JP2002329713A - 半導体プラズマ処理を特徴付ける方法及び適応性プラズマ特徴付けシステム - Google Patents
半導体プラズマ処理を特徴付ける方法及び適応性プラズマ特徴付けシステムInfo
- Publication number
- JP2002329713A JP2002329713A JP2002029359A JP2002029359A JP2002329713A JP 2002329713 A JP2002329713 A JP 2002329713A JP 2002029359 A JP2002029359 A JP 2002029359A JP 2002029359 A JP2002029359 A JP 2002029359A JP 2002329713 A JP2002329713 A JP 2002329713A
- Authority
- JP
- Japan
- Prior art keywords
- plasma
- output
- cluster
- data
- input
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 107
- 239000004065 semiconductor Substances 0.000 title claims abstract description 28
- 238000012512 characterization method Methods 0.000 title claims description 17
- 230000003044 adaptive effect Effects 0.000 title claims description 10
- 238000009832 plasma treatment Methods 0.000 title abstract 5
- 230000006870 function Effects 0.000 claims abstract description 68
- 238000012549 training Methods 0.000 claims abstract description 38
- 238000012423 maintenance Methods 0.000 claims abstract description 7
- 230000008569 process Effects 0.000 claims description 51
- 238000012545 processing Methods 0.000 claims description 31
- 238000013528 artificial neural network Methods 0.000 claims description 16
- 238000001020 plasma etching Methods 0.000 claims description 13
- 238000012986 modification Methods 0.000 claims description 3
- 230000004048 modification Effects 0.000 claims description 3
- 230000004044 response Effects 0.000 claims 2
- 238000005530 etching Methods 0.000 abstract description 9
- 238000001514 detection method Methods 0.000 abstract description 7
- 239000000523 sample Substances 0.000 description 7
- 238000013459 approach Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 2
- 229910021420 polycrystalline silicon Inorganic materials 0.000 description 2
- 229920005591 polysilicon Polymers 0.000 description 2
- 238000013064 process characterization Methods 0.000 description 2
- 239000010453 quartz Substances 0.000 description 2
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 2
- 238000011179 visual inspection Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010304 firing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 150000002500 ions Chemical class 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 244000144985 peep Species 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
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
- 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
- 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
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
- G05B13/0285—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks and fuzzy logic
Landscapes
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Fuzzy Systems (AREA)
- Automation & Control Theory (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Plasma & Fusion (AREA)
- Manufacturing & Machinery (AREA)
- Computer Hardware Design (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Power Engineering (AREA)
- Drying Of Semiconductors (AREA)
- Plasma Technology (AREA)
Abstract
(57)【要約】
【課題】 出力パラメタ値の推定を可能にするメンバシ
ップ関数を与える半導体プラズマ処理を特徴付けるため
の方法を提供する。 【解決手段】 この方法は、入力及び出力訓練データを
収集するステップを含み、そこに入力訓練データは、プ
ラズマ室を制御するために使用される電力に関連しかつ
プラズマ処理の実行の結果として生じる変数に基づいて
いる。この方法は、更にファジイ論理に基づく入力及び
出力メンバシップ関数を訓練データに基づいて発生する
ステップを含む。このメンバシップ関数はプラズマ処理
の出力パラメタ値の推定を可能にし、このためメンバシ
ップ関数は、出力パラメタに関してプラズマ処理を特徴
付ける。従って、エッチング速度、終点検出、及び室保
守の様なエッチング処理パラメタは、全部がシステムの
自律的動作を可能にするやり方で特徴付けられる。
ップ関数を与える半導体プラズマ処理を特徴付けるため
の方法を提供する。 【解決手段】 この方法は、入力及び出力訓練データを
収集するステップを含み、そこに入力訓練データは、プ
ラズマ室を制御するために使用される電力に関連しかつ
プラズマ処理の実行の結果として生じる変数に基づいて
いる。この方法は、更にファジイ論理に基づく入力及び
出力メンバシップ関数を訓練データに基づいて発生する
ステップを含む。このメンバシップ関数はプラズマ処理
の出力パラメタ値の推定を可能にし、このためメンバシ
ップ関数は、出力パラメタに関してプラズマ処理を特徴
付ける。従って、エッチング速度、終点検出、及び室保
守の様なエッチング処理パラメタは、全部がシステムの
自律的動作を可能にするやり方で特徴付けられる。
Description
【０００１】
【発明の属する技術分野】本発明は、半導体プラズマエ
ッチングに関する。より詳しくは、この発明は、ファジ
イ論理及びニューラルネットワークを使用する半導体プ
ラズマ処理を特徴付ける方法及びシステムに関する。
ッチングに関する。より詳しくは、この発明は、ファジ
イ論理及びニューラルネットワークを使用する半導体プ
ラズマ処理を特徴付ける方法及びシステムに関する。
【０００２】
【従来の技術】半導体産業において、プラズマエッチン
グは半導体回路の製造の不可欠の部分になった。例え
ば、プラズマエッチャ（etcher）は、半導体処理におい
て比較的直線の垂直縁が必要とされる時に頻繁に使用さ
れる。例えば、MOSトランジスタのポリシリコンゲート
をエッチングする時、ポリシリコンの下を切り落とす
（undercutting）とトランジスタの動作に悪い影響を与
える。下の切り落としはエッチングが液体エッチング方
法を使用して遂行される時しばしば発生する。プラズマ
エッチングは、電界により加速されたイオンを使用する
が、水平に露出した表面のみをエッチングする傾向にあ
り、従って下の切り落としを回避する。
グは半導体回路の製造の不可欠の部分になった。例え
ば、プラズマエッチャ（etcher）は、半導体処理におい
て比較的直線の垂直縁が必要とされる時に頻繁に使用さ
れる。例えば、MOSトランジスタのポリシリコンゲート
をエッチングする時、ポリシリコンの下を切り落とす
（undercutting）とトランジスタの動作に悪い影響を与
える。下の切り落としはエッチングが液体エッチング方
法を使用して遂行される時しばしば発生する。プラズマ
エッチングは、電界により加速されたイオンを使用する
が、水平に露出した表面のみをエッチングする傾向にあ
り、従って下の切り落としを回避する。
【０００３】全てのプラズマ処理の１つの重要な局面
は、エッチングされている層が除去された後で、しかも
下方にある次の層が破壊される前にプラズマ処理を停止
することである。これは、しばしば「終点（end poin
t）」検出と呼ばれ、１つの特定の層のエッチングの完
了を検出するためである。エッチング速度の決定は、終
点検出においてしばしば重大である。プラズマ処理の別
の重要な局面はエッチング室の保守である。エッチング
室の保守は、いつ清掃し、修理し、又は行なう必要のあ
る他の変更をするかを決定するために、プラズマ処理に
おいて使用される種々の機器の状態を追跡することを含
む。
は、エッチングされている層が除去された後で、しかも
下方にある次の層が破壊される前にプラズマ処理を停止
することである。これは、しばしば「終点（end poin
t）」検出と呼ばれ、１つの特定の層のエッチングの完
了を検出するためである。エッチング速度の決定は、終
点検出においてしばしば重大である。プラズマ処理の別
の重要な局面はエッチング室の保守である。エッチング
室の保守は、いつ清掃し、修理し、又は行なう必要のあ
る他の変更をするかを決定するために、プラズマ処理に
おいて使用される種々の機器の状態を追跡することを含
む。
【０００４】終点検出及びエッチング速度決定に対する
従来の方策は、残留ガス分析器、水晶覗きスコープ（可
視検査）、及び走査分光光度計の様な装置の使用を含
む。走査分光光度計の場合、処理技術者はエッチング速
度の指示を提供する色の変化に対して可視的にプラズマ
を検査できる。エッチング速度の微分が零になると、終
点が推論できる。残留ガス分析器はプラズマ処理の排ガ
ス含有量を監視することにより同様に動作する。上述の
方策の全部は、処理技術者が処理を制御するためにプラ
ズマ処理の「出力」の監視を可能にする。
従来の方策は、残留ガス分析器、水晶覗きスコープ（可
視検査）、及び走査分光光度計の様な装置の使用を含
む。走査分光光度計の場合、処理技術者はエッチング速
度の指示を提供する色の変化に対して可視的にプラズマ
を検査できる。エッチング速度の微分が零になると、終
点が推論できる。残留ガス分析器はプラズマ処理の排ガ
ス含有量を監視することにより同様に動作する。上述の
方策の全部は、処理技術者が処理を制御するためにプラ
ズマ処理の「出力」の監視を可能にする。
【０００５】近年において、プラズマ室に伝達される無
線周波数（RF）電力（即ち、入力）の監視が、終点検出
及びエッチング速度決定における貴重な技術となった。
例えば、プラズマ室の制御のために使用された電力に関
連する変数を監視することにより、幾つかの処理に関す
る決定を行なうことが出来る。
線周波数（RF）電力（即ち、入力）の監視が、終点検出
及びエッチング速度決定における貴重な技術となった。
例えば、プラズマ室の制御のために使用された電力に関
連する変数を監視することにより、幾つかの処理に関す
る決定を行なうことが出来る。
【０００６】インピーダンス分析器の様なプローブを使
用するデータ収集技術の幾つかが開発されたが、特徴付
けにおける改善に対する余地は依然残っている。例え
ば、処理技術者は、典型的にプラズマ処理を上述の変数
に基づいて特徴付けるが、この結果は労力が増大すると
共に不正確である。終点決定に関して技術者達は典型的
に、光透過のある周波数はエッチング終点が到達したか
どうかの決定に使用できるという事実を用いている。こ
れら周波数の選択は、しかし、試行錯誤で行なわれる。
この結果は、比較的費用の掛かる処理特徴付け方策であ
り、これには不正確さが潜在している。一旦、処理が特
徴付けされると、出力パラメタ値は、その後の入力値に
基づいて推定される。従って、もしRF入力が、収集され
た訓練データに基づいて、ある出力値を示唆するなら
ば、その出力パラメタ値は従来の方策の下である程度推
定可能である。
用するデータ収集技術の幾つかが開発されたが、特徴付
けにおける改善に対する余地は依然残っている。例え
ば、処理技術者は、典型的にプラズマ処理を上述の変数
に基づいて特徴付けるが、この結果は労力が増大すると
共に不正確である。終点決定に関して技術者達は典型的
に、光透過のある周波数はエッチング終点が到達したか
どうかの決定に使用できるという事実を用いている。こ
れら周波数の選択は、しかし、試行錯誤で行なわれる。
この結果は、比較的費用の掛かる処理特徴付け方策であ
り、これには不正確さが潜在している。一旦、処理が特
徴付けされると、出力パラメタ値は、その後の入力値に
基づいて推定される。従って、もしRF入力が、収集され
た訓練データに基づいて、ある出力値を示唆するなら
ば、その出力パラメタ値は従来の方策の下である程度推
定可能である。
【０００７】
【発明が解決しようとする課題】上述の従来の処理特徴
付け技術は、ある場合（それらが労力を大いに必要とす
る局面にも拘らず）にはある程度有益であるが、他の困
難性が依然として残ることに注目することが重要であ
る。1つの特定の困難性は、プラズマ処理への入力パラ
メタは、プラズマ処理の出力に関して「決まり切ったも
の（cut and dry）」でないという事実に関する。従っ
て、処理技術者は、プラズマ処理から、その処理を真に
制御するのに必要な詳細事項の少数を収集できるかも知
れないが、その従来の方策はその処理の微細な差異（ニ
ュアンス）を扱っていない。従って、出力パラメタ値の
推定を可能にし、かつ上述の欠点を被らない「メンバシ
ップ関数」を与える半導体プラズマ処理を特徴付けるた
めの方法を提供することが望ましい。
付け技術は、ある場合（それらが労力を大いに必要とす
る局面にも拘らず）にはある程度有益であるが、他の困
難性が依然として残ることに注目することが重要であ
る。1つの特定の困難性は、プラズマ処理への入力パラ
メタは、プラズマ処理の出力に関して「決まり切ったも
の（cut and dry）」でないという事実に関する。従っ
て、処理技術者は、プラズマ処理から、その処理を真に
制御するのに必要な詳細事項の少数を収集できるかも知
れないが、その従来の方策はその処理の微細な差異（ニ
ュアンス）を扱っていない。従って、出力パラメタ値の
推定を可能にし、かつ上述の欠点を被らない「メンバシ
ップ関数」を与える半導体プラズマ処理を特徴付けるた
めの方法を提供することが望ましい。
【０００８】
【課題を解決するための手段】上述及び他の目的は、本
発明による半導体プラズマ処理を特徴付ける方法により
提供される。この方法は、訓練データ（training dat
a）を収集するステップを含み、そこに訓練データは、
プラズマエッチング室を制御するため使用される電力に
関連しかつプラズマ処理の実行の結果として生じる変数
に基づいている。この方法は、更に、訓練データに基づ
いて、ファジイ論理に基づく入力及び出力メンバシップ
関数を発生するステップを含む。このメンバシップ関数
は、プラズマ処理の出力パラメタ値の推定を可能にし、
このためメンバシップ関数は出力パラメタに関してプラ
ズマ処理を特徴付ける。ファジイ論理を使用することは
訓練データにおける固有の不正確さを償う。この結果
は、従来の方策よりも信頼性のあるプラズマ処理の特徴
付けである。
発明による半導体プラズマ処理を特徴付ける方法により
提供される。この方法は、訓練データ（training dat
a）を収集するステップを含み、そこに訓練データは、
プラズマエッチング室を制御するため使用される電力に
関連しかつプラズマ処理の実行の結果として生じる変数
に基づいている。この方法は、更に、訓練データに基づ
いて、ファジイ論理に基づく入力及び出力メンバシップ
関数を発生するステップを含む。このメンバシップ関数
は、プラズマ処理の出力パラメタ値の推定を可能にし、
このためメンバシップ関数は出力パラメタに関してプラ
ズマ処理を特徴付ける。ファジイ論理を使用することは
訓練データにおける固有の不正確さを償う。この結果
は、従来の方策よりも信頼性のあるプラズマ処理の特徴
付けである。
【０００９】更に、本実施例により、半導体プラズマ処
理の出力パラメタ値を推定する方法が提供される。この
方法は、入力データを収集するステップを含み、そこに
この入力データはプラズマエッチング室を制御するため
使用される電力に関連しかつプラズマ処理の実行に対応
する変数に基づいている。この方法は、更に、ファジイ
論理に基づく入力及び出力メンバシップ関数に基づいて
出力パラメタ値を推定することを用意している。この方
法はまた、ニューラルネットワークに基づいてメンバシ
ップ関数を修正することを用意している。その出力デー
タはプラズマ処理の実行の結果として生じる実際のパラ
メタ値を定義する。
理の出力パラメタ値を推定する方法が提供される。この
方法は、入力データを収集するステップを含み、そこに
この入力データはプラズマエッチング室を制御するため
使用される電力に関連しかつプラズマ処理の実行に対応
する変数に基づいている。この方法は、更に、ファジイ
論理に基づく入力及び出力メンバシップ関数に基づいて
出力パラメタ値を推定することを用意している。この方
法はまた、ニューラルネットワークに基づいてメンバシ
ップ関数を修正することを用意している。その出力デー
タはプラズマ処理の実行の結果として生じる実際のパラ
メタ値を定義する。
【００１０】この発明の別の態様において、適応性ある
プラズマ特徴付けシステムは、インピーダンス分析器、
ファジイ推論システム、及びニューラルネットワークを
持つ。インピーダンス分析器は、プラズマ処理室に接続
され、そこにこの分析器はプラズマ処理の結果として生
じるデータを収集する。このデータは、プラズマエッチ
ング室を制御するため使用される電力に関連する変数に
基づいている。そのアルゴリズムは、そのデータに基づ
いて、ファジイ論理に基づく入力及び出力メンバシップ
関数及び関連するファジイ推論システムのファジイルー
ルセットを発生し、そこにファジイ推論システムはプラ
ズマ処理の出力パラメタの自律的推定を可能にする。ニ
ューラルネットワークは、ニューラルネットワーク学習
アルゴリズム及び出力データに基づいてメンバシップ関
数を修正する。この出力データは、プラズマ処理の実行
の結果として生じる実際のパラメタ値を定義する。
プラズマ特徴付けシステムは、インピーダンス分析器、
ファジイ推論システム、及びニューラルネットワークを
持つ。インピーダンス分析器は、プラズマ処理室に接続
され、そこにこの分析器はプラズマ処理の結果として生
じるデータを収集する。このデータは、プラズマエッチ
ング室を制御するため使用される電力に関連する変数に
基づいている。そのアルゴリズムは、そのデータに基づ
いて、ファジイ論理に基づく入力及び出力メンバシップ
関数及び関連するファジイ推論システムのファジイルー
ルセットを発生し、そこにファジイ推論システムはプラ
ズマ処理の出力パラメタの自律的推定を可能にする。ニ
ューラルネットワークは、ニューラルネットワーク学習
アルゴリズム及び出力データに基づいてメンバシップ関
数を修正する。この出力データは、プラズマ処理の実行
の結果として生じる実際のパラメタ値を定義する。
【００１１】理解すべきことは、前述の一般的説明及び
以下の詳細な説明の両方は、発明の単なる例示であり、
請求の範囲に記載した様な本発明の性質及び特徴の理解
のための概観又は枠組みを提供することを意図してい
る。付随する図面は、本発明のさらなる理解を提供する
ことを意図しており、これらは明細書に組み入れられ、
その一部を構成する。これら図面は、発明の種々の特徴
及び実施例を示し、明細書の説明と共に発明の原理及び
動作の説明に役立つ。
以下の詳細な説明の両方は、発明の単なる例示であり、
請求の範囲に記載した様な本発明の性質及び特徴の理解
のための概観又は枠組みを提供することを意図してい
る。付随する図面は、本発明のさらなる理解を提供する
ことを意図しており、これらは明細書に組み入れられ、
その一部を構成する。これら図面は、発明の種々の特徴
及び実施例を示し、明細書の説明と共に発明の原理及び
動作の説明に役立つ。
【００１２】本発明の適用性のさらなる領域は、以下に
提供される詳細な説明により明白であろう。詳細な説明
及び特定の例は、本発明の好ましい実施例を示している
が、例示の目的を意図しており、本発明の範囲が制限さ
れることを意図していない。
提供される詳細な説明により明白であろう。詳細な説明
及び特定の例は、本発明の好ましい実施例を示している
が、例示の目的を意図しており、本発明の範囲が制限さ
れることを意図していない。
【００１３】
【発明の実施の形態】好ましい実施例の以下の記載は、
単に例示の性質であり、決して本発明、その応用、又は
用途を制限することを意図していない。
単に例示の性質であり、決して本発明、その応用、又は
用途を制限することを意図していない。
【００１４】さて図１に移ると、半導体プラズマ処理及
び室を特徴付けるための方法２０が示される。本発明は
主としてプラズマエッチング処理に関して説明される
が、本発明はそのように制限されないことに注目するこ
とが重要である。更に、ここに記載される例はしばしば
終点検出に関するが、エッチング速度、室の保守、及び
室機器の診断の様な他の処理パラメタは本発明から容易
に利益を得ることが出来る。特定の例は従って論議の目
的のみに使用される。
び室を特徴付けるための方法２０が示される。本発明は
主としてプラズマエッチング処理に関して説明される
が、本発明はそのように制限されないことに注目するこ
とが重要である。更に、ここに記載される例はしばしば
終点検出に関するが、エッチング速度、室の保守、及び
室機器の診断の様な他の処理パラメタは本発明から容易
に利益を得ることが出来る。特定の例は従って論議の目
的のみに使用される。
【００１５】一般に、方法２０は、ステップ２２におい
て入力及び出力訓練データ２４を収集することを含み、
そこに入力訓練データはプラズマ室７０を制御するため
使用される電力に関連する変数に基づいている。プラズ
マ室７０は、関連する電力配給システム３０を持つこと
が分かる。インピーダンス分析器１００で電力配給シス
テム３０を監視することにより、電圧実効値（RMS）、
電流RMS、電圧と電流の間の位相角、及び多重RMS基本波
の調波の基本波の様な幾つかの変数が監視できる。他の
変数には、複素及び極インピーダンス、及びプラズマ室
７０に配給される電力が含まれる。この様なRFインピー
ダンス分析器の1つは、ENIテクノロジー、インコーポレ
ーテッドから製品名Ｖ/Iプローブのもとに入手できる。
て入力及び出力訓練データ２４を収集することを含み、
そこに入力訓練データはプラズマ室７０を制御するため
使用される電力に関連する変数に基づいている。プラズ
マ室７０は、関連する電力配給システム３０を持つこと
が分かる。インピーダンス分析器１００で電力配給シス
テム３０を監視することにより、電圧実効値（RMS）、
電流RMS、電圧と電流の間の位相角、及び多重RMS基本波
の調波の基本波の様な幾つかの変数が監視できる。他の
変数には、複素及び極インピーダンス、及びプラズマ室
７０に配給される電力が含まれる。この様なRFインピー
ダンス分析器の1つは、ENIテクノロジー、インコーポレ
ーテッドから製品名Ｖ/Iプローブのもとに入手できる。
【００１６】訓練データ２４は、エッチング処理に関す
る入力訓練データ（例えば、X値）及び出力訓練データ
（例えば、Y値）を含むことに注目すべきである。既に
述べたように、入力訓練データは室７０に分配される電
力に関係し、インピーダンス分析器１００により収集で
きる。従ってインピーダンス分析器１００により監視さ
れる如何なるパラメタも、入力訓練データのための源と
して役立つことが出来る。応用に依存して多重入力が可
能であることに注目することも重要である。出力訓練デ
ータは、特徴付け中である特定の出力パラメタに関係
し、走査分光光度計又は残留ガス分析器の様な多数のデ
ータ収集装置によって収集できる。ともかく、訓練デー
タ２４は、以下に記載されるべきプラズマ処理の実行の
結果として生じる。
る入力訓練データ（例えば、X値）及び出力訓練データ
（例えば、Y値）を含むことに注目すべきである。既に
述べたように、入力訓練データは室７０に分配される電
力に関係し、インピーダンス分析器１００により収集で
きる。従ってインピーダンス分析器１００により監視さ
れる如何なるパラメタも、入力訓練データのための源と
して役立つことが出来る。応用に依存して多重入力が可
能であることに注目することも重要である。出力訓練デ
ータは、特徴付け中である特定の出力パラメタに関係
し、走査分光光度計又は残留ガス分析器の様な多数のデ
ータ収集装置によって収集できる。ともかく、訓練デー
タ２４は、以下に記載されるべきプラズマ処理の実行の
結果として生じる。
【００１７】ステップ２６において、ファジイ推論シス
テムが発生され、これは訓練データ２４に基づく入力及
び出力メンバシップ関数及びファジイルール２８を含
む。このメンバシップ関数及びファジイルール２８は、
プラズマ処理の種々の出力パラメタ値のその後の推定を
可能にし、このためメンバシップ関数２８は、出力パラ
メタに関してプラズマ処理を特徴付ける。従って、もし
出力パラメタが終点推定であれば、このメンバシップ関
数２８は、電力配給システム３０及びインピーダンス分
析器１００から得られるその後の入力データを問題のエ
ッチングの予測される終点へ写像するであろう。図１に
示す方法２０は、適応性あるプラズマ特徴付けシステム
（APCS）を最初に確立するため取られるステップを表す
ことに注目することが重要である。以下に述べるよう
に、このプラズマ特徴付けシステムは、現場において実
施された後に学習することも出来る。一旦APCSが確立さ
れると、それが訓練された機器以外の機器と共に使用で
きることに注目することも重要である。従って、結果と
して得られるAPCSは、他の室、電力配給システム、及び
インピーダンス分析器にも適応可能であり、よってその
名称は「適応性」あるプラズマ特徴付けシステムであ
る。
テムが発生され、これは訓練データ２４に基づく入力及
び出力メンバシップ関数及びファジイルール２８を含
む。このメンバシップ関数及びファジイルール２８は、
プラズマ処理の種々の出力パラメタ値のその後の推定を
可能にし、このためメンバシップ関数２８は、出力パラ
メタに関してプラズマ処理を特徴付ける。従って、もし
出力パラメタが終点推定であれば、このメンバシップ関
数２８は、電力配給システム３０及びインピーダンス分
析器１００から得られるその後の入力データを問題のエ
ッチングの予測される終点へ写像するであろう。図１に
示す方法２０は、適応性あるプラズマ特徴付けシステム
（APCS）を最初に確立するため取られるステップを表す
ことに注目することが重要である。以下に述べるよう
に、このプラズマ特徴付けシステムは、現場において実
施された後に学習することも出来る。一旦APCSが確立さ
れると、それが訓練された機器以外の機器と共に使用で
きることに注目することも重要である。従って、結果と
して得られるAPCSは、他の室、電力配給システム、及び
インピーダンス分析器にも適応可能であり、よってその
名称は「適応性」あるプラズマ特徴付けシステムであ
る。
【００１８】さて図２に移ると、ステップ２６において
メンバシップ関数２８を発生するための１つの方策が詳
細に示されている。具体的には、ステップ３２において
クラスタ位置３４が訓練データ２４に基づいて発生され
ることが分かる。ファジイ推論ルール３６が、ステップ
３８においてクラスタ位置３４に基づいて発生される。
以下により詳細に述べるようにファジイ推論ルール３６
は、本質的に入力及び出力メンバシップ関数２８を定義
する。
メンバシップ関数２８を発生するための１つの方策が詳
細に示されている。具体的には、ステップ３２において
クラスタ位置３４が訓練データ２４に基づいて発生され
ることが分かる。ファジイ推論ルール３６が、ステップ
３８においてクラスタ位置３４に基づいて発生される。
以下により詳細に述べるようにファジイ推論ルール３６
は、本質的に入力及び出力メンバシップ関数２８を定義
する。
【００１９】図３は、ステップ３２においてクラスタ位
置を発生するための好ましい方策を示す。ファジイ推論
システムは、直観的論理（intuitive logic）か又はア
ルゴリズムに基づくモデルの何れかを用いて作り出すこ
とが出来ることは理解されるであろう。この好ましい実
施例はマウンテンクラスタ化（mountain clustering）
アルゴリズムに関して説明されるであろう。他の同様な
方策にはK手段（K-means）アルゴリズム及びC手段（C-m
eans）アルゴリズムが含まれる。これらの方策は事実上
統計的である。本発明は、しかし、これらの方策のどれ
にも限定されない。それにも拘わらず、ステップ４０に
おいて、訓練データ２４の対象空間（object space）４
８は離散化（discretized）されることが分かる。図５
は、各唯一の入力Xを１つの出力Yへ写像しているプロッ
ト４２を示す。この変数Xは関心あるパラメタに対する
入力値を表し、また変数Yは対応する出力値を表す。例
えば、もし関心あるパラメタがエッチング速度であれ
ば、Xは、ある与えられた時間の瞬間に室に印加される
電圧と電流の間の瞬時位相角を表すかも知れない。周知
のエッチング速度測定技術を使用して、その対応するY
値は決定でき、そしてX、Y座標対は対象空間４８内に表
すことが出来る。
置を発生するための好ましい方策を示す。ファジイ推論
システムは、直観的論理（intuitive logic）か又はア
ルゴリズムに基づくモデルの何れかを用いて作り出すこ
とが出来ることは理解されるであろう。この好ましい実
施例はマウンテンクラスタ化（mountain clustering）
アルゴリズムに関して説明されるであろう。他の同様な
方策にはK手段（K-means）アルゴリズム及びC手段（C-m
eans）アルゴリズムが含まれる。これらの方策は事実上
統計的である。本発明は、しかし、これらの方策のどれ
にも限定されない。それにも拘わらず、ステップ４０に
おいて、訓練データ２４の対象空間（object space）４
８は離散化（discretized）されることが分かる。図５
は、各唯一の入力Xを１つの出力Yへ写像しているプロッ
ト４２を示す。この変数Xは関心あるパラメタに対する
入力値を表し、また変数Yは対応する出力値を表す。例
えば、もし関心あるパラメタがエッチング速度であれ
ば、Xは、ある与えられた時間の瞬間に室に印加される
電圧と電流の間の瞬時位相角を表すかも知れない。周知
のエッチング速度測定技術を使用して、その対応するY
値は決定でき、そしてX、Y座標対は対象空間４８内に表
すことが出来る。
【００２０】X及びYサンプルは、零から１の範囲に含ま
れていることが分かる。この例において、対象空間は１
０個の等しい間隔の中に離散化されている。対象空間内
の比較的高い濃度のデータをもつ複数領域の間隔は、そ
のデータに対するクラスタ化を最も良く実現出来るよう
に調節できることが理解されるであろう。従って、これ
ら間隔は、均等に間を空ける必要はなく、また各入力又
は出力に対して一致する必要もない。それにも拘らず、
プロット４２に対する距離間隔は、入力及び出力データ
空間の両方に対して０．１の様に選択された。各入力及
び出力間隔の交点はノードと呼ばれる。従って、プロッ
ト４２の対象空間は１００個のノードを含む。
れていることが分かる。この例において、対象空間は１
０個の等しい間隔の中に離散化されている。対象空間内
の比較的高い濃度のデータをもつ複数領域の間隔は、そ
のデータに対するクラスタ化を最も良く実現出来るよう
に調節できることが理解されるであろう。従って、これ
ら間隔は、均等に間を空ける必要はなく、また各入力又
は出力に対して一致する必要もない。それにも拘らず、
プロット４２に対する距離間隔は、入力及び出力データ
空間の両方に対して０．１の様に選択された。各入力及
び出力間隔の交点はノードと呼ばれる。従って、プロッ
ト４２の対象空間は１００個のノードを含む。
【００２１】さて図３に戻ると、ステップ４４におい
て、クラスタ位置３４が訓練データ２４及び所定のマウ
ンテン関数４６に基づいて発生されることが分かる。こ
のクラスタ位置３４は、対象空間４８内に位置する。そ
の所定のマウンテン関数４６は、全対象空間４８内の各
データサンプルに適用されかつ次により定義されること
が好ましい、
て、クラスタ位置３４が訓練データ２４及び所定のマウ
ンテン関数４６に基づいて発生されることが分かる。こ
のクラスタ位置３４は、対象空間４８内に位置する。そ
の所定のマウンテン関数４６は、全対象空間４８内の各
データサンプルに適用されかつ次により定義されること
が好ましい、
【００２２】 ここで、Nijは、位置i及びjにおけるノードを表し、Ｓ
はデータサンプル（X（ｋ）、Y（k））であり、αは学
習速度であり、またｄ（Nij,S）はNijとSとの間のユー
クリッド距離関数である。
はデータサンプル（X（ｋ）、Y（k））であり、αは学
習速度であり、またｄ（Nij,S）はNijとSとの間のユー
クリッド距離関数である。
【００２３】図６における３次元プロット５０は、マウ
ンテン関数を図５に含まれるデータに適用した結果を表
す。結果として得られるマウンテンクラスタに対するピ
ーク位置は、X座標０．８とY座標０．４に位置している
ことに注目すべきである。この座標位置は、図５におけ
る対象空間の右下部に位置する複数データ点に整合す
る。図３に戻ると、ステップ５２においてクラスタ位置
３４は所定の閾値基準が満足されるまで修正され、この
ため修正されたクラスタ位置は、対象空間４８内の他の
データクラスタと整合するクラスタ中心を持つ。具体的
には、これはクラスタ位置により定義される最初のマウ
ンテンクラスタ５４を破壊し、改訂されたマウンテン関
数５６を破壊されたマウンテンクラスタに適用すること
により達成される。好ましい改訂されたマウンテン関数
５６は、次により定義され、
ンテン関数を図５に含まれるデータに適用した結果を表
す。結果として得られるマウンテンクラスタに対するピ
ーク位置は、X座標０．８とY座標０．４に位置している
ことに注目すべきである。この座標位置は、図５におけ
る対象空間の右下部に位置する複数データ点に整合す
る。図３に戻ると、ステップ５２においてクラスタ位置
３４は所定の閾値基準が満足されるまで修正され、この
ため修正されたクラスタ位置は、対象空間４８内の他の
データクラスタと整合するクラスタ中心を持つ。具体的
には、これはクラスタ位置により定義される最初のマウ
ンテンクラスタ５４を破壊し、改訂されたマウンテン関
数５６を破壊されたマウンテンクラスタに適用すること
により達成される。好ましい改訂されたマウンテン関数
５６は、次により定義され、
【００２４】 ここで、Nijは、位置i及びjにおけるノードを表し、M* k
はクラスタ反復kの最大値であり、M’kはクラスタ反復k
からノードNijにおけるマウンテンクラスタ値であり、
M’k+1はノードNijにおける更新されたマウンテンクラ
スタ値であり、N*はクラスタ反復kの最大値を持つノー
ド位置を表し、βは学習速度であり、またd（N*、Nij）
はN*とNijとの間のユークリッド距離関数である。
はクラスタ反復kの最大値であり、M’kはクラスタ反復k
からノードNijにおけるマウンテンクラスタ値であり、
M’k+1はノードNijにおける更新されたマウンテンクラ
スタ値であり、N*はクラスタ反復kの最大値を持つノー
ド位置を表し、βは学習速度であり、またd（N*、Nij）
はN*とNijとの間のユークリッド距離関数である。
【００２５】図７は、改定されたマウンテン関数をプロ
ット58における図６に含まれるデータに適用した結果を
示す。図６からのピーク位置は破壊されて、新しいマウ
ンテンクラスタピークがX座標０．４及びY座標０．８に
存在することに注目すべきである。この座標位置は、図
５における対象空間の左上方部における複数データ点に
整合する。上のクラスタ化ステップは、全部のデータサ
ンプルクラスタが形成されてしまうまで反復的に繰り返
されることが理解されるであろう。これらの反復は、従
ってM*上の最小閾値基準が満足されるまで継続する。
ット58における図６に含まれるデータに適用した結果を
示す。図６からのピーク位置は破壊されて、新しいマウ
ンテンクラスタピークがX座標０．４及びY座標０．８に
存在することに注目すべきである。この座標位置は、図
５における対象空間の左上方部における複数データ点に
整合する。上のクラスタ化ステップは、全部のデータサ
ンプルクラスタが形成されてしまうまで反復的に繰り返
されることが理解されるであろう。これらの反復は、従
ってM*上の最小閾値基準が満足されるまで継続する。
【００２６】上の例は、好ましいマウンテンクラスタ化
方策を示した。図５のデータサンプルから、２つのクラ
スタが（X、Y）座標０．８、０．４及び０．４、０．８
において識別された。図８は、識別されたクラスタ位置
をもつデータポイントのプロット６０を示す。
方策を示した。図５のデータサンプルから、２つのクラ
スタが（X、Y）座標０．８、０．４及び０．４、０．８
において識別された。図８は、識別されたクラスタ位置
をもつデータポイントのプロット６０を示す。
【００２７】図２に戻ると、一旦閾値基準が満足される
と、クラスタ位置３４はファジイ推論システムに渡され
ることが分かる。これらのクラスタ位置３４は、ファジ
イ推論システムの入力及び出力メンバシップ関数２８を
作り出すのに使用される。
と、クラスタ位置３４はファジイ推論システムに渡され
ることが分かる。これらのクラスタ位置３４は、ファジ
イ推論システムの入力及び出力メンバシップ関数２８を
作り出すのに使用される。
【００２８】さて図４に移ると、クラスタノードで確立
された最初の状態は、実際の出力データ６２と推定され
た値６４（即ちファジイ推論出力）との間に、ある量の
誤差を結果として生じる事が理解されるであろう。この
誤差は、与えられた応用に対して、満足又は満足でない
かも知れない。この誤差を最小にするため、ニューラル
ネットワーク訓練過程がクラスタノード位置を修正する
ため適用される。クラスタ位置の修正は、出力データ６
２とファジイ推論システムの出力との間の誤差を減少さ
せるために、ファジイ推論システムの入力及び出力メン
バシップ関数２８を効果的に「調整」する。
された最初の状態は、実際の出力データ６２と推定され
た値６４（即ちファジイ推論出力）との間に、ある量の
誤差を結果として生じる事が理解されるであろう。この
誤差は、与えられた応用に対して、満足又は満足でない
かも知れない。この誤差を最小にするため、ニューラル
ネットワーク訓練過程がクラスタノード位置を修正する
ため適用される。クラスタ位置の修正は、出力データ６
２とファジイ推論システムの出力との間の誤差を減少さ
せるために、ファジイ推論システムの入力及び出力メン
バシップ関数２８を効果的に「調整」する。
【００２９】従って、本発明は、半導体プラズマ処理の
出力パラメタ値の推定のための方法６６を提供する。一
般に、この方法は入力データ７２を収集するステップ６
８を含み、そこに入力データ７２は、プラズマ室７０’
を制御するため使用される電力に関連する変数に基づい
ている。この入力データ７２は従ってプラズマ処理の実
行に対応する。ステップ７４において、出力パラメタ値
はファジイ論理に基づく入力及び出力メンバシップ関数
２８に基づいて推定される。ステップ７６において、メ
ンバシップ関数２８はニューラルネットワーク学習アル
ゴリズム７８及び出力データ６２に基づいて修正され
る。既に述べたように出力データ６２は、プラズマ処理
の実行からの結果としての実際のパラメタ値を定義す
る。
出力パラメタ値の推定のための方法６６を提供する。一
般に、この方法は入力データ７２を収集するステップ６
８を含み、そこに入力データ７２は、プラズマ室７０’
を制御するため使用される電力に関連する変数に基づい
ている。この入力データ７２は従ってプラズマ処理の実
行に対応する。ステップ７４において、出力パラメタ値
はファジイ論理に基づく入力及び出力メンバシップ関数
２８に基づいて推定される。ステップ７６において、メ
ンバシップ関数２８はニューラルネットワーク学習アル
ゴリズム７８及び出力データ６２に基づいて修正され
る。既に述べたように出力データ６２は、プラズマ処理
の実行からの結果としての実際のパラメタ値を定義す
る。
【００３０】出力データ６２は、幾つかの周知の技術の
どれを使用しても得ることが出来る。例えば、エッチン
グ速度及び終点検出は、残留ガス分析器、（水晶覗きス
コープ付き）可視検査、又は走査分光光度計を使用して
しばしば測定される。
どれを使用しても得ることが出来る。例えば、エッチン
グ速度及び終点検出は、残留ガス分析器、（水晶覗きス
コープ付き）可視検査、又は走査分光光度計を使用して
しばしば測定される。
【００３１】方法66の動作は、以下の例を通じてより良
く理解されるであろう。我々は、次の記述関数を持つ２
次元非線形システムが与えられたと仮定する、
く理解されるであろう。我々は、次の記述関数を持つ２
次元非線形システムが与えられたと仮定する、
【００３２】 ここで、雑音は、平均零及び分散0.00114を持つ正規分
布である。
布である。
【００３３】図９におけるプロット８０は、この非線形
システムに対する入力及び出力データを識別する。プロ
ット８０において、正方形データ点は、上述のマウンテ
ンクラスタ化アルゴリズムから引き出されたクラスタ位
置を示す。この例において、各クラスタ位置は、７個の
入力及び７個の出力メンバシップ関数へ写像することが
理解されるであろう。これは簡単な２次元マッピングで
あるので、ファジイルールは比較的簡単である。言語の
ファジイモデルにおいては、これらのファジイルールは
次のようになろう、「もしAがAiかつBがBiであれば....
そのときYはYiである。」そこに、iはm個のファジイル
ールの１つを表し、Ai、Bi...は入力Xに関する個々のメ
ンバシップ関数であり、またYiは出力Yに関するi番目の
出力メンバシップ関数である。
システムに対する入力及び出力データを識別する。プロ
ット８０において、正方形データ点は、上述のマウンテ
ンクラスタ化アルゴリズムから引き出されたクラスタ位
置を示す。この例において、各クラスタ位置は、７個の
入力及び７個の出力メンバシップ関数へ写像することが
理解されるであろう。これは簡単な２次元マッピングで
あるので、ファジイルールは比較的簡単である。言語の
ファジイモデルにおいては、これらのファジイルールは
次のようになろう、「もしAがAiかつBがBiであれば....
そのときYはYiである。」そこに、iはm個のファジイル
ールの１つを表し、Ai、Bi...は入力Xに関する個々のメ
ンバシップ関数であり、またYiは出力Yに関するi番目の
出力メンバシップ関数である。
【００３４】これらのファジイルールは、次の様に理解
できる、「もし入力X（A）がクラスタノードAiに近くか
つ...そのとき結果YはYiである。」
できる、「もし入力X（A）がクラスタノードAiに近くか
つ...そのとき結果YはYiである。」
【００３５】我々は、図９におけるノードx = ０．５及
びy = ０．１に位置するクラスタに注目すると仮定す
る。上に述べたファジイルールにおいて、Aiは０．５か
つBiは０．５でありYiは０．５である。
びy = ０．１に位置するクラスタに注目すると仮定す
る。上に述べたファジイルールにおいて、Aiは０．５か
つBiは０．５でありYiは０．５である。
【００３６】注目すべきは、この例においてクラスタノ
ード当たり１つのファジイルールがあるが、本発明はこ
の構成には拘束されない。１対１の関係は、論議を簡単
にする目的で与えられただけである。
ード当たり１つのファジイルールがあるが、本発明はこ
の構成には拘束されない。１対１の関係は、論議を簡単
にする目的で与えられただけである。
【００３７】もし我々が上の最初のクラスタ位置を使用
し、推定出力を引き出すためファジイ推論システムを各
入力データサンプルに適用すると、誤差は略＋/−０．
２の範囲にあるであろう。図１０のプロット８２は、各
入力データ点に対する実際のY出力（丸データ点）及び
ファジイ推論システムからの推定Y出力（４角データ
点）を示す。図１１は、プロット８４において実際のY
出力とファジイ推論システムからの推定Y出力との間の
誤差を示す。
し、推定出力を引き出すためファジイ推論システムを各
入力データサンプルに適用すると、誤差は略＋/−０．
２の範囲にあるであろう。図１０のプロット８２は、各
入力データ点に対する実際のY出力（丸データ点）及び
ファジイ推論システムからの推定Y出力（４角データ
点）を示す。図１１は、プロット８４において実際のY
出力とファジイ推論システムからの推定Y出力との間の
誤差を示す。
【００３８】既に論議したように、Yの推定値は、ファ
ジイ推論システムの適用を通じて引き出される。ファジ
イ推論システムの第１のステップは、各ルールに対する
点火（firing）値を見付けることである。この簡単化さ
れた例においては、７つのファジイルールがあり、図９
に示す各クラスタノード位置に対して１つである。
ジイ推論システムの適用を通じて引き出される。ファジ
イ推論システムの第１のステップは、各ルールに対する
点火（firing）値を見付けることである。この簡単化さ
れた例においては、７つのファジイルールがあり、図９
に示す各クラスタノード位置に対して１つである。
【００３９】i番目のファジイルールに対する点火値、F
Vは、次の方程式により決定され、
Vは、次の方程式により決定され、
【００４０】 ここで、τiはi番目の入力メンバシップ関数、即ち、Ai
x、に対する入力のメンバシップであり、また はi番目の出力メンバシップ関数の重心である。
x、に対する入力のメンバシップであり、また はi番目の出力メンバシップ関数の重心である。
【００４１】ファジイ推論システムの最終値、y’は、F
Vの合計をτの合計で割ったものである。
Vの合計をτの合計で割ったものである。
【００４２】最初の推定のために、マウンテンクラスタ
化関数は、非線形システムの最初の特徴付けを提供する
ことが可能であった。この最初の特徴付けに改善を加え
るため、逆伝播（back propagation）学習アルゴリズム
がメンバシップ関数に適用される。この逆伝播学習アル
ゴリズムは、次の帰納的方程式により定義され、
化関数は、非線形システムの最初の特徴付けを提供する
ことが可能であった。この最初の特徴付けに改善を加え
るため、逆伝播（back propagation）学習アルゴリズム
がメンバシップ関数に適用される。この逆伝播学習アル
ゴリズムは、次の帰納的方程式により定義され、
【００４３】
【００４４】１０００個の出来事（epoch）に対してニ
ューラルネットワークを訓練し、新しいメンバシップ関
数を置換した後、図１２におけるプロット８６及び図１
３におけるプロット８８は訓練されたファジイ推論シス
テムに対する結果を提供する。
ューラルネットワークを訓練し、新しいメンバシップ関
数を置換した後、図１２におけるプロット８６及び図１
３におけるプロット８８は訓練されたファジイ推論シス
テムに対する結果を提供する。
【００４５】さて図１４に移ると、本発明による適応性
プラズマ特徴付けシステム９０（APCS）が示される。一
般に、インピーダンス分析器１００が、プラズマ室７０
の電力配給システム３０に接続されているのが分かる。
この分析器１００は、プラズマ処理の実行の結果生じる
データを収集し、またこのデータは、プラズマ室７０を
制御するため使用される電力に関連する変数に基づいて
いる。ファジイ推論システム９４は、このデータに基づ
いてファジイ論理に基づく入力及び出力メンバシップ関
数９１、９２を発生する。このメンバシップ関数は、プ
ラズマ処理の出力パラメタの自律的推定を可能にする。
ニューラルネットワーク９６は、ニューラルネットワー
ク学習アルゴリズムに基づいてメンバシップ関数を修正
し、プラズマ処理に実行の結果として生じる実際のパラ
メタ値を定義するデータを出力する。ファジイ推論シス
テム９４は、好ましくは、そのデータに基づいてクラス
タ位置を発生するためのクラスタ化モジュール９８を含
むことが分かる。このファジイ推論システムは、クラス
タ位置に基づいてファジイ推論ルールを発生し、そこに
このファジイ推論ルールは入力及び出力メンバシップ関
数９１、９２を定義する。クラスタ化モジュール９８
は、所定の閾値基準が満足されるまでクラスタ位置を修
正することが好ましく、このため修正されたクラスタ位
置は他のデータクラスタと整合するクラスタ中心を持
つ。
プラズマ特徴付けシステム９０（APCS）が示される。一
般に、インピーダンス分析器１００が、プラズマ室７０
の電力配給システム３０に接続されているのが分かる。
この分析器１００は、プラズマ処理の実行の結果生じる
データを収集し、またこのデータは、プラズマ室７０を
制御するため使用される電力に関連する変数に基づいて
いる。ファジイ推論システム９４は、このデータに基づ
いてファジイ論理に基づく入力及び出力メンバシップ関
数９１、９２を発生する。このメンバシップ関数は、プ
ラズマ処理の出力パラメタの自律的推定を可能にする。
ニューラルネットワーク９６は、ニューラルネットワー
ク学習アルゴリズムに基づいてメンバシップ関数を修正
し、プラズマ処理に実行の結果として生じる実際のパラ
メタ値を定義するデータを出力する。ファジイ推論シス
テム９４は、好ましくは、そのデータに基づいてクラス
タ位置を発生するためのクラスタ化モジュール９８を含
むことが分かる。このファジイ推論システムは、クラス
タ位置に基づいてファジイ推論ルールを発生し、そこに
このファジイ推論ルールは入力及び出力メンバシップ関
数９１、９２を定義する。クラスタ化モジュール９８
は、所定の閾値基準が満足されるまでクラスタ位置を修
正することが好ましく、このため修正されたクラスタ位
置は他のデータクラスタと整合するクラスタ中心を持
つ。
【００４６】当業者は、今や前述の記載から本発明の広
い教示は種々の形式において実施出来ることが理解でき
る。従って、この発明は、その特定の例に関して記載で
きるが、熟練した実務者には図面、明細書及び付随する
請求の範囲を検討すれば他の修正が明白となるので、発
明の真の範囲は特定の例のように限定されるべきではな
い。
い教示は種々の形式において実施出来ることが理解でき
る。従って、この発明は、その特定の例に関して記載で
きるが、熟練した実務者には図面、明細書及び付随する
請求の範囲を検討すれば他の修正が明白となるので、発
明の真の範囲は特定の例のように限定されるべきではな
い。
【００４７】この発明の記載は、事実上単に例示であ
り、従って、この発明の要旨から逸脱しない変更はこの
発明の範囲内にあることを意図している。この様な変更
は、発明の精神及び範囲から逸脱とは見なされない。
り、従って、この発明の要旨から逸脱しない変更はこの
発明の範囲内にあることを意図している。この様な変更
は、発明の精神及び範囲から逸脱とは見なされない。
【図１】本発明による半導体プラズマ処理を特徴付ける
ための方法を示す流れ図である。
ための方法を示す流れ図である。
【図２】ファジイ論理に基づく入力及び出力メンバシッ
プ関数を発生する好ましい方策を示す流れ図である。
プ関数を発生する好ましい方策を示す流れ図である。
【図３】クラスタ位置を発生する好ましい方策を示す流
れ図である。
れ図である。
【図４】本発明による半導体プラズマ処理の出力パラメ
タ値を推定する方法を示す流れ図である。
タ値を推定する方法を示す流れ図である。
【図５】本発明の１つの実施例による入力及び出力デー
タ点のプロットである。
タ点のプロットである。
【図６】本発明の１つの実施例による所定のマウンテン
関数の適用の結果から生じるプロットである。
関数の適用の結果から生じるプロットである。
【図７】本発明の１つの実施例による改訂されたマウン
テン関数の適用の結果から生じるプロットである。
テン関数の適用の結果から生じるプロットである。
【図８】本発明の１つの実施例によるクラスタ位置を持
つ入力及び出力データ点のプロットである。
つ入力及び出力データ点のプロットである。
【図９】本発明の１つの実施例による非線形システムの
ためのデータ点およびクラスタ位置のプロットである。
ためのデータ点およびクラスタ位置のプロットである。
【図１０】本発明の１つの実施例による最初に推定され
た出力パラメタ値を示すプロットである。
た出力パラメタ値を示すプロットである。
【図１１】図10に示すプロットに対する推定出力パラメ
タ値と実際の出力パラメタ値との間の誤差を示すプロッ
トである。
タ値と実際の出力パラメタ値との間の誤差を示すプロッ
トである。
【図１２】本発明の１つの実施例による修正されたメン
バシップ関数に対する推定出力パラメタ値を示すプロッ
トである。
バシップ関数に対する推定出力パラメタ値を示すプロッ
トである。
【図１３】図12に示すプロットに対する推定出力パラメ
タ値と実際の出力パラメタ値との間の誤差を示すプロッ
トである。
タ値と実際の出力パラメタ値との間の誤差を示すプロッ
トである。
【図１４】本発明の１つの実施例による適応性プラズマ
特徴付けシステムのブロック図である。
特徴付けシステムのブロック図である。
２０ 半導体プラズマ処理を特徴付ける方法 ２２ 入力及び出力訓練データを収集するステップ ２４ 入力及び出力訓練データ ２６ ファジイ推論システムを発生するステップ ２８ メンバシップ関数及びファジイルール ３０ 電力配給システム ７０ プラズマ室 ９０ 適応性プラズマ特徴付けシステム ９４ ファジイ推論システム ９５ ニューラルネットワーク １００ インピーダンス分析器
Claims (20)
- 【請求項１】 半導体プラズマ処理を特徴付ける方法で
あって、当該方法は、 入力及び出力訓練データを収集し、当該入力訓練データ
は、プラズマエッチング室の制御に使用される電力に関
連しかつプラズマ処理の実行の結果として生じる変数に
基づいているステップと、 当該訓練データに基づいて、ファジイ論理に基づく入力
及び出力メンバシップ関数を発生するステップとを包含
し、 前記メンバシップ関数はプラズマ処理の出力パラメタ値
の推定を可能にし、このため当該メンバシップ関数は当
該出力パラメタに関してプラズマ処理を特徴付ける、半
導体プラズマ処理を特徴付ける方法。 - 【請求項２】 請求項１に記載の方法において、更に、 当該訓練データに基づいてクラスタ位置を発生するステ
ップと、 クラスタ位置に基づいてファジイ推論ルールを発生する
ステップとを含み、 前記ファジイ推論ルールは入力及び出力メンバシップ関
数を定義する、半導体プラズマ処理を特徴付ける方法。 - 【請求項３】 請求項２に記載の方法において、更に、 当該訓練データの対象空間を離散化するステップと、 当該訓練データ及び所定のマウンテン関数に基づいてク
ラスタ位置を発生するステップと、 所定の閾値基準が満足されるまで当該クラスタ位置を修
正し、このため修正されたクラスタ位置は対象空間にお
ける他のデータクラスタと整合するクラスタ中心を持つ
ステップとを含む、半導体プラズマ処理を特徴付ける方
法。 - 【請求項４】 請求項３に記載の方法において、更に、
訓練データの比較的高い濃度をもつ対象空間内の領域の
距離間隔を調節するステップを含む、半導体プラズマ処
理を特徴付ける方法。 - 【請求項５】 請求項３に記載の方法において、当該所
定のマウンテン関数は、 により定義され、ここでNijは位置i及びjにおけるノー
ドを表し、Sはデータサンプル（X（ｋ）、Y（ｋ））で
あり、αは学習速度であり、またd（Nij,S）はNijとSと
の間のユークリッド距離関数である、半導体プラズマ処
理を特徴付ける方法。 - 【請求項６】 請求項３に記載の方法において、更に、 当該クラスタ位置により定義されるマウンテンクラスタ
を破壊するステップと、 改訂されたマウンテン関数を当該破壊されたマウンテン
クラスタに適用するステップとを含む、半導体プラズマ
処理を特徴付ける方法。 - 【請求項７】 請求項６に記載の方法において、当該改
訂されたマウンテン関数は、 により定義され、ここでNijは位置i及びjにおけるノー
ドを表し、M* kはクラスタ反復ｋの最大値であり、M’k
はクラスタ反復ｋからノードNijにおけるマウンテンク
ラスタ値であり、M’k+1はノードNijにおける更新され
たマウンテンクラスタ値であり、N*はクラスタ反復ｋの
最大値をもつノード位置を表し、βは学習速度であり、
またd（N*、Nij）はN*とNijとの間のユークリッド距離
関数である、半導体プラズマ処理を特徴付ける方法。 - 【請求項８】 請求項１に記載の方法において、更に、
インピーダンス分析器をプラズマエッチング室に接続す
るステップを含み、当該インピーダンス分析器はプラズ
マ処理の実行に応じて入力訓練データを発生する、半導
体プラズマ処理を特徴付ける方法。 - 【請求項９】 半導体プラズマ処理の出力パラメタ値を
推定する方法あって、当該方法は、 入力データを収集し、当該入力データは、プラズマエッ
チング室を制御するため使用される電力に関連しかつプ
ラズマ処理の実行に対応する変数に基づくステップと、 ファジイ論理に基づく入力及び出力メンバシップに基い
て出力パラメタを推定するステップと、 ニューラルネットワーク学習アルゴリズム及び出力デー
タに基づいてメンバシップ関数を修正し、当該出力デー
タはプラズマ処理の実行から結果として生じる実際のパ
ラメタ値を定義するステップと、を包含する半導体プラ
ズマ処理の出力パラメタ値を推定する方法。 - 【請求項１０】 請求項９に記載の方法において、更
に、逆伝播学習アルゴリズムをメンバシップ関数に適用
するステップを含む、半導体プラズマ処理の出力パラメ
タ値を推定する方法。 - 【請求項１１】 請求項９に記載の方法において、更
に、エッチング速度値を推定するステップを含み、当該
エッチング速度値はプラズマ処理が行なわれる速度を定
義する、半導体プラズマ処理の出力パラメタ値を推定す
る方法。 - 【請求項１２】 請求項９に記載の方法において、更
に、終点値を推定するステップを含み、当該終点値はプ
ラズマ処理の終点を定義する、半導体プラズマ処理の出
力パラメタ値を推定する方法。 - 【請求項１３】 請求項９に記載の方法において、更
に、保守状態値を推定するステップを含み、当該保守状
態値はプラズマエッチング室の保守状態を定義する、半
導体プラズマ処理の出力パラメタ値を推定する方法。 - 【請求項１４】 請求項９に記載の方法において、更
に、機器状態値を推定するステップを含み、当該機器状
態値はプラズマ処理に使用される機器の状態を定義す
る、半導体プラズマ処理の出力パラメタ値を推定する方
法。 - 【請求項１５】 請求項９に記載の方法において、更
に、インピーダンス分析器をプラズマエッチング室に接
続するステップを含み、当該インピーダンス分析器はプ
ラズマ処理の実行に応じて入力データを発生する、半導
体プラズマ処理の出力パラメタ値を推定する方法。 - 【請求項１６】 適応性プラズマ特徴付けシステムであ
って、 プラズマエッチング室に接続され、プラズマ処理の結果
として生じかつプラズマエッチング室の制御に使用され
る電力に関連する変数に基づいているデータを収集する
インピーダンス分析器と、 当該データに基づいて、ファジイ論理に基づく入力及び
出力メンバシップ関数を発生するファジイ推論システム
であって、前記メンバシップ関数はプラズマ処理の出力
パラメタ値の自律的推定を可能にする、ファジイ推論シ
ステムと、 ニューラルネットワーク学習アルゴリズム及び出力デー
タに基づいてメンバシップ関数を修正するニューラルネ
ットワークであって、当該出力データはプラズマ処理の
実行の結果として生じる実際のパラメタ値を定義する、
ニューラルネットワークと、を包含する適応性プラズマ
特徴付けシステム。 - 【請求項１７】 請求項１６に記載の特徴付けシステム
において、当該ファジイ推論システムは、 当該データに基づいてクラスタ位置を発生するクラスタ
化モジュールを含み、前記ファジイ推論システムはクラ
スタ位置に基づいてファジイ推論ルールを発生し、そこ
にファジイ推論ルールは入力及び出力メンバシップ関数
を定義する、適応性プラズマ特徴付けシステム。 - 【請求項１８】 請求項１７に記載の特徴付けシステム
において、当該クラスタ化モジュールは所定の閾値基準
が満足されるまでクラスタ位置を修正し、このため当該
修正されたクラスタ位置は他のデータクラスタと整合す
るクラスタ中心をもつ、適応性プラズマ特徴付けシステ
ム。 - 【請求項１９】 半導体プラズマエッチング処理を特徴
付ける方法であって、当該方法は、 入力及び出力訓練データを収集するステップであって、
当該入力訓練データは、プラズマエッチング室の制御に
使用される電力に関連しかつプラズマエッチング処理の
実行の結果として生じる変数に基づいている当該ステッ
プと、 当該訓練データの対象空間を離散化するステップと、 当該訓練データ及び所定のマウンテン関数に基づいてク
ラスタ位置を発生するステップであって、当該クラスタ
位置は対象空間内に位置決めされている当該ステップ
と、 所定の閾値基準が満足されるまでクラスタ位置を修正す
るステップであって、このため当該修正されたクラスタ
位置は当該対象空間内の他のデータクラスタと整合する
クラスタ中心をもつ当該ステップと、 当該クラスタ位置に基づいてファジイ推論ルールを発生
するステップと、を含み、 前記ファジイ推論ルールは入力及び出力メンバシップ関
数を定義し、 前記メンバシップ関数はプラズマエッチング処理の出力
パラメタの推定を可能にし、このため当該メンバシップ
関数は当該出力パラメタに関してプラズマエッチング処
理を特徴付け、またニューラルネットワーク学習アルゴ
リズム及び出力データに基づいて当該メンバシップ関数
を修正するステップを含み、当該出力データはプラズマ
エッチング処理の実行の結果として生じる実際のパラメ
タ値を定義する、半導体プラズマエッチング処理を特徴
付ける方法。 - 【請求項２０】 請求項１９記載の方法において、更
に、逆伝播学習アルゴリズムを当該メンバシップ関数に
適用するステップを含む半導体プラズマエッチング処理
を特徴付ける方法。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US09/778,453 US6627464B2 (en) | 2001-02-07 | 2001-02-07 | Adaptive plasma characterization system |
| US778453 | 2001-02-07 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2002329713A true JP2002329713A (ja) | 2002-11-15 |
| JP4383713B2 JP4383713B2 (ja) | 2009-12-16 |
Family
ID=25113400
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2002029359A Expired - Lifetime JP4383713B2 (ja) | 2001-02-07 | 2002-02-06 | 半導体プラズマ処理を特徴付ける方法及び適応性プラズマ特徴付けシステム |
Country Status (7)
| Country | Link |
|---|---|
| US (1) | US6627464B2 (ja) |
| EP (1) | EP1231524B1 (ja) |
| JP (1) | JP4383713B2 (ja) |
| KR (1) | KR20020065844A (ja) |
| CN (1) | CN1271687C (ja) |
| DE (1) | DE60219376T2 (ja) |
| TW (1) | TW526526B (ja) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007503097A (ja) * | 2003-08-18 | 2007-02-15 | エム ケー エス インストルメンツ インコーポレーテッド | 多元規格化モードを有する電源制御ループ |
| KR100709360B1 (ko) | 2005-09-07 | 2007-04-20 | 가부시키가이샤 히다치 하이테크놀로지즈 | 플라즈마처리장치 및 처리방법 |
| JP2020525983A (ja) * | 2017-07-06 | 2020-08-27 | トカマク エナジー リミテッド | 核融合炉における機械学習 |
Families Citing this family (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6915177B2 (en) * | 2002-09-30 | 2005-07-05 | Advanced Micro Devices, Inc. | Comprehensive integrated lithographic process control system based on product design and yield feedback system |
| TWI264043B (en) * | 2002-10-01 | 2006-10-11 | Tokyo Electron Ltd | Method and system for analyzing data from a plasma process |
| US7871830B2 (en) * | 2005-01-19 | 2011-01-18 | Pivotal Systems Corporation | End point detection method for plasma etching of semiconductor wafers with low exposed area |
| US20060175014A1 (en) * | 2005-02-10 | 2006-08-10 | Michael Cox | Specimen surface treatment system |
| US20060175291A1 (en) * | 2005-02-10 | 2006-08-10 | Hunt John A | Control of process gases in specimen surface treatment system |
| US20060175013A1 (en) * | 2005-02-10 | 2006-08-10 | Michael Cox | Specimen surface treatment system |
| US7625824B2 (en) * | 2005-06-16 | 2009-12-01 | Oerlikon Usa, Inc. | Process change detection through the use of evolutionary algorithms |
| TWI380144B (en) * | 2008-04-09 | 2012-12-21 | Inotera Memories Inc | Method of fuzzy control for semiconductor machine |
| US8650002B2 (en) * | 2009-06-30 | 2014-02-11 | Lam Research Corporation | Determining plasma processing system readiness without generating plasma |
| US9037279B2 (en) * | 2009-09-09 | 2015-05-19 | Taiwan Semiconductor Manufacturing Company, Ltd. | Clustering for prediction models in process control and for optimal dispatching |
| JP5632626B2 (ja) * | 2010-03-04 | 2014-11-26 | 東京エレクトロン株式会社 | 自動整合装置及びプラズマ処理装置 |
| US9336302B1 (en) | 2012-07-20 | 2016-05-10 | Zuci Realty Llc | Insight and algorithmic clustering for automated synthesis |
| US10395895B2 (en) | 2015-08-27 | 2019-08-27 | Mks Instruments, Inc. | Feedback control by RF waveform tailoring for ion energy distribution |
| US11205103B2 (en) | 2016-12-09 | 2021-12-21 | The Research Foundation for the State University | Semisupervised autoencoder for sentiment analysis |
| CN114046456B (zh) * | 2021-11-23 | 2024-02-02 | 重庆大学 | 融合模糊推理和神经网络的腐蚀评估方法及系统 |
| US20240012370A1 (en) * | 2022-06-30 | 2024-01-11 | Advanced Energy Industries, Inc. | Adaptive fuzzy controller |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH06110555A (ja) * | 1992-09-29 | 1994-04-22 | Toshiba Corp | 流入水量予測装置 |
| JPH06214788A (ja) * | 1993-01-18 | 1994-08-05 | Fujitsu Ltd | ファジィメンバーシップ関数のチューニング方法 |
| JPH1049508A (ja) * | 1995-12-27 | 1998-02-20 | Toshiba Corp | データ処理システム、システム構築装置、システム構築方法、及びシステム構築プログラムを記録した媒体 |
| WO1999000525A1 (fr) * | 1997-06-26 | 1999-01-07 | Kawasaki Steel Corporation | Tuyau en acier a grains ultrafins et procede de fabrication dudit tuyau |
| JP2000339166A (ja) * | 1999-05-31 | 2000-12-08 | Toshiba Mach Co Ltd | ファジィ制御の推論規則作成方法 |
| JP2000339168A (ja) * | 1999-05-31 | 2000-12-08 | Toshiba Mach Co Ltd | ファジィ推論規則のチューニング方法 |
| JP2000339165A (ja) * | 1999-05-31 | 2000-12-08 | Toshiba Mach Co Ltd | ファジィ制御の推論規則作成用データ生成方法 |
| JP2000339167A (ja) * | 1999-05-31 | 2000-12-08 | Toshiba Mach Co Ltd | ファジィ推論におけるメンバーシップ関数のチューニング方法 |
| JP2001516963A (ja) * | 1997-09-17 | 2001-10-02 | 東京エレクトロン株式会社 | ガスプラズマ処理を監視しかつ管理するためのシステムおよび方法 |
Family Cites Families (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4846920A (en) | 1987-12-09 | 1989-07-11 | International Business Machine Corporation | Plasma amplified photoelectron process endpoint detection apparatus |
| US4954212A (en) | 1989-09-26 | 1990-09-04 | Vlsi Technology, Inc. | Endpoint detection system and method for plasma etching |
| US5135604A (en) | 1990-12-04 | 1992-08-04 | Board Of Supervisors Of Louisiana State University And Agricultural And Mechanical College | Analysis of radiofrequency discharges in plasma |
| US5175472A (en) | 1991-12-30 | 1992-12-29 | Comdel, Inc. | Power monitor of RF plasma |
| US5841651A (en) * | 1992-11-09 | 1998-11-24 | The United States Of America As Represented By The United States Department Of Energy | Closed loop adaptive control of spectrum-producing step using neural networks |
| US5664066A (en) * | 1992-11-09 | 1997-09-02 | The United States Of America As Represented By The United States Department Of Energy | Intelligent system for automatic feature detection and selection or identification |
| US5410495A (en) * | 1993-07-20 | 1995-04-25 | Texas Instruments Incorporated | Apparatus, systems, and methods for diagnosing anomalous mass flow controller operation |
| US5576629A (en) | 1994-10-24 | 1996-11-19 | Fourth State Technology, Inc. | Plasma monitoring and control method and system |
| US5711843A (en) * | 1995-02-21 | 1998-01-27 | Orincon Technologies, Inc. | System for indirectly monitoring and controlling a process with particular application to plasma processes |
| US6110214A (en) * | 1996-05-03 | 2000-08-29 | Aspen Technology, Inc. | Analyzer for modeling and optimizing maintenance operations |
| US6246972B1 (en) * | 1996-08-23 | 2001-06-12 | Aspen Technology, Inc. | Analyzer for modeling and optimizing maintenance operations |
| US5842651A (en) * | 1997-09-04 | 1998-12-01 | Smothers; Ed | Vegetation shredder and method of using same |
| US6313584B1 (en) * | 1998-09-17 | 2001-11-06 | Tokyo Electron Limited | Electrical impedance matching system and method |
-
2001
- 2001-02-07 US US09/778,453 patent/US6627464B2/en not_active Expired - Lifetime
- 2001-12-31 TW TW090133108A patent/TW526526B/zh not_active IP Right Cessation
-
2002
- 2002-01-11 EP EP02000646A patent/EP1231524B1/en not_active Expired - Lifetime
- 2002-01-11 DE DE60219376T patent/DE60219376T2/de not_active Expired - Lifetime
- 2002-02-01 KR KR1020020005894A patent/KR20020065844A/ko not_active Application Discontinuation
- 2002-02-06 JP JP2002029359A patent/JP4383713B2/ja not_active Expired - Lifetime
- 2002-02-07 CN CNB02103558XA patent/CN1271687C/zh not_active Expired - Fee Related
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH06110555A (ja) * | 1992-09-29 | 1994-04-22 | Toshiba Corp | 流入水量予測装置 |
| JPH06214788A (ja) * | 1993-01-18 | 1994-08-05 | Fujitsu Ltd | ファジィメンバーシップ関数のチューニング方法 |
| JPH1049508A (ja) * | 1995-12-27 | 1998-02-20 | Toshiba Corp | データ処理システム、システム構築装置、システム構築方法、及びシステム構築プログラムを記録した媒体 |
| WO1999000525A1 (fr) * | 1997-06-26 | 1999-01-07 | Kawasaki Steel Corporation | Tuyau en acier a grains ultrafins et procede de fabrication dudit tuyau |
| JP2001516963A (ja) * | 1997-09-17 | 2001-10-02 | 東京エレクトロン株式会社 | ガスプラズマ処理を監視しかつ管理するためのシステムおよび方法 |
| JP2000339166A (ja) * | 1999-05-31 | 2000-12-08 | Toshiba Mach Co Ltd | ファジィ制御の推論規則作成方法 |
| JP2000339168A (ja) * | 1999-05-31 | 2000-12-08 | Toshiba Mach Co Ltd | ファジィ推論規則のチューニング方法 |
| JP2000339165A (ja) * | 1999-05-31 | 2000-12-08 | Toshiba Mach Co Ltd | ファジィ制御の推論規則作成用データ生成方法 |
| JP2000339167A (ja) * | 1999-05-31 | 2000-12-08 | Toshiba Mach Co Ltd | ファジィ推論におけるメンバーシップ関数のチューニング方法 |
Non-Patent Citations (4)
| Title |
|---|
| JOSEPH P.GEISLER,C.S GEORGE LEE: "Neurofuzzy Modeling of Chemical Vapor Deposition Process", IEEE TRANSACTION ON SEMICONDUCTOR MANUFACTURING, vol. 13, no. 1, JPN4007008806, February 2000 (2000-02-01), US, pages 46 - 59, XP011055795, ISSN: 0000849277 * |
| JOSEPH P.GEISLER,C.S GEORGE LEE: "Neurofuzzy Modeling of Chemical Vapor Deposition Process", IEEE TRANSACTION ON SEMICONDUCTOR MANUFACTURING, vol. 13, no. 1, JPN7008004374, February 2000 (2000-02-01), US, pages 46 - 59, XP011055795, ISSN: 0001050136 * |
| P.K.DASH ET AL.: "Genetic optimization of a self organizing fuzzy-neural network for load forecasting", POWER ENGINEERING SOCIETY WINTER MEETING, 2000. IEEE, vol. 2, JPN7008004373, 23 January 2000 (2000-01-23), US, pages 1011 - 1016, ISSN: 0001050135 * |
| RONALD R. YAGER AND DIMITAR P FILEV: "Approximate Clustering Via the Mountain Method", IEEE TRANSACTIONS ON SYSTEMS,MAN,AND CYBERNETICS, vol. Volume: 24 , Issue: 8, JPN7008004372, August 1994 (1994-08-01), US, pages 1279 - 1284, ISSN: 0001050134 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007503097A (ja) * | 2003-08-18 | 2007-02-15 | エム ケー エス インストルメンツ インコーポレーテッド | 多元規格化モードを有する電源制御ループ |
| KR101240064B1 (ko) | 2003-08-18 | 2013-03-06 | 엠케이에스 인스트루먼츠, 인코포레이티드 | 전원의 동작을 제어하기 위한 방법 및 시스템 |
| KR100709360B1 (ko) | 2005-09-07 | 2007-04-20 | 가부시키가이샤 히다치 하이테크놀로지즈 | 플라즈마처리장치 및 처리방법 |
| JP2020525983A (ja) * | 2017-07-06 | 2020-08-27 | トカマク エナジー リミテッド | 核融合炉における機械学習 |
| JP7178374B2 (ja) | 2017-07-06 | 2022-11-25 | トカマク エナジー リミテッド | プラズマを制御する方法、同方法を行わせるコンピュータプログラム、及び核融合炉を設計する方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| EP1231524A2 (en) | 2002-08-14 |
| JP4383713B2 (ja) | 2009-12-16 |
| DE60219376D1 (de) | 2007-05-24 |
| KR20020065844A (ko) | 2002-08-14 |
| CN1369902A (zh) | 2002-09-18 |
| TW526526B (en) | 2003-04-01 |
| DE60219376T2 (de) | 2007-12-20 |
| CN1271687C (zh) | 2006-08-23 |
| EP1231524A3 (en) | 2003-05-28 |
| US6627464B2 (en) | 2003-09-30 |
| EP1231524B1 (en) | 2007-04-11 |
| US20020132479A1 (en) | 2002-09-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP4383713B2 (ja) | 半導体プラズマ処理を特徴付ける方法及び適応性プラズマ特徴付けシステム | |
| US20190064751A1 (en) | Retrieval apparatus and retrieval method | |
| US10408762B2 (en) | Plasma processing apparatus, plasma processing method and plasma processing analysis method | |
| US11056405B2 (en) | Methods and systems for controlling wafer fabrication process | |
| CN111638707A (zh) | 基于som聚类和mpca的间歇过程故障监测方法 | |
| CN112115419A (zh) | 系统状态估计方法、系统状态估计装置 | |
| Lynn et al. | Virtual metrology for plasma etch using tool variables | |
| KR20210148092A (ko) | 반도체 장치 제조 시스템 및 반도체 장치 제조 방법 | |
| JP2005108246A (ja) | センサフュージングを利用した無人移動体の位置推定方法、その装置および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。 | |
| Colbert et al. | Using trajectory measurements to estimate the region of attraction of nonlinear systems | |
| JP2004355330A (ja) | 診断装置及び診断方法 | |
| KR100628392B1 (ko) | 처리 장치의 다변량 해석 모델식 작성 방법, 처리장치용의 다변량 해석 방법, 처리 장치의 제어 장치, 처리장치의 제어 시스템 | |
| US11404253B2 (en) | Plasma processing apparatus and analysis method for analyzing plasma processing data | |
| Khosravi et al. | Robust dynamic state estimation of power system using imperialist competitive algorithm | |
| JP2006518925A (ja) | 半導体エッチング処理の力学的モデル化及び手法最適化のための方法およびシステム | |
| Rietman et al. | Active neutral network control of wafer attributes in a plasma etch process | |
| KR20200033726A (ko) | 데이터 처리 방법, 데이터 처리 장치, 및 데이터 처리 프로그램을 저장한 컴퓨터 판독 가능한 기록 매체 | |
| Spanos et al. | Using qualitative observations for process tuning and control [IC manufacture] | |
| CN109474892B (zh) | 基于信息形式的强鲁棒传感器网络目标跟踪方法 | |
| Jebri et al. | Virtual metrology on chemical mechanical planarization process based on Just-in-time learning | |
| JP2020025116A (ja) | 探索装置および探索方法 | |
| JP5096919B2 (ja) | プラズマ加工システムのコンピュータ用データ表示技術 | |
| TW531823B (en) | Multi-variable monitoring method for semiconductor processing | |
| CN116595883B (zh) | 数值反应堆实时在线系统状态修正方法 | |
| WO2021108960A1 (en) | Method and apparatus for sensor measurements processing |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20040916 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20070501 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20070511 |
|
| A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20070803 |
|
| A602 | Written permission of extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A602 Effective date: 20070808 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20071112 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20080527 |
|
| A711 | Notification of change in applicant |
Free format text: JAPANESE INTERMEDIATE CODE: A712 Effective date: 20080813 |
|
| A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20080827 |
|
| A602 | Written permission of extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A602 Effective date: 20080912 |
|
| A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20080929 |
|
| A602 | Written permission of extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A602 Effective date: 20081002 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20081007 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20090904 |
|
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20090924 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20121002 Year of fee payment: 3 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 4383713 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20131002 Year of fee payment: 4 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| EXPY | Cancellation because of completion of term |