JP7148644B2 - 探索装置、探索プログラム及びプラズマ処理装置 - Google Patents

探索装置、探索プログラム及びプラズマ処理装置 Download PDF

Info

Publication number
JP7148644B2
JP7148644B2 JP2020568572A JP2020568572A JP7148644B2 JP 7148644 B2 JP7148644 B2 JP 7148644B2 JP 2020568572 A JP2020568572 A JP 2020568572A JP 2020568572 A JP2020568572 A JP 2020568572A JP 7148644 B2 JP7148644 B2 JP 7148644B2
Authority
JP
Japan
Prior art keywords
parameter value
input parameter
processing
value
search
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
JP2020568572A
Other languages
English (en)
Other versions
JPWO2021111511A1 (ja
Inventor
裕 奥山
健史 大森
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.)
Hitachi High Tech Corp
Original Assignee
Hitachi High Tech Corp
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 Hitachi High Tech Corp filed Critical Hitachi High Tech Corp
Publication of JPWO2021111511A1 publication Critical patent/JPWO2021111511A1/ja
Application granted granted Critical
Publication of JP7148644B2 publication Critical patent/JP7148644B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N99/00—Subject matter not provided for in other groups of this subclass
    • H—ELECTRICITY
    • H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
    • H05H—PLASMA TECHNIQUE; PRODUCTION OF ACCELERATED ELECTRICALLY-CHARGED PARTICLES OR OF NEUTRONS; PRODUCTION OR ACCELERATION OF NEUTRAL MOLECULAR OR ATOMIC BEAMS
    • H05H1/00—Generating plasma; Handling plasma
    • H05H1/24—Generating plasma

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Plasma & Fusion (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Drying Of Semiconductors (AREA)
  • Chemical Vapour Deposition (AREA)

Description

本発明は、最適解を探索する探索装置、探索プログラム及び処理の最適化を行う機能を有するプラズマ処理装置に関する。
近年、半導体デバイスの性能向上のため、半導体デバイスに新材料が導入され、同時に半導体デバイスの構造が立体化・複雑化している。また、現在の先端半導体デバイスの加工では、ナノメートルレベルの精度が要求される。このため、半導体処理装置は多種の材料を種々の形状に極めて高精度に加工できる必要があり、必然的に多数の制御パラメータ（入力パラメータ）を備えた装置になっている。
それに伴い、半導体処理装置の性能をフルに引き出すためには、数種から数十種にも及ぶ制御パラメータを決定することが必要となる。従って、装置の性能が向上するにつれ、装置は複雑化し、所望の加工結果が得られる制御パラメータの組み合わせを突き止めることが、ますます困難になっている。これは、デバイス開発の長期化を引き起こし、開発コストが増大する原因となる。このため、半自動的に最適な制御パラメータを探索し、装置の性能を容易に引き出せる機能や装置が求められるようになっている。
特許文献１は、エッチング装置及び加工形状評価装置と連動して、所望の加工形状を与える加工条件をモデルの学習を通して自律的に探索する方法及び装置を開示している。
一方、制御パラメータの探索を最適解探索問題として捉えた場合、効率的探索には、探索パラメータ数が少ないことや探索範囲を絞ることが必要である。特許文献２、特許文献３、特許文献４はモデルパラメータ数を削減する方法を開示している。特許文献５、特許文献６は探索範囲を絞る方法を開示している。
特開２０１９－０４０９８４号公報 特開２０１９－０４６３８０号公報 特開２０１５－１６２１１３号公報 特開２０１９－０７９２１４号公報 特開２０１７－１５７１１２号公報 特開２０１７－１０２６１９号公報
特許文献１の方法は、少数個の加工条件と加工結果の組からなる学習データセットを用意し、モデルを学習させた後、学習済みモデルを用いて所望の加工結果を与える加工条件を逆算する。加工条件パラメータ数が１０個程度なら、数分で加工条件が得られる。探索した加工条件に対する検証実験を行い、所望の結果が得られなければ、実験結果を学習データセットに追加して、モデルの学習から繰り返す。モデルの学習、加工条件推定、実験による検証を何回も繰り返すので、加工条件推定に要する時間は実験に要する時間と同程度（最長でも１時間位）である必要がある。
一方、現在のエッチング装置の処理条件（以下、レシピと呼ぶ）は、加工する材料の複合化、加工形状の微細化・複雑化に伴い、マルチステップ型になっている。マルチステップ型では、ステップごとにエッチング装置の処理条件を変えながら加工を行う。ステップ数は１０～３０に及び、かつ１ステップ当たりの制御パラメータは数十個あるため、決定しなければならない制御パラメータ数は全部で数百に達する。特許文献１では加工条件探索方法としてランダムサーチ法が用いることを開示しているが、数百次元のパラメータ空間の最適解を実用的な計算時間で求めることは現在の計算機能力では不可能である。
特許文献２は、モデルをコンパクトにするためにモデルを２段とし、前段のモデルの出力を圧縮し、後段の入力パラメータとすることにより後段のモデルをコンパクトにしているが、元の入力パラメータ数の削減にはなっていない。
特許文献３は、モデルパラメータの重複を削除し、モデルのコンパクト化を図っているが、入力パラメータ数の削減にはなっていない。
特許文献４は、主成分分析などの次元削減方法を用いているが、モデルのハイパーパラメータ数の削減であり、入力パラメータの削減にはなっていない。
特許文献５と特許文献６は、制御パラメータの探索範囲を絞るために、装置を模擬するシミュレータを利用しているが、シミュレータが存在しない場合には適用できない。
このように、いずれの先行技術文献も膨大な探索パラメータを有するモデルに対して効率的に最適解を探索できる方法を開示していない。本発明は、膨大な探索パラメータを有するモデルに対しても、最適解を実用的な時間で探索することを可能にする探索装置、探索プログラムを提供することを目的とする。
本発明の一態様である探索装置は、処理装置が行う所定の処理の処理結果が目標出力パラメータ値を満たすよう、処理装置に設定する複数の制御パラメータに与える入力パラメータ値を探索する探索装置であって、プロセッサと、メモリと、メモリに格納され、プロセッサに実行されることにより、目標出力パラメータ値を満たす入力パラメータ値を探索する探索プログラムとを有し、探索プログラムは、パラメータ圧縮部と、モデル学習部と、処理条件探索部と、パラメータ復元部と、収束判定部とを有し、パラメータ圧縮部は、第１の入力パラメータ値の一部の制御パラメータの値を、制御パラメータ数が目標パラメータ数以下になるように削除した入力パラメータ値である第１の圧縮済み入力パラメータ値を生成し、モデル学習部は、第１の圧縮済み入力パラメータ値と、第１の入力パラメータ値を複数の制御パラメータとして処理装置に与えて得られた処理結果である第１の出力パラメータ値との組である学習データにより予測モデルを学習し、処理条件探索部は、予測モデルを用いて、目標出力パラメータ値に対応する第２の圧縮済み入力パラメータ値を推定し、パラメータ復元部は、第２の圧縮済み入力パラメータ値からパラメータ圧縮部で削除した制御パラメータの値を復元して第２の入力パラメータ値を生成し、収束判定部は、第２の入力パラメータ値を複数の制御パラメータとして処理装置に与えて得られた処理結果である第２の出力パラメータ値が目標出力パラメータ値の所定の範囲内に収束しているか否かを判定する。
膨大なパラメータを有する加工条件であっても最適化を短時間で行うことができる。前述した以外の課題、構成及び効果は、以下の実施例の説明により明らかにされる。
半導体製造システムのシステム構成例を示す図である。 探索装置のハードウェア構成を示すブロック図である。 目標処理結果から最適処理条件を決定するフローチャートである。 入力パラメータを圧縮する方法を説明するための図である。 入力パラメータの復元方法を説明するための図である。 部分パラメータ探索を行う方法を説明するための図である。 部分探索パラメータ数と総探索回数との関係を示す図である。 出力パラメータの意味を示す図である。 目標出力値である。 入力パラメータの許容される最大値・最小値を示す図である。 初期入力パラメータの例（１サンプル分）を示す図である。 初期入力パラメータに対する出力パラメータ値（処理結果）を示す図である。 パラメータ圧縮を行った際のパラメータ数の推移を示す図である。 パラメータ圧縮を行った後の入力パラメータ（圧縮済み入力パラメータ）を示す図である。 探索したレシピ候補の値を示す図である。 探索したレシピ候補に対する出力予測値を示す図である。 最適処理条件探索機能を有するプラズマエッチング装置の概略図である。 加工成形システムのシステム構成例を示す図である。 初期入力パラメータの例（１サンプル分）を示す図である。 パラメータ圧縮を行った後の入力パラメータ（圧縮済み入力パラメータ）を示す図である。
発明者らがエッチング装置向けのマルチステップ型レシピを例に検討したところ、全サンプルで未使用あるいは固定値のパラメータが存在した。これらのパラメータに関しては探索する必要はない。また、奇数番目ステップと偶数番目ステップで制御パラメータ値が交互に代わる周期性が見られることが多かった。このような特徴は、例えばエッチングステップと側壁保護ステップを交互に行いながら所望の形状を形成させるような工程においてみられる。このため、全パラメータ数は膨大であるが、必ずしも全パラメータが独立に振られているわけではないため、これらの特徴に基づき、制御パラメータ数の削減をある程度まで行うことが可能である。
しかしながら、これのみでは依然としてパラメータ数が多く、探索が困難な場合もある。この場合は近似的探索方法により高速な探索を行うことを優先する。数理解析としての最適化問題に対しては種々の手法が提案されており、膨大なパラメータを有する課題においても適用可能な手法は存在する。１回パラメータ探索を行って解が得られれば終わりという課題であれば、探索に数日かかっても許容できるであろう。しかしながら、レシピの探索といったような課題においては、特許文献１の自律的探索方法のように少数の学習データからモデルを構築しレシピを予測するため、データの追加とモデルの更新を何回も繰り返す必要がある。さらに、少数の学習データから作成したモデルであるため学習データ点から大きく離れたパラメータ値に対してはモデルの予測精度が低く、そのような領域を詳しく探索する意味はない。したがって精度の低いモデルに対して時間を掛けて最適解を探索するよりは、近似解ではあっても探索時間を短くすることを優先する。
以上より、学習データを作成する前処理としてデータの削減を行い、さらに最適解の探索においては近似的探索方法を用いることにより、膨大なパラメータを有するレシピであっても実用的な時間で最適解を探索することが可能となる。以下、本発明の実施形態を添付図面に基づいて説明する。
図１は、半導体製造システムのシステム構成例を示す図である。半導体製造システム１０は、探索装置１００と、入力装置１０３と、出力装置１１４と、処理装置１１１と、評価装置１１２とを有する。
処理装置１１１は、半導体または半導体を含む半導体デバイスを処理する装置である。処理装置１１１の処理の内容は特に限定されない。例えば、リソグラフィ装置、成膜装置、パターン加工装置、イオン注入装置、洗浄装置を含む。リソグラフィ装置には、たとえば、露光装置、電子線描画装置、Ｘ線描画装置を含む。成膜装置は、たとえばＣＶＤ（Chemical Vapor Deposition）、ＰＶＤ（Physical Vapor Deposition）、蒸着装置、スパッタリング装置、熱酸化装置を含む。パターン加工装置は、たとえば、ウェットエッチング装置、ドライエッチング装置、電子ビーム加工装置、レーザ加工装置を含む。イオン注入装置は、たとえば、プラズマドーピング装置、イオンビームドーピング装置を含む。洗浄装置は、たとえば、液体洗浄装置、超音波洗浄装置を含む。
処理装置１１１は、探索装置１００から入力された処理条件（入力パラメータ値）に基づき半導体または半導体デバイスの処理を行い、評価装置１１２に渡す。評価装置１１２は、処理装置１１１で処理された半導体または半導体デバイスを計測して、処理結果（出力パラメータ値）を取得する。評価装置１１２は、光学式モニタ、電子顕微鏡を用いた加工寸法計測装置を含む。処理装置１１１で処理された半導体または半導体デバイスの一部を断片として取り出して、その断片を評価装置１１２へ運搬して計測してもよい。
探索装置１００は、中央処理部１０４と、データベース１０５と、パラメータ圧縮部１０６と、モデル学習部１０７と、処理条件探索部１０８と、パラメータ復元部１０９と、装置制御部１１０と、収束判定部１１３とを有する。個々のブロックの内容についてはフローチャートを用いて後述する。
入力装置１０３は、ＧＵＩなどの入力インタフェースとカードリーダなど記憶媒体読み出し装置を備え、探索装置１００にデータを入力する。また、ユーザからのみならず、評価装置１１２からの実測値も同様に受けつけ、探索装置１００に入力する。入力装置１０３は、例えば、キーボード、マウス、タッチパネル、記憶媒体読み出し装置などを含む。
出力装置１１４は、探索装置１００から渡された処理条件を、最適処理条件１０２としてユーザへ表示する。表示する手段としては、ディスプレイへの表示、またはファイルへの書き出しなどである。出力装置１１４は、例えば、ディスプレイ、プリンタ、記憶媒体書き出し装置などを含む。
図２に、探索装置１００のハードウェア構成を示すブロック図を示す。探索装置１００は、入力装置１０３から入力された目標出力パラメータ値（目標処理結果）を実現する処理装置１１１の入力パラメータ値（処理条件）を探索する。探索装置１００は、プロセッサ１１６と、通信インタフェース１１５と、ＲＯＭ１１７と、ＲＡＭ１１８とを有する。通信インタフェース１１５は、プロセッサ１１６と、外部の入力装置１０３、出力装置１１４、処理装置１１１とを接続する。プロセッサ１１６には、通信インタフェース１１５と、ＲＯＭ１１７と、ＲＡＭ１１８とが接続される。ＲＯＭ１１７には、処理装置１１１に対する入力パラメータの設定可能範囲を示すテーブルと、パラメータに対する制約条件と、収束判定条件と、プロセッサ１１６で実行する処理プログラムとが格納されている。ＲＡＭ１１８には、探索過程で生成される学習データや学習モデル等が格納される。
なお、図１との対応では、データベース１０５はＲＯＭ１１７及びＲＡＭ１１８として実装され、探索装置における各ブロックはＲＯＭ１１７に格納されるプログラム（探索プログラム）として実装される。
図３は、半導体製造システム１０において探索装置１００が実行する、目標処理結果（目標出力パラメータ値）から処理装置の最適処理条件を決定するフローチャートである。
まず、処理装置１１１の行う処理について、目標とする目標処理結果（目標出力パラメータ値）及び、処理装置を制御するパラメータとして選択する初期処理条件（初期入力パラメータ値）、及び目標パラメータ数と部分探索パラメータ数１０１を、入力装置１０３から中央処理部１０４に受け渡す（ステップＳ１００）。目標パラメータ数と部分探索パラメータ数については後述する。
つぎに、中央処理部１０４は受け付けた目標処理結果と選択された初期処理条件とをデータベース１０５に格納するとともに、選択された初期処理条件を装置制御部１１０へ渡す（ステップＳ１０１）。
装置制御部１１０は、初期処理条件を処理装置１１１に転送する。または装置制御部１１０が出力した初期処理条件をユーザが処理装置１１１に入力するのでもよい。処理装置１１１は入力された初期処理条件に従って処理を行い、評価装置１１２で評価し、取得した処理結果（初期処理結果、初期出力パラメータ値）を入力装置１０３へ入力する。中央処理部１０４は、入力装置１０３から初期処理結果を受け渡される（ステップＳ１０２）。中央処理部１０４は、初期処理条件と初期処理結果とを収束判定部１１３に渡す。
収束判定部１１３は、初期処理結果を目標処理結果と比較し、所定の精度内で目標処理結果に収束しているかどうかを判定する（ステップＳ１０３）。収束していれば、目標処理結果に収束した初期処理条件を出力装置１１４へ渡し、出力装置１１４は最適処理条件１０２として出力する（ステップＳ１１１）。
出力パラメータ値（処理結果）の収束性の判定には、（数１）で与えられる、用いる全出力パラメータに関する出力パラメータ値と目標出力パラメータ値との誤差の２乗和を用いることができる。
Figure 0007148644000001
 ここで、ＮＰは用いる出力パラメータの総数、ｙ*ｉはｉ番目の目標出力パラメータ値、ｙｉはｉ番目の出力パラメータ値（実績値）である。
一方、収束していなければ処理を継続する命令が収束判定部１１３から中央処理部１０４へ送られる。中央処理部１０４はパラメータ圧縮部１０６へ初期処理条件を送り、パラメータ圧縮部１０６は初期処理条件を圧縮する（ステップＳ１０４）。パラメータの圧縮方法については、具体例を用いて後述する。その後、中央処理部１０４はデータベース１０５に、圧縮済み初期処理条件（圧縮済み初期入力パラメータ値）と初期処理結果とからなる学習データを作成する（ステップＳ１０５）。
つぎに、中央処理部１０４は、データベース１０５から学習データを読み込み、モデル学習部１０７へ送る。モデル学習部１０７は圧縮済み処理条件（圧縮済み入力パラメータ値）と処理結果（出力パラメータ値）とを関係づける予測モデルを学習する（ステップＳ１０６）。予測モデルとしては、ニューラルネットワーク、サポートベクターマシン、カーネル法などを用いることができる。学習した予測モデルは処理条件探索部１０８へ渡される。
つぎに、処理条件探索部１０８は、モデル学習部１０７から渡された予測モデル及びデータベース１０５から読み出した入力パラメータへの制約条件を用いて、データベース１０５から読み出した目標処理結果に対する処理条件を探索する（ステップＳ１０７）。予測モデルは処理条件が入力で、処理結果が出力となっているため、処理結果から処理条件を逆に求めるには、ランダムサーチ法に基づく部分空間探索を行う。部分空間探索法については、具体例を用いて後述する。処理条件探索部１０８は、探索した処理条件（圧縮済み追加入力パラメータ値）をパラメータ復元部１０９に渡す。
つぎに、パラメータ復元部１０９は渡された処理条件に、パラメータ圧縮部１０６によって削除された制御パラメータの値を復元して追加し（ステップＳ１０８）、復元した処理条件（追加入力パラメータ値）を装置制御部１１０へ渡すとともに、中央処理部１０４を介してデータベース１０５へ格納する。
装置制御部１１０は、渡された処理条件（追加入力パラメータ値）を処理装置１１１に転送する。または、装置制御部１１０が出力した処理条件をユーザが処理装置１１１に入力するのでもよい。処理装置１１１は入力された処理条件に従って処理を行い、評価装置１１２で評価し、取得した処理結果（追加出力パラメータ値）を入力装置１０３へ入力する。中央処理部１０４は、入力装置１０３から処理結果を受け渡される（ステップＳ１０９）。中央処理部１０４は、処理条件（追加入力パラメータ値）と処理結果（追加出力パラメータ値）とを収束判定部１１３に渡す。
収束判定部１１３は、処理結果（追加出力パラメータ値（実績値））を目標処理結果（目標出力パラメータ値）と比較し、所定の精度内で目標処理結果に収束しているかどうかを判定する（ステップＳ１１０）。収束していれば、目標処理結果に収束した処理条件を出力装置１１４へ渡し、出力装置１１４は最適処理条件１０２として出力する（ステップＳ１１１）。
一方、収束していなければ処理を継続する命令が収束判定部１１３から中央処理部１０４へ送られ、中央処理部１０４はデータベース１０５の学習データセットに、処理条件（追加入力パラメータ値）と処理結果（追加出力パラメータ値（実績値））との組を追加保存するとともに、パラメータ圧縮部１０６へ渡し、パラメータ圧縮部１０６では学習データセットの処理条件（入力パラメータ値）を圧縮する（ステップＳ１０４）。その後、中央処理部１０４はデータベース１０５に、圧縮済み処理条件（圧縮済み入力パラメータ値）と処理結果（出力パラメータ値）とからなる学習データを作成することにより、学習データセットを更新する（ステップＳ１０５）。
以下、パラメータ圧縮（Ｓ１０４）～収束判定（Ｓ１１０）までの推定プロセスを、処理結果（実績値）が目標処理結果に収束されるまで繰り返す。このようにして、目標処理結果を実現する最適処理条件を自律的に探索する。
次に、図４Ａを用いてパラメータ圧縮部１０６における入力パラメータの圧縮方法を説明する。図４Ａの第１段（最上段）に処理条件４００を例示する。この例では、入力パラメータはS～Yの７つであり、ステップ数はstep1～2の２つであるため、入力パラメータ数の合計は１４になる。また、サンプル数は#1～#3の３個である。データ圧縮方法として、例えば以下のような方法Ａ～Ｄが考えられる。
方法Ａは、全サンプルで未使用あるいは固定値のパラメータを削除する方法である。図４Ａの第２段に処理条件４００に方法Ａを適用した圧縮済み処理条件４０１を示す。この場合、全サンプルで入力パラメータTが未使用、入力パラメータUが固定値であることから、step1, 2の入力パラメータT, Uが削除され、圧縮済み処理条件４０１の入力パラメータ数は１０になる。削除した制御パラメータの値はパラメータ復元部１０９が復元できるよう、保存しておく。
方法Ｂは、全サンプルのパラメータ値が複数ステップで同一になっているもののうち、少数個（典型的には１個）を代表として残し、重複分を削除する方法である。図４Ａの第３段に処理条件４００に方法Ｂを適用した圧縮済み処理条件４０２を示す。この場合、全サンプルにおいて、入力パラメータS, V, Xはstep1, 2で同一であることから、重複するstep2の入力パラメータS, V, Xが削除され、圧縮済み処理条件４０１の入力パラメータ数は１１になる。削除したパラメータの値はパラメータ復元部１０９が復元できるよう、比例係数ａと切片ｂを保存しておく。
本実施例における復元方法は、図４Ｂに示すように、入力パラメータαの入力パラメータ値ｖと入力パラメータβの入力パラメータ値ｗについて、ｗ＝ａｖ＋ｂの関係を保存しておくことによって、入力パラメータαについての各サンプルの入力パラメータ値（v1, v2, v3）から、入力パラメータβについての各サンプルの入力パラメータ値（w1, w2, w3）を復元する（サンプル数が３個の場合）ものである。図４Ｂは復元方法を一般化して示したものであり、方法Ｂは、入力パラメータαはstep1のパラメータ、入力パラメータβはstep2のパラメータに限定するものであって、比例係数ａ=１、切片ｂ=０となる。
方法Ｃは、比例関係にある入力パラメータ群のうち少数個（典型的には１個）を代表として残し、他を削除する方法である。図４Ａの第４段に処理条件４００に方法Ｃを適用した圧縮済み処理条件４０３を示す。この場合、step1における入力パラメータS（10, 20, 20）に対して、step1における入力パラメータV（10, 20, 20）, X（20, 40, 40）, Y（15, 30, 30）及びstep2における入力パラメータS（10, 20, 20）, V（10, 20, 20）, X（20, 40, 40）が正比例関係（切片０）に、step2におけるY（20, 30, 30）が比例関係（切片１０）にある。また、step1における入力パラメータU（100, 100, 100）に対して、step2における入力パラメータU（150, 150, 150）が正比例関係にある。その結果、step1, 2における入力パラメータV、X、Y及びstep2における入力パラメータS, Uが削除され、圧縮済み処理条件４０３の入力パラメータ数は６になる。削除したパラメータの値をパラメータ復元部１０９が復元できるよう、比例係数ａと切片ｂを保存しておく。
方法Ｄは、方法Ｃの変形であり、比例関係にはないが高い相関を有する（相関係数があるしきい値よりも大きい）入力パラメータ群のうち少数個（典型的には１個）を代表として残し、他を削除する方法である。図４Ａの第５段に処理条件４００に方法Ｄを適用した圧縮済み処理条件４０４を示す。この場合、方法Ｃで削除されたパラメータに加えて、step1における入力パラメータWが削除され、圧縮済み処理条件４０４の入力パラメータ数は５になる。削除したパラメータの値をパラメータ復元部１０９が復元できるよう、最小二乗法により直線にフィッティングした比例係数ａと切片ｂを保存しておく。
このように、最初のパラメータ数１４は、方法Ａにより１０、方法Ｂにより１１、方法Ｃにより６、方法Ｄにより５まで削減できる。さらに、図４Ａの第６段（最下段）に示すように、方法Ａと方法Ｄとを組み合わせるとパラメータ数を２まで削減できる。
本実施例では、入力パラメータ数がユーザの指定した目標パラメータ数Ｍ以下でなければ、パラメータ数の削減処理を実行する。例えば、入力データがシングルステップ型であれば方法Ａを、マルチステップ型であれば方法Ａと方法Ｂとを併用して適用する。その段階で入力パラメータ数がＭ以下になっていなければ方法Ｃを適用する。方法Ｃの適用後も目標パラメータ数Ｍ以下に削減されなければ、方法Ｄを適用する。このとき、相関係数のしきい値は、方法Ｄを適用したときの入力パラメータ数が目標パラメータ数Ｍ以下になるように自動設定する。
圧縮済み処理条件を用いて処理条件が探索されると、探索された圧縮済み処理条件に対して、適用した一連のパラメータ圧縮方法にしたがって、削除した入力パラメータの値を順次復元する。すなわち、方法Ａにより削除した入力パラメータについては、保存された値を復元すればよく、方法Ｂ～Ｄにより削除したパラメータについては、保存された比例係数と切片とを用いて代表値を元に復元すればよい。ただし、方法Ｄの場合、圧縮に近似が入るため、パラメータの復元は近似値での復元となる。
次に、処理条件探索部１０８における探索高速化の方法について、図５を用いて説明する。探索を行う対象とする入力パラメータの個数をＭとする（図５の例では入力パラメータはX1～X5の５個なのでＭ＝５）。本実施例では探索を高速に行うため、Ｍ個の入力パラメータを同時に探索するのではなく、少数個（部分探索パラメータ数Ｎとする、Ｎ＜Ｍ）の入力パラメータについてのみランダムサーチで探索し、それ以外の入力パラメータ（（Ｍ－Ｎ）個）に関しては学習データの中のベストサンプルのパラメータの値に固定する。図５の例ではＮ＝２であり、残る３個の入力パラメータにはベストサンプルのパラメータの値を設定している。図５において、ベストサンプルの値を用いている入力パラメータには＊を付けて表示している。Ｎ個の入力パラメータに関しては、Ｍ個の入力パラメータにおけるすべての組み合わせを選択するものとする。したがって、ＭＣＮ（＝Ｍ！／（Ｍ－Ｎ）！Ｎ！）通りの組み合わせについて探索する。この例では5Ｃ2＝１０通りである。
探索対象となるＮ個のパラメータの値は、正規分布（なお、平均＝ベストサンプルの場合のパラメータの値、分散＝全サンプルの分散、とする）に従う乱数で与える。選択したＮ個のパラメータに対する探索試行回数をＳとすると、パラメータ１個当たりの探索点数Ｘは、ＸＮ＝Ｓ、したがってＸ＝Ｓ１／Ｎであり、総探索数ＴはＴ＝Ｓ・ＭＣＮと表せる。
図６にＭ＝40、Ｘ＝3とした場合の総探索数Ｔと部分探索パラメータ数Ｎとの関係を示す。全パラメータについて３水準ずつ総当たりで探索した場合、総探索数は340 ≒ 1019であるが、Ｎ＝4にすれば総探索数は7 × 106程度で済み、総探索数を１２桁小さくできる。部分探索パラメータ数Ｎの値が大きいほど最適解に近い値が得られる可能性は高まるが、計算時間の観点からＮ＝4～5程度とすることが望ましい。なお、図６に示されるように、総探索数はＮ＝17～39では総当たり（Ｎ＝40）の場合よりも悪くなっている。これは重複した探索が生じてしまうためである。
この探索法により得られる入力パラメータのうち（Ｍ－Ｎ）個は既存の学習データのベストサンプルのパラメータの値と同一になるので、Ｍ＝40、Ｎ＝4の場合には探索を行う対象とするパラメータの１割が新規の値として設定される。また、自律的探索の効率を上げるため、探索の際にはレシピの候補（追加入力パラメータ値）は複数候補（典型的には5～10個）を推定させる。
以下、処理装置１１１がエッチング装置である場合を例に説明する。図７は、本例における出力パラメータであり、各出力パラメータは加工後の断面形状を表している。加工後の断面形状は、電子顕微鏡（評価装置１１２）を用いて読み取ることで取得する。この例では加工後の断面形状を５個の出力パラメータ：上部幅平均値Y1、中間部幅最小値Y2、中間部幅最大値Y3、下部幅平均値Y4、トレンチ深さY5を用いて記述している。
図８は、入力装置１０３に入力される目標出力パラメータ値の例であり、図７に示した５個の出力パラメータY1～Y5に対する目標値（寸法）が与えられている。なお、図８の目標出力パラメータ値が示す目標形状は、幅２０ｎｍ、深さ２００ｎｍの垂直トレンチ構造に相当する。
図９は、データベース１０５にあらかじめ格納されている、エッチング装置１１１の入力パラメータの最大値・最小値を示したテーブルの抜粋であり、使用するエンジニアの事前設定あるいは装置のスペックにより決まる。この例では、７２個の入力パラメータが設定可能である。パラメータとして、各種ガスの流量、ガス圧力、マイクロ波（MW）電力、高周波（RF）電力、温度、エッチ時間などを含んでいる。
図１０は、１サンプル分の初期処理条件（初期レシピ）の１例である。初期処理条件はエンジニアによって設定される。この例ではサンプル数を全部で１６とし、そのうち７サンプルは４ステップ、９サンプルが７ステップからなるマルチステップ型の処理条件とした。このように、初期処理条件においてステップ数の異なるマルチステップの処理条件が混在していてもよい。この場合、４ステップのサンプルに対して、５～７ステップの全パラメータを０とすることで、７ステップと見做して扱う。図９で説明したように、１ステップあたりの入力パラメータ数は７２であるので、最終的に設定すべき制御パラメータ合計数は５０４である。
図１１は、図１０に示した初期処理条件にしたがってエッチング装置１１１に加工処理を行わせて得られた１６のサンプルに対して、評価装置１１２により処理結果を計測した出力パラメータ値（実績値）である。いずれのサンプルも図８の目標形状には達していなかったが、この中のベストサンプルはサンプル１２であった。
そこで、パラメータ圧縮部１０６は初期処理条件の圧縮を行う。図１２に、初期処理条件に対して、パラメータ圧縮方法Ａ～Ｄを順次適用した結果を示す。パラメータの圧縮処理における目標パラメータ数Ｍとして４０を設定した。方法Ｄにおける相関係数のしきい値を０．９５とすることにより、初期に存在した５０４個のパラメータを、最終的に４０個まで削減でき、約９２％の削減効果となっている。図１３に削減後の４０個の入力パラメータを示す。圧縮後の初期処理条件である圧縮済み初期入力パラメータ値（図１３）と対応する初期処理結果（図１１）との組（本例では１６サンプルであるため１６組）が初期学習データを構成する。
図１４に処理条件探索部１０８により探索された１０個のレシピ候補（圧縮済み追加入力パラメータ値）を示す。探索においては部分探索パラメータ数Ｎとして４を設定した。図１４においてベストサンプルと異なる値を斜字体で表記しており、全レシピとも４パラメータずつ斜字体で表記されたパラメータが存在する。探索所要時間はＰＣ（Personal Computer）で約１時間半であり、実用的な時間で探索することが可能であった。
パラメータ復元部１０９は、図１４の圧縮済み追加入力パラメータ値に対して、削除された制御パラメータの値を復元して、５０４のパラメータ数からなる処理条件（追加入力パラメータ値）を復元する。エッチング装置１１１は入力された処理条件に従って処理を行い、評価装置１１２で評価し、処理結果（追加出力パラメータ値）を得る。参考までに図１５に図１４の１０個のレシピ候補に対する出力予測値を示す。図１１に示した初期データよりは改善しているが、図８の目標形状にはまだ達していない。実績値である処理結果（追加出力パラメータ値）が目標処理結果に収束していないと判定された場合には、図３のフローに従い新たに得られた１０組の処理条件（追加入力パラメータ値）と処理結果（追加出力パラメータ値）との組を追加することにより学習データセットを更新し、再びモデルの学習から行うことになる。
実施例１の変形例として、処理装置が有する制御装置に探索装置の機能を搭載することも可能である。図１６に処理装置の例として最適処理条件探索機能を有するプラズマエッチング装置の概略図を示す。プラズマ発生用のアンテナ５６とそれに高周波電圧を印加させる高周波電源５１及び第１の高周波整合器５２を備えている。リアクタ６０内に複数のガス種を導入するために、第１の流路６１、第２の流路６２が設けられている。なお、ここでは２系統のみ図示しているが、特に流路数を限定するものではない。アンテナ５６において発生した高周波の交番電磁場を導入された混合ガスに作用させることにより、反応粒子から誘導結合されたプラズマ６３を生成させる。また、装置は発生されたプラズマ６３による加工をさせるための基板電圧発生器５４及び第２の高周波整合器５３を備えている。また、加工対象である基板（試料）５９を加工時に発生するプラズマの変動をモニタリングできる終点判定装置５５を備えており、終点判定装置５５より得られた信号を第１のマスフローコントローラ５７、および、第２のマスフローコントローラ５８へフィードバックする機構を持つ。終点判定装置５５の信号に応じて、第１のマスフローコントローラ５７は第１の流路６１のガス流量を、第２のマスフローコントローラ５８は第２の流路６２のガス流量を調整することが可能である。
プラズマエッチング装置の制御装置７０は、装置の高周波電源５１、基板電圧発生器５４、終点判定装置５５等のプラズマ生成装置を制御して、基板５９に対してエッチング処理を実施するとともに、探索装置におけるＲＯＭ１１７（図２）に格納される、探索処理を実行するための探索プログラムに相当する処理プログラムを実装することにより、実施例１として説明した探索処理を実施することが可能である。プラズマエッチング装置の入力装置７１、出力装置７２は探索処理を行う場合、それぞれ探索装置（図１）における入力装置１０３、出力装置１１４に相当する機能を果たす。このように、処理装置１１１に対して探索装置１００を独立に設けるのではなく、処理装置１１１の一機能として、探索処理を搭載し、探索した入力パラメータ値によりプラズマ生成装置を制御してエッチング処理をすることが可能になる。
実施例１では半導体または半導体を含む半導体デバイスを処理する処理装置を含む半導体製造システムを例に本発明について説明したが、本発明の探索装置、または探索方法を適用できるのは半導体製造システムに限られない。実施例２として、射出成形機を有する加工成形システムに対して探索装置または探索方法を適用する例について説明する。なお、実施例１と実質的に同一の機能を有する構成要素については、同一の符号を付して詳細な説明は省略し、相違する部分を中心に説明する。
図１７は、加工成形システムのシステム構成例を示す図である。加工成形システム２０は、探索装置１００と、入力装置１０３と、出力装置１１４と、成形装置２１１と、計測装置２１２とを有する。
成形装置２１１は、プラスチック材料など種々の材料を成形する装置である。成形装置２１１は、探索装置１００から入力された処理条件（入力パラメータ値）を元に材料の成形を行い、成形された物質は計測装置２１２に渡す。計測装置２１２は、成形装置２１１で成形された物質の寸法を測定し、加工形状データ（出力パラメータ値）を取得する。
実施例２においても図３のフローにしたがって、最適処理条件の探索処理が行われる。目標処理結果は、成形装置２１１が成形した成形品の形状を示す目標寸法（目標出力パラメータ値）として与えられる。
入力装置１０３に入力される目標寸法の指定に用いる出力パラメータは、図８と同様に、成形品の形状を複数のパラメータを用いて記述することによって行われる。
データベース１０５には、成形装置２１１の入力パラメータの最大値・最小値を示したテーブルがあらかじめ格納されている。このテーブルは図９と同様のデータ構造を有しており、成形装置のスペックによりパラメータ及びその最大値、最小値が決められている。例えば、成形装置２１１による成形が、可塑化、射出、保圧、冷却の４プロセスで１サイクルを形成し、これを数サイクル繰り返すことにより行われるものとすると、各プロセスについて制御パラメータ（入力パラメータ）を設定する必要がある。例えば、可塑化プロセスにおけるシリンダ温度、モータ回転数、シリンダ圧、射出プロセスにおけるスクリュー速度、保圧プロセスにおける樹脂圧力、冷却プロセスにおける金型温度といった制御パラメータがあり、それぞれについて最大値及び最小値が定義される。
図１８は、１サンプル分の初期処理条件（初期レシピ）の１例である。初期処理条件はエンジニアによって設定される。この例ではサイクル数は３であり、１サイクルのパラメータ数は６であり、パラメータ合計数は全部で１８である。サンプル数は全部で１０とし、１０通りの初期処理条件を設定し、成形装置２１１に処理を行わせ、計測装置２１２により処理結果を表す出力パラメータ値（実績値、初期処理結果）を取得する。
実施例１と同様に、初期処理条件に対してパラメータ圧縮方法Ａ～Ｄを順次適用し、１８の入力パラメータを目標パラメータ数Ｍ以下となるまで圧縮する。例えば、目標パラメータ数Ｍ＝10として、図１９に示すような圧縮済み初期入力パラメータ値を得、圧縮済み初期入力パラメータ値と対応する初期処理結果との組を初期学習データとして、予測モデルの学習を行う。
この場合、圧縮済み初期入力パラメータが10であるため、全パラメータを対象として探索を行ってもよいが、より高速に求めるため、実施例１と同様に、部分探索パラメータ数Ｎを設定して、部分空間探索を行うことが望ましい。
以上、本発明を実施例に基づき説明した。なお、本発明は前述した実施例に限定されるものではなく、様々な変形例及び同等の構成が含まれる。例えば、前述した実施例は本発明を分かりやすく説明するために詳細に説明したものであり、必ずしも説明した全ての構成を備えるものに本発明は限定されない。また、ある実施例の構成の一部を他の実施例の構成に置き換えてもよい。また、ある実施例の構成に他の実施例の構成を加えてもよい。また、各実施例の構成の一部について、他の構成の追加、削除、または置換をしてもよい。
また、前述した各構成、機能、処理部、処理手段等は、それらの一部又は全部を、例えば集積回路で設計する等により、ハードウェアで実現してもよく、プロセッサがそれぞれの機能を実現するプログラムを解釈し実行することにより、ソフトウェアで実現してもよい。各機能を実現するプログラム、テーブル、ファイル等の情報は、メモリ、ハードディスク、ＳＳＤ（Solid State Drive）等の記憶装置、又は、ＩＣ（Integrated Circuit）カード、ＳＤカード、ＤＶＤ（Digital Versatile Disc）の記録媒体に格納することができる。
また、制御線や情報線は説明上必要と考えられるものを示しており、実装上必要な全ての制御線や情報線を示しているとは限らない。実際には、ほとんど全ての構成が相互に接続されていると考えてよい。
１０：半導体製造システム、２０：加工成形システム、５１：高周波電源、５２：第１の高周波整合器、５３：第２の高周波整合器、５４：基板電圧発生器、５５：終点判定装置、５６：アンテナ、５７：第１のマスフローコントローラ、５８：第２のマスフローコントローラ、５９：基板、６０：リアクタ、６１：第１の流路、６２：第２の流路、６３：プラズマ、７０：制御装置、７１：入力装置、７２：出力装置、１００：探索装置、１０３：入力装置、１０４：中央処理部、１０５：データベース、１０６：パラメータ圧縮部、１０７：モデル学習部、１０８：処理条件探索部、１０９：パラメータ復元部、１１０：装置制御部、１１１：処理装置、１１２：評価装置、１１３：収束判定部、１１４：出力装置、１１５：インタフェース、１１６：プロセッサ、１１７：ＲＯＭ、１１８：ＲＡＭ、２１１：成形装置、２１２：計測装置。

Claims (13)

  1. 処理装置が行う所定の処理の処理結果が目標出力パラメータ値を満たすよう、前記処理装置に設定する複数の制御パラメータに与える入力パラメータ値を探索する探索装置であって、
    プロセッサと、
    メモリと、
    前記メモリに格納され、前記プロセッサに実行されることにより、前記目標出力パラメータ値を満たす前記入力パラメータ値を探索する探索プログラムとを有し、
    前記探索プログラムは、パラメータ圧縮部と、モデル学習部と、処理条件探索部と、パラメータ復元部と、収束判定部とを有し、
    前記パラメータ圧縮部は、第１の入力パラメータ値の一部の制御パラメータの値を、制御パラメータ数が目標パラメータ数以下になるように削除した入力パラメータ値である第１の圧縮済み入力パラメータ値を生成し、
    前記モデル学習部は、前記第１の圧縮済み入力パラメータ値と、前記第１の入力パラメータ値を前記複数の制御パラメータとして前記処理装置に与えて得られた処理結果である第１の出力パラメータ値との組である学習データにより予測モデルを学習し、
    前記処理条件探索部は、前記予測モデルを用いて、前記目標出力パラメータ値に対応する第２の圧縮済み入力パラメータ値を推定し、
    前記パラメータ復元部は、前記第２の圧縮済み入力パラメータ値から前記パラメータ圧縮部で削除した制御パラメータの値を復元して第２の入力パラメータ値を生成し、
    前記収束判定部は、前記第２の入力パラメータ値を前記複数の制御パラメータとして前記処理装置に与えて得られた処理結果である第２の出力パラメータ値が前記目標出力パラメータ値の所定の範囲内に収束しているか否かを判定する探索装置。
  2. 請求項１において、
    前記収束判定部が前記第２の出力パラメータ値が前記目標出力パラメータ値の所定の範囲内に収束していないと判断する場合、前記探索プログラムは、前記第２の入力パラメータ値と前記第２の出力パラメータ値の組を、前記第１の入力パラメータ値と前記第１の出力パラメータ値の組に追加して、前記予測モデルの更新を行う探索装置。
  3. 請求項１において、
    前記所定の処理は、前記複数の制御パラメータに与えられる値が異なるステップを複数含み、
    前記探索プログラムは、前記入力パラメータ値として、前記複数のステップにおける前記複数の制御パラメータの値を探索する探索装置。
  4. 請求項１において、
    前記処理条件探索部は、前記予測モデルを用いて、複数の前記第２の圧縮済み入力パラメータ値を推定する探索装置。
  5. 請求項１において、
    前記パラメータ圧縮部は、前記第１の入力パラメータ値のうち、未使用または固定値となっている制御パラメータの値を削除し、削除した制御パラメータの値を保存する探索装置。
  6. 請求項１において、
    前記パラメータ圧縮部は、前記第１の入力パラメータ値のうち、第１の制御パラメータの値ｖを残して、第２の制御パラメータの値ｗを削除し、ｗ＝ａｖ＋ｂの係数ａと切片ｂの値を保存する探索装置。
  7. 請求項６において、
    前記第２の制御パラメータの値ｗは前記第１の制御パラメータの値ｖに比例する、または前記第１の制御パラメータの値ｖと前記第２の制御パラメータの値ｗとは所定のしきい値よりも大きい相関係数を有する探索装置。
  8. 処理装置が行う所定の処理の処理結果が目標出力パラメータ値を満たすよう、前記処理装置に設定する複数の制御パラメータに与える入力パラメータ値を探索する探索装置であって、
    プロセッサと、
    メモリと、
    前記メモリに格納され、前記プロセッサに実行されることにより、前記目標出力パラメータ値を満たす前記入力パラメータ値を探索する探索プログラムとを有し、
    前記探索プログラムは、モデル学習部と、処理条件探索部と、収束判定部とを有し、
    前記モデル学習部は、第１の圧縮済み入力パラメータ値と、第１の入力パラメータ値を前記複数の制御パラメータとして前記処理装置に与えて得られた処理結果である第１の出力パラメータ値との組である学習データにより予測モデルを学習し、
    前記処理条件探索部は、前記予測モデルを用いて、前記目標出力パラメータ値に対応する第２の圧縮済み入力パラメータ値を推定し、
    前記収束判定部は、第２の入力パラメータ値を前記複数の制御パラメータとして前記処理装置に与えて得られた処理結果である第２の出力パラメータ値が前記目標出力パラメータ値の所定の範囲内に収束しているか否かを判定し、
    前記処理条件探索部は、前記第１の圧縮済み入力パラメータ値の一部の制御パラメータの値を変化させ、他の制御パラメータの値を前記学習データの所定の制御パラメータの値に固定して近似解を探索し、
    前記第１の圧縮済み入力パラメータ値は、前記第１の入力パラメータ値の一部の制御パラメータの値を、制御パラメータ数が目標パラメータ数以下になるように削除した入力パラメータ値であり、前記第２の入力パラメータ値は、前記第２の圧縮済み入力パラメータ値から前記第１の圧縮済み入力パラメータ値において削除された制御パラメータの値を復元した入力パラメータ値である探索装置。
  9. 請求項８において、
    前記処理条件探索部は、前記他の制御パラメータの値を前記学習データのうち最良解を与える学習データの制御パラメータの値に固定する探索装置。
  10. 処理装置が行う所定の処理の処理結果が目標出力パラメータ値を満たすよう、前記処理装置に設定する複数の制御パラメータに与える入力パラメータ値を探索する探索プログラムであって、
    第１の入力パラメータ値の一部の制御パラメータの値を、制御パラメータ数が目標パラメータ数以下になるように削除した入力パラメータ値である第１の圧縮済み入力パラメータ値を生成する第１のステップと、
    前記第１の圧縮済み入力パラメータ値と、前記第１の入力パラメータ値を前記複数の制御パラメータとして前記処理装置に与えて得られた処理結果である第１の出力パラメータ値との組である学習データにより予測モデルを学習する第２のステップと、
    前記予測モデルを用いて、前記目標出力パラメータ値に対応する第２の圧縮済み入力パラメータ値を推定する第３のステップと、
    前記第２の圧縮済み入力パラメータ値から前記第１のステップで削除した制御パラメータの値を復元して第２の入力パラメータ値を生成する第４のステップと、
    前記第２の入力パラメータ値を前記複数の制御パラメータとして前記処理装置に与えて得られた処理結果である第２の出力パラメータ値が前記目標出力パラメータ値の所定の範囲内に収束しているか否かを判定する第５のステップとを有する探索プログラム。
  11. 請求項１０において、
    前記第５のステップにおいて前記第２の出力パラメータ値が前記目標出力パラメータ値の所定の範囲内に収束していないと判断する場合、前記第２の入力パラメータ値と前記第２の出力パラメータ値の組を、前記第１の入力パラメータ値と前記第１の出力パラメータ値の組に追加して、前記予測モデルの更新を行う探索プログラム。
  12. 請求項１０において、
    前記第３のステップにおいて前記第１の圧縮済み入力パラメータ値の一部の制御パラメータの値を変化させ、他の制御パラメータの値を前記学習データのうち最良解を与える学習データの制御パラメータの値に固定して近似解を探索する探索プログラム。
  13. プラズマを用いて試料をプラズマ処理するプラズマ処理装置であって、
    処理室と、
    前記処理室内にプラズマを生成させるプラズマ生成装置と、
    請求項１０に記載の探索プログラムを実行して、前記目標出力パラメータ値を満たす前記プラズマ処理装置に設定する前記複数の制御パラメータに与える入力パラメータ値を探索し、探索した入力パラメータ値により前記処理室内に載置される前記試料のプラズマ処理を行うよう前記プラズマ生成装置を制御する制御装置とを有するプラズマ処理装置。
JP2020568572A 2019-12-03 2019-12-03 探索装置、探索プログラム及びプラズマ処理装置 Active JP7148644B2 (ja)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2019/047126 WO2021111511A1 (ja) 2019-12-03 2019-12-03 探索装置、探索プログラム及びプラズマ処理装置

Publications (2)

Publication Number Publication Date
JPWO2021111511A1 JPWO2021111511A1 (ja) 2021-12-02
JP7148644B2 true JP7148644B2 (ja) 2022-10-05

Family

ID=76221499

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2020568572A Active JP7148644B2 (ja) 2019-12-03 2019-12-03 探索装置、探索プログラム及びプラズマ処理装置

Country Status (6)

Country Link
US (1) US11747774B2 (ja)
JP (1) JP7148644B2 (ja)
KR (1) KR102531077B1 (ja)
CN (1) CN113287123A (ja)
TW (1) TWI782360B (ja)
WO (1) WO2021111511A1 (ja)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20230012173A1 (en) * 2021-07-08 2023-01-12 Hitachi High-Tech Corporation Process recipe search apparatus, etching recipe search method and semiconductor device manufacturing system

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019159864A (ja) 2018-03-14 2019-09-19 株式会社日立ハイテクノロジーズ 探索装置、探索方法及びプラズマ処理装置
JP2019165123A (ja) 2018-03-20 2019-09-26 株式会社日立ハイテクノロジーズ 探索装置、探索方法及びプラズマ処理装置

Family Cites Families (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR920002268A (ko) 1990-07-17 1992-02-28 유끼노리 가까즈 인텔리젠트가공장치
JPH10301979A (ja) 1997-04-30 1998-11-13 Oki Electric Ind Co Ltd モデルパラメータ抽出方法およびモデルパラメータ抽出装置
JP3086794B2 (ja) 1997-09-19 2000-09-11 豊田工機株式会社 数値制御研削盤
JP4215454B2 (ja) 2001-07-12 2009-01-28 株式会社日立製作所 試料の凹凸判定方法、及び荷電粒子線装置
US6941301B2 (en) 2002-01-18 2005-09-06 Pavilion Technologies, Inc. Pre-processing input data with outlier values for a support vector machine
US6844582B2 (en) * 2002-05-10 2005-01-18 Matsushita Electric Industrial Co., Ltd. Semiconductor device and learning method thereof
US20040076944A1 (en) * 2002-08-22 2004-04-22 Ibex Process Technology, Inc. Supervised learning in the presence of null data
WO2004046835A2 (en) 2002-11-15 2004-06-03 Applied Materials, Inc. Method, system and medium for controlling manufacture process having multivariate input parameters
JP4175296B2 (ja) * 2004-06-25 2008-11-05 キャタピラージャパン株式会社 建設機械のデータ処理装置及び建設機械のデータ処理方法
US8248403B2 (en) * 2005-12-27 2012-08-21 Nec Corporation Data compression method and apparatus, data restoration method and apparatus, and program therefor
US20080279434A1 (en) 2007-05-11 2008-11-13 William Cassill Method and system for automated modeling
US8396582B2 (en) 2008-03-08 2013-03-12 Tokyo Electron Limited Method and apparatus for self-learning and self-improving a semiconductor manufacturing tool
US8190543B2 (en) 2008-03-08 2012-05-29 Tokyo Electron Limited Autonomous biologically based learning tool
JP5751045B2 (ja) * 2010-08-31 2015-07-22 富士電機株式会社 プラントの運転条件最適化システム、プラントの運転条件最適化方法、プラントの運転条件最適化プログラム
US8501499B2 (en) * 2011-03-28 2013-08-06 Tokyo Electron Limited Adaptive recipe selector
JP5744321B2 (ja) * 2012-04-02 2015-07-08 三菱電機株式会社 パラメータ設定装置
TWI549007B (zh) 2013-02-07 2016-09-11 先知科技股份有限公司 製程參數的搜尋與分析方法及其電腦程式產品
US9396443B2 (en) 2013-12-05 2016-07-19 Tokyo Electron Limited System and method for learning and/or optimizing manufacturing processes
JP6101650B2 (ja) 2014-02-27 2017-03-22 日本電信電話株式会社 システムパラメタ学習装置、情報処理装置、方法、及びプログラム
JP6187977B2 (ja) * 2014-06-20 2017-08-30 インターナショナル・ビジネス・マシーンズ・コーポレーションＩｎｔｅｒｎａｔｉｏｎａｌ Ｂｕｓｉｎｅｓｓ Ｍａｃｈｉｎｅｓ Ｃｏｒｐｏｒａｔｉｏｎ 解析装置、解析方法及びプログラム
US10565329B2 (en) * 2014-06-30 2020-02-18 Evolving Machine Intelligence Pty Ltd System and method for modelling system behaviour
US9711327B2 (en) 2015-07-16 2017-07-18 Applied Materials Israel, Ltd. Method and system for optimizing configurable parameters of inspection tools
JP2017102619A (ja) 2015-11-30 2017-06-08 オムロン株式会社 制御パラメータ調整装置、制御パラメータ調整方法、制御パラメータ調整プログラム
JP6650786B2 (ja) 2016-03-03 2020-02-19 三菱日立パワーシステムズ株式会社 制御パラメータ自動調整装置、制御パラメータ自動調整方法、及び制御パラメータ自動調整装置ネットワーク
JP6875224B2 (ja) * 2017-08-08 2021-05-19 株式会社日立ハイテク プラズマ処理装置及び半導体装置製造システム
JP6778666B2 (ja) 2017-08-24 2020-11-04 株式会社日立製作所 探索装置及び探索方法
JP6883787B2 (ja) 2017-09-06 2021-06-09 パナソニックＩｐマネジメント株式会社 学習装置、学習方法、学習プログラム、推定装置、推定方法、及び推定プログラム
JP6974712B2 (ja) 2017-10-24 2021-12-01 富士通株式会社 探索方法、探索装置および探索プログラム
US10922696B2 (en) * 2017-11-14 2021-02-16 Sap Se Smart agent services using machine learning technology

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019159864A (ja) 2018-03-14 2019-09-19 株式会社日立ハイテクノロジーズ 探索装置、探索方法及びプラズマ処理装置
JP2019165123A (ja) 2018-03-20 2019-09-26 株式会社日立ハイテクノロジーズ 探索装置、探索方法及びプラズマ処理装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
沼田一道（外１名），「解の部分固定により探索空間を縮小するメタ戦略の検討－巡回セールスマン問題への適用」，システム制御情報学会論文誌，日本，一般社団法人 システム制御情報学会，2004年03月15日，Vol.17, No.3，第１０３～１１２頁，[online], [令和2年2月5日検索], インターネット, <URL: https://www.jstage.jst.go.jp/article/iscie1988/17/3/17_3_103/_article/-char/en> and <URL: https://www.jstage.jst.go.jp/article/iscie1988/17/3/17_3_103/_article/-char/ja>，ISSN: 1342-5668, <DOI: https://doi.org/10.5687/iscie.17.103>.

Also Published As

Publication number Publication date
US11747774B2 (en) 2023-09-05
TWI782360B (zh) 2022-11-01
KR102531077B1 (ko) 2023-05-09
US20220291646A1 (en) 2022-09-15
JPWO2021111511A1 (ja) 2021-12-02
TW202137267A (zh) 2021-10-01
CN113287123A (zh) 2021-08-20
WO2021111511A1 (ja) 2021-06-10
KR20210071935A (ko) 2021-06-16

Similar Documents

Publication Publication Date Title
JP7121506B2 (ja) 探索装置、探索方法及びプラズマ処理装置
KR102039394B1 (ko) 탐색 장치 및 탐색 방법
US20230049157A1 (en) Performance predictors for semiconductor-manufacturing processes
KR101003558B1 (ko) 전기적 가공 제어를 위한 확률 제약 최적화
KR102311313B1 (ko) 탐색 장치, 탐색 방법 및 플라스마 처리 장치
US7847247B2 (en) Method of plasma particle simulation, storage medium, plasma particle simulator and plasma processing apparatus
JP2019040984A (ja) 探索装置及び探索方法
JP7183195B2 (ja) 情報処理装置、プログラム、プロセス処理実行装置及び情報処理システム
JP7148644B2 (ja) 探索装置、探索プログラム及びプラズマ処理装置
JP2010146161A (ja) パラメタ空間を分割してモデル化する設計支援装置、方法、及びプログラム
JP6754878B2 (ja) 探索装置および探索方法
JP6059594B2 (ja) 重み行列更新装置、その動作方法およびコンピュータプログラム
Sawlani et al. Perspectives on artificial intelligence for plasma-assisted manufacturing in semiconductor industry
Cucina et al. Meta-heuristic Methods for Outliers Detection in Multivariate Time Series
Chi et al. Iterative data-based modelling and optimization for rapid design of dynamic processes

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20201209

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20220301

A601 Written request for extension of time

Free format text: JAPANESE INTERMEDIATE CODE: A601

Effective date: 20220418

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20220627

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: 20220830

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20220922

R150 Certificate of patent or registration of utility model

Ref document number: 7148644

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150