JP2022119321A - 情報処理装置、プログラム及びプロセス条件探索方法 - Google Patents

情報処理装置、プログラム及びプロセス条件探索方法 Download PDF

Info

Publication number
JP2022119321A
JP2022119321A JP2021016352A JP2021016352A JP2022119321A JP 2022119321 A JP2022119321 A JP 2022119321A JP 2021016352 A JP2021016352 A JP 2021016352A JP 2021016352 A JP2021016352 A JP 2021016352A JP 2022119321 A JP2022119321 A JP 2022119321A
Authority
JP
Japan
Prior art keywords
machine learning
learning model
predicted value
process conditions
result
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
JP2021016352A
Other languages
English (en)
Inventor
勇人 野田
Yuto Noda
翔太 山崎
Shota Yamazaki
裕一 竹永
Yuichi Takenaga
敏之 福元
Toshiyuki Fukumoto
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
Application filed by Tokyo Electron Ltd filed Critical Tokyo Electron Ltd
Priority to JP2021016352A priority Critical patent/JP2022119321A/ja
Priority to KR1020220009210A priority patent/KR20220112681A/ko
Priority to TW111102542A priority patent/TW202246919A/zh
Priority to CN202210085909.6A priority patent/CN114861930A/zh
Priority to US17/584,712 priority patent/US20220244685A1/en
Publication of JP2022119321A publication Critical patent/JP2022119321A/ja
Pending 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
    • G05B13/042—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 in which a parameter or coefficient is automatically adjusted to optimise the performance
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
    • 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
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
    • G05B23/0235—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions based on a comparison with predetermined threshold or range, e.g. "classical methods", carried out during normal operation; threshold adaptation or choice; when or how to compare with the threshold
    • 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
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0262—Confirmation of fault detection, e.g. extra checks to confirm that a failure has indeed occurred
    • 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
    • H01L21/02104—Forming layers
    • H01L21/02107—Forming insulating materials on a substrate
    • H01L21/02225—Forming insulating materials on a substrate characterised by the process for the formation of the insulating layer
    • H01L21/02227—Forming insulating materials on a substrate characterised by the process for the formation of the insulating layer formation by a process other than a deposition process
    • H01L21/0223—Forming insulating materials on a substrate characterised by the process for the formation of the insulating layer formation by a process other than a deposition process formation by oxidation, e.g. oxidation of the substrate
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
    • H01L21/67005—Apparatus not specifically provided for elsewhere
    • H01L21/67242—Apparatus for monitoring, sorting or marking
    • H01L21/67253—Process monitoring, e.g. flow or thickness monitoring
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Automation & Control Theory (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Power Engineering (AREA)
  • Geometry (AREA)
  • Quality & Reliability (AREA)
  • General Factory Administration (AREA)

Abstract

Figure 2022119321000001
【課題】半導体製造装置の機械学習モデルを用いて、目標とするプロセス結果を達成可能なプロセス条件を探索する技術を提供する。
【解決手段】プロセス条件に従って処理を実行する半導体製造装置の機械学習モデルを作成し、目標とするプロセス結果を達成可能なプロセス条件を、機械学習モデルを用いて探索する情報処理装置であって、複数の回帰手法を用いて作成した複数の機械学習モデルのうち、データセットに適した機械学習モデルを選択する手段と、選択した機械学習モデルを用いて最適化計算を行い、複数のプロセス条件、プロセス結果の予測値、及び予測値の信頼度を算出する手段と、プロセス結果の予測値及び予測値の信頼度に従って、１つ以上のプロセス条件を選択する手段と、選択したプロセス条件、プロセス結果の予測値、及び予測値の信頼度を表示する手段と、を有することで上記課題を解決する。
【選択図】図１

Description

本開示は、情報処理装置、プログラム及びプロセス条件探索方法に関する。
例えばエッチングプロセスのシミュレーションを、パラメータを変更しながら繰り返し実行する際に物理量を推定する技術は従来から知られている（例えば特許文献１参照）。
国際公開第２０１６／１３２７５９号パンフレット
本開示は、半導体製造装置の機械学習モデルを用いて、目標とするプロセス結果を達成可能なプロセス条件を探索する技術を提供する。
本開示の一態様は、プロセス条件に従って処理を実行する半導体製造装置の機械学習モデルを作成し、目標とするプロセス結果を達成可能な前記プロセス条件を、前記機械学習モデルを用いて探索する情報処理装置であって、複数の回帰手法を用いて作成した複数の前記機械学習モデルのうち、前記機械学習モデルの学習に用いたデータセットに適した前記機械学習モデルを選択する機械学習モデル選択手段と、選択した前記機械学習モデルを用いて最適化計算を行い、前記目標とするプロセス結果を達成する複数の前記プロセス条件、前記プロセス条件に対応した前記プロセス結果の予測値、及び前記予測値の信頼度を算出する算出手段と、前記プロセス結果の予測値、及び前記予測値の信頼度に従って、前記目標とするプロセス結果を達成する複数の前記プロセス条件から１つ以上の前記プロセス条件を選択するプロセス条件選択手段と、選択した前記プロセス条件、選択した前記プロセス条件に対応した前記プロセス結果の予測値、及び前記予測値の信頼度を表示する表示制御手段と、を有する。
本開示によれば、半導体製造装置の機械学習モデルを用いて、目標とするプロセス結果を達成可能なプロセス条件を探索できる。
本実施形態に係る情報処理システムの一例の構成図である。 コンピュータの一例のハードウェア構成図である。 本実施形態に係る解析サーバの一例の機能ブロック図である。 本実施形態に係る情報処理システムの処理の一例のフローチャートである。 入力画面の一例のイメージ図である。 出力画面の一例のイメージ図である。 多目的最適化計算の結果の一例の表示例である。 予測の信頼度の一例の表示例である。
以下、図面を参照して、本発明を実施するための形態の説明を行う。
＜システム構成＞
図１は本実施形態に係る情報処理システムの一例の構成図である。図１に示す情報処理システム１は、半導体製造装置１０、装置制御コントローラ２０、ホストコンピュータ２２、外部測定器２４、及び解析サーバ２６を有する。
半導体製造装置１０、装置制御コントローラ２０、ホストコンピュータ２２、外部測定器２４、及び解析サーバ２６は、ＬＡＮ（Local Area Network）などのネットワーク４０を介して通信可能に接続される。
半導体製造装置１０は例えば熱処理成膜装置であり、装置制御コントローラ２０から出力された制御命令（プロセス条件）に従って、半導体製造プロセスの各工程（例えば、成膜、エッチング、アッシング、クリーニングなど）に応じた処理を実行する。プロセス条件は、半導体製造プロセスの条件であり、半導体製造装置１０の制御部品（制御ノブ）を制御（調整）するパラメータの組み合わせである。制御ノブを調整するパラメータの組み合わせは、多岐にわたる。
装置制御コントローラ２０は半導体製造装置１０を制御するためのコンピュータ構成を持ったコントローラである。装置制御コントローラ２０は、後述のように算出され、選択されたプロセス条件を、半導体製造装置１０の制御ノブを調整するパラメータとして半導体製造装置１０に出力する。
ホストコンピュータ２２は、半導体製造装置１０に対する指示を作業者から受け付けると共に、半導体製造装置１０に関する情報を表示すること等により作業者に提供するマンマシンインタフェース（ＭＭＩ）の一例である。
外部測定器２４は、膜厚測定器、シート抵抗測定器、パーティクル測定器など、プロセス条件に従った処理の実行後の結果（プロセス結果）を測定する測定器である。外部測定器２４はプロセス結果の是非を判定する指標の実測値を測定する。プロセス結果の是非を判定する指標は、多岐にわたる。例えば外部測定器２４はモニタウェーハ等のウェーハ上の膜の付き具合（成膜結果）を、プロセス結果の実測値の一例として測定する。
解析サーバ２６は、後述するように、複数の回帰手法を用いて複数の機械学習モデルを作成し、作成した機械学習モデルを用いて目標とするプロセス結果を達成可能なプロセス条件を算出する。また、解析サーバ２６は後述するように、目標とするプロセス結果を達成可能な複数のプロセス条件から、それぞれのプロセス条件に対応するプロセス結果の予測値、及びその予測値の信頼度などに従い、作業者などに対して提案するプロセス条件を選択する。
作業者は解析サーバ２６により選択されたプロセス条件に従って半導体製造装置１０に処理を実行させる。プロセス条件に従った処理の実行後、作業者は外部測定器２４を用いてプロセス結果の実測値を測定する。プロセス条件と、そのプロセス条件に従って半導体製造装置１０に処理を実行させた場合のプロセス結果（プロセス条件に対応するプロセス結果）は、解析サーバ２６にフィードバックすることで、次回以降に算出されるプロセス条件の精度が向上する。
作業者は、プロセス結果の実測値が、プロセス結果の目標値を達成していれば目標とするプロセス結果を達成可能なプロセス条件の探索を終了し、プロセス結果の目標値を達成していなければ目標とするプロセス結果を達成可能なプロセス条件の探索を継続する。
なお、図１の情報処理システム１は一例であり、用途や目的に応じて様々なシステム構成例があることは言うまでもない。図１の半導体製造装置１０、装置制御コントローラ２０、ホストコンピュータ２２、外部測定器２４、及び解析サーバ２６のような装置の区分は一例である。
例えば情報処理システム１は、半導体製造装置１０、装置制御コントローラ２０、ホストコンピュータ２２、外部測定器２４、及び解析サーバ２６の２つ以上が一体化された構成や、更に分割された構成など、様々な構成が可能である。
＜ハードウェア構成＞
情報処理システム１の装置制御コントローラ２０、ホストコンピュータ２２、及び解析サーバ２６は、例えば図２のハードウェア構成のコンピュータにより実現される。図２はコンピュータの一例のハードウェア構成図である。
図２のコンピュータ５００は、入力装置５０１、出力装置５０２、外部Ｉ／Ｆ（インタフェース）５０３、ＲＡＭ（Random Access Memory）５０４、ＲＯＭ（Read Only Memory）５０５、ＣＰＵ（Central Processing Unit）５０６、通信Ｉ／Ｆ５０７及びＨＤＤ（Hard Disk Drive）５０８などを備え、それぞれがバスＢで相互に接続されている。なお、入力装置５０１及び出力装置５０２は必要なときに接続して利用する形態であってもよい。
入力装置５０１はキーボードやマウス、タッチパネルなどであり、作業者等が各操作信号を入力するのに用いられる。出力装置５０２はディスプレイ等であり、コンピュータ５００による処理結果を表示する。通信Ｉ／Ｆ５０７はコンピュータ５００をネットワーク４０に接続するインタフェースである。ＨＤＤ５０８は、プログラムやデータを格納している不揮発性の記憶装置の一例である。
外部Ｉ／Ｆ５０３は、外部装置とのインタフェースである。コンピュータ５００は外部Ｉ／Ｆ５０３を介してＳＤ（Secure Digital）メモリカードなどの記録媒体５０３ａの読み取り及び／又は書き込みを行うことができる。ＲＯＭ５０５は、プログラムやデータが格納された不揮発性の半導体メモリ（記憶装置）の一例である。ＲＡＭ５０４はプログラムやデータを一時保持する揮発性の半導体メモリ（記憶装置）の一例である。
ＣＰＵ５０６は、ＲＯＭ５０５やＨＤＤ５０８などの記憶装置からプログラムやデータをＲＡＭ５０４上に読み出し、処理を実行することで、コンピュータ５００全体の制御や機能を実現する演算装置である。
図１に示した装置制御コントローラ２０、ホストコンピュータ２２、及び解析サーバ２６は、例えば図２のハードウェア構成のコンピュータ５００でプログラムを実行することにより、後述の各種機能を実現できる。
＜機能構成＞
本実施形態に係る情報処理システム１の解析サーバ２６は、例えば図３に示すような機能ブロックで実現される。図３は、本実施形態に係る解析サーバの一例の機能ブロック図である。なお、図３の機能ブロック図は、本実施形態の説明に不要な構成について図示を省略している。
解析サーバ２６は解析サーバ２６用のプログラムを実行することにより、機械学習モデル作成部５０、機械学習モデル選択部５２、算出部５４、プロセス条件選択部５６、表示制御部５８、プロセス結果受付部６０、判定部６２、フィードバック部６４、及びデータセット記憶部６６を実現している。
データセット記憶部６６は、機械学習モデル作成部５０及び機械学習モデル選択部５２が利用するデータセットを記憶している。データセット記憶部６６が記憶しているデータセットは、制御ノブを調整するパラメータの組み合わせ（プロセス条件）と、そのプロセス条件に対応したプロセス結果の実測値と、を対応付けている。例えばデータセット記憶部６６が記憶しているデータセットは、複数のプロセス条件で半導体製造装置１０に処理を実行させ、それぞれのプロセス条件に従って処理を実行した場合のプロセス結果の実測値をデータ収集することで、準備される。
データセット記憶部６６が記憶するデータセットは、機械学習モデル作成部５０が利用する学習用データと、機械学習モデル選択部５２が利用する評価用データと、が含まれている。例えば交差検証（クロスバリデーション）と呼ばれる汎化性能を評価する統計的な手法では、データをｋ個に分割して、１つを評価用データとし、残りのｋ－１個を学習用データとして利用する。
機械学習モデル作成部５０は、データセット記憶部６６が記憶するデータセットの学習用データを使用し、線形回帰や非線形回帰などの複数の回帰手法の機械学習モデルを作成する。
機械学習モデル選択部５２は、機械学習モデル作成部５０が作成した複数の機械学習モデルのうち、データセット記憶部６６が記憶するデータセットの評価用データを使用することで、準備したデータセットに適した１つ以上の機械学習モデルを選択する。
算出部５４は、例えば作業者が設定した目標とするプロセス結果を取得する。算出部５４は、データセット記憶部６６などに記憶しておいた目標とするプロセス結果を取得するようにしてもよいし、作業者が入力画面などに入力した目標とするプロセス結果を取得するようにしてもよい。
算出部５４は、機械学習モデル選択部５２が選択した１つ以上の機械学習モデルを用いて多目的最適化計算を行い、目標とするプロセス結果を達成する複数のプロセス条件を算出する。目標とするプロセス結果の指標は複数存在するため、算出部５４は多目的最適化を行い、目標とするプロセス結果の全ての指標を達成するようなプロセス条件、又は目標とするプロセス結果に近くなるプロセス条件を複数算出する。
また、機械学習モデルには予測値の信頼度を計算できるものがある。そこで、算出部５４は算出したプロセス条件、そのプロセス条件に対応するプロセス結果の予測値、及びその予測値の信頼度を算出する。予測値の信頼度を計算できない機械学習モデルの予測値の信頼度は、予測値の信頼度を計算できる他の機械学習モデルを用いて算出する。予測値の信頼度は、どのプロセス条件に従って半導体製造装置に処理を実行させるか、言い換えればプログラムがプロセス条件を選択するための判断材料の一つとなる。
プロセス条件選択部５６は、算出部５４が算出した複数のプロセス条件から、１つ以上のプロセス条件を選択する。例えばプロセス条件選択部５６は、算出部５４が算出した複数のプロセス条件それぞれのプロセス結果の予測値、及びその予測値の信頼度から、予測プロセス性能がよく、信頼度が高いプロセス条件を選択する。予測プロセス性能は、プロセス結果の目標に対する予測値の達成度から判定できる。プロセス条件の信頼度はプロセス結果の予測値の信頼度から判定できる。
表示制御部５８は、プロセス条件選択部５６が選択した１つ以上のプロセス条件、そのプロセス条件に対応するプロセス結果の予測値の達成度、及びその予測値の信頼度を出力画面などに表示する。したがって、作業者は機械学習モデルが目標とするプロセス結果を達成可能と予測した１つ以上のプロセス条件を確認できる。また、表示制御部５８は作業者から目標とするプロセス結果の入力を受け付ける入力画面などの表示、後述するようなプロセス条件の探索を継続するか終了するかを判定した結果などの表示を行う。
この後、作業者はプロセス条件選択部５６が選択した１つ以上のプロセス条件に従って半導体製造装置１０に処理を実行させる。また、作業者は外部測定器２４を使用してプロセス条件に従った処理の実行後のプロセス結果の実測値を測定する。作業者は外部測定器２４を使用して測定したプロセス結果の実測値を解析サーバ２６に提供する。なお、解析サーバ２６に対するプロセス結果の実測値の提供は、外部測定器２４からネットワーク４０を介して行うようにしてもよいし、ＵＳＢ（ユニバーサルシリアルバス）メモリなどの記録媒体を介して行うようにしてもよい。
プロセス結果受付部６０は、１つ以上のプロセス条件それぞれに対応するプロセス結果の実測値を受け付ける。判定部６２は、プロセス条件選択部５６が選択した１つ以上のプロセス条件それぞれのプロセス結果の目標値と、プロセス結果受付部６０が受け付けたプロセス結果の実測値と、を比較し、プロセス結果の目標値に対する実測値の達成度からプロセス条件の探索を継続するか終了するかを判定する。判定部６２は、プロセス条件の探索を継続するか終了するかの判定の結果を、例えば表示制御部５８に表示させる。
フィードバック部６４は、プロセス条件と、そのプロセス条件に対応するプロセス結果の実測値と、をデータセット記憶部６６が記憶するデータセットに加え、プロセス結果をフィードバックする。このように、本実施形態に係る解析サーバ２６はプロセス条件に対応するプロセス結果の実測値がフィードバックされるため、学習機能が働き、次回以降の計算精度が向上する。
＜処理＞
以下では、目標とする成膜結果を達成可能なプロセス条件を、作業者が機械学習モデルを用いて探索する例を説明する。成膜結果はプロセス結果の一例である。
図４は本実施形態に係る情報処理システムの処理の一例のフローチャートである。本実施形態に係る情報処理システム１は機械学習に利用するデータセットを準備しておく必要がある。ステップＳ１０において、例えば作業者はプロセス条件を変化させながら、半導体製造装置１０に成膜処理を実行させ、それぞれのプロセス条件に従って成膜処理を実行した場合の成膜結果の実測値をデータ収集することで、データセットを準備する。また、データセットの準備は必ずしも作業者の手で行う必要はない。例えば、データセットは実験計画法を自動実行することで準備するようにしてもよい。準備したデータセットはデータセット記憶部６６に記憶される。
目標とする成膜結果を達成可能なプロセス条件の探索を開始する作業者は、例えば図５に示すような入力画面１０００に必要な情報を設定し、計算実行ボタン１００８を押下する操作を行うことで、プロセス条件の探索を開始できる。
図５は入力画面の一例のイメージ図である。図５の入力画面１０００は、目標値入力欄１００２、制御ノブの振り幅制限入力欄１００４、使用するモデルのリストを表示する表示欄１００６、計算実行ボタン１００８、及び成膜結果入力欄１０１０を含む。
目標値入力欄１００２は目標とする成膜結果の是非を判定する指標（目標値）を設定する欄である。成膜結果の目標値は、例えば膜厚、面内均一性、屈折率、ウエットエッチングレート（ＷＥＲ）などの複数の指標がある。また、目標値入力欄１００２は目標値ごとの優先度を設定できるようにしてもよい。
制御ノブの振り幅制限入力欄１００４は制御ノブ（温度、圧力、ガスなど）を調整するパラメータの振り幅上下限を制御ノブ毎に設定する欄である。また、制御ノブの振り幅制限入力欄１００４は制御ノブごとに使用優先度を設定できるようにしてもよい。例えばＮ２ガスを使っている場合は、Ｎ２ガスの流量の上下限を設定する。
使用するモデルのリストを表示する表示欄１００６は、準備したデータセットに適した１つ以上の機械学習モデルを、使用する機械学習モデルのリストとして表示する。表示欄１００６は、使用する機械学習モデルのリストの変更を作業者から受け付けるようにしてもよい。
計算実行ボタン１００８は、作業者からプロセス条件の探索の開始指示を受け付ける開始指示受付部の一例である。作業者から計算実行ボタン１００８の押下操作を受け付けた解析サーバ２６は、例えば表示欄１００６に使用するモデルとして表示されている機械学習モデルを用いた多目的最適化計算を開始する。
成膜結果入力欄１０１０は、プロセス条件選択部５６が選択した１つ以上のプロセス条件に従って半導体製造装置１０に成膜処理を実行させた後、外部測定器２４を使用して測定した成膜結果の実測値を入力する欄である。
図４のステップＳ１２に戻り、解析サーバ２６の機械学習モデル作成部５０は、データセット記憶部６６が記憶するデータセットの学習用データを使用し、線形回帰や非線形回帰などの複数の回帰手法の機械学習モデルを作成する。また、機械学習モデル選択部５２は機械学習モデル作成部５０が作成した複数の機械学習モデルのうち、データセット記憶部６６が記憶するデータセットの評価用データを使用することで、準備したデータセットに適した１つ以上の機械学習モデルを選択する。
ステップＳ１４において、算出部５４は例えば目標値入力欄１００２に設定された成膜結果の目標値を取得する。また、算出部５４は機械学習モデル選択部５２が選択した１つ以上の機械学習モデルを用いて多目的最適化計算を行い、成膜結果の目標値を達成するプロセス条件、そのプロセス条件に対応する成膜結果の予測値、及びその予測値の信頼度をプロセス条件ごとに算出する。
ステップＳ１６において、プロセス条件選択部５６は、算出部５４が算出した複数のプロセス条件から、１つ以上のプロセス条件を選択する。プロセス条件選択部５６は算出部５４が算出した複数のプロセス条件それぞれの成膜結果の予測値、及びその予測値の信頼度から、予測プロセス性能がよく、信頼度が高いプロセス条件を選択する。プロセス条件選択部５６はプロセス条件を選択する操作を作業者から受け付けてもよい。
ステップＳ１８において、表示制御部５８は、プロセス条件選択部５６が選択した１つ以上のプロセス条件、そのプロセス条件に対応する成膜結果の予測値の達成度、及びその予測値の信頼度を、例えば図６に示すような出力画面１１００などに表示する。
図６は出力画面の一例のイメージ図である。図６の出力画面１１００は、多目的最適化の結果の表示欄１１０２、予測の信頼度の表示欄１１０４、予測成膜結果の表示欄１１０６、及び提案するプロセス条件のリストの表示欄１１０８を含む。
多目的最適化の結果の表示欄１１０２は、算出部５４が１つ以上の機械学習モデルを用いて行った多目的最適化計算の結果を表示する。例えば多目的最適化の結果の表示欄１１０２には図７に示すようなグラフで多目的最適化計算の結果が表示される。
図７は多目的最適化計算の結果の一例の表示例である。図７の多目的最適化の結果の表示欄１１０２は、成膜結果の第１の目標値に対する予測値の達成度を横軸、成膜結果の第２の目標値に対する予測値の達成度を縦軸とするグラフで、多目的最適化計算の結果であるプロセス条件を表した例である。図７のグラフにおいて、それぞれのプロットは多目的最適化計算の結果である複数のプロセス条件を表している。
予測の信頼度の表示欄１１０４は、１つ以上の機械学習モデルを用いて行った多目的最適化計算の結果による予測の信頼度を表示する。例えば予測の信頼度の表示欄１１０４には図８に示すようなグラフで予測の信頼度が表示される。
図８は予測の信頼度の一例の表示例である。図８の予測の信頼度の表示欄１１０４は成膜結果の第１の目標値に対する予測値の達成度を横軸、予測値の信頼度を縦軸とするグラフで、プロセス条件ごとの目標値に対する予測値の達成度と、その予測値の信頼度とを表した例である。図８のグラフにおいて、それぞれのプロットは多目的最適化計算の結果である複数のプロセス条件を表している。
予測成膜結果の表示欄１１０８は、多目的最適化計算の結果である複数のプロセス条件から選択した、半導体製造装置１０での成膜処理の実行を提案するプロセス条件のリストを表示する。なお、予測成膜結果の表示欄１１０８は、半導体製造装置１０での成膜処理を実行するプロセス条件のリストの変更を作業者から受け付けるようにしてもよい。予測成膜結果の表示欄１１０６は、予測成膜結果の表示欄１１０８で提案しているプロセス条件ごとの成膜結果の予測値を表示する。
なお、図６の出力画面１１００の多目的最適化の結果の表示欄１１０２及び予測の信頼度の表示欄１１０４に表示する第１の目標値及び第２の目標値は一例であって、作業者が選択できることが望ましい。作業者は図６の出力画面１１００を参照し、半導体製造装置１０で実行する成膜処理の１つ以上のプロセス条件を決定する。
作業者は、決定した１つ以上のプロセス条件で半導体製造装置１０に成膜処理を実行させる。成膜処理が終了すると、作業者は外部測定器２４を使用して、それぞれのプロセス条件に従った成膜結果の実測値を測定する。作業者は外部測定器２４を使用して測定した成膜結果の実測値を、例えば図５の成膜結果入力欄１０１０に入力し、解析サーバ２６に提供する。プロセス結果受付部６０は、１つ以上のプロセス条件それぞれに対応する成膜結果の実測値を受け付ける。
１つ以上のプロセス条件それぞれに対応する成膜結果の実測値をプロセス結果受付部６０が受け付けると、解析サーバ２６の判定部６２はステップＳ２０の処理からステップＳ２２の処理に進む。
ステップＳ２２において、判定部６２は半導体製造装置１０で成膜処理を実行したプロセス条件のそれぞれの成膜結果の目標値と成膜結果の実測値とを比較することで、成膜結果の目標値に対する実測値の達成度からプロセス条件の探索を継続するか終了するかを判定する。
プロセス条件の探索を継続すると判定すると、ステップＳ２４の処理からステップＳ２６の処理に進み、フィードバック部６４は半導体製造装置１０で成膜処理を実行したプロセス条件と、そのプロセス条件に対応するプロセス結果の実測値と、をデータセット記憶部６６が記憶するデータセットに加え、プロセス結果をフィードバックする。解析サーバ２６はステップＳ２６の処理からステップＳ１２の処理に戻る。プロセス条件の探索を終了すると判定すると、解析サーバ２６は図４のフローチャートの処理を終了する。
なお、上記ではステップＳ１６の処理において、算出部５４が算出した複数のプロセス条件それぞれの成膜結果の予測値、及びその予測値の信頼度から、プロセス条件を選択する例を説明したが、この例に限定されない。ステップＳ１６の処理では、成膜結果の目標値の優先度、制御ノブごとの使用優先度、それぞれの機械学習モデルで算出したプロセス条件の類似の程度などに従い、プロセス条件を選択してもよい。
ステップＳ１６の処理において、プロセス条件選択部５６は算出部５４が多目的最適化計算を行い算出した複数のプロセス条件から、例えば以下のように１つ以上のプロセス条件を選択する。
例えばステップＳ１６の処理では、以下のような２つの目的関数ｆｊ（ｘｉ）の総和Ｊｉが最も大きいプロセス条件を選択することを考える。多目的最適化計算を行い算出したプロセス条件はｘｉである。目的関数はｆｊ（ｘｉ）である。下記の例でＪ１＞Ｊ２＞Ｊ３であり、提案するプロセス条件の数が１つの場合、プロセス条件選択部５６はプロセス条件ｘ１を作業者に提案する。
Ｊ１＝ｆ１（ｘ１）＋ｆ２（ｘ１）
Ｊ２＝ｆ１（ｘ２）＋ｆ２（ｘ２）
Ｊ３＝ｆ１（ｘ３）＋ｆ２（ｘ３）
なお、上記したように、成膜結果の目標値に優先度を設定している場合や、制御ノブの使用優先度を設定している場合は、上記の式に優先度に応じた重みを付けることで対応できる。
また、ステップＳ１２の処理では、複数の回帰手法を目的別に使い分けてもよい。例えば複数の回帰手法は、制御ノブ毎の線形・非線形性に応じた機械学習モデルの使い分けが可能である。線形モデルで十分に表せる制御ノブのプロセス条件に対しては、線形回帰モデルを採用する。また、非線形性が強い制御ノブのプロセス条件に対しては、非線形モデルを採用する。機械学習モデルの選択は機械学習モデル選択部５２が行うが、例えば作業者による操作で行うようにしてもよい。
また、ステップＳ１２の処理では、非線形モデルから局所線形回帰モデルへの切り替えを行うようにしてもよい。データが十分に増えた領域では、非線形モデルから局所線形回帰モデルに切り替えることで、より正しい機械学習モデルを使った最適化を行うことができる。
なお、本実施形態では、成膜結果に複数の目標値が含まれ、また、プロセス条件に複数の制御ノブを調整する複数のパラメータが含まれる例を説明したが、成膜結果に単一の目標値が含まれ、また、プロセス条件に単一の制御ノブを調整するパラメータが含まれる場合にも適用可能である。
本実施形態によれば、プロセス結果の是非を判定する目的値が多岐にわたり、半導体製造装置１０の顧客毎にプロセス結果の目標値が異なるため、顧客のプロセス結果の目標値を達成するためのプロセス条件の探索に時間が掛かるという課題を解決できる。
以上、本発明の好ましい実施例について詳説したが、本発明は、上述した実施例に制限されることはなく、本発明の範囲を逸脱することなく、上述した実施例に種々の変形及び置換を加えることができる。例えば本実施形態では、熱処理成膜装置を一例として説明したが、ＣＶＤ（化学的気相成長）法、熱酸化法、ＡＬＤ（原子層堆積）法などのバッチ成膜装置への適用も可能である。
１ 情報処理システム
１０ 半導体製造装置
２０ 装置制御コントローラ
２２ ホストコンピュータ
２４ 外部測定器
２６ 解析サーバ
４０ ネットワーク
５０ 機械学習モデル作成部
５２ 機械学習モデル選択部
５４ 算出部
５６ プロセス条件選択部
５８ 表示制御部
６０ プロセス結果受付部
６２ 判定部
６４ フィードバック部
６６ データセット記憶部

Claims (7)

  1. プロセス条件に従って処理を実行する半導体製造装置の機械学習モデルを作成し、目標とするプロセス結果を達成可能な前記プロセス条件を、前記機械学習モデルを用いて探索する情報処理装置であって、
    複数の回帰手法を用いて作成した複数の前記機械学習モデルのうち、前記機械学習モデルの学習に用いたデータセットに適した前記機械学習モデルを選択する機械学習モデル選択手段と、
    選択した前記機械学習モデルを用いて最適化計算を行い、前記目標とするプロセス結果を達成する複数の前記プロセス条件、前記プロセス条件に対応した前記プロセス結果の予測値、及び前記予測値の信頼度を算出する算出手段と、
    前記プロセス結果の予測値、及び前記予測値の信頼度に従って、前記目標とするプロセス結果を達成する複数の前記プロセス条件から１つ以上の前記プロセス条件を選択するプロセス条件選択手段と、
    選択した前記プロセス条件、選択した前記プロセス条件に対応した前記プロセス結果の予測値、及び前記予測値の信頼度を表示する表示制御手段と、
    を有する情報処理装置。
  2. 選択した前記プロセス条件に従って前記半導体製造装置が処理を実行したプロセス結果の実測値と前記プロセス結果の目標値との比較結果に基づき、前記プロセス条件の探索を継続するか終了するかを判定する判定手段、
    を更に有する請求項１記載の情報処理装置。
  3. 選択した前記プロセス条件と、前記プロセス条件に従って前記半導体製造装置が処理を実行したプロセス結果の実測値と、を前記機械学習モデル選択手段にフィードバックするフィードバック手段、
    を更に有する請求項１又は２記載の情報処理装置。
  4. 前記プロセス条件選択手段は、更に、前記目標とするプロセス結果に含まれる複数の目標値に付けられた優先度と、前記プロセス条件に含まれ、前記目標とするプロセス結果の達成のために調整される複数の調整対象に付けられた優先度と、前記プロセス結果の予測値の前記目標値に対する達成度と、に基づき、前記目標とするプロセス結果を達成する複数の前記プロセス条件から１つ以上の前記プロセス条件を選択すること
    を特徴とする請求項１乃至３の何れか一項に記載の情報処理装置。
  5. 前記表示制御手段は、前記複数の目標値に付ける優先度の入力欄、前記複数の調整対象に付ける優先度の入力欄、及び、用いる前記機械学習モデルを表示し、用いる前記機械学習モデルの変更を受け付ける画面を表示すること
    を特徴とする請求項４記載の情報処理装置。
  6. プロセス条件に従って処理を実行する半導体製造装置の機械学習モデルを作成し、目標とするプロセス結果を達成可能な前記プロセス条件を、前記機械学習モデルを用いて探索する情報処理装置に、
    複数の回帰手法を用いて作成した複数の前記機械学習モデルのうち、前記機械学習モデルの学習に用いたデータセットに適した前記機械学習モデルを選択する機械学習モデル選択手順、
    選択した前記機械学習モデルを用いて最適化計算を行い、前記目標とするプロセス結果を達成する複数の前記プロセス条件、前記プロセス条件に対応した前記プロセス結果の予測値、及び前記予測値の信頼度を算出する算出手順、
    前記プロセス結果の予測値、及び前記予測値の信頼度に従って、前記目標とするプロセス結果を達成する複数の前記プロセス条件から１つ以上の前記プロセス条件を選択するプロセス条件選択手順、
    選択した前記プロセス条件、選択した前記プロセス条件に対応した前記プロセス結果の予測値、及び前記予測値の信頼度を表示する表示制御手順、
    を実行させるためのプログラム。
  7. プロセス条件に従って処理を実行する半導体製造装置の機械学習モデルを作成し、目標とするプロセス結果を達成可能な前記プロセス条件を、前記機械学習モデルを用いて探索する情報処理装置のプロセス条件探索方法であって、
    複数の回帰手法を用いて作成した複数の前記機械学習モデルのうち、前記機械学習モデルの学習に用いたデータセットに適した前記機械学習モデルを選択する機械学習モデル選択工程と、
    選択した前記機械学習モデルを用いて最適化計算を行い、前記目標とするプロセス結果を達成する複数の前記プロセス条件、前記プロセス条件に対応した前記プロセス結果の予測値、及び前記予測値の信頼度を算出する算出工程と、
    前記プロセス結果の予測値、及び前記予測値の信頼度に従って、前記目標とするプロセス結果を達成する複数の前記プロセス条件から１つ以上の前記プロセス条件を選択するプロセス条件選択工程と、
    選択した前記プロセス条件、選択した前記プロセス条件に対応した前記プロセス結果の予測値、及び前記予測値の信頼度を表示する表示制御工程と、
    を有するプロセス条件探索方法。
JP2021016352A 2021-02-04 2021-02-04 情報処理装置、プログラム及びプロセス条件探索方法 Pending JP2022119321A (ja)

Priority Applications (5)

Application Number Priority Date Filing Date Title
JP2021016352A JP2022119321A (ja) 2021-02-04 2021-02-04 情報処理装置、プログラム及びプロセス条件探索方法
KR1020220009210A KR20220112681A (ko) 2021-02-04 2022-01-21 정보 처리 장치, 기록 매체 및 프로세스 조건 탐색 방법
TW111102542A TW202246919A (zh) 2021-02-04 2022-01-21 資訊處理裝置、程式及製程條件探索方法
CN202210085909.6A CN114861930A (zh) 2021-02-04 2022-01-25 信息处理装置、程序和工艺条件搜索方法
US17/584,712 US20220244685A1 (en) 2021-02-04 2022-01-26 Information processing device, recording medium, and process condition search method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2021016352A JP2022119321A (ja) 2021-02-04 2021-02-04 情報処理装置、プログラム及びプロセス条件探索方法

Publications (1)

Publication Number Publication Date
JP2022119321A true JP2022119321A (ja) 2022-08-17

Family

ID=82611385

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2021016352A Pending JP2022119321A (ja) 2021-02-04 2021-02-04 情報処理装置、プログラム及びプロセス条件探索方法

Country Status (5)

Country Link
US (1) US20220244685A1 (ja)
JP (1) JP2022119321A (ja)
KR (1) KR20220112681A (ja)
CN (1) CN114861930A (ja)
TW (1) TW202246919A (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20240080126A (ko) 2022-11-29 2024-06-05 도쿄엘렉트론가부시키가이샤 정보 처리 장치, 기억 매체 및 최적해 탐색 방법

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7241663B2 (ja) * 2019-11-01 2023-03-17 東京エレクトロン株式会社 情報処理装置、情報処理方法、情報処理プログラム及び半導体製造装置
IL295124A (en) * 2022-07-27 2024-02-01 Citrusx Ltd A computerized system for analyzing a trained machine learning model

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10534355B2 (en) 2015-02-20 2020-01-14 Sony Semiconductor Solutions Corporation Information processing device, processing device, prediction method, and processing method
US10552002B1 (en) * 2016-09-27 2020-02-04 Palantir Technologies Inc. User interface based variable machine modeling
JP7121506B2 (ja) * 2018-03-14 2022-08-18 株式会社日立ハイテク 探索装置、探索方法及びプラズマ処理装置
JP7017985B2 (ja) * 2018-06-05 2022-02-09 株式会社日立製作所 システム及び処理条件の決定方法
JP7413742B2 (ja) * 2019-12-05 2024-01-16 オムロン株式会社 予測システム、情報処理装置および情報処理プログラム
US20220207351A1 (en) * 2020-12-30 2022-06-30 Semiconductor Components Industries, Llc Semiconductor design optimization using at least one neural network

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20240080126A (ko) 2022-11-29 2024-06-05 도쿄엘렉트론가부시키가이샤 정보 처리 장치, 기억 매체 및 최적해 탐색 방법

Also Published As

Publication number Publication date
US20220244685A1 (en) 2022-08-04
CN114861930A (zh) 2022-08-05
TW202246919A (zh) 2022-12-01
KR20220112681A (ko) 2022-08-11

Similar Documents

Publication Publication Date Title
JP2022119321A (ja) 情報処理装置、プログラム及びプロセス条件探索方法
US11907235B2 (en) Plasma processing apparatus including predictive control
US8494798B2 (en) Automated model building and batch model building for a manufacturing process, process monitoring, and fault detection
US10846110B2 (en) User interface usage measurement and user interface design using machine learning
US20160266724A1 (en) In-context user feedback probe
JP6919770B2 (ja) パラメータ探索方法、パラメータ探索装置、及びパラメータ探索用プログラム
US20050267891A1 (en) Optimization of buffer pool sizes for data storage
JP2016045799A (ja) 予測モデル生成装置、予測モデル生成方法及びプログラム
US11237544B2 (en) Information processing device, program, process treatment executing device, and information processing system
Tarrio-Saavedra et al. Simulation study for generalized logistic function in thermal data modeling
KR20140088189A (ko) 시간­기반의 장비 센서 데이터 및 재료­기반의 계측 통계적 프로세스 제어 데이터의 양­방향적 연관 및 그래픽적 획득
TWI726401B (zh) 資料處理方法、裝置與系統、以及電腦可讀取記錄媒體
Xiang et al. Fault classification for high‐dimensional data streams: A directional diagnostic framework based on multiple hypothesis testing
WO2014188524A1 (ja) 作業時間推定装置
JP2020071827A (ja) ポリマー設計装置、プログラム、および方法
US20120203369A1 (en) Manufacturing execution system (mes) including a wafer sampling engine (wse) for a semiconductor manufacturing process
JPWO2015163322A1 (ja) データ分析装置、データ分析方法およびプログラム
US20210073651A1 (en) Model generating method and model generating apparatus
Yang et al. Subsampling approach for least squares fitting of semi-parametric accelerated failure time models to massive survival data
Bonilla‐Petriciolet et al. Phase Equilibrium Data Reconciliation Using Multi‐Objective Differential Evolution with Tabu List
JP7200577B2 (ja) 情報処理装置、情報処理システム、情報処理方法、及びプログラム。
TW202343296A (zh) 半導體設備不匹配性能的貝葉斯分解
JP7115059B2 (ja) 最適化装置、最適化方法、およびプログラム
JP2024078113A (ja) 情報処理装置、プログラム及び最適解探索方法
US20140320501A1 (en) Goodness of fit based on error calculation and fit type

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20231107