JP7118170B2 - 仮想測定装置、仮想測定方法及び仮想測定プログラム - Google Patents

仮想測定装置、仮想測定方法及び仮想測定プログラム Download PDF

Info

Publication number
JP7118170B2
JP7118170B2 JP2020557874A JP2020557874A JP7118170B2 JP 7118170 B2 JP7118170 B2 JP 7118170B2 JP 2020557874 A JP2020557874 A JP 2020557874A JP 2020557874 A JP2020557874 A JP 2020557874A JP 7118170 B2 JP7118170 B2 JP 7118170B2
Authority
JP
Japan
Prior art keywords
unit
processing
time
series data
data
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
JP2020557874A
Other languages
English (en)
Other versions
JPWO2020111258A1 (ja
Inventor
拓郎 筒井
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tokyo Electron Ltd
Original Assignee
Tokyo Electron Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tokyo Electron Ltd filed Critical Tokyo Electron Ltd
Publication of JPWO2020111258A1 publication Critical patent/JPWO2020111258A1/ja
Application granted granted Critical
Publication of JP7118170B2 publication Critical patent/JP7118170B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
    • G01B11/06—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material
    • G01B11/0616—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material of coating
    • G01B11/0658—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material of coating with measurement of emissivity or reradiation
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine 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
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/02—Manufacture or treatment of semiconductor devices or of parts thereof
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
    • H01L21/67005—Apparatus not specifically provided for elsewhere
    • H01L21/67242—Apparatus for monitoring, sorting or marking
    • H01L21/67276—Production flow monitoring, e.g. for increasing throughput
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
    • G01B11/06—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material
    • G01B11/0616—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material of coating
    • G01B11/0625—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material of coating with measurement of absorption or reflection
    • G01B11/0633—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material of coating with measurement of absorption or reflection using one or more discrete wavelengths
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/4155—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by programme execution, i.e. part programme or machine function execution, e.g. selection of a programme
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/4183—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by data acquisition, e.g. workpiece identification
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/45—Nc applications
    • G05B2219/45031—Manufacturing semiconductor wafers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Automation & Control Theory (AREA)
  • Manufacturing & Machinery (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Computer Hardware Design (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Power Engineering (AREA)
  • Quality & Reliability (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Human Computer Interaction (AREA)
  • General Factory Administration (AREA)

Description

本開示は、仮想測定装置、仮想測定方法及び仮想測定プログラムに関する。
従来より、各種製造プロセス（例えば、半導体製造プロセス）の分野では、仮想測定技術（ＶＭ：Virtual Metrology）の活用が進められている。仮想測定技術とは、各種製造プロセスで対象物（例えば、ウェハ）の処理中に測定された測定データ（複数種類の時系列データのデータセット、以下、時系列データ群と称す）から、結果物の検査データを推測する技術である。
当該技術を用いて全ての対象物について高精度な仮想測定処理を実行できれば、結果物の仮想的な全数検査を実現することができる。
特開２００９－２８２９６０号公報 特開２０１０－２６７２４２号公報
本開示は、高精度な仮想測定処理を実行可能な仮想測定装置、仮想測定方法及び仮想測定プログラムを提供する。
本開示の一態様による仮想測定装置は、例えば、以下のような構成を有する。即ち、
製造プロセスの所定の処理単位において、対象物の処理に伴い測定された時系列データ群を取得する取得部と、
取得した前記時系列データ群を処理する複数のネットワーク部と、該複数のネットワーク部を用いて処理することで出力された各出力データを合成する連結部とを含み、該連結部より出力された合成結果が、前記製造プロセスの前記所定の処理単位において前記対象物を処理した際の結果物の検査データに近づくよう、前記複数のネットワーク部及び前記連結部を機械学習する学習部とを有する。
本開示によれば、高精度な仮想測定処理を実行可能な仮想測定装置、仮想測定方法及び仮想測定プログラムを提供することができる。
図１は、半導体製造プロセスと仮想測定装置とを含むシステムの全体構成の一例を示す図である。 図２は、半導体製造プロセスの所定の処理単位の一例を示す第１の図である。 図３は、半導体製造プロセスの所定の処理単位の一例を示す第２の図である。 図４は、取得される時系列データ群の一例を示す図である。 図５は、仮想測定装置のハードウェア構成の一例を示す図である。 図６は、学習部の機能構成の一例を示す図である。 図７は、分岐部の処理の具体例を示す第１の図である。 図８は、分岐部の処理の具体例を示す第２の図である。 図９は、分岐部の処理の具体例を示す第３の図である。 図１０は、各ネットワーク部に含まれる正規化部の処理の具体例を示す図である。 図１１は、分岐部の処理の具体例を示す第４の図である。 図１２は、推論部の機能構成の一例を示す図である。 図１３は、仮想測定装置による仮想測定処理の流れを示すフローチャートである。 図１４は、時系列データ取得装置が発光分光分析装置である半導体製造プロセスと仮想測定装置とを含むシステムの全体構成の一例を示す図である。 図１５は、取得されるＯＥＳデータの一例を示す図である。 図１６は、ＯＥＳデータが入力される各ネットワーク部に含まれる正規化部の処理の具体例を示す図である。 図１７は、各正規化部の処理の具体例を示す図である。 図１８は、プーリング部の処理の具体例を示す図である。 図１９は、第５のネットワーク部の最終層に含まれるプーリング部の処理の他の具体例を示す図である。 図２０は、第６のネットワーク部の最終層に含まれるプーリング部の処理の他の具体例を示す図である。 図２１は、推論部による推論結果の精度を説明するための第１の図である。 図２２は、推論部による推論結果の精度を説明するための第２の図である。
以下、各実施形態について添付の図面を参照しながら説明する。なお、本明細書及び図面において、実質的に同一の機能構成を有する構成要素については、同一の符号を付することにより重複した説明を省略する。
［第１の実施形態］
＜半導体製造プロセスと仮想測定装置とを含むシステムの全体構成＞
はじめに、製造プロセス（ここでは、半導体製造プロセス）と仮想測定装置とを含むシステムの全体構成について説明する。図１は、半導体製造プロセスと仮想測定装置とを含むシステム１００の全体構成の一例を示す図である。図１に示すように、システム１００は、半導体製造プロセスと、時系列データ取得装置１４０＿１～１４０＿ｎと、検査データ取得装置１５０と、仮想測定装置１６０とを有する。
半導体製造プロセスでは、所定の処理単位１２０において、対象物（処理前ウェハ１１０）を処理し、結果物（処理後ウェハ１３０）を生成する。なお、ここでいう処理単位１２０とは、抽象的な概念であり、詳細は後述する。また、処理前ウェハ１１０とは、処理単位１２０において処理される前のウェハ（基板）を指し、処理後ウェハ１３０とは、処理単位１２０において処理された後のウェハ（基板）を指す。
時系列データ取得装置１４０＿１～１４０＿ｎは、それぞれ、処理単位１２０における処理前ウェハ１１０の処理に伴い、時系列データを測定し、取得する。時系列データ取得装置１４０＿１～１４０＿ｎは、互いに異なる種類の測定項目について測定を行うものとする。なお、時系列データ取得装置１４０＿１～１４０＿ｎそれぞれが測定する測定項目の数は１つであっても、複数であってもよい。また、処理前ウェハ１１０の処理に伴い測定した時系列データには、処理前ウェハ１１０の処理中に測定した時系列データのほか、処理前ウェハ１１０の処理の前後に行われる前処理、後処理の際に測定した時系列データも含まれる。これらの処理にはウェハ（基板）が無い状態で行われる前処理、後処理が含まれていてもよい。
時系列データ取得装置１４０＿１～１４０＿ｎにより取得された時系列データ群は、学習用データ（入力データ）として、仮想測定装置１６０の学習用データ格納部１６３に格納される。
検査データ取得装置１５０は、処理単位１２０において処理された処理後ウェハ１３０の所定の検査項目（例えば、ＥＲ（Etch Rate））を検査し、検査データを取得する。検査データ取得装置１５０により取得された検査データは、学習用データ（正解データ）として、仮想測定装置１６０の学習用データ格納部１６３に格納される。
仮想測定装置１６０には、仮想測定プログラムがインストールされており、当該プログラムが実行されることで、仮想測定装置１６０は、学習部１６１及び推論部１６２として機能する。
学習部１６１は、時系列データ取得装置１４０＿１～１４０＿ｎにて取得された時系列データ群と、検査データ取得装置１５０にて取得された検査データとを用いて機械学習を行う。具体的には、学習部１６１が有する複数のネットワーク部を用いて時系列データ群を処理することで出力された各出力データの合成結果が、検査データに近づくよう、当該複数のネットワーク部を機械学習する。
推論部１６２は、機械学習された複数のネットワーク部に、処理単位１２０における新たな処理前ウェハの処理に伴い取得した時系列データ群を入力する。これにより、推論部１６２は、新たな処理前ウェハの処理に伴い取得された時系列データに基づき、処理後ウェハの検査データを推論し、仮想測定データとして出力する。
このように、半導体製造プロセスの所定の処理単位１２０において、対象物の処理に伴い測定された時系列データ群を、複数のネットワーク部を用いて処理する構成とすることで、所定の処理単位を多面的に解析することが可能となる。この結果、１のネットワーク部を用いて処理する構成と比較して、高い推論精度を実現するモデル（推論部１６２）を生成することが可能となる。
＜半導体製造プロセスの所定の処理単位＞
次に、半導体製造プロセスの所定の処理単位１２０について説明する。図２は、半導体製造プロセスの所定の処理単位の一例を示す第１の図である。図２に示すように、基板処理装置の一例である半導体製造装置２００は、複数のチャンバ（複数の処理空間の一例。図２の例では、“チャンバＡ”～“チャンバＣ”）を有しており、各チャンバにおいて、ウェハが処理される。
このうち、２ａは、複数のチャンバを処理単位１２０と定義した場合を示している。この場合、処理前ウェハ１１０とは、チャンバＡにおいて処理される前のウェハを指し、処理後ウェハ１３０とは、チャンバＣにおいて処理された後のウェハを指す。
また、２ａの処理単位１２０において、処理前ウェハ１１０の処理に伴い測定される時系列データ群には、
・チャンバＡ（第１の処理空間）における処理に伴い測定される時系列データ群と、
・チャンバＢ（第２の処理空間）における処理に伴い測定される時系列データ群と、
・チャンバＣ（第３の処理空間）における処理に伴い測定される時系列データ群と、
が含まれる。
一方、２ｂは、１のチャンバ（２ｂの例では、“チャンバＢ”）を処理単位１２０と定義した場合を示している。この場合、処理前ウェハ１１０とは、チャンバＢにおいて処理される前のウェハ（チャンバＡにおいて処理された後のウェハ）を指し、処理後ウェハ１３０とは、チャンバＢにおいて処理された後のウェハ（チャンバＣにおいて処理される前のウェハ）を指す。
また、２ｂの処理単位１２０において、処理前ウェハ１１０の処理に伴い測定される時系列データ群には、チャンバＢにおいて、処理前ウェハ１１０の処理に伴い測定される時系列データ群が含まれる。
図３は、半導体製造プロセスの所定の処理単位の一例を示す第２の図である。図２と同様、半導体製造装置２００は、複数のチャンバを有しており、各チャンバにおいて、ウェハが処理される。
このうち、３ａは、チャンバＢにおける処理内容のうち、前処理と後処理とを除いた処理（“ウェハ処理”と称す）を処理単位１２０と定義した場合を示している。この場合、処理前ウェハ１１０とは、ウェハ処理が行われる前のウェハ（前処理が行われた後のウェハ）を指し、処理後ウェハ１３０とは、ウェハ処理が行われた後のウェハ（後処理が行われる前のウェハ）を指す。
また、３ａの処理単位１２０において、処理前ウェハ１１０の処理に伴い測定される時系列データ群には、チャンバＢにおいて、処理前ウェハ１１０のウェハ処理に伴い測定される時系列データ群が含まれる。
なお、３ａの例では、同一チャンバ内（チャンバＢ内）において、前処理、ウェハ処理（本処理）、後処理が行われる場合の、ウェハ処理を処理単位１２０とした場合について示した。しかしながら、例えば、チャンバＡ内において前処理が、チャンバＢ内においてウェハ処理が、チャンバＣ内において後処理が行われる場合のように、異なるチャンバで各処理が行われる場合にあっては、チャンバごとの各処理を処理単位１２０としてもよい。
一方、３ｂは、チャンバＢにおける処理内容のうち、ウェハ処理に含まれる１のレシピ（３ｂの例では“レシピＩＩＩ”）の処理を処理単位１２０と定義した場合を示している。この場合、処理前ウェハ１１０とは、レシピＩＩＩの処理が行われる前のウェハ（レシピＩＩの処理が行われた後のウェハ）を指し、処理後ウェハ１３０とは、レシピＩＩＩの処理が行われた後のウェハ（レシピＩＶ（不図示）の処理が行われる前のウェハ）を指す。
また、３ａの処理単位１２０において、処理前ウェハ１１０の処理に伴い測定される時系列データ群には、チャンバＢにおいて、レシピＩＩＩによる処理前ウェハ１１０のウェハ処理に伴い測定される時系列データ群が含まれる。
＜時系列データ群の具体例＞
次に、時系列データ取得装置１４０＿１～１４０＿ｎにおいて取得される時系列データ群の具体例について説明する。図４は、取得される時系列データ群の一例を示す図である。なお、図４の例では、説明の簡略化のため、時系列データ取得装置１４０＿１～１４０＿ｎがそれぞれ１次元のデータを測定するものとしているが、１の時系列データ取得装置が２次元のデータ（複数種類の１次元データのデータセット）を測定してもよい。
このうち、４ａは、処理単位１２０が、２ｂ、３ａ、３ｂのいずれかで定義された場合の時系列データ群を表している。この場合、時系列データ取得装置１４０＿１～１４０＿ｎは、それぞれ、チャンバＢにおける処理に伴い測定した時系列データを取得する。また、時系列データ取得装置１４０＿１～１４０＿ｎは、互いに、同一時間帯に測定した時系列データを、時系列データ群として取得する。
一方、４ｂは、処理単位１２０が、２ａで定義された場合の時系列データ群を表している。この場合、時系列データ取得装置１４０＿１～１４０＿３は、例えば、チャンバＡにおけるウェハの処理に伴い測定した時系列データ群１を取得する。また、時系列データ取得装置１４０＿ｎ－２は、例えば、チャンバＢにおける当該ウェハの処理に伴い測定した時系列データ群２を取得する。また、時系列データ取得装置１４０＿ｎ－１～１４０＿ｎは、例えば、チャンバＣにおける当該ウェハの処理に伴い測定した時系列データ群３を取得する。
なお、４ａにおいて、時系列データ取得装置１４０＿１～１４０＿ｎは、チャンバＢにおいて処理前ウェハの処理に伴い測定した、同一の時間範囲の時系列データを、時系列データ群として取得する場合について示した。しかしながら、時系列データ取得装置１４０＿１～１４０＿ｎは、チャンバＢにおいて処理前ウェハの処理に伴い測定した、異なる時間範囲の時系列データを時系列データ群として取得してもよい。
具体的には、時系列データ取得装置１４０＿１～１４０＿ｎは、前処理を実行中に測定した複数の時系列データを、時系列データ群１として取得してもよい。また、時系列データ取得装置１４０＿１～１４０＿ｎは、ウェハ処理を実行中に測定した複数の時系列データを、時系列データ群２として取得してもよい。更に、時系列データ取得装置１４０＿１～１４０＿ｎは、後処理を実行中に測定した複数の時系列データを、時系列データ群３として取得してもよい。
同様に、時系列データ取得装置１４０＿１～１４０＿ｎは、レシピＩを実行中に測定した複数の時系列データを、時系列データ群１として取得してもよい。また、時系列データ取得装置１４０＿１～１４０＿ｎは、レシピＩＩを実行中に測定した複数の時系列データを、時系列データ群２として取得してもよい。更に、時系列データ取得装置１４０＿１～１４０＿ｎは、レシピＩＩＩを実行中に測定した複数の時系列データを、時系列データ群３として取得してもよい。
＜仮想測定装置のハードウェア構成＞
次に、仮想測定装置１６０のハードウェア構成について説明する。図５は、仮想測定装置のハードウェア構成の一例を示す図である。図５に示すように、仮想測定装置１６０は、ＣＰＵ（Central Processing Unit）５０１、ＲＯＭ（Read Only Memory）５０２、ＲＡＭ（Random Access Memory）５０３を有する。また、仮想測定装置１６０は、ＧＰＵ（Graphics Processing Unit）５０４を有する。なお、ＣＰＵ５０１、ＧＰＵ５０４などのプロセッサ（処理回路、Processing Circuit、Processing Circuitry）と、ＲＯＭ５０２、ＲＡＭ５０３などのメモリは、いわゆるコンピュータを形成する。
更に、仮想測定装置１６０は、補助記憶装置５０５、表示装置５０６、操作装置５０７、Ｉ／Ｆ（Interface）装置５０８、ドライブ装置５０９を有する。なお、仮想測定装置１６０の各ハードウェアは、バス５１０を介して相互に接続される。
ＣＰＵ５０１は、補助記憶装置５０５にインストールされた各種プログラム（例えば、仮想測定プログラム等）を実行する演算デバイスである。
ＲＯＭ５０２は、不揮発性メモリであり、主記憶装置として機能する。ＲＯＭ５０２は、補助記憶装置５０５にインストールされた各種プログラムをＣＰＵ５０１が実行するために必要な各種プログラム、データ等を格納する。具体的には、ＲＯＭ５０２はＢＩＯＳ（Basic Input/Output System）やＥＦＩ（Extensible Firmware Interface）等のブートプログラム等を格納する。
ＲＡＭ５０３は、ＤＲＡＭ（Dynamic Random Access Memory）やＳＲＡＭ（Static Random Access Memory）等の揮発性メモリであり、主記憶装置として機能する。ＲＡＭ５０３は、補助記憶装置５０５にインストールされた各種プログラムがＣＰＵ５０１によって実行される際に展開される、作業領域を提供する。
ＧＰＵ５０４は、画像処理用の演算デバイスであり、ＣＰＵ５０１により仮想測定プログラムが実行される際に、各種画像データ（本実施形態では、時系列データ群）について、並列処理による高速演算を行う。なお、ＧＰＵ５０４は、内部メモリ（ＧＰＵメモリ）を搭載しており、各種画像データについて並列処理を行う際に必要な情報を一時的に保持する。
補助記憶装置５０５は、各種プログラムや、各種プログラムがＣＰＵ５０１によって実行される際に用いられる各種データ等を格納する。
表示装置５０６は、仮想測定装置１６０の内部状態を表示する表示デバイスである。操作装置５０７は、仮想測定装置１６０の管理者が仮想測定装置１６０に対して各種指示を入力する際に用いる入力デバイスである。Ｉ／Ｆ装置５０８は、不図示のネットワークと接続し、通信を行うための接続デバイスである。
ドライブ装置５０９は記録媒体５２０をセットするためのデバイスである。ここでいう記録媒体５２０には、ＣＤ－ＲＯＭ、フレキシブルディスク、光磁気ディスク等のように情報を光学的、電気的あるいは磁気的に記録する媒体が含まれる。また、記録媒体５２０には、ＲＯＭ、フラッシュメモリ等のように情報を電気的に記録する半導体メモリ等が含まれていてもよい。
なお、補助記憶装置５０５にインストールされる各種プログラムは、例えば、配布された記録媒体５２０がドライブ装置５０９にセットされ、該記録媒体５２０に記録された各種プログラムがドライブ装置５０９により読み出されることでインストールされる。あるいは、補助記憶装置５０５にインストールされる各種プログラムは、ネットワークを介してダウンロードされることで、インストールされてもよい。
＜学習部の機能構成＞
次に、学習部１６１の機能構成について説明する。図６は、学習部の機能構成の一例を示す図である。学習部１６１は、分岐部６１０と、第１のネットワーク部６２０＿１～第Ｍのネットワーク部６２０＿Ｍと、連結部６３０と、比較部６４０とを有する。
分岐部６１０は取得部の一例であり、学習用データ格納部１６３より時系列データ群を読み出す。また、分岐部６１０は、読み出した時系列データ群が、第１のネットワーク部６２０＿１から第Ｍのネットワーク部６２０＿Ｍまでの複数のネットワーク部を用いて処理されるよう、当該時系列データ群を処理する。
第１のネットワーク部６２０＿１～第Ｍのネットワーク部６２０＿Ｍは、畳み込みニューラルネットワーク（ＣＮＮ：Convolutional Neural Network）をベースに構成されており、複数の層を有する。
具体的には、第１のネットワーク部６２０＿１は、第１層６２０＿１１～第Ｎ層６２０＿１Ｎを有する。同様に、第２のネットワーク部６２０＿２は、第１層６２０＿２１～第Ｎ層６２０＿２Ｎを有する。以下、同様の構成を有しており、第Ｍのネットワーク部６２０＿Ｍは、第１層６２０＿Ｍ１～第Ｎ層６２０＿ＭＮを有する。
第１のネットワーク部６２０＿１の第１層６２０＿１１～第Ｎ層６２０＿１Ｎの各層では、正規化処理や、畳み込み処理、活性化処理、プーリング処理等の各種処理が行われる。また、第２のネットワーク部６２０＿２～第Ｍのネットワーク部６２０＿Ｍの各層でも同様の各種処理が行われる。
連結部６３０は、第１のネットワーク部６２０＿１の第Ｎ層６２０＿１Ｎから出力された出力データから、第Ｍのネットワーク部６２０＿Ｍの第Ｎ層６２０＿ＭＮから出力された出力データまでの各出力データを合成し、合成結果を比較部６４０に出力する。
比較部６４０は、連結部６３０より出力された合成結果と、学習用データ格納部１６３より読み出した検査データ（正解データ）とを比較し、誤差を算出する。学習部１６１では、比較部６４０により算出された誤差が所定の条件を満たすように、第１のネットワーク部６２０＿１～第Ｍのネットワーク部６２０＿Ｍ及び連結部６３０を機械学習を行う。
これにより、第１のネットワーク部６２０＿１～第Ｍのネットワーク部６２０＿Ｍの第１層～第Ｎ層それぞれのモデルパラメータ及び連結部６３０のモデルパラメータが最適化される。
＜学習部の各部の処理の詳細＞
次に、学習部１６１の各部の処理の詳細について、具体例を挙げて説明する。
（１）分岐部の処理の詳細１
はじめに、分岐部６１０の処理の詳細について説明する。図７は、分岐部の処理の具体例を示す第１の図である。図７の場合、分岐部６１０は、時系列データ取得装置１４０＿１～１４０＿ｎにより測定された時系列データ群を、第１の基準に応じて加工することで、時系列データ群１（第１の時系列データ群）を生成し、第１のネットワーク部６２０＿１に入力する。
また、分岐部６１０は、時系列データ取得装置１４０＿１～１４０＿ｎにより測定された時系列データ群を、第２の基準に応じて加工することで、時系列データ群２（第２の時系列データ群）を生成し、第２のネットワーク部６２０＿２に入力する。
このように、時系列データ群を、異なる基準に応じて加工し、それぞれ異なるネットワーク部に分けて処理する構成としたうえで機械学習することで、処理単位１２０を多面的に解析することが可能となる。この結果、時系列データ群を１のネットワーク部を用いて処理する構成とした場合と比較して、高い推論精度を実現するモデル（推論部１６２）を生成することが可能となる。
なお、図７の例では、２種類の基準に応じて時系列データ群を加工することで、２種類の時系列データ群を生成する場合について示したが、３種類以上の基準に応じて時系列データ群を加工することで、３種類以上の時系列データ群を生成してもよい。
（２）分岐部による処理の詳細２
次に、分岐部６１０の他の処理の詳細について説明する。図８は、分岐部の処理の具体例を示す第２の図である。図８の場合、分岐部６１０は、時系列データ取得装置１４０＿１～１４０＿ｎにより測定された時系列データ群を、データ種類に応じてグループ分けすることで、時系列データ群１（第１の時系列データ群）と時系列データ群２（第２の時系列データ群）を生成する。また、分岐部６１０は、生成した時系列データ群１を第３のネットワーク部６２０＿３に入力し、生成した時系列データ群２を第４のネットワーク部６２０＿４に入力する。
このように、時系列データ群を、データ種類に応じて複数のグループに分け、異なるネットワーク部を用いて処理する構成としたうえで機械学習することで、処理単位１２０を多面的に解析することが可能となる。この結果、時系列データ群を１のネットワーク部に入力して機械学習する場合と比較して、高い推論精度を実現するモデル（推論部１６２）を生成することが可能となる。
なお、図８の例では、時系列データ取得装置１４０＿１～１４０＿ｎの違いに基づくデータ種類の違いに応じて、時系列データ群をグループ分けしたが、データが取得された時間範囲に応じて、時系列データ群をグループ分けしてもよい。例えば、時系列データ群が複数のレシピによる処理に伴い測定された時系列データ群であった場合には、レシピごとの時間範囲に応じて、時系列データ群をグループ分けしてもよい。
（３）分岐部による処理の詳細３
次に、分岐部６１０による他の処理の詳細について説明する。図９は、分岐部の処理の具体例を示す第３の図である。図９の場合、分岐部６１０は、時系列データ取得装置１４０＿１～１４０＿ｎにより取得された時系列データ群を、第５のネットワーク部６２０＿５と第６のネットワーク部６２０＿６の両方に入力する。そして、第５のネットワーク部６２０＿５と第６のネットワーク部６２０＿６とで、同じ時系列データ群に対して、異なる処理（正規化処理）を施す。
図１０は、各ネットワーク部に含まれる正規化部の処理の具体例を示す図である。図１０に示すように、第５のネットワーク部６２０＿５の各層には、正規化部と、畳み込み部と、活性化関数部と、プーリング部とが含まれる。
図１０の例は、第５のネットワーク部６２０＿５に含まれる各層のうち、第１層６２０＿５１に、正規化部１００１と、畳み込み部１００２と、活性化関数部１００３と、プーリング部１００４とが含まれることを示している。
このうち、正規化部１００１では、分岐部６１０により入力された時系列データ群に対して第１の正規化処理を行い、正規化時系列データ群１（第１の時系列データ群）を生成する。
同様に、図１０の例は、第６のネットワーク部６２０＿６に含まれる各層のうち、第１層６２０＿６１には、正規化部１０１１と、畳み込み部１０１２と、活性化関数部１０１３と、プーリング部１０１４とが含まれることを示している。
このうち、正規化部１０１１では、分岐部６１０により入力された時系列データ群に対して第２の正規化処理を行い、正規化時系列データ群２（第２の時系列データ群）を生成する。
このように、異なる手法で正規化処理を行う正規化部をそれぞれに含む複数のネットワーク部を用いて時系列データ群を処理する構成としたうえで機械学習することで、処理単位１２０を多面的に解析することが可能となる。この結果、時系列データ群を１のネットワーク部を用いて１の正規化処理を実行する構成とした場合と比較して、高い推論精度を実現するモデル（推論部１６２）を生成することが可能となる。
（４）分岐部による処理の詳細４
次に、分岐部６１０による他の処理の詳細について説明する。図１１は、分岐部の処理の具体例を示す第４の図である。図１１の場合、分岐部６１０は、時系列データ取得装置１４０＿１～１４０＿ｎにより測定された時系列データ群のうち、チャンバＡにおける処理に伴い測定された時系列データ群１（第１の時系列データ群）を第７のネットワーク部６２０＿７に入力する。
また、分岐部６１０は、時系列データ取得装置１４０＿１～１４０＿ｎにより測定された時系列データ群のうち、チャンバＢにおける処理に伴い測定された時系列データ群２（第２の時系列データ群）を第８のネットワーク部６２０＿８に入力する。
このように、異なるチャンバ（第１の処理空間、第２の処理空間）における処理に伴い測定された、それぞれの時系列データ群を、異なるネットワーク部を用いて処理する構成としたうえで機械学習することで、処理単位１２０を多面的に解析することが可能となる。この結果、それぞれの時系列データ群を１のネットワーク部を用いて処理する構成とした場合と比較して、高い推論精度を実現するモデル（推論部１６２）を生成することが可能となる。
＜推論部の機能構成＞
次に、推論部１６２の機能構成について説明する。図１２は、推論部の機能構成の一例を示す図である。図１２に示すように、推論部１６２は、分岐部１２１０と、第１のネットワーク部１２２０＿１から第Ｍのネットワーク部１２２０＿Ｍと、連結部１２３０とを有する。
分岐部１２１０は、時系列データ取得装置１４０＿１～１４０＿Ｎにより新たに測定された時系列データ群を取得する。また、分岐部１２１０は、取得した時系列データ群が、第１のネットワーク部１２２０＿１～第Ｍのネットワーク部１２２０＿Ｍを用いて処理されるよう制御する。
第１のネットワーク部１２２０＿１～第Ｍのネットワーク部１２２０＿Ｍは、学習部１６１により機械学習が行われ、第１のネットワーク部６２０＿１～第Ｍのネットワーク部６２０＿Ｍの各層のモデルパラメータが最適化されることで形成される。
連結部１２３０は、学習部１６１により機械学習が行われ、モデルパラメータが最適化された連結部６３０により形成される。連結部１２３０は、第１のネットワーク部１２２０＿１の第Ｎ層１２２０＿１Ｎから出力された出力データから、第Ｍのネットワーク部１２２０＿Ｍの第Ｎ層１２２０＿ＭＮから出力された出力データまでの各出力データを合成し、仮想測定データを出力する。
＜仮想測定処理の流れ＞
次に、仮想測定装置１６０による仮想測定処理全体の流れについて説明する。図１３は、仮想測定装置による仮想測定処理の流れを示すフローチャートである。
ステップＳ１３０１において、学習部１６１は、学習用データとして時系列データ群及び検査データを取得する。
ステップＳ１３０２において、学習部１６１は、取得した学習用データのうち、時系列データ群を入力データ、検査データを正解データとして機械学習を行う。
ステップＳ１３０３において、学習部１６１は、機械学習を継続するか否かを判定する。更なる学習用データを取得して機械学習を継続する場合には（ステップＳ１３０３においてＹｅｓの場合には）、ステップＳ１３０１に戻る。一方、機械学習を終了する場合には（ステップＳ１３０３においてＮｏの場合には）、ステップＳ１３０４に進む。
ステップＳ１３０４において、推論部１６２は、機械学習により最適化されたモデルパラメータを反映することで、第１のネットワーク部１２２０＿１～第Ｍのネットワーク部１２２０＿Ｍを生成する。
ステップＳ１３０５において、推論部１６２は、新たな処理前ウェハの処理に伴い測定された時系列データ群を入力し、仮想測定データを推論する。
ステップＳ１３０６において、推論部１６２は、推論した仮想測定データを出力する。
＜まとめ＞
以上の説明から明らかなように、第１の実施形態に係る仮想測定装置は、
・製造プロセスの所定の処理単位において、対象物の処理に伴い測定された時系列データ群を取得する。
・取得した時系列データ群を、
・第１及び第２の基準に応じて処理することで、第１の時系列データ群と第２の時系列データ群とを生成し、あるいは、
・データ種類または時間範囲に応じてグループ分けし、
複数のネットワーク部を用いて処理することで出力された各出力データを合成する、あるいは、
・取得した時系列データ群を、異なる手法で正規化を行う複数のネットワーク部にそれぞれ入力し、複数のネットワーク部を用いて処理することで出力された各出力データを合成する。
・各出力データを合成することで得た合成結果が、製造プロセスの所定の処理単位において、対象物を処理した後の結果物の検査データに近づくよう、複数のネットワーク部を機械学習する。
・新たな対象物について取得した時系列データ群を、機械学習された複数のネットワーク部を用いて処理し、該複数のネットワーク部より出力された各出力データの合成結果を、新たな対象物を処理した際の結果物の検査データとして推論する。
このように、時系列データ群を、複数のネットワーク部を用いて処理する構成としたうえで機械学習することで、製造プロセスの所定の処理単位を多面的に解析することが可能となる。この結果、時系列データ群を１のネットワーク部を用いて処理する構成とした場合と比較して、高い推論精度を実現するモデルを生成することが可能となる。また、当該モデルを用いて推論を行うことで、高精度な仮想測定処理を実行することができる。
つまり、第１の実施形態によれば、高精度な仮想測定処理を実行可能な仮想測定装置を提供することができる。
［第２の実施形態］
上記第１の実施形態では、取得した時系列データ群を複数のネットワーク部を用いて処理する構成として、４通りの構成について示した。このうち、第２の実施形態では、異なる手法で正規化処理を行う正規化部をそれぞれに含む複数のネットワーク部を用いて時系列データ群を処理する構成について、
・時系列データ取得装置が発光分光分析装置であり、
・時系列データ群がＯＥＳ（Optical Emission Spectroscopy）データ（発光強度の時系列データが波長の種類に応じた数だけ含まれるデータセット）である、
場合について、更なる詳細を説明する。なお、以下では、上記第１の実施形態と相違する点を中心に説明を行う。
＜半導体製造プロセスと仮想測定装置とを含むシステムの全体構成＞
はじめに、時系列データ取得装置が発光分光分析装置である半導体製造プロセスと仮想測定装置とを含むシステムの全体構成について説明する。図１４は、時系列データ取得装置が発光分光分析装置である半導体製造プロセスと仮想測定装置とを含むシステムの全体構成の一例を示す図である。
図１４に示すシステム１４００において、発光分光分析装置１４０１は、発光分光分析技術により、処理単位１２０における処理前ウェハ１１０の処理に伴い、時系列データ群であるＯＥＳデータを出力する。発光分光分析装置１４０１より出力されたＯＥＳデータは、その一部が、機械学習を行う際の学習用データ（入力データ）として、仮想測定装置１６０の学習用データ格納部１６３に格納される。
＜時系列データ群の具体例＞
次に、発光分光分析装置１４０１において取得される時系列データ群であるＯＥＳデータの具体例について説明する。図１５は、取得されるＯＥＳデータの一例を示す図である。
図１５において、グラフ１５１０は、発光分光分析装置１４０１において取得される時系列データ群であるＯＥＳデータの特性を表したグラフであり、横軸は、処理単位１２０において処理された各処理前ウェハ１１０を識別するためのウェハ識別番号を示している。また、縦軸は、各処理前ウェハ１１０の処理に伴い発光分光分析装置１４０１において測定されたＯＥＳデータの時間長を示している。
グラフ１５１０に示すように、発光分光分析装置１４０１において測定されるＯＥＳデータは、処理されるウェハごとに時間長が異なる場合がある。
図１５の例において、例えば、ＯＥＳデータ１５２０は、ウェハ識別番号＝“７７０”の処理前ウェハの処理に伴い測定されたＯＥＳデータを示している。ＯＥＳデータ１５２０の縦方向のデータサイズは、発光分光分析装置１４０１において測定される波長の範囲に依存する。第２の実施形態において、発光分光分析装置１４０１は、所定の波長範囲の発光強度を測定するため、ＯＥＳデータ１５２０の縦方向のデータサイズは、例えば、所定の波長範囲に含まれる波長数“Ｎλ”となる。
一方、ＯＥＳデータ１５２０の横方向のデータサイズは、発光分光分析装置１４０１において測定された際の時間長に依存する。図１５の例では、ＯＥＳデータ１５２０の横方向のデータサイズは、“ＬＴ”である。
このように、ＯＥＳデータ１５２０は、それぞれの波長が、所定の時間長を有する１次元の時系列データが、所定の波長数分集まった時系列データ群であるということができる。
なお、分岐部６１０では、ＯＥＳデータ１５２０を第５のネットワーク部６２０＿５及び第６のネットワーク部６２０＿６に入力する際、他のウェハ識別番号のＯＥＳデータとデータサイズが同じになるよう、ミニバッチ単位でリサイズ処理を行うものとする。
＜正規化部の処理の具体例＞
次に、分岐部６１０によりＯＥＳデータ１５２０がそれぞれ入力される第５のネットワーク部６２０＿５及び第６のネットワーク部６２０＿６の、正規化部の処理の具体例について説明する。
図１６は、ＯＥＳデータが入力される各ネットワーク部に含まれる正規化部の処理の具体例を示す図である。図１６に示すように、第５のネットワーク部６２０＿５に含まれる各層のうち、第１層６２０＿５１は、正規化部１００１を有する。また、正規化部１００１は、ＯＥＳデータ１５２０を、第１の手法（最大の発光強度）で正規化することで、正規化データ（正規化ＯＥＳデータ１６１０）を生成する。
また、図１６に示すように、第６のネットワーク部６２０＿６に含まれる各層のうち、第１層６２０＿６１は、正規化部１０１１を有する。また、正規化部１０１１は、ＯＥＳデータ１５２０を、第２の手法（波長ごとに最大の発光強度）で正規化することで、正規化データ（正規化ＯＥＳデータ１６２０）を生成する。
図１７は、各正規化部の処理の具体例を示す図である。１７ａに示すように、正規化部１００１では、リサイズ処理されたＯＥＳデータ１５２０に基づいて、第１の手法により、データサイズが波長数（Ｎλ）×時間長（ＬＴ）で、１チャネルの正規化ＯＥＳデータ１６１０を生成する。
具体的には、正規化部１００１では、波長全体に対する所定の時間長分の発光強度の中から、発光強度の平均と標準偏差とを算出し、算出した値を用いて正規化処理を行い、正規化ＯＥＳデータ１６１０を生成する。第１の手法によれば、発光強度の絶対値は消えるが、波長間の相対的な発光強度を残すことができる。
一方、１７ｂに示すように、正規化部１０１１では、リサイズ処理されたＯＥＳデータ１５２０に基づいて、第２の手法により、データサイズが波長数（１）×時間長（ＬＴ）で、Ｎλチャネル分の正規化ＯＥＳデータ１６２０を生成する。
具体的には、正規化部１０１１では、それぞれの波長内での所定の時間長分の発光強度の中から、発光強度の平均と標準偏差とを算出し、算出した値を用いて、波長ごとに正規化処理を行い、正規化ＯＥＳデータ１６２０を生成する。第２の手法によれば、同じ波長内での所定の時間長における相対的な発光強度を残すことができる。
このように、何を基準として発光強度の変化を見るのかによって（つまり、解析のやり方によって）、同じ時系列データ群であっても、見える情報は変わってくる。第２の実施形態に係る仮想測定装置１６０では、異なる正規化処理に対し、それぞれ異なるネットワーク部を用いて同じ時系列データ群を処理する。このように複数の正規化処理を組み合わせることで、処理単位１２０における時系列データ群を多面的に解析することが可能となる。この結果、ＯＥＳデータ１５２０を１のネットワーク部を用いて１の正規化処理を実行する構成とした場合と比較して、高い推論精度を実現するモデル（推論部１６２）を生成することが可能となる。
＜プーリング部の処理の具体例＞
次に、第５のネットワーク部６２０＿５及び第６のネットワーク部６２０＿６の最終層に含まれるプーリング部の処理の具体例について説明する。図１８は、プーリング部の処理の具体例を示す図である。
上述したとおり、ウェハごとに異なるデータサイズのＯＥＳデータは、分岐部６１０にて、ミニバッチ単位でリサイズ処理が行われることで、同じデータサイズにされた後に、第５のネットワーク部６２０＿５及び第６のネットワーク部６２０＿６に入力される。
換言すると、第５のネットワーク部６２０＿５及び第６のネットワーク部６２０＿６に入力されるＯＥＳデータは、ミニバッチが異なれば、データサイズが異なることになる。
そこで、第５のネットワーク部６２０＿５及び第６のネットワーク部６２０＿６の最終層（第Ｎ層６２０＿５Ｎ、第Ｎ層６２０＿６Ｎ）に含まれるプーリング部１００４、１０１４では、ミニバッチ間で固定長のデータが出力されるようにプーリング処理を行う。
図１８は、プーリング部の処理の具体例を示す図である。図１８に示すように、プーリング部１００４、１０１４では、活性化関数部１００３、１０１３より出力された特徴データに対して、ＧＡＰ（Global Average Pooling）処理を行う。
図１８において、特徴データ１９１１＿１～１９１１＿ｍは、第５のネットワーク部６２０＿５の第Ｎ層６２０＿５Ｎのプーリング部１００４に入力される特徴データであって、ミニバッチ１に属するＯＥＳデータに基づいて生成された特徴データを示している。特徴データ１９１１＿１～１９１１＿ｍは、それぞれ、１チャネル分の特徴データを示している。
また、特徴データ１９１２＿１～１９１２＿ｍは、第５のネットワーク部６２０＿５の第Ｎ層６２０＿５Ｎのプーリング部１００４に入力される特徴データであって、ミニバッチ２に属するＯＥＳデータに基づいて生成された特徴データを示している。特徴データ１９１２＿１～１９１２＿ｍは、それぞれ、１チャネル分の特徴データを示している。
図１８から明らかなように、特徴データ１９１１＿１～１９１１＿ｍと特徴データ１９１２＿１～１９１２＿ｍとは、異なるミニバッチに属するため、データサイズが異なる。
同様に、特徴データ１９３１＿１～１９３１＿ｍは、第６のネットワーク部６２０＿６の第Ｎ層６２０＿６Ｎのプーリング部１０１４に入力される特徴データであって、ミニバッチ１に属するＯＥＳデータに基づいて生成された特徴データを示している。なお、特徴データ１９３１＿１～１９３１＿ｍには、それぞれ、Ｎλチャネル分の特徴データが含まれる。
また、特徴データ１９３２＿１～１９３２＿ｍは、第６のネットワーク部６２０＿６の第Ｎ層６２０＿６Ｎのプーリング部１０１４に入力される特徴データであって、ミニバッチ２に属するＯＥＳデータに基づいて生成された特徴データを示している。なお、特徴データ１９３２＿１～１９３２＿ｍには、それぞれ、Ｎλチャネル分の特徴データが含まれる。
図１８から明らかなように、特徴データ１９３１＿１～１９３１＿ｍと特徴データ１９３２＿１～１９３２＿ｍとは、異なるミニバッチに属するため、データサイズが異なる。
ここで、プーリング部１００４、１０１４では、入力された特徴データに含まれる各特徴量の値について、チャネル単位で平均値を算出することで、固定長の出力データを出力する。これにより、プーリング部１００４、１０１４より出力されるデータは、ミニバッチ間でデータサイズを同じにすることができる。
例えば、第５のネットワーク部６２０＿５の第Ｎ層６２０＿５Ｎのプーリング部１００４では、特徴データ１９１１＿１の平均値Ａｖｇ１－１－１を算出し、出力データ１９２１＿１を出力する。同様に、第５のネットワーク部６２０＿５の第Ｎ層６２０＿５Ｎのプーリング部１００４では、特徴データ１９１２＿１の平均値Ａｖｇ１－２－１を算出し、出力データ１９２２＿１を出力する。
これにより、プーリング部１００４では、例えば、データサイズの異なる特徴データ１９１１＿１と特徴データ１９１２＿１に対して、固定長の出力データ１９２１＿１及び出力データ１９２２＿１を出力することができる。
同様に、第６のネットワーク部６２０＿６の第Ｎ層６２０＿６Ｎのプーリング部１０１４では、特徴データ１９３１＿１について、チャネルごとに平均値Ａｖｇ２－１－１－１～Ａｖｇ２－１－１－Ｎλを算出し、出力データ１９４１＿１を出力する。同様に、第６のネットワーク部６２０＿６の第Ｎ層６２０＿６Ｎのプーリング部１０１４では、特徴データ１９３２＿１について、チャネルごとに平均値Ａｖｇ２－２－１－１～Ａｖｇ２－２－１－Ｎλを算出し、出力データ１９４２＿１を出力する。
これにより、プーリング部１０１４では、例えば、データサイズの異なる特徴データ１９３１＿１と特徴データ１９３２＿１に対して、固定長の出力データ１９４１＿１及び出力データ１９４２＿１を出力することができる。
＜プーリング部の処理の他の具体例＞
次に、第５のネットワーク部６２０＿５及び第６のネットワーク部６２０＿６の最終層に含まれるプーリング部の処理の他の具体例について説明する。図１９は、第５のネットワーク部の最終層に含まれるプーリング部の処理の他の具体例を示す図であり、ＳＰＰ処理を説明するための図である。
図１９に示すように、プーリング部１００４では、入力された特徴データを、分割せずに平均値を算出するとともに、４分割及び１６分割にして、各領域の平均値を算出することで、分割数に応じた固定長の出力データを出力する。
例えば、第５のネットワーク部６２０＿５の第Ｎ層６２０＿５Ｎのプーリング部１００４では、特徴データ１９１１＿１を分割することなく、特徴データ１９１１＿１の平均値Ａｖｇ１－１－１－１／１を算出する。また、第５のネットワーク部６２０＿５の第Ｎ層６２０＿５Ｎのプーリング部１００４では、特徴データ１９１１＿１を４分割し、各領域について平均値Ａｖｇ１－１－１－１／４～Ａｖｇ１－１－１－４／４を算出する。更に、第５のネットワーク部６２０＿５の第Ｎ層６２０＿５Ｎのプーリング部１００４では、特徴データ１９１１＿１を１６分割し、各領域について平均値Ａｖｇ１－１－１－１／１６～Ａｖｇ１－１－１－１６／１６を算出する。
また、第５のネットワーク部６２０＿５の第Ｎ層６２０＿５Ｎのプーリング部１００４では、特徴データ１９１２＿１を分割することなく、特徴データ１９１２＿１の平均値Ａｖｇ１－２－１－１／１を算出する。また、第５のネットワーク部６２０＿５の第Ｎ層６２０＿５Ｎのプーリング部１００４では、特徴データ１９１２＿１を４分割し、各領域について平均値Ａｖｇ１－２－１－１／４～Ａｖｇ１－２－１－４／４を算出する。更に、第５のネットワーク部６２０＿５の第Ｎ層６２０＿５Ｎのプーリング部１００４では、特徴データ１９１２＿１を１６分割し、各領域について平均値Ａｖｇ１－２－１－１／１６～Ａｖｇ１－２－１－１６／１６を算出する。
これにより、プーリング部１００４では、例えば、データサイズの異なる特徴データ１９１１＿１と特徴データ１９１２＿１に対して、固定長の出力データ２０１０＿１及び出力データ２０１１＿１を出力することができる。
次に、第６のネットワーク部６２０＿６の第Ｎ層６２０＿６Ｎに含まれるプーリング部１０１４の詳細について説明する。図２０は、第６のネットワーク部の最終層に含まれるプーリング部の処理の他の具体例を示す図であり、ＳＰＰ処理を説明するための図である。
図２０に示すように、プーリング部１０１４では、入力された特徴データの各チャネルを、分割せずに平均値を算出するとともに、４分割及び１６分割にして、各領域の平均値を算出することで、分割数に応じた固定長の出力データを出力する。
例えば、第６のネットワーク部６２０＿６の第Ｎ層６２０＿６Ｎのプーリング部１０１４では、特徴データ１９３１＿１のチャネル１を分割することなく、特徴データ１９３１＿１のチャネル１の平均値Ａｖｇ２－１－１－１－１／１を算出する。また、第６のネットワーク部６２０＿６の第Ｎ層６２０＿６Ｎのプーリング部１０１４では、特徴データ１９３１＿１のチャネル１を４分割し、各領域について平均値Ａｖｇ２－１－１－１－１／４～Ａｖｇ２－１－１－１－４／４を算出する。更に、第６のネットワーク部６２０＿６の第Ｎ層６２０＿６Ｎのプーリング部１０１４では、特徴データ１９３１＿１のチャネル１を１６分割し、各領域について平均値Ａｖｇ２－１－１－１－１／１６～Ａｖｇ２－１－１－１－１６／１６を算出する。
第６のネットワーク部６２０＿６の第Ｎ層６２０＿６Ｎのプーリング部１０１４では、これらの処理をＮλチャネル分について行うことで、出力データ２１００＿１を生成する。
同様に、第６のネットワーク部６２０＿６の第Ｎ層６２０＿６Ｎのプーリング部１０１４では、特徴データ１９３２＿１のチャネル１を分割することなく、特徴データ１９３２＿１のチャネル１の平均値Ａｖｇ２－２－１－１－１／１を算出する。また、第６のネットワーク部６２０＿６の第Ｎ層６２０＿６Ｎのプーリング部１０１４では、特徴データ１９３２＿１のチャネル１を４分割し、各領域について平均値Ａｖｇ２－２－１－１－１／４～Ａｖｇ２－２－１－１－４／４を算出する。更に、第６のネットワーク部６２０＿６の第Ｎ層６２０＿６Ｎのプーリング部１０１４では、特徴データ１９３２＿１のチャネル１を１６分割し、各領域について平均値Ａｖｇ２－２－１－１－１／１６～Ａｖｇ２－２－１－１－１６／１６を算出する。
第６のネットワーク部６２０＿６の第Ｎ層６２０＿６Ｎのプーリング部１０１４では、これらの処理をＮλチャネル分について行うことで、出力データ２１０１＿１を生成する。
これにより、プーリング部１０１４では、例えば、データサイズの異なる特徴データ１９３１＿１と特徴データ１９３２＿１に対して、固定長の出力データ２１００＿１及び出力データ２１０１＿１を出力することができる。
＜仮想測定データの評価＞
次に、推論部１６２より出力される仮想測定データ（推論結果）の精度について説明する。図２１は、推論部による推論結果の精度を説明するための第１の図である。なお、図２１の例は、１のチャンバを処理単位１２０と定義した場合において、各チャンバ（ここでは、チャンバＡ～チャンバＤまでの４つのチャンバ）において、仮想測定データと検査データとを対比したことを示している。
なお、検査データは、ここでは、ＥＲ値であるとして説明する。また、図２１に示す各グラフにおいて、横軸は、仮想測定データの値を、縦軸は、検査データの値をそれぞれ示している。つまり、図２１に示す各グラフにおいてプロットされた点は、傾きが“１”の直線に近いほど、仮想測定データの値と検査データの値とが一致していることを表している。一方、プロットされた点は、傾きが“１”の直線から離れているほど、仮想測定データの値と検査データの値との差が大きいことを表している。
このうち、２１ａは、
・処理単位であるチャンバＡにおいて、処理前ウェハ１１０が処理され、処理後ウェハ１３０を検査することで取得されたＥＲ値と、
・処理単位であるチャンバＡにおいて、処理前ウェハ１１０の処理に伴い測定されたＯＥＳデータに基づいて推論された仮想測定データと、
の関係をプロットしたものである。
また、２１ｂは、
・処理単位のチャンバＢにおいて、処理前ウェハ１１０が処理され、処理後ウェハ１３０を検査することで取得されたＥＲ値と、
・処理単位のチャンバＢにおいて、処理前ウェハ１１０の処理に伴い測定されたＯＥＳデータに基づいて推論された仮想測定データと、
の関係をプロットしたものである。
また、２１ｃは、
・処理単位のチャンバＣにおいて、処理前ウェハ１１０が処理され、処理後ウェハ１３０を検査することで取得されたＥＲ値と、
・処理単位のチャンバＣにおいて、処理前ウェハ１１０の処理に伴い測定されたＯＥＳデータに基づいて推論された仮想測定データと、
の関係をプロットしたものである。
また、２１ｄは、
・処理単位のチャンバＤにおいて、処理前ウェハ１１０が処理され、処理後ウェハ１３０を検査することで取得されたＥＲ値と、
・処理単位のチャンバＤにおいて、処理前ウェハ１１０の処理に伴い測定されたＯＥＳデータに基づいて推論され仮想測定データと、
の関係をプロットしたものである。
２１ａ～２１ｄに示すように、いずれのプロットも、概ね傾きが１の直線に近い位置にあり、チャンバによらず、良好な結果が得られているということができる。つまり、推論部１６２は、いずれのチャンバにも適用することができ、従来のように、チャンバごとに異なるモデルを生成する必要がないという利点を有する。
なお、２１ａ～２１ｄは、いずれのチャンバにも適用できることを示した例であるが、推論部１６２は、異なるチャンバのみならず、同一チャンバのメンテナンス前後にも適用することができる。つまり、推論部１６２は、従来のように、チャンバのメンテナンスに伴って、モデルをメンテナンスする必要がないため、モデルの管理コストを低減できるという利点を有する。
図２２は、推論部による推論結果の精度を説明するための第２の図である。図２２において、符号２３１０は、一般的な畳み込みニューラルネットワークにより構成されたネットワーク部を有する推論部を用いて推論した場合の仮想測定データと検査データとの誤差を評価した評価値である。また、符号２３２０は、推論部１６２を用いて推論した場合の仮想測定データと検査データとの誤差を評価した評価値である。
なお、図２２の例では、評価値として、相関係数の２乗（決定係数）と、ＭＡＰＥ（Mean Absolute Percentage Error：平均絶対パーセント誤差）とを用いている。また、図２２の例では、処理単位であるチャンバＡ～Ｄすべてのプロットについての評価値と、処理単位であるチャンバＡ～Ｄそれぞれのプロットについての評価値とを算出している。
図２２に示すように、一般的な畳み込みニューラルネットワークにより構成されたネットワーク部を有する推論部よりも、推論部１６２の方が、いずれの評価値も良好な結果となっている。つまり、推論部１６２によれば、従来よりも高精度な仮想測定処理を実行することができる。
＜まとめ＞
以上の説明から明らかなように、第２の実施形態に係る仮想測定装置は、
・製造プロセスの所定の処理単位における対象物の処理に伴い、発光分光分析装置にて測定された時系列データ群であるＯＥＳデータを取得する。また、取得したＯＥＳデータを、異なる手法で正規化し、それぞれ異なるネットワーク部を用いて処理した各出力データを合成する。
・各出力データを合成することで得た合成結果が、製造プロセスの所定の処理単位において、対象物を処理した後の結果物の検査データ（ＥＲ値）に近づくよう、異なるネットワーク部を機械学習する。
このように、ＯＥＳデータを、異なるネットワーク部を用いて処理する構成としたうえで機械学習することで、製造プロセスの所定の処理単位を多面的に解析することができる。この結果、ＯＥＳデータを１のネットワーク部を用いて処理する構成とした場合と比較して、高い推論精度を実現するモデルを生成することが可能となる。
つまり、第２の実施形態によれば、高精度な仮想測定処理を実行可能な仮想測定装置を提供することができる。
また、第２の実施形態に係る仮想測定装置は、
・異なるネットワーク部に入力するＯＥＳデータに対してリサイズ処理を行い、ミニバッチ単位でデータサイズが同じＯＥＳデータを生成する。
・ネットワーク部の最終層において、ＧＡＰ処理またはＳＰＰ処理を行うことで、ミニバッチ間で同じデータサイズにして、固定長の出力データを出力する。
これにより、第２の実施形態によれば、可変長のＯＥＳデータが入力された場合でも、機械学習アルゴリズムにより推論部を生成することが可能となる。
［その他の実施形態］
上記第２の実施形態では、正規化部１００１が行う正規化処理として、
・波長全体に対する所定の時間長分の発光強度の中から算出した、発光強度の平均と標準偏差とを用いて行う正規化処理、
・それぞれの波長内での所定の時間長分の発光強度の中から算出した、発光強度の平均と標準偏差とを用いて行う正規化処理、
を例示した。しかしながら、正規化部１００１が正規化処理を行う際に用いる統計値は様々であり、例えば、発光強度の最大値と標準偏差とを用いて正規化処理を行ってもよいし、その他の統計値を用いて正規化処理を行ってもよい。また、いずれの統計値を用いて正規化処理を行うかは選択できるように構成されていてもよい。
また、上記第２の実施形態では、時系列データ群がＯＥＳデータである場合について説明した。しかしながら、上記第２の実施形態で用いる時系列データ群は、ＯＥＳデータに限定されず、ＯＥＳデータとＯＥＳデータ以外の時系列データとを組み合わせた時系列データ群を用いてもよい。
また、上記第２の実施形態では、異なるネットワーク部それぞれに、同じ時系列データ群を入力するものとして説明したが、異なるネットワーク部それぞれに入力する時系列データ群は、同じ時系列データ群であっても、異なる時系列データ群であってもよい。また、一部が互いに重複した時系列データ群であってもよい。同じ傾向の時系列データがそれぞれの時系列データ群に含まれている場合、同様の効果が見込まれるからである。
また、上記第２の実施形態では、ネットワーク部の最終層においてＧＡＰ処理またはＳＰＰ処理を行うものとして説明したが、これらの処理は、第１の実施形態において説明したネットワーク部の最終層において行われるように構成してもよい。
また、上記第２の実施形態では、プーリング部１０１４がＳＰＰ処理を行う際、特徴データを、３通りの分割方法（分割なし、４分割、１６分割）で分割するものとして説明したが、分割方法は３通りに限定されない。また、分割数も、０、４、１６に限定されない。
また、上記第１及び第２の実施形態では、学習部１６１の第１のネットワーク部６２０＿１～第Ｍのネットワーク部６２０＿Ｍの機械学習アルゴリズムを、畳み込みニューラルネットワークをベースに構成するものとして説明した。しかしながら、学習部１６１の第１のネットワーク部６２０＿１～第Ｍのネットワーク部６２０＿Ｍの機械学習アルゴリズムは、畳み込みニューラルネットワークに限定されず、他の機械学習アルゴリズムをベースに構成してもよい。
また、上記第２の実施形態では、検査データとして、ＥＲ値を用いる場合について説明したが、ＣＤ（Critical Dimension）値等を用いてもよい。
また、上記第１及び第２の実施形態では、仮想測定装置１６０が学習部１６１及び推論部１６２として機能するものとして説明した。しかしながら、学習部１６１として機能する装置と、推論部１６２として機能する装置とは一体である必要はなく、別体により構成してもよい。つまり、仮想測定装置１６０は、推論部１６２を有していない学習部１６１として機能させてもよいし、学習部１６１を有していない推論部１６２として機能させてもよい。
なお、上記実施形態に挙げた構成等に、その他の要素との組み合わせ等、ここで示した構成に本発明が限定されるものではない。これらの点に関しては、本発明の趣旨を逸脱しない範囲で変更することが可能であり、その応用形態に応じて適切に定めることができる。
本出願は、２０１８年１１月３０日に出願された日本国特許出願第２０１８－２２５６７６号に基づきその優先権を主張するものであり、同日本国特許出願の全内容を参照することにより本願に援用する。
１００ ：システム
１１０ ：処理前ウェハ
１２０ ：処理単位
１３０ ：処理後ウェハ
１４０＿１～１４０＿ｎ ：時系列データ取得装置
１５０ ：検査データ取得装置
１６０ ：仮想測定装置
１６１ ：学習部
１６２ ：推論部
２００ ：半導体製造装置
６１０ ：分岐部
６２０＿１ ：第１のネットワーク部
６２０＿１１～６２０＿１Ｎ ：第１層～第Ｎ層
６２０＿２ ：第２のネットワーク部
６２０＿２１～６２０＿２Ｎ ：第１層～第Ｎ層
６２０＿Ｍ ：第Ｍのネットワーク部
６２０＿Ｍ１～６２０＿ＭＮ ：第１層～第Ｎ層
６３０ ：連結部
６４０ ：比較部
１００１、１０１１ ：正規化部
１００４、１０１４ ：プーリング部
１２１０ ：分岐部
１２２０＿１ ：第１のネットワーク部
１２２０＿１１～１２２０＿１Ｎ ：第１層～第Ｎ層
１２２０＿２ ：第２のネットワーク部
１２２０＿２１～１２２０＿２Ｎ ：第１層～第Ｎ層
１２２０＿Ｍ ：第Ｍのネットワーク部
１２２０＿Ｍ１～１２２０＿ＭＮ ：第１層～第Ｎ層
１２４０ ：連結部
１２５０ ：比較部
１４０１ ：発光分光分析装置
１５２０ ：ＯＥＳデータ
１６１０、１６２０ ：正規化ＯＥＳデータ

Claims (18)

  1. 製造プロセスの所定の処理単位において、対象物の処理に伴い測定された時系列データ群を取得する取得部と、
    取得した前記時系列データ群を処理する複数のネットワーク部と、該複数のネットワーク部を用いて処理することで出力された各出力データを合成する連結部とを含み、該連結部より出力された合成結果が、前記製造プロセスの前記所定の処理単位において前記対象物を処理した際の結果物の検査データに近づくよう、前記複数のネットワーク部及び前記連結部を機械学習する学習部と
    を有する仮想測定装置。
  2. 新たな対象物について取得した時系列データ群を、機械学習された前記複数のネットワーク部を用いて処理することで、機械学習された前記連結部より出力された合成結果を、前記新たな対象物を処理した際の結果物の検査データとして推論する推論部を更に有する請求項１に記載の仮想測定装置。
  3. 製造プロセスの所定の処理単位において、対象物の処理に伴い測定された時系列データ群を取得する取得部と、
    取得した前記時系列データ群を処理する複数のネットワーク部と、該複数のネットワーク部を用いて処理することで出力された各出力データを合成する連結部とを含み、該連結部より出力された合成結果を、前記対象物を処理した際の結果物の検査データとして推論する推論部と、を有し、
    前記複数のネットワーク部及び前記連結部は、予め取得された時系列データ群を前記複数のネットワーク部を用いて処理することで、前記連結部より出力された合成結果が、製造プロセスの所定の処理単位において対象物を処理した際の結果物の検査データに近づくように機械学習されている、仮想測定装置。
  4. 前記学習部は、
    取得した前記時系列データ群を第１の基準及び第２の基準に応じてそれぞれ処理することで、第１の時系列データ群と第２の時系列データ群とを生成し、各時系列データ群を異なる前記ネットワーク部を用いて処理することで前記連結部より出力された合成結果が、前記製造プロセスの前記所定の処理単位において前記対象物を処理した際の結果物の検査データに近づくよう、前記異なるネットワーク部及び前記連結部を機械学習する、請求項１に記載の仮想測定装置。
  5. 新たな対象物について取得した時系列データ群を前記第１の基準及び前記第２の基準に応じてそれぞれ処理することで、第１の時系列データ群と第２の時系列データ群とを生成し、各時系列データ群を、機械学習された前記異なるネットワーク部を用いて処理することで、機械学習された前記連結部より出力された合成結果を、前記新たな対象物を処理した際の結果物の検査データとして推論する推論部を更に有する請求項４に記載の仮想測定装置。
  6. 前記学習部は、
    取得した前記時系列データ群をデータ種類または時間範囲に応じてグループ分けし、各グループを異なる前記ネットワーク部を用いて処理することで前記連結部より出力された合成結果が、前記製造プロセスの前記所定の処理単位において前記対象物を処理した際の結果物の検査データに近づくよう、前記異なるネットワーク部及び前記連結部を機械学習する、請求項１に記載の仮想測定装置。
  7. 新たな対象物について取得した時系列データ群を前記データ種類または前記時間範囲に応じてグループ分けし、各グループを、機械学習された前記異なるネットワーク部を用いて処理することで、機械学習された前記連結部より出力された合成結果を、前記新たな対象物を処理した際の結果物の検査データとして推論する推論部を更に有する請求項６に記載の仮想測定装置。
  8. 前記学習部は、
    取得した前記時系列データ群を、異なる手法で正規化を行う正規化部をそれぞれに含む異なるネットワーク部を用いて処理することで前記連結部より出力された合成結果が、前記製造プロセスの前記所定の処理単位において前記対象物を処理した際の結果物の検査データに近づくよう、前記異なるネットワーク部及び前記連結部を機械学習する、請求項１に記載の仮想測定装置。
  9. 新たな対象物について取得した時系列データ群を、機械学習された前記異なるネットワーク部を用いて処理することで、機械学習された前記連結部より出力された合成結果を、前記新たな対象物を処理した際の結果物の検査データとして推論する推論部を更に有する請求項８に記載の仮想測定装置。
  10. 前記学習部は、
    前記所定の処理単位内の第１の処理空間における前記対象物の処理に伴い測定された第１の時系列データ群と、第２の処理空間における前記対象物の処理に伴い測定された第２の時系列データ群とを、異なる前記ネットワーク部を用いて処理することで前記連結部より出力された合成結果が、前記製造プロセスの前記所定の処理単位において前記対象物を処理した際の結果物の検査データに近づくよう、前記異なるネットワーク部及び前記連結部を機械学習する、請求項１に記載の仮想測定装置。
  11. 新たな対象物について、所定の処理単位内の第１の処理空間における処理に伴い測定された第１の時系列データ群と、第２の処理空間における処理に伴い測定された第２の時系列データ群とを、機械学習された前記異なるネットワーク部を用いて処理することで、機械学習された前記連結部より出力された合成結果を、前記新たな対象物を処理した際の結果物の検査データとして推論する推論部を更に有する請求項１０に記載の仮想測定装置。
  12. 前記時系列データ群は、基板処理装置における処理に伴い測定されたデータである、請求項１に記載の仮想測定装置。
  13. 前記時系列データ群は、基板処理装置における処理に伴い発光分光分析装置により測定されたデータであって、各時間に測定された各波長の発光強度を示すデータである、請求項８に記載の仮想測定装置。
  14. 前記異なるネットワーク部のうち、第１のネットワーク部に含まれる前記正規化部は、前記時系列データ群に基づき、各波長の所定の時間長分の発光強度を示す１チャネルのデータを生成し、生成した１チャネルのデータについて正規化を行う、請求項１３に記載の仮想測定装置。
  15. 前記異なるネットワーク部のうち、第２のネットワーク部に含まれる前記正規化部は、前記時系列データ群に基づき、１つの波長の所定の時間長分の発光強度を示すデータを、波長の数に応じたチャネルだけ生成し、生成した各チャネルのデータについて正規化を行う、請求項１３に記載の仮想測定装置。
  16. 前記異なるネットワーク部の各層のうち、最終層に含まれるプーリング部は、ＧＡＰ処理またはＳＰＰ処理を行う、請求項８に記載の仮想測定装置。
  17. 製造プロセスの所定の処理単位において、対象物の処理に伴い測定された時系列データ群を取得する取得工程と、
    取得した前記時系列データ群を処理する複数のネットワーク部と、該複数のネットワーク部を用いて処理することで出力された各出力データを合成する連結部とを含む学習部において、該連結部より出力された合成結果が、前記製造プロセスの前記所定の処理単位において前記対象物を処理した際の結果物の検査データに近づくよう、前記複数のネットワーク部及び前記連結部を機械学習する学習工程と
    を有する仮想測定方法。
  18. 製造プロセスの所定の処理単位において、対象物の処理に伴い測定された時系列データ群を取得する取得工程と、
    取得した前記時系列データ群を処理する複数のネットワーク部と、該複数のネットワーク部を用いて処理することで出力された各出力データを合成する連結部とを含む学習部において、該連結部より出力された合成結果が、前記製造プロセスの前記所定の処理単位において前記対象物を処理した際の結果物の検査データに近づくよう、前記複数のネットワーク部及び前記連結部を機械学習する学習工程と
    をコンピュータに実行させるための仮想測定プログラム。
JP2020557874A 2018-11-30 2019-11-29 仮想測定装置、仮想測定方法及び仮想測定プログラム Active JP7118170B2 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2018225676 2018-11-30
JP2018225676 2018-11-30
PCT/JP2019/046869 WO2020111258A1 (ja) 2018-11-30 2019-11-29 仮想測定装置、仮想測定方法及び仮想測定プログラム

Publications (2)

Publication Number Publication Date
JPWO2020111258A1 JPWO2020111258A1 (ja) 2021-11-11
JP7118170B2 true JP7118170B2 (ja) 2022-08-15

Family

ID=70853036

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2020557874A Active JP7118170B2 (ja) 2018-11-30 2019-11-29 仮想測定装置、仮想測定方法及び仮想測定プログラム

Country Status (6)

Country Link
US (1) US20220011747A1 (ja)
JP (1) JP7118170B2 (ja)
KR (1) KR20210096155A (ja)
CN (1) CN113169036A (ja)
TW (1) TWI829807B (ja)
WO (1) WO2020111258A1 (ja)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2021086572A (ja) * 2019-11-29 2021-06-03 東京エレクトロン株式会社 予測装置、予測方法及び予測プログラム
JP2021086571A (ja) * 2019-11-29 2021-06-03 東京エレクトロン株式会社 異常検知装置、異常検知方法及び異常検知プログラム

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7481956B2 (ja) * 2020-08-26 2024-05-13 株式会社東芝 推論装置、方法、プログラムおよび学習装置
KR102486460B1 (ko) * 2020-08-31 2023-01-09 (주)브릭 시계열 데이터의 특징값을 기반으로 예측값 및 특징 중요도 산출을 수행하는 가상 계측 방법 및 그를 위한 장치
KR102486461B1 (ko) * 2020-08-31 2023-01-09 (주)브릭 시계열 데이터의 특징값을 기반으로 예측값 및 시계열 구간별 특징 중요도 산출을 수행하는 가상 계측 방법 및 그를 위한 장치
KR102486462B1 (ko) * 2020-08-31 2023-01-09 (주)브릭 열화에 따른 패턴 학습을 이용한 이상 감지 방법 및 그를 위한 장치
KR102486463B1 (ko) * 2020-08-31 2023-01-09 (주)브릭 열화에 따른 시계열 데이터를 이용한 실시간 이상 감지 방법 및 그를 위한 장치
WO2022233562A1 (en) * 2021-05-06 2022-11-10 Asml Netherlands B.V. Causal convolution network for process control
KR20240022553A (ko) * 2021-06-17 2024-02-20 도쿄엘렉트론가부시키가이샤 기판 처리 장치, 데이터 처리 방법 및 데이터 처리 프로그램

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010119894A1 (ja) 2009-04-14 2010-10-21 シャープ株式会社 出来映え予測装置、出来映え予測方法、出来映え予測プログラム、及び、プログラム記録媒体
JP2012004181A (ja) 2010-06-14 2012-01-05 Sharp Corp 特性予測装置、特性予測方法、特性予測プログラムおよびプログラム記録媒体
JP2014507801A (ja) 2011-01-19 2014-03-27 東京エレクトロン株式会社 ツール操作パラメータ及び材料測定と分光情報を関連付けることによるツール性能の改良
WO2018101722A2 (ko) 2016-11-30 2018-06-07 에스케이 주식회사 머신 러닝 기반 반도체 제조 수율 예측 시스템 및 방법

Family Cites Families (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7062411B2 (en) * 2003-06-11 2006-06-13 Scientific Systems Research Limited Method for process control of semiconductor manufacturing equipment
DE10339924B4 (de) * 2003-08-29 2011-05-05 Infineon Technologies Ag ESD-Testanordnung und Verfahren
TWI267012B (en) * 2004-06-03 2006-11-21 Univ Nat Cheng Kung Quality prognostics system and method for manufacturing processes
JP5157359B2 (ja) * 2006-10-10 2013-03-06 オムロン株式会社 時系列データ解析装置、時系列データ解析システム、時系列データ解析装置の制御方法、プログラム、および記録媒体
KR101150791B1 (ko) * 2007-09-11 2012-06-13 도쿄엘렉트론가부시키가이샤 정보 처리 장치, 정보 처리 방법 및, 프로그램이 기록된 컴퓨터 판독가능 기록매체
TWI349867B (en) 2008-05-20 2011-10-01 Univ Nat Cheng Kung Server and system and method for automatic virtual metrology
US8041451B2 (en) * 2009-04-21 2011-10-18 Taiwan Semiconductor Manufacturing Company, Ltd. Method for bin-based control
US8437870B2 (en) * 2009-06-05 2013-05-07 Taiwan Semiconductor Manufacturing Company, Ltd. System and method for implementing a virtual metrology advanced process control platform
CN101976045B (zh) * 2010-08-25 2012-05-23 江苏大学 用于tft-lcd蚀刻制程的面板品质虚拟量测方法与系统
CN101963802B (zh) * 2010-08-25 2012-08-15 江苏大学 批次制程的虚拟量测方法与系统
JP5933985B2 (ja) * 2012-02-15 2016-06-15 株式会社日立ハイテクノロジーズ レシピ実行時間演算装置および半導体検査装置
US10242142B2 (en) * 2013-03-14 2019-03-26 Coventor, Inc. Predictive 3-D virtual fabrication system and method
US9183624B2 (en) * 2013-06-19 2015-11-10 Kla-Tencor Corp. Detecting defects on a wafer with run time use of design data
CN103617329A (zh) * 2013-12-12 2014-03-05 西安工业大学 一种基于人工神经网络和虚拟装配的装配时间评价方法
US20150332167A1 (en) * 2014-05-13 2015-11-19 Tokyo Electron Limited System and method for modeling and/or analyzing manufacturing processes
CN107004060B (zh) * 2014-11-25 2022-02-18 Pdf决策公司 用于半导体制造工艺的经改进工艺控制技术
JP6559433B2 (ja) * 2015-02-17 2019-08-14 Hoya株式会社 フォトマスクの製造方法、描画装置、フォトマスクの検査方法、フォトマスクの検査装置、及び表示装置の製造方法
JP6625914B2 (ja) * 2016-03-17 2019-12-25 ファナック株式会社 機械学習装置、レーザ加工システムおよび機械学習方法
JP2018105659A (ja) * 2016-12-23 2018-07-05 国立研究開発法人理化学研究所 識別装置、識別システム、学習装置、学習方法、識別プログラム、学習プログラム、記録媒体、及び集積回路
JP6964857B2 (ja) * 2017-03-28 2021-11-10 国立大学法人神戸大学 画像認識装置、画像認識方法、コンピュータプログラム、及び製品監視システム
JP6860406B2 (ja) * 2017-04-05 2021-04-14 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

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010119894A1 (ja) 2009-04-14 2010-10-21 シャープ株式会社 出来映え予測装置、出来映え予測方法、出来映え予測プログラム、及び、プログラム記録媒体
JP2012004181A (ja) 2010-06-14 2012-01-05 Sharp Corp 特性予測装置、特性予測方法、特性予測プログラムおよびプログラム記録媒体
JP2014507801A (ja) 2011-01-19 2014-03-27 東京エレクトロン株式会社 ツール操作パラメータ及び材料測定と分光情報を関連付けることによるツール性能の改良
WO2018101722A2 (ko) 2016-11-30 2018-06-07 에스케이 주식회사 머신 러닝 기반 반도체 제조 수율 예측 시스템 및 방법

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2021086572A (ja) * 2019-11-29 2021-06-03 東京エレクトロン株式会社 予測装置、予測方法及び予測プログラム
JP2021086571A (ja) * 2019-11-29 2021-06-03 東京エレクトロン株式会社 異常検知装置、異常検知方法及び異常検知プログラム
JP7452990B2 (ja) 2019-11-29 2024-03-19 東京エレクトロン株式会社 異常検知装置、異常検知方法及び異常検知プログラム

Also Published As

Publication number Publication date
WO2020111258A1 (ja) 2020-06-04
TW202038034A (zh) 2020-10-16
KR20210096155A (ko) 2021-08-04
US20220011747A1 (en) 2022-01-13
TWI829807B (zh) 2024-01-21
JPWO2020111258A1 (ja) 2021-11-11
CN113169036A (zh) 2021-07-23

Similar Documents

Publication Publication Date Title
JP7118170B2 (ja) 仮想測定装置、仮想測定方法及び仮想測定プログラム
JP7412150B2 (ja) 予測装置、予測方法及び予測プログラム
KR102179988B1 (ko) 오버레이 오차, 근본 원인 분석 및 공정 제어의 피드 포워드 및 피드백 정정을 위한 통계적 오버레이 오차 예측
TWI503763B (zh) 半導體處理控制方法和電腦可讀取紀錄媒體
US7774153B1 (en) Computer-implemented methods, carrier media, and systems for stabilizing output acquired by an inspection system
US8452439B2 (en) Device performance parmeter tuning method and system
US9934351B2 (en) Wafer point by point analysis and data presentation
US20090117673A1 (en) Failure detecting method, failure detecting apparatus, and semiconductor device manufacturing method
TW201514513A (zh) 晶圓的可適性電性測試
JP2024072841A (ja) 異常検知装置、異常検知方法及び異常検知プログラム
US7533313B1 (en) Method and apparatus for identifying outlier data
JP7224492B2 (ja) 推論装置、推論方法及び推論プログラム
US7299154B1 (en) Method and apparatus for fast disturbance detection and classification
JP4600803B2 (ja) 埋め込まれたリング発振器を備えた非破壊光波測定構造、およびこの構造を使用した方法
US8874252B2 (en) Comprehensive analysis of queue times in microelectronic manufacturing
US11469122B2 (en) Semiconductor process analysis device, semiconductor process analysis method, and storage medium
US11449979B2 (en) Measuring a pattern
US10678226B1 (en) Adaptive numerical aperture control method and system
US6769111B2 (en) Computer-implemented method of process analysis

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20210518

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20210518

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: 20220705

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20220802

R150 Certificate of patent or registration of utility model

Ref document number: 7118170

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150