JP6696059B1 - 基板処理装置のプロセス判定装置、基板処理システム及び基板処理装置のプロセス判定方法 - Google Patents

基板処理装置のプロセス判定装置、基板処理システム及び基板処理装置のプロセス判定方法 Download PDF

Info

Publication number
JP6696059B1
JP6696059B1 JP2019557650A JP2019557650A JP6696059B1 JP 6696059 B1 JP6696059 B1 JP 6696059B1 JP 2019557650 A JP2019557650 A JP 2019557650A JP 2019557650 A JP2019557650 A JP 2019557650A JP 6696059 B1 JP6696059 B1 JP 6696059B1
Authority
JP
Japan
Prior art keywords
determination
substrate processing
learning model
processing apparatus
learning
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.)
Active
Application number
JP2019557650A
Other languages
English (en)
Other versions
JPWO2020178945A1 (ja
Inventor
花田　克司
克司 花田
佑揮 藤原
佑揮 藤原
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.)
SPP Technologies Co Ltd
Original Assignee
SPP Technologies Co 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 SPP Technologies Co Ltd filed Critical SPP Technologies Co Ltd
Application granted granted Critical
Publication of JP6696059B1 publication Critical patent/JP6696059B1/ja
Publication of JPWO2020178945A1 publication Critical patent/JPWO2020178945A1/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/20—Sequence of activities consisting of a plurality of measurements, corrections, marking or sorting steps
    • H01L22/26—Acting in response to an ongoing measurement without interruption of processing, e.g. endpoint detection, in-situ thickness measurement
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • C—CHEMISTRY; METALLURGY
    • C23—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; CHEMICAL SURFACE TREATMENT; DIFFUSION TREATMENT OF METALLIC MATERIAL; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL; INHIBITING CORROSION OF METALLIC MATERIAL OR INCRUSTATION IN GENERAL
    • C23C—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; SURFACE TREATMENT OF METALLIC MATERIAL BY DIFFUSION INTO THE SURFACE, BY CHEMICAL CONVERSION OR SUBSTITUTION; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL
    • C23C16/00—Chemical coating by decomposition of gaseous compounds, without leaving reaction products of surface material in the coating, i.e. chemical vapour deposition [CVD] processes
    • C23C16/44—Chemical coating by decomposition of gaseous compounds, without leaving reaction products of surface material in the coating, i.e. chemical vapour deposition [CVD] processes characterised by the method of coating
    • C23C16/50—Chemical coating by decomposition of gaseous compounds, without leaving reaction products of surface material in the coating, i.e. chemical vapour deposition [CVD] processes characterised by the method of coating using electric discharges
    • C—CHEMISTRY; METALLURGY
    • C23—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; CHEMICAL SURFACE TREATMENT; DIFFUSION TREATMENT OF METALLIC MATERIAL; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL; INHIBITING CORROSION OF METALLIC MATERIAL OR INCRUSTATION IN GENERAL
    • C23C—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; SURFACE TREATMENT OF METALLIC MATERIAL BY DIFFUSION INTO THE SURFACE, BY CHEMICAL CONVERSION OR SUBSTITUTION; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL
    • C23C16/00—Chemical coating by decomposition of gaseous compounds, without leaving reaction products of surface material in the coating, i.e. chemical vapour deposition [CVD] processes
    • C23C16/44—Chemical coating by decomposition of gaseous compounds, without leaving reaction products of surface material in the coating, i.e. chemical vapour deposition [CVD] processes characterised by the method of coating
    • C23C16/52—Controlling or regulating the coating process
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • H01L21/67011—Apparatus for manufacture or treatment
    • H01L21/67017—Apparatus for fluid treatment
    • H01L21/67063—Apparatus for fluid treatment for etching
    • H01L21/67069—Apparatus for fluid treatment for etching for drying etching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Mechanical Engineering (AREA)
  • Metallurgy (AREA)
  • Materials Engineering (AREA)
  • Organic Chemistry (AREA)
  • General Chemical & Material Sciences (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Manufacturing & Machinery (AREA)
  • Computer Hardware Design (AREA)
  • Power Engineering (AREA)
  • Plasma & Fusion (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Drying Of Semiconductors (AREA)
  • Chemical Vapour Deposition (AREA)

Abstract

【課題】判定精度の低下を容易に抑制可能な基板処理装置のプロセス判定装置等を提供する。【解決手段】プロセス判定装置２０は、基板処理装置１０のプロセスログデータを取得するプロセスログ取得部２１と、プロセスログデータに基づき入力データを作成し、入力データに基づき、基板処理装置のプロセスに関わる判定を行う判定部２２と、を備える。判定部は、入力データがそれぞれ入力され、プロセスに関わる判定結果をそれぞれ出力する複数個の学習モデル２５を具備し、複数個の学習モデルは、互いに異なる教師データを用いた機械学習を行うことで生成されている。判定部は、複数個の学習モデルのうち何れの学習モデルを用いて判定を行うかを切り替え可能である。【選択図】図１

Description

本発明は、基板処理装置におけるプロセスに関わる判定を行う基板処理装置のプロセス判定装置、これを備えた基板処理システム及び基板処理装置のプロセス判定方法に関する。特に、本発明は、判定精度の低下を容易に抑制可能な基板処理装置のプロセス判定装置、基板処理システム及び基板処理装置のプロセス判定方法に関する。
従来、基板処理装置におけるプロセスに関わる判定を行う装置として、例えば、特許文献１〜３に記載の装置が提案されている。
特許文献１に記載の装置は、機械学習を行うことで生成された学習モデル（ニューラルネットワーク）を用いて、基板のフィルム厚さプロファイル（具体的には、エッチング深さ）を判定（予測）する装置である。
特許文献２に記載の装置は、機械学習を行うことで生成された学習モデル（ニューラルネットワーク）を用いて、基板のエッチング深さを予測し、ひいてはエッチングの終点を判定（検出）する装置である。
特許文献３に記載の装置は、機械学習を行うことで生成された学習モデル（サポートベクターマシン）を用いて基板処理装置の故障（具体的には、異常発生部位及び故障までの予測時間）を判定（予知）する装置である。
特許文献１〜３に記載のような学習モデルを具備する判定装置では、初期状態（例えば、基板処理装置の出荷前）において、所定の教師データを用いて機械学習を行うことで学習モデルを生成した後に、初期状態経過後（例えば、基板処理装置の出荷後）において、判定精度を高めることを目的として、新たな教師データを用いて又は追加して、学習モデルを再度機械学習（再学習）させることが一般的に行われている。
しかしながら、初期状態経過後に学習モデルを再学習させる際、例えば、新たに用いる又は追加する教師データが適切なものでない場合、初期状態の学習モデル（再学習させる前の学習モデル）を用いるときよりも判定精度が低下することがある。判定精度が低下しても、既に再学習済みの学習モデルを元に戻すことができないため、所望する判定精度が得られるまで再学習を繰り返す必要があり、多大な手間を要する。
また、基板処理装置の稼働条件の変更等に伴い、再学習前の学習モデルの判定精度と再学習後の学習モデルの判定精度との優劣が変化する場合もある。すなわち、ある稼働条件については、再学習前の学習モデルを用いた方が判定精度が高く、別の稼働条件については、再学習済の学習モデルを用いた方が判定精度が高くなる場合がある。
しかしながら、このような場合にも、再学習済みの学習モデルの判定精度が低下しても、既に再学習済みの学習モデルを元に戻すことができないため、所望する判定精度が得られるまで再学習を繰り返す必要があり、多大な手間を要する。
特許文献１〜３には、上記のような学習モデルの再学習における問題を解決する手段について何ら開示されていない。
なお、特許文献４に示すように、学習モデルを用いるものではないが、基板にエッチング処理を実行する基板処理装置において、基板に対するエッチングの終点を判定（検出）する装置として、分光器を備えた判定装置が知られている。具体的には、特許文献４に記載のような判定装置は、基板処理装置が備えるチャンバ内に生じた光をチャンバ外に設置した分光器に導き、この分光器で所定の波長を有する光の強度を測定することで、基板に対するエッチングの終点を判定（検出）する装置である。例えば、特許文献４に記載の判定装置では、処理ガスとしてＳＦ６ガスを用いてＳｉ基板をエッチングする場合、Ｓｉの反応生成物であるＳｉＦの発光波長を有する光の強度が基準値以下となった時点をエッチングの終点として判定（検出）している。
上記と同様に、基板に成膜処理を実行する基板処理装置において、成膜処理によってチャンバ内に付着した膜組成物に対するエッチングの終点を判定（検出）する際にも、分光器を備えた判定装置が用いられている。このような判定装置では、例えば、処理ガスとしてＣ４Ｆ８ガスを用いて膜組成物をエッチングする場合、Ｆの発光波長を有する光の強度が基準値以上となった時点をエッチングの終点として判定（検出）している。
特表２００９−５３４８５４号公報 特開２０１７−１９５３６５号公報 特開２０１８−１７８１５７号公報 特許第４１０１２８０号公報
本発明は、上記従来技術の問題点を解決するためになされたものであり、判定精度の低下を容易に抑制可能な基板処理装置のプロセス判定装置、基板処理システム及び基板処理装置のプロセス判定方法を提供することを課題とする。
前記課題を解決するため、本発明は、第１の手段として、基板処理装置のプロセスに関わる判定を行う装置であって、前記基板処理装置のプロセスログデータを取得するプロセスログ取得部と、前記プロセスログデータに基づき入力データを作成し、前記入力データに基づき、前記基板処理装置のプロセスに関わる判定を行う判定部と、を備え、前記判定部は、前記入力データがそれぞれ入力され、前記プロセスに関わる判定結果をそれぞれ出力する複数個の学習モデルを具備し、前記複数個の学習モデルは、互いに異なる教師データを用いた機械学習を行うことで生成されており、前記判定部は、前記複数個の学習モデルのうち何れの学習モデルを用いて判定を行うかを切り替え可能であり、判定精度評価用データを用いて前記複数個の学習モデルの判定精度をそれぞれ評価し、最も判定精度の高かった学習モデルを用いて、その後の判定を行う、ことを特徴とする基板処理装置のプロセス判定装置を提供する。
本発明の第１の手段によれば、基板処理装置のプロセスに関わる判定を行う判定部が複数個の学習モデルを具備し、これら複数個の学習モデルが互いに異なる教師データを用いた機械学習を行うことで生成されている。そして、判定部は、複数個の学習モデルのうち何れの学習モデルを用いて判定を行うかを切り替え可能である。このため、例えば、基板処理装置の稼働条件を変更したとき等の適宜のタイミングで複数個の学習モデルの判定精度をそれぞれ評価し、最も判定精度の高かった学習モデルを用いるように切り替えることで、判定精度の低下を容易に抑制可能である。後述の本発明の第２の手段についても同様である。
なお、本発明において、「プロセスに関わる判定」とは、プロセスに関わる検出や予測を意味する。具体的には、基板処理装置のプロセスにおける異常検出、エッチング処理を実行する基板処理装置におけるエッチング終点の検出、エッチング形状・深さの予測、成膜処理を実行する基板処理装置における成膜した膜質の予測などを例示できる。
また、本発明において、「プロセスログデータ」とは、基板処理装置において各種の処理を実行した際の各種の測定値や設定値の履歴を意味し、一般的な基板処理装置の稼働時に逐次得られるものである。
また、本発明において、「学習モデル」としては、ニューラルネットワークやサポートベクターマシンなど、機械学習を用いて生成できる限りにおいて種々の構成を採用可能である。
また、本発明において、「教師データ」とは、学習モデルへの既知の入出力の組み合わせを意味し、「互いに異なる教師データ」とは、完全に入出力の組み合わせが異なる場合に限るものではなく、一部の組み合わせが重複する場合も含む意味である。
さらに、本発明において、「複数個の学習モデルのうち何れの学習モデルを用いて判定を行うかを切り替え可能」とは、何れか１つの学習モデルに切り替え、この切り替えた何れか１つの学習モデルのみを用いて判定を行うことに限る意味ではない。例えば、３個の学習モデルのうち２個の学習モデルに切り替え、これら２個の学習モデルを用いて判定を行ったり、複数個の全ての学習モデルを用いて判定を行うことも含む意味である。
複数個の学習モデルの判定精度の評価や、判定部への学習モデルの切り替え指示を手動で行うことも可能である。しかしながら、これらを自動的に行う方が効率的であり好ましい。
したがい、本発明の第１の手段において、前記判定部は、判定精度評価用データを用いて前記複数個の学習モデルの判定精度をそれぞれ評価し、最も判定精度の高かった学習モデルを用いて、その後の判定を行う。
本発明の第１の手段によれば、判定部が、複数個の学習モデルの判定精度をそれぞれ自動で評価し、最も判定精度の高かった学習モデルに自動で切り替えることになるため、判定精度の低下を効率的に抑制可能である。
なお、本発明において、「判定精度評価用データ」とは、学習モデルへの既知の入出力の組み合わせを意味し、「判定精度」とは、学習モデルが出力する判定結果が、判定精度評価用データの出力（真の判定結果）と合致する程度を意味する。
また、本発明において、学習モデルの判定精度を評価するタイミングは、時間等によって予め設定しても良いし、手動で指示してもよい。
また、前記課題を解決するため、本発明は、第２の手段として、基板処理装置のプロセスに関わる判定を行う装置であって、前記基板処理装置のプロセスログデータを取得するプロセスログ取得部と、前記プロセスログデータに基づき入力データを作成し、前記入力データに基づき、前記基板処理装置のプロセスに関わる判定を行う判定部と、を備え、前記判定部は、前記入力データがそれぞれ入力され、前記プロセスに関わる判定結果をそれぞれ出力する複数個の学習モデルを具備し、前記複数個の学習モデルには、前記基板処理装置の初期状態に得られた教師データのみを用いた機械学習を行うことで生成された学習モデルと、前記基板処理装置の初期状態経過後に得られた教師データを含む教師データを用いた機械学習を行うことで生成された学習モデルと、の双方が含まれ、前記判定部は、前記複数個の学習モデルのうち何れの学習モデルを用いて判定を行うかを切り替え可能である、ことを特徴とする基板処理装置のプロセス判定装置としても提供される。
本発明の第２の手段によれば、初期状態経過後の学習モデル（例えば、基板処理装置の出荷後に得られた教師データを含む教師データを用いた機械学習を行うことで生成された学習モデル）の判定精度が、初期状態の学習モデル（例えば、基板処理装置の出荷前に得られた教師データのみを用いた機械学習を行うことで生成された学習モデル）の判定精度よりも低い場合に、初期状態の学習モデルに切り替えて用いることが可能である。
また、基板処理装置の稼働条件の変更等に伴い、初期状態の学習モデルの判定精度と初期状態経過後の学習モデルの判定精度との優劣が変化した場合であっても、いずれか判定精度の高い学習モデルに切り替えて用いることが可能である。
本発明の第２の手段において、第１の手段のように、複数個の学習モデルの判定精度をそれぞれ評価し、最も判定精度の高かった学習モデルを用いて、その後の判定を行うようにすれば、判定精度の低下を抑制可能であるものの、判定精度評価用データを用意する手間が掛かる。この手間を省くには、複数個の学習モデルの判定結果の多数決を最終的な判定結果とすることが好ましい。
したがい、好ましくは、前記判定部は、前記複数個の学習モデルの判定結果の多数決を最終的な判定結果として出力する。
上記の好ましい構成によれば、複数個の学習モデルの判定結果の多数決を最終的な判定結果とするため、各学習モデルの判定精度を頻繁に評価しなくても、最終的な判定結果の判定精度に信頼性をもたせることが可能である。
なお、複数個の学習モデルが偶数個の学習モデルである場合、同じ判定結果を出力する学習モデルの個数が同数になる可能性がある。同数になった場合には、予め決めた判定結果を最終的な判定結果として出力することが考えられる。例えば、判定部が４個の学習モデルを具備し、後述の本発明の第１実施形態のようにエッチングの終点前後の何れであるかを判定する場合に、何れか２個の学習モデルがエッチングの終点前であると判定し、残りの２個の学習モデルがエッチングの終点後であると判定した場合には、同数であるため、最終的な判定結果をエッチングの終点前とすることを予め決めておけばよい。
上記の好ましい構成において、「複数個の学習モデルの判定結果の多数決を最終的な判定結果として出力する」とは、上記のように同じ判定結果を出力する学習モデルの個数が同数になった場合に、予め決めた何れか一方の判定結果を最終的な判定結果を出力する場合を含む概念である。
また、前記課題を解決するため、本発明は、基板処理装置と、前記の何れかに記載のプロセス判定装置と、を備えることを特徴とする基板処理システムとしても提供される。
また、前記課題を解決するため、本発明は、基板処理装置のプロセスログデータを取得するプロセスログ取得工程と、前記プロセスログ取得工程によって取得したプロセスログデータに基づき入力データを作成し、前記入力データに基づき、前記基板処理装置のプロセスに関わる判定を行う判定工程と、を含み、前記判定工程では、互いに異なる教師データを用いた機械学習を行うことで生成された複数個の学習モデルを用意し、前記複数個の学習モデルのうち少なくとも何れか１個の学習モデルを用いて、前記少なくとも何れか１個の学習モデルに前記入力データを入力し、前記少なくとも何れか１個の学習モデルから前記プロセスに関わる判定結果を出力し、前記少なくとも何れか１個の学習モデルは、判定精度評価用データを用いて前記複数個の学習モデルの判定精度をそれぞれ評価したときに、最も判定精度の高かった学習モデルであることを特徴とする基板処理装置のプロセス判定方法としても提供される。
或いは、本発明は、基板処理装置のプロセスログデータを取得するプロセスログ取得工程と、前記プロセスログ取得工程によって取得したプロセスログデータに基づき入力データを作成し、前記入力データに基づき、前記基板処理装置のプロセスに関わる判定を行う判定工程と、を含み、前記判定工程では、前記基板処理装置の初期状態に得られた教師データのみを用いた機械学習を行うことで生成された学習モデルと、前記基板処理装置の初期状態経過後に得られた教師データを含む教師データを用いた機械学習を行うことで生成された学習モデルと、の双方が含まれる複数個の学習モデルを用意し、前記複数個の学習モデルのうち少なくとも何れか１個の学習モデルを用いて、前記少なくとも何れか１個の学習モデルに前記入力データを入力し、前記少なくとも何れか１個の学習モデルから前記プロセスに関わる判定結果を出力する、ことを特徴とする基板処理装置のプロセス判定方法としても提供される。
本発明によれば、判定精度の低下を容易に抑制可能である。
本発明の第１実施形態に係る基板処理システムの概略構成を模式的に示す図である。 図１に示す正規化部及び画像化部の動作を説明する説明図である。 図１に示す学習モデルの概略構成及び動作を模式的に示す図である。 図１に示す学習モデルの学習時及び判定時の動作手順を示すフロー図である。 図１に示すプロセス判定装置の変形例を示すブロック図である。 図１に示す基板処理システムを用いた試験の結果を示す。 本発明の第２実施形態に係る基板処理システムの概略構成を模式的に示す図である。 図７に示す基板処理システムを用いた試験の結果を示す。
以下、添付図面を参照しつつ、本発明の実施形態に係るプロセス判定装置及びこれを備えた基板処理システムについて説明する。本実施形態では、基板処理装置がプラズマ処理装置であり、基板処理装置におけるプロセスに関わる判定としてエッチングの終点を検出する場合を例に挙げて説明する。
＜第１実施形態＞
図１は、第１実施形態に係る基板処理システムの概略構成を模式的に示す図である。図１（ａ）は基板処理システムの全体構成図であり、図１（ｂ）はプロセス判定装置の概略構成を示すブロック図である。なお、図１（ａ）では、測定するパラメータを破線の矩形で囲って図示している。
図１（ａ）に示すように、第１実施形態に係る基板処理システム１００は、基板処理装置１０と、プロセス判定装置２０と、を備えている。
第１実施形態の基板処理装置１０は、チャンバ１と、チャンバ１内に配置された載置台２と、を具備し、載置台２に載置された基板Ｗにプラズマ処理を施す装置である。より具体的には、第１実施形態の基板処理装置１０は、基板Ｗにプラズマ処理としてのエッチングを施す誘導結合プラズマ（ＩＣＰ）方式のプラズマエッチング装置である。基板処理装置１０において基板Ｗにエッチングを施す際には、基板Ｗが過剰にエッチングされないように、エッチングの終点を判定（検出）することが重要である。
基板処理装置１０のチャンバ１内には、ガス供給源（図示せず）からプラズマを生成するための処理ガスが供給される。図１（ａ）では、ガスＮｏ．１〜ガスＮｏ．６までの６種類の処理ガスを供給可能とした構成が図示されている。しかしながら、エッチング処理を実行する際、６種類の処理ガスの全てを使用する場合に限るものではなく、何れか１種類以上の処理ガスを用いてエッチングを行うことが可能である。なお、供給する各処理ガスの流量は、ガス供給源からチャンバ１までの流路に設けられたマスフローコントローラ（Mass Flow Controller、ＭＦＣ）１１によって測定される。また、チャンバ１には、チャンバ１の壁面を加熱するヒータ（図示せず）が適宜の箇所に設けられており、各箇所のヒータの温度（図１（ａ）に示す温度Ｎｏ．１−１〜Ｎｏ．１−４）が、熱電対等の公知の測定器（図示せず）によって測定される。さらに、チャンバ１内の圧力が、真空計１２によって測定される。
基板処理装置１０は、チャンバ１を囲うようにチャンバ１に配置されたコイル３を具備する（図１（ａ）では、便宜上、左側に位置するコイル３の断面のみを図示している）。コイル３には、上部高周波電源４から上部マッチングユニット５を介して高周波電力（上部高周波電力）が印加される。コイル３に上部高周波電力を印加することで、チャンバ１内に供給された処理ガスがプラズマ化される。なお、上部高周波電源４が印加する上部高周波電力と、上部マッチングユニット５の整合位置（上部マッチングユニット５が具備する可変コンデンサや可変コイルなどの定数）とが、それぞれ公知の測定器（図示せず）によって測定される。
載置台２には、下部高周波電源６から下部マッチングユニット７を介して高周波電力（下部高周波電力）が印加される。載置台２に下部高周波電力を印加することで、載置台２とチャンバ１内のプラズマとの間にバイアス電位を与え、プラズマ中のイオンを加速して載置台２に載置された基板Ｗに引き込む。これにより、基板Ｗにエッチングが施される。なお、下部高周波電源６が印加する下部高周波電力と、下部マッチングユニット７の整合位置（下部マッチングユニット７が具備する可変コンデンサや可変コイルなどの定数）とが、それぞれ公知の測定器（図示せず）によって測定される。
プラズマ処理の実行中、載置台２は、チラー８によって冷却される。チラー８の温度が、熱電対等の公知の測定器（図示せず）によって測定される。また、プラズマ処理の実行中、基板Ｗの裏面にＨｅガスが供給され、このＨｅガスによって基板Ｗが冷却される。この際、供給するＨｅガスの圧力・流量が、Ｈｅガス供給源（図示せず）から基板Ｗの裏面（載置台２の上面）までの流路に設けられた圧力・流量計９によって測定される。
プラズマ処理を実行することでチャンバ１内に生成された反応生成物等は、チャンバ１内に連通する排気管１７を通じてチャンバ１外に排気される。排気管１７には、バルブ開度を調整することにより、チャンバ１内の圧力を制御する自動圧力制御装置（Auto Pressure Controller，ＡＰＣ）１３、反応生成物を排気するための第１ポンプ（ターボ分子ポンプ）１４、及び、第１ポンプ１４を補助する第２ポンプ（ドライポンプやロータリーポンプなど）１５が設けられている。なお、自動圧力制御装置１３の温度（図１（ａ）に示す温度Ｎｏ．１−５）と、第１ポンプ１４の温度（図１（ａ）に示す温度Ｎｏ．１−６）とが、熱電対等の公知の測定器（図示せず）によって測定される。また、排気管１７には、排気管１７を加熱するヒータ（図示せず）が適宜の箇所（例えば、第１ポンプ１４と第２ポンプ１５との間）に設けられており、各箇所のヒータの温度（図１（ａ）に示す温度Ｎｏ．１−７、Ｎｏ．１−８）が、熱電対等の公知の測定器（図示せず）によって測定される。また、自動圧力制御装置１３のバルブ開度（ＡＰＣ開度）が、エンコーダ等の公知の測定器（図示せず）によって測定される。さらに、第１ポンプ１４と第２ポンプ１５との間に位置する排気管１７内の圧力（フォアライン圧力）が、真空計１６によって測定される。
第１実施形態のプロセス判定装置２０は、上記の構成を有する基板処理装置１０に電気的に接続されており、基板処理装置１０において基板Ｗに施すエッチングの終点を判定（検出）する装置である。
図１（ｂ）に示すように、プロセス判定装置２０は、プロセスログ取得部２１と、判定部２２と、を備え、例えば、コンピュータから構成されている。
プロセスログ取得部２１は、図１（ａ）を参照して前述した各測定値を測定する測定器（例えば、マスフローコントローラ１１）と有線又は無線で電気的に接続されており（図１（ａ）では、便宜上、圧力・流量計９、マスフローコントローラ１１及び真空計１２だけに有線で接続されている状態を図示している）、各測定器から逐次入力された測定データを所定のサンプリング周期（例えば、１秒）で取得（Ａ／Ｄ変換）する機能を有する。プロセスログ取得部２１は、例えば、コンピュータに搭載されたＡ／Ｄ変換ボードや、コンピュータが具備するＲＯＭ、ＲＡＭ等のメモリや、該メモリに記憶され、プロセスログ取得部２１としての動作をＣＰＵに実行させるプログラムによって構成される。取得された各測定値及び各測定値に対応する各設定値が、プロセスログデータとして、判定部２２でのエッチングの終点検出に用いられる。
なお、第１実施形態で用いるプロセスログデータには、チャンバ１内に生じた光（チャンバ１内に供給する処理ガスや基板Ｗの成分に応じて生じた光）に関わる測定値は含まれない。すなわち、従来の分光器を用いた光の強度測定値等は除外される。換言すれば、エッチングの終点を検出する際に分光器を用いる必要がない。
また、第１実施形態では、図１（ａ）に示す全ての測定値をプロセスログデータとしてエッチングの終点検出に用いているが、本発明はこれに限るものではない。ただし、少なくとも、フォアライン圧力又はＡＰＣ開度と、上部マッチングユニット５及び／又は下部マッチングユニット７の整合位置と、を用いることが好ましい。
本発明者らの鋭意検討した結果によれば、各種のプロセスログデータのうち、排気管１７内の圧力（フォアライン圧力）と、自動圧力制御装置１３のバルブ開度（ＡＰＣ開度）と、上部マッチングユニット５の整合位置と、下部マッチングユニット７の整合位置とが、エッチングの終点前後で特に変化し易い。エッチングが終了すれば、基板Ｗにおけるエッチング対象の層が無くなるため、プラズマの状態が変化するからである。このため、エッチングの終点を判定（検出）するには、上記のように、少なくともこれらのプロセスログデータを用いることが好ましい。ただし、フォアライン圧力とＡＰＣ開度とはほぼ連動して変化するため、何れか一方だけを用いてもよいと考えられる。
なお、プロセス判定装置２０が基板処理装置１０の稼働を制御するために一般的に用いられる制御装置としての機能も有する場合（制御装置がプロセス判定装置２０としても兼用される場合）には、プロセスログデータを構成する各設定値は、予めプロセス判定装置２０（プロセスログ取得部２１）に記憶されている。プロセス判定装置２０が上記の制御装置と別体であり、両者が電気的に接続されている場合には、制御装置に予め記憶された各設定値がプロセス判定装置２０（プロセスログ取得部２１）に送信されることになる。また、第１実施形態では、プロセス判定装置２０が各測定器と直接接続されている場合を例示したが、上記の制御装置と各測定器とが直接接続され、制御装置で取得した各測定値をプロセス判定装置２０に送信する構成を採用することも可能である。
判定部２２は、プロセスログ取得部２１によって逐次（例えば、１秒毎に）取得したプロセスログデータから入力データを作成し、この入力データに基づき、基板処理装置１０におけるエッチングの終点を判定（検出）する部分である。判定部２２は、例えば、コンピュータが具備するＲＯＭ、ＲＡＭ等のメモリや、該メモリに記憶され、判定部２２としての動作をＣＰＵに実行させるプログラムによって構成される。
判定部２２は、複数個の学習モデル２５を具備する。図１（ｂ）に示す例では、判定部２２は、２個の第１学習モデル２５ａ及び第２学習モデル２５ｂを具備するが、本発明はこれに限るものではなく、３個以上の学習モデル２５を具備することも可能である。第１学習モデル２５ａ及び第２学習モデル２５ｂは、構成は同じであるが、互いに異なる教師データを用いた機械学習を行うことで生成されている。例えば、第１学習モデル２５ａは、基板処理装置１０の出荷前に得られた教師データのみを用いた機械学習を行うことで生成され、第２学習モデル２５ｂは、基板処理装置１０の出荷前と出荷後に得られた教師データを用いた機械学習を行うことで生成されている。なお、本明細書に記載の「出荷前」とは、基板処理装置１０の製造者側に基板処理装置１０が存在する状態に限るものではない。製造者側から使用者側に基板処理装置１０が引き渡された後、製造者側が使用者側に出向いて基板処理装置１０の立ち上げ調整を行う場合には、その立ち上げ調整期間も含む概念である。
そして、判定部２２は、第１学習モデル２５ａ及び第２学習モデル２５ｂのうち何れの学習モデルを用いて判定を行うかを切り替え可能になっている。判定に用いる学習モデル２５の切り替えは、判定部２２に手動で切り替え指示を行ってもよいし、後述のように判定部２２が自動的に行ってもよい。
図１（ｂ）に示す例では、第１学習モデル２５ａが選択されて、後述の画像化部２４と第１学習モデル２５ａとが接続され、第１学習モデル２５ａを用いて判定を行う状態を図示している。
例えば、出荷前後で、ユーティリティ仕様が異なったり、クリーンルーム環境が異なることで、出荷後に得られた教師データが適切なものでない場合がある。また、出荷後であっても、基板処理装置では、デバイスの性能向上・プロセス改善や、用途変更により、基板Ｗの材質やサイズが異なったり、プラズマを生成するための処理ガスが異なる場合がある。このような場合には、出荷前に得られた教師データのみを用いて学習させた第１学習モデル２５ａを用いる方が判定精度が高い可能性がある。
なお、前述のように、判定部２２は、３個以上の学習モデルを具備することも可能であるが、特に、上記のような出荷後の基板処理装置におけるデバイスの性能向上・プロセス改善、用途変更等に応じて、同じ出荷後に得られたものではあるが互いに異なる教師データを用意し、これら出荷後の異なる教師データをそれぞれ用いた機械学習を行うことで複数個の学習モデル２５を生成することが好ましい。
第１実施形態の判定部２２は、好ましい構成として、更に、正規化部２３と、画像化部２４と、を具備する。これら正規化部２３、画像化部２４及び学習モデル２５も、例えば、コンピュータが具備するＲＯＭ、ＲＡＭ等のメモリや、該メモリに記憶され、各部２３〜２５としての動作をＣＰＵに実行させるプログラムによって構成される。
図２は、正規化部２３及び画像化部２４の動作を説明する説明図である。図２（ａ）は正規化部２３の動作を説明する図であり、図２（ｂ）、（ｃ）は画像化部２４の動作を説明する図である。
図２（ａ）の左図は、プロセスログ取得部２１によって取得したプロセスログデータを模式的に示す図である。図２（ａ）に示すパラメータ１〜Ｎは、例えば、パラメータ１が図１（ａ）に示すマスフローコントローラ１１で測定したガスＮｏ．１の流量であり、パラメータＮが図１（ａ）に示す温度Ｎｏ．１−８である等、プロセスログデータの種類を意味する。図２（ａ）の左図に示すＸｉｊ（ｉ＝１〜Ｎ、ｊ＝１〜Ｍ）は、パラメータｉについてプロセス時間（エッチング開始からの経過時間）がｊ［ｓｅｃ］のときに取得されたプロセスログデータの値を意味する。例えば、Ｘ１１は、パラメータ１についてプロセス時間が１［ｓｅｃ］のときに取得されたプロセスログデータの値であり、ＸＮＭは、パラメータＮについてプロセス時間がＭ［ｓｅｃ］のときに取得されたプロセスログデータの値である。
正規化部２３は、プロセスログデータの種類毎（パラメータｉ毎）に、全プロセス時間（１〜Ｍ［ｓｅｃ］）でのプロセスログデータの最大値ＭＡＸｉ、最小値ＭＩＮｉを予め算出する。例えば、パラメータ１についての最大値はＭＡＸ１、最小値はＭＩＮ１であり、パラメータＮについての最大値はＭＡＸＮ、最小値はＭＩＮＮである。なお、これらの最大値ＭＡＸｉ及び最小値ＭＩＮｉは、１つの基板Ｗをエッチングする際に取得されたプロセスログデータを用いて算出するのではなく、後述の学習モデル２５の学習時等において、同等のレシピ（プラズマ処理の条件）でエッチングされた複数の基板Ｗについて取得されたプロセスログデータを用いて予め算出しておくことが好ましい。算出したプロセスログデータの種類毎（パラメータｉ毎）の最大値ＭＡＸｉ及び最小値ＭＩＮｉは、正規化部２３に記憶される。
そして、正規化部２３は、プロセスログ取得部２１によって逐次取得したプロセスログデータＸｉｊに対して、プロセスログデータの種類毎（パラメータｉ毎）に最大値が１となり最小値が０となる正規化を行う。
具体的には、以下の式（１）に基づき、図２（ａ）の右図に示すように、正規化後のプロセスログデータＹｉｊを算出する。
Ｙｉｊ＝（Ｘｉｊ−ＭＩＮｉ）／（ＭＡＸｉ−ＭＩＮｉ） ・・・（１）
上記の式（１）において、ｉ＝１〜Ｍであり、ｊ＝１〜Ｎである。
上記の式（１）から、Ｘｉｊ＝ＭＡＸｉのとき、Ｙｉｊ＝１となり、Ｘｉｊ＝ＭＩＮｉのとき、Ｙｉｊ＝０となるように正規化されることは明らかである。
プロセスログデータＸｉｊの値は、圧力、温度、流量など、プロセスログデータＸｉｊの種類に応じて大きく異なる。また、どのような単位で表すかによっても異なる値となる。このため、エッチングの終点を判定（検出）するに際し、各種類のプロセスログデータＸｉｊの値をそのまま用いると、判定精度に影響を及ぼす可能性がある。これを避けるには、上記のように正規化して、正規化後の各種類のプロセスログデータＹｉｊの値が何れも一定の範囲内で変動するようにすることが好ましい。
画像化部２４は、正規化後のプロセスログデータに基づき、学習モデル２５への入力データを作成する。
具体的には、画像化部２４は、図２（ｂ）の左図に示す正規化後のプロセスログデータに基づき、図２（ｂ）の右図に示すように、一軸（図２（ｂ）の右図に示す例では横軸）がプロセスログデータの種類（パラメータ１〜Ｎ）であり、一軸に直交する他軸（図２（ｂ）の右図に示す例では縦軸）が正規化後のプロセスログデータの値Ｙｉｊであるグラフ（棒グラフ）を画像化した画像データを逐次（例えば、１秒毎に）作成する。
画像データの種類としては、図２（ｂ）の右図に示すようなモノクロ濃淡画像に限るものではなく、２値化画像やカラー画像など、任意の画像データを作成可能である。
次に、第１実施形態の画像化部２４は、作成した画像データを複数の画素から構成される所定の画素領域に分割する。
具体的には、図２（ｃ）に示すように、画像化部２４は、画像データを一軸（横軸）方向及び他軸（縦軸）方向にそれぞれＫ分割して画素領域Ａｉｊ（ｉ＝１〜Ｋ、ｊ＝１〜Ｋ）を作成する。そして、画像化部２４は、画素領域Ａｉｊ毎に平均濃度値（画素領域Ａｉｊを構成する複数の画素の濃度値の平均値）Ｉａｖｅ（Ａｉｊ）（ｉ＝１〜Ｋ、ｊ＝１〜Ｋ）を算出する。この平均濃度値Ｉａｖｅ（Ａｉｊ）が、学習モデル２５への入力データとして用いられる。
なお、画像化部２４がカラー画像（ＲＧＢ３色のカラー画像）を作成する場合には、画像化部２４は各色の画像について平均濃度値を算出し、それら全てが学習モデル２５への入力データとして用いられる。
また、第１実施形態では、画像化部２４が画像データを画素領域に分割する例を示したが、本発明はこれに限るものではなく、画像データを構成する各画素の濃度値をそのまま学習モデル２５への入力データとして用いることも可能である。
図３は、学習モデル２５（第１学習モデル２５ａ、第２学習モデル２５ｂ）の概略構成及び動作を模式的に示す図である。
図４は、学習モデル２５の学習時及び判定時の動作手順を示すフロー図である。図４（ａ）は学習時の動作手順を、図４（ｂ）は判定時の動作手順を示す。
図３に示すように、第１実施形態の学習モデル２５は、入力層、中間層及び出力層を有するニューラルネットワークから構成されている。図３では、２層の中間層を有する構成を例示しているが、本発明の学習モデルとして用いることのできるニューラルネットワークはこれに限るものではなく、任意の層数の中間層を有する構成を採用可能である。また、図３に示す各層のノード（図３において「〇」で示す部分）の個数は単なる例示であり、本発明の学習モデルとして用いることのできるニューラルネットワークにおけるノードの個数は図示したものに限らない。
学習モデル２５は、入力データとして画像化部２４で作成した画像データ（具体的には、各画素領域Ａｉｊの平均濃度値Ｉａｖｅ（Ａｉｊ））が入力層に入力された場合に、基板処理装置１０におけるエッチングの終点前後の何れであるかを出力層から出力する（出力値ＯＵＴを出力する）ように、機械学習によって生成された構成である。
具体的には、学習モデル２５の学習時には、教師データの入力として、エッチングの終点前に取得したプロセスログデータから作成された入力データ（画像データ）を与え、前記入力と組み合わされる教師データの出力として、エッチングの終点前であること（第１実施形態では、ＯＵＴ＝０）を与えて、前記入力を入力層に入力した場合に、出力層からＯＵＴ＝０が出力されるように、機械学習を行う。
また、教師データの入力として、エッチングの終点後に取得したプロセスログデータから作成された入力データ（画像データ）を与え、前記入力と組み合わされる教師データの出力として、エッチングの終点後であること（第１実施形態では、ＯＵＴ＝１）を与えて、前記入力を入力層に入力した場合に、出力層からＯＵＴ＝１が出力されるように、機械学習を行う。
前述のように、第１学習モデル２５ａと第２学習モデル２５ｂとでは、互いに異なる教師データを用いるが、機械学習の方法は同じである。具体的には、図４（ａ）に示すように、第１学習モデル２５ａ用の教師データＤ１を準備し、この教師データＤ１を用いて第１学習モデル２５ａを学習させる。また、教師データＤ１と異なる第２学習モデル２５ｂ用の教師データＤ２を準備し、この教師データＤ２を用いて第２学習モデル２５ｂを学習させる。
なお、第１学習モデル２５ａ及び第２学習モデル２５ｂは、一度の機械学習を行うことで生成されたものに限られない。必要に応じて、新たな教師データを用いて第１学習モデル２５ａ及び第２学習モデル２５ｂの再学習を行ったり、従来の教師データに新たな教師データを追加して第１学習モデル２５ａ及び第２学習モデル２５ｂの再学習を行うことも可能である。第１学習モデル２５ａ及び第２学習モデル２５ｂの再学習を行うか否かは、例えば、プロセス判定装置２０を構成するコンピュータのモニタ画面に、第１学習モデル２５ａ及び第２学習モデル２５ｂの再学習を行うための実行ボタンをそれぞれ表示させ、各実行ボタンをキーボードやマウスを使ってクリックしたり、モニタがタッチパネル式の場合には指で各実行ボタンに触れることで、各実行ボタンに対応する学習モデル２５の再学習が実行されるように構成すればよい。
なお、基板処理装置１０が分光器を備える場合には、その分光器を用いて教師データを取得すればよい。具体的には、教師データとして用いる入力データの基になるプロセスログデータがエッチングの終点前に取得したものであるか、或いは、エッチングの終点後に取得したものであるかは、分光器で所定の波長を有する光の強度を測定することで判定すればよい。すなわち、分光器を用いてエッチングの終点を検出し、この分光器で検出したエッチングの終点を真として、プロセスログデータがその真の終点より前に取得したものであるか、或いは、真の終点より後に取得したものであるかを判定して、教師データとすればよい。
また、基板処理装置１０が分光器を備えない場合には、分光器を備えた他の基板処理装置を用いて教師データを取得すればよい。すなわち、分光器を備えた他の基板処理装置を用いた機械学習によって学習モデル２５を生成し、この学習モデル２５を第１実施形態の基板処理装置１０に適用するプロセス判定装置２０に用いることも可能である。
また、基板処理装置１０がエッチング処理を実行する複数のチャンバ１を備え、チャンバ１毎にプロセス判定装置２０が適用され、一部のチャンバ１にしか分光器を備えない場合には、分光器を備えた他のチャンバ１を用いて教師データを取得すればよい。すなわち、分光器を備えた他のチャンバ１を用いた機械学習によって学習モデル２５を生成し、この学習モデル２５を分光器を備えないチャンバ１用のプロセス判定装置２０に用いることも可能である。この態様は、複数のチャンバ１において、同種のレシピでエッチング処理を並行して実行する場合に特に有効である。
さらに、必ずしも分光器を用いて判定する場合に限るものではなく、例えば、教師データを取得する際にエッチング中の基板Ｗの表面を観察し、エッチングの終点前後に応じた基板Ｗ表面の色の違いから、プロセスログデータがエッチングの終点前後の何れであるかを判定して教師データを取得することも考えられる。
上記のようにして学習した後の学習モデル２５により、逐次入力される入力データに基づきエッチングの終点を判定（検出）する判定時には、学習モデル２５の入力層に入力データ（画像データ）が逐次入力され、学習モデル２５の出力層から出力値ＯＵＴが出力される。学習時と異なり、判定時の出力値ＯＵＴの値は、０≦ＯＵＴ≦１となる。
具体的には、図４（ｂ）に示すように、判定部２２が、第１学習モデル２５ａ及び第２学習モデル２５ｂのうち何れの学習モデル２５を用いて判定を行うかを切り替える。第１学習モデル２５ａが選択された場合には、第１学習モデル２５ａの入力層に入力データが逐次入力されて判定が行われる。第２学習モデル２５ｂが選択された場合には、第２学習モデル２５ｂの入力層に入力データが逐次入力されて判定が行われる。
なお、図１（ｂ）に示す例では、第１学習モデル２５ａが選択されているため、第１学習モデル２５ａの入力層に入力データ（画像データ）が逐次入力され、第１学習モデル２５ａの出力層から出力値ＯＵＴが出力されることになる。第２学習モデル２５ｂが選択されている場合には、第２学習モデル２５ｂの入力層に入力データ（画像データ）が逐次入力され、第２学習モデル２５ａの出力層から出力値ＯＵＴが出力されることになる。
第１実施形態の判定部２２は、０≦ＯＵＴ＜０．５のとき（小数点１桁で四捨五入して０になるとき）には、エッチングの終点前であると判定し、０．５≦ＯＵＴ≦１のとき（小数点１桁で四捨五入して１になるとき）には、エッチングの終点後であると判定するように構成されている。
以上に説明した構成を有するプロセス判定装置２０により、基板処理装置１０において基板Ｗに施すエッチングの終点が逐次判定（検出）される。
なお、第１学習モデル２５ａ及び第２学習モデル２５ｂのうちの何れの学習モデル２５を用いて判定を行うかの切り替えは、例えば、以下のようにして自動的に行うことが可能である。すなわち、教師データと同様にして取得した判定精度評価用データ（学習モデル２５への既知の入出力の組み合わせ）を予め判定部２２に記憶しておき、判定部２２がこの判定精度評価用データを用いて、第１学習モデル２５ａ及び第２学習モデル２５ｂの判定精度をそれぞれ評価し、判定精度の高かった方の学習モデル２５を用いて、その後の判定を行うように構成すればよい。各学習モデル２５の判定精度を評価するタイミングは、時間等によって予め設定しても良いし、手動で指示（例えば、プロセス判定装置２０が備えるキーボードやマウスやタッチパネル等で評価開始を指示）してもよい。
第１学習モデル２５ａ及び第２学習モデル２５ｂのうちの何れの学習モデル２５を用いて判定を行うかの切り替えを判定部２２に手動で指示する場合には、例えば、上記と同様の判定精度評価用データを用いて（ただし、この場合には、判定部２２に判定精度評価用データを記憶しておく必要はない）、手動で第１学習モデル２５ａ及び第２学習モデル２５ｂの判定精度をそれぞれ評価し、判定精度の高かった方の学習モデル２５への切り替えを手動で指示すればよい。
第１実施形態では、プロセス判定装置２０を構成するコンピュータのモニタ画面に、判定に用いる学習モデル２５が表示されるように構成されている。具体的には、判定部２２への学習モデル２５の切り替え指示を手動で行う場合には、例えば、第１学習モデル２５ａの選択ボタンと、第２学習モデル２５ｂの選択ボタンとがモニタに表示され、キーボードやマウスを使って何れかの選択ボタンを選んだり、モニタがタッチパネル式の場合には指で何れかの選択ボタンを選ぶことで、選択された学習モデル２５が他の学習モデル２５と識別可能に表示される（例えば、選択された学習モデル２５の選択ボタンが点滅表示される等）態様を採用可能である。また、判定部２２が学習モデル２５の切り替えを自動的に行う場合には、例えば、選択された学習モデル２５（第１学習モデル２５ａ又は第２学習モデル２５ｂ）をモニタに表示する態様を採用可能である。
上記のように、判定に用いる学習モデル２５が表示される構成にすることで、例えば、判定結果を解析するとき（例えば、判定精度が低下した原因を調査するとき）等に有効である。特に、判定部２２が学習モデル２５の切り替えを自動的に行う場合には、判定に用いる学習モデル２５が表示されないと、どの学習モデル２５を用いて判定しているかが一見しただけでは分からないブラックボックスの状態になるため、上記のように表示される構成にすることが有効である。
なお、図１（ｂ）に示すプロセス判定装置２０では、判定部２２が２個の第１学習モデル２５ａ及び第２学習モデル２５ｂを具備し、例えば判定精度の評価結果に基づき何れか一方の学習モデル２５に切り替え、この切り替えた何れか一方の学習モデル２５のみを用いて判定を行うことを説明したが、本発明はこれに限るものではない。
図５は、プロセス判定装置の変形例を示すブロック図である。
図５に示す変形例に係るプロセス判定装置２０Ａも、図１（ｂ）に示すプロセス判定装置２０と同様に、プロセスログ取得部２１と、判定部２２Ａと、を備え、例えば、コンピュータから構成されている。プロセスログ取得部２１の構成は、図１（ｂ）に示すプロセス判定装置２０と同様であるため、説明を省略する。
図５に示すプロセス判定部２２Ａも、図１（ｂ）に示すプロセス判定部２２と同様に、正規化部２３と、画像化部２４と、複数個の学習モデル２５と、を具備する。ただし、プロセス判定部２２Ａは、複数個の学習モデル２５として、３個以上の奇数個の学習モデル２５（図５に示す例では、３個の第１学習モデル２５ａ、第２学習モデル２５ｂ、第３学習モデル２５ｃ）を具備する点がプロセス判定部２２と異なる。また、プロセス判定部２２Ａは、多数決決定部２６を具備する点がプロセス判定部２２と異なる。これら正規化部２３、画像化部２４、学習モデル２５及び多数決決定部２６は、例えば、コンピュータが具備するＲＯＭ、ＲＡＭ等のメモリや、該メモリに記憶され、各部２３〜２６としての動作をＣＰＵに実行させるプログラムによって構成される。正規化部２３及び画像化部２４の構成は、図１（ｂ）に示すプロセス判定装置２０と同様であるため、説明を省略する。
変形例に係るプロセス判定装置２０Ａのプロセス判定部２２Ａは、第１学習モデル２５ａ、第２学習モデル２５ｂ及び第３学習モデル２５ｃの全てを用いて判定を行うように構成されている。具体的には、第１学習モデル２５ａ〜第３学習モデル２５ｃの全てから出力値ＯＵＴが出力され、多数決決定部２６に入力される。
そして、多数決決定部２６は、第１学習モデル２５ａ〜第３学習モデル２５ｃの判定結果の多数決を最終的な判定結果として出力する。例えば、第１学習モデル２５ａの出力値ＯＵＴが０≦ＯＵＴ＜０．５（エッチングの終点前と判定）であり、第２学習モデル２５ｂの出力値ＯＵＴが０≦ＯＵＴ＜０．５（エッチングの終点前と判定）であり、第３学習モデル２５ｃの出力値ＯＵＴが０．５≦ＯＵＴ≦１（エッチングの終点後と判定）である場合には、多数決決定部２６から、最終的な判定結果として、エッチングの終点前であることが出力されることになる。
以下、第１実施形態に係る基板処理システム１００の基板処理装置１０によって基板Ｗをエッチングし、プロセス判定装置２０の第１学習モデル２５ａ（基板処理装置１０の出荷前に得られた教師データのみを用いた機械学習を行うことで生成された学習モデル２５）によってエッチングの終点を判定（検出）する試験を行った結果の一例について説明する。
上記試験では、まず、１９枚の基板Ｗ（Ｓｉ基板）をＳＦ６ガスを用いてエッチングし、各基板Ｗのエッチング時間（基板Ｗのエッチング開始からエッチング終了を経てオーバーエッチングが終了するまでの約５０秒間）において１秒のサンプリング周期毎に第１学習モデル２５ａへの入力データ（画像データ）を作成した。各サンプリング周期の入力データが、エッチングの終点前に取得したプロセスログデータから作成された入力データであるか、エッチングの終点後に取得したプロセスログデータから作成された入力データであるかについては、上記試験で用いた基板処理装置１０には分光器が設けられているため、この分光器で測定したＳｉＦの発光波長を有する光の強度が基準値以下であるか否かによって判定した。以上のようにして採取した教師データを用いて、第１学習モデル２５ａを機械学習させた。学習後の第１学習モデル２５ａに同じ教師データの入力データを入力してエッチングの終点前後の何れであるかを判定したところ、判定精度としての正解率（正解した回数／判定回数×１００）は９９．８９％であった。なお、第１学習モデル２５ａでの１回の判定に要する時間は、オーバーエッチングの時間よりも十分に短かったため、プロセス判定装置２０によってエッチングの終点を検出（エッチングの終点後であると判定）してからエッチングを終了しても何ら支障は生じないといえる。
次に、上記試験では、同じレシピで別の６枚（Ｎｏ．１−１〜Ｎｏ．１−６）の基板Ｗ（Ｓｉ基板）をＳＦ６ガスを用いてエッチングし、各基板Ｗのエッチング時間において１秒のサンプリング周期毎に第１学習モデル２５ａへの入力データ（画像データ）を作成し、上記学習後の第１学習モデル２５ａに入力してエッチングの終点前後の何れであるかを判定した。この際、前述の学習時と同様に、基板処理装置１０に設けられた分光器を用いて、各サンプリング周期の入力データが、エッチングの終点前のものであるか、エッチングの終点後のものであるかを判定した。
図６は、上記試験の結果を示す。図６に示す「０」は、プロセス判定装置２０によってエッチングの終点前であると判定したものであり、「１」は、プロセス判定装置２０によってエッチングの終点後であると判定したものである。図６において、ハッチングを施し、太線で囲んだ欄は、分光器を用いてエッチングの終点後であると判定したものである。
図６に示すように、分光器を用いた判定と異なる判定をしたのは、Ｎｏ．１−３の基板Ｗの３８秒時点における判定と、Ｎｏ．１−５の基板Ｗの３８秒時点における判定だけであり、判定精度としての正解率は９９．３５％（＝３０６／３０８×１００）であった。したがい、第１実施形態に係る基板処理システム１００のプロセス判定装置２０によれば、基板Ｗのエッチングの終点を精度良く検出可能であるといえる。
＜第２実施形態＞
図７は、第２実施形態に係る基板処理システムの概略構成を模式的に示す図である。なお、図７においても、前述の図１（ａ）と同様に、測定するパラメータを破線の矩形で囲って図示している。図７では、前述の図１（ｂ）に相当する構成の図示を省略している。
図７に示すように、第２実施形態に係る基板処理システム２００は、基板処理装置１０Ａと、プロセス判定装置２０と、を備えている。
以下、主として第１実施形態に係る基板処理システム１００と相違する点について説明し、第１実施形態に係る基板処理システム１００と同様の構成要素については同一の符号を付して説明を省略する。
第２実施形態の基板処理装置１０Ａは、チャンバ１と、チャンバ１内に配置された載置台２と、を具備し、載置台２に載置された基板Ｗにプラズマ処理を施す装置である。より具体的には、第２実施形態の基板処理装置１０Ａは、プラズマ処理として基板Ｗ上に膜を形成する容量結合プラズマ（ＣＣＰ）方式のプラズマ成膜装置である。
このため、第１実施形態の基板処理装置１０と異なり、コイル３（図１（ａ）参照）の代わりに、チャンバ１内に載置台２と平行に対向配置された上部電極１８を備えている。
基板処理装置１０Ａにおいては、成膜処理を施した基板Ｗをチャンバ１外に搬送した後、成膜処理によってチャンバ１内に付着した膜組成物をクリーニングによって除去している。具体的には、プラズマを用いたエッチングによって、チャンバ１内に付着した膜組成物を除去している。このクリーニングの際に実行するエッチングについても、プラズマを生成する処理ガスの過剰供給を防止するため、エッチングの終点（クリーニングの終点）を判定（検出）することが重要である。
基板処理装置１０Ａのチャンバ１内には、ガス供給源（図示せず）からプラズマを生成するための処理ガスが供給される。図７では、ガスＮｏ．１〜ガスＮｏ．６までの６種類の処理ガスを供給可能とした構成が図示されている。しかしながら、成膜処理を実行する際や、成膜処理後にチャンバ１内に付着した膜組成物をクリーニングする際に、６種類の処理ガスの全てを使用する場合に限るものではなく、何れか１種類以上の処理ガスを用いて成膜処理や、クリーニングを行うことが可能である。
上部電極１８には、上部高周波電源４から上部マッチングユニット５を介して高周波電力（上部高周波電力）が印加される。また、載置台２には、下部高周波電源６から下部マッチングユニット７を介して高周波電力（下部高周波電力）が印加される。これにより、チャンバ１内に供給された処理ガスがプラズマ化され、生成されたプラズマが載置台２に向けて移動することで、載置台２に載置された基板Ｗ上に膜が形成される。成膜処理後に膜組成物をクリーニングする際には、生成されたプラズマがチャンバ１の内面に向けて移動することで、チャンバ１内に付着した膜組成物がエッチングによって除去される。
第２実施形態の基板処理装置１０Ａは、第１実施形態の基板処理装置１０と異なり、チラー８、圧力・流量計９、第１ポンプ（ターボ分子ポンプ）１４及び真空計１６を備えていない。
第２実施形態に係る基板処理システム２００では、供給する各処理ガスの流量が、ガス供給源からチャンバ１までの流路に設けられたマスフローコントローラ１１によって測定される。また、チャンバ１の壁面の適宜の箇所に設けられたヒータ（図示せず）の温度（図７に示す温度Ｎｏ．２−１〜Ｎｏ．２−３）が、熱電対等の公知の測定器（図示せず）によって測定される。さらに、チャンバ１内の圧力が、真空計１２によって測定される。
また、上部高周波電源４が印加する上部高周波電力と、上部マッチングユニット５の整合位置（上部マッチングユニット５が具備する可変コンデンサや可変コイルなどの定数）とが、それぞれ公知の測定器（図示せず）によって測定される。
また、下部高周波電源６が印加する下部高周波電力と、下部マッチングユニット７の整合位置（下部マッチングユニット７が具備する可変コンデンサや可変コイルなどの定数）とが、それぞれ公知の測定器（図示せず）によって測定される。
さらに、自動圧力制御装置１３の温度（図７に示す温度Ｎｏ．２−５）と、排気管１７の適宜の箇所に設けられたヒータ（図示せず）の温度（図７に示す温度Ｎｏ．２−４、Ｎｏ．２−６、Ｎｏ．２−７）とが、熱電対等の公知の測定器（図示せず）によって測定される。また、自動圧力制御装置１３のＡＰＣ開度が、エンコーダ等の公知の測定器（図示せず）によって測定される。
第２実施形態に係る基板処理システム２００が備えるプロセス判定装置２０は、第１実施形態と同様の構成を有し、図７を参照して前述した各測定値を測定する測定器（例えば、マスフローコントローラ１１）と有線又は無線で電気的に接続されている。プロセス判定装置２０は、各測定器から逐次入力された測定データを所定のサンプリング周期（例えば、１秒）で取得し、これら取得された各測定値及び各測定値に対応する各設定値が、プロセスログデータとしてエッチングの終点検出に用いられる。
第２実施形態では、図７に示す全ての測定値をプロセスログデータとして判定に用いているが、本発明はこれに限るものではない。ただし、少なくとも、ＡＰＣ開度と、上部マッチングユニット５及び／又は下部マッチングユニット７の整合位置と、を用いることが好ましい。
第２実施形態のプロセス判定装置２０が判定（検出）するエッチングの終点は、第１実施形態と異なり、基板Ｗ上に膜を形成した後、チャンバ１内に付着した膜組成物を除去するために実行するエッチングの終点である。
なお、第２実施形態においても、第１実施形態と同様に、図５に示す変形例に係るプロセス判定装置２０Ａを採用することが可能である。
以下、第２実施形態に係る基板処理システム２００の基板処理装置１０Ａによって基板Ｗ上に膜を形成した後、チャンバ１内に付着した膜組成物を除去するために実行するエッチング（クリーニング）の際、プロセス判定装置２０の第１学習モデル２５ａ（基板処理装置１０Ａの出荷前に得られた教師データのみを用いた機械学習を行うことで生成された学習モデル２５）によってエッチングの終点を判定（検出）する試験を行った結果の一例について説明する。
上記試験では、まず、Ｃ４Ｆ８ガスを用いてチャンバ１内を１３回クリーニングし、各クリーニングのエッチング時間（チャンバ１内に付着した膜組成物のエッチング開始からエッチング終了を経てオーバーエッチングが終了するまでの約１５０秒間）において１秒のサンプリング周期毎に第１学習モデル２５ａへの入力データ（画像データ）を作成した。各サンプリング周期の入力データが、エッチングの終点前に取得したプロセスログデータから作成された入力データであるか、エッチングの終点後に取得したプロセスログデータから作成された入力データであるかについては、上記試験で用いた基板処理装置１０Ａには分光器が設けられているため、この分光器で測定したＦの発光波長を有する光の強度が基準値以上であるか否かによって判定した。以上のようにして採取した教師データを用いて、第１学習モデル２５ａを機械学習させた。学習後の第１学習モデル２５ａに同じ教師データの入力データを入力して判定を行ったところ、判定精度としての正解率は９９．３９％であった。なお、第１学習モデル２５ａでの１回の判定に要する時間は、オーバーエッチングの時間よりも十分に短かかったため、プロセス判定装置２０によってエッチングの終点を検出（エッチングの終点後であると判定）してからエッチングを終了しても何ら支障は生じないといえる。
次に、上記試験では、同じレシピで別のタイミングの５回（Ｎｏ．２−１〜Ｎｏ．２−５）Ｃ４Ｆ８ガスを用いてチャンバ１内をクリーニングし、各クリーニングのエッチング時間において１秒のサンプリング周期毎に第１学習モデル２５ａへの入力データ（画像データ）を作成し、上記学習後の第１学習モデル２５ａに入力してエッチングの終点前後の何れであるかを判定した。この際、前述の学習時と同様に、基板処理装置１０Ａに設けられた分光器を用いて、各サンプリング周期の入力データが、エッチングの終点前のものであるか、エッチングの終点後のものであるかを判定した。
図８は、上記試験の結果を示す。図８に示す「０」は、プロセス判定装置２０によってエッチングの終点前であると判定したものであり、「１」は、プロセス判定装置２０によってエッチングの終点後であると判定したものである。図８において、斜線のハッチングを施し、太線で囲んだ欄は、分光器を用いてエッチングの終点後であると判定したものである。
図８に示すように、分光器を用いた判定と異なる判定をしたのは、Ｎｏ．２−１のクリーニングの３５〜３９秒時点における判定と、Ｎｏ．２−３のクリーニングの３秒時点における判定と、Ｎｏ．２−５のクリーニングの４４秒時点における判定だけであり、判定精度としての正解率は９９．１％（＝７４３／７５０×１００）であった。したがい、第２実施形態に係る基板処理システム２００のプロセス判定装置２０によれば、チャンバ１内に付着した膜組成物のエッチング（クリーニング）の終点を精度良く検出可能であるといえる。
なお、以上に説明した第１実施形態及び第２実施形態では、判定部２２が正規化部２３を具備する構成を例に挙げて説明したが、本発明はこれに限るものではない。判定部２２が正規化部２３を具備せず、プロセスログ取得部２１によって取得したプロセスログデータを正規化せずに、そのまま用いて入力データを作成することも可能である。
また、第１実施形態及び第２実施形態では、判定部２２が画像化部２４を具備する構成を例に挙げて説明したが、本発明はこれに限るものではない。判定部２２が画像化部２４を具備せず、プロセスログ取得部２１によって取得したプロセスログデータをそのまま又は正規化した後、画像化せずに学習モデル２５への入力データとして用いることも可能である。
具体的には、画像化しない場合、例えば、図３に示す学習モデル２５の入力層に、図２に示すプロセスログデータＸｉｊ（ｉ＝１〜Ｎ、ｊ＝１〜Ｍ）又は正規化後のプロセスログデータＹｉｊ（ｉ＝１〜Ｎ、ｊ＝１〜Ｍ）が入力されることになる。
また、第１実施形態及び第２実施形態では、学習時にも判定時にも学習モデル２５への入力データとして、所定のサンプリング周期（例えば、１秒）で作成した入力データ（画像データ）を用いる構成を例に挙げて説明したが、本発明はこれに限るものではない。例えば、所定のサンプリング周期で取得したプロセスログデータの所定時間内（複数のサンプリング周期に相当する時間内）での変化を表わしたグラフを画像化し、この画像データを学習モデル２５への入力データとして用いることも可能である。上記の画像データの何れかには、エッチングの終点前後にまたがるプロセスログデータから作成されたグラフが含まれることになる。
また、第１実施形態及び第２実施形態では、第１学習モデル２５ａが、基板処理装置１０、１０Ａの出荷前に得られた教師データのみを用いた機械学習を行うことで生成され、第２学習モデル２５ｂが、基板処理装置１０、１０Ａの出荷前と出荷後に得られた教師データを用いた機械学習を行うことで生成されている構成を例に挙げて説明したが、本発明はこれに限るものではない。例えば、第２学習モデル２５ｂが、基板処理装置１０、１０Ａの出荷後に得られた教師データのみを用いた機械学習を行うことで生成されていてもよい。また、出荷前後の教師データを用いることに限るものではなく、第１学習モデル２５ａ及び第２学習モデル２５ｂが互いに異なる教師データを用いて生成されていればよい。
また、第１実施形態及び第２実施形態では、基板処理装置１０、１０Ａがエッチング処理を実行する単一のチャンバ１を備え、第１学習モデル２５ａ及び第２学習モデル２５ｂを１組備える構成を例に挙げて説明したが、本発明はこれに限るものではない。例えば、基板処理装置１０、１０Ａが複数のチャンバ１を備え、チャンバ１毎にプロセスに関わる判定を行う場合には、チャンバ１毎に第１学習モデル２５ａ及び第２学習モデル２５ｂを備え、これらを切り替えて用いる構成を採用することが可能である。また、レシピ毎にプロセスに関わる判定を行う場合には、レシピ毎に第１学習モデル２５ａ及び第２学習モデル２５ｂを備え、これらを切り替えて用いる構成を採用することが可能である。変形例に係るプロセス判定装置２０Ａのように、第１学習モデル２５ａ〜第３学習モデル２５ｃを備える場合も同様である。
また、第１実施形態及び第２実施形態では、出力がエッチングの終点前であること（ＯＵＴ＝０）及びエッチングの終点後であること（ＯＵＴ＝１）の双方の教師データを用いて学習モデル２５の機械学習を行うことを例に挙げて説明したが、本発明はこれに限るものではない。例えば、出力がエッチングの終点前であること（ＯＵＴ＝０）の教師データのみを用いて、又は、出力がエッチングの終点後であること（ＯＵＴ＝１）の教師データのみを用いて学習モデル２５の機械学習を行うことも可能である。
また、第１実施形態及び第２実施形態では、教師データの出力が離散値（ＯＵＴ＝０又は１）である場合、換言すれば、学習モデル２５が分類モデル（分類器）である場合を例に挙げて説明したが、本発明はこれに限るものではない。例えば、判定対象がエッチング深さの予測値などの連続値である場合には、出力が連続値（例えば、０〜１の範囲に正規化した値）である教師データを用いて学習モデル２５の機械学習を行う（すなわち、回帰モデルである学習モデル２５を生成する）ことも可能である。
さらに、第２実施形態では、多数決決定部２６が第１学習モデル２５ａ〜第３学習モデル２５ｃの判定結果の多数決を最終的な判定結果として出力する場合を例に挙げて説明したが、本発明はこれに限るものではない。例えば、上記と同様に、判定対象がエッチング深さの予測値などの連続値である場合には、多数決決定部２６に代えて平均値算出部を設け、この平均値算出部が、連続値を出力するように構成された第１学習モデル２５ａ〜第３学習モデル２５ｃの出力の平均値を算出して、算出した平均値を最終的な判定結果として出力する態様を採用することも可能である。
また、第１実施形態及び第２実施形態のプロセス判定装置２０によれば、プロセス判定装置２０を適用する基板処理装置１０、１０Ａ自体に分光器を設けることは必ずしも必要ではなく、分光器を設けるとしても学習モデル２５の学習時にのみ使用すればよい。学習後には分光器を取り外してもよい。
したがい、特許文献４に記載のような、エッチングの終点を検出する際に必ず分光器が必要な従来の判定装置に比べて、製造コストやメンテナンスの手間が軽減する。
ただし、本発明は、学習モデル２５の学習時に分光器を使用する態様に限るものではない。
一般に、チャンバ１内に生じた光をチャンバ１外に設置した分光器に導くために、チャンバ１の側壁に石英ガラス等の透明材料からなる光学窓が設けられる。この光学窓は、チャンバ１内のプラズマによってエッチングされて粗面化したり、チャンバ１内の反応生成物が付着することで曇る場合がある。光学窓が曇ると、分光器で検出される光の光量が低下することで、分光器によるエッチングの終点検出精度が低下する場合がある。このため、例えば、既設の基板処理装置１０、１０Ａに既に分光器が設けられている場合には、プロセス判定装置２０によるエッチングの終点検出を、分光器によるエッチングの終点検出の補助（例えば、アラームを出すための用途）として使用する態様を採用することも可能である。
また、一般的に、基板処理装置１０、１０Ａの載置台２には、プラズマ処理時に基板Ｗを静電吸着するための静電チャック（図１、図７には図示せず）が設けられる。プラズマ処理が終了し、昇降機構によって基板Ｗを押し上げ、静電チャックから基板Ｗを脱離しようとするときに、残留する静電力によって、基板Ｗの脱離不良が生じる場合がある。このような昇降異常を判定（検出）する際にも、第１実施形態及び第２実施形態のプロセス判定装置２０を適用することが可能である。
昇降異常を判定するプロセス判定装置２０の場合、例えば、静電チャックから脱離後にチャンバ１外に向けて搬送される基板Ｗについて、基板Ｗを検知するセンサ等を用いることで、所定のタイミング及び所定の位置で搬送異常が生じたか否かを検知し、搬送異常が生じなかった（正常である）ときのプロセスログデータを用いて教師データを作成すればよい。すなわち、学習モデル２５の出力が正常である教師データのみを用いて学習モデル２５の機械学習を行えばよい。
さらに、第１実施形態及び第２実施形態では、プロセス判定装置２０を適用する基板処理装置１０、１０Ａがプラズマ処理装置である場合を例に挙げて説明したが、本発明はこれに限るものではない。例えば、従来、時間エッチング（予め定めた一定時間だけ実行するエッチング）しかできなかった無水ＨＦガス及びアルコールを用いた犠牲層エッチング装置や、ＸｅＦ２ガスを用いた犠牲層エッチング装置などにも適用可能である。
１・・・チャンバ
２・・・載置台
１０、１０Ａ・・・基板処理装置
２０・・・プロセス判定装置
２１・・・プロセスログ取得部
２２・・・判定部
２３・・・正規化部
２４・・・画像化部
２５・・・学習モデル
２６・・・多数決決定部
２５ａ・・・第１学習モデル
２５ｂ・・・第２学習モデル
２５ｃ・・・第３学習モデル
１００、２００・・・基板処理システム
Ｗ・・・基板

Claims (6)

  1. 基板処理装置のプロセスに関わる判定を行う装置であって、
    前記基板処理装置のプロセスログデータを取得するプロセスログ取得部と、
    前記プロセスログデータに基づき入力データを作成し、前記入力データに基づき、前記基板処理装置のプロセスに関わる判定を行う判定部と、を備え、
    前記判定部は、前記入力データがそれぞれ入力され、前記プロセスに関わる判定結果をそれぞれ出力する複数個の学習モデルを具備し、
    前記複数個の学習モデルは、互いに異なる教師データを用いた機械学習を行うことで生成されており、
    前記判定部は、前記複数個の学習モデルのうち何れの学習モデルを用いて判定を行うかを切り替え可能であり、判定精度評価用データを用いて前記複数個の学習モデルの判定精度をそれぞれ評価し、最も判定精度の高かった学習モデルを用いて、その後の判定を行う、
    ことを特徴とする基板処理装置のプロセス判定装置。
  2. 基板処理装置のプロセスに関わる判定を行う装置であって、
    前記基板処理装置のプロセスログデータを取得するプロセスログ取得部と、
    前記プロセスログデータに基づき入力データを作成し、前記入力データに基づき、前記基板処理装置のプロセスに関わる判定を行う判定部と、を備え、
    前記判定部は、前記入力データがそれぞれ入力され、前記プロセスに関わる判定結果をそれぞれ出力する複数個の学習モデルを具備し、
    前記複数個の学習モデルには、前記基板処理装置の初期状態に得られた教師データのみを用いた機械学習を行うことで生成された学習モデルと、前記基板処理装置の初期状態経過後に得られた教師データを含む教師データを用いた機械学習を行うことで生成された学習モデルと、の双方が含まれ、
    前記判定部は、前記複数個の学習モデルのうち何れの学習モデルを用いて判定を行うかを切り替え可能である、
    ことを特徴とする基板処理装置のプロセス判定装置。
  3. 前記判定部は、前記複数個の学習モデルの判定結果の多数決を最終的な判定結果として出力する、
    ことを特徴とする請求項２に記載の基板処理装置のプロセス判定装置。
  4. 基板処理装置と、請求項１から３の何れかに記載のプロセス判定装置と、
    を備えることを特徴とする基板処理システム。
  5. 基板処理装置のプロセスログデータを取得するプロセスログ取得工程と、
    前記プロセスログ取得工程によって取得したプロセスログデータに基づき入力データを作成し、前記入力データに基づき、前記基板処理装置のプロセスに関わる判定を行う判定工程と、を含み、
    前記判定工程では、互いに異なる教師データを用いた機械学習を行うことで生成された複数個の学習モデルを用意し、前記複数個の学習モデルのうち少なくとも何れか１個の学習モデルを用いて、前記少なくとも何れか１個の学習モデルに前記入力データを入力し、前記少なくとも何れか１個の学習モデルから前記プロセスに関わる判定結果を出力し、
    前記少なくとも何れか１個の学習モデルは、判定精度評価用データを用いて前記複数個の学習モデルの判定精度をそれぞれ評価したときに、最も判定精度の高かった学習モデルである、
    ことを特徴とする基板処理装置のプロセス判定方法。
  6. 基板処理装置のプロセスログデータを取得するプロセスログ取得工程と、
    前記プロセスログ取得工程によって取得したプロセスログデータに基づき入力データを作成し、前記入力データに基づき、前記基板処理装置のプロセスに関わる判定を行う判定工程と、を含み、
    前記判定工程では、前記基板処理装置の初期状態に得られた教師データのみを用いた機械学習を行うことで生成された学習モデルと、前記基板処理装置の初期状態経過後に得られた教師データを含む教師データを用いた機械学習を行うことで生成された学習モデルと、の双方が含まれる複数個の学習モデルを用意し、前記複数個の学習モデルのうち少なくとも何れか１個の学習モデルを用いて、前記少なくとも何れか１個の学習モデルに前記入力データを入力し、前記少なくとも何れか１個の学習モデルから前記プロセスに関わる判定結果を出力する、
    ことを特徴とする基板処理装置のプロセス判定方法。
JP2019557650A 2019-03-04 2019-03-04 基板処理装置のプロセス判定装置、基板処理システム及び基板処理装置のプロセス判定方法 Active JP6696059B1 (ja)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2019/008393 WO2020178945A1 (ja) 2019-03-04 2019-03-04 基板処理装置のプロセス判定装置、基板処理システム、基板処理装置のプロセス判定方法及び学習モデル群

Publications (2)

Publication Number Publication Date
JP6696059B1 true JP6696059B1 (ja) 2020-05-20
JPWO2020178945A1 JPWO2020178945A1 (ja) 2021-03-18

Family

ID=70682424

Family Applications (2)

Application Number Title Priority Date Filing Date
JP2019557650A Active JP6696059B1 (ja) 2019-03-04 2019-03-04 基板処理装置のプロセス判定装置、基板処理システム及び基板処理装置のプロセス判定方法
JP2021504075A Active JP7504863B2 (ja) 2019-03-04 2020-03-02 基板処理装置の製造プロセス判定装置、基板処理システム、基板処理装置の製造プロセス判定方法、学習モデル群、学習モデル群の生成方法及びプログラム

Family Applications After (1)

Application Number Title Priority Date Filing Date
JP2021504075A Active JP7504863B2 (ja) 2019-03-04 2020-03-02 基板処理装置の製造プロセス判定装置、基板処理システム、基板処理装置の製造プロセス判定方法、学習モデル群、学習モデル群の生成方法及びプログラム

Country Status (6)

Country Link
US (1) US20220114484A1 (ja)
EP (1) EP3819930A4 (ja)
JP (2) JP6696059B1 (ja)
KR (1) KR20210134298A (ja)
CN (1) CN112655077B (ja)
WO (2) WO2020178945A1 (ja)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111882030A (zh) * 2020-06-29 2020-11-03 武汉钢铁有限公司 一种基于深度强化学习的加锭策略方法
JPWO2021241242A1 (ja) * 2020-05-25 2021-12-02

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220228265A1 (en) 2021-01-15 2022-07-21 Taiwan Semiconductor Manufacturing Co., Ltd. System and method for dynamically adjusting thin-film deposition parameters
JP7176143B2 (ja) * 2021-03-31 2022-11-21 Ｓｐｐテクノロジーズ株式会社 基板処理装置のプロセス判定装置、基板処理システム、基板処理装置のプロセス判定方法、学習モデル群、学習モデル群の生成方法及びプログラム
JP7041773B1 (ja) 2021-05-26 2022-03-24 Ｓｐｐテクノロジーズ株式会社 基板処理装置のプロセス判定装置、基板処理システム、基板処理装置のプロセス判定方法、学習モデルの生成方法及びプログラム
JP7041776B1 (ja) 2021-06-30 2022-03-24 Ｓｐｐテクノロジーズ株式会社 基板処理装置のプロセス判定装置、基板処理システム、基板処理装置のプロセス判定方法、学習モデルの生成方法及びプログラム
TW202310131A (zh) * 2021-08-24 2023-03-01 日商東京威力科創股份有限公司 基板處理裝置、模型資料產生裝置、基板處理方法、及模型資料產生方法
KR102673673B1 (ko) * 2021-12-09 2024-06-07 한국핵융합에너지연구원 Rf 신호를 이용한 플라즈마 상태 감지 장치 및 이를 이용한 플라즈마 상태 감지 방법
JP2023127946A (ja) * 2022-03-02 2023-09-14 株式会社Ｓｃｒｅｅｎホールディングス 制御支援装置および制御支援方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009534854A (ja) * 2006-04-21 2009-09-24 アプライド マテリアルズ インコーポレイテッド 基板処理をモニタリングするためのニューラルネットワーク方法及び装置
JP2011007553A (ja) * 2009-06-24 2011-01-13 Hitachi High-Technologies Corp 欠陥検出方法及び装置
JP2017195365A (ja) * 2016-03-02 2017-10-26 ラム リサーチ コーポレーションＬａｍ Ｒｅｓｅａｒｃｈ Ｃｏｒｐｏｒａｔｉｏｎ 終点検出のためのエッチング測定感度
JP2018178157A (ja) * 2017-04-05 2018-11-15 株式会社荏原製作所 半導体製造装置、半導体製造装置の故障予知方法、および半導体製造装置の故障予知プログラム

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05190457A (ja) * 1992-01-17 1993-07-30 Fuji Electric Co Ltd 学習指示機能付半導体製造装置
JPH0758015A (ja) * 1993-08-16 1995-03-03 Fuji Electric Co Ltd 半導体製造装置の成膜条件予測装置
JPH101280A (ja) 1996-06-14 1998-01-06 Nec Eng Ltd 真空吸着装置
JP2001134763A (ja) * 1999-11-09 2001-05-18 Hitachi Ltd 撮像画像に基づく欠陥の分類方法、および、その結果の表示方法
JP2005200730A (ja) 2004-01-19 2005-07-28 Itagaki Kinzoku Kk レーザー光照射による酸化膜形成方法および装置
JP4101280B2 (ja) 2006-07-28 2008-06-18 住友精密工業株式会社 終点検出可能なプラズマエッチング方法及びプラズマエッチング装置
JP5533662B2 (ja) * 2008-10-30 2014-06-25 コニカミノルタ株式会社 情報処理装置
JP5640774B2 (ja) * 2011-01-28 2014-12-17 富士通株式会社 情報照合装置、情報照合方法および情報照合プログラム
JP2014178229A (ja) * 2013-03-15 2014-09-25 Dainippon Screen Mfg Co Ltd 教師データ作成方法、画像分類方法および画像分類装置
JP6492880B2 (ja) 2015-03-31 2019-04-03 日本電気株式会社 機械学習装置、機械学習方法、および機械学習プログラム
JP6839342B2 (ja) * 2016-09-16 2021-03-10 富士通株式会社 情報処理装置、情報処理方法およびプログラム
JP6921526B2 (ja) * 2016-12-22 2021-08-18 キヤノン株式会社 情報処理装置、情報処理方法及びプログラム
EP3611691B1 (en) * 2017-04-10 2021-04-21 Fujitsu Limited Recognition device, recognition system, recognition method, and recognition program

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009534854A (ja) * 2006-04-21 2009-09-24 アプライド マテリアルズ インコーポレイテッド 基板処理をモニタリングするためのニューラルネットワーク方法及び装置
JP2011007553A (ja) * 2009-06-24 2011-01-13 Hitachi High-Technologies Corp 欠陥検出方法及び装置
JP2017195365A (ja) * 2016-03-02 2017-10-26 ラム リサーチ コーポレーションＬａｍ Ｒｅｓｅａｒｃｈ Ｃｏｒｐｏｒａｔｉｏｎ 終点検出のためのエッチング測定感度
JP2018178157A (ja) * 2017-04-05 2018-11-15 株式会社荏原製作所 半導体製造装置、半導体製造装置の故障予知方法、および半導体製造装置の故障予知プログラム

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPWO2021241242A1 (ja) * 2020-05-25 2021-12-02
WO2021241242A1 (ja) * 2020-05-25 2021-12-02 株式会社日立ハイテク 半導体装置製造システムおよび半導体装置製造方法
WO2021240572A1 (ja) * 2020-05-25 2021-12-02 株式会社日立ハイテク 半導体装置製造システムおよび半導体装置製造方法
KR20210148092A (ko) * 2020-05-25 2021-12-07 주식회사 히타치하이테크 반도체 장치 제조 시스템 및 반도체 장치 제조 방법
JP7149428B2 (ja) 2020-05-25 2022-10-06 株式会社日立ハイテク 半導体装置製造システムおよび半導体装置製造方法
CN111882030A (zh) * 2020-06-29 2020-11-03 武汉钢铁有限公司 一种基于深度强化学习的加锭策略方法
CN111882030B (zh) * 2020-06-29 2023-12-05 武汉钢铁有限公司 一种基于深度强化学习的加锭策略方法

Also Published As

Publication number Publication date
WO2020179729A1 (ja) 2020-09-10
EP3819930A1 (en) 2021-05-12
EP3819930A4 (en) 2021-10-27
JPWO2020179729A1 (ja) 2020-09-10
JP7504863B2 (ja) 2024-06-24
US20220114484A1 (en) 2022-04-14
CN112655077A (zh) 2021-04-13
WO2020178945A1 (ja) 2020-09-10
JPWO2020178945A1 (ja) 2021-03-18
CN112655077B (zh) 2023-10-20
KR20210134298A (ko) 2021-11-09

Similar Documents

Publication Publication Date Title
JP6696059B1 (ja) 基板処理装置のプロセス判定装置、基板処理システム及び基板処理装置のプロセス判定方法
TWI549568B (zh) Plasma processing device
TWI683340B (zh) 電漿處理裝置及電漿處理系統
JP5095999B2 (ja) 半導体処理ツールによって実行されるプロセスを分析する第１の原理シミュレーションを使用するシステム及び方法。
TWI646579B (zh) Correction value calculation device, correction value calculation method, and computer program
JP6761910B1 (ja) エッチング終点検出装置、基板処理システム、エッチング終点検出方法及び分類器
TWI825317B (zh) 基板處理裝置之製造程序判定裝置、基板處理系統、基板處理裝置之製造程序判定方法、電腦程式、學習模型群之生成方法及程式
US11289313B2 (en) Plasma processing apparatus
JP6643202B2 (ja) プラズマ処理装置及びプラズマ処理データを解析する解析方法
JP5596832B2 (ja) プラズマ処理方法のＲｕｎ−ｔｏ−Ｒｕｎ制御方法
JP7176143B2 (ja) 基板処理装置のプロセス判定装置、基板処理システム、基板処理装置のプロセス判定方法、学習モデル群、学習モデル群の生成方法及びプログラム
JP7041776B1 (ja) 基板処理装置のプロセス判定装置、基板処理システム、基板処理装置のプロセス判定方法、学習モデルの生成方法及びプログラム
JP4363861B2 (ja) 半導体製造装置

Legal Events

Date Code Title Description
A529 Written submission of copy of amendment under article 34 pct

Free format text: JAPANESE INTERMEDIATE CODE: A5211

Effective date: 20191023

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20191023

A871 Explanation of circumstances concerning accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A871

Effective date: 20191023

A975 Report on accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A971005

Effective date: 20191206

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20191217

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20200206

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20200303

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20200327

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20200421

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20200422

R150 Certificate of patent or registration of utility model

Ref document number: 6696059

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

S531 Written request for registration of change of domicile

Free format text: JAPANESE INTERMEDIATE CODE: R313531

R350 Written notification of registration of transfer

Free format text: JAPANESE INTERMEDIATE CODE: R350

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250