残差之中，以第一残差的最大值和最小值为基准，在选择部件120E中只选择第二残差的偏差小的检测数据.然后，为了评价例如装置状态，使用以工艺参数为目标变量的第四存储部件120F的程序，被选择的偏差小的第二残差作为说明变量(explanatory variable)，通过多变量解析而形成新的模型。通过使用这种新的模型算式，即使在清洗后，工艺参数也被高精度预测。即，装置状态被高精度评价。
这里，简要说明使用等离子体发光强度组成的检测数据的主分量分析。首先，使用清洗前的等离子体处理装置101，将工艺参数设定为下述表3的标准值。在该标准条件下，如下述表4那样，7片晶片作为正常晶片被分别蚀刻。此时，终点检测器118将n个分量波长的发光强度在每个正常晶片上作为检测数据逐一检测。然后，进行这些检测数据的主分量分析。
[表3]
  压力mTorr   上部电极W   下部电极W 气体1sccm 气体2sccm 气体3sccm 气体4sccm 气体5sccm
  标准值   20   3200   3500   10   10   90   450   15
  水平1   20   3100   3400   10   8   70   350   11
  水平2   25   3300   3600   14   14   90   550   18.5
[表4]
Figure G038103559D00251
在上述的主分量分析中，例如，对于m片(在本实施方式中为19片)的各个晶片，检测n个(在本实施方式中150部位的分量波长)检测数据x时，将这些检测数据组成的xij作为分量的矩阵X用算式12表示。
[算式12]
X = x 11 x 12 · · · · x 1 n x 21 x 22 · · · · x 2 n · · · · · · · · · · · · · · · · · · · · · x m 1 x m 2 · · · · x mn
然后，在控制装置119的多变量解析部件120中，求取有关这些检测数据的平均值、最大值、最小值、方差值。然后，使用基于这些计算值的方差协方差矩阵来进行多个运转数据的主分量分析，求取本征值和其本征矢量。
本征值表示运转数据的方差的大小，按照本征值的大小顺序，被定义为第一主分量、第二主分量、…第n主分量。此外，在各本征值中，有各自所属的本征矢量。本征矢量成为各检测数据的权重系数。通常，主分量的次数越高(本征值越小)，相对于数据的评价的贡献率越低，其利用价值小。
如上述那样，在对m片的晶片分别采用n个检测值时，与第i号晶片的第j号本征值对应的第j主分量tij用算式13表示。
[算式13]
tij＝xi1Pj1+xi2Pj2+…+xinPjn
然后，在该第j主分量tij的算式中代入具体的第i号晶片的检测值(xi1、xi2、…、xin)所得的值为第i号晶片的第j主分量的点数。因此，第j主分量的点数tj用算式14定义，第j主分量的本征矢量Pj用算式15定义。
[算式14]
t j = t 1 j t 2 j · · t mj
[算式15]
P j = P j 1 P j 2 · · P jn
如果使用矩阵X和本征矢量Pj，则用算式16表示第j主分量的点数tj。此外，如果使用主分量的点数ti和各自的本征矢量Pi，则用算式17表示矩阵X。
[算式16]
tj＝XPj
[算式17]
X＝t1P1 T+t2P2 T+…+tnPn T
(其中，Pn T是Pn的转置矩阵)
可是，如上述那样，在对工艺进行预测时，在进行了主分量分析后，形成归纳了次数高的主分量的残差矩阵。例如，进行直至被认为贡献率高的第k主分量的主分量分析，将比第k主分量贡献率低的大于或等于第(k+1)的高阶的主分量归纳为一个，形成用算式18定义的残差矩阵E(各列与发光频谱的各分量波长对应，各行与晶片的片数对应)。如果在在算式17中套用该残差矩阵，则残差矩阵E用算式19表示。
[算式18]
E = e 11 e 12 · · · · e 1 n e 21 e 22 · · · · e 2 n · · · · · · · · · · · · · · · · · · · · · e m 1 e m 2 · · · · e mn
[算式19]
E＝X-(t1P1 T+t2P2 T+…+tkPk T)
在主分量分析中应该求取多少次的主分量，根据交叉验证法来确定。这种情况下，求取预测误差最小的次数。其结果，取决于检测数据的种类，但在使用本实施方式的光学数据的情况下，可知如果求取至第5主分量就足够了。因此，对于清洗前的等离子体处理装置101，求取了7片的正常晶片中的各检测数据的残差的偏差。此外，求取了残差的最大值和最小值。这种情况下，最大值为0.43，最小值为-0.67。
接着，使用清洗后的等离子体处理装置，在上述表3所示的标准条件下，将7片晶片作为正常晶片分别进行处理。然后，与上述的情况同样，通过终点检测器118来检测等离子体发光的各分量波长的发光强度。这些检测数据被套用于算式19，从而求取正常晶片的残差。其结果示于图9。在图9中，将清洗前的正常晶片的残差的最大值和最小值作为阈值线记入。从图9可知，有超过阈值线变化的残差的检测数据(分量波长)存在很多。超过阈值线的波长分量的发光强度被认为增大了预测清洗后的等离子体处理装置的工序时的预测误差。因此，在本实施方式中，只选择表示针对清洗后的等离子体处理装置而得到的检测数据中收容在阈值线内的残差的分量波长。然后，这些残差被作为说明变量，进行多变量解析，例如多重回归分析而形成新的模型算式。使用这种新的模型算式，来预测工艺参数。
即，在本实施方式中，如图10所示，上述那样选择的残差作为说明变量，工艺参数作为目标变量，使用多变量解析程序来进行多重回归分析。由此，对于清洗前的等离子体处理装置101，形成下述算式20的重递归算式(模型算式)。在形成模型算式时，在上述表4所示的正常晶片和正交表晶片(表3的水平1和水平2范围中工艺参数根据振动的田口方法的正交表来设定工艺参数)的处理预先在清洗前进行。使用通过该处理获得的检测数据的残差(根据上述方法选择的检测数据的残差)和此时的设定工艺参数，形成模型算式。然后，在求取模型算式的递归矩阵B时，使用多变量解析程序的PLS法。
[算式20]
Y＝BX’
在形成上述算式20的模型算式后，在控制装置中，在使用清洗前的等离子体处理装置101预先处理的下述表5中所示的7片正常晶片和15片异常晶片的各晶片的等离子体发光的各分量波长之中，在上述算式20所示的模型算式中套用选择的检测数据的残差，自动地运算清洗前的等离子体处理装置101的工艺参数并自动地输出预测值。即，对工艺参数进行预测。工艺参数中的一个，例如气体1的流量在图11的左半部分中作为清洗周期1示出。如图11所示，与现有同样，作为工艺参数设定的气体1的流量的设定值和通过运算获得的预测值近似。由此，可知即使使用从多个检测数据中选择的一部分检测数据的残差的情况下，预测值的精度也高。
[表5]
Figure G038103559D00291
接着，使用清洗后的等离子体处理装置，分别处理上述表5所示的正常晶片和异常晶片.此时，在清洗后的等离子体处理装置的控制装置中，在各晶片的等离子体发光的各分量波长中，在上述算式20所示的模型算式中套用选择的检测数据的残差，自动地输出工艺参数的预测值，即，对工艺参数进行预测.工艺参数中的气体1的流量的设定值和预测值在图11的右半部分中作为清洗周期2示出.如图11所示，即使在清洗后，作为工艺参数设定的气体1的流量的设定值和通过运算获得的预测值近似.即，可以按与清洗前相匹敌的精度来预测工艺参数，即，与现有相比，可以非常高精度地预测工艺参数.因此，如图11所示，在清洗周期1、2的任何一种情况下，都可按高精度预测工艺参数.对于清洗前的等离子体处理装置101形成模型算式，即使将该模型算式原封不动地应用于清洗后的等离子体处理装置，也可高精度地预测工艺参数.
接着，用算式21所示的算式具体地求取各工艺参数的预测误差。其结果示于下述表6和下述表7。下述表6表示预测误差，下述表7表示预测精度。
[算式21]
(其中，式中，n表示晶片的片数)
如下述表6和表7所示，在图11所示的气体1的情况下，本实施方式的预测方法的预测值相对于设定值10sccm有0.4sccm的误差，即，相对于设定值以4％的误差来预测。相反，现有的预测方法的预测值相对于设定值10sccm有1.7sccm的误差，即，相对于设定值有17％的误差。由此，可知现有方法相对于本实施方式，其预测精度明显差。此外，如下述表6和表7所示，可知对于其他的工艺参数，本实施方式的预测方法的预测精度与现有相比明显地提高。
[表6]
  压力mT   上部电极W   下部电极W   气体1sccm   气体2sccm   气体3sccm   气体4sccm   气体5sccm
  本实施方式   0.6   41.2   41.8   0.4   0.5   3.5   17.6   1.5
  现有   1.0   256.4   90.1   1.7   1.4   15.3   72.1   4.0
[表7]
压力   上部电极   下部电极   气体1   气体2   气体3   气体4   气体5
  设定值   20mT   3200W   3500W   10sccm   19sccm   90sccm   450sccm   15sccm
压力   上部电极   下部电极   气体1   气体2   气体3   气体4   气体5
  本实施方式 3％ 1％ 1％ 4％ 5％ 4％ 4％ 10％
  现有   5％   8％   3％   17％   14％   17％   16％   27％
如以上说明，根据本实施方式，包括：使用清洗前的等离子体处理装置101对多个晶片W进行标准处理的工序；对通过该标准处理获得的等离子体发光的多个分量波长的发光强度组成的检测数据使用第一存储部件120A的程序在运算部件120B中进行主分量分析，从而求取主分量分析模型(算式17)，同时将各检测数据的残差分别作为第一残差来求取的工序；将第一残差存储在第二存储部件120C中的工序；使用清洗后的等离子体处理装置对多个晶片进行与清洗前相同的标准处理的工序；使用通过该标准处理获得的多个检测数据，在运算部件120B中根据上述主分量分析模型(算式17)，将这些检测数据的残差分别作为第二残差而求取的工序；将第二残差存储在第三存储部件120D中的工序；以第一残差的偏差的最大值和最小值为基准，在选择部件120E中从第二残差中选择具有偏差小的残差的检测数据的工序；以及使用选择的多个残差，通过第四存储部件120F的程序来形成多重回归模型(算式20)的工序。因此，在算式20所示的多重回归模型中，清洗前后的检测数据的残差的变动小。因此，无论清洗前后，等离子体处理装置的工艺参数都可被高精度预测。此外，在每次清洗中，不必形成用于多变量解析的预测用模型，对于清洗前的等离子体处理装置101，只要一次形成模型算式，则可将该模型算式在其后的清洗后的等离子体处理装置中原样使用。因此，可以削减形成模型算式的时间。
此外，根据本实施方式，在进行主分量分析时，使用交叉验证法来求取预测误差小的主分量的次数(例如，第5主分量)。因此，可以高效率地求取预测误差小的残差矩阵E。此外，作为选择残差的偏差小的检测数据的基准，使用清洗前的残差的最大值和最小值，所以可以机械效率高地选择残差小的检测数据，可以可靠地形成预测精度高的模型算式。再有，作为选择检测数据的基准，对于清洗前的残差的最大值和最小值，也可以使用分别乘以了规定比率的值。
再有，在上述各实施方式中，举例说明了使用来自作为检测器的终点检测器的检测数据的情况，但即使使用来自配置于等离子体处理装置的其他检测器的检测数据，也可以期待与上述实施方式同样的作用效果.此外，在上述实施方式中，说明了用于评价装置状态的工艺参数的情况，但根据本发明，也可以形成用于预测晶片的处理结果的多重回归分析模型.此外，在上述实施方式中，说明了预测清洗前后的等离子体处理装置的工艺的方法，但本发明也适用于清洗以外的维修点检后的等离子体处理装置.而且，如果是同一种类的等离子体处理装置，只要对一个等离子体处理装置形成模型，则对于其他的同种类的等离子体处理装置，也可以采用该模型.此外，在上述各实施方式中举例说明了等离子体处理装置，但本发明也可以适用于等离子体处理装置以外的处理多个被处理体的半导体制造装置或其他的一般性的生产装置.
此外，在本实施方式中，虽然在清洗前处理正常晶片、正交表晶片、异常晶片，在清洗后处理正常晶片、异常晶片，但也可在清洗前后处理正常晶片而选择残差偏差小的分量波长，进行用于在清洗后形成多重回归分析模型算式的晶片处理，以提高其后的预测精度。

Claims (46)

1.一种处理结果的预测方法，其特征在于，包括：
使用某一状态的第一处理装置，对于多个被处理体，进行规定的第一标准处理的工序；
在所述第一标准处理中，通过设置在所述第一处理装置中的多个检测器，获得多个检测数据的工序；    
使用所述第一标准处理中获得的多个检测数据，进行某一多变量解析，从而设定多个检测数据的加权基准的工序；
使用另一状态的所述第一处理装置或另外的同种类的第二处理装置，对与所述多个被处理体同样的多个被处理体，进行与所述第一标准处理同样的第二标准处理的工序；
在所述第二标准处理中，通过设置在所述第一处理装置或所述第二处理装置中的多个检测器，获得多个检测数据的工序；
根据所述加权基准来加权所述第二标准处理中获得的多个检测数据后，套用在所述多变量解析中的工序；以及
根据所述多变量解析的结果，预测所述第二标准处理的处理结果的工序，
所述某一状态是维修点检前的状态，
所述另一状态是通过维修点检而变更了装置内部状态后的状态。
2.如权利要求1所述的处理结果的预测方法，其特征在于：
所述加权基准是采用或不采用各检测数据的双值的基准。
3.一种处理结果的预测方法，其特征在于，包括：
使用某一状态的第一处理装置，对于多个被处理体，进行规定的第一标准处理的工序；
在所述第一标准处理中，通过设置在所述第一处理装置中的多个检测器，获得多个检测数据的工序；
对所述第一标准处理中获得的多个检测数据进行主分量分析而形成主分量分析模型的工序；
求取所述主分量分析模型的残差作为第一残差的工序；
使用另一状态的所述第一处理装置或另外的同种类的第二处理装置，对与所述多个被处理体同样的多个被处理体，进行与所述第一标准处理同样的第二标准处理的工序；
在所述第二标准处理中，通过设置在所述第一处理装置或所述第二处理装置中的多个检测器，获得多个检测数据的工序；
将所述第二标准处理中获得的多个检测数据套用于所述主分量分析模型，从而求取第二残差的工序；
比较第一残差和第二残差，设定各第二残差的加权基准的工序；
根据所述加权基准来加权所述第二残差后，使用该加权后的第二残差来形成新的多变量解析模型的工序；以及
使用所述多变量解析模型，预测所述第二标准处理的处理结果的工序，
所述某一状态是维修点检前的状态，
所述另一状态是通过维修点检而变更了装置内部状态后的状态。
4.如权利要求3所述的处理结果的预测方法，其特征在于：
所述加权基准是采用或不采用各第二残差的双值的基准。
5.如权利要求4所述的处理结果的预测方法，其特征在于：
所述加权基准是采用变化量小的第二残差的基准。
6.如权利要求5所述的处理结果的预测方法，其特征在于：
所述加权基准是以第一残差的最大值和/或最小值为基准，判别变化量小的第二残差的基准。
7.如权利要求3所述的处理结果的预测方法，其特征在于：
将所述第一标准处理中获得的多个检测数据进行主分量分析而形成主分量分析模型的工序包括使用交叉验证法求取主分量的次数的工序。
8.如权利要求3所述的处理结果的预测方法，其特征在于：
将所述主分量分析模型的残差作为第一残差来求取的工序包括：
将主分量分析的结果分为贡献率高的主分量和贡献率低的主分量的工序；以及
将贡献率低的主分量的残差归纳作为残差矩阵的工序。
9.如权利要求3所述的处理结果的预测方法，其特征在于：
所述多变量解析模型是多重回归分析模型。
10.如权利要求3所述的处理结果的预测方法，其特征在于：
所述装置内部状态包含各检测器的安装状态。
11.如权利要求3所述的处理结果的预测方法，其特征在于：
所述装置内部状态包含装置内部的表面状态。
12.如权利要求3所述的处理结果的预测方法，其特征在于：
所述维修点检包括装置的清洗。
13.如权利要求3所述的处理结果的预测方法，其特征在于：
所述处理装置是等离子体处理装置。
14.如权利要求13所述的处理结果的预测方法，其特征在于：
所述检测数据包括等离子体的发光强度数据。
15.一种处理装置状态的评价方法，其特征在于，包括：
使用某一状态的第一处理装置，对于多个被处理体，进行规定的第一标准处理的工序；
在所述第一标准处理中，通过设置在所述第一处理装置中的多个检测器，获得多个检测数据的工序；
使用所述第一标准处理中获得的多个检测数据，进行某一多变量解析，从而设定多个检测数据的加权基准的工序；
使用另一状态的所述第一处理装置或另外的同种类的第二处理装置，对与所述多个被处理体同样的多个被处理体，进行与所述第一标准处理同样的第二标准处理的工序；
在所述第二标准处理中，通过设置在所述第一处理装置或所述第二处理装置中的多个检测器，获得多个检测数据的工序；
根据所述加权基准来加权所述第二标准处理中获得的多个检测数据后，套用在所述多变量解析中的工序；以及
根据所述多变量解析的结果，评价所述第二标准处理时的所述第一处理装置或所述第二处理装置的装置状态的工序，
所述某一状态是维修点检前的状态，
所述另一状态是通过维修点检而变更了装置内部状态后的状态。
16.如权利要求15所述的处理装置状态的评价方法，其特征在于：
所述加权基准是采用或不采用各检测数据的双值的基准。
17.一种处理装置状态的评价方法，其特征在于，包括：
使用某一状态的第一处理装置，对于多个被处理体，进行规定的第一标准处理的工序；
在所述第一标准处理中，通过设置在所述第一处理装置中的多个检测器，获得多个检测数据的工序；
对所述第一标准处理中获得的多个检测数据进行主分量分析而形成主分量分析模型的工序；
将所述主分量分析模型的残差作为第一残差求取的工序；
使用另一状态的所述第一处理装置或另外的同种类的第二处理装置，对与所述多个被处理体同样的多个被处理体，进行与所述第一标准处理同样的第二标准处理的工序；
在所述第二标准处理中，通过设置在所述第一处理装置或所述第二处理装置中的多个检测器，获得多个检测数据的工序；
将所述第二标准处理中获得的多个检测数据套用于所述主分量分析模型，从而求取第二残差的工序；
比较第一残差和第二残差，来设定各第二残差的加权基准的工序；
根据所述加权基准来加权所述第二残差后，使用该加权后的第二残差而形成新的多变量解析模型的工序；以及
使用所述多变量解析模型，评价所述第二标准处理时的所述第一处理装置或所述第二处理装置的装置状态的工序，
所述某一状态是维修点检前的状态，
所述另一状态是通过维修点检而变更了装置内部状态后的状态。
18.如权利要求17所述的处理装置状态的评价方法，其特征在于：
所述加权基准是采用或不采用各第二残差的双值的基准。
19.如权利要求18所述的处理装置状态的评价方法，其特征在于：
所述加权基准是采用变化量小的第二残差的基准。
20.如权利要求19所述的处理装置状态的评价方法，其特征在于：
所述加权基准是以第一残差的最大值和/或最小值为基准，判别变化量小的第二残差的基准。
21.如权利要求17所述的处理装置状态的评价方法，其特征在于：
对所述第一标准处理中获得的多个检测数据进行主分量分析而形成主分量分析模型的工序包括使用交叉验证法求取主分量的次数的工序。
22.如权利要求17所述的处理装置状态的评价方法，其特征在于：
将所述主分量分析模型的残差作为第一残差来求取的工序包括：
将主分量分析的结果分为贡献率高的主分量和贡献率低的主分量的工序；以及
归纳贡献率低的主分量的残差作为残差矩阵的工序。
23.如权利要求17所述的处理装置状态的评价方法，其特征在于：
所述多变量解析模型是多重回归分析模型。
24.如权利要求17所述的处理装置状态的评价方法，其特征在于：
所述装置内部状态包含各检测器的安装状态。
25.如权利要求17所述的处理装置状态的评价方法，其特征在于：
所述装置内部状态包含装置内部的表面状态。
26.如权利要求17所述的处理装置状态的评价方法，其特征在于：
所述维修点检包括装置的清洗。
27.如权利要求17所述的处理装置状态的评价方法，其特征在于：
所述处理装置是等离子体处理装置。
28.如权利要求27所述的处理装置状态的评价方法，其特征在于：
所述检测数据包括等离子体的发光强度数据。
29.一种处理结果的预测装置，其特征在于，包括：
在使用某一状态的第一处理装置，对于多个被处理体进行规定的第一标准处理期间，使用通过设置在所述第一处理装置中的多个检测器获得的多个检测数据，进行某一多变量解析，从而设定多个检测数据的加权基准的部件；
在使用另一状态的所述第一处理装置或另外的同种类的第二处理装置，对于与所述多个被处理体同样的多个被处理体进行与所述第一标准处理同样的第二标准处理期间，对于通过设置在所述第一处理装置或所述第二处理装置中的多个检测器获得的多个检测数据，根据所述加权基准进行加权后，套用于所述多变量解析的部件；以及
根据所述多变量解析的结果，预测所述第二标准处理的处理结果的部件，
所述某一状态是维修点检前的状态，
所述另一状态是通过维修点检而变更了装置内部状态后的状态。
30.如权利要求29所述的处理结果的预测装置，其特征在于：
所述加权基准是采用或不采用各检测数据的双值的基准。
31.一种处理结果的预测装置，其特征在于，包括：
在使用某一状态的第一处理装置，对于多个被处理体进行规定的第一标准处理期间，对通过设置在所述第一处理装置中的多个检测器获得的多个检测数据进行主分量分析，从而形成主分量分析模型的部件；
将所述主分量分析模型的残差作为第一残差来求取的部件；
在使用另一状态的所述第一处理装置或另外的同种类的第二处理装置，对于与所述多个被处理体同样的多个被处理体进行与所述第一标准处理同样的第二标准处理期间，将通过设置在所述第一处理装置或所述第二处理装置中的多个检测器获得的多个检测数据套用于所述主分量分析模型，从而求取第二残差的部件；
比较第一残差和第二残差，来设定各第二残差的加权基准的部件；
根据所述加权基准来加权所述第二残差后，使用该加权后的第二残差而形成新的多变量解析模型的部件；以及
使用所述多变量解析模型，预测所述第二标准处理的处理结果的部件，
所述某一状态是维修点检前的状态，
所述另一状态是通过维修点检而变更了装置内部状态后的状态。
32.如权利要求31所述的处理结果的预测装置，其特征在于：
所述加权基准是采用或不采用各第二残差的双值的基准。
33.如权利要求32所述的处理结果的预测装置，其特征在于：
所述加权基准是采用变化量小的第二残差的基准。
34.如权利要求33所述的处理结果的预测装置，其特征在于：
所述加权基准是以第一残差的最大值和/或最小值为基准，判别变化量小的第二残差的基准。
35.如权利要求31所述的处理结果的预测装置，其特征在于：
形成所述主分量分析模型的部件包括使用交叉验证法来求取主分量的次数的部件。
36.如权利要求31所述的处理结果的预测装置，其特征在于：
将所述主分量分析模型的残差作为第一残差来求取的部件包括：
将主分量分析的结果分为贡献率高的主分量和贡献率低的主分量的部件；以及
将贡献率低的主分量的残差归纳为残差矩阵的部件。
37.如权利要求31所述的处理结果的预测装置，其特征在于：
所述多变量解析模型为多重回归分析模型。
38.一种处理装置状态的评价装置，其特征在于，包括：
在使用某一状态的第一处理装置，对于多个被处理体进行规定的第一标准处理期间，使用通过设置在所述第一处理装置中的多个检测器获得的多个检测数据，进行某一多变量解析，从而设定多个检测数据的加权基准的部件；
在使用另一状态的所述第一处理装置或另外的同种类的第二处理装置，对于与所述多个被处理体同样的多个被处理体进行与所述第一标准处理同样的第二标准处理期间，将通过设置在所述第一处理装置或所述第二处理装置中的多个检测器获得的多个检测数据，根据所述加权基准进行加权后，套用于所述多变量解析的部件；以及
根据所述多变量解析的结果，评价所述第二标准处理时的所述第一处理装置或所述第二处理装置的装置状态的部件，
所述某一状态是维修点检前的状态，
所述另一状态是通过维修点检而变更了装置内部状态后的状态。
39.如权利要求38所述的处理装置状态的评价装置，其特征在于：
所述加权基准为采用或不采用各检测数据的双值的基准。
40.一种处理装置状态的评价装置，其特征在于，包括：
在使用某一状态的第一处理装置，对于多个被处理体进行规定的第一标准处理期间，对通过设置在所述第一处理装置中的多个检测器获得的多个检测数据进行主分量分析，从而形成主分量分析模型的部件；
将所述主分量分析模型的残差作为第一残差来求取的部件；
在使用另一状态的所述第一处理装置或另外的同种类的第二处理装置，对于与所述多个被处理体同样的多个被处理体进行与所述第一标准处理同样的第二标准处理期间，将通过设置在所述第一处理装置或所述第二处理装置中的多个检测器获得的多个检测数据套用于所述主分量分析模型，从而求取第二残差的部件；
比较第一残差和第二残差，来设定各第二残差的加权基准的部件；
根据所述加权基准来加权所述第二残差后，使用该加权后的第二残差而形成新的多变量解析模型的部件；以及
使用所述多变量解析模型，评价所述第二标准处理时的所述第一处理装置或所述第二处理装置的装置状态的部件，
所述某一状态是维修点检前的状态，
所述另一状态是通过维修点检而变更了装置内部状态后的状态。
41.如权利要求40所述的处理装置状态的评价装置，其特征在于：
所述加权基准为采用或不采用各第二残差的双值的基准。
42.如权利要求41所述的处理装置状态的评价装置，其特征在于：
所述加权基准为采用变化量小的第二残差的基准。
43.如权利要求42所述的处理装置状态的评价装置，其特征在于：
所述加权基准是以第一残差的最大值和/或最小值为基准，判别变化量小的第二残差的基准。
44.如权利要求40所述的处理装置状态的评价装置，其特征在于：
形成所述主分量分析模型的部件包括使用交叉验证法来求取主分量的次数的部件。
45.如权利要求40所述的处理装置状态的评价装置，其特征在于：
将所述主分量分析模型的残差作为第一残差来求取的部件包括：
将主分量分析的结果分为贡献率高的主分量和贡献率低的主分量的部件；以及
将贡献率低的主分量的残差归纳作为残差矩阵的部件。
46.如权利要求40所述的处理装置状态的评价装置，其特征在于：
所述多变量解析模型为多重回归分析模型。
CN038103559A 2002-05-16 2003-05-08 处理装置状态或处理结果的预测方法 Expired - Fee Related CN1653598B (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
JP142169/2002 2002-05-16
JP2002142169 2002-05-16
JP2002193624A JP4274348B2 (ja) 2002-07-02 2002-07-02 プロセスの予測方法及び処理装置並びにプロセス予測プログラム
JP193624/2002 2002-07-02
PCT/JP2003/005782 WO2003098677A1 (fr) 2002-05-16 2003-05-08 Procede de prediction d'etat de dispositif de traitement ou de resultat de traitement

Publications (2)

Publication Number Publication Date
CN1653598A CN1653598A (zh) 2005-08-10
CN1653598B true CN1653598B (zh) 2010-05-05

Family

ID=29552291

Family Applications (1)

Application Number Title Priority Date Filing Date
CN038103559A Expired - Fee Related CN1653598B (zh) 2002-05-16 2003-05-08 处理装置状态或处理结果的预测方法

Country Status (5)

Country Link
US (1) US7689028B2 (zh)
CN (1) CN1653598B (zh)
AU (1) AU2003235901A1 (zh)
TW (1) TWI272462B (zh)
WO (1) WO2003098677A1 (zh)

Families Citing this family (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4165638B2 (ja) * 2002-09-02 2008-10-15 東京エレクトロン株式会社 プロセスの監視方法及びプラズマ処理装置
EP1639632B1 (en) * 2003-05-16 2017-06-07 Tokyo Electron Limited Method of monitoring a processing system
US7198964B1 (en) * 2004-02-03 2007-04-03 Advanced Micro Devices, Inc. Method and apparatus for detecting faults using principal component analysis parameter groupings
DE102005030586A1 (de) * 2005-06-30 2007-01-11 Advanced Micro Devices, Inc., Sunnyvale Verfahren und System für eine fortschrittliche Prozesssteuerung unter Anwendung der Messunsicherheit als Steuerungseingang
US7341954B2 (en) * 2005-08-24 2008-03-11 Tokyo Electron Limited Method and apparatus for determining an operation status of a plasma processing apparatus, program and storage medium storing same
DE102005046972A1 (de) * 2005-09-30 2007-04-05 Advanced Micro Devices, Inc., Sunnyvale Verfahren und System für eine fortschrittliche Prozesssteuerung unter Anwendung einer Kombination aus gewichteten relativen Voreinstellungswerten
JP2007328744A (ja) * 2006-06-09 2007-12-20 Canon Inc 回帰分析方法及びその装置
US8014880B2 (en) 2006-09-29 2011-09-06 Fisher-Rosemount Systems, Inc. On-line multivariate analysis in a distributed process control system
US7675257B2 (en) 2007-03-09 2010-03-09 Regal Beloit Corporation Methods and systems for recording operating information of an electronically commutated motor
US8190391B2 (en) * 2007-03-29 2012-05-29 Globalfoundries Inc. Determining die performance by incorporating neighboring die performance metrics
US20080262769A1 (en) * 2007-04-23 2008-10-23 Daniel Kadosh Using multivariate health metrics to determine market segment and testing requirements
JP5067542B2 (ja) * 2007-04-27 2012-11-07 オムロン株式会社 複合情報処理装置、複合情報処理方法、プログラム、および記録媒体
US8041518B2 (en) * 2007-05-08 2011-10-18 Globalfoundries Inc. Determining die test protocols based on process health
EP2019367A1 (en) * 2007-06-28 2009-01-28 Siemens Aktiengesellschaft A method to improve the performance of a distributed scheduler
US8019457B2 (en) * 2008-04-14 2011-09-13 United Microelectronics Corp. Method of controlling result parameter of IC manufacturing procedure
JP5334787B2 (ja) * 2009-10-09 2013-11-06 株式会社日立ハイテクノロジーズ プラズマ処理装置
CN103165490B (zh) * 2011-12-15 2016-03-30 无锡华润上华科技有限公司 一种检测晶片是否异常的方法
US20200025554A1 (en) * 2015-12-08 2020-01-23 Kla-Tencor Corporation System, method and computer program product for fast automatic determination of signals for efficient metrology
US10268248B2 (en) * 2016-08-01 2019-04-23 Microsoft Technology Licensing, Llc Power based thermal management of device
JP6517991B1 (ja) * 2018-08-31 2019-05-22 株式会社日立パワーソリューションズ 異常予兆診断システム、管理装置、及び異常予兆診断方法
CN112802773B (zh) * 2019-11-13 2022-03-04 长鑫存储技术有限公司 半导体系统及半导体工艺方法
US20220093429A1 (en) * 2020-09-21 2022-03-24 Taiwan Semiconductor Manufacturing Co., Ltd. Systems and methods for determining residual compounds in plasma process

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5680409A (en) * 1995-08-11 1997-10-21 Fisher-Rosemount Systems, Inc. Method and apparatus for detecting and identifying faulty sensors in a process
US6368975B1 (en) * 1999-07-07 2002-04-09 Applied Materials, Inc. Method and apparatus for monitoring a process by employing principal component analysis

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS59137842A (ja) * 1983-01-28 1984-08-08 Jidosha Denki Kogyo Co Ltd 雨滴検出器の振動板保持構造
US4973844A (en) * 1989-07-10 1990-11-27 Donnelly Corporation Vehicular moisture sensor and mounting apparatus therefor
US5663542A (en) * 1994-07-07 1997-09-02 Vdo Adolf Schindling Ag Contact device for rain sensor of a vehicle
DE19619116A1 (de) * 1996-05-11 1997-11-13 Mannesmann Vdo Ag Regensensor für ein Kraftfahrzeug
DE19619879A1 (de) * 1996-05-17 1997-11-20 Mannesmann Vdo Ag Regensensor
US6197116B1 (en) * 1996-08-29 2001-03-06 Fujitsu Limited Plasma processing system
US5780719A (en) * 1997-01-22 1998-07-14 Vandam; Scott A. Windshield wiper rain sensor system
EP1018088A4 (en) * 1997-09-17 2006-08-16 Tokyo Electron Ltd SYSTEM AND METHOD FOR CONTROLLING AND REGULATING PLASMA TREATMENTS
US6020704A (en) * 1997-12-02 2000-02-01 Valeo Electrical Systems, Inc. Windscreen sensing and wiper control system
US6151532A (en) * 1998-03-03 2000-11-21 Lam Research Corporation Method and apparatus for predicting plasma-process surface profiles
US6392218B1 (en) * 2000-04-07 2002-05-21 Iteris, Inc. Vehicle rain sensor
JP4554037B2 (ja) * 2000-07-04 2010-09-29 東京エレクトロン株式会社 消耗品の消耗度予測方法及び堆積膜厚の予測方法
JP4570736B2 (ja) 2000-07-04 2010-10-27 東京エレクトロン株式会社 運転状態の監視方法
US7054786B2 (en) * 2000-07-04 2006-05-30 Tokyo Electron Limited Operation monitoring method for treatment apparatus
TWI306269B (zh) 2001-06-27 2009-02-11 Tokyo Electron Ltd
US6892580B2 (en) * 2003-07-21 2005-05-17 Agc America, Inc. Method for determining a rate of rain

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5680409A (en) * 1995-08-11 1997-10-21 Fisher-Rosemount Systems, Inc. Method and apparatus for detecting and identifying faulty sensors in a process
US6368975B1 (en) * 1999-07-07 2002-04-09 Applied Materials, Inc. Method and apparatus for monitoring a process by employing principal component analysis

Also Published As

Publication number Publication date
WO2003098677A1 (fr) 2003-11-27
CN1653598A (zh) 2005-08-10
AU2003235901A1 (en) 2003-12-02
US7689028B2 (en) 2010-03-30
US20050125090A1 (en) 2005-06-09
TW200401179A (en) 2004-01-16
TWI272462B (en) 2007-02-01

Similar Documents

Publication Publication Date Title
CN1653598B (zh) 处理装置状态或处理结果的预测方法
US8486290B2 (en) Etching apparatus, analysis apparatus, etching treatment method, and etching treatment program
US7289866B2 (en) Plasma processing method and apparatus
US7844559B2 (en) Method and system for predicting process performance using material processing tool and sensor data
US6419846B1 (en) Determining endpoint in etching processes using principal components analysis of optical emission spectra
JP4995419B2 (ja) 材料プロセスツール及びパフォーマンスデータを用いてプロセスを制御する方法及びシステム
JP4464276B2 (ja) プラズマ処理方法及びプラズマ処理装置
US7139620B2 (en) Prediction method and apparatus of a processing result
CN100552889C (zh) 等离子体处理装置
US10438805B2 (en) Methods and systems for chamber matching and monitoring
Roh et al. Development of the virtual metrology for the nitride thickness in multi-layer plasma-enhanced chemical vapor deposition using plasma-information variables
KR102268290B1 (ko) 반도체 가공 장치를 진단하는 진단 시스템 및 그것의 제어 방법
JP2007515804A (ja) プラズマ装備のシーズニング方法及びそのための装備
US20050006344A1 (en) Method and apparatus for deciding cause of abnormality in plasma processing apparatus
Hong et al. Neural network-based real-time malfunction diagnosis of reactive ion etching using in situ metrology data
Jang et al. Characteristics of a plasma information variable in phenomenology-based, statistically-tuned virtual metrology to predict silicon dioxide etching depth
US7630064B2 (en) Prediction method and apparatus for substrate processing apparatus
JP4220378B2 (ja) 処理結果の予測方法および処理装置
JP4274348B2 (ja) プロセスの予測方法及び処理装置並びにプロセス予測プログラム
CN100355040C (zh) 等离子体处理方法和老化结束检测方法以及等离子体处理装置
Arshad et al. In-situ detection method of abnormal plasma discharge in plasma-assisted deposition processes
KR20130064472A (ko) 멀티 광 파장 모니터링을 이용한 공정 진단 방법
이현주 Development of PI-VM for Etch Control in Wafer Edge Region
JP2004047501A (ja) 処理装置の異常検知方法
JP2013115355A (ja) シミュレーション方法、シミュレーションプログラム、半導体製造装置

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20100505

Termination date: 20210508