JP2004186445A

JP2004186445A - モデル化装置及びモデル解析方法並びにプロセス異常検出・分類システム及びプロセス異常検出・分類方法並びにモデル化システム及びモデル化方法並びに故障予知システム及びモデル化装置の更新方法

Info

Publication number: JP2004186445A
Application number: JP2002351850A
Authority: JP
Inventors: Minoru Ogawa; 実小川; Juichi Nakamura; 寿一中村; Teiichi Aikawa; 禎一合川
Original assignee: Omron Corp; Omron Tateisi Electronics Co
Current assignee: Omron Corp
Priority date: 2002-12-03
Filing date: 2002-12-03
Publication date: 2004-07-02

Abstract

【課題】半導体製造プロセスにおけるプロセスデータと結果データの相関関係のモデルを容易にモデル化することができるモデル化装置を提供すること
【解決手段】プロセス実行時に得られたプロセス条件データを一定周期で収集することにより得られた時系列のプロセスデータを取得し、プロセスデータ編集部１０ａにてプロセスデータからプロセス特徴量を抽出し、プロセス特徴量データ記憶部１０ｉに格納する。製品のＩＤをキーに、プロセス特徴量データと検査データ並びに故障データを結合し、データフィルター部１０ｃにて不正データを削除して生成した解析用データを、解析部１０ｄにてデータマイニングにより解析しモデルを作成する。
【選択図】図５

Description

【０００１】
【発明の属する技術分野】
この発明は、モデル化装置及びモデル解析方法並びにプロセス異常検出・分類システム及びプロセス異常検出・分類方法並びにモデル化システム及びモデル化方法並びに故障予知システム及びモデル化装置の更新方法に関するものである。
【０００２】
【従来の技術】
よく知られているように、半導体デバイスは、１００工程以上も有する半導体プロセスを経て製造され、また、複数の複雑な半導体製造装置を用いて製造される。そのため、各製造装置の状態を示すパラメータと各製造装置を用いて製造されたデバイスの特性との関係は明確には求められていないものが多数ある。一方、半導体プロセスは、製造されたデバイスの歩留まりが良くなるように、常に各工程を厳密に管理しなければならないという要求もある。
【０００３】
係る問題を解決するため、たとえば特許文献１に記載の「半導体プロセスの管理方法及びその装置」という発明がある。この発明は、半導体製造装置の装置状態を示す各パラメータの管理基準を最適な値に設定できるようにするとともに、デバイス特性に不良箇所が発生した場合に、不良要因となった製造装置を複数の製造装置の中から容易に抽出でき、かつ、容易に解析できるようにすることを目的とするものである。そして、具体的には、半導体プロセスの管理装置は、半導体製造装置の状態を示す装置状態データと、半導体製造装置により処理された半導体デバイスの歩留まりや電気特性等の検査結果を示す製品データをそれぞれタイムスタンプとともに記憶装置に記憶させる。そして、半導体デバイスが処理された時刻を基準にし、上記タイムスタンプをキーにして装置状態データと製品データとの相関関係を求めるようにしている。
【０００４】
【特許文献１】
特開平９−２１９３４７
【０００５】
【発明が解決しようとする課題】
しかしながら、上記した特許文献１に開示された発明のように、タイムスタンプを利用すると装置状態データ（プロセスデータ）と製品データ（検査データ）との関連づけが比較的行ないやすいものの、半導体プロセスの場合には、複数のチャンバーを備えているものも多く、係る場合には、同時に並行してプロセスが実行されるので、タイムスタンプのみでは正しく結合することができない。
【０００６】
さらに、近年の半導体製造装置のようなプロセス装置は微細加工するためにプロセスが複雑になったり、外乱に対して敏感になったりしているため、プロセス条件（プロセスデータ）と、製品の出来映え（製品データ）との相関が単純ではなく、相関関係を定めたモデルを用いたプロセス異常検出システムや自動制御システムをもってしても、製品の歩留まりや装置の有効稼働率はユーザの満足できる水準に至っていない。
【０００７】
それはモデルの完成度がまだ不十分であるということになるが、特に製品の出来映えに影響する詳細な情報が収集されていないことや、影響する因子が解らず、モデル化の条件が網羅できていないことが一因となっている。
【０００８】
さらに、半導体プロセス技術者は「こんなことも製品の出来映えに影響しそうだ。」という考えがあっても、従来のシステムでは、これを解析条件に任意に加えることが困難であった。そして突発的に新たな故障が発生した際、直ぐに記録することが困難なために記録が漏れたり、不正確になってしまった情報をあとで入力されたりするようなこともあった。
【０００９】
さらにまた、半導体製造プロセスにおける品質の管理対象はロット単位であったりウエハ単位であったり、ウエハ内のチップ単位であったりするが、年々小さな単位での管理が必要になってきており、その意味でもより網羅的にプロセス条件データを収集することが必要になっている。
【００１０】
この発明は、半導体製造プロセスにおけるプロセスデータと結果データの相関関係のモデルを容易かつ高精度にモデル化することができ、ＦＤＣ（ＦａｕｌｔＤｅｔｅｃｔｉｏｎａｎｄＣｌａｓｓｉｆｉｃａｔｉｏｎ）や故障診断トレンド予測などに適用することのできるモデル化装置及びモデル解析方法並びにプロセス異常検出・分類システム及びプロセス異常検出・分類方法並びにモデル化システム及びモデル化方法並びに故障予知システム及びモデル化装置の更新方法を提供することを目的とする。
【００１１】
【課題を解決するための手段】
この発明によるモデル化装置は、半導体製造プロセスにおけるプロセス条件と、その結果生産された製品の検査結果を収集・蓄積し、前記プロセス条件と製品の状態との相関関係を解析しモデル化するモデル化装置であって、プロセス実行時に得られたプロセス条件データを一定周期で収集することにより得られた時系列のプロセスデータを取得し、そのプロセスデータからプロセス特徴量を抽出するとともに、プロセス特徴量データ記憶手段に格納するプロセスデータ編集手段と、前記プロセス実行により生成された製品についての検査データとを結合し、解析用のデータを生成する解析用データ作成手段と、前記解析用データに対しデータマイニングによる解析を実行して前記プロセス条件と前記製品の状態の相関関係のモデルを作成する解析手段とを備えた。
【００１２】
そして、前記プロセスデータ編集手段が抽出するプロセス特徴量として、設定値と実測値のレベル差異を含むようにしたり、設定値と実測値のタイミング差異を含むようにしたり、設定値と実測値の時間差異を含むようにしたり、プロセスデータ相互間の関係を含むようにしたりすることができる。上記３つの差異は、少なくとも１種類を含むだけでもよく、任意の２つ或いは３つの組み合わせ、さらには４つすべてを含むようにすることもできる。例えば、レベル差異のみでプロセス解析をすることもできる（もちろん、他の差異でもよい。）。また、任意の組み合わせも、いずれも取り得るが、「レベル差異」と「タイミング差異」との両方を抽出して解析するモデル化装置が少ない特徴量で効率よく高精度にモデル化するという点で好ましい。
【００１３】
ここで、製品とは、完成品に限るものではなく、中間製品も含む。要は、ある半導体製造プロセスを構成するプロセス装置にてプロセス加工されたものを言う。そして、製品の状態とは、実施の形態で言うと膜厚や膜質，良品／不良品の区別やランクなどである。また、相関関係は、プロセス条件とプロセス装置の故障との相関関係などを含ませてもよい。プロセス条件データは、例えばプロセスデータや制御データ，レシピ設定値，温度や湿度等の環境条件などの各種のものがある。入力する条件は多種多様にわたり、できるだけ多くのデータを入力するようにすると好ましい。さらに、解析用データ作成手段は、実施の形態では、データ結合部とデータフィルター部により実現される。さらに、データマイニングは、例えば解析用データを回帰や決定木手法を用いて解析することにより実現できる。
【００１４】
まず、本発明では、解析ツールとして近年マーケティングや金融の与信管理でよく使われるようになってきた比較的安価で使い易いデータマイニングツールを半導体製造のようなプロセスに応用できることを発見した。このマイニングツールは多変量解析するが、マーケティングや与信管理のように人には訳が解りにくい多種多様な要因と結果との関係が解析できることに着目した。この分析手法を用いて得られたルールは、内容が明示できるため、プロセス条件とプロセス結果の関係が見えるようになる。またルール内の数値を変更することにより人為的な微調も可能である。しかし、このような異業種で用いられているツールを単純には本発明が目的とする半導体製造プロセスに適用することはできない。
【００１５】
そこで、本発明では、半導体製造のようなプロセスに応用するために、プロセス条件データを一定周期で高速に収集・蓄積した膨大なデータを編集して、解析用データを解析用のテーブルに載せるために、膨大なデータを各種の特徴量抽出アルゴリズムを用いて特徴量化して編集するようにした。このとき、特に、設定値と実測値のレベル差異やタイミング差異，時間差異，プロセスデータ相互間の関係を特徴量として編集し解析テーブルに載せるようにすることにより、より正確なモデル化を図ることができる。
【００１６】
すなわち、よく知られているように、半導体製造装置は複数の制御系を備えており、各制御系がそれぞれ自動制御されている。このように自動制御されているため、半導体製造プロセス技術者も「所定の設定値に保たれているのが当然」という認識をもっており、今までのこの種の管理システムも上記した認識を前提として発明されていた。
【００１７】
しかし、実際には設定値どおり動作していないことがある。この要因の１つとして、複数の制御系はそれぞれ独立して動作しており、他の制御系による影響が外乱として入り、かつそれが複雑であるので、設定した通り動作しないことが多々ある。従って、半導体製造装置においては設定値と実測値の両方のデータを収集し、その差異を特徴量化することが有益となる。また、タイミングの差異は機器の故障を予知する上でも有効となる。
【００１８】
また、上記したように半導体製造装置は複数の制御系がそれぞれ独立して動作しているが、各制御系が他の制御系に大きく影響を与えることがある。そこで特徴量としてプロセスデータ相互間の差異を扱うことが重要になる。
【００１９】
さらにまた、半導体製造プロセス実行中の装置から得られる機器の動作に関連したタイミング信号をもとにプロセス加工中の特定期間のデータに基づいて特徴量を抽出して解析条件とするとよい。タイミング信号は、例えば実施の形態では、「シャッター開」を知らせる信号である。このように、適宜なタイミング信号を取得することにより、モデル化に特に有効なプロセス条件データを識別することにより、不要な情報をカットし、高性能なモデル化ができる。
【００２０】
さらに、プロセス条件データの中に、前段の装置からの製品の滞留時間も含むようにするとよい。すなわち、半導体製造プロセスでは、１つのプロセス装置により完成品が形成されるのではなく、複数のプロセス装置を経て製造される。従って、あるプロセス装置（前段の装置）でのプロセス加工が完了後、次のプロセス装置にセットされるまでの間に滞留時間が発生する。この滞留時間の期間は、通常大気中に放置されることがあり、酸化等の原因となる。従って、滞留時間も製品の状態を決定するのに重要な要素となる。
【００２１】
さらにまた、モデルの精度を高めるために製品の出来映えに関係しそうな因子を漏れなく入力できるようにするため、以下の各種のデータを入力させ、それに基づいて解析するようにした。
【００２２】
すなわち、まず、気象条件，メンテナンス情報，故障情報，材料の交換時期などのような任意の事象や条件の入力を許容し、解析用データ作成手段は、その入力された任意の事象や条件を前記プロセス特徴量データ，前記検査データと結合するようにするとよい。このように、プロセス技術者や装置のオペレータが考えついた新たな要因や、突発的に発生したりする故障など様々な事象を気がついた時点でデータベースへ入力を可能にし、それらの情報も解析用のテーブルに載せ解析できるようにすることにより、より高精度になる。
【００２３】
なお、この場合に、一度入力された事象は記憶しておき、２度目以降同じ事象の入力は文字などを入力しないで容易に入力できるようにするとよい。つまり、例えば、前記任意の事象や条件の入力を取得した場合に、その内容に関する情報を記憶保持し、それ以降に同じ内容の入力をする場合には、前記記憶保持した情報に基づき簡易入力をさせる機能を備えるとよい。係る簡易入力をさせるとは、例えば、一度入力された内容はコード化し、以後は係るコード情報に基づいて入力したり、係る内容を選択可能なリストの中のひとつとして示すようにすることもできる。もちろん、これ以外の簡易入力の手法も取り得る。
【００２４】
さらには、半導体製造プロセスを実行する装置の待機中も含めて前記プロセス条件データの収集を可能にし、前記待機中に得られたデータも含めて解析するようにするとよい。つまり、プロセス装置は正規のプロセス運転をしていない時にメンテナンスやテスト，デモ等で使われそれらが正規のプロセス運転に微妙に影響を与える場合がある。そこで、係る待機中のデータも取得することにより、モデルの高精度化を図る。実施の形態で言うと、常時収集モードに対応する。
【００２５】
また、前記プロセスデータ編集手段で作成されたプロセス特徴量データに対し、トレンド解析し、プロセスのトレンド予測モデルを作成する機能を備えるとよい。係る機能は、実施の形態では時系列解析部に対応し、トレンド予測モデルは時系列予測モデルともいう。
【００２６】
その場合に、前記トレンド解析は、請求項１から１１のいずれか１項に記載の装置により作成されたモデル内にあるプロセス条件データ項目に関して行なうようにするとよい。すなわち、トレンド予測対象のプロセス条件は多岐にわたるため、すべてを予測するのは効率的でない（もちろん、行なうのは妨げないが）。そこで、数多くの条件からモデル化つまりデータマイニングにより絞られた（ルール式に現れた）データ（項目）を対象にすることにより、検査結果に相関関係の強い条件に対して効率よくトレンド予測することができる。
【００２７】
一方、上記した各発明において、モデル化は、半導体製造プロセスを実行する装置単独或いは工程単位の少なくとも一方に対し行なえる。また、モデル化するための一連の解析手順や条件をモデル化の対象装置や工程単位でテンプレート化されたテンプレートを実装し、その実装されたテンプレートをもとに構築されたものとすることができる。もちろん、テンプレートを用いることなく構築されることもある。
【００２８】
さらにまた、複数のプロセス装置が順次所定のプロセス加工を実行することにより半導体製造プロセスのある工程が実施されるシステムにおけるモデル化を行なうものであり、前記複数のプロセス装置のプロセスデータに基づいて、前記ある工程の全体モデルを生成する機能と、その全体モデルの中から、前記複数のプロセス装置の中の特定のプロセス装置に関係するモデルを抽出し、その特定のプロセス装置が関与する前記ある工程の途中までについてのモデルを作成する機能を備えるとよい。この発明は、第３の実施の形態により実現されている。
【００２９】
係る構成にすると、複数の装置からなる工程の場合、途中の装置におけるモデルに基づき、その途中の装置の製造中或いは製造後に不良品の発生等を予測できる。よって、以後の装置でのプロセス加工を省略でき、無駄に廃棄する材料等を削減できる。
【００３０】
一方、本発明に係るプロセス異常検出・分類システムでは、プロセス実行時に得られたプロセス条件データを一定周期で収集することにより得られた時系列のプロセスデータを取得し、プロセス特徴量を抽出するプロセスデータ編集手段と、上記したモデル化装置により求められたモデルと、前記プロセス特徴量に基づくデータ（判定用データ）と前記モデルを比較し、プロセス実行状態を判定する判定手段とを備えて構成した。
【００３１】
このプロセス異常検出・分類システムは、ＦＤＣシステム（ＦａｕｌｔＤｅｔｅｃｔｉｏｎａｎｄＣｌａｓｓｉｆｉｃａｔｉｏｎＳｙｓｔｅｍ）と称されるものである。モデルが高精度に作成されることから、ＦＤＣによる分析も高精度に行なえる。そして、このＦＤＣシステムは、装置単独，工程のいずれにも着目して実行できる。
【００３２】
上記した発明を前提とし、さらにトレンド予測モデルを用いたプロセス異常予測機能を含むようにすると好ましい。そして、この場合に、前記プロセス異常予測は、前記データマイニングによるモデル内の数値をしきい値として行なうとよい。
【００３３】
本発明に係るモデル化システムは、半導体製造プロセスを構成するプロセス装置におけるプロセスデータを収集するデータ収集装置と、前記プロセス装置により製造された製品を検査する検査装置で求めた検査データを収集する検査データ収集装置と、上記したモデル化装置とがネットワークを介して接続され、前記モデル化装置は、前記ネットワークを介して前記データ収集装置並びに前記検査データ収集装置から取得した前記プロセスデータ並びに前記検査データに基づいて前記半導体製造プロセスのモデル化を行なうようにした。
【００３４】
本発明に係る故障予知システムは、プロセス実行時に得られたプロセス条件データを一定周期で収集することにより得られた時系列のプロセスデータを取得し、プロセス特徴量を抽出するプロセスデータ編集手段と、請求項１から１６のいずれか１項に記載のモデル化装置により求められたモデルと、前記プロセス特徴量に基づくデータと前記モデルを比較し、半導体製造プロセスを実行するプロセス装置の故障予測を行なう手段を備えて構成することができる。
【００３５】
さらに、本発明に係るモデル化解析方法では、半導体製造プロセスのプロセス実行時に得られたプロセス条件データを一定周期で収集することにより得られた時系列のプロセスデータを取得し、その取得したプロセスデータから、少なくとも設定値と実測値のレベル差異を含むプロセス特徴量を抽出するとともに、プロセス特徴量データ記憶手段に格納し、前記プロセス実行により生成された製品についての検査データを取得し、前記検査データと、前記抽出された前記プロセス特徴量を結合して解析用のデータを生成し、前記解析用データに対しデータマイニングによる解析を実行して前記プロセス条件と前記製品の状態の相関関係のモデルを作成することである。
【００３６】
また、抽出するプロセス特徴量としては、上記したレベル差に替えて、或いはさらに追加して、「設定値と実測値のタイミング差異」とすることができる。さらにまた、別のプロセス特徴量としては、「設定値と実測値の時間差異」も選択できる。この場合に、上記した他の２つのものと適宜組み合わせてプロセス特徴量として抽出することができる。さらに別のプロセス特徴量としては、「プロセス相互間の関係」も選択できる。この場合に、上記した他の３つのものと適宜組み合わせてプロセス特徴量として抽出することができる。
【００３７】
さらにまた、本発明に係るプロセス異常検出・分類方法では、半導体製造プロセスのプロセス実行時に得られたプロセス条件データを一定周期で収集することにより得られた時系列のプロセスデータを取得し、プロセスデータ編集手段が、その取得したプロセスデータから所定のプロセス特徴量を抽出し、記憶保持された請求項１から１６のいずれか１項に記載のモデル化装置により求められたモデルと、前記プロセス特徴量に基づくデータとを比較することにより、プロセス実行状態を判定するようにした。
【００３８】
さらにまた、本発明に係るモデル化方法では、半導体製造プロセスを構成するプロセス装置におけるプロセスデータを収集するデータ収集装置と、前記プロセス装置により製造された製品を検査する検査装置で求めた検査データを収集する検査データ収集装置と、請求項１から１５のいずれか１項に記載のモデル化装置とがネットワークを介して接続されたシステムを前提とする。そして、前記データ収集装置並びに前記検査データ収集装置は、収集したデータを前記ネットワークを介して前記モデル化装置に送信し、前記モデル化装置は、前記送信されてきた前記プロセスデータ並びに前記検査データを取得し、その取得した各データに基づいて前記半導体製造プロセスのモデル化を行なうようにした。モデル化の処理は、上記したモデル化装置における各機能を実行することにより行なえる。
【００３９】
さらに、本発明に係るモデル化装置の更新方法では、モデル化するための一連の解析手順や条件をモデル化の対象装置や工程単位でテンプレート化されたテンプレートを用意し、所定のモデル化装置に対し、前記テンプレートを実装することにより、プロセス条件の変更，定期的なモデルのアップデートなどを行なうことである。この更新方法により、既に納品したユーザに対するモデルのアップデータサービスの提供が容易に行なえるようになる。
【００４０】
つまり、例えば半導体プロセスでは生産品目が多く、それらは生産品目ごとにレシピを持ちそれを切り換えて生産される。従ってモデルはレシピ毎に持つ必要があり、レシピが変更されるたびにチューニングする必要がある。またモデルは維持改善するために定期的にチューニングすることも必要である。このため収集・蓄積されたデータを編集し解析用のテーブルにのせ決定木や回帰分析等のデータマイニングによりモデル化する一連の手順や条件を装置単位および工程単位でテンプレート化し、それを利用することによりモデルのアップデートサービスが短時間に行なえるようになる。このようにして作られたモデルは応用性が高く、ＦＤＣシステムや故障予知システムに容易に展開できる。
【００４１】
さらに、半導体は製品の進化が早いため、製造装置（プロセス装置）に対する進化ニーズが高く技術的に未完成な装置が市場に投入されることがある。この面でも製品に影響する因子が分らないことが多々ある。また半導体製造装置は微細加工が増えるに従い品質維持のための日常点検や定期点検、洗浄、部品交換が頻繁に行なわれそれらが製品の出来映えに影響しているようだが明確な関係はわかっていない。そこで、アップデートサービスは有効な一手段である。また、任意の事象等の入力をする機能も現場での迅速な対応ができ好ましい。そして、データマイニングの場合に、入力変数が任意に増えても問題なく対応できる。
【００４２】
そして、係るモデル化装置の更新方法の具体的な構成としては、以下に示す各種の方法がとれる。すなわち、まず、モデル化するための一連の解析手順や条件をモデル化の対象装置や工程単位でテンプレート化されたテンプレートを用意し、半導体製造プロセスのレシピ変更によるプロセス条件の変化に対応するために、前記テンプレートを用いてモデルのアップデートを行なうことである。ここで、「レシピ変更」は、プロセス加工の対象は同じで、人為的なレシピの変更である。
【００４３】
さらにまた、モデル化するための一連の解析手順や条件をモデル化の対象装置や工程単位でテンプレート化されたテンプレートを用意し、半導体製造プロセスのレシピ追加によるプロセス条件の変化に対応するために、前記テンプレートを用いてモデルのアップデートを行なうようにしてもよい。ここで、「レシピ追加」は、新しいモノを作るときに、それにあわせて新たにレシピが作成され、それについての更新処理を行なうことになる。
【００４４】
さらに、モデル化するための一連の解析手順や条件をモデル化の対象装置や工程単位でテンプレート化されたテンプレートを用意し、半導体製造プロセスのプロセス改善によるプロセス条件の変化に対応するために、前記テンプレートを用いて定期的にモデルのアップデートを行なうこともできる。すなわち、顕在化したプロセス異常が減った後、定期的に行うことになる。
【００４５】
また、モデル化するための一連の解析手順や条件をモデル化の対象装置や工程単位でテンプレート化されたテンプレートを用意し、半導体製造プロセスを実行するためのプロセス装置自体の経年変化に対応するために、前記テンプレートを用いて定期的にモデルのアップデートを行なうこともできる。
【００４６】
【発明の実施の形態】
図１は、本発明の第１の実施の形態における全体システムを示している。図１に示すように、半導体製造システムは、処理対象のウエハをウエハカセット１内に所定枚数セットし、ウエハカセット単位で各装置間を移動するとともに、各装置で所定の処理を行なうようにしている。このウエハカセット１に実装された所定枚数のウエハが同一のロットとなる。そして、ウエハカセット１には、ＲＦ−ＩＤ（ｒａｄｉｏｆｒｅｑｕｅｎｃｙｉｄｅｎｔｉｆｉｃａｔｉｏｎ）対応のタグ（データキャリア）１ａが取り付けられており、このタグ１ａにロットＩＤ，前段装置の出庫時刻等の情報が格納される。
【００４７】
実際の半導体製造システムにおける上記装置としては、プロセス装置２並びに検査装置３がある。プロセス装置２は、ウエハに対して実際にプロセス加工を行なう装置である。本実施の形態では、このプロセス装置２内にデータ収集装置４を内蔵し、そのデータ収集装置４にてプロセス加工中に得られる各種のデータ（プロセスデータ，ロットＩＤ等）を収集するとともに、外部に出力する機能を備える。
【００４８】
さらにまた、プロセス装置２には、ＲＦ−ＩＤリードライトヘッド６が連結されており、プロセス装置２内にセットされたウエハが収納されていたウエハカセット１のタグ１ａに対し、データの読み書きを行なうようになっている。読み取るデータとしては、例えば、ロットＩＤと、前段装置での前装置出庫時刻がある。そして、前装置出庫時刻とプロセス装置投入時刻と差をとり、前段からの滞留時間を算出し、関連する１プロセスデータとすることができる。また、必要に応じて出庫の際に出庫時刻等を書き込むこともある。
【００４９】
検査装置３は、プロセス装置２で加工されたウエハの検査を行ない、検査結果のデータ（例えば膜厚，膜質等）を出力する。また、この検査装置３にもＲＦ−ＩＤリードライトヘッド６が連結されており、検査装置３内にセットされたウエハが収納されていたウエハカセット１のタグ１ａに対し、データの読み書きを行なうようになっている。読み取るデータとしては、例えば、ロットＩＤがある。さらに、検査装置３にて検出された検査データやロットＩＤ等は、内蔵する検査データ収集装置５にて収集され、外部に出力される。
【００５０】
図１に示した例では、１つのプロセス装置２に１つの検査装置３を用意し、そのプロセス装置２で製造されたウエハに対する検査を検査装置３で行なうようにしたが、半導体製造プロセスでは、このような形態に限ることはなく、複数のプロセス装置２にて順次所定のプロセス加工が行われ、その後、検査装置にて検査するようなものもある。なお、係る複数のプロセス装置に対し１個の検査装置を設けたシステム構成については、後述する。
【００５１】
そして、本システムでは、上記したプロセス装置２並びに検査装置３に通信機能を設け（実際には、データ収集装置４，検査データ収集装置５に組み込む）、ＥＥＳネットワーク７に接続されている。プロセス装置２（データ収集装置４）が収集したプロセスデータや、検査装置３（検査データ収集装置５）で収集した検査データが、ロットＩＤと対応付けてＥＥＳネットワーク７に出力される。ＥＥＳネットワーク７は、生産管理情報を伝送するためのネットワークであるＭＥＳ系ネットワーク８とは別系統に配線されたもので、より詳細なプロセス関連情報を高速にやりとりするための装置用ネットワークである。本システムでは、前段階までの結果情報とプロセス情報と検査結果情報等を送受するようになっている。
【００５２】
さらに、このＥＥＳネットワーク７には、管理装置としてのツール１０も接続されており、このツール１０にて、上記出力されたプロセスデータ並びに検査データを取得し、ロットＩＤをキーに両データを関連付けてデータベース１１に格納するようになっている。なお、本実施の形態では、各装置においてウエハカセット１に設けたタグ１ａに格納したロットＩＤで管理しているため、各データの関連付けもロットＩＤを用いたが、例えばウエハ毎に製品ＩＤなどを付加することができる場合には、係る製品ＩＤを用いて製品単位でデータを関連付けて格納するようにしても良い。
【００５３】
ツール１０は、キーボード等の入力装置１３とディスプレイ等の出力装置１４を備えており、その入力装置１３を操作することにより、オペレータがマニュアルで、オペレータ名，メンテナンス情報、故障情報などを入力することができるようになっており、係るマニュアルによる入力情報もデータベース１１に登録するようになっている。さらに、ツール１０は、ロットＩＤ等のＩＤに基づいて結合したプロセス情報，検査情報に基づいて特徴量を算出し、モデル化のためのデータを生成する機能と、係るモデル化のためのデータに基づいて実際にモデル化するモデル化ツール機能と、プロセス情報を観るモニタリングツール機能などを備えている。さらに、完成したモデルに基づきＦＤＣ，故障予知，メンテナンス予知などを行なう機能も備えている。なお、各機能の具体的な構成は、後述する。
【００５４】
さらにまた、ＭＥＳ系ネットワーク８には、ＭＥＳ（生産管理システム）９が接続されており、このＭＥＳ９からはレシピＮｏ．が生産指示情報としてプロセス装置２に送られる。これに基づき、プロセス装置２は、そのレシピＮｏ．に対応した所定のプロセス加工を実行する。
【００５５】
なお、本実施の形態では、異なる２つのネットワーク、つまりＭＥＳ系ネットワーク８と、ＥＥＳネットワーク７の間をルーチングするために、両者間にルータ１２を配置している。これにより、ＭＥＳ系ネットワーク８上に存在するＭＥＳ９からも設定によりＥＥＳネットワーク７上の各装置にアクセスできる。
【００５６】
プロセス装置２は、図２に示すようになっている。すなわち、ＭＥＳ系ネットワーク８経由でＭＥＳ９から送られてきたレシピＮｏ．が、装置コントローラ１５に与えられる。この装置コントローラ１５は、レシピＮｏ．に対する実際に行なうプロセス加工の対応テーブルなどを持っており、取得したレシピＮｏ．に応じてプロセス装置２の動作を制御する。
【００５７】
具体的には、このプロセス装置２は、ウエハに対して所定材料を成膜するスパッタリング装置であり、プラズマチャンバー２０を備えている。プラズマチャンバー２０は、図３に拡大して示すように、内部上方位置にウエハ２１を取り付ける円板状の取付板２２が設置され、その取付板２２の下面に所定枚数（本実施の形態では８枚）のウエハ２１をセット可能となっている。この取付板２２には、ヒータ２３が内蔵され、加熱される。さらに、取付板２２には、熱電対２４が取り付けられ、取付板２２の温度が管理される。つまり、熱電対２４で検出したデータは変換器２５を介して装置コントローラ１５に送られ、所望の温度になるように制御される。さらに、取付板２２には直流電源５０の陽極が接続され、ウエハ２１が陽極となるようにする。また、取付板２２にはＲＦ電源５１，ＲＦＭａｃｈ５２の出力が与えられる。
【００５８】
一方、プラズマチャンバー２０の内部下方には、ターゲット２６が設置されている。図示省略するがターゲット側は陰極となる。そして、本実施の形態では、係るターゲット２６が複数（４個）設置可能となり、一連の処理で最大４層まで自動的に成膜できるものである。それに伴い、各ターゲット２６の上方には、シャッター２７が開閉可能に設置される。このシャッター２７は、シャッター開閉機構２８により開閉動作する。つまり、ターゲット２６の上方に位置した閉じた状態では、ターゲット２７はウエハ２１に衝突せず、開いたときのみ実際にウエハ２１に衝突し、ウエハ２１の表面に成膜される。そして、このシャッター開閉機構２８の動作は、装置コントローラ１５からの制御命令に基づいて制御される。もちろん、ターゲット２７の温度も熱電対２９により検出され、その温度データは変換機３０を介して装置コントローラ１５に送られる。
【００５９】
さらに、このプラズマチャンバー２０の内部は、メインバルブ３１を介して真空ポンプ３２に接続され、真空ポンプ３２を作動させた状態でメインバルブ３１の開閉或いは開度を調整することにより、プラズマチャンバー２０内を所望の真空度にする。なお、係る制御も、圧力計３３にて検出したチャンバー圧力に基づいて装置コントローラ１５からの命令により行われる。さらに、スパッタ現象を生じさせるためのガス（アルゴンガス）の導入は、ＭＦＣ（マスフローコントローラ）３５を介して行われる。
【００６０】
さらに、プラズマチャンバー２０の側壁に設けられたビューポート２０ａ（窓孔）には、プラズマモニタ３７が取り付けられ、内部で発生するプラズマの状態を検出可能となっている。
【００６１】
そして、図２から明らかなように、プラズマチャンバー２０に設置された各機器・装置の動作は、装置コントローラ１５からの制御命令に基づいて行われるが、そのときの制御命令の内容（設定値）や、実際の動作状態（温度，圧力値，電圧値，電流値等）は、アナログ入力インタフェース３８，デジタル入力インタフェース３９を介してセンサバス４０経由でデータ収集装置４に送られる。また、プラズマモニタ３７の検出出力は、イーサネット（登録商標）４１経由でデータ収集装置４に送られる。さらにまた、ＲＦ−ＩＤリードライトヘッド６で読み取ったデータは、ＩＤコントローラ４２にてロットＩＤを認識し、それがシリアルインタフェース４３を介してセンサバス４０に送られ、データ収集装置４が取得する。
【００６２】
さらに本実施の形態では、プロセス装置２の周囲温度並びに周囲湿度を測定するための温度センサ４５，湿度センサ４６を備え、各センサ４５，４６で検出した情報も、データ収集装置４にて収集する。
【００６３】
また、プロセス装置２の運転状況（稼動中，停止中，異常の有無等）を周囲の作業者等に知らせるためのシグナルタワー（信号灯）４７を備えている。このシグナルタワー４７の点灯制御も装置コントローラ１５からの制御命令によって行なうが、シグナルタワー４７への制御命令を分岐し、データ収集装置４へ送るようにしている。さらにまた、プロセス完了時にスピーカ４８からチャイムを鳴らすが、係る「プロセス完了」の通知信号もデータ収集装置４に送るようにしている。
【００６４】
このように、データ収集装置４は、プロセス装置２において発生し、得られるあらゆる情報（データ）を収集し、ＥＥＳ系ネットワーク８に出力するようになっている。もちろん、収集するデータの種類は、上記したものに限るものではなく、さらに多くの情報を取得することも妨げない。なお、プラズマチャンバー２０では、複数のターゲットを実装可能としたタイプを示しているが、単一のターゲットのみ設置（一度に形成できる膜は１層）するタイプでももちろん良い。さらには、プロセス装置２としては、上記したスパッタリング装置に限ることは無く、エッチング装置やＣＶＤ装置その他各種のものがある。
【００６５】
図１に示したシステムを構成する各装置間の接続状態を、本発明との関係においてデータの送受に着目して表記すると図４のようになる。つまり、プロセス装置２にて得られたプロセスデータ等は、データ収集装置４を介してツール１０に向けて送信される。同様に、検査装置３で求められた検査データは、検査データ収集装置５を介してツール１０に向けて送信される。さらに、別系統のネットワーク（ＭＥＳ系ネットワーク８）に接続されたＭＥＳ９からの情報（レシピＮｏ．等）もツール１０に与えられる。さらにまた、ヒューマンインタフェース（ｈｕｍａｎｉｎｔｅｒｆａｃｅ：ＨＭＩ）である入力装置１３（ツール１０に接続されたキーボード等）からも各種のデータがツール１０に与えられる。そして、ツール１０では、与えられた多数のデータに基づいて解析処理をし、ある品質を製造するための条件等を定義したモデルを作成するとともに、このままの条件でプロセス加工を継続していった場合の予測を示す時系列予測モデルを生成する。そして、求めたモデル，時系列予測モデルを例えばモニタディスプレイ等の表示装置１４に出力表示したり、データベース１１に格納したりする。もちろん、ツール１０は、上記した２種類のモデルを求める機能のみならず、求めたモデルを利用して各種の判断・診断等を行なう機能を組み込むようにしても良い。そして、それらの機能を実現するためのツール１０の内部構成としては、図５に示すようになっている。
【００６６】
すなわち、ツール１０は、処理機能部としては、プロセスデータ編集部１０ａと、データ結合部１０ｂと、データフィルター部１０ｃと、解析部１０ｄと検査データ編集部１０ｅと、時系列解析部１０ｆと、故障データ編集部１０ｇを備えている。さらに、上記した各処理機能部がアクセスするためのデータを格納する記憶部として、プロセス条件データ記憶部１０ｈと、プロセス特徴量データ記憶部１０ｉと、結合データ記憶部１０ｊと、解析用データ記憶部１０ｋと、検査生データ記憶部１０ｍと、検査データ記憶部１０ｎと、故障生データ記憶部１０ｐと、故障データ記憶部１０ｑを備えている。なお、これらの各記憶部は、ツール１０の内部記憶装置に設けてもよいし、外部の記憶装置（データベース１１）に設定してもよい。
【００６７】
プロセス条件データ記憶部１０ｈには、図６に示すように、データ収集装置４にてプロセス装置２から収集したデータと、オペレータが入力装置（ＨＭＩ）１３を介して入力してきたデータが格納される。
【００６８】
より具体的には、データ収集装置４からは、プロセスデータに加え、制御データ，保守データ並びに環境データが送られてくるので、それをロットＩＤをキーにプロセス条件データ記憶部１０ｈに格納する。ここで、プロセスデータは、ＲＦＰｆ，ＲＦＰｒ，−Ｖｄｃ，チャンバー内圧力，ガス流量，ガス流量設定値，ウエハ温度，プラズマ光量（Ａｒ，Ｏ２），ＤＣ電力，ＤＣ電力設定値，並びに滞留時間などがある。制御データは、メインバルブ３１のＯＮ／ＯＦＦ，プロセス完了チャイム，ロットＩＤ，シャッター開などがある。また、保守データは、シグナル信号などの異常発生の有無などがあり、環境データは、温度センサ４５や湿度センサ４６で検出された周囲温度や周囲湿度などがある。
【００６９】
入力装置１３からは、オペレータデータ，保守データ，環境データ並びに共通データが入力されてくるので、プロセス条件データ記憶部１０ｈに格納する。ここで、オペレータデータは、オペレータＩＤ，装置ＩＤ，開始／終了種別などがあり、作業者は、作業の開始および終了時にこれらのデータを入力装置から入力するようになっている。
【００７０】
保守データは、ポンプ再生情報やターゲット材料交換情報などがある。各作業を行ったときにその作業者が登録する。つまり、装置内のポンプなどを点検，清掃で再生したときは、作業者は、その作業内容を入力装置１３から入力し、ターゲット材料を交換したときは、交換した材料を日時情報などとともに入力装置１３から入力するようになっており、係る入力されたデータをプロセス条件データ記録部１０ｈに登録する。
【００７１】
環境データは、作業時の特殊な気象情報（暴風雨、落雷など）や、地震発生時の震度情報であり、該当する情報が存在した場合に作業者が日時情報などともに登録する。係る環境データは、例えば図７に示すような入力画面を表示装置１４に出力表示し、キーボードやポインティングデバイスなどの入力装置１３を操作して必要な情報を入力するようにしている。
【００７２】
さらに、入力するデータは、上記したものに限ることなく、任意情報として他のデータも入力可能とする。すなわち、上記した各データのように、データ候補が複数あり、その中から特定の値を選択する場合など、入力データが予め決まっている場合は、例えば図７に例示したように表示装置１４の表示画面上に表示されている入力ガイド画面の特定領域を指定するなどの簡便な方法で入力できるが、予め決まっていないデータを入力したい場合には、キーボード等の入力装置１３を用いてテキストデータなどにより任意データを入力することを可能としている。そして、係る任意に入力された情報は、その内容により新規カテゴリとして、または既存カテゴリ内の新しい項目として登録でき、再度同じ事象が発生したとき、選択肢のひとつとして入力することを可能としている。このように、任意情報も入力するようにしたのは、特に半導体製造プロセスの場合、製造される製品の品質に対して与える原因が多岐にわたるとともに、あらかじめ予想できない予期せぬ要因によって不良品が発生したり、装置の故障を検出することができることもある。そこで、係る多岐にわたるデータを登録するために、任意情報の登録を可能としている。
【００７３】
ここで、プロセス条件データ記憶部１０ｈへのデータ収集・登録処理の一連の処理フローを説明すると、図８に示すような処理を実行するようになっている。すなわち、本実施の形態では、一定周期（例えば１００ｍｓｅｃ）でデータのサンプリングを行なうようにしているとともに、係るデータの収集を実際にプロセス加工を行なっている期間のみ実行する都度収集モードと、プロセス加工の有無にかかわらず常時データを収集する常時収集モードを用意しているため、あらかじめどちらのモードで稼動するかを選択する。この選択は、例えば入力装置１３を用いて設定したり、データ収集装置４に設けた選択スイッチなどにより選択することができる。なお、このように常時収集モードを設けたのは、待機中などのプロセス加工をしていないときの状態も、最終的に製造される製品の品質等に影響を与えるおそれがあるためである。
【００７４】
そこで、まず現在の収集モードが常時収集モードか、都度収集モードかを判断する（ＳＴ１）。そして、都度収集モードの場合には、プロセス加工が開始し収集開始すべきか否かを判断する（ＳＴ２）。この判断は、例えばメインバルブに対する制御命令がＯＦＦからＯＮになったことをトリガとして、収集を開始するようにしてもよい。もちろん、他の条件を開始条件とすることを妨げない。
【００７５】
そして、都度収集モードで収集開始となった場合、並びに常時収集モードの場合には、まず、ＭＥＳ９から出力される現在処理中のレシピＮｏを取得する（ＳＴ３）。そして、収集タイミングが来るのを待ち（ＳＴ４）、一定周期がきたならば、データを取得する。すなわち、そのとき入力装置（ＨＭＩ）１３から、上記した各種の情報が入力されている場合には、係る情報を取得する（ＳＴ５）。次いで、プロセスデータ，制御データを取り込む（ＳＴ６）。
【００７６】
次いで、取得した情報・データに対してタイムスタンプを付加し、プロセス条件データ記憶部１０ｈに保存する（ＳＴ７）。なお、データに付加する日時情報（日付時刻情報）は、データを入力（取得）したときに、ツール１０が持つ内部時計に基づいて自動的にタイムスタンプとして付加するようにしているが、例えば、入力装置１３を介して入力するデータの場合には、図７にも例示したように、入力者により指定された任意の日付時刻とすることもできる。
【００７７】
そして、ステップ８並びに９により、常時収集モードの場合には、上記したステップ３から７を繰り返し実行する。また、都度収集モードの場合には、プロセス加工が終了するまで、ステップ４から７を繰り返し実行することになる。これにより、多数の種類のデータに対し、時系列データを収集することが可能となる。
【００７８】
また、上記した処理を実行してプロセス条件データ記憶部１０ｈに実際に格納されたデータのデータ構造の一例を示すと、図９から図１１に示すようになる。なお、図９，図１０は図示の便宜上２枚の図に分割して記載しているが、実際には、ロットＮｏ．（ロットＩＤと等価），収集日付，収集時刻をキーにした一列のデータとなる。
一方、検査生データ記憶部１０ｍには、図１２に示す検査データ収集装置５にて検査装置３から収集した検査データが格納されるように設定されている。
【００７９】
ここで、検査データは、検査日時，装置ＩＤ，ロットＩＤ，ウエハＩＤなどの対象を特定する情報と、膜厚データ，膜質データなどの実際の検査結果の情報を含む。そして、検査結果は、検査装置３で検出した結果を取得するのはすでに述べたが、具体的な検査方法の一例を説明すると、図１２に示すようになっている。図１２は、膜厚データの検査方法を説明している。図１２（ａ）に示すように、本実施の形態では、プロセス装置２が複数種類のターゲットを実装することができるので、ウエハＷに対する一度のプロセス加工により、基板の上に複数層を成膜することができる。もちろん、ターゲット数と成膜された層の数とは必ずしも一致するとは限らないが、いずれにしても本実施の形態の検査装置３では、膜厚測定は各層毎に行なうようにし、最大４層までの成膜について測定可能となっている。さらに、各層における膜厚の計測は、それぞれ複数ポイントの膜厚を計測する。図１２（ｂ）に示す例では、ウエハＷの中心位置及び９０度間隔で周囲の４点の合計５つのポイントＰを計測するようにしている。
【００８０】
そして、検査生データ記憶部１０ｍに格納されるデータのデータ構造の一例を示すと、図１３に示すようになる。なお、図示の例では、基板上に２つ材料を成膜したため、膜厚１及び膜厚２にのみデータが格納され膜厚３，４については空欄となる。
【００８１】
一方、故障生データ記憶部１０ｐは、入力装置１３を操作してオペレータが入力した故障データが格納されるように設定されている。ここで、故障データとしては、故障時刻，装置ＩＤ，故障内容，ロットＩＤ，任意入力情報などがある。係る情報は、例えば図１４に示すような入力画面を表示装置１４に出力表示し、キーボードやポインティングデバイスなどの入力装置１３を操作して必要な情報を入力する。図から明らかなように、日時情報は、装置の内部時計に基づく入力時の日時情報（現在時刻）と、入力者が任意に指定する日時情報（登録時刻）を択一的に選択できるようになっている。そして、故障生データ記憶部１０ｐに格納されるデータのデータ構造の一例を示すと、図１５に示すようになる。
【００８２】
上記のようにして、各装置から各種の大量のデータがツール１０内に入力され、それぞれ適宜の記憶部に格納される。そして、ツール１０は取得した各データに基づき、所定の処理を行ないモデルを作成する。具体的には、以下の通りである。
【００８３】
まず、プロセス条件データ記憶部１０ｈに格納された各種のデータ（制御データ，プロセスデータ，保守データ，環境データ，オペレータ，共通データ）は、プロセスデータ編集部１０ａに呼び出され、そこにおいて特徴量抽出され、抽出されたプロセスデータが、プロセス特徴量データ記憶部１０ｉに格納される。抽出される特徴量の一例を示すと、以下の通りである。なお、各特徴量を示す記号を［］で付記している。
【００８４】
シャッター開放時間［Ｔ３１（ｎ）］，チャンバー内圧力の立上り時間［Ｔ３２（ｎ）］，チャンバー内圧力の立上りピーク値［Ｐ３１（ｎ）］．チャンバー内圧力の立下り時間［Ｔ３３（ｎ）］，安定時のチャンバー内圧力（平均）［Ｐ３２（ｎ）］，ガス流量の立上り時間［Ｔ３４（ｎ）］，ガス流量の立上りピーク値［Ｆ３１（ｎ）］，ガス流量の立下り時間［Ｔ３５（ｎ）］，安定時のガス流量（平均）［Ｆ３２（ｎ）］，安定時のガス流量と設定値の差（平均）［Ｆ３４（ｎ）］，ウエハ温度（平均）［Ｄ３１（ｎ）］，プラズマ（Ａｒ）発光立上り時間［Ｔ３６（ｎ）］，プラズマ（Ａｒ）発光立下り時間［Ｔ３７（ｎ）］，安定時プラズマ（Ａｒ）光量［Ａｒ３１（ｎ）］，ＤＣ電力立上り時間［Ｔ３８（ｎ）］，ＤＣ電力立下り時間［Ｔ３９（ｎ）］，ＤＣ電力の設定値との立上り時間差［Ｔ４８（ｎ）］，ＤＣ電力の設定値との立下り時間差［Ｔ４９（ｎ）］，安定時のＤＣ電力［Ｐ３３（ｎ）］，安定時のＤＣ電力と設定値の差（平均）［Ｐ３６（ｎ）］，チャンバー内圧力上昇開始からガス流量上昇開始までの時間［Ｔ４０（ｎ）］、ガス流量上昇開始からＤＣ電力上昇開始までの時間［Ｔ４１（ｎ）］，ＤＣ電力上昇開始からシャッターＯＦＦ→ＯＮまでの時間［Ｔ４２（ｎ）］，シャッターＯＮ→ＯＦＦからＤＣ電力減少までの時間［Ｔ４３（ｎ）］，ＤＣ電力減少からガス流量減少までの時間［Ｔ４４（ｎ）］，シャッター開放中のチャンバー内圧力の総和［ΣＰ３１（ｎ）］，シャッター開放中のガス流量の総和［ΣＦ３１（ｎ）］，シャッター開放中のプラズマ（Ａｒ）光量の総和［ΣＡｒ３１（ｎ）］，シャッター開放中のプラズマ（Ｏ２）光量の総和［ΣＯ３１（ｎ）］，シャッター開放中のＤＣ電力の総和［ΣＰ３４（ｎ）］，ＭＦＣＯＮ中のガス流量のモニタ値と設定値の差の総和［ΣＦ３３（ｎ）］，ＤＣ電源ＯＮ中のＤＣ電力モニタ値と設定値の差の総和［ΣＰ３５（ｎ）］，チャンバー内圧力が減少してから上昇が再開するまでの時間［Ｔ４５（ｎ）］，ＨＭＩ装置から入力されたポンプ再生日付からの経過日数［Ｔ４６（ｎ）］，ターゲット材料ｎのＨＭＩ装置から入力された交換日時からの累積使用時間［Ｔ４７（ｎ）］，チャンバー内圧力上昇時の変化量とガス流量上昇時の変化量の差［Ｐ３７（ｎ）］，チャンバー内圧力下降時の変化量とガス流量下降時の変化量の差［Ｐ３８（ｎ）］などがある。
【００８５】
上記したプロセスデータ特徴量は、成膜工程におけるものである。他の工程には、それに応じて適切な特徴量が用意されている。例えば、エッチング工程におけるプロセスデータ特徴量としては、以下のものがある。
【００８６】
ＲＦＰｆの立上り時間［Ｔ１］，ＲＦＰｆの立上りピーク値［Ｖ１］，ＲＦＰｆの立下り時間［Ｔ２］，ＲＦＰｆのノイズ回数［Ｎ１］，ＲＦＰｆのノイズ大きさ［Ｖ２］，安定時のＲＦＰｆ（平均）［Ｖ３］，ＲＦＰｒの立上り時間［Ｔ３］，ＲＦＰｒの立上りピーク値［Ｖ４］，ＲＦＰｒの立下り時間［Ｔ４］，ＲＦＰｒのノイズ回数［Ｎ２］，ＲＦＰｒのノイズ大きさ［Ｖ５］，安定時のＲＦＰｒ（平均）［Ｖ６］，Ｖｄｃ（平均）［Ｖ７］，チャンバー内圧力の立上り時間［Ｔ５］，チャンバー内圧力の立上りピーク値［Ｐ１］，チャンバー内圧力の立下り時間［Ｔ６］，安定時のチャンバー内圧力（平均）［Ｐ２］，ガス流量の立上り時間［Ｔ７］，ガス流量の立上りピーク値［Ｆ１］，ガス流量の立下り時間［Ｔ８］，安定時のガス流量（平均）［Ｆ２］，安定時のガス流量と設定値の差（平均）［Ｆ４］，ウエハ温度（平均）［Ｄ１］，プラズマ（Ａｒ）発光時間［Ｔ９］，プラズマ（Ａｒ）発光立上り時間［Ｔ１０］，プラズマ（Ａｒ）発光立下り時間［Ｔ１１］，安定時プラズマ（Ａｒ）光量［Ａｒ１］，チャンバー内圧力上昇開始からガス流量上昇開始までの時間［Ｔ１２］，ガス流量上昇開始からプラズマ（Ａｒ）発光開始までの時間［Ｔ１３］，プラズマ（Ａｒ）発光停止時間からガス流量減少までの時間［Ｔ１４］，プラズマ（Ａｒ）発光中のチャンバー内圧力の総和［ΣＰ１］，プラズマ（Ａｒ）発光中のガス流量の総和［ΣＦ１］，プラズマ（Ａｒ）発光中のプラズマ（Ａｒ）光量の総和［ΣＡｒ１］，ＭＦＣＯＮ中のガス流量のモニタ値と設定値の差の総和［ΣＦ３］，ＨＭＩ装置から入力されたポンプ再生日付からの経過日数［Ｔ１５］，チャンバー内圧力上昇時の変化量とガス流量上昇時の変化量の差［Ｐ３］，チャンバー内圧力下降時の変化量とガス流量下降時の変化量の差［Ｐ４］等がある。
【００８７】
上記したように、本発明では、設定値と実測値の両方のデータを収集するようにしている。つまり、測定値と実測値のレベル差異やタイミング差異，時間差異，プロセスデータ相互間の関係を特徴量として編集し、解析用データにした。つまり、半導体製造装置は、圧力制御，温度制御，ガス供給制御，電力制御，排気制御，位置制御など、複数の制御系を備えており、各制御系がそれぞれ自動制御されている。従って、必ずしも設定値どおり動作しているとは限らず、異なる場合が多い。このように設定値通りに動作しない要因は、複数の制御系が独立して動作しており、他の制御系による影響が外乱として入り、かつそれが複雑で未解明であることである。また、例えばガスの供給制御は、通常マスフローコントローラ３５で行なわれる。つまり、マスフロートコントローラ自身で設定し、自身で流量をコントロールするが、その前後のバルブの開閉までは見ていないため、設定した通り動作しないことが多々ある。またパイプが詰まってガスが流れないこともある。また例えばマスフローコントローラや、ＲＦ電源などは制御性が悪く過渡的には大きな変化が観られる。そこで、本実施の形態では、上記した半導体製造装置における特質に鑑み、設定値と実測値の両方のデータを収集し、その差異を特徴量化するようにした。さらに、タイミングの差異は、機器の故障を予知する上でも有効となる。なお、実測値だけである程度精度のよい解析はできるものの、設定値もあわせて判断することにより、レシピが正しかったか、レシピが変化していないかなどを知ることができ、原因追究を容易にできる。
【００８８】
さらに、プロセスデータ相互間の関係（時間差や変化量の差）を特徴量として編集し、解析用データのテーブルに載せるようにした。これは、上記したごとく半導体製造装置は複数の制御系がそれぞれ独立して動作している。そして例えば真空チャンバーのように、複数の制御系が共通のターゲットに対して制御するため、それぞれの設定値を変化させたときに他の制御系に大きく影響を与える。一例を示すと、ガスを入れ始めたときに圧力上昇し、ＲＦ電源をＯＮした時に圧力上昇するなどがある。これらの相互関係については複雑で不明点が多い。さらに設定値はレシピによって異なるためレシピによって影響度も異なる。そこで特徴量としてプロセスデータ相互間の差異を扱うようにした。
【００８９】
さらに、モデルの精度を高めるために、製品の出来映え（品質）に関係しそうな因子を漏れなく入力できるように、上記したごとく多数のデータを入力させ、特徴量を抽出するようにしている。
【００９０】
具体的には、任意情報の入力を許容し、プロセス技術者や装置のオペレータが「製品の出来映えに影響しそうだ。」とか「装置の故障に影響しそうだ。」と考えたり、突発的に発生したりする故障など様々な事象を気がついた時点でデータベースへ入力を可能にし、それらの情報も解析用のテーブルに載せ解析できるようにした。これら情報の２度目以降の入力は文章を入力しなくても済むようにした。
【００９１】
また、プロセス装置は正規のプロセス運転をしていない時にメンテナンスやテスト，デモ等で使われるが、それらが正規のプロセス運転に微妙に影響を与える場合もある。従って、本発明では、正規運転に限らず常時データを収集し、正規運転時以外のデータも含めてモデル化を可能にしている。このようにプロセス条件として考えられる情報を全て解析用のテーブルに載せて解析できるようになっている。
【００９２】
また、半導体製造プロセスは数百の工程を経て製品が生産される。この場合、ある装置でウエハが加工され次の装置へ投入されるまで滞留している間、ウエハは空気中にさらされているので、表面が酸化したりパーティクルが付着したりする。従って、この滞留時間は、製品の出来映えに影響するためそれも解析対象データとしている。
【００９３】
上記した特徴量をさらに説明すると、例えば図１６に示すようにＲＦＰｆに着目すると、時系列データで非常に多数のデータ（経過時間／１００ｍｓｅｃ）が得られるが、そこから、Ｖ１，Ｖ２，Ｖ３，Ｔ２，Ｎ１の６個の特徴量データが抽出される。なお、ノイズの時間やＯＮ時間など他の特徴量を抽出することもありえる。
【００９４】
また、別の特徴量としてＤＣ電力に着目すると、例えば図１７，図１８に示すような特徴力が抽出できる。ここで、図１７に示すように、シャッターが開いている期間に着目して平均値や総和を求めるのは、実際にウエハに向かったターゲットが飛び出し、蒸着に寄与している期間のため、係る期間のＤＣ電力が品質等に与える影響が大きいと考えられるためである。なお、各特徴量の取得タイミングの一例を示すと図１９に示すようになる。
【００９５】
そして、プロセスデータ編集部１０ａが、各種類のデータについての時系列データに基づいて、上記した所定数の特徴量を抽出するとともに格納したプロセス特徴量データ記憶部１０ｉのデータ構造の一例を示すと、図２０から図２２に示すようになる。なお、図中、網掛けされた項目は、本発明にとって有益なプロセス特徴量となるものである。
【００９６】
一方、検査生データ記憶部１０ｍに格納された各種のデータは、検査データ編集部１０ｅに呼び出され、そこにおいてデータ編集され、編集されて得られた検査データが、検査データ記憶部１０ｎに格納される。
【００９７】
具体的には、検査対象に複数の検査生データが存在する場合、平均値またはその他の方法により、ロット単位またはウエハ単位の検査データを生成する（図２３（ａ）参照）。さらに、本実施の形態では、生成した検査データから、出来映え（品質）のランク分けを行なう。ランクは、膜厚平均に基づいて正常範囲（良品）の中をＡ，Ｂ，Ｃに分け、さらに不良品の中を良品に近い膜厚軽欠点（厚／薄）、良品から離れている膜厚重欠点（厚／薄）に分けて判定する。
【００９８】
そして、検査データ編集部１０ｅで求められ、検査データ記憶部１０ｎに格納される検査データのデータ構造の一例を示すと、図２４に示すようになる。図に示すように、ロットＩＤ単位で各膜（層）ごとに膜厚平均と膜ランク（品質）を格納するようになっている。
【００９９】
一方、故障生データ記憶部１０ｐに格納された各種のデータは、故障データ編集部１０ｇに呼び出され、そこにおいてデータ編集され、編集されて得られた故障データが、故障データ記憶部１０ｑに格納される。
【０１００】
具体的には、入力装置（ＨＭＩ）１３より入力された故障生データをコード化する処理を行なう。なお、故障生データがすでにコード化されたデータであれば、そのまま故障データとする。さらに、任意に入力された故障内容は、この故障データ編集部１０ｇでコード化する。そして、このように新規にコード化された故障内容は、その内容により新規カテゴリとして、または既存カテゴリ内の新しい項目として新しいコードが登録され、再度同じ故障が発生したときには、係るコードが使用される。つまり、故障データ編集部１０ｇは、例えば図２５に示すような故障内容とコードを対応付けたテーブルを持ち、そのテーブルを参照しつつコード化を行なうとともに、新たなコードが生成された場合には、当該コードを故障内容と関連付けて上記テーブルに追加する機能を有する。
【０１０１】
そして、故障データ編集部１０ｇで求められ、故障データ記憶部１０ｑに格納される故障データのデータ構造の一例を示すと、図２６に示すようになる。図に示すように、ロットＩＤ単位でコード化された各種のデータが一列に関連付けて格納されるようになっている。
【０１０２】
データ結合部１０ｂは、図２７に示すように、プロセス特徴量データ記憶部１０ｉ，検査データ記憶部１０ｎ，故障データ記憶部１０ｑに格納された各データさらにはＭＥＳ９から取得したＭＥＳ情報（レシピＮｏ．）を取得し、取得した各データをロットＩＤ（ロットＮｏ）単位で結合する。そして、結合したデータを結合データ記憶部１０ｊに格納する（図２７参照）。
【０１０３】
データフィルター部１０ｃは、結合データ記憶部１０ｊに格納された結合データを読み出し、異常データを排除する。そして、残ったデータを解析用データとして解析用データ記憶部１０ｋに格納する。なお、異常データとは、例えば実際にありえないような数値を含むデータなどを意味し、係るデータを削除するなど、一般的に行なっている前処理により実現できる。そして、解析用データ記憶部１０ｋに格納される解析用データのデータ構造の一例を示すと、図２８から図３１に示すようになる。なお、図中、網掛けされた項目は、本発明にとって有益なプロセス特徴量となるものである。
【０１０４】
解析部１０ｄは、解析用データ記憶部１０ｋに格納された解析用データを読み出し、決定木方式（Ｃ５．０方式，Ｃ＆ＲＴｒｅｅ方式）による解析を行ない良品または不良品を生成するプロセス条件のルールを導出し、モデル化する。この決定木方式として、本実施の形態ではＣ５．０方式を用いる。この方式は、データマイニングに用いられるものである。これにより、膨大なデータに対しても解析できるようになった。そして、生成されるモデル例としては、例えば図３２に示すようになる。また、解析部１０ｄにより行なう解析は、回帰分析などを用いることもできる。
【０１０５】
ところで、半導体製造装置の多くはプロセスを繰り返すごとにある方向へ変化していく傾向がある。そこで、本実施の形態では、係る変化の方向を時系列解析部１０ｆにてトレンド予測手法（指数平滑モデルや自己回帰和分移動平均など）で検出して、製品が異常になる前に警報を出力したり、異常が発生する日時を予測できるようにした。
【０１０６】
ここで、時系列予測モデルは、適合する解析エンジンを選び、必要に応じてパラメータを設定することで作成する。時系列解析手法としては、例えば、指数平滑モデルや自己回帰和分移動平均（ＡＲＩＭＡ）モデルを使用する。
【０１０７】
指数平滑モデルは、短期的なトレンドを予測するもので、あるトレンドの変化で短期間に現象と現れるようなことを予測するものである。従って、突発的な故障予測などに利用される。一方、ＡＲＩＭＡモデルは、上記と逆に長期的なトレンドを予測するもので、経年変化による故障や交換などの時期を予測するために利用される。
【０１０８】
そして、この時系列予測は、モデル化の結果得られたルール式の中にあるプロセスデータに関して行なうとともに、異常の予測判定はモデルで示された数値をしきい値とする。
【０１０９】
そして、トレンド予測する際に使用する判定用データとしては、プロセス特徴量記憶部１０ｉに格納されたプロセス条件特徴量データから、データフィルター部１０ｃを経て不正データ（異常データ）を排除してフィルタリングした後のデータを用いる。
【０１１０】
時系列予測モデルの一例としては、判定用データの中の監視対象データ（成膜工程シャッター１開放中のＤＣ電力の総和，エッチング工程ＲＦパワー出力中のガス流量の総和）をチェックし、将来における値を予測する。そしてその予測値がしきい値を超えて異常になる日時を予知する。ここでしきい値は、図３２に示したモデルにおけるルール式中の２２０００または１６００となる。
【０１１１】
これにより、例えば図３３に示すようなトレンド予測モデルが生成される。この例では、２００２年１２月４日に１４：２３に異常が発生すると予知される。このように、時系列予測モデルが異常を予知した場合、表示装置１４等に出力表示することによって、オペレータやメンテナンス担当者に通知することができる。
【０１１２】
なお、係るトレンド予測（時系列予測モデルの作成）は、特徴量を抽出したデータベース（プロセス特徴量データ記憶部１０ｉ）から任意にその観測対象を選ぶことができ、選択された観測対象は別のトレンド予測テーブルを持つデータベースに、時系列にプロセスごとに蓄積される。
【０１１３】
このように、相関関係（モデル）はデータマイニング（決定木，回帰分析手法）で求め、一方、トレンド予測をするための時系列解析モデルはデータマイニングと異なる手法（トレンド解析手法）で求めるようにした。但し、トレンド解析に用いるデータ項目はデータマイニングによるモデルのルール式に現れたものとし、トレンド予測時の目標値は、データマイニングによるモデルのルール式に現れた数値を用いた。
【０１１４】
なお、上記した実施の形態では、通常の解析部１０ｄによるモデル作成機能と、時系列解析部１０ｆによる時系列予測モデル作成機能を設けたが、必ずしも両機能を実装する必要はなく、時系列解析部１０ｆを設けない構成を採ることもできる。
【０１１５】
また半導体製造プロセスでは生産品目が多く、それらは生産品目ごとにレシピを持ちそれを切り換えて生産される。従ってモデルはレシピ毎に作成するようにしている。そして、レシピが変更されるたびにチューニングする。
【０１１６】
図３４は、本発明の第２の実施の形態を示している、本実施の形態は、上記した第１の実施の形態或いは別の装置を用いて生成され、確定されたモデルを利用し、現在プロセス加工中の製品の品質の予測，異常原因の特定等を行なうＦＤＣシステムを示している。
【０１１７】
図３４に示すように、このＦＤＣシステムを構成するツール１０は、第１の実施の形態と同様にネットワークを介してＭＥＳ９，データ収集装置４並びに入力装置（ＨＭＩ）１３から各種の情報を取得する。各装置から取得する情報は、基本的に第１の実施の形態と同様である。つまり、ＭＥＳ９からはレシピＮｏ．を取得し、データ収集装置４からは、制御データ，プロセスデータ，保守データ並びに環境データを取得し、さらに、入力装置１３からオペレータデータ，保守データ，環境データに並びに共通データを取得する。そして、それらの各種データは、第１の実施の形態と同様に、プロセス条件データ記憶部１０ｈに格納される。
【０１１８】
そして、プロセス条件データ記憶部１０ｈに格納された各種データをプロセスデータ編集部１０ａが読み出し、特徴量を抽出し、プロセス特徴量データ記憶部１０ｉに格納する。さらにデータフィルター部１０ｃにて、プロセス特徴量データ記憶部１０ｉに格納された特徴量を呼び出し、異常データ等を削除するフィルタリング処理を行った後、判定用データ記憶部１０ｒに格納する。なお、この判定用データ記憶部１０ｒに格納される判定用データのデータ構造は、第１の実施の形態における解析用データ記憶部１０ｋに格納された解析用データから、故障データや検査データを除いたものと同等なものとなる。
【０１１９】
さらに、本実施の形態におけるＦＤＣシステムでは、使用する完成されたモデルを複数備えており、モデル選択部１０ｓは、モデル選択信号に基づいて所望のモデルを選択肢、判定部１０ｔに与える。完成されたモデルは、レシピＮｏごとに作成されているため、ＭＥＳ９から取得したレシピＮｏ．をモデル選択信号としてプロセスデータ編集部１０ａから受け取ることにより、モデル選択部１０ｓは必要な完成されたモデルを選択するようになる。
【０１２０】
判定部１０ｔは、判定用データ１０ｒを読み出し、選択されたモデルのルールと比較し、各ルールに対応するプロセスデータの値から、実際に検査装置で検査することなく、製造される製品の品質を判定することができる。そして、各プロセスデータ等は、時々刻々と入力されるため、プロセス装置２での処理が完了する前のプロセス加工の途中であっても、異常判定をすることができる。このようにすると、そのままプロセス加工を継続することにより、材料，時間の無駄を省くことができる。さらに、装置自体の故障その他の異常を予測することもできる。
【０１２１】
判定結果は、表示装置１４に出力表示することにより、通知することができ、一例としては、「膜質軽欠点が製造されています。注意してください。」，「膜厚重欠点が製造されています。装置を停止してください。」，「ポンプＡに故障が発生する恐れがあります。強制停止してください！」，「ポンプＡに故障が発生する恐れがあります。点検してください！」などがある。
【０１２２】
このように、検査装置による検査を行なう前に、良否判定が行えたり、装置の故障予測などができるので、廃棄処分になる不良品を可及的に抑制でき、材料廃棄ロスを削減できる。そして、材料廃棄ロスコストは多額になっており、プロセス異常の検出精度が１００％を実現できなくても導入効果は十分ある。つまり、５０％程度の検出精度であっても、精度に応じた廃棄ロスの削減ができ、さらに、納入後のアップデートサービス（モデルの維持改善サービス）で残り５０％の改善を目指すこともできる。
【０１２３】
さらにまた、使用するモデルとして、時系列予測モデルとすることにより、判定部１０ｔにてトレンド予測をすることもできる。その場合の通知の一例としては、「２００２年１２月４日１４時２３分から膜厚重欠点製品が製造される恐れがあります。注意してください。」などとなる。
【０１２４】
ところで、データを決定木分析する場合、検査データや故障情報を目的変数とし、各種プロセス条件データを説明変数として扱う。ここで目的変数に関連する説明変数を網羅できていることが良いモデルを作る上で重要になる。例えば目的変数として膜厚を扱う場合は通常成膜装置だけに着目すれば良いが、ｈｆｅのような特性を扱う場合は成膜装置、イオン注入機、アニ−リング装置など複数の装置（工程）のプロセス条件データを説明変数として分析することになる。これを解決するのが、第３の実施の形態である。
【０１２５】
図３５は、本発明の第３の実施の形態を示している。本実施の形態は、複数のプロセス装置２ａから２ｃにより順次プロセス加工を施された後、検査装置３で検査するようなシステム構成を前提としている。
【０１２６】
上記した各実施の形態で説明したとおり、モデルは目的変数を出力として説明変数をデータマイニングして作成している。従って目的変数に影響する説明変数を網羅する必要がある。よって単なる膜厚を目的にするなら成膜装置だけに着目すればよいが、製品の特性、例えばｈｆｅ（最終検査結果）を目的にすると、成膜装置，イオン注入機，アニーリング装置など複数の装置（一つの工程）のプロセスデータを対象にモデルを作る必要がある。さらに、仮に膜厚を目的にした場合でも、複数の成膜装置を経た後で１つの検査装置にて検査する場合もある。
【０１２７】
係る場合に、すべてのプロセス装置から得られるすべてのデータと、ｈｆｅ（検査結果）を用い、上記した各実施の形態と同様の手法によりモデルを作ることができる。すなわち、ロットＩＤをキーにして各装置で得られたプロセスデータその他の情報を関連付けて結合し、プロセス特徴量を抽出し、フィルタリング後モデルを生成することができる。但し、そのモデルを用いて行なうＦＤＣは、工程の最後でしか実行できない。
【０１２８】
本実施の形態では、係る機能はもちろんのこと、工程途中での予測のためのモデルを抽出できるようになっている。つまり、先頭の第１プロセス装置２ａでも異常検出するために、その全体モデルの中から第１プロセス装置に関係するルールを抽出したモデルを作成し、２番目の第２プロセス装置２ｂの場合は、第１プロセス装置２ａと第２プロセス装置２ｂに関係するルールのみを抽出したモデルを作成することにより実現している（詳細な機能は後述する）。
【０１２９】
これにより、例えば第１プロセス装置２ａからのデータに基づいて作成された抽出モデルＡでは、その後、第１プロセス装置２ａのデータだけで予測ができるため、第２プロセス装置２ｂの工程前に不良品をはねることが可能となる。よって、第２，第３プロセス装置２ｂ，２ｃにおける無駄な処理を未然に防止できる。
【０１３０】
同様に、第１，第２プロセス装置２ａ，２ｂからのデータに基づいて生成された抽出モデルＢでは、第１，第２プロセス装置２ａ，２ｂのデータだけで予測ができるため、第３プロセス装置２ｃの工程前に不良をはねることが可能となる。よって、第３プロセス装置２ｃにおける無駄な処理を未然に防止できる。このように、本実施の形態では、早期のプロセスの問題を予測することができ、従来のＦＤＣシステムより廃棄コストを削減できる。
【０１３１】
次に、上記した中途での判定を可能とするモデル作成機能を説明する。第１から第３プロセス装置２ａから２ｃには、図示省略するが、それぞれデータ収集装置が組み込まれ、ネットワーク７を介して逐次収集された各種のデータがツール１０に送られる。また、第３プロセス装置２ｃの後段には図示省略するが検査データ収集装置を内蔵する検査装置が配置され、やはり、検査データがネットワークを介してツール１０に送られる。もちろんツール１０は、図外のＭＥＳから、レシピＮｏ等も取得する。そして、ツール１０の内部構造は、基本的には図５に示すものと同様であり、必要に応じて、入力装置１３から故障情報等も入力される。
【０１３２】
各プロセス装置から送られてきたプロセスデータ等は、ロットＩＤ（ロットＮｏ）とともにプロセス条件データ記憶部１０ｈに格納され、プロセスデータ編集部１０ａにて各プロセスデータから特徴量が抽出され、プロセス特徴量データ記憶部１０ｉに格納される。また、最終検査結果は、検査生データ記憶部１０ｍに格納され、検査データ編集部１０ｅにて検査データが生成され、検査データ記憶部１０ｎに格納される。なお、本実施の形態並びに上記各実施の形態において、すべての検査データがコード情報として入力される場合には、検査データ編集部１０ｅ並びに検査生データ記憶部１０ｍは必ずしも必要がなく、直接検査データ記憶部１０ｎに格納されるようにすることもできる。
【０１３３】
そして、データ結合部１０ｂにて、上記した各プロセス装置ごとのプロセス特徴量データと、全体の検査結果データがロットＮｏをキーにして結合され、結合データ記憶部１０ｉに格納される。結合データ記憶部１０ｊのデータ構造の一例を示すと図３６のようになる。なお、図３６では、３つプロセス装置を装置Ａ，装置Ｂ，装置Ｃと示している。
【０１３４】
そして、上記のような結合データ記憶部１０ｊに格納された結合データは、データフィルター部１０ｃにて異常なデータが削除されて解析用データが生成され、この解析用データに基づいて解析部１０ｄがモデル化をする。
【０１３５】
このモデル化の一例を説明すると、図３７，図３８に示すように、まず、全体モデルを作成する。このモデル化は、データマイニング手法により、ロットＮｏで一列に結合された解析用データから、複数のルールからなるモデルを生成する。すべてのプロセス装置のデータに基づいて作成されているため、全体モデルとなる。
【０１３６】
次いで、この全体モデルから、中途で判定するための個々の抽出モデルを抽出する。具体的には、装置Ａ（第１プロセス装置）用の抽出モデルＡは、全体ルール式から装置Ａのプロセスデータのみで決定されるルールを抽出する。具体的には装置Ａのデータのみで構成されたルール式、或いはＯＲで結合された装置Ａのデータによるルール式を抽出する。なお、装置Ｂ以降のデータとＡｎｄで結合されている場合は抽出されず、装置Ｂ以降に判定される。
【０１３７】
また、装置Ｂ（第２プロセス装置）用の抽出モデルＢは、全体ルール式から装置Ａと装置Ｂのプロセスデータのみで決定されるルールを抽出する。具体的には装置ＡとＢのデータのみで構成されたルール式、或いはＯＲで結合された装置ＡとＢのデータによるルール式を抽出することにより作成される。なお、その他の構成並びに作用効果は、上記した各実施の形態と同様であるので、その詳細な説明を省略する。
【０１３８】
一方、第３の実施の形態に示した複数装置の場合のＦＤＣシステムを示すと、図３９のようになる。つまり、ＦＤＣシステムを構築するツール１０の内部構成は、第２の実施の形態と同様で、検査データや故障データ等を格納する記憶部並びにそれらについて処理する機能部がない構成をとっている。そして、ＦＤＣでそれぞれの抽出モデルを使う場合は、説明変数はそれぞれそれまでに通ってきた装置に関するプロセスデータのみを使う。つまり、図３９にも示すように、第１プロセス装置（装置Ａ）のプロセス加工についてのＦＤＣは、第１プロセス装置（装置Ａ）に関するデータのみ使い、第２プロセス装置（装置Ｂ）のプロセス加工についてのＦＤＣは、第１，第２プロセス装置（装置Ｂ）に関するデータのみ使い、第３プロセス装置（装置Ｃ）のプロセス加工についてのＦＤＣは、すべてのプロセス装置に関するデータを使うことになる。なお、使用するプロセスデータの制限があることを除き、実際の判定処理は第２の実施の形態と同様に行なえるので、その詳細な説明を省略する。
【０１３９】
そして、各装置が全体モデルから抽出されたモデルにより前段階で異常検出することができるので、係る異常検出がされると、それ以降の処理を行なわずにすむので、一連の工程の最終段階で異常検出することに比べて大きなロスコスト（無駄な付加価値工程）の削減が可能である。
【０１４０】
なお上記した各実施の形態においてモデル化並びにモデルを用いた応用（ＦＤＣ，故障予測等）を行なう場合、データ収集は、いずれも現場に設置したツール用のパソコンに対してネットワークを介して行なうようにしたが、本発明はこれに限ることはなく、インターネットなどを介して遠隔地にてデータを取得したり、外部記録メディアなどにデータを記録し、その外部記録媒体を介してオフラインでデータを取得するようにするなど各種の形態を想定できる。
【０１４１】
一方、モデルはプロセス条件が変わる都度チューニングが必要である。つまりレシピの追加時や変更時にもモデル化のサービスが発生する。またモデル化により顕在化したプロセス異常は生産性向上活動によりプロセス改善されるため同様の異常はほぼ１年後には発生しなくなる。つまり１年後にはプロセスが変わってくるため定期的なモデルの維持・向上サービスも成立する。
【０１４２】
さらに、半導体製造プロセスは、日々進歩が行われ、プロセスの改善やレシピの追加などが頻繁におかる。また、装置自体の経年変化もあり、さらには、モデルの予測精度の低下を生じることもある。そこで、定期的或いは必要に応じて適宜アップデートする必要がある。そして、モデル化は新たに取得したデータに基づき、上記と同じ手順で作成することができる。このアップデートサービスは、上記した各実施の形態に適用することができる。
【０１４３】
また、一度ある装置でモデル化を完了すると、その装置におけるモデル化作成手順をテンプレート化できる。この場合に、特徴量の抽出手順もテンプレートの一部となる。すると、同様の装置のモデル化を行なう場合、テンプレートがあれば、モデル作成工数を削減できる。さらに、モデルをアップデートする場合には、基本的に同じテンプレートを利用できる。
【０１４４】
従って、いずれかの装置を用いてモデル化した場合、その際の収集・蓄積されたデータを編集し、解析用のテーブルにのせ決定木或いは回帰分析してモデル化する一連の手順や条件を装置単位および工程単位でテンプレート化し、記憶保持する。そして、他の装置やモデルアップする際に当該テンプレートを提供するサービスを行なうと、新規にモデル化したり、モデルのアップデートを行なう場合に短時間に行なえる。
【０１４５】
【発明の効果】
以上のように、この発明では、半導体製造プロセスにおけるプロセスデータと結果データの相関関係のモデルを容易かつ高精度にモデル化することができる。その結果、ＦＤＣや故障診断トレンド予測などに好適に適用することができる。
【図面の簡単な説明】
【図１】第１の実施の形態が適用されるシステム全体構成の一例を示す図である。
【図２】プロセス装置の内部構造の一例を示す図である。
【図３】プラズマチャンバーの内部構造並びにそれに接続される機器の一例を示す図である。
【図４】本発明の第１の実施の形態を示す概略構成図である。
【図５】ツールの内部構造の一例を示す図である。
【図６】ツールに入力されるデータの一例を説明する図である。
【図７】入力装置を用いた気象／地震情報の入力画面の一例を示す図である。
【図８】プロセス条件データ等についてのデータ収集の機能を説明するフローチャートである。
【図９】プロセス条件データ記憶部の内部データ構造の一例を示す図である。
【図１０】プロセス条件データ記憶部の内部データ構造の一例を示す図である。
【図１１】プロセス条件データ記憶部の内部データ構造の一例を示す図である。
【図１２】検査装置における検査の内容を説明する図である。
【図１３】検査生データ記憶部の内部データ構造の一例を示す図である。
【図１４】入力装置を用いた故障情報の入力画面の一例を示す図である。
【図１５】故障生データ記憶部の内部データ構造の一例を示す図である。
【図１６】抽出する特徴量を説明する図である。
【図１７】抽出する特徴量を説明する図である。
【図１８】抽出する特徴量を説明する図である。
【図１９】抽出する特徴量のタイミングを示す図である。
【図２０】プロセス条件特徴量データ記憶部の内部データ構造の一例を示す図である。
【図２１】プロセス条件特徴量データ記憶部の内部データ構造の一例を示す図である。
【図２２】プロセス条件特徴量データ記憶部の内部データ構造の一例を示す図である。
【図２３】検査データ記憶部の内部データ構造の一例を示す図である。
【図２４】検査データ記憶部の内部データ構造の一例を示す図である。
【図２５】入力内容と故障コードの対応を示すテーブルの一例を示す図である。
【図２６】故障データ記憶部の内部データ構造の一例を示す図である。
【図２７】データ結合部の機能を説明する図である。
【図２８】解析用データ記憶部の内部データ構造の一例を示す図である。
【図２９】解析用データ記憶部の内部データ構造の一例を示す図である。
【図３０】解析用データ記憶部の内部データ構造の一例を示す図である。
【図３１】解析用データ記憶部の内部データ構造の一例を示す図である。
【図３２】モデルの一例を示す図である。
【図３３】トレンド予測モデルを説明する図である。
【図３４】本発明の第２の実施の形態を説明する図である。
【図３５】本発明の第３の実施の形態を説明する図である。
【図３６】結合データ記憶部の内部データ構造の一例を示す図である。
【図３７】モデル抽出の機能を説明する図である。
【図３８】抽出されたモデルの一例を示す図である。
【図３９】抽出されたモデルを用いた予測・判定の作用を説明する図である。
【符号の説明】
１ウエハカセット
１ａタグ
２プロセス装置
３検査装置
４データ収集装置
５検査データ収集装置
６ＲＦ−ＩＤリードライトヘッド
７ＥＥＳネットワーク
８ＭＥＳ系ネットワーク
９ＭＥＳ
１０ツール
１０ａプロセスデータ編集部
１０ｂデータ結合部
１０ｃデータフィルター部
１０ｄ解析部
１０ｅ検査データ編集部
１０ｆ時系列解析部
１０ｇ故障データ編集部
１０ｈプロセス条件データ記憶部
１０ｉプロセス特徴量データ記憶部
１０ｊ結合データ記憶部
１０ｋ解析用データ記憶部
１０ｍ検査生データ記憶部
１０ｎ検査データ記憶部
１０ｐ故障生データ記憶部
１０ｑ故障データ記憶部
１０ｒ判定用データ記憶部
１０ｓモデル選択部
１０ｔ判定部
１１データベース
１２ルータ
１３入力装置
１４表示装置
１５装置コントローラ
２０プラズマチャンバー

Claims

半導体製造プロセスにおけるプロセス条件と、その結果生産された製品の検査結果を収集・蓄積し、前記プロセス条件と製品の状態との相関関係を解析しモデル化するモデル化装置であって、
プロセス実行時に得られたプロセス条件データを一定周期で収集することにより得られた時系列のプロセスデータを取得し、そのプロセスデータからプロセス特徴量を抽出するとともに、プロセス特徴量データ記憶手段に格納するプロセスデータ編集手段と、
前記プロセス実行により生成された製品についての検査データと、抽出された前記プロセス特徴量を結合し、解析用のデータを生成する解析用データ作成手段と、
前記解析用データに対しデータマイニングによる解析を実行して前記プロセス条件と前記製品の状態の相関関係のモデルを作成する解析手段とを備え、
前記プロセスデータ編集手段は、少なくとも設定値と実測値のレベル差異を前記プロセス特徴量として抽出して解析条件とすることを特徴とするモデル化装置。
半導体製造プロセスにおけるプロセス条件と、その結果生産された製品の検査結果を収集・蓄積し、前記プロセス条件と製品の状態との相関関係を解析しモデル化するモデル化装置であって、
プロセス実行時に得られたプロセス条件データを一定周期で収集することにより得られた時系列のプロセスデータを取得し、そのプロセスデータからプロセス特徴量を抽出するとともに、プロセス特徴量データ記憶手段に格納するプロセスデータ編集手段と、
前記プロセス実行により生成された製品についての検査データと、抽出された前記プロセス特徴量を結合し、解析用のデータを生成する解析用データ作成手段と、
前記解析用データに対しデータマイニングによる解析を実行して前記プロセス条件と前記製品の状態の相関関係のモデルを作成する解析手段とを備え、
前記プロセスデータ編集手段は、少なくとも設定値と実測値のタイミング差異を前記プロセス特徴量として抽出して解析条件とすることを特徴とするモデル化装置。
半導体製造プロセスにおけるプロセス条件と、その結果生産された製品の検査結果を収集・蓄積し、前記プロセス条件と製品の状態との相関関係を解析しモデル化するモデル化装置であって、
プロセス実行時に得られたプロセス条件データを一定周期で収集することにより得られた時系列のプロセスデータを取得し、そのプロセスデータからプロセス特徴量を抽出するとともに、プロセス特徴量データ記憶手段に格納するプロセスデータ編集手段と、
前記プロセス実行により生成された製品についての検査データと、抽出された前記プロセス特徴量を結合し、解析用のデータを生成する解析用データ作成手段と、
前記解析用データに対しデータマイニングによる解析を実行して前記プロセス条件と前記製品の状態の相関関係のモデルを作成する解析手段とを備え、
前記プロセスデータ編集手段は、少なくとも設定値と実測値の時間差異を前記プロセス特徴量として抽出して解析条件とすることを特徴とするモデル化装置。
半導体製造プロセスにおけるプロセス条件と、その結果生産された製品の検査結果を収集・蓄積し、前記プロセス条件と製品の状態との相関関係を解析しモデル化するモデル化装置であって、
プロセス実行時に得られたプロセス条件データを一定周期で収集することにより得られた時系列のプロセスデータを取得し、そのプロセスデータからプロセス特徴量を抽出するとともに、プロセス特徴量データ記憶手段に格納するプロセスデータ編集手段と、
前記プロセス実行により生成された製品についての検査データと、抽出された前記プロセス特徴量を結合し、解析用のデータを生成する解析用データ作成手段と、
前記解析用データに対しデータマイニングによる解析を実行して前記プロセス条件と前記製品の状態の相関関係のモデルを作成する解析手段とを備え、
前記プロセスデータ編集手段は、プロセスデータ相互間の関係をプロセス特徴量として抽出して解析条件とすることを特徴とするモデル化装置。
半導体製造プロセスにおけるプロセス条件と、その結果生産された製品の検査結果を収集・蓄積し、前記プロセス条件と製品の状態との相関関係を解析しモデル化するモデル化装置であって、
プロセス実行時に得られたプロセス条件データを一定周期で収集することにより得られた時系列のプロセスデータを取得し、そのプロセスデータからプロセス特徴量を抽出するとともに、プロセス特徴量データ記憶手段に格納するプロセスデータ編集手段と、
前記プロセス実行により生成された製品についての検査データと、抽出された前記プロセス特徴量を結合し、解析用のデータを生成する解析用データ作成手段と、
前記解析用データに対しデータマイニングによる解析を実行して前記プロセス条件と前記製品の状態の相関関係のモデルを作成する解析手段とを備え、
前記プロセスデータ編集手段は、設定値と実測値のレベル差異，設定値と実測値のタイミング差異，設定値と実測値の時間差異並びにプロセスデータ相互間の関係の少なくとも１つを前記プロセス特徴量として抽出して解析条件とすることを特徴とするモデル化装置。
半導体製造プロセス実行中の装置から得られる機器の動作に関連したタイミング信号をもとにプロセス加工中の特定期間のデータに基づいてプロセス特徴量を抽出して解析条件とすることを特徴とする請求項１から５のいずれか１項に記載のモデル化装置。
プロセス条件データの中に、前段の装置からの製品の滞留時間も含むことを特徴とした請求項１から６のいずれか１項に記載のモデル化装置。
気象条件，メンテナンス情報，故障情報，材料の交換時期などのような任意の事象や条件の入力を許容し、
解析用データ作成手段は、その入力された任意の事象や条件を前記プロセス特徴量データ，前記検査データと結合するようにしたことを特徴とする請求項１から７のいずれか１項に記載のモデル化装置。
前記任意の事象や条件の入力を取得した場合に、その内容に関する情報を記憶保持し、
それ以降に同じ内容の入力をする場合には、前記記憶保持した情報に基づき簡易入力をさせる機能を備えたことを特徴とする請求項８に記載のモデル化装置。
半導体製造プロセスを実行する装置の待機中も含めて前記プロセス条件データの収集を可能にし、前記待機中に得られたデータも含めて解析するようにしたことを特徴とする請求項１から９のいずれか１項に記載のモデル化装置。
前記データマイニングは、解析用データを回帰や決定木手法を用いて解析することを特徴とした請求項１から１０のいずれか１項に記載のモデル化装置。
前記プロセスデータ編集手段で作成されたプロセス特徴量データに対し、トレンド解析し、プロセスのトレンド予測モデルを作成する機能を備えたことを特徴とする請求項１から１１のいずれか１項に記載のモデル化装置。
前記トレンド解析は、請求項１から１１のいずれか１項に記載の装置により作成されたモデル内にあるプロセス条件データ項目に関して行なうことを特徴とする請求項１２に記載のモデル化装置。
モデル化は、半導体製造プロセスを実行する装置単独或いは工程単位の少なくとも一方に対し行なえるようにしたことを特徴とする請求項１から１３のいずれか１項に記載のモデル化装置。
モデル化するための一連の解析手順や条件をモデル化の対象装置や工程単位でテンプレート化されたテンプレートを実装し、その実装されたテンプレートをもとに構築されたことを特徴とする請求項１から１４のいずれか１項に記載のモデル化装置。
複数のプロセス装置が順次所定のプロセス加工を実行することにより半導体製造プロセスのある工程が実施されるシステムにおけるモデル化を行なうものであり、
前記複数のプロセス装置のプロセスデータに基づいて、前記ある工程の全体モデルを生成する機能と、
その全体モデルの中から、前記複数のプロセス装置の中の特定のプロセス装置に関係するモデルを抽出し、その特定のプロセス装置が関与する前記ある工程の途中までについてのモデルを作成する機能を備えたことを特徴とする請求項１から１５のいずれか１項に記載のモデル化装置。
プロセス実行時に得られたプロセス条件データを一定周期で収集することにより得られた時系列のプロセスデータを取得し、プロセス特徴量を抽出するプロセスデータ編集手段と、
請求項１から１６のいずれか１項に記載のモデル化装置により求められたモデルと、
前記プロセス特徴量に基づくデータと前記モデルを比較し、プロセス実行状態を判定する判定手段とを備えたプロセス異常検出・分類システム。
請求項１２または１３に記載の装置により作成されたトレンド予測モデルを用いたプロセス異常予測機能を含むことを特徴とする請求項１７に記載のプロセス異常検出・分類システム。
前記プロセス異常予測は、請求項１から１１のいずれか１項に記載の装置により作成されたモデル内の数値をしきい値として行なうことを特徴とする請求項１７または１８に記載のプロセス異常検出・分類システム。
半導体製造プロセスを構成するプロセス装置におけるプロセスデータを収集するデータ収集装置と、前記プロセス装置により製造された製品を検査する検査装置で求めた検査データを収集する検査データ収集装置と、請求項１から１６のいずれか１項に記載のモデル化装置とがネットワークを介して接続され、
前記モデル化装置は、前記ネットワークを介して前記データ収集装置並びに前記検査データ収集装置から取得した前記プロセスデータ並びに前記検査データに基づいて前記半導体製造プロセスのモデル化を行なうことを特徴とするモデル化システム。
プロセス実行時に得られたプロセス条件データを一定周期で収集することにより得られた時系列のプロセスデータを取得し、プロセス特徴量を抽出するプロセスデータ編集手段と、
請求項１から１６のいずれか１項に記載のモデル化装置により求められたモデルと、
前記プロセス特徴量に基づくデータと前記モデルを比較し、半導体製造プロセスを実行するプロセス装置の故障予測を行なう手段を備えたことを特徴とする故障予知システム。
半導体製造プロセスのプロセス実行時に得られたプロセス条件データを一定周期で収集することにより得られた時系列のプロセスデータを取得し、
その取得したプロセスデータから、少なくとも設定値と実測値のレベル差異を含むプロセス特徴量を抽出するとともに、プロセス特徴量データ記憶手段に格納し、
前記プロセス実行により生成された製品についての検査データを取得し、
前記検査データと、前記抽出された前記プロセス特徴量を結合して解析用のデータを生成し、
前記解析用データに対しデータマイニングによる解析を実行して前記プロセス条件と前記製品の状態の相関関係のモデルを作成する半導体プロセスにおけるモデル解析方法。
半導体製造プロセスのプロセス実行時に得られたプロセス条件データを一定周期で収集することにより得られた時系列のプロセスデータを取得し、
その取得したプロセスデータから、少なくとも設定値と実測値のタイミング差異を含むプロセス特徴量を抽出するとともに、プロセス特徴量データ記憶手段に格納し、
前記プロセス実行により生成された製品についての検査データを取得し、
前記検査データと、前記抽出された前記プロセス特徴量を結合して解析用のデータを生成し、
前記解析用データに対しデータマイニングによる解析を実行して前記プロセス条件と前記製品の状態の相関関係のモデルを作成する半導体プロセスにおけるモデル解析方法。
半導体製造プロセスのプロセス実行時に得られたプロセス条件データを一定周期で収集することにより得られた時系列のプロセスデータを取得し、
その取得したプロセスデータから、少なくとも設定値と実測値の時間差異を含むプロセス特徴量を抽出するとともに、プロセス特徴量データ記憶手段に格納し、前記プロセス実行により生成された製品についての検査データを取得し、
前記検査データと、前記抽出された前記プロセス特徴量を結合して解析用のデータを生成し、
前記解析用データに対しデータマイニングによる解析を実行して前記プロセス条件と前記製品の状態の相関関係のモデルを作成する半導体プロセスにおけるモデル解析方法。
半導体製造プロセスのプロセス実行時に得られたプロセス条件データを一定周期で収集することにより得られた時系列のプロセスデータを取得し、
その取得したプロセスデータから、少なくともプロセスデータ相互間の関係を含むプロセス特徴量を抽出するとともに、プロセス特徴量データ記憶手段に格納し、
前記プロセス実行により生成された製品についての検査データを取得し、
前記検査データと、前記抽出された前記プロセス特徴量を結合して解析用のデータを生成し、
前記解析用データに対しデータマイニングによる解析を実行して前記プロセス条件と前記製品の状態の相関関係のモデルを作成する半導体プロセスにおけるモデル解析方法。
半導体製造プロセスのプロセス実行時に得られたプロセス条件データを一定周期で収集することにより得られた時系列のプロセスデータを取得し、
プロセスデータ編集手段が、その取得したプロセスデータから所定のプロセス特徴量を抽出し、
記憶保持された請求項１から１６のいずれか１項に記載のモデル化装置により求められたモデルと、前記プロセス特徴量に基づくデータとを比較することにより、プロセス実行状態を判定することを特徴とするプロセス異常検出・分類方法。
半導体製造プロセスを構成するプロセス装置におけるプロセスデータを収集するデータ収集装置と、前記プロセス装置により製造された製品を検査する検査装置で求めた検査データを収集する検査データ収集装置と、請求項１から１５のいずれか１項に記載のモデル化装置とがネットワークを介して接続されたシステムにおいて、
前記データ収集装置並びに前記検査データ収集装置は、収集したデータを前記ネットワークを介して前記モデル化装置に送信し、
前記モデル化装置は、前記送信されてきた前記プロセスデータ並びに前記検査データを取得し、その取得した各データに基づいて前記半導体製造プロセスのモデル化を行なうことを特徴とするモデル化方法。
モデル化するための一連の解析手順や条件をモデル化の対象装置や工程単位でテンプレート化されたテンプレートを用意し、
半導体製造プロセスのレシピ変更によるプロセス条件の変化に対応するために、前記テンプレートを用いてモデルのアップデートを行なうことを特徴とするモデル化装置の更新方法。
モデル化するための一連の解析手順や条件をモデル化の対象装置や工程単位でテンプレート化されたテンプレートを用意し、
半導体製造プロセスのレシピ追加によるプロセス条件の変化に対応するために、前記テンプレートを用いてモデルのアップデートを行なうことを特徴とするモデル化装置の更新方法。
モデル化するための一連の解析手順や条件をモデル化の対象装置や工程単位でテンプレート化されたテンプレートを用意し、
半導体製造プロセスのプロセス改善によるプロセス条件の変化に対応するために、前記テンプレートを用いて定期的にモデルのアップデートを行なうことを特徴とするモデル化装置の更新方法。
モデル化するための一連の解析手順や条件をモデル化の対象装置や工程単位でテンプレート化されたテンプレートを用意し、
半導体製造プロセスを実行するためのプロセス装置自体の経年変化に対応するために、前記テンプレートを用いて定期的にモデルのアップデートを行なうことを特徴とするモデル化装置の更新方法。