JP4699367B2 - 適応性多変数分析を使用して処理装置を診断する方法および装置 - Google Patents

Description

本発明は、主成分分析（ＰＣＡ）を使用して処理装置を診断する方法、より詳細には、更新されたＰＣＡの利用に関する。

半導体製造におけるような材料処理装置のモデル作成および制御は、歴史的に非常に挑戦的な仕事であった。材料処理装置は、代表的には、各々が独特な化学、機械的および電気的特性を有する様々な処理レシピおよび製品を処理する。また、材料処理装置は、重要な部品が清浄されるか或いは取り替えられる頻繁なメンテナンスサイクルを受け、周期的な問題が起こると、これらの問題は、新規なハードウエア設計で取り組まれる。また、少数の基板品質計量値を性能に直接関係付ける処理工程がある。統合計測学なしでは、これらの測定は、遅らされ、しばしば、基板毎には測定されない。これらの問題点は、簡単なツールではすでにモデル作成し難い複雑な処理装置の一因となる。

モデルにおいて処理装置の挙動を捕らえる１つの方法は、主成分分析（ＰＣＡ）のような多変数分析を処理装置データに適用することである。しかしながら、処理装置のドリフトならびにトレースデータの変化に起因して、静的ＰＣＡモデルは、長い水平線にわたって単一の処理装置のための監視を可能にするのに十分でない。更に、１つの処理装置のための開発されたモデルは、他の処理装置まで、例えば、１つのエッチング処理チャンバから同じ設計の他のエッチング処理チャンバまで持ち越すことができない。

本発明の１つの目的は、前述の問題の幾つかまたはすべて、または従来技術における他の問題を解決するか、或いは軽減することである。

本発明の他の目的は、長い水平線にわたって単一の処理装置のための監視を可能にする強靭なモデルを提供することである。

本発明の更に他の目的は、１つより多い処理装置への有用な適応が可能である強靭なモデルを提供することである。

課題を解決する手段

本発明のこれらの目的および他の目的は、本発明による適応性多変数分析を使用して処理装置を診断する方法によって満たされ得る。

１つの態様によれば、半導体製造の過程中、基板を処理するための処理装置を監視する方法が示される。この方法は、複数の観測について処理装置から複数のデータパラメータを備えているデータを得ることと、センターリング係数を含めて、データから主成分分析（ＰＣＡ）モデルを構成することと、複数のデータパラメータの追加の観測を有する追加のデータを処理装置から得ることと、センターリング係数を調整してＰＣＡモデルにおけるデータパラメータの各々のための更新された適応性センターリング係数を生成することと、更新された適応性センターリング係数をＰＣＡモデルにおけるデータパラメータの各々に適用することと、ＰＣＡモデルを使用して追加のデータから少なくとも１つの統計量値を定めることと、少なくとも１つの統計量値のための制御限界を設定することと、少なくとも１つの統計量値を制御限界と比較することとを有している。また、この方法は、ＰＣＡモデルからスケーリング係数を定めることと、スケーリング係数を調整してＰＣＡモデルにおけるデータパラメータの各々のための更新された適応性スケーリング係数を生成することと、更新された適応性スケーリング係数をＰＣＡモデルにおける前記データパラメータの各々に適用することとを有している。

他の態様によれば、半導体製造の過程中、基板を処理するための処理装置を監視するための主成分分析（ＰＣＡ）モデルの改良が示され、この改良は、所定のデータパラメータの現在の観測中の各データパラメータのための適応性センターリング係数を有しており、
適応性センターリング係数は、適応性センターリング係数の以前の値と、現在の観測についてのデータパラメータの現在の値とを組合せたものであり、以前の値は、現在の観測に先立つ複数の観測中のデータパラメータの平均値よりなる。また、この改良は、更に、所定のデータパラメータの現在の観測中の各データパラメータのための適応性スケーリング係数を有することができ、適応性スケーリング係数は、再帰的な標準偏差フィルタの適用よりなり、式は、適応性スケーリング係数の以前の値と、前記現在の観測についての各データパラメータの現在の値と、適応性センターリング係数の以前の値とを組合せたものであり、適応性センターリング係数の以前の値は、前記現在の観測に先立つ複数の観測中のデータパラメータの標準偏差よりなり、適応性センターリング係数の以前の値は、現在の観測に先立つ複数の観測中のデータパラメータの平均値よりなる。

更に、他の態様によれば、半導体製造の過程中、基板を処理するための処理装置が示され、この処理装置は、処理ツールと、この処理ツールに接続されている処理性能監視装置とを有しており、この処理性能監視装置は、処理ツールに接続された複数のセンサと、これらの複数のセンサおよび処理ツールに接続されたコントローラとを有しており、コントローラは、複数の観測について複数のデータパラメータを有するデータを複数のセンサから得る手段と、センターリング係数を含めて、これらのデータから主成分分析（ＰＣＡ）モデルを構成する手段と、追加のデータを複数のセンサから得る手段と、データパラメータの各々のための更新された適応性センターリング係数を生成するようにセンターリング係数を調整する手段と、更新された適応性センターリング係数を前記ＰＣＡモデルにおけるデータパラメータの各々に適用する手段と、ＰＣＡモデルを使用して追加のデータから少なくとも１つの統計量値を定める手段と、少なくとも１つの統計量値のための制御限界を設定する手段と、少なくとも１つの統計量値を制御限界と比較する手段とを有している。また、処理装置は、ＰＣＡモデルからスケーリング係数を定める手段と、ＰＣＡモデルにおける前記データパラメータの各々のための更新された適応性スケーリング係数を生成するようにスケーリング係数を調整する手段と、更新された適応性スケーリング係数をＰＣＡモデルにおけるデータパラメータの各々に適用する手段とを有することができる。

他の態様によれば、半導体製造の過程中、基板を処理するための処理装置を監視するための処理性能監視装置が示され、この処理性能監視装置は、処理装置に接続された複数のセンサと、これらの複数のセンサおよび処理装置に接続されたコントローラとを有しており、このコントローラは、複数の観測について複数のデータ変数を有しているデータを複数のセンサから得る手段と、複数の観測について複数のデータパラメータを備えているデータを複数のセンサから得る手段と、センターリング係数を含めて、前記データから主成分分析（ＰＣＡ）モデルを構成する手段と、追加のデータを複数のセンサから得る手段と、データパラメータの各々のための更新された適応性センターリング係数を生成するようにセンターリング係数を調整する手段と、更新された適応性センターリング係数をＰＣＡモデルにおける前記データパラメータの各々に適用する手段と、ＰＣＡモデルを使用して追加のデータから少なくとも１つの統計量値を定める手段と、少なくとも１つの統計量値のための制御限界を設定する手段と、少なくとも１つの統計量値を制御限界と比較する手段とを有している。また、更に、処理装置は、ＰＣＡモデルからスケーリング係数を定める手段と、ＰＣＡモデルにおけるデータパラメータの各々のための更新された適応性スケーリング係数を生成するようにスケーリング係数を調整する手段と、更新された適応性スケーリング係数をＰＣＡモデルにおけるデータパラメータの各々に適用する手段とを有することができる。

他の態様によれば、半導体製造の過程中、基板を処理するための第１処理装置を監視する方法が示される。この方法は、複数の観測について複数のデータ変数を有しているデータを第２処理装置から得ることと、センターリング係数を含めて、第２処理装置のためのデータから主成分分析（ＰＣＡ）モデルを構成することと、複数のデータパラメータの追加の観測を有する追加のデータを第１処理装置から得ることと、センターリング係数を調整してＰＣＡモデルにおけるデータパラメータの各々のための更新された適応性センターリング係数を生成することと、更新された適応性センターリング係数をＰＣＡモデルにおけるデータパラメータの各々に適用することと、ＰＣＡモデルを使用して追加のデータから少なくとも１つの統計量値を定めることと、少なくとも１つの統計量値のための制御限界を設定することと、少なくとも１つの統計量値を制御限界と比較することとを有している。また、この方法は、更に、ＰＣＡモデルからスケーリング係数を定めることと、スケーリング係数を調整してＰＣＡモデルにおけるデータパラメータの各々のための更新された適応性スケーリング係数を生成することと、更新された適応性スケーリング係数をＰＣＡモデルにおけるデータパラメータの各々に適用することとを有することができる。

他の態様によれば、処理装置における複数の基板ラン中に生じる処理欠陥を類別するための方法が示される。この方法は、複数の基板ラン内の各基板ランについて処理装置からの複数のデータパラメータを監視することと、多変数分析を使用して、複数の基板ラン内の、処理欠陥が生じた欠陥基板ランを識別することと、欠陥基板ランに先立つ第１の基板ランを選択することと、第１の基板ラン中、複数のデータパラメータの各々のための第１の複数の平均値を算出することと、欠陥基板ランに引き続く第２の基板ランを選択することと、第２の基板ラン中、複数のデータパラメータの各々のための第２の複数の平均値を算出することと、複数のデータパラメータの各々のための第２の複数の平均値と第１の複数の平均値との複数の差の絶対値を定めることと、第１の基板ランおよび第２の基板ランのうちの少なくとも一方の間、複数のデータパラメータの各々のための複数の標準偏差を算出することと、複数のデータパラメータの各々のための複数の標準偏差により複数の差を正規化することと、正規化された差のうちの最大の値を定めることと、複数のデータパラメータの中で、正規化された差の最大の値に対応するデータパラメータを識別することとを有している。

他の態様によれば、処理装置における複数の基板ラン中に生じる処理欠陥を識別するための方法が示される。この方法は、複数の基板ラン内の各基板ランについて処理装置からの複数のデータパラメータを監視することと、多変数分析を使用して、複数の基板ラン内の、処理欠陥が生じた欠陥基板ランを識別することと、欠陥基板ランに先立つ第１の基板ランを選択することと、第１の基板ラン中の複数のデータパラメータの各々のための第１の複数の標準偏差を算出することと、欠陥基板ランに引き続く第２の基板ランを選択することと、第２の基板ラン中の複数のデータパラメータの各々のための第２の複数の標準偏差を算出することと、複数のデータパラメータの各々のための第２の複数の標準偏差と第１の複数の標準偏差との複数の差の絶対値を定めることと、第１の基板ランおよび第２の基板ランのうちの一方の間、複数のデータパラメータの各々のための複数の平均値を算出することと、複数のデータパラメータの各々のための複数の平均値により複数の差を正規化することと、正規化された差のうちの最大の値を定めることと、複数のデータパラメータの中で、正規化された差の最大の値に対応するデータパラメータを識別することとを有している。

本発明の実施の形態によれば、材料処理装置１が図１に示されており、この材料処理装置１は、処理ツール１０と、処理性能監視装置１００とを有している。処理性能監視装置１００は、複数のセンサ５０と、コントローラ５５とを有している。また、材料処理装置１は、複数の処理ツール１０を有することができる。センサ５０は、ツールデータを測定するために処理ツール１０に接続されており、コントローラ５５は、ツールデータを受信するためにセンサ５０に接続されている。また、コントローラ５５は、更に、処理ツール１０に接続されている。しかも、コントローラ５５は、（ツール）データパラメータを使用して処理装置１の性能を監視するように構成されている。処理性能は、例えば、処理欠陥の検出を含むことができる。

図１に示される図示の実施の形態では、材料処理装置１は、材料処理のためにプラズマを利用している。望ましくは、材料処理装置１は、エッチングチャンバを有している。また、材料処理装置１は、例えば、フォトレジストスピンコーティング装置のようなフォトレジストコーティングチャンバ、例えば、紫外線（ＵＶ）リソグラフィ装置のようなフォトレジストパターン化チャンバ、例えば、スピンオンガラス（ＳＯＧ）またはスピンオン誘電体（ＳＯＤ）装置のような誘電体コーティングチャンバ、例えば、化学蒸着（ＣＶＤ）装置または物理蒸着（ＰＶＤ）装置のような蒸着チャンバ、例えば、熱焼きなまし用の急速熱処理（ＲＴＰ）装置のような急速熱処理（ＲＴＰ）チャンバ、またはバッチ処理垂直炉を有している。

図２に示される本発明の図示の実施の形態によれば、材料処理装置１は、処理ツール１０と、被処理基板が取り付けられる基板ホルダ２０と、ガス注入装置４０と、真空排気装置５８とを有している。基板２５は、例えば、半導体基板、」ウエーハまたは液晶ディスプレイ（ＬＣＤ）であることができる。処理ツール１０は、例えば、加熱された電子とイオン化可能なガスとの衝突によりプラズマが形成される場合、基板２５の表面に隣接した処理領域４５におけるプラズマの発生を容易にするように構成されることができる。イオン化可能なガスまたはガス混合物がガス注入装置４０を経て導入され、処理圧力が調整される。望ましくは、所定の材料処理の特有の材料を生成するように、そして基板２５への材料の付着または基板２５の露出面からの材料の除去を助けるために、プラズマが利用される。例えば、コントローラ５５は、真空排気装置５８およびガス注入装置４０を制御するために使用されることができる。

基板２５は、例えば、ロボット基板移送装置により、スロット弁（図示せず）およびチャンバフィードスルー（図示せず）を通して処理ツール１０へ、および処理ツール１０から移送されることができ、ロボット基板移送装置では、基板２５が、基板ホルダ２０内に収容された基板リフトピン（図示せず）により受け取られ、この移送装置に収容された装置により機械的に並進される。基板２５が基板移送装置から受け取られると、この基板は、基板ホルダ２０の上面に降下される。

例えば、基板２５は、静電クランプ装置２８を介して基板ホルダ２０に取り付けられることができる。しかも、基板ホルダ２０は、更に、この基板ホルダ２０から熱を受け、そして熱を熱交換装置（図示せず）に移送するか、或いは加熱時に、熱を熱交換装置から移送する再循環冷却材の流れを有する冷却系を有することができる。しかも、基板２５と基板ホルダ２０との間のガスギャップ熱コンダクタンスを改良するために、ガスが、裏面側ガス装置２６を経て基板の裏面側に送出されることができる。このような装置は、上昇温度または低下温度で基板の温度制御が必要とされるときに、利用されることができる。例えば、基板の温度制御は、プラズマから基板２５へ送出される熱束と、伝導により基板２５から基板ホルダ２０へ取出される熱束との釣り合いにより達成される定常状態温度を上回る温度で有用であることができる。他の実施形態では、抵抗加熱要素のような加熱要素または熱電加熱器／冷却器が備えられることができる。

図２に示されるように、基板ホルダ２０は、電極を有しており、この電極を介してＲＦ電力が処理領域４５におけるプラズマに結合出力される。例えば、基板ホルダ２０は、ＲＦ発生器３０からインピーダンス整合ネットワーク３２を通して基板ホルダ２０へのＲＦ電力の伝送によりＲＦ電圧で電気的にバイアスされることができる。ＲＦバイアスは、プラズマを形成して維持するために電子を加熱するのに役立つことができる。この構成では、装置は、チャンバおよび上側ガス注入電極が設置面として役立つ反応性イオンエッチング（ＲＩＥ）反応器として作動することができる。ＲＦバイアスのための代表的な周波数は、１ＭＨｚから１００ＭＨｚまでに及ぶことができ、好ましくは１３．５６ＭＨｚである。

また、ＲＦ電力は、多数の周波数で基板ホルダ電極に付加されることができる。更に、インピーダンス整合ネットワーク３２は、反射電力を最小にすることにより処理チャンバ１０におけるプラズマへのＲＦ電力の移送を最大にするのに役立つ。種々の整合ネットワーク位相幾何学（例えば、Ｌ−型、π―型、Ｔ−型など）および自動制御方法が利用されることができる。

図２を続けて参照すると、処理ガスは、例えば、ガス注入装置４０を通して処理領域４５に導入されることができる。処理ガスとしては、例えば、酸化物エッチング用途については、アルゴン、ＣＦ_４およびＯ_２、またはアルゴン、Ｃ_４Ｆ_８およびＯ_２のようなガス混合物、または例えば、Ｏ_２／ＣＯ／Ａｒ／Ｃ_４Ｆ_８、Ｏ_２／ＣＯ／Ａｒ／Ｃ_５Ｆ_８、Ｏ_２／ＣＯ／Ａｒ／Ｃ_４Ｆ_６、Ｏ_２／Ａｒ／Ｃ_４Ｆ_６、Ｎ２／Ｈ２のような他の化学薬品がある。ガス注入装置４０は、シャワーヘッドを有しており、このシャワーヘッドでは、処理ガスは、ガス送出し装置（図示せず）からガス注入プレナム（図示せず）、一ランの邪魔板（図示せず）および多オリフィスシャワーヘッドガス注入板（図示せず）を通して処理領域４５に供給される。

真空ポンプ装置５８は、例えば、５０００リットル／秒（およびそれ以上）までの排気速度が可能なターボ分子真空ポンプ（ＴＭＰ）、およびチャンバ圧力を絞るためのゲート弁を有することができる。乾式プラズマエッチングのために利用されている従来のプラズマ処理装置では、１０００ないし３０００リットル／秒のＴＭＰが一般に用いられている。ＴＭＰは、代表的には５０ｍＴｏｒｒ未満の低圧の処理のために有用である。より高い圧力では、ＴＭＰ排気速度は、劇的に低下する。（例えば、１００ｍＴｏｒｒより大きい）高圧の処理のためには、機械的ブースタポンプおよび乾式真空ポンプが使用されることができる。更に、チャンバ圧力を監視するための装置（図示せず）が処理チャンバ１６に接続されている。圧力測定装置は、例えば、ＭＫＳインストルメント社（アンドーバ、ＭＡ）から市販されているタイプ６２８Ｂのバラトン絶対キャパシタンス圧力計であることができる。

図１に示されるように、処理性能監視装置１００は、ツールデータを測定するために処理ツールに接続された複数のセンサ５０と、ツールデータを受信するためにセンサ５０に接続されたコントローラ５５とを有している。センサ５０としては、処理ツール１０に固有であるセンサと、処理ツール１０に固有でないセンサとの両方がある。処理ツール１０に固有であるセンサとしては、ヘリウム裏面ガス圧力、ヘリウム裏面流れ、静電気チャック（ＥＳＣ）電圧、ＥＳＣ電流、基板ホルダ２０の温度（または下側電極（ＬＥＬ）の温度）、冷却材の温度、上側電極（ＵＥＬ）の温度、前方ＲＦ電力、反射ＲＦ電力、自己誘導ＤＣバイアス、ＲＦピーク間電圧、チャンバ壁部の温度、処理ガスの流量、処理ガスの部分圧力、チャンバ圧、キャパシタ設定（すなわち、Ｃ_１およびＣ_２位置）、フォーカスリングの厚さ、ＲＦ時間、フォーカスリングＲＦ時間およびそれらの任意の統計数値の測定のような処理ツール１０の機能性に関するセンサがある。また、処理ツール１０に固有でないセンサとしては、図２に示されるように処理領域４５におけるプラズマから発せられる光を監視するための光検出装置３４、または図２に示されるように処理ツール１０の電気系統を監視するための電気測定装置３６のような、処理ツール１０の機能性に直接関係付けされないセンサがある。

光検出装置３４は、プラズマから発せられる全光の強さを測定するための（シリコン）ホトダイオードまたは光電子増倍管（ＰＭＴ）のような検出器を有することができる。光検出装置３４は、更に、狭帯域干渉フィルタのような光フィルタを有することができる。別の実施の形態では、光検出装置３４は、線ＣＣＤ（電荷結合装置）またはＣＩＤ（電荷注入装置）アレイ、および格子またはプリズムのような光分散装置を有している。更に、光検出装置３４は、所定の波長における光を測定するためのモノクロメータ（例えば、格子／検出器装置）、または例えば、米国特許第５，８８８，３３７号に記載されている装置のような光スペクトルを測定するための（例えば、回転格子を有する）分光計を有することができる。

光検出装置３４は、ピークセンサ系統からの高解像度ＯＥＳセンサを有することができる。このようなＯＥＳセンサは、紫外線（ＵＶ）、可視光線（ＶＩＳ）および近赤外（ＮＩＲ）線スペクトルにわたる広範囲スペクトルを有している。ピークセンサ系統では、解像度は、ほぼ１．４オングストロームであり、すなわち、センサは、２４０から１０００ｎｍまでの５５５０個の波長を収集することが可能である。ピークセンサ系統では、センサは、２０４８個の画素線形ＣＣＤアレイと一体化されている高感度の小型ファイバオプチックＵＶ−ＶＩＳ−ＮＩＲ分光計を備えている。

本発明の１つの実施の形態における分光計は、単一および束化光ファイバを通して伝送された光を受け、ファイバから出力された光は、固定格子を使用して線ＣＣＤアレイを横切って分散される。前述の構成と同様に、光学真空ウインドを通して発する光は、凸球面レンズを経て光ファイバの入力端部に集中される。各々が所定のスペクトル範囲（ＵＶ、ＶＩＳおよびＮＩＲ）用に特別に同調された３つの分光計が、処理チャンバ用のセンサを構成している。各分光計は、独立したＡ／Ｄ変換器を有している。最後に、センサの利用によっては、全発光スペクトルが０．１ないし１．０秒ごとに記録されることができる。

電気測定装置３６は、例えば、電流および／または電圧プローブ、電力計またはスペクトル分析器を有することができる。例えば、プラズマ処理装置は、しばしば、プラズマを形成するためにＲＦ電力を用いており、この場合、電気結合要素（すなわち、誘導コイル、電極など）を介してＲＦエネルギをプラズマに結合出力するために、同軸ケーブルまたは構造体のようなＲＦ伝送回線が用いられる。例えば、電流−電圧プローブを使用した電気測定は、ＲＦ伝送回線内のような電気（ＲＦ）回路内のどこでも行なわれることができる。更に、電圧または電流の時間トレースのような電気信号の測定により、（周期的信号を推定して）離散フーリエ級数表示を使用して信号を周波数空間に変換し得る。その後、フーリエスペクトル（または時間変化信号については、周波数スペクトル）が、監視され、そして分析されて材料処理装置１の状態を特徴付けることができる。電圧−電流プローブは、例えば、２００１年１月８日に出願された出願中の米国特許出願第６０／２５９８６２号および米国特許第５，４６７，０１３号（これらの各々はその全体が参照によりここに組み入れられる）に詳細に述べられている装置であることができる。

別の実施の形態では、電気測定装置３６は、材料処理装置１の外側で放射されたＲＦ界を測定するのに有用な広帯域ＲＦアンテナを有することができる。市販されている広帯域ＲＦアンテナが、アンテナリサーチモデルＲＡＭ−２２０（０．１ＭＨｚないし３００ＭＨｚ）のような広帯域アンテナである。

一般に、複数のセンサ５０は、ツールデータをコントローラ５５に与えるために処理ツール１０に接続されることができる固有である、および固有でない任意の数のセンサを含むことができる。

コントローラ５５は、マイクロプロセッサと、メモリと、入力を材料処理装置１に伝送して活性化し、ならびに材料処理装置１からの出力を監視するのに十分な制御電圧を発生させることが可能な（潜在的にＤ／Ａおよび／またはＡ／Ｄ変換器を有する）デジタルＩ／Ｏポートとを有している。図２に示されるように、コントローラ５５は、ＲＦ発生器３０、インピーダンス整合ネットワーク３２、ガス注入装置４０、真空ポンプ装置５８、裏面ガス送出し装置２６、静電教示装置２８、光検出装置３４および電気測定装置３６に接続されてこれらと情報を交換することができる。メモリに記憶されたプログラムが、記憶された処理レシピに従って材料処理装置１の前記構成部品と相互作用するように利用される。コントローラ５５の１つの例は、デル社（テキサス州オースティン）から市販されているデルプレシジョンワークステーション５３０（登録商標）である。コントローラ５５は、材料処理装置１に対して近くに位置決めされることができ、或いは材料処理装置１に対して遠方に位置決めされることができる。例えば、コントローラ５５は、直接接続、イントラネットおよびインターネットのうちの少なくとも１つを使用して材料処理装置１とデータを交換することができる。コントローラ５５は、例えば、顧客サイト（すなわち、装置メーカーなど）におけるイントラネットに接続されることができ、或いは例えば、売主サイト（すなわち、設備製造業者）におけるイントラネットに接続されることができる。また、例えば、コントローラ５５は、インターネットに接続されることができる。更に、他のコンピュータ（すなわち、コントローラ、サーバなど）が、例えば、直接接続、イントラネットおよびインターネットのうちの少なくとも１つを介してデータを交換するためにコントローラ５５にアクセスすることができる。

図３に示されるように、材料処理装置１は、磁界装置６０を有することができる。例えば、磁界装置６０は、プラズマ濃度を潜在的に増大し、および／または材料処理一様性を改良するために、静止または機械的または電気的回転ＤＣ磁界を有することができる。しかも、コントローラ５５は、界強度または回転速度を調整するために磁界装置６０に接続されることができる。

図４に示されるように、材料処理装置１は、上側電極７０を有することができる。例えば、ＲＦ電力は、ＲＦ発生器７２からインピーダンス整合ネットワーク７４を介して上側電極７０に結合出力されることができる。上側電極へのＲＦ電力の付加のための周波数は、好ましくは１０ＭＨｚから２００ＭＨｚまでに及び、好ましくは６０ＭＨｚである。また、下側電極へのＲＦ電力の付加のための周波数は、０．１ＭＨｚから３０ＭＨｚまでに及ぶことができ、好ましくは２ＭＨｚである。しかも、コントローラ５５は、上側電極へのＲＦ電力の付加を制御するためにＲＦ発生器７２およびインピーダンス整合ネットワーク７４に接続されることができる。

図５に示されるように、図１の材料処理装置１は、誘導コイル８０を有することができる。例えば、ＲＦ電力は、ＲＦ発生器８２からインピーダンス整合ネットワーク７４を介して誘導コイル８０に結合出力されることができ、またＲＦ電力は、誘導コイル８０から誘電体ウインド（図示せず）を介してプラズマ処理領域４５に結合出力されることができる。誘導コイル８０へのＲＦ電力の付加のための周波数は、好ましくは、１０ＭＨｚから１００ＭＨｚまでに及び、好ましくは１３．５６ＭＨｚである。同様に、チャック電極への電力の付加のための周波数は、好ましくは、０．１ＭＨｚから３０ＭＨｚまでに及び、好ましくは１３．５６ＭＨｚである。また、誘導コイル８０とプラズマとの間の要領接続を減少させるためにスロット付きファラデーシールド（図示せず）が用いられることができる。しかも、コントローラ５５は、誘導コイル８０への電力の付加を制御するためにＲＦ発生器８２およびインピーダンス整合ネットワーク８４に接続されることができる。別の実施の形態では、誘導コイル８０は、変圧器接続式プラズマ（ＴＣＰ）反応器におけるように、プラズマ処理領域４５と上から連通している「螺旋」コイルまたは「パンケーキ」コイルであることができる。

また、プラズマは、電子サイクロトン共振（ＥＣＲ）を使用して形成されることができる。更に他の実施の形態では、プラズマは、ヘリコン波の発射から形成される。更に他の実施の形態では、プラズマは、伝播する表面波から形成される。

以上で論述したように、処理性能監視装置１００は、複数のセンサ５０およびコントローラ５５を有しており、この場合、これらのセンサ５０は、処理ツール１０に接続されており、コントローラ５５は、ツールデータを受信するためにセンサ５０に接続されている。更に、コントローラ５５は、センサ５０から受信されたツールデータを最適化し、ツールデータ間の関係（モデル）を定め、そして欠陥検出のためにこの関係を使用するために少なくとも１つのアルゴリズムを実施することが可能である。

かなり多数の変数を有する多数の組のデータに出会う場合、多変数分析（ＭＶＡ）がしばしば適用される。例えば、１つのこのようなＭＶＡ技術としては、主成分分析（ＰＣＡ）がある。ＰＣＡでは、多数組みのデータから、多次元パラメータ空間における最も大きい分散を表す信号を抽出するために、モデルが組み立てられることができる。

例えば、所定の基板ランまたは瞬間値についての各組のデータパラメータが、行列Ｘに横列として記憶されることができ、従って、行列Ｘが集成されると、各横列は、異なる基板ランまたは瞬間値（または観測値）を表しており、各縦列は、複数のセンサ５０に対応している異なるデータパラメータ（またはデータ変数）を表している。従って、行列Ｘは、寸法ｑ×ｒの矩形行列であり、ｑは横列寸法を表しており、ｒは縦列寸法を表している。ここで示したＸは、後述する式（１ａ）等に記載されているように、Ｘの上部にバーを有したものであるが、文章中で用いる場合には、上部のバーを省略して表すものとする。またＴＰ^Ｔ、Ｐ^Ｔ、Ｅ，Ｔ，Ｐ，Ｓ，Ｕ、Λ、Ｉ，についても、同じく上部のバーを省略して表すものとする。データが行列に記憶されると、データは、一般に、平均センターリングされ、および／または正規化される。行列縦列に記憶されたデータを平均センターリングする方法は、縦列成員の平均値を算出し、各成員から平均値を差し引くことを含んでいる。しかも、行列の縦列にあるデータは、縦列におけるデータの標準偏差を定めることによって正規化されることができる。例えば、２００２年５月１６日に出願された「処理装置健全指標およびそれを使用する方法」と称される米国予備出願第６０／４７０９０１号に記載のものと同様にＰＣＡモデルが構成されることができる。この出願の全内容は、参照によりここに組み入れられる。

ＰＣＡ技術を使用して、行列Ｘ内の相互関係構造は、低い寸法プラス誤行列Ｅの行列積（ＴＰ^Ｔ）で行列Ｘを近似することにより定められる。すなわち、

「ｉ」は、ｉ番目の横列を表しており、「ｊ」はｊ番目の縦列を表しており、下付き文字「Ｍ」は、平均値を表しており、ρは、標準偏差を表しており、Ｘは、横列データであり、ＴはＸ−変数を要約する評点の（ｑ×ｐ）行列であり、Ｐは、変数の影響を示す処理量の（ｒ×ｐ、この場合、ｐ≦ｒ）行列である。

一般に、処理量行列Ｐは、Ｘの共変量行列の固有ベクトルよりなるとして示されることができ、共変量行列Ｓは、式（２）であると示されることができる。

共変量行列Ｓは、実際の対称行列であり、従って、共変量行列は、式（３）として表現されることができる。

式（３）において、実際の対称共変量行列Ｕは、縦列としての正規化された共変量よりなり、∧は、対角線に沿った各共変量に対応する固有値よりなる対角行列である。（ｐ＝ｒすなわち、誤行列の無い全行列について）等式（１ａ）および（３）を使用して、式（４）および式（５）であることを示すことができる。

上記特性分析の結果は、各固有値がｎ次元空間内の対応する固有ベクトルの方向におけるデータの分散を表していると言うことである。従って、最も大きい固有値は、多次元空間内のデータにおける最も大きい分散に対応しており、他方、最も小さい固有値は、データにおける最も小さい分散に対応している。定義によれば、すべての固有ベクトルは、直交方向であり、従って２番目の最も大きい固有値は、最初の固有ベクトルの方向に対してもちろん直角である対応する固有ベクトルの方向のデータにおける２番目の最も大きい分散に対応している。一般に、かかる分析では、最初の幾つか（３つないし４つまたはそれ以上）の固有値がデータに近似するように選択され、近似の結果、誤差Ｅが式（１ａ）における表示に導入される。要するに、１組の固有値およびそれらの対応する固有ベクトルが定められると、１組の最も大きい固有値が選択されることができ、式（１ａ）の誤行列Ｅが定められる。

ＰＣＡモデルを支持する市販のソフトウエアの例は、（マスワークス社、ナチックＭＡから市販されている）ＭＡＴＬＡＢ（登録商標）および（エイゲンベクトルリサーチ社、マンソン、ＷＡから市販されている）ＰＬＳツールボックスである。

更に、ＰＣＡモデルが設定されたら、ＭＡＴＬＡＢ（登録商標）のような市販のソフトウエアは、更に、観測についてのホテリングＴ^２パラメータのような他の統計量値またはＱ−統計値を出力として生成することが可能である。観測についてのＱ−統計値は、以下のごとく算出されることができる。

式（６ｂ）において、Ｉは、適切な大きさの恒等行列である。例えば、ＰＣＡモデル（処理量行列Ｐなど）は、「トレーニング」組のデータを使用して構成されることができる（すなわち、多数の観測についてＸを集合させ、そしてＭＡＴＬＡＢ（登録商標）を使用してＰＣＡモデルを定める）。ＰＣＡモデルが構成されたら、式（１ａ）におけるように、残留行列を定めるためにＰＣＡモデルへの新たな観測の投射が利用されることができる。

同様に、ホテリングＴ^２は以下のように算出されることができる。

上記式において、Ｔ_ｉａは、ｉ番目の観測（基板ラン、瞬間値など、すなわち、ｉ＝ｌないしｑ）およびａ番目のモデル寸法（すなわち、ａ＝ｌないしｐ）ための（式（７ｂ）からの）評点であり、Ｓ^２ _ｔａはＴａの分散である。例えば、ＰＣＡモデル（処理量行列Ｐなど）は、「トレーニング」組のデータを使用して構成されることができ（すなわち、多数の観測についてＸを集合させ、そしてＭＡＴＬＡＢ（登録商標）を使用してＰＣＡモデルを定める）。ＰＣＡモデルが構成されたら、新たな評点行列Ｔを定めるためにＰＣＡモデルへの新たな観測値の投射が利用されることができる。

代表的には、Ｑ−統計値またはホテリングＴ^２のような統計量値が処理のために監視され、この量が所定の制御限界を超えると、１つの処理についての欠陥が検出される。

図６Ａは、処理における欠陥を定めるために処理のＱ−統計値（Ｑ−因子）を監視するためのＰＣＡモデルの従来の使用例を示している。図６Ａの例では、モデルは、Ｃ４Ｆ８／ＣＯ／Ａｒ＋Ｏ２系の化学薬品でパターン化酸化物エッチングを行なうユニティＩＩＤＲＭ（２極リング磁石）ＣＣＰ（容量結合プラズマ）処理装置（東京エレクトロン（株）から市販されている；図３参照）から得られる処理データに適用される。この処理装置は各ロットのための固定処理レシピでバッチ式に作動する。代表的には、装置の製造における特定の処理工程のためにロットごとに単一のレシピが利用される。同じ処理装置が、しばしば、多くの異なる装置層および工程のために利用されるが、各処理工程について、レシピが同じままである。

収集されたデータパラメータとしては、チャンバ圧力、付加電力、種々の温度、および表１に示されるような圧力、電力および温度の制御に関する多くの他の変数がある。

この例で使用される処理レシピは、３つの主な工程、すなわち、ホトレジスト清浄工程と、主エッチング工程と、ホトレジスト剥離工程とを有している。この例の範囲は、主エッチング工程に適用されるが、この特定の工程または任意の特定の工程に限定されなく、従って他の工程にも同様に適用可能である。

各処理工程について、各データパラメータ（またはツール変数）のための時間トレースの観測平均および観測標準偏差が、各基板のための大まかに１６０個の試料から算出された。各データパラメータのための時間トレースの初めの部分は、ＲＦ電力が増大する場合、オンにされたときの電力に因る変化を除去する試みでこれらの統計計算において調整された。

図６Ａの例では、単一の処理装置において同じレシピを使用して、初めの５００個の基板についてＰＣＡモデルが実現された。ＭＡＴＬＡＢ（登録商標）で実施される標準ＰＣＡ方法は、平均センターリングおよびユニット分散スケーリングについて使用された。また、エイゲンベクトルリサーチにより提供されているエイゲンベクトルリサーチＰＬＳツールボックスをＭＡＴＬＡＢ（登録商標）に対する付属物として使用して、標準Ｑ残差（ＳＰＥ）およびＱ寄与が算出された。

図６Ａの例では、ＰＣＡモデルは、初めの処理装置における初めの５００個の基板から構成され、この処理装置からの３２００個の基板すべてに適用された。この図でわかるように、その結果生じたＱ統計値は、ＰＣＡモデルが構成された後、２５０個未満の基板内のモデルの９５％信頼限界を（すなわち、基板数７５０だけ）超えており、そのレベル以下にけっして戻らない。また、異なった外れ値および異なった段階状変化が、明らかである。かくして、図６Ａは、Ｑ統計値を監視するために前述のように構成された従来のＰＣＡモデルが使用されることができるが、統計パラメータが制御限界以上に逸脱してそれ以下に決して戻らない時間が存在する。実際、前述の統計値（例えば、Ｑ−統計値またはホテリングＴ^２パラメータ）のいずれも、特定の処理装置における特定の処理について所定のモデルを使用して監視されることができるが、いつかは制御限界以上に逸脱してそれ以下にはけっして戻らない。その後、モデルは、もはや、所定の処理および所定の処理装置に適用可能ではない。

長期処理ランにわたってＰＣＡモデルの有用性を保持するための方法が知られているが、本発明者は、これらの方法が半導体製造方法の制御に対する商業的適用には実用的ではないことがわかった。例えば、ＰＣＡモデルは、処理中、休む間もなくモデルを更新するために、適応性モデル技術を使用して各処理ランで実際に再構成されることができる。この適応性モデル化技術が一般に所定の制御限界内で統計監視を安定化し得るが、商業的処理のために実用的でない算出手段を必要とする。

図６Ａの統計監視の有用性を維持するための他の技術は、より複雑な制御限界スキームを用いることである。詳細には、制御限界は、ＰＣＡモデルの予想された悪化に基づいて各処理ランごとにリセットされることができる。この方法は、ＰＣＡモデルの悪化に因る処理外条件の指示を回避するが、各処理ランで制御限界を変化させるには、商業的処理のために非実用的である複雑なスキームを必要とする。

かくして、本発明者は、長期処理ランにわたって統計監視を可能にするようにＰＣＡモデルを適合させる従来の方法が商業的処理のために非実用的であることがわかった。より詳細には、本発明者は、ＰＣＡ行列においてデータをセンターリングしたり、スケーリングしたりする標準方法が、長期間（すなわち、かなりの多数の基板ラン）、使用が可能である強靭なモデルの開発を可能にしなかったことを発見した。

本発明の実施の形態では、強靭なＰＣＡモデルを作成するために適応性多変数分析を述べる。この実施の形態では、適合スキームを使用して、センターリングおよびスケーリング係数が更新される。指数的に重みづけされた移動平均（ｅｘｐｏｎｅｎｔｉａｌｌｙ ｗｅｉｇｈｔｅｄ ｍｏｖｉｎｇ ａｖｅｒａｇｅ：ＥＷＭＡ）フィルタのようなフィルタを使用して、各要約統計値のための（センターリングに利用される）平均値が、下記の如く更新される。

式（８）において、Ｘ_{Ｍ、ｊ、ｎ}は、現在のラン（または観測「ｎ」）におけるｊ番目のデータパラメータの算出されたモデル平均値（「Ｍ」）を表しており、Ｘ_{Ｍ、ｊ、ｎ−１}は、先のラン（観測「ｎ−１」）におけるｊ番目のデータパラメータの算出されたモデル平均値（「Ｍ」）を表しており、Ｘ_ｊ、ｎは、現在のランについてのｊ番目のデータパラメータの現在の値を表しており、λは、０の値から１までに及ぶ増量係数である。例えば、λ＝１の場合、各データパラメータをセンターリングするのに利用されるモデル平均値は、先に使用された値であり、λ＝０の場合、各データパラメータをセンターリングするのに利用されるモデル平均値は、現在の測定値である。

各要約統計値のための（スケーリングに利用される）モデル標準偏差は、下記の再帰的標準偏差フィルタを使用して更新される。

式（９）において、ρ_{Ｘ、ｊ、ｎ}は、現在のラン（または観測「ｎ」）におけるｊ番目のデータパラメータの算出されたモデル標準偏差を表しており、ρ_{Ｘ、ｊ、ｎ−１}は、先のラン（観測「ｎ−１」）についてのｊ番目のデータパラメータの算出されたモデル標準偏差を表しており、ｎは、ラン（または観測）数を表しており、ｋは、フィルタ定数を表している。フィルタ定数ｋは、例えば、Ｎより小さいか或いはそれに等しい定数として選択されることができ、Ｎは、ＰＣＡモデルを構成するのに利用される基板ランまたは観測の数を表している。

図６Ｂは、本発明による適合スキームを使用してセンターリングおよびスケーリング係数が更新される以外は、図６Ａに示されたＱ統計値を監視するためにＰＶＡモデルを使用する同じ例を示している。この図でわかるように、初めの５００個のウエーハ後、センターリングおよびスケーリング定数が前述の適応性センターリングおよびスケーリング係数（λ＝０．９２；ｋ＝５００）を使用して適合されると、Ｑ−統計値チャートは、残りの基板のすべてにわたって実質的により安定であり、データは主として同じ限界内にある。本発明の適合スキームは、他の統計値監視スキームに対する同様な改良（例えば、ホテリングＴ^２パラメータ）をもたらす。かくして、本発明によるＰＣＡモデルの適合は、長期処理ランのために使用されることができるより強靭なＰＣＡモデルを見込んでいる。

図６Ａおよび図６Ｂを共に参照すると、かなりの大きさの第１偏りは、基板１４９２について生じる適応性の場合における最も大きいＱ値を有するランである。静的および適応性の場合の両方についての残留寄与プロット（図７参照）において、Ｃ１−ＰＯＳＩＴＩＯＮ−ＬＯ平均値、ＲＦ−ＶＰＰ−ＬＯ平均値およびＥＳＣ−ＣＵＲＲＥＮＴは、極値である。後の２つのデータパラメータについての任意にスケーリングされた統計値が、図８にプロットされている。これらの３つのデータパラメータは、インピーダンス整合ネットワーク装置での問題点を指摘することができる４箇所でのデータにおける大きな上昇を説明するものである。この種類の外れ値は、両Ｑチャートで明らかであるが、適応性の場合のみ、常に固定限界（例えば、９５％信頼限界）を見込んでいる。

他の実施の形態では、センターリングおよびスケーリング係数の相対変化は、段階要約統計値が２つのランまたは観測間で偏移したことをオペレータまたは技術者に警告するために算出されることができる。各センターリング係数について、これは、初めのランにおける推定値を最終のランにおける推定値から差し引き、次いで初めのランについての段階統計値をスケーリングするのに使用された標準偏差により各差をスケーリングすることによりなされる。すなわち、

式（１０）において、Ｍ_ｘは、モデル平均移動計量値であり、Ｘ_{Ｍ、ｊ、ａ}は、ａ番目の基板についてのｊ番目のデータパラメータについてのモデル平均値を表しており、Ｘ_{Ｍ、ｊ、ｂ}は、ｂ番面の基板についてのｊ番目のデータパラメータについてのモデル平均値を表しており、ρ_ｊ、ａは、ａ番目の基板についてのｊ番目のデータパラメータのためのモデル標準偏差を表している。

スケーリング係数について、算出値が、段階統計値をセンターリングするのに使用された平均値でスケーリングされた標準偏差の差である。すなわち、

式（１１）において、ρ_ｊ、ｂはｂ番目の基板についてのｊ番目のデータパラメータのためのモデル標準偏差を表している。

次いで、これらの結果は、期間中の最も大きい相対変化を示す変数を同定するためにパレトチャートに表示される。例えば、この代表的な寄与プロットに対するこの補充により、オペレータは１組のデータパラメータの全体的な変化を洞察することができる。対照的に、寄与プロットは、特定のランにおける局部的な偏差を示している。

再び図６Ａおよび図６Ｂを参照すると、次の種類の偏りが、入力要約データにおいて諸段階で認められる。静的の場合、これらの偏りはＱチャートで明確に明らかであるが、これらの変化の検出の自動化は全く困難であるとわかる。適応性の場合、Ｑ統計値が（基板１８８０、２５３５、２６８３および２９４８で始まって）５つより多い連続基板のための信頼限界を乱すたった４つの期間がある。（期間前の基板から期間後の基板までこれらの４つの期間の各々についてモデル平均移動計量値が算出されると、ほとんどの極値は、１８８０および２９４６についてそれぞれＣ１−ＰＯＳＩＴＩＯＮ−ＬＯ平均およびＷＡＬＬ−ＴＥＭＰ平均で生じる。図９Ａは、データパラメータのすべてについてのモデル平均移動計量値およびモデル標準偏差距離を表している。２つのデータパラメータについての任意にスケーリングされた要約データが、図９Ｂに示されている。Ｑ統計値の２つの主な変化は、これらの２つのデータパラメータにより支配されるものと思われる。例えば、これらのデータパラメータの偏移は、ツールの清浄、例えば、キー部分を取替え、処理装置の電気または熱伝導特性を変更することにより引起こされた。温度は処理装置において調整されるが、これは、上側電極および壁部においてのみなされる。より低い温度は、制御されなく、処理装置における異なる材料または部品構成により影響されることができた。基板１８８０についての静的の場合および適応性の場合の両方での寄与プロットは、Ｃ１−ＰＯＳＩＴＩＯＮ−ＬＯにより支配される。基板２９４８について、ＷＡＬＬ−ＴＥＭＰは、適応性の場合における支配的な寄与であるが、静的の場合、ＷＡＬＬ−ＴＥＭＰは、（このランでは変化しない）Ｃ１−ＰＯＳＩＴＩＯＮ−ＬＯ値よりほんの僅かに大きい。

また、適応性技術は、長期処理ランにわたって統計値監視に使用されることができるより強靭なＰＣＡモデルをもたらすことに加えて、異なる処理装置の間で同じＰＣＡモデルの使用をもたらす。図１０および図１１は、本発明の第２の例を示しており、この例では、１つの処理装置について時間にわたる主な変化を見た後、初めの５００個の基板からの同じモデルが、第２処理装置からの１組の８００個の基板に適用された。図１０でわかるように、静的モデルについてのＱ統計値のプロットは、モデルのための信頼限界より大きい大きさの多くの次数である。かくして、所定の処理装置における所定の処理について１つの従来のモデルから得られる統計パラメータは、同じ処理では、他の処理装置に移転可能ではない。しかも、前述の図６Ａに示される例に関して、各処理装置のためのＰＣＡモデルを再構成すること、または１つの装置のＰＣＡモデルを他の装置に適合させるために複雑な制御限界スキームを用いることは、非実用的である。図１１は、本発明の適応性センターリングおよびスケーリング係数が適応された同じモデルを示している。データは、たった２５個の基板（単一のカセットの代表的な装填）の後に信頼限界以下に戻る。λの増大により、速い回復をもたらすが、その結果、行過ぎの問題が生じる。信頼限界以下であると、同じ総外れ値がまだ明らかであるが、基板４４５と基板４５５との間の領域のような他の変化が同様に強調される。

この同じモデルが第２処理装置に適応された状態では、前述のように単一の点逸れの原因を確認するために、再び寄与プロットが使用されることができる。静的モデルに基づいた寄与プロットは、明らかな単一原因の無い多数のデータパラメータをもたらし、確認されたデータパラメータのうちの幾つかが大きい外れ値特性を示す。適応性スキームに基づいた寄与が明らかに２つのパラメータ、すなわち、ＲＦ−ＶＰＰ−ＬＯ平均値およびＡＰＣ標準偏差を示している。これらの外れ値は、電圧が工程全体にわたって高い値を有しており、不安定なプラズマを制御する際に圧力制御が非常に変わり易いようなプラズマの漏れの場合に一貫している。

装置の急な転移を調査するために、連続変化の期間が図１１におけるデータから気づいた。基板１、９１および４４６で生じる３つの異なる領域は、信頼限界を超えた５つより多い連続点を有していた。初めの２２個の基板の移動計量値は、モデルが新たな処理装置値に適合していた場合、ＲＦ−ＶＰＰ−ＬＯ平均値、ＥＳＣ−ＶＯＬＴＡＧＥ平均値、Ｃ２−ＰＯＳＩＴＩＯＮ−ＬＯ平均値、ＥＳＣ−ＣＵＲＲＥＮＴ平均値およびＲＦ−ＦＯＲＷＡＲＤ−ＬＯ標準偏差の顕著な変化を強調していて、電気特性の多くが２つの処理装置間で片寄ったことを示した。基板９１で始まる期間は、５ラン内で大きい急上昇のうちの２つを有して、移動計量値により外れ値への適合を確認し得る。基板４４６で始まる最終領域では、距離が、ＡＰＣ平均値およびＣＯＯＬ−ＧＡＳ−ＦＬＯＷ１標準偏差を指している。これらの変数についての基板要約データは、この時点の明確な急変を示している。下側電極における温度を制御するために使用されたヘリウムの流れにおける圧力および変数を制御するために使用されたスロットル弁角度に転移により特徴付けられる問題の種類を推定するために、更なる分析が必要である。

かくして、本発明者は、静的ＰＣＡモデルが工業的材料処理装置における局部的欠陥を監視して検出するのに不適切であることがわかった。モデルにおける信頼限界は、モデルが構成された後に急に超過され、更に、信頼限界は、モデルが他の処理装置に適用されるときには不適切である。一変量のスケーリングのために使用される平均および標準偏差値は、新たなデータとゆっくり適合されることができる。適応性センターリング／スケーリング方法は、残留空間（Ｑ）におけるモデルまでの距離を安定に保つのに十分であり、元のモデル信頼限界は偏りを検出するのに適切である。また、適応性方法から算出されたＱ寄与は、全体変化を有するデータの寄与に結合出力される代わりに局部偏差のルート原因データパラメータを識別するのに有効である。寄与プロットに加えて、移動計量値により、連続した信頼限界の乱れの期間の間に鋭い段階変化を有する入力データパラメータを確認した。

図１３は、半導体製造の過程中、基板を処理するための処理装置を監視する方法を説明するフローチャートを示している。方法５００は、５１０において複数の観測について処理装置からのデータを得ることで開始する。処理装置は、例えば、エッチング装置であることができ、或いは図１で説明された他の処理装置であってもよい。処理装置からのデータは、処理装置およびコントローラに接続された複数のセンサを使用して得られることができる。これらのデータは、例えば、任意の測定可能なデータパラメータ、およびその任意の統計値（例えば、平均値、標準偏差、歪度、尖度など）を有することができる。追加のデータとしては、例えば、発光スペクトル、電圧および／または電流測定値のＲＦ調和、または放射されたＲＦの放出などがある。各観測は、基板ラン、瞬間値、時間平均などに関することができる。

５２０において、５３０でデータを表すために１つまたはそれ以上の主成分を定め、そして５４０で得られたデータのデータパラメータに静的センターリング／スケーリング係数を前述のように適用することによって、得られたデータパラメータからＰＣＡモデルが構成される。例えば、ＰＣＡモデルを構成するために、ＭＡＴＬＡＢ（登録商標）およびＰＬＳツールボックスのような市販のソフトウエアが利用されることができる。

５５０において、追加のデータが処理装置から得られ、５５５において、ＰＣＡモデルを得られたデータパラメータに適用するときに、適応性センターリング／スケーリング係数が利用される。５６０において、少なくとも１つの統計量値が、追加のデータおよびＰＣＡモデルから定められる。例えば、追加のデータは、１つまたはそれ以上の主成分に前方に送られて１組の評点を定め、この１組の評点が、後方に送られて１つまたはそれ以上に残余誤差を定めることができる。模範組の評点と共に前記組の評点を利用して、或いは１つまたはそれ以上の残余誤差を利用して、各追加の観測についてのＱ統計値またはホテリングＴ^２パラメータのような少なくとも１つの統計量が定められることができる。

５７０において、制御限界が設定されることができ、５８０において、少なくとも１つの統計量値が制御限界と比較されることができる。制御限界は、主観的方法または経験的方法を使用して設定されることができる。例えば、統計値を使用する場合、制御限界は、９５％信頼限界に設定されることができる（例えば、図６Ａ、図６Ｂおよび図１１参照）。更に、例えば、ホテリングＴ^２パラメータを使用する場合、制御限界は、χ^２−分布のような統計量のための理論分布を推定することにより設定されることができるが、観測された分布が、理論で実証されるべきである。

図１２は、本発明の種々の実施の形態を実施するためのコンピュータ装置１２０１を示している。このコンピュータ装置１２０１は、コントローラ５５の機能のうちのいずれかまたはすべてを行なうためにコントローラ５５として使用されてもよい。コンピュータ装置１２０１は、情報通信のためのバス（ＢＵＳ）１２０２または他の通信機構と、バス１２０２と接続されていて、情報を処理するためのプロセッサ１２０３とを有している。また、コンピュータ装置１２０１は、バス１２０２に接続されていて、プロセッサ１２０３により実行される情報および指令を記憶するためのランダムアクセスメモリ（ＲＡＭ）または他の動的記憶装置（例えば、動的ＲＡＭ（ｄｙｎａｍｉｃ ＲＡＭ：ＤＲＡＭ）、静的ＲＡＭ（ｓｔａｔｉｃ ＲＡＭ：ＳＲＡＭ）および同期ＤＲＡＭ（ｓｙｎｃｈｒｏｎｏｕｓ ＤＲＡＭ：ＳＤＲＡＭ）のようなメインメモリ１２０４を有している。また、メインメモリ１２０４は、プロセッサ１２０３による指令の実行中、一時的な変数または他の中間情報を記憶するために使用されてもよい。更に、コンピュータ装置１２０１は、バス１２０２に接続されていて、プロセッサ１２０３のための静的情報および指令を記憶するためのリードオンリーメモリ（ＲＯＭ）１２０５または他の静的記憶装置（例えば、プログラミング可能なＲＯＭ（ｐｒｏｇｒａｍｍａｂｌｅ ＲＯＭ：ＰＲＯＭ）、消去可能なＰＲＯＭ（ｅｒａｓａｂｌｅ ＰＲＯＭ：ＥＰＲＯＭ）および電気的に消去可能なＰＲＯＭ（ｅｌｅｃｔｒｉｃａｌｌｙ ｅｒａｓａｂｌｅ ＰＲＯＭ：ＥＥＰＲＯＭ））を有している。

また、コンピュータ装置１２０１は、磁気ハードディスク１２０７およびリムーバブルメディア装置１２０８（例えば、フロッピー（登録商標）ディスクドライブ、リードオンリーコンパクトディスクドライブ、リード／ライトコンパクトディスクドライブ、コンパクトディスクジュークボックス、テープドライブおよび除去可能な磁気光学ドライブ）のような情報および指令を記憶するための１つまたはそれ以上の記憶装置を制御するためにバス１２０２に接続されたディスクコントローラ１２０６を有している。記憶装置は、適切な装置インターフェース（例えば、小型コンピュータ装置インターフェース（ｓｍａｌｌ ｃｏｍｐｕｔｅｒ ｓｙｓｔｅｍ ｉｎｔｅｒｆａｃｅ：ＳＣＳＩ）、集積装置エレクトロニクス（ｉｎｔｅｇｒａｔｅｄ ｄｅｖｉｃｅ ｅｌｅｃｔｒｏｎｉｃｓ：ＩＤＥ）、エンハンストＩＤＥ（Ｅ−ＩＤＥ）、ダイレクトメモリアクセス（ＤＭＡ）またはウルトラＤＭＡ）を使用してコンピュータ装置１２０１に付設されてもよい。

また、コンピュータ装置１２０１は、特別目的のロジック装置（例えば、用途特定の集積回路（ＡＳＩＳ）、または適合性のあるロジック装置（例えば、簡単なプログラミング可能なロジック装置（ＳＰＬＤ）、複雑なプログラミング可能なロジック装置（ＣＰＬＤ）およびフィールドプログラマブルゲートアレイ（ＦＰＧＡ））を有してもよい。

また、コンピュータ装置１２０１は、コンピュータ使用者に情報を表示するための陰極線管（ＣＲＴ）のようなディスプレイ１２１０を制御するためにバス１２０２に接続されたディスプレイコントローラ１２０９を有してもよい。コンピュータ装置は、コンピュータ使用者と相互作用して情報をプロセッサ１２０３に供給するためのキーボード１２１１およびポインティングデバイス１２１２のような入力装置を有している。ポインティングデバイス１２１２は、例えば、方向情報および指令選択をプロセッサに通知するための、およびディスプレイ１２１０におけるカーソルの移動を制御するためのマウス、トラックボールまたはポインティングスチックであってもよい。また、プリンタが、コンピュータ装置１２０１により記憶されたおよび／または発生されたデータの印刷リスチングを作成してもよい。

コンピュータ装置１２０１は、プロセッサ１２０３がメインメモリ１２０４のようなメモリに収容された１つまたはそれ以上の指令の１つまたはそれ以上の序列を実行するに応答して（例えば、図１３について説明したもののような）本発明の処理工程の一部またはすべてを行う。このような指令は、ハードディスク１２０７またはリムーバブルメディアドライブ１２０８のような他のコンピュータ読取り可能メディアからメインメモリ１２０４に読み込まれてもよい。メインメモリ１２０４に収容された指令序列を実行するのに、多処理構成における１つまたはそれ以上のプロセッサが使用されてもよい。別の実施の形態では、ソフトウエア指令の代わりに、或いはそれに加えて、ハード配線回路が使用されてもよい。かくして、実施の形態はハードウエア回路とソフトウエアとのいずれの特定の組合せにも限定されない。

前述のように、コンピュータ装置１２０１は、本発明の教示によりプログラミングされた指令を保持し、そしてここに記載のデータ構造、表、記録またはデータを収容するための少なくとも１つのコンピュータ読取り可能メディアまたはメモリを有している。コンピュータ読取り可能メディアの例は、コンパクトディスク、ハードディスク、フロッピー（登録商標）ディスク、テープ、磁気光学ディスク、ＰＲＯＭ（ＥＰＲＯＭ、ＥＥＰＲＯＭ、フラッシュＥＰＲＯＭ）、ＤＲＡＭ、ＳＲＡＭ、ＳＤＲＡＭ、または任意の他の磁気メディア、コンパクトディスク（例えば、ＣＤ−ＲＯＭ）、または任意の他の光メディア、パンチカード、ペーパテープまたは穴パターンを有する他の物理的メディア、（後述の）搬送波、またはコンピュータが読取ることができる任意の他のメディアである。

本発明は、任意の１つのコンピュータ読取り可能メディアまたはこのようなメディアの組合せに記憶されるものとして、コンピュータ装置１２０１を制御し、本発明を実施するための装置を駆動し、そしてコンピュータ装置１２０１が使用者（例えば、印刷物製造者）と総合作用させることを可能にするためのソフトウエアを含む。このようなソフトウエアとしては、限定されないが、装置ドライブ、作動装置、展開ツールおよび用途ソフトウエアがある。このようなコンピュータ読取り可能メディアとしては、更に、本発明を実施する際に行われる処理（処理が配分される場合）のすべてまたは一部を行なうための本発明のコンピュータプログラム製品がある。

本発明のコンピュータコード装置は、限定されないが、スクリプト、解明可能なプログラム、動的リンクライブラリー（ＤＬＬ）ｊａｖａ（登録商標）クラス、および完全な実行可能なプログラムを含めて、任意の解明可能または実行可能なコード機構であってもよい。しかも、本発明の処理の諸部分は、良好な性能、信頼性および／またはコストごとに配分されてもよい。

語「コンピュータ読取り可能メディア」は、ここで使用される場合、実行のために指令をプロセッサ１２０３に供給することに関与する任意のメディアを指している。コンピュータ読取り可能メディアは、限定されないが、非揮発性メディア、揮発性メディアおよび伝送メディアを含めて、多くの形態を採り得る。非揮発性メディアとしては、例えば、ハードディスク１２０７およびリムーバブルメディアドライブ１２０８のような光磁気ディスクおよび磁気光学ディスクがある。揮発性メディアとしては、メインメモリ１２０４のような動的メモリがある。伝送メディアとしては、バス１２０２を構成するワイヤを含めて、同軸ケーブル、銅ワイヤおよび光ファイバ光学系がある。また、伝送メディアは、電波および赤外線データ通信中に発生されるもののような音波または光波の形態を採ってもよい。

コンピュータ読取り可能メディアの種々の形態は、実行のためのプロセッサ１２０３に対する１またはそれ以上の指令の１またはそれ以上の順列を行なうのに携われてもよい。例えば、これらの指令は、初めに、遠隔コンピュータの磁気ディスクに伝送されてもよい。遠隔コンピュータは、本発明のすべてまたは一部を実施するための指令を動的メモリに遠隔で装填し、そしてモデムを使用してこれらの指令を電話線で送信することができる。コンピュータ装置に対して局所のモデムが、電話線でデータを受信し、そして赤外線トランスミッタを使用してこれらのデータを赤外線信号に変化してもよい。バス１２０２に接続された赤外線検出器が、赤外線信号で搬送されたデータを受信し、そしてこれらのデータをバス１２０２に配送する。バス１２０２は、これらのデータをメインメモリ１２０４に伝送し、プロセッサ１２０３が、これらのデータから指令を回復して指令を実行する。メインメモリ１２０４により受信された指令は、任意に、プロセッサ１２０３による実行前または後に記憶装置１２０７に記憶されてもよい。

コンピュータ装置１２０１は、また、バス１２０２に接続された通信インターフェース１２１３を有している。この通信インターフェース１２１３は、例えば、局所領域ネットワーク（ＬＡＮ）１２１５またはインターネットのような他の通信ネットワーク１２１６に接続されているネットワークリンク１２１４へ２方向データ通信出力を送る。例えば、通信インターフェース１２１３は、任意のパケット交換式ＬＡＮに取付けるべきネットワークインターフェースカードであってもよい。他の例としては、通信インターフェース１２１３は、対応する種類の通信線に対するデータ通信接続を行なうべき非対称デジタル加入者線（ＡＤＳＬ）カード、集積サービスデジタルネットワーク（ＩＳＤＮ）カードまたはモデムであってもよい。ワイヤレスリンクが実施されてもよい。任意のこのような実施では、通信インターフェース１２１３は、種々の種類の情報を表すデジタルデータ流を搬送する電気、電磁または光信号を送信したり、受信したりする。

ネットワークリンク１２１４は、代表的には、１つまたはそれ以上のネットワークを介して他のデータ装置に対するデータ通信を行なう。例えば、ネットワークリンク１２１４は、局所ネットワーク１２１５（例えば、ＬＡＮ）を介して、或いは通信ネットワーク１２１６を介する通信サービスを行なうサービスプロバイダにより作動される設備を介して、他のコンピュータへの接続を行なってもよい。局所ネットワーク１２１５および痛心ネットワーク１２１６は、例えば、デジタルデータ流を搬送する電気、電磁または光信号、および関連された物理層（例えば、ＣＡＴ５ケーブル、同軸ケーブル、光ファイバなど）を使用している。種々のネットワークを通る信号と、デジタルデータをコンピュータ装置へ、およびから搬送するネットワークリンク１２１４および通信インターフェース１２１３を通る信号とが、基底帯域信号または搬送波系信号で実施されてもよい。基底帯域信号は、デジタルデータビットの流れを表す未変調の電気パルスとしてデジタルデータを伝送し、語「ビット」は、符号を意味するものと広く解釈され、各符号は、少なくとも１つまたはそれ以上の情報データを伝送する。デジタルデータは、搬送波を、例えば、振幅、位相、および／または導電性メディアにわたって伝播されか、或いは伝播メディアを介して電磁波として伝送される周波数転移キード信号で変調するために使用されてもよい。かくして、デジタルデータは、未変調基底帯域データとして「配線」通信チャンネルを介して送られてもよく、および／または搬送波を変調することにより基底帯域と異なる所定の周波数帯域内で送られてもよい。コンピュータ装置１２０１は、ネットワーク１２１５、１２１６、ネットワークリンク１２１４および通信インターフェース１２１３を介してプログラムコードを含めて、データを送信したり受信したりすることができる。しかも、ネットワークリンク１２１４は、ＬＡＮ１２１５を介して個人デジタルアシスタント（ＰＤＡ）ラップトップコンピュータまたは携帯電話のようなモバイルデバイスへの接続をなしてもよい。

本発明の或る典型的な実施の形態のみを以上に詳細に説明したが、当業者は、本発明の新規な教示および利点を実質的に逸脱することなしに典型的な実施の形態において多くの変更例が可能であることを容易にわかるであろう。従って、このような変更例すべてが、本発明の範囲内に含まれるものである。

本発明の好適な実施の形態による材料処理装置を示す図である。 本発明の１つの実施の形態による材料処理装置を示す図である。 本発明の他の実施の形態による材料処理装置を示す図である。 本発明の更なる実施の形態による材料処理装置を示す図である。 本発明の他の実施の形態による材料処理装置を示す図である。 静的センターリングおよびスケーリング係数を使用した典型的な算出Ｑ統計値を示す図である。 初めの５００個の基板後の適応性センターリングおよびスケーリング係数を使用した典型的な算出Ｑ統計値を示す図である。 典型的なＱ寄与プロットを示す図である。 ２つのデータパラメータについての典型的な要約統計値を示す図である。 ２つの基板範囲についての典型的なモデル平均移動計量値プロットを示す図である。 図９Ａの移動計量値プロットにおける最も高い値についての典型的な要約統計値を示す図である。 第２の処理装置に適用された静的センターリングおよびスケーリング係数を使用した典型的な算出Ｑ統計値を示す図である。 第２の処理装置に適用された適応性センターリングおよびスケーリング係数を使用した典型的な算出Ｑ統計値を示す図である。 本発明の種々の実施の形態を実施するためのコンピュータ装置を示す図である。 本発明の実施の形態による処理装置を監視する方法を示す図である。

Claims (44)

1. 半導体製造の過程中、基板を処理するための処理装置を監視する方法であって、
   前記処理装置で処理が実施される第１の組の基板ランから複数の観測に対して前記処理装置から複数のデータパラメータを有する初めのデータを得ることと、
   前記第１の組からの前記初めのデータに対するセンターリング係数を含む、前記初めのデータの前記データパラメータからの主成分分析（ＰＣＡ）モデルを構成することと、
   前記処理装置で前記処理が実施される第２の組の基板ランから前記複数のデータパラメータの追加の観測を備えた追加のデータを、前記ＰＣＡモデルを構成する工程の後に前記処理装置から得ることと、
   前記ＰＣＡモデルにおける前記データパラメータの各々に対して更新された適応性センターリング係数を生成するように、前記初めのデータと、前記第２の組で実施された前記処理からの追加の観測から得られた現在のデータとの両方を使用することによって前記第２の組からの前記追加のデータの各観測の時に前記センターリング係数を調整することと、
   前記更新された適応性センターリング係数を、前記第１の組の基板ランから生成され、変えられない前記ＰＣＡモデルにおける前記データパラメータの各々に適用することと、
   前記ＰＣＡモデルと、前記更新された適応性センターリング係数によってセンターリングされた前記追加のデータとの組み合わせを使用して少なくとも１つの統計量値を定めることと、
   前記少なくとも１つの統計量値に対し制御限界を設定することと、
   前記基板の処理が前記第２の組に対する半導体製造の前記過程中、制御内にあるかを確認するために、前記少なくとも１つの統計量値を前記制御限界と比較することと、
   前記処理装置で実施される前記処理を判断する出力を提供することと、を具備する方法。
2. 各データパラメータに対する適応性センターリング係数の以前の値と、前記追加の観測に対する各データパラメータの現在の値とを組合せることによって、前記センターリング係数を更に調整することを備え、
   前記適応性センターリング係数の前記以前の値は、前記処理装置から初めのデータを得る工程において前記複数の観測中に得られたデータパラメータの平均値を含んでいる請求項１に記載の方法。
3. 前記適応性センターリング係数の前記以前の値と、前記追加の観測に対する前記データパラメータの前記現在の値とを組合せることは、
   指数的に重みづけされた移動平均（ＥＷＭＡ）フィルタを適用することを含んでいる請求項２に記載の方法。
4. 前記ＥＷＭＡフィルタを前記適用することは、重みづけ係数を設定することを含んでいる請求項３に記載の方法。
5. 前記重みづけ係数を前記設定することは、
   前記重みづけ係数を０．５から１．０までの範囲の値に設定することを含んでいる請求項４に記載の方法。
6. 前記重みづけ係数を前記設定することは、
   前記重みづけ係数を０．８から０．９５までの範囲の値に設定することを含んでいる請求項５に記載の方法。
7. 前記データパラメータの各々に対して前記更新された適応性センターリング係数を前記適用することは、
   前記データパラメータの各々から前記更新された適応性センターリング係数を差し引くことを含んでいる請求項１に記載の方法。
8. ＰＣＡモデルに対してスケーリング係数を定めることと、
   前記ＰＣＡモデルにおける前記データパラメータの各々に対して更新された適応性スケーリング係数を生成するように、前記スケーリング係数を調整することと、
   前記更新された適応性スケーリング係数を前記ＰＣＡモデルにおける前記データパラメータの各々に適用することとを更に具備し、
   前記少なくとも１つの統計量値を定めることは、前記更新された適応性スケーリング係数によって、スケーリングもされている前記追加のデータを使用する請求項１に記載の方法。
9. 各データパラメータに対する適応性スケーリング係数の以前の値と、前記追加の観測に対する各データパラメータの現在の値と、各データパラメータに対する適応性センターリング係数の以前の値とを組み合わせた再帰的標準偏差フィルタを適用することによって、前記スケーリング係数を更に調整することを備え、
   前記適応性スケーリング係数の前記以前の値は、前記複数の観測中の前記データパラメータの標準偏差を含んでおり、前記適応性センターリング係数の前記以前の値は、前記処理装置から初めのデータを得る工程において前記複数の観測中に得られた前記データパラメータの平均値を含んでいる請求項８に記載の方法。
10. 前記再帰的標準偏差フィルタを前記適用することは、フィルタ定数を設定することを含んでいる請求項９に記載の方法。
11. イントラネットおよびインテーネットのうちの少なくとも１つ介して、前記適応性スケーリング係数にアクセスすることを更に具備する請求項８に記載の方法。
12. 前記更新された適応性スケーリング係数を前記データパラメータの各々に前記適用することは、前記データパラメータの各々を前記更新されたスケーリング係数で割ることを含んでいる請求項１に記載の方法。
13. 前記ＰＣＡモデルを前記構成することは、
    主成分分析を使用して前記複数の観測に対して前記初めのデータの１つまたはそれ以上の主成分を定めることを含んでいる請求項１に記載の方法。
14. 前記少なくとも１つの統計量値が前記制御限界を超えたときに処理欠陥が生じたと検出することを更に具備する請求項１に記載の方法。
15. 前記複数のデータパラメータは、コンデンサー位置、前方無線周波数（ＲＦ）電力、反射ＲＦ電力、電圧、電流、位相、インピーダンス、ＲＦピーク間電圧、ＲＦ自己誘導直流バイアス、チャンバ圧、ガス流量、温度、裏面ガス圧、裏面ガス流量、静電クランプ電圧、静電クランプ電流、フォーカスリング厚、ＲＦ時間、処理工程持続期間、フォーカスリングＲＦ時間、発光スペクトル、およびＲＦ調波のうちの少なくとも１つを含んでいる請求項１に記載の方法。
16. 前記複数のデータパラメータは、瞬間値、時間平均、標準偏差、第３のモーメント、第４のモーメント、および分散のうちの少なくとも１つを含んでいる請求項１に記載の方法。
17. 前記統計量値は、Ｑ統計値およびホテリングＴ^２パラメータのうちの少なくとも１つを含んでいる請求項１に記載の方法。
18. イントラネットおよびインテーネットのうちの少なくとも１つ介して、前記データ、前記追加のデータ、前記適応性センターリング係数、前記少なくとも１つの統計量値、および前記制御限界のうちの少なくとも１つにアクセスすることを更に具備する請求項１に記載の方法。
19. 半導体製造の過程中、基板を処理する処理装置を監視する主成分分析（ＰＣＡ）モデルの改良であって、
    前記処理装置で処理が実施される第１の組の基板ランからＰＣＡモデルの構成の後にされる現在の観測中に得られたデータパラメータに対する適応性センターリング係数を具備しており、
    前記適応性センターリング係数は、前記適応性センターリング係数の以前の値と、更新された適応性センターリング係数をデータの各観測で生成するように前記処理装置で前記処理を実施する第２の組の基板ランから前記現在の観測に対する前記データパラメータの現在の値とを組合せたものであり、前記適応性センターリング係数の前記以前の値は、前記現在の観測に先立つ複数の観測中のデータパラメータの平均値を含んでおり、
    少なくとも１つの統計量値は、前記第１の組の基板ランから生成され、変えられない前記ＰＣＡモデルと、前記更新された適応性センターリング係数によってセンターリングされた、前記ＰＣＡモデルの構成の後に得られた追加のデータとの組み合わせを使用して定められ、
    前記更新された適応性センターリング係数は、前記第２の組に対する半導体製造の前記過程中に前記基板の処理を更新するために、前記統計量値に基づいて、前記基板の処理に対して改良された処理センターを提供するように前記ＰＣＡモデルにおいて実現され、
    前記改良された処理センターは、前記処理装置で実施される前記処理を判断する出力を提供する、モデルの改良。
20. 前記適応性センターリング係数の前記以前の値と、前記現在の観測に対する前記データパラメータの前記現在の値との前記組合せは、指数的に重みづけされた移動平均（ＥＷＭＡ）フィルタを適用することを含んでいる請求項１９に記載の改良。
21. 前記ＥＷＭＡフィルタを前記適用することは、重みづけ係数を設定することを含んでいる請求項２０に記載の改良。
22. 前記重みづけ係数を前記設定することは、
    前記重みづけ係数を０から１までの範囲の値に設定することを含んでいる請求項２１に記載の改良。
23. 前記重みづけ係数を前記設定することは、
    前記重みづけ係数を０．８から０．９５までの範囲の値に設定することを含んでいる請求項２２に記載の改良。
24. 前記適応性センターリング係数は、正確な再帰的な標準偏差式の適用から少なくとも導き出され、前記式は、適応性センターリング係数の以前の値と、前記現在の観測に対して得られた各データパラメータの現在の値と、適応性センターリング係数の前記以前の値とを組合せたものであり、
    前記適応性センターリング係数の前記以前の値は、前記現在の観測に先立つ複数の観測中の前記データパラメータの標準偏差を含み、前記適応性センターリング係数の前記以前の値は、前記現在の観測に先立つ複数の観測中に得られた前記データパラメータの平均値を含んでいる請求項１９に記載の改良。
25. 半導体製造の過程中、基板を処理する処理装置であって、
    処理ツールと、
    前記処理ツールに組み合わされ、この処理ツールに組み合わされた複数のセンサと、前記複数のセンサおよび前記処理ツールに接続されたコントローラとを備えた処理性能監視装置とを具備しており、
    前記コントローラは、
    前記処理装置で処理が実施される第１の組の基板ランから複数の観測に対する複数のデータパラメータを含む初めのデータを前記複数のセンサから得る手段と、
    前記第１の組の前記データパラメータから、前記初めのデータに対するセンターリング係数を含む主成分分析（ＰＣＡ）モデルを構成する手段と、
    前記処理装置で前記処理が実施される第２の組の基板ランから前記ＰＣＡモデルの構成の後に、追加のデータを前記複数のセンサから得る手段と、
    前記データパラメータの各々に対して更新された適応性センターリング係数を生成するように、前記初めのデータから先のランのデータと、前記追加のデータを前記得る手段によって得られた現在のデータとの両方を使用することによって前記追加のデータの各観測の時に前記センターリング係数を調整する手段と、
    前記更新された適応性センターリング係数を、前記第１の組の基板ランから生成され、変えられない前記ＰＣＡモデルにおける前記データパラメータの各々に適用する手段と、
    前記ＰＣＡモデルと、前記更新された適応性センターリング係数によってセンターリングされた前記追加のデータとの組み合わせを使用して少なくとも１つの統計量値を定める手段と、
    前記少なくとも１つの統計量値に対して制御限界を設定する手段と、
    前記基板の処理が前記第２の組に対する半導体製造の前記過程中、制御内にあるかを確認するために、前記少なくとも１つの統計量値を前記制御限界と比較する手段と、
    前記処理装置で実施される前記処理を判断する出力を提供する手段と、を有している処理装置。
26. 各データパラメータに対する適応性センターリング係数の以前の値と、前記追加のデータに対する各データパラメータの現在の値とを組合せる手段によって、前記センターリング係数を更に調整する手段を含み、
    前記適応性センターリング係数の前記以前の値は、前記処理装置からデータを前記得る手段によって、前記複数の観測中に得られたデータパラメータの平均値を含んでいる請求項２５に記載の処理装置。
27. ＰＣＡモデルに対してスケーリング係数を定める手段と、
    前記ＰＣＡモデルにおける前記データパラメータの各々に対して更新された適応性スケーリング係数を生成するようにスケーリング係数を調整する手段と、
    前記更新された適応性スケーリング係数を前記ＰＣＡモデルにおける前記データパラメータの各々に適用する手段とを更に具備する請求項２５に記載の処理装置。
28. 再帰的標準偏差フィルタを前記適応性スケーリング係数に適用する手段によって、前記スケーリング係数を更に調整する手段を含み、
    前記フィルタは、各データパラメータに対する適応性スケーリング係数の以前の値と、前記追加のデータに対する各データパラメータの現在の値と、各データパラメータに対する適応性センターリング係数の以前の値とを組合せるものであり、
    前記適応性スケーリング係数の前記以前の値は、前記複数の観測中の前記データパラメータの標準偏差を含み、前記適応性センターリング係数の前記以前の値は、前記処理装置からデータを前記得る手段によって、前記複数の観測中に得られた前記データパラメータの平均値を含んでいる請求項２７に記載の処理装置。
29. 前記初めのデータ、前記追加のデータ、前記適応性センターリング係数、前記適応性スケーリング係数、前記少なくとも１つの統計量値、および前記制御限界のうちの少なくとも１つにアクセスする手段を更に具備する請求項２７に記載の処理装置。
30. 前記アクセスする手段は、イントラネットおよびインターネットのうちの少なくとも一方である請求項２９に記載の処理装置。
31. 前記初めのデータ、前記追加のデータ、前記適応性センターリング係数、前記少なくとも１つの統計量値、および前記制御限界のうちの少なくとも１つにアクセスする手段を更に具備する請求項２５に記載の処理装置。
32. 前記アクセスする手段は、イントラネットおよびインターネットのうちの少なくとも一方である請求項３１に記載の処理装置。
33. 半導体製造の過程中、基板を処理する処理装置を監視する処理性能監視装置であって、
    前記処理装置に接続された複数のセンサと、
    前記複数のセンサおよび前記処理装置に接続されたコントローラとを具備しており、
    前記コントローラは、
    前記処理装置で処理が実施される第１の組の基板ランから複数の観測に対する複数のデータパラメータを備えた初めのデータを前記複数のセンサから得る手段と、
    前記第１の組の前記データパラメータから、前記初めのデータに対するセンターリング係数を含む主成分分析（ＰＣＡ）モデルを構成する手段と、
    前記処理装置で前記処理を実施する第２の組の基板ランから前記ＰＣＡモデルの構成の後に得られる追加のデータを前記複数のセンサから得る手段と、
    前記データパラメータの各々に対して更新されたセンターリング係数を生成するように、前記初めのデータから先のランのデータと、追加のデータを前記得る手段によって得られた現在のデータとの両方を使用することによって追加のデータの各観測の時に前記センターリング係数を調整する手段と、
    前記更新された適応性センターリング係数を、前記第１の組の基板ランから生成され、変えられない前記ＰＣＡモデルにおける前記データパラメータの各々に適用する手段と、
    前記ＰＣＡモデルと、前記更新された適応性センターリング係数によってセンターリングされた前記追加のデータとの組み合わせを使用して少なくとも１つの統計量値を定める手段と、
    前記少なくとも１つの統計量値に対して制御限界を設定する手段と、
    前記基板の処理が前記第２の組に対する半導体製造の前記過程中、制御内にあるかを確認するために、前記少なくとも１つの統計量値を前記制御限界と比較する手段と、
    前記処理装置で実施される前記処理を判断する出力を提供する手段と、を有している処理性能監視装置。
34. 各データパラメータに対する適応性センターリング係数の以前の値と、前記追加のデータに対する各データパラメータの現在の値とを組合せる手段によって、前記センターリング係数を更に調整する手段を含み、
    前記適応性センターリング係数の前記以前の値は、前記処理装置からデータを前記得る手段によって前記複数の観測中に得られたデータパラメータの平均値を含んでいる請求項３３に記載の処理性能監視装置。
35. ＰＣＡモデルに対してスケーリング係数を定める手段と、
    前記ＰＣＡモデルにおける前記データパラメータの各々に対して更新された適応性スケーリング係数を生成するようにスケーリング係数を調整する手段と、
    前記更新された適応性スケーリング係数を前記ＰＣＡモデルにおける前記データパラメータの各々に適用する手段とを更に具備する請求項３３に記載の処理性能監視装置。
36. 再帰的標準偏差フィルタを前記適応性スケーリング係数に適用する手段によって、前記スケーリング係数を更に調整する手段を含み、
    前記フィルタは、各データパラメータに対する適応性スケーリング係数の以前の値と、前記追加の観測に対する各データパラメータの現在の値と、各データパラメータに対する適応性センターリング係数の以前の値とを組合せるものであり、
    前記適応性スケーリング係数の前記以前の値は、前記複数の観測中の前記データパラメータの標準偏差を含み、前記適応性センターリング係数の前記以前の値は、初めのデータを前記得る手段によって前記複数の観測中に得られた前記データパラメータの平均値を含んでいる請求項３５に記載の処理性能監視装置。
37. 前記初めのデータ、前記追加のデータ、前記適応性センターリング係数、前記適応性スケーリング係数、前記少なくとも１つの統計量値、および前記制御限界のうちの少なくとも１つにアクセスする手段を更に具備する請求項３５に記載の処理性能監視装置。
38. 前記アクセスする手段は、イントラネットおよびインターネットのうちの少なくとも一方である請求項３７に記載の処理性能監視装置。
39. 前記初めのデータ、前記追加のデータ、前記適応性センターリング係数、前記少なくとも１つの統計量値、および前記制御限界のうちの少なくとも１つにアクセスする手段を更に具備する請求項３３に記載の処理装置。
40. 前記アクセスする手段は、イントラネットおよびインターネットのうちの少なくとも一方である請求項３７に記載の処理装置。
41. 半導体製造の過程中、基板を処理する第１処理装置を監視する方法であって、
    前記処理装置で処理が実施される第１の組の基板ランから複数の観測に対する複数のデータ変数を含む初めのデータを処理装置から得ることと、
    前記初めのデータに対するセンターリング係数を含む、前記第１の組の前記データパラメータからの主成分分析（ＰＣＡ）モデルを構成することと、
    前記複数のデータパラメータの追加の観測を備えた追加のデータを、前記処理装置で前記処理が実施される第２の組の基板ランから前記ＰＣＡモデルを構成した後に前記第１処理装置から得ることと、
    前記ＰＣＡモデルにおける前記データパラメータの各々に対して更新された適応性係数を生成するように、前記初めのデータから先のランのデータと、前記追加の観測から得られた現在のデータとの両方を使用することによって、前記追加のデータの各観測の時に、前記センターリング係数を調整することと、
    前記更新された適応性センターリング係数を、前記第１の組の基板ランから生成され、変えられない前記ＰＣＡモデルにおける前記データパラメータの各々に適用することと、
    前記ＰＣＡモデルと、前記更新された適応性センターリング係数によってセンターリングされた前記追加のデータとの組み合わせを使用して少なくとも１つの統計量値を定めることと、
    前記少なくとも１つの統計量値に対して制御限界を設定することと、
    前記基板の処理が前記第２の組に対する半導体製造の前記過程中、制御内にあるかを確認するために、前記少なくとも１つの統計量値を前記制御限界と比較することと、
    前記処理装置で実施される前記処理を判断する出力を提供することと、を具備する監視方法。
42. ＰＣＡモデルに対してスケーリング係数を定めることと、
    スケーリング係数を調整して前記ＰＣＡモデルにおける前記データパラメータの各々に対して更新された適応性スケーリング係数を生成することと、
    前記更新された適応性スケーリング係数を前記ＰＣＡモデルにおける前記データパラメータの各々に適用することとを更に具備する請求項４１に記載の方法。
43. コンピュータ装置における実行のためのプログラム指令を収容しているコンピュータ読取り可能メディアであって、コンピュータ装置により基板の処理が実行されると、
    処理装置で処理が実施される第１の組の基板ランから複数の観測に対する複数のデータパラメータを備えた初めのデータを処理装置から得る工程と、
    前記初めのデータに対するセンターリング係数を含む、前記第１の組の前記データパラメータからの主成分分析（ＰＣＡ）モデルを構成する工程と、
    前記複数のデータパラメータの追加の観測を備えた追加のデータを、前記処理装置で前記処理が実施される第２の組の基板ランから前記ＰＣＡモデルを構成した後に前記処理装置から得る工程と、
    前記初めのデータから先のランのデータと、前記ＰＣＡモデルにおける前記データパラメータの各々に対して更新された適応性センターリング係数を生成するように、前記追加の観測から得られた現在のデータとの両方を使用することによって、前記センターリング係数を調整する工程と、
    前記更新された適応性センターリング係数を、前記第１の組の基板ランから生成され、変えられない前記ＰＣＡモデルにおける前記データパラメータの各々に適用する工程と、
    前記ＰＣＡモデルと、前記更新された適応性センターリング係数によってセンターリングされた前記追加のデータとの組み合わせを使用して少なくとも１つの統計量値を定める工程と、
    前記少なくとも１つの統計量値に対して制御限界を設定する工程と、
    前記基板の処理が前記第２の組に対する半導体製造の前記過程中、制御内にあるかを確認するために、前記少なくとも１つの統計量値を前記制御限界と比較する工程と、
    前記処理装置で実施される前記処理を判断する出力を提供する工程と、をコンピュータ装置に行わせるコンピュータ読取り可能メディア。
44. コンピュータ装置における実行のためのプログラム指令を収容しているコンピュータ読取り可能メディアであって、コンピュータ装置により基板の処理が実行されると、
    処理装置で処理が実施される第１の組の基板ランから複数の観測に対する複数のデータパラメータを備えた初めのデータを第２の処理装置から得る工程と、
    前記初めのデータに対するセンターリング係数を含む、前記第１の組の前記データパラメータからの主成分分析（ＰＣＡ）モデルを構成する工程と、
    前記複数のデータパラメータの追加の観測を備えた追加のデータを、前記処理装置で前記処理が実施される第２の組の基板ランから前記ＰＣＡモデルを構成した後に第１の処理装置から得る工程と、
    前記ＰＣＡモデルにおける前記データパラメータの各々に対して更新された適応性センターリング係数を生成するように、前記初めのデータから先のランのデータと、前記追加の観測から得られた現在のデータとの両方を使用することによって、前記センターリング係数を調整する工程と、
    前記更新された適応性センターリング係数を、前記第１の組の基板ランから生成され、変えられない前記ＰＣＡモデルにおける前記データパラメータの各々に適用する工程と、
    前記ＰＣＡモデルと、前記更新された適応性センターリング係数によってセンターリングされた前記追加のデータとの組み合わせを使用して少なくとも１つの統計量値を定める工程と、
    前記少なくとも１つの統計量値に対して制御限界を設定する工程と、
    前記基板の処理が前記第２の組に対する半導体製造の前記過程中、制御内にあるかを確認するために、前記少なくとも１つの統計量値を前記制御限界と比較する工程と、
    前記処理装置で実施される前記処理を判断する出力を提供する工程と、をコンピュータ装置に行わせるコンピュータ読取り可能メディア。

Images