JP6832463B1 - 情報処理システム、情報処理装置、情報処理方法及びプログラム - Google Patents
情報処理システム、情報処理装置、情報処理方法及びプログラム Download PDFInfo
- Publication number
- JP6832463B1 JP6832463B1 JP2020068592A JP2020068592A JP6832463B1 JP 6832463 B1 JP6832463 B1 JP 6832463B1 JP 2020068592 A JP2020068592 A JP 2020068592A JP 2020068592 A JP2020068592 A JP 2020068592A JP 6832463 B1 JP6832463 B1 JP 6832463B1
- Authority
- JP
- Japan
- Prior art keywords
- information
- performance
- resist
- physical property
- correspondence
- 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
Links
- 230000010365 information processing Effects 0.000 title claims abstract description 51
- 238000003672 processing method Methods 0.000 title claims description 3
- 238000000034 method Methods 0.000 claims abstract description 161
- 239000000463 material Substances 0.000 claims abstract description 156
- 230000008569 process Effects 0.000 claims abstract description 151
- 238000003860 storage Methods 0.000 claims abstract description 40
- 230000000704 physical effect Effects 0.000 claims description 81
- 238000010801 machine learning Methods 0.000 claims description 18
- 238000000059 patterning Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 10
- 230000001681 protective effect Effects 0.000 claims description 7
- 238000010438 heat treatment Methods 0.000 claims description 5
- 238000001459 lithography Methods 0.000 claims description 4
- 238000013213 extrapolation Methods 0.000 claims description 2
- 239000000203 mixture Substances 0.000 abstract description 27
- 238000010586 diagram Methods 0.000 abstract description 12
- 238000004891 communication Methods 0.000 description 5
- 238000005401 electroluminescence Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 229920000642 polymer Polymers 0.000 description 5
- 239000013077 target material Substances 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 239000011248 coating agent Substances 0.000 description 4
- 238000000576 coating method Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 238000010894 electron beam technology Methods 0.000 description 4
- 238000000611 regression analysis Methods 0.000 description 4
- 238000004090 dissolution Methods 0.000 description 3
- 229920002120 photoresistant polymer Polymers 0.000 description 3
- 238000002835 absorbance Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010511 deprotection reaction Methods 0.000 description 2
- 230000009477 glass transition Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000002844 melting Methods 0.000 description 2
- 230000008018 melting Effects 0.000 description 2
- 230000035699 permeability Effects 0.000 description 2
- 125000006239 protecting group Chemical group 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 239000000853 adhesive Substances 0.000 description 1
- 230000001070 adhesive effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000000206 photolithography Methods 0.000 description 1
- 239000002861 polymer material Substances 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000002940 repellent Effects 0.000 description 1
- 239000005871 repellent Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Photosensitive Polymer And Photoresist Processing (AREA)
- Exposure And Positioning Against Photoresist Photosensitive Materials (AREA)
- General Factory Administration (AREA)
Abstract
【課題】新しい組成物を開発する開発者の労力を軽減する技術を提供すること。【解決手段】レジストの材料を示す材料情報及び前記レジストを用いる所定のプロセスにおけるプロセス条件と前記プロセスによって得たレジストの性能情報とに関する第１対応情報及び第２対応情報を記憶する記憶部と、入力された前記材料情報及び前記プロセス条件と前記第１対応情報及び前記第２対応情報とに基づいて、前記性能情報を取得する性能推定部と、前記性能情報を出力する出力部と、を備える情報処理システム。【選択図】図１
Description
本発明は、情報処理システム、情報処理装置、情報処理方法及びプログラムに関する。
ナノテクノロジーの進歩に伴い、ますますフォトレジストやＥＢ（Electron Beam）レジスト等のレジストの性能の向上が求められている。そのため、開発者は、さまざまな材料を用いて実験を重ねることで新規のレジストの開発を試みている（例えば、非特許文献１参照）。
最新フォトレジスト材料開発とプロセス最適化技術（シーエムシー出版、監修：河合 晃）
しかしながら、材料の候補の種類は多く、レジストが用いられる場面もさまざまであることから、新規のレジストを開発する開発者の負担は大きい。また、このような問題はレジストに限らず、材料の候補が多く、使用される場面もさまざまである組成物の開発に共通する課題であった。
上記事情に鑑み、本発明は、新しい組成物を開発する開発者の労力を軽減する技術を提供することを目的としている。
本発明の一態様は、レジストの材料を示す材料情報及び前記レジストを用いるプロセスにおけるプロセス条件と前記プロセスによって得たレジストの性能を示す性能情報とに関する第１対応情報及び第２対応情報を記憶する記憶部と、入力された前記材料情報及び前記プロセス条件と前記第１対応情報及び前記第２対応情報とに基づいて、前記性能情報を取得する性能推定部と、前記性能情報を出力する出力部と、を備え、前記第１対応情報は、前記材料情報及び前記プロセス条件と、前記プロセス条件のプロセスにおける前記レジストの物性を示す物性情報と、が対応付けられた情報であり、前記第２対応情報は、前記材料情報、前記プロセス条件及び前記物性情報と前記性能情報とが対応付けられた情報であり、前記性能推定部は、入力された前記材料情報及び前記プロセス条件と前記第１対応情報とに基づいて、前記物性情報を取得し、取得した当該物性情報と前記材料情報及び前記プロセス条件と前記第２対応情報とに基づいて、前記性能情報を取得する、情報処理システムである。
本発明の一態様は、レジストの材料を示す材料情報及び前記レジストを用いるプロセスにおけるプロセス条件と前記プロセスによって得たレジストの性能を示す性能情報とに関する第１対応情報及び第２対応情報を記憶部から読み出し、入力された前記材料情報及び前記プロセス条件と前記第１対応情報及び前記第２対応情報とに基づいて、前記性能情報を取得する性能推定部と、前記性能情報を出力する出力部と、を備え前記第１対応情報は、前記材料情報及び前記プロセス条件と、前記プロセス条件のプロセスにおける前記レジストの物性を示す物性情報と、が対応付けられた情報であり、前記第２対応情報は、前記材料情報、前記プロセス条件及び前記物性情報と前記性能情報とが対応付けられた情報であり、前記性能推定部は、入力された前記材料情報及び前記プロセス条件と前記第１対応情報とに基づいて、前記物性情報を取得し、取得した当該物性情報と前記材料情報及び前記プロセス条件と前記第２対応情報とに基づいて、前記性能情報を取得する、情報処理装置である。
本発明の一態様は、レジストの材料を示す材料情報及び前記レジストを用いる所定のプロセスにおけるプロセス条件と、当該材料情報及び当該プロセス条件のプロセスにおける前記レジストの物性を示す物性情報と、に基づいて機械学習を行うことで、前記材料情報及び前記プロセス条件と、前記プロセス条件のプロセスにおける前記レジストの物性を示す物性情報と、が対応付けられた第１対応情報を生成する学習部、を備える学習装置である。
本発明の一態様は、コンピュータがレジストの材料を示す材料情報及び前記レジストを用いるプロセスにおけるプロセス条件と前記プロセスによって得たレジストの性能を示す性能情報とに関する第１対応情報及び第２対応情報を記憶部から読み出し、入力された前記材料情報及び前記プロセス条件と前記第１対応情報及び前記第２対応情報とに基づいて、前記性能情報を取得する性能推定ステップと、コンピュータが前記性能情報を出力する出力ステップと、を有し、前記第１対応情報は、前記材料情報及び前記プロセス条件と、前記プロセス条件のプロセスにおける前記レジストの物性を示す物性情報と、が対応付けられた情報であり、前記第２対応情報は、前記材料情報、前記プロセス条件及び前記物性情報と前記性能情報とが対応付けられた情報であり、前記性能推定ステップでは、入力された前記材料情報及び前記プロセス条件と前記第１対応情報とに基づいて、前記物性情報を取得し、取得した当該物性情報と前記材料情報及び前記プロセス条件と前記第２対応情報とに基づいて、前記性能情報を取得する、情報処理方法である。
本発明の一態様は、上記の情報処理システムとしてコンピュータを機能させるためのプログラムである。
本発明の一態様は、コンピュータがレジストの材料を示す材料情報及び前記レジストを用いる所定のプロセスにおけるプロセス条件と、当該材料情報及び当該プロセス条件のプロセスにおける前記レジストの物性を示す物性情報と、に基づいて機械学習を行うことで、前記材料情報及び前記プロセス条件と、前記プロセス条件のプロセスにおける前記レジストの物性を示す物性情報と、が対応付けられた第１対応情報を生成する学習ステップ、を有する学習方法である。
本発明の一態様は、上記の学習装置としてコンピュータを機能させるためのプログラムである。
本発明により、新しい組成物を開発する開発者の労力を軽減することができる。
以下、図面を参照して、本発明の実施の形態について説明する。
図１は、実施形態を説明するための概念図である。より具体的には、後述する実施形態の情報処理システム１００を説明するための概念図である。実施形態の情報処理システム１００は、組成物の材料を示す材料情報と、材料情報が示す材料によって組成される組成物に対する所定のプロセスにおけるプロセス条件の入力を受け付ける。組成物は、例えば、対象物のパターニングに用いられる物質である。より具体的には、組成物としては、例えば、レジスト、現像液、相分離構造形成用材料、エッチング液、洗浄液、剥離液、光学材料、ナノインプリント材料、下地材、ハードマスク材料、撥水材、分離層形成用組成物、接着剤組成物等が挙げられる。なかでも、該組成物としては、レジストが好ましい。
レジストは、例えば、フォトリソグラフィーのレジストである。レジストは、レジスト膜の露光部が現像液に溶解する特性に変化するポジ型、レジスト膜の露光部が現像液に溶解しない特性に変化するネガ型のいずれでもよい。また、レジストは、ＡｒＦエキシマレーザー、ＫｒＦエキシマレーザー、ｇｈｉ線、Ｆ２エキシマレーザー、ＥＵＶ（極端紫外線）、ＶＵＶ（真空紫外線）、ＥＢ（電子線）、Ｘ線、軟Ｘ線のいずれを用いたリソグラフィーに適していてもよい。
レジストは、例えば、フォトリソグラフィーのレジストである。レジストは、レジスト膜の露光部が現像液に溶解する特性に変化するポジ型、レジスト膜の露光部が現像液に溶解しない特性に変化するネガ型のいずれでもよい。また、レジストは、ＡｒＦエキシマレーザー、ＫｒＦエキシマレーザー、ｇｈｉ線、Ｆ２エキシマレーザー、ＥＵＶ（極端紫外線）、ＶＵＶ（真空紫外線）、ＥＢ（電子線）、Ｘ線、軟Ｘ線のいずれを用いたリソグラフィーに適していてもよい。
情報処理システム１００は、入力された材料情報及びプロセス条件と、予め記憶された対応情報とに基づいて、性能情報を取得する。性能情報は、プロセス条件におけるプロセスによって得られた性能であって材料情報が示す組成物の性能を示す情報である。性能は、例えば、レジストがパターニングに用いられている場合の性能（以下「パターニング性能」という。）である。パターニング性能は、例えば、リソグラフィー性能である。リソグラフィー性能は、例えば、パターンの寸法ばらつきである。
対応情報は、材料情報及びプロセス条件と、性能情報との関係を示す。対応情報は、第１対応情報と第２対応情報とを含む。
第１対応情報は、材料情報及びプロセス条件と、当該材料情報及び当該プロセス条件のプロセスにおけるレジストの物性を示す物性情報と、が対応付けられた情報である。第１対応情報は、情報処理システム１００が予め基本的な四則演算や、機械学習等の所定の手法によって取得した情報である。第１対応情報は、例えば、材料情報及びプロセス条件を入力側の学習データとし物性情報を教師データとする複数の学習データによって機械学習された学習結果の学習済みモデルである。
第１対応情報は、材料情報及びプロセス条件と、当該材料情報及び当該プロセス条件のプロセスにおけるレジストの物性を示す物性情報と、が対応付けられた情報である。第１対応情報は、情報処理システム１００が予め基本的な四則演算や、機械学習等の所定の手法によって取得した情報である。第１対応情報は、例えば、材料情報及びプロセス条件を入力側の学習データとし物性情報を教師データとする複数の学習データによって機械学習された学習結果の学習済みモデルである。
学習済みモデルは、学習において終了条件が満たされた時点における機械学習モデルである。終了条件は、学習の終了に関する条件であればどのような条件であってもよい。終了条件は、例えば、所定数のデータセットによる学習が実行された、という条件であってもよいし、終了条件は、例えば、学習によるパラメータの変化量が所定の大きさ未満であるという条件であってもよい。
機械学習モデルは、深層学習を含む機械学習における機械学習モデルを意味する。機械学習モデルは、例えば、エンコーダ・デコーダモデルのニューラルネットワークであってもよいし、畳み込みニューラルネットワークであってもよいし、勾配ブースティング決定木、強化学習であってもよい。学習するとは、機械学習モデルのパラメータを好適に調整することを意味する。機械学習モデルのパラメータは、例えば、機械学習モデルがニューラルネットワークである場合には誤差逆伝搬法のアルゴリズムによって調整される。
第２対応情報は、材料情報、プロセス条件及び物性情報と性能情報とが対応付けられた情報である。第２対応情報は、情報処理システム１００が予め回帰分析等の所定の手法によって取得した情報である。第２対応情報は、組成物がレジストである場合には、例えば、プロセス条件が示すプロセスによって処理されたレジストであって材料情報が示す材料によって組成されたレジストのパターニング性能を示す性能情報と物性情報とが対応付けられた情報である。プロセス条件が示す処理は、例えば、レジストを用いる処理である。
プロセス条件が示す処理は、例えば、レジストに対して所定の処理を実行した後、加熱工程によってレジストを乾燥する処理であってもよい。プロセス条件が示す処理は、例えば、レジストに対して処理の処理を実行した後、レジストを化学変化させる処理であってもよい。レジストに対する所定の処理は、例えば、レジストを塗布対象に塗布する処理である。第２対応情報は、例えば、重回帰、ＰＣＡ回帰、Ｌａｓｓｏ回帰、Ｒｉｄｇｅ回帰、Ｅｌａｓｔｉｃ Ｎｅｔ回帰、ＰＬＳ（Partial Least Squares）回帰、サポートベクター回帰等の回帰分析の方法で取得された回帰モデルであって、材料情報、プロセス条件及び物性情報を説明変数とし性能情報を目的変数とする回帰モデルである。
プロセス条件が示す処理は、例えば、レジストに対して所定の処理を実行した後、加熱工程によってレジストを乾燥する処理であってもよい。プロセス条件が示す処理は、例えば、レジストに対して処理の処理を実行した後、レジストを化学変化させる処理であってもよい。レジストに対する所定の処理は、例えば、レジストを塗布対象に塗布する処理である。第２対応情報は、例えば、重回帰、ＰＣＡ回帰、Ｌａｓｓｏ回帰、Ｒｉｄｇｅ回帰、Ｅｌａｓｔｉｃ Ｎｅｔ回帰、ＰＬＳ（Partial Least Squares）回帰、サポートベクター回帰等の回帰分析の方法で取得された回帰モデルであって、材料情報、プロセス条件及び物性情報を説明変数とし性能情報を目的変数とする回帰モデルである。
情報処理システム１００が、性能情報を取得するまでの処理の流れは、第１対応情報と第２対応情報とを用いて説明すると以下のようである。すなわち、情報処理システム１００は、まず入力された材料情報及びプロセス条件と、第１対応情報とに基づいて物性情報を取得する。次に、情報処理システム１００は、入力された材料情報及びプロセス条件と、物性情報と、第２対応情報とに基づいて性能情報を取得する。第１対応情報は、例えば、材料情報及びプロセス条件を説明変数とし物性情報を目的変数とする学習済みモデル（以下「第１モデル」という。）である。第１対応情報は、例えば、材料情報及びプロセス条件と、当該材料情報及び当該プロセス条件のプロセスで測定されたレジストの物性を示す物性情報との関係を示すリレーショナルデータベースであってもよい。第２対応情報は、例えば、材料情報、プロセス条件及び物性情報を説明変数とし性能情報を目的変数とする回帰モデル（以下「第２モデル」という。）である。第２対応情報は、例えば、材料情報、プロセス条件及び物性情報と性能情報との関係を示すリレーショナルデータベースであってもよい。
図２は、実施形態の情報処理システム１００のシステム構成の一例を示す図である。以下、理解を容易にするために、組成物がレジストである場合であって、性能がパターニング性能である場合を例に情報処理システム１００を説明する。また、以下、第１対応情報が、第１モデルである場合を例に情報処理システム１００を説明する。また、以下、第２対応情報が、第２モデルである場合を例に情報処理システム１００を説明する。
情報処理システム１００は、学習装置１及び推定装置２を備える。学習装置１は、第１対応情報を学習する。学習装置１は、バスで接続されたＣＰＵ（Central Processing Unit）等のプロセッサ９１とメモリ９２とを備える制御部１０を備え、プログラムを実行する。学習装置１は、プログラムの実行によって制御部１０、インタフェース部１１、入力部１２、記憶部１３及び出力部１４を備える装置として機能する。より具体的には、プロセッサ９１が記憶部１３に記憶されているプログラムを読み出し、読み出したプログラムをメモリ９２に記憶させる。プロセッサ９１が、メモリ９２に記憶させたプログラムを実行することによって、学習装置１は、制御部１０、インタフェース部１１、入力部１２、記憶部１３及び出力部１４を備える装置として機能する。
インタフェース部１１は、自装置を、推定装置２及び外部装置に接続するための通信インタフェースを含んで構成される。インタフェース部１１は、有線又は無線を介して、推定装置２及び外部装置と通信する。
入力部１２は、マウスやキーボード、タッチパネル等の入力装置を含んで構成される。
入力部１２は、これらの入力装置を自装置に接続するインタフェースとして構成されてもよい。入力部１２は、自装置に対する各種情報の入力を受け付ける。入力部１２は、例えば、学習データの入力を受け付ける。
入力部１２は、これらの入力装置を自装置に接続するインタフェースとして構成されてもよい。入力部１２は、自装置に対する各種情報の入力を受け付ける。入力部１２は、例えば、学習データの入力を受け付ける。
記憶部１３は、磁気ハードディスク装置や半導体記憶装置などの非一時的コンピュータ読み出し可能な記憶媒体装置を用いて構成される。記憶部１３は学習装置１に関する各種情報を記憶する。記憶部１３は、入力部１２を介して入力された学習データを記憶する。
記憶部１３は、例えば、終了条件が満たされる前の機械学習モデルを記憶する。記憶部１３は、学習データと性能情報とが対応付けられた情報（以下「回帰用データ」という。）を記憶する。
記憶部１３は、例えば、終了条件が満たされる前の機械学習モデルを記憶する。記憶部１３は、学習データと性能情報とが対応付けられた情報（以下「回帰用データ」という。）を記憶する。
図３は、実施形態における学習データの一例を示す図である。
学習データは、入力側の学習データと教師データとの各項目が対応付けられている。入力側の学習データは、材料情報とプロセス条件との各情報が格納される。教師データは、物性情報が格納される。
学習データは、入力側の学習データと教師データとの各項目が対応付けられている。入力側の学習データは、材料情報とプロセス条件との各情報が格納される。教師データは、物性情報が格納される。
図４は、実施形態における回帰用データの一例を示す図である。
回帰用データは、例えば、学習データと性能情報とが対応付けられている。学習データは、材料情報とプロセス条件と物性情報との各情報が格納される。
回帰用データは、例えば、学習データと性能情報とが対応付けられている。学習データは、材料情報とプロセス条件と物性情報との各情報が格納される。
出力部１４は、各種情報を出力する。出力部１４は、例えば、学習結果の第１対応情報を出力する。出力部１４は、例えば、ＣＲＴ（Cathode Ray Tube）ディスプレイや液晶ディスプレイ、有機ＥＬ（Electro-Luminescence）ディスプレイ等の表示装置を含んで構成される。出力部１４は、これらの表示装置を自装置に接続するインタフェースとして構成されてもよい。
制御部１０は、学習装置１が備える各機能部の動作を制御する。また、制御部１０は、第１モデル及び第２モデルを生成する。
図５は、実施形態における制御部１０の機能構成の一例を示す図である。制御部１０は、学習済みモデル生成部１０１、回帰モデル生成部１０２及び通信制御部１０３を備える。
学習済みモデル生成部１０１は、記憶部１３に記憶された複数の学習データを読み出す。学習済みモデル生成部１０１は、複数の学習データに基づいて第１モデルを生成する。
第１モデルを生成するとは、記憶部１３に記憶された機械学習モデルを読み出し、複数の学習データを用いて、終了条件が満たされるまで学習することを意味する。学習済みモデル生成部１０１は、第１モデルを記憶部１３に記憶する。
学習済みモデル生成部１０１は、記憶部１３に記憶された複数の学習データを読み出す。学習済みモデル生成部１０１は、複数の学習データに基づいて第１モデルを生成する。
第１モデルを生成するとは、記憶部１３に記憶された機械学習モデルを読み出し、複数の学習データを用いて、終了条件が満たされるまで学習することを意味する。学習済みモデル生成部１０１は、第１モデルを記憶部１３に記憶する。
回帰モデル生成部１０２は、記憶部１３に記憶された第１モデルと複数の回帰用データとを読み出す。回帰モデル生成部１０２は、複数の回帰用データと、第１モデルと、に基づいて、第２モデルを生成する。第２モデルを生成するとは、複数の回帰用データに対して所定の回帰分析を実行し、回帰モデルを取得することを意味する。
通信制御部１０３は、インタフェース部１１の動作を制御し、学習済みモデル生成部１０１が生成した第１モデルと、回帰モデル生成部１０２が生成した第２モデルとを、推定装置２に送信する。
図６は、実施形態における学習装置１が実行する第１モデルを生成する処理の流れの一例を示すフローチャートである。
学習済みモデル生成部１０１が、複数の学習データを記憶部１３から読み出す（ステップＳ１０１）。学習済みモデル生成部１０１が、読み出した複数の学習データに基づいて機械学習を行い、第１モデルを生成する（ステップＳ１０２）。
学習済みモデル生成部１０１が、複数の学習データを記憶部１３から読み出す（ステップＳ１０１）。学習済みモデル生成部１０１が、読み出した複数の学習データに基づいて機械学習を行い、第１モデルを生成する（ステップＳ１０２）。
図７は、実施形態における学習装置１が実行する第２モデルを生成する処理の流れの一例を示すフローチャートである。
回帰モデル生成部１０２が、複数の回帰用データを記憶部１３から読み出す（ステップＳ２０１）。回帰モデル生成部１０２が、読み出した複数の回帰用データに対して所定の回帰分析を実行し、第２モデルを生成する（ステップＳ２０２）。
回帰モデル生成部１０２が、複数の回帰用データを記憶部１３から読み出す（ステップＳ２０１）。回帰モデル生成部１０２が、読み出した複数の回帰用データに対して所定の回帰分析を実行し、第２モデルを生成する（ステップＳ２０２）。
図２の説明に戻る。推定装置２は、バスで接続されたＣＰＵ（Central Processing Unit）等のプロセッサ９３とメモリ９４とを備える制御部２０を備え、プログラムを実行する。推定装置２は、プログラムの実行によって制御部２０、インタフェース部２１、入力部２２、記憶部２３及び出力部２４を備える装置として機能する。より具体的には、プロセッサ９３が記憶部２３に記憶されているプログラムを読み出し、読み出したプログラムをメモリ９４に記憶させる。プロセッサ９３が、メモリ９４に記憶させたプログラムを実行することによって、推定装置２は、制御部２０、インタフェース部２１、入力部２２、記憶部２３及び出力部２４を備える装置として機能する。
インタフェース部２１は、自装置を、学習装置１及び外部装置に接続するための通信インタフェースを含んで構成される。インタフェース部２１は、有線又は無線を介して、学習装置１及び外部装置と通信する。
入力部２２は、マウスやキーボード、タッチパネル等の入力装置を含んで構成される。
入力部２２は、これらの入力装置を自装置に接続するインタフェースとして構成されてもよい。入力部２２は、自装置に対する各種情報の入力を受け付ける。入力部２２は、例えば、推定対象情報の入力を受け付ける。推定対象情報は、推定対象材料情報と推定対象プロセス条件とが対応付けられた情報である。推定対象材料情報は、推定装置２がパターニング性能を推定する対象である組成物の材料を示す材料情報である。推定対象プロセス条件は、推定装置２がパターニング性能を推定する対象である組成物を得るためのプロセスのプロセス条件である。
入力部２２は、これらの入力装置を自装置に接続するインタフェースとして構成されてもよい。入力部２２は、自装置に対する各種情報の入力を受け付ける。入力部２２は、例えば、推定対象情報の入力を受け付ける。推定対象情報は、推定対象材料情報と推定対象プロセス条件とが対応付けられた情報である。推定対象材料情報は、推定装置２がパターニング性能を推定する対象である組成物の材料を示す材料情報である。推定対象プロセス条件は、推定装置２がパターニング性能を推定する対象である組成物を得るためのプロセスのプロセス条件である。
記憶部２３は、磁気ハードディスク装置や半導体記憶装置などの非一時的コンピュータ読み出し可能な記憶媒体装置を用いて構成される。記憶部２３は推定装置２に関する各種情報を記憶する。記憶部２３は、例えば、対応情報を記憶する。すなわち、記憶部２３は、例えば、第１モデル及び第２モデルを記憶する。記憶部２３は、例えば、入力部２２を介して入力された推定対象情報を記憶する。
図８は、実施形態における推定対象情報の一例を示す図である。
推定対象情報は、推定対象材料情報と推定対象プロセス条件との各項目が対応付けられている。
推定対象情報は、推定対象材料情報と推定対象プロセス条件との各項目が対応付けられている。
出力部２４は、各種情報を出力する。出力部２４は、例えば、推定装置２による推定結果である性能情報を出力する。出力部２４は、例えば、ＣＲＴ（Cathode Ray Tube）ディスプレイや液晶ディスプレイ、有機ＥＬ（Electro-Luminescence）ディスプレイ等の表示装置を含んで構成される。出力部２４は、これらの表示装置を自装置に接続するインタフェースとして構成されてもよい。
制御部２０は、推定対象材料情報が示す材料によって組成されるレジストの、推定対象プロセス条件におけるプロセスによって得られたパターニング性能を対応情報に基づいて推定する。
図９は、実施形態における制御部２０の機能構成の一例を示す図である。制御部２０は、性能推定部２０１及び出力制御部２０２を備える。
性能推定部２０１は、記憶部２３に記憶された推定対象情報と、対応情報を読み出す。
性能推定部２０１は、対応情報に基づいて、推定対象情報が示すプロセス条件におけるプロセスによって得られた性能であって推定対象情報が示す組成物の性能を示す性能情報を取得する。
性能推定部２０１は、対応情報に基づいて、推定対象情報が示すプロセス条件におけるプロセスによって得られた性能であって推定対象情報が示す組成物の性能を示す性能情報を取得する。
出力制御部２０２は、出力部２４の動作を制御して、性能推定部２０１が取得した性能情報を出力部２４に出力させる。
図１０は、実施形態における推定装置２が実行する処理の流れの一例を示すフローチャートである。
入力部２２を介して入力された推定対象情報を記憶部２３が記憶する（ステップＳ３０１）。次に性能推定部２０１が、記憶部２３に記憶された推定対象情報と対応情報とを読み出す（ステップＳ３０２）。次に、性能推定部２０１が、推定対象情報が示すプロセス条件におけるプロセスによって得られた性能であって推定対象情報が示す組成物の性能を対応情報に基づいて推定する（ステップＳ３０３）。例えば、性能推定部２０１はまず、推定対象情報と第１対応情報とに基づいて、推定対象情報に対応する物性情報を取得する。次に、性能推定部２０１は、推定対象情報と推定対象情報に対応する物性情報と、第２対応情報とに基づいて、推定対象情報と推定対象情報に対応する物性情報とに対応する性能情報を取得する。このようにして、取得された性能情報が、ステップＳ３０３の処理の推定結果である。ステップＳ３０３の次に、出力制御部２０２は、推定結果の性能を出力部２４に出力させる（ステップＳ３０４）。
入力部２２を介して入力された推定対象情報を記憶部２３が記憶する（ステップＳ３０１）。次に性能推定部２０１が、記憶部２３に記憶された推定対象情報と対応情報とを読み出す（ステップＳ３０２）。次に、性能推定部２０１が、推定対象情報が示すプロセス条件におけるプロセスによって得られた性能であって推定対象情報が示す組成物の性能を対応情報に基づいて推定する（ステップＳ３０３）。例えば、性能推定部２０１はまず、推定対象情報と第１対応情報とに基づいて、推定対象情報に対応する物性情報を取得する。次に、性能推定部２０１は、推定対象情報と推定対象情報に対応する物性情報と、第２対応情報とに基づいて、推定対象情報と推定対象情報に対応する物性情報とに対応する性能情報を取得する。このようにして、取得された性能情報が、ステップＳ３０３の処理の推定結果である。ステップＳ３０３の次に、出力制御部２０２は、推定結果の性能を出力部２４に出力させる（ステップＳ３０４）。
図１１は、実施形態における情報処理システム１００による性能情報の推定結果と、実測された性能との関係を示す実験結果の第１の例を示す図である。
図１１の横軸は、実測値を示し、縦軸は、推定結果の値（推定値）を示す。図１１は、ＲＭＳＥ（Root Mean Squared Error）が０．１７４７であることを示す。図１１は、相関係数が０．８８６３であることを示す。図１１は、決定係数が０．７８５５であることを示す。ＲＭＳＥが０．１７４７であり、相関係数が０．８８６３であり、決定係数が０．７８５５であることは、情報処理システム１００は、性能を、新規の組成物の開発において信頼に足る高い精度で推定可能なことを示す。
図１１の横軸は、実測値を示し、縦軸は、推定結果の値（推定値）を示す。図１１は、ＲＭＳＥ（Root Mean Squared Error）が０．１７４７であることを示す。図１１は、相関係数が０．８８６３であることを示す。図１１は、決定係数が０．７８５５であることを示す。ＲＭＳＥが０．１７４７であり、相関係数が０．８８６３であり、決定係数が０．７８５５であることは、情報処理システム１００は、性能を、新規の組成物の開発において信頼に足る高い精度で推定可能なことを示す。
図１２は、実施形態における情報処理システム１００による性能情報の推定結果と、実測された性能との関係を示す実験結果の第２の例を示す図である。
図１２の横軸は、実測値を示し、縦軸は、推定結果の値（推定値）を示す。図１２は、図１１のデータに加えて、さらにデータを追加した場合の結果を示す。図１２も、情報処理システム１００は、性能を、新規の組成物の開発において信頼に足る高い精度で推定可能である、ということを示す。
図１２の横軸は、実測値を示し、縦軸は、推定結果の値（推定値）を示す。図１２は、図１１のデータに加えて、さらにデータを追加した場合の結果を示す。図１２も、情報処理システム１００は、性能を、新規の組成物の開発において信頼に足る高い精度で推定可能である、ということを示す。
このように構成された実施形態の情報処理システム１００は、対象材料情報が示す材料によって組成される組成物の、プロセス条件におけるプロセスによって得られた性能を対応情報に基づいて推定する。そのため、新しい組成物を開発する開発者の労力を軽減することができる。
（変形例）
材料情報は、例えば、材料となる分子の表面積を含んでもよいし、材料となる分子の体積を含んでもよいし、材料となる分子の分子量を含んでもよいし、材料となる分子の電荷密度分布を表す値を含んでもよいし、分子記述子を表す値を含んでもよいし、材料のモル熱容量を含んでもよいし、材料の熱膨張率を含んでもよいし、材料の誘電率を含んでもよいし、材料の表面張力を含んでもよいし、材料の粘度を含んでもよいし、材料の屈折率を含んでもよいし、材料の透過率を含んでもよいし、材料の吸光度を含んでもよいし、材料の密度を含んでもよいし、材料のガラス転移温度を含んでもよいし、材料の融点を含んでもよいし、材料の分配係数を含んでもよいし、材料の酸性度定数を含んでもよいし、材料の溶解度パラメータを含んでもよいし、以下の参考文献１に記載の材料のＡＢＣパラメータを含んでもよいし、材料の保護基の脱保護反応の活性化エネルギーを含んでもよい。
材料情報は、例えば、材料となる分子の表面積を含んでもよいし、材料となる分子の体積を含んでもよいし、材料となる分子の分子量を含んでもよいし、材料となる分子の電荷密度分布を表す値を含んでもよいし、分子記述子を表す値を含んでもよいし、材料のモル熱容量を含んでもよいし、材料の熱膨張率を含んでもよいし、材料の誘電率を含んでもよいし、材料の表面張力を含んでもよいし、材料の粘度を含んでもよいし、材料の屈折率を含んでもよいし、材料の透過率を含んでもよいし、材料の吸光度を含んでもよいし、材料の密度を含んでもよいし、材料のガラス転移温度を含んでもよいし、材料の融点を含んでもよいし、材料の分配係数を含んでもよいし、材料の酸性度定数を含んでもよいし、材料の溶解度パラメータを含んでもよいし、以下の参考文献１に記載の材料のＡＢＣパラメータを含んでもよいし、材料の保護基の脱保護反応の活性化エネルギーを含んでもよい。
参考文献１：F. H. Dill, A. R. Neureuther, J. A. Tuttle and E. J. Walker “Modeling projection printing of positive photoresists”, IEEE Trans. Electron. Dev., 22, (1975), pp.456-464,
物性情報は、第２対応情報に基づいて性能情報が出力されるために用いられる情報であればどのような情報であってもよい。物性情報は、例えば、プロセス条件のプロセスで処理される前及び／又は処理された後のレジストであって、材料情報が示す材料のレジストの物性を示す情報であってもよい。物性情報は、より具体的には、例えば、レジストが処理された結果、所定の対象に形成された保護膜の特性情報であってもよい。レジストに対する処理は、例えば、レジストを塗布対象に塗布する処理である。このような場合、保護膜が形成される所定の対象は、レジストの塗布先の塗布対象である。物性情報は、さらに具体的には、例えば、レジストが処理され、加熱工程によってレジストが乾燥された結果、所定の対象に形成された保護膜の特性情報であってもよい。物性情報は、例えば、レジストが処理され、レジストが化学変化した結果、所定の対象に形成された保護膜の特性情報であってもよい。
物性情報は、例えば、材料となる分子の表面積；材料となる分子の体積；材料となる分子の分子量；材料となる分子の電荷密度分布を表す値；分子記述子を表す値；材料のモル熱容量；材料の熱膨張率；材料の誘電率；材料の表面張力；材料の粘度；材料の屈折率；材料の透過率；材料の吸光度；材料の密度；材料のガラス転移温度；材料の融点；材料の沸点；材料の引火点；材料の蒸気圧；材料の大西パラメータ；材料のｐＫａ値；材料の分解点；材料の分配係数；材料の酸性度定数；材料の溶解度パラメータ；参考文献１に記載の材料のＡＢＣパラメータ；材料の保護基の脱保護反応の活性化エネルギー；材料の酸拡散長；材料となる重合体（ポリマー）の分子量；材料となる重合体（ポリマー）の分子量分散度；材料となる高分子材料（ポリマーユニット）の組成比を示す情報；光酸発生剤（ＰＡＧ）や光崩壊性塩基（ＰＤＢ）等の添加成分量を示す情報；組成物がレジストである場合における露光しない状態でのレジスト膜の溶解速度を示す情報；組成物がレジストである場合における露光した状態でのレジスト膜の溶解速度を示す情報；組成物がレジストである場合における露光前後のレジスト膜の状態を比較することで得られる情報からなる群より選ばれる少なくとも１種の情報を含んでもよい。組成物がレジストである場合における露光前後のレジスト膜の状態を比較することで得られる情報は、例えば、膜厚、重量、膜密度、溶解速度、屈折率等の変化である。
プロセス条件は、例えば、塗布膜厚、熱処理の条件、露光条件、電子顕微鏡による観察条件、Ｍａｓｋ情報、ＮＩＬＳ（Normalized Image Log-Slope）からなる群より選ばれる少なくとも１種の情報を含んでもよい。Ｍａｓｋ情報は、フォトマスクに関する情報である。熱処理の条件は、例えば、ＰＡＢ（Post Applied Bake）の温度を含んでもよいし、ＰＥＢ（Post Exposure Bake）の温度を含んでもよいし、ＰＡＢやＰＥＢ等のベークの温度と時間との条件を含んでもよい。電子顕微鏡による観察条件とは、具体的には、観察倍率、電流値、加速電圧、フレーム数等である。
パターニング性能は、例えば、感度、ＣＤＵ（Critical Dimension Uniformity）、限界解像性、ＬＥＲ（Line Edge Roughness）、ＬＷＲ（Line Width Roughness）、ＤＯＦ（Depth of Focus）、露光余裕度（ＥＬマージン）、ＭＥＦ（Mask error factor）、パターン断面形状の矩形性、コンタクトホールパターン（ＣＨパターン）におけるホールの真円性からなる群より選ばれる少なくとも１種であってもよい。
なお、第１対応情報は、必ずしも第１モデルである必要は無いが、材料情報及びプロセス条件と、当該材料情報及び当該プロセス条件のプロセスで測定されたレジストの物性を示す物性情報との関係を示す非線形モデルであることが望ましい。
なお、第２対応情報は、必ずしも第２モデルである必要は無いが、第１対応情報を生成する手法よりも外挿の精度が高い手法で取得された情報であることが望ましい。例えば、第２対応情報は、材料情報、プロセス条件及び物性情報とパターニング性能を示す性能情報とが対応付けられた情報との関係を示す線形モデルであることが望ましい。線形モデルとしては、例えば重回帰、ＰＣＡ回帰、Ｌａｓｓｏ回帰、Ｒｉｄｇｅ回帰、Elastic Net回帰、ＰＬＳ（Partial Least Squares）回帰、サポートベクター回帰であってもよい。
実施形態において学習済みモデル生成部１０１は第１モデルを生成したが、第１モデルはあくまで第１対応情報の一例であり、学習済みモデル生成部１０１は第１対応情報を生成する機能部である。また、実施形態において回帰モデル生成部１０２は第２モデルを生成したが、第２モデルはあくまで第２対応情報の一例であり、回帰モデル生成部１０２は第２対応情報を生成する機能部である。また、実施形態において性能推定部２０１は第１モデル及び第２モデルに基づいて性能情報を推定した。しかしながら第１モデル及び第２モデルはあくまで第１対応情報及び第２対応情報の一例であり、性能推定部２０１は第１対応情報及び第２対応情報に基づいて、性能情報を推定する機能部である。
なお、学習データはインタフェース部１１を介して外部装置によって入力されてもよい。推定対象情報はインタフェース部２１を介して外部装置によって入力されてもよい。
なお、学習装置１及び推定装置２の各機能の全て又は一部は、ＡＳＩＣ（ApplicationSpecific Integrated Circuit）やＰＬＤ（Programmable Logic Device）やＦＰＧＡ（Field Programmable Gate Array）等のハードウェアを用いて実現されてもよい。プログラムは、コンピュータ読み取り可能な記録媒体に記録されてもよい。コンピュータ読み取り可能な記録媒体とは、例えばフレキシブルディスク、光磁気ディスク、ＲＯＭ、ＣＤ−ＲＯＭ等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置である。プログラムは、電気通信回線を介して送信されてもよい。
なお、学習装置１及び推定装置２は、それぞれネットワークを介して通信可能に接続された複数台の情報処理装置を用いて実装されてもよい。この場合、学習装置１及び推定装置２が備える各機能部は、複数の情報処理装置に分散して実装されてもよい。例えば、学習済みモデル生成部１０１と回帰モデル生成部１０２とはそれぞれ異なる情報処理装置に実装されてもよい。
学習装置１及び推定装置２は、必ずしも異なる筐体に実装される必要は無い。学習装置１及び推定装置２は、１つの筐体で構成される装置であってもよい。なお、推定装置２は、対応情報を必ずしも記憶部２３から読み出す必要はなく、インタフェース部１１及びインタフェース部２１を介して記憶部１３から読み出してもよい。
なお、学習済みモデル生成部１０１は、学習部の一例である。
以上、この発明の実施形態について図面を参照して詳述してきたが、具体的な構成はこの実施形態に限られるものではなく、この発明の要旨を逸脱しない範囲の設計等も含まれる。したがって、本発明の範囲は、特許請求の範囲及びその均等範囲によってのみ規定されるものである。
１００…情報処理システム、 １…学習装置、 ２…推定装置、 １０…制御部、 １
１…インタフェース部、 １２…入力部、 １３…記憶部、 １４…出力部、 ２０…制
御部、 ２１…インタフェース部、 ２２…入力部、 ２３…記憶部、 ２４…出力部、
９１…プロセッサ、 ９２…メモリ、 ９３…プロセッサ、 ９４…メモリ、 １０１
…学習済みモデル生成部、 １０２…回帰モデル生成部、 １０３…通信制御部
１…インタフェース部、 １２…入力部、 １３…記憶部、 １４…出力部、 ２０…制
御部、 ２１…インタフェース部、 ２２…入力部、 ２３…記憶部、 ２４…出力部、
９１…プロセッサ、 ９２…メモリ、 ９３…プロセッサ、 ９４…メモリ、 １０１
…学習済みモデル生成部、 １０２…回帰モデル生成部、 １０３…通信制御部
Claims (14)
- レジストの材料を示す材料情報及び前記レジストを用いるプロセスにおけるプロセス条件と前記プロセスによって得たレジストの性能を示す性能情報とに関する第１対応情報及び第２対応情報を記憶する記憶部と、
入力された前記材料情報及び前記プロセス条件と前記第１対応情報及び前記第２対応情報とに基づいて、前記性能情報を取得する性能推定部と、
前記性能情報を出力する出力部と、
を備え、
前記第１対応情報は、前記材料情報及び前記プロセス条件と、前記プロセス条件のプロセスにおける前記レジストの物性を示す物性情報と、が対応付けられた情報であり、
前記第２対応情報は、前記材料情報、前記プロセス条件及び前記物性情報と前記性能情報とが対応付けられた情報であり、
前記性能推定部は、入力された前記材料情報及び前記プロセス条件と前記第１対応情報とに基づいて、前記物性情報を取得し、取得した当該物性情報と前記材料情報及び前記プロセス条件と前記第２対応情報とに基づいて、前記性能情報を取得し、
前記第１対応情報は、材料情報及びプロセス条件と、当該材料情報及び当該プロセス条件のプロセスにおける前記レジストの物性を示す物性情報と、に基づいて機械学習を行うことで得られた情報である、
情報処理システム。 - 前記レジストは、対象物のパターニングに用いられ、前記性能情報は前記レジストが前記パターニングに用いられている場合の性能を示す、
請求項１に記載の情報処理システム。 - 前記第１対応情報は、前記材料情報及び前記プロセス条件を説明変数とし前記物性情報を目的変数とする非線形モデルである、
請求項１又は２に記載の情報処理システム。 - 前記第２対応情報は、前記材料情報、前記プロセス条件及び前記物性情報を説明変数とし前記性能情報を目的変数とする線形モデルによって表される、
請求項１から３のいずれか一項に記載の情報処理システム。 - 前記材料情報及びプロセス条件と、当該材料情報及び当該プロセス条件のプロセスにおける前記レジストの物性を示す物性情報と、に基づいて機械学習を行うことで、前記第１対応情報を生成する学習部、
を備える請求項１から４のいずれか一項に記載の情報処理システム。 - 前記第２対応情報は、前記学習部が前記第１対応情報を生成する手法よりも外挿の精度が高い手法で取得された情報である、
請求項５に記載の情報処理システム。 - 前記物性情報は、前記プロセス条件で処理される前及び／又は処理された後のレジストであって、前記材料情報が示す材料のレジストの物性を示す情報である
請求項１から６のいずれか一項に記載の情報処理システム。 - 前記性能情報は、前記レジストのリソグラフィー性能を示す情報である、
請求項１から７のいずれか一項に記載の情報処理システム。 - 前記物性情報は、前記レジストが処理された結果、所定の対象に形成された保護膜の特性情報である、
請求項７に記載の情報処理システム。 - 前記物性情報は、前記レジストが処理され、加熱工程によって前記レジストが乾燥された結果、所定の対象に形成された保護膜の特性情報である、
請求項９に記載の情報処理システム。 - 前記物性情報は、前記レジストが処理され、前記レジストが化学変化した結果、所定の対象に形成された保護膜の特性情報である、
請求項９に記載の情報処理システム。 - レジストの材料を示す材料情報及び前記レジストを用いるプロセスにおけるプロセス条件と前記プロセスによって得たレジストの性能を示す性能情報とに関する第１対応情報及び第２対応情報を記憶部から読み出し、入力された前記材料情報及び前記プロセス条件と前記第１対応情報及び前記第２対応情報とに基づいて、前記性能情報を取得する性能推定部と、
前記性能情報を出力する出力部と、
を備え、
前記第１対応情報は、前記材料情報及び前記プロセス条件と、前記プロセス条件のプロセスにおける前記レジストの物性を示す物性情報と、が対応付けられた情報であり、
前記第２対応情報は、前記材料情報、前記プロセス条件及び前記物性情報と前記性能情報とが対応付けられた情報であり、
前記性能推定部は、入力された前記材料情報及び前記プロセス条件と前記第１対応情報とに基づいて、前記物性情報を取得し、取得した当該物性情報と前記材料情報及び前記プロセス条件と前記第２対応情報とに基づいて、前記性能情報を取得し、
前記第１対応情報は、材料情報及びプロセス条件と、当該材料情報及び当該プロセス条件のプロセスにおける前記レジストの物性を示す物性情報と、に基づいて機械学習を行うことで得られた情報である、情報処理装置。 - コンピュータがレジストの材料を示す材料情報及び前記レジストを用いるプロセスにおけるプロセス条件と前記プロセスによって得たレジストの性能を示す性能情報とに関する第１対応情報及び第２対応情報を記憶部から読み出し、入力された前記材料情報及び前記プロセス条件と前記第１対応情報及び前記第２対応情報とに基づいて、前記性能情報を取得する性能推定ステップと、
コンピュータが前記性能情報を出力する出力ステップと、
を有し、
前記第１対応情報は、前記材料情報及び前記プロセス条件と、前記プロセス条件のプロセスにおける前記レジストの物性を示す物性情報と、が対応付けられた情報であり、
前記第２対応情報は、前記材料情報、前記プロセス条件及び前記物性情報と前記性能情報とが対応付けられた情報であり、
前記性能推定ステップでは、入力された前記材料情報及び前記プロセス条件と前記第１対応情報とに基づいて、前記物性情報を取得し、取得した当該物性情報と前記材料情報及び前記プロセス条件と前記第２対応情報とに基づいて、前記性能情報を取得し、
前記第１対応情報は、材料情報及びプロセス条件と、当該材料情報及び当該プロセス条件のプロセスにおける前記レジストの物性を示す物性情報と、に基づいて機械学習を行うことで得られた情報である、情報処理方法。 - 請求項１から１１のいずれか一項に記載の情報処理システムとしてコンピュータを機能させるためのプログラム。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2020068592A JP6832463B1 (ja) | 2020-04-06 | 2020-04-06 | 情報処理システム、情報処理装置、情報処理方法及びプログラム |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2020068592A JP6832463B1 (ja) | 2020-04-06 | 2020-04-06 | 情報処理システム、情報処理装置、情報処理方法及びプログラム |
Related Parent Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2019165263A Division JP6741838B1 (ja) | 2019-09-11 | 2019-09-11 | 情報処理システム、情報処理装置、情報処理方法及びプログラム |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP6832463B1 true JP6832463B1 (ja) | 2021-02-24 |
| JP2021043434A JP2021043434A (ja) | 2021-03-18 |
Family
ID=74661757
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2020068592A Active JP6832463B1 (ja) | 2020-04-06 | 2020-04-06 | 情報処理システム、情報処理装置、情報処理方法及びプログラム |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP6832463B1 (ja) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2023072958A (ja) * | 2021-11-15 | 2023-05-25 | 株式会社レゾナック | モデル生成装置、モデル生成方法及びデータ推定装置 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH10294259A (ja) * | 1997-04-18 | 1998-11-04 | Sony Corp | レジスト露光方法、基体加工方法及びレジスト現像シミュレーション方法 |
| JP2000232057A (ja) * | 1999-02-10 | 2000-08-22 | Hitachi Ltd | レジストパターンのシミュレーション方法およびパターン形成方法 |
| US20040267397A1 (en) * | 2003-06-27 | 2004-12-30 | Srinivas Doddi | Optical metrology of structures formed on semiconductor wafer using machine learning systems |
| JPWO2005108444A1 (ja) * | 2004-05-06 | 2008-03-21 | Jsr株式会社 | ラクトン系共重合体および感放射線性樹脂組成物 |
| JP2010277328A (ja) * | 2009-05-28 | 2010-12-09 | Medibic:Kk | 配合設計用シミュレーションデータベース装置、配合設計用システム、方法およびプログラム |
| US8589827B2 (en) * | 2009-11-12 | 2013-11-19 | Kla-Tencor Corporation | Photoresist simulation |
-
2020
- 2020-04-06 JP JP2020068592A patent/JP6832463B1/ja active Active
Also Published As
| Publication number | Publication date |
|---|---|
| JP2021043434A (ja) | 2021-03-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2021049251A1 (ja) | 情報処理システム、情報処理装置、学習装置、情報処理方法、学習方法及びプログラム | |
| TWI696125B (zh) | 用於計算微影之機器學習模型的訓練方法 | |
| JP5198588B2 (ja) | モデルベースのサブ解像度補助パターン（ｍｂ−ｓｒａｆ）の改良された生成及び配置のために信号強度を高めるための方法及び装置 | |
| CN109073985A (zh) | 光敏化学放大型抗蚀剂（ps-car）模型校准 | |
| US8279409B1 (en) | System and method for calibrating a lithography model | |
| KR102471849B1 (ko) | 감광되고 화학적으로 증폭된 레지스트(ps-car) 시뮬레이션 | |
| TW201539227A (zh) | 用於精確光阻輪廓預測之模型 | |
| Liu | Mask synthesis using machine learning software and hardware platforms | |
| CN106125511A (zh) | 基于矢量成像模型的低误差敏感度多目标光源‑掩模优化方法 | |
| CN115079507A (zh) | 随机预测系统、提供其的方法和制造极紫外光掩模的方法 | |
| JPH10199787A (ja) | プロセス裕度計算方法 | |
| JP6832463B1 (ja) | 情報処理システム、情報処理装置、情報処理方法及びプログラム | |
| US7319944B2 (en) | Method for a predicting a pattern shape by using an actual measured dissolution rate of a photosensitive resist | |
| CN116449657A (zh) | 用于版图标记的方法、设备和介质 | |
| CN117313642A (zh) | 光刻掩膜生成模型的训练方法、装置、设备及存储介质 | |
| US8146022B2 (en) | Mask pattern data generation method, mask manufacturing method, semiconductor device manufacturing method, and pattern data generation program | |
| Mack et al. | Probabilistic process window: a new approach to focus-exposure analysis | |
| CN110337614A (zh) | 通过图案形成装置上的有限厚度的结构确定辐射的散射的方法 | |
| Mack et al. | Probabilistic process window: a new approach to focus-exposure analysis | |
| Conrad et al. | Model considerations, calibration issues, and metrology methods for resist-bias models | |
| Dong et al. | Optimization of resist parameters to improve the profile and process window of the contact pattern in advanced node | |
| CN117008428B (zh) | 光刻仿真方法、设备和介质 | |
| CN115906543B (zh) | 一种基于光刻建模仿真的参数获取方法 | |
| D'Silva | Modelling nanomechanical effects in advanced lithographic materials and processes | |
| US20230288812A1 (en) | Methods to improve process window and resolution for digital lithography with two exposures |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200406 |
|
| A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20200406 |
|
| A975 | Report on accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A971005 Effective date: 20200715 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20200728 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200928 |
|
| 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: 20210105 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210201 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6832463 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |