JP7246576B2

JP7246576B2 - 情報処理方法、モデルの生成方法および情報処理装置

Info

Publication number: JP7246576B2
Application number: JP2022533855A
Authority: JP
Inventors: 仁史米道
Original assignee: Tokyo Electron Ltd
Current assignee: Tokyo Electron Ltd
Priority date: 2020-07-02
Filing date: 2021-06-18
Publication date: 2023-03-27
Anticipated expiration: 2041-06-18
Also published as: KR20230035051A; CN115803849A; WO2022004419A1; JPWO2022004419A1; US20230138127A1; TW202203294A

Description

本開示は、情報処理方法および情報処理装置に関する。

半導体装置の製造工程において、複数の処理ガスを切り替えて、基板に対してほぼ単分子層である薄い単位膜の積層を繰り返す原子層堆積法（ＡＬＤ：Atomic Layer Deposition）がある。また、基板上に成膜された膜を、ほぼ単分子層である薄い単位膜のエッチングを繰り返すＡＬＥ（Atomic Layer Etching）がある。ＡＬＤおよびＡＬＥでは、１枚の基板に対して同様な処理を繰り返し実行することで所定のプロセス処理を行う。

特開２０１２－２０９５９３号公報

本開示は、繰り返し処理時に測定した時系列データ群の特徴量抽出の精度を向上させることができる情報処理方法および情報処理装置を提供する。

本開示の一態様による情報処理方法は、基板に対するサイクル処理中に測定された時系列データ群を取得する。情報処理方法は、取得した時系列データ群に含まれる時系列データごとに、サイクル処理の各サイクルの統計値を算出する。情報処理方法は、算出した統計値に基づく統計データを生成する。情報処理方法は、生成した統計データまたは時系列データを所定の区間に分割する。情報処理方法は、分割した統計データまたは時系列データに基づいて、区間ごとに代表値を算出する。

本開示によれば、繰り返し処理時に測定した時系列データ群の特徴量抽出の精度を向上させることができる。

図１は、本開示の一実施形態における情報処理システムの一例を示すブロック図である。図２は、本開示の一実施形態における情報処理装置のハードウェア構成の一例を示すブロック図である。図３は、本開示の一実施形態における情報処理装置の機能構成の一例を示す機能ブロック図である。図４は、時系列データの一例を示す図である。図５は、時系列データの一部を拡大した一例を示す図である。図６は、時系列データからの統計値の算出の一例を示す図である。図７は、ベイズ最適化によって設定された区間の一例を示す図である。図８は、区間の代表値と計測データとの関係の一例を示す図である。図９は、時系列データから統計データの区間の代表値を求める場合の一例を示す図である。図１０は、プロセスの異常検知における従来との比較の一例を示す図である。図１１は、本実施形態における特徴量抽出処理の一例を示すフローチャートである。図１２は、本実施形態における予測処理の一例を示すフローチャートである。

以下に、開示する情報処理方法および情報処理装置の実施形態について、図面に基づいて詳細に説明する。なお、以下の実施形態により開示技術が限定されるものではない。

ＡＬＤおよびＡＬＥ等の繰り返し処理を行うプロセスでは、処理ガスの投入、熱等のエネルギー投入による反応、および、処理ガスのパージのサイクルを短時間で数百回繰り返すため、プロセスのティック（Ｔｉｃｋ）を表す時系列データが極めて多量となる。従って、時系列データは、類似の傾向をもったサイクルが極めて細かく繰り返されているため、時系列データをそのまま参照しても、プロセスの不良や出来栄え等の重要な特性に寄与している箇所を抽出することが難しい。例えば、特許文献１では、サブレシピの繰り返し実行時に、サブレシピの実行回数のうち、特定の回数のデータを使用することで時系列データから特徴量を抽出している。ところが、抽出した特徴量は、繰り返し処理全体に対する特徴量ではない。このため、同様なサイクルが数百回繰り返される場合には、処理状況を正確に反映した特徴量を抽出することが難しい。また、数百回繰り返し行われる処理に対して、何回目の処理データを使用するのかを判断することが難しい。つまり、特徴量抽出の精度が低いため、プロセスに関する設定を行うのに深い知識と時間が求められる。そこで、繰り返し処理時に測定した時系列データ群の特徴量抽出の精度を向上させることが期待されている。

［情報処理システム１の構成］
図１は、本開示の一実施形態における情報処理システムの一例を示すブロック図である。図１に示す情報処理システム１は、基板処理装置１０と、結果データ取得装置２０と、情報処理装置１００とを有する。なお、基板処理装置１０、結果データ取得装置２０および情報処理装置１００は、それぞれ複数であってもよい。

基板処理装置１０は、例えば、処理対象の基板（半導体ウエハ、以下、ウエハという。）に対してＡＬＤ（Atomic Layer Deposition）またはＡＬＥ（Atomic Layer Etching）のプロセスを行うように構成された成膜装置またはエッチング装置である。基板処理装置１０は、ウエハに対するプロセス処理を行い、その処理中に測定した時系列データ群を情報処理装置１００に送信する。

結果データ取得装置２０は、基板処理装置１０で処理が終了した基板に対して所定の検査（例えば成膜速度）を行い、結果データを取得する。結果データ取得装置２０は、取得した結果データを、モデル作成用データとして情報処理装置１００に送信する。

情報処理装置１００は、基板処理装置１０から時系列データ群を受信し、結果データ取得装置２０から結果データを受信する。情報処理装置１００は、受信した時系列データ群等の各種情報に基づいて、特徴量を抽出するとともに、プロセスの結果に関する予測結果を出力するためのモデルを生成する。また、情報処理装置１００は、基板処理装置１０から新たな時系列データ群を受信し、受信した新たな時系列データ群に基づいて、基板処理装置１０におけるプロセスの結果に関する予測結果を出力する。予測結果は、例えば、プロセスの異常検知情報、ウエハや基板処理装置における各種の予測情報等が挙げられる。

［情報処理装置１００のハードウェア構成］
図２は、本開示の一実施形態における情報処理装置のハードウェア構成の一例を示すブロック図である。図２に示すように、情報処理装置１００は、ＣＰＵ（Central Processing Unit）１０１、ＲＯＭ（Read Only Memory）１０２、ＲＡＭ（Random Access Memory）１０３を有する。なお、ＣＰＵ１０１などのプロセッサ（処理回路、Processing Circuit、Processing Circuitry）と、ＲＯＭ１０２、ＲＡＭ１０３などのメモリは、いわゆるコンピュータを形成する。

さらに、情報処理装置１００は、補助記憶装置１０４、表示装置１０５、操作装置１０６、Ｉ／Ｆ（Interface）装置１０７、ドライブ装置１０８を有する。なお、情報処理装置１００の各ハードウェアは、バス１０９を介して相互に接続される。

ＣＰＵ１０１は、補助記憶装置１０４にインストールされた各種プログラム（例えば、予測プログラム等）を実行する演算デバイスである。

ＲＯＭ１０２は、不揮発性メモリであり、主記憶装置として機能する。ＲＯＭ１０２は、補助記憶装置１０４にインストールされた各種プログラムをＣＰＵ１０１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、ＲＯＭ１０２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。

ＲＡＭ１０３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。ＲＡＭ１０３は、補助記憶装置１０４にインストールされた各種プログラムがＣＰＵ１０１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。

補助記憶装置１０４は、各種プログラムや、各種プログラムがＣＰＵ１０１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。例えば、後述する時系列データ群記憶部は、補助記憶装置１０４において実現される。

表示装置１０５は、情報処理装置１００の内部状態を表示する表示デバイスである。操作装置１０６は、情報処理装置１００の管理者が情報処理装置１００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１０７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１０８は記録媒体１１０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１１０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１１０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１０４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１１０がドライブ装置１０８にセットされ、該記録媒体１１０に記録された各種プログラムがドライブ装置１０８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１０４にインストールされる各種プログラムは、不図示の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。

［情報処理装置１００の機能構成］
図３は、本開示の一実施形態における情報処理装置の機能構成の一例を示す機能ブロック図である。情報処理装置１００は、記憶部２２０と、制御部２３０とを有する。

記憶部２２０は、例えば、ＲＡＭ１０３、フラッシュメモリ等の半導体メモリ素子、ハードディスクや光ディスク等の記憶装置によって実現される。記憶部２２０は、時系列データ群記憶部２２１と、結果データ記憶部２２２とを有する。また、記憶部２２０は、制御部２３０での処理に用いる情報を記憶する。

時系列データ群記憶部２２１は、基板処理装置１０における複数のウエハに対してサイクル処理を行うプロセスにおいて測定されたそれぞれの時系列データ群を記憶する。時系列データ群記憶部２２１は、時系列データ群に含まれる時系列データとして、例えば、基板処理装置１０の高周波電源の電圧（ＲＦＶｐｐ）等の情報を記憶する。図４は、時系列データの一例を示す図である。図４に示すグラフ１５０は、時系列データの一例として、プロセスの時間経過、つまりサイクル処理に応じた高周波電源の電圧をグラフ化したものである。

図５は、時系列データの一部を拡大した一例を示す図である。図５に示すグラフ１５１は、図４のグラフ１５０の一部を拡大したグラフである。グラフ１５１に示すように、高周波電源の電圧は、ピークを持つサイクルを繰り返していることがわかる。なお、各ウエハに対応するそれぞれの時系列データ群は、ウエハＮｏ．に対応付けて時系列データ群記憶部２２１に記憶される。

図３の説明に戻る。結果データ記憶部２２２は、各ウエハに対するプロセスの結果に関する結果データを記憶する。結果データとしては、例えば、膜厚等のプロセスが完了したウエハの出来栄えに関する計測データ等の各種の計測データを用いることができる。結果データは、操作装置１０６またはＩ／Ｆ装置１０７から入力されたものを記憶する。

記憶部２２０は、その他に統計データ、区間の情報、モデル等を記憶する。統計データは、時系列データごとに算出されたサイクル処理の各サイクルの統計値を時系列に並べたデータである。つまり、統計データによって時系列データ全体の傾向を把握しやすくなる。区間の情報は、統計データまたは時系列データを所定の区間に分割するための情報である。区間の分割では、分割の方法を調整することで、プロセスの特徴を正確に把握することができる。また、適切に分割された区間の統計データまたは時系列データに基づく代表値を用いることで、モデルの精度を上げることができる。モデルは、統計データまたは時系列データに基づいて多変量解析または機械学習を行って生成されたモデルである。モデルの生成では、結果データを用いてもよい。モデルは、例えば、データの正規分布の３σに基づくマハラノビス距離を用いて生成される。例えば、異常検知の場合、マハラノビス距離が閾値を連続して超えると異常を検知するモデルを用いることができる。また、モデルは、ＰＬＳ（Partial Least Squares）回帰を用いて生成された線形回帰モデル等の他のモデルを用いるようにしてもよい。

制御部２３０は、例えば、ＣＰＵ１０１、ＭＰＵ（Micro Processing Unit）、ＧＰＵ（Graphics Processing Unit）等によって、内部の記憶装置に記憶されているプログラムがＲＡＭ１０３を作業領域として実行されることにより実現される。また、制御部２３０は、例えば、ＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（Field Programmable Gate Array）等の集積回路により実現されるようにしてもよい。

制御部２３０は、取得部２３１と、第１算出部２３２と、第１生成部２３３と、分割部２３４と、第２算出部２３５と、第２生成部２３６と、予測部２３７とを有し、以下に説明する情報処理の機能や作用を実現または実行する。なお、制御部２３０の内部構成は、図３に示した構成に限られず、後述する情報処理を行う構成であれば他の構成であってもよい。

取得部２３１は、特徴量抽出処理の場合に、基板処理装置１０から各ウエハに対応するそれぞれの時系列データ群を取得する。また、取得部２３１は、結果データ取得装置２０から検査データ等の基板のプロセス処理の結果データを取得するようにしてもよい。さらに、取得部２３１は、予測処理の場合に、基板処理装置１０から被予測対象の新たなウエハに対応する時系列データ群を取得する。取得部２３１は、取得した時系列データ群を時系列データ群記憶部２２１に記憶し、取得した結果データを結果データ記憶部２２２に記憶する。

第１算出部２３２は、時系列データ群記憶部２２１を参照し、時系列データ群に含まれる時系列データごとに、サイクル処理の各サイクルの統計値を算出する。統計値は、例えば、平均値、最小値、最大値、分散および傾きといった値を用いることができる。第１算出部２３２は、算出した時系列データごとの統計値の集合を第１生成部２３３に出力する。なお、特徴量抽出処理においては、複数のウエハの時系列データ群それぞれについて、同様に時系列データごとの統計値を算出する。また、以下の説明では、複数のウエハの時系列データ群内の各時系列データ、または、１枚のウエハの時系列データ群内の各時系列データについて各処理部における処理を行う場合、１つの時系列データについて代表して説明し、他の時系列データについては説明を省略する。ここで、図６を用いて統計値の算出について説明する。

図６は、時系列データからの統計値の算出の一例を示す図である。図６に示すように、第１算出部２３２は、例えば、時系列データのグラフ１５０から特定のサイクル１５２を抽出する。第１算出部２３２は、抽出したサイクル１５２について、例えば、最大値１５２ａ、中央値１５２ｂ、平均値１５２ｃ、最小値１５２ｄといった値を統計値として算出する。

また、第１算出部２３２は、時系列データに含まれるサイクルごとに、統計値の算出から除外するデータを取り除くようにしてもよい。除外するデータは、例えば、サイクル内のステップの切り替え部分等のデータとすることができる。例えば、第１算出部２３２は、サイクル１５２について、ステップの切り替わりタイミングで２個目のステップ区間１５２－２だけを取り出し、他のデータを除外して、統計値を算出するようにしてもよい。

図３の説明に戻る。第１生成部２３３は、第１算出部２３２から時系列データごとの統計値の集合が入力されると、時系列データごとに、統計値の集合に基づいて統計データを生成する。第１生成部２３３は、例えば、統計値を時系列に並べることで、時系列データに対応する統計データを生成する。第１生成部２３３は、生成した統計データを分割部２３４に出力する。なお、第１生成部２３３は、第１算出部２３２と統合してもよい。

分割部２３４は、第１生成部２３３から統計データが入力されると、入力された統計データを１つ以上の区間に分割する。なお、分割部２３４は、統計処理を重ねることによる精度の低下を回避したい場合には、時系列データ群記憶部２２１を参照し、時系列データ群に含まれる時系列データを１つ以上の区間に分割するようにしてもよい。分割部２３４は、特徴量抽出処理の場合、予め定められた区間の分割の方法に基づいて、統計データまたは時系列データを区間に分割する。また、分割部２３４は、第２生成部２３６から区間の分割の方法を変更するように指示された場合、例えば、分割の割合や分割数等を変更して統計データまたは時系列データを区間に分割する。分割部２３４は、例えば、統計データまたは時系列データをプロセスの前半で２区間、中盤で１区間、後半で２区間に分割する。この場合、例えば、区間Ｉ１は、プロセスの先頭１サイクル、区間Ｉ２は、先頭側２サイクル目から１０サイクル目までとする。区間Ｉ３は、先頭側１１サイクル目から後尾側１１サイクル目までとする。つまり、区間Ｉ３は、プロセスを構成する数百サイクルの大部分が含まれる区間である。区間Ｉ４は、後尾側２サイクル目から１０サイクル目まで、区間Ｉ５は、最後尾１サイクルとする。このような区間の分割では、分割の方法を調整することで、プロセスの特徴を正確に把握することができる。分割部２３４は、予測処理の場合、記憶部２２０に記憶された区間の情報に基づいて、統計データまたは時系列データを区間に分割する。分割部２３４は、分割した統計データまたは時系列データを第２算出部２３５に出力する。

なお、分割部２３４は、統計データまたは時系列データを分割するための区間の情報として、ベイズ最適化によって予め求められた区間を用いる場合、時系列データ群記憶部２２１および結果データ記憶部２２２を参照し、当該区間を予め算出する。ここで、図７および図８を用いてベイズ最適化による区間の設定について説明する。

図７は、ベイズ最適化によって設定された区間の一例を示す図である。図７に示すように、時系列データ群１７０は、それぞれウエハＮｏ．が同一の計測データ群１７１と対応付けられている。すなわち、時系列データ１７０ａ，１７０ｂ，１７０ｃ，１７０ｄ，・・・と、計測データ１７１ａ，１７１ｂ，１７１ｃ，１７１ｄ，・・・とが、それぞれ対応付けられている。時系列データ群１７０および計測データ群１７１は、さらに、複数枚のウエハのデータ群、例えば、３枚から数十枚分のウエハのデータ群を用いる。分割部２３４は、時系列データ群１７０を説明関数とし、計測データ群１７１を目的関数としてベイズ最適化を行う。

分割部２３４は、例えば、抽出するサイクルの範囲（区間）をパラメータとして、ベイズ最適化を行う。分割部２３４は、後述する第２算出部２３５と同様に、区間の代表値を算出する。分割部２３４は、算出した区間の代表値と計測データとの関係を、例えば、決定係数Ｒ^２を用いて判定する。なお、決定係数Ｒ^２は、０～１の範囲を取る。

図８は、区間の代表値と計測データとの関係の一例を示す図である。図８に示すグラフ１７３の例では、決定係数Ｒ^２は、０．７９５５であったとする。この場合、分割部２３４は、例えば、決定係数Ｒ^２が０．８以上になるまで、または、予め設定した回数や計算時間を満たすまで、上述のパラメータを変化させて探索を行う。すなわち、分割部２３４は、モデルの予測誤差が少なくなるように、所定の区間を設定する。なお、区間の代表値と計測データとの関係は、決定係数Ｒ^２の他に、ＲＭＳＥ（Root Mean Square Error）やＰＬＳを用いてもよい。

分割部２３４は、ベイズ最適化の結果、例えば、図７に示す区間１７２を、統計データまたは時系列データを分割するための区間情報として求めることができる。分割部２３４は、算出した区間１７２を記憶部２２０に記憶する。つまり、区間１７２の例では、上述の区間Ｉ１～Ｉ５と比較して、モデルにおける予測対象を５個から１個に削減することができる。すなわち、ベイズ最適化を用いることで、探索時間を短縮することができる。なお、分割部２３４は、ベイズ最適化に代えて、他のパラメータ探索手法を用いて統計データまたは時系列データを分割するための区間を求めてもよい。

図３の説明に戻る。第２算出部２３５は、分割部２３４から分割された統計データまたは時系列データが入力されると、分割された統計データまたは時系列データに基づいて、区間ごとに代表値（サマリ）を算出する。第２算出部２３５は、区間ごとの代表値として、例えば、平均値、最小値、最大値、分散、および、傾きといった値を算出する。例えば、第２算出部２３５は、統計データまたは時系列データが上述の区間Ｉ１～Ｉ５に分割されている場合、区間Ｉ１～Ｉ５ごとに代表値として平均値を算出する。第２算出部２３５は、算出した区間ごとの代表値を特徴量抽出処理では第２生成部２３６に出力し、予測処理では予測部２３７に出力する。

ここで、図９を用いて時系列データから統計データの区間の代表値を求める場合について説明する。図９は、時系列データから統計データの区間の代表値を求める場合の一例を示す図である。図９に示すように、情報処理装置１００は、時系列データのグラフ１５０から各サイクルの統計値に基づく統計データ１９０を算出する。次に、情報処理装置１００は、例えば、上述の区間Ｉ１～Ｉ５に対応する区間１８１～１８５について、代表値１９１～１９５を算出する。図９の例では、統計データ１９０では、代表値１９１が他の代表値１９２～１９５と比較して低い値となっている。これは、代表値１９１の区間１８１、つまり、プロセスの先頭１サイクルの高周波電源の電圧が低く、プラズマの立ち上がりが悪いことを示している。すなわち、統計データ１９０のウエハは、プラズマの立ち上がりが異常であるプロセスで処理されたため製品不良となるので、このような場合には、異常を検知することになる。

図３の説明に戻る。第２生成部２３６は、特徴量抽出処理において第２算出部２３５から区間ごとの代表値が入力される。第２生成部２３６は、統計データまたは時系列データに基づく区間ごとの代表値に基づいて、多変量解析を行ってモデルを生成する。モデルは、例えば予測関数ｆ（ｘ）である。なお、予測関数ｆ（ｘ）は、例えばマハラノビス距離やＰＬＳ回帰等を用いた関数である。また、第２生成部２３６は、結果データを用いる場合には、結果データ記憶部２２２を参照し、統計データまたは時系列データに基づく区間ごとの代表値と、結果データとに基づいて、多変量解析を行ってモデルを生成する。第２生成部２３６は、生成したモデル、つまり予測関数ｆ（ｘ）に、特徴量である区間ごとの代表値をｘとして入力し、ｙ＝ｆ（ｘ）を求める。ｙは、予測結果を表す。第２生成部２３６は、予測結果について、例えばＲＭＳＥ等の評価関数を用いて、予測精度が閾値以上であるか否かを判定する。第２生成部２３６は、予測精度が閾値以上でないと判定した場合には、分割部２３４に対して区間の分割の方法を変更するように指示する。第２生成部２３６は、予測精度が閾値以上であると判定した場合には、区間の情報およびモデルを記憶部２２０に記憶する。

予測部２３７は、予測処理において第２算出部２３５から区間ごとの代表値が入力される。予測部２３７は、記憶部２２０に記憶された特徴量の抽出時に用いたモデルである予測関数ｆ（ｘ）に、特徴量である区間ごとの代表値をｘとして入力し、予測結果、つまりｙ＝ｆ（ｘ）を求める。予測部２３７は、予測結果が閾値以上であるか否かを判定する。予測部２３７は、予測結果が閾値以上であると判定した場合には、予測結果を出力し、予め設定された動作、例えば、基板処理装置１０におけるレシピの設定値の変更、基板処理装置１０に対するアラームの通知、作業者に対するメール送信等を実行する。予測部２３７は、予測結果が閾値以上でないと判定した場合には、予測結果を出力し、予め設定された動作を実行しない。

予測結果は、用いたモデルに応じて、プロセスの異常検知情報、プロセスの結果に関する予測情報、基板処理装置１０のメンテナンス時期の予測情報、基板処理装置１０の設定値の補正情報、および、プロセスの設定値の補正情報といった情報が挙げられる。また、予測結果として、プロセスの異常を分類した情報を出力するようにしてもよい。なお、予測結果は、記憶部２２０に記憶して統計処理等の他の処理に用いたり、基板処理装置１０に送信して設定値の補正に用いたりといった様々な用途に用いることができる。

ここで、図１０を用いて予測結果の一例について説明する。図１０は、プロセスの異常検知における従来との比較の一例を示す図である。図１０に示すように、例えば、予測結果としてプロセスの異常検知情報を用いる場合、従来の時系列データ全体から生成したサマリ１９６と比較して、本実施形態において生成した予測結果であるサマリ１９７は、２枚目と７枚目のウエハが母集団から外れており、異常が発生していることが検知できる。

［特徴量抽出方法］
次に、本実施形態の情報処理装置１００の動作について説明する。まず、図１１を用いて特徴量抽出処理について説明する。図１１は、本実施形態における特徴量抽出処理の一例を示すフローチャートである。なお、図１１では、統計データを区間分割する場合を一例として説明する。

情報処理装置１００の取得部２３１は、基板処理装置１０から各ウエハに対応するそれぞれの時系列データ群を取得する（ステップＳ１）。なお、取得部２３１は、結果データを用いる場合、結果データ取得装置２０から各ウエハに対する結果データを取得する。取得部２３１は、取得した時系列データ群を時系列データ群記憶部２２１に記憶し、取得した結果データを結果データ記憶部２２２に記憶する。

第１算出部２３２は、時系列データ群記憶部２２１を参照し、時系列データ群に含まれる時系列データごとに、サイクル処理の各サイクルの統計値を算出する（ステップＳ２）。第１算出部２３２は、算出した時系列データごとの統計値の集合を第１生成部２３３に出力する。

第１生成部２３３は、第１算出部２３２から時系列データごとの統計値の集合が入力されると、時系列データごとに、統計値の集合に基づいて統計データを生成する（ステップＳ３）。第１生成部２３３は、生成した統計データを分割部２３４に出力する。

分割部２３４は、第１生成部２３３から統計データが入力されると、入力された統計データを１つ以上の区間に分割する（ステップＳ４）。分割部２３４は、分割した統計データを第２算出部２３５に出力する。

第２算出部２３５は、分割部２３４から分割された統計データが入力されると、分割された統計データに基づいて、区間ごとの代表値を算出する（ステップＳ５）。第２算出部２３５は、算出した区間ごとの代表値を第２生成部２３６に出力する。

第２生成部２３６は、第２算出部２３５から区間ごとの代表値が入力されると、区間ごとの代表値に基づいて、多変量解析を行ってモデル（予測関数ｆ（ｘ））を生成する（ステップＳ６）。なお、第２生成部２３６は、結果データを用いる場合、結果データ記憶部２２２を参照し、区間ごとの代表値と結果データとに基づいて、多変量解析を行ってモデルを生成する。第２生成部２３６は、生成したモデル（ｆ（ｘ））に区間ごとの代表値（特徴量ｘ）を入力して予測結果を求める。つまり、ｙ＝ｆ（ｘ）を求める（ステップＳ７）。

第２生成部２３６は、予測結果について、例えばＲＭＳＥ等の評価関数を用いて、予測精度が閾値以上であるか否かを判定する（ステップＳ８）。第２生成部２３６は、予測精度が閾値以上でないと判定した場合（ステップＳ８：Ｎｏ）、ステップＳ４に戻り、区間分割からやり直す。第２生成部２３６は、予測精度が閾値以上であると判定した場合（ステップＳ８：Ｙｅｓ）、区間の情報およびモデルを記憶部２２０に記憶し、特徴量抽出処理を終了する。これにより、情報処理装置１００は、繰り返し処理時に測定した時系列データ群の特徴量抽出の精度を向上させることができる。

［予測方法］
次に、図１２を用いて予測処理について説明する。図１２は、本実施形態における予測処理の一例を示すフローチャートである。なお、図１２では、統計データを区間分割する場合を一例として説明する。

情報処理装置１００の取得部２３１は、基板処理装置１０からウエハに対応する時系列データ群を取得する（ステップＳ１１）。取得部２３１は、取得した時系列データ群を時系列データ群記憶部２２１に記憶する。

第１算出部２３２は、時系列データ群記憶部２２１を参照し、時系列データ群に含まれる時系列データごとに、サイクル処理の各サイクルの統計値を特徴量の抽出時と同じ手法で算出する（ステップＳ１２）。第１算出部２３２は、算出した時系列データごとの統計値の集合を第１生成部２３３に出力する。

第１生成部２３３は、第１算出部２３２から時系列データごとの統計値の集合が入力されると、時系列データごとに、統計値の集合に基づいて統計データを生成する（ステップＳ１３）。第１生成部２３３は、生成した統計データを分割部２３４に出力する。

分割部２３４は、入力された統計データを特徴量の抽出時と同じ区間に分割する（ステップＳ１４）。分割部２３４は、分割した統計データを第２算出部２３５に出力する。

第２算出部２３５は、分割部２３４から分割された統計データが入力されると、分割された統計データに基づいて、区間ごとの代表値を特徴量の抽出時と同じ手法で算出する（ステップＳ１５）。第２算出部２３５は、算出した区間ごとの代表値（特徴量ｘ）を予測部２３７に出力する。

予測部２３７は、第２算出部２３５から区間ごとの代表値が入力されると、特徴量の抽出時に用いたモデルに区間ごとの代表値を入力して予測結果を求める（ステップＳ１６）。つまり、ｙ＝ｆ（ｘ）に特徴量ｘを代入する。予測部２３７は、予測結果が閾値以上であるか否かを判定する（ステップＳ１７）。予測部２３７は、予測結果が閾値以上であると判定した場合（ステップＳ１７：Ｙｅｓ）、予め設定された動作を実行し（ステップＳ１８）、予測処理を終了する。なお、予め設定された動作としては、基板処理装置１０におけるレシピの設定値の変更、基板処理装置１０に対するアラームの通知、作業者に対するメール送信等が挙げられる。一方、予測部２３７は、予測結果が閾値以上でないと判定した場合（ステップＳ１７：Ｎｏ）、特に動作を実行せずに予測処理を終了する。これにより、情報処理装置１００は、繰り返し処理時に測定した時系列データ群の特徴量抽出の精度を向上させ、予測結果を用いて異常検知や予測等を行うことができる。

以上、本実施形態によれば、情報処理装置１００は、基板に対してサイクル処理中に測定された時系列データ群を取得する。また、情報処理装置１００は、取得した時系列データ群に含まれる時系列データごとに、サイクル処理の各サイクルの統計値を算出する。また、情報処理装置１００は、算出した統計値に基づく統計データを生成する。また、情報処理装置１００は、生成した統計データまたは時系列データを所定の区間に分割する。また、情報処理装置１００は、分割した統計データまたは時系列データに基づいて、区間ごとに代表値を算出する。算出された代表値は、基板に対するサイクル処理におけるプロセスの特徴を表している。その結果、繰り返し処理時に測定した時系列データ群の特徴量抽出の精度を向上させることができる。

また、本実施形態によれば、情報処理装置１００は、さらに、基板に対するプロセスの結果に関する結果データを取得する。また、情報処理装置１００は、算出した区間ごとの代表値と、結果データとに基づいて、モデルを生成する。その結果、繰り返し処理時に測定した時系列データ群の特徴量抽出の精度を向上させるモデルを生成することができる。

また、本実施形態によれば、情報処理装置１００は、モデルの予測誤差が少なくなるように、所定の区間を設定する。その結果、時系列データ群の特徴量抽出の精度をより向上させることができる。

また、本実施形態によれば、情報処理装置１００は、統計データまたは時系列データを少なくとも前半、中盤および後半の各区間に分割する。その結果、時系列データの先頭や最後尾における特徴量を精度よく抽出することができる。

また、本実施形態によれば、情報処理装置１００は、ベイズ最適化によって区間を求める。その結果、従来の知見に依存せずに区間を求めることができる。

また、本実施形態によれば、情報処理装置１００は、多変量解析またはニューラルネットワーキングのうち少なくとも１つを用いる。その結果、時系列データ群の特徴量抽出の精度をより向上させることができる。

また、本実施形態によれば、統計値は、それぞれのサイクルにおける、平均値、最小値、最大値、分散および傾きのうち、いずれか１つである。その結果、時系列データの特性に応じて特徴量を抽出できるので、精度をより向上させることができる。

また、本実施形態によれば、代表値は、所定の区間における、平均値、最小値、最大値、分散および傾きのうち、いずれか１つである。その結果、時系列データの特性に応じて特徴量を抽出できるので、精度をより向上させることができる。

また、本実施形態によれば、情報処理装置１００は、新たな基板に対するサイクル処理中に測定された時系列データ群を取得する。また、情報処理装置１００は、取得した時系列データ群に含まれる時系列データごとに、サイクル処理の各サイクルの統計値を算出する。また、情報処理装置１００は、算出した統計値に基づく統計データを生成する。また、情報処理装置１００は、生成した統計データまたは時系列データを所定の区間に分割する。また、情報処理装置１００は、分割した統計データまたは時系列データに基づいて、区間ごとに代表値を算出する。また、情報処理装置１００は、算出した区間ごとの代表値をモデルに入力し、予測結果を出力する。その結果、より精度よく予測することができる。

また、本実施形態によれば、予測結果は、プロセスの異常検知情報、プロセスの結果に関する予測情報、基板処理装置１０のメンテナンス時期の予測情報、基板処理装置１０の設定値の補正情報、および、プロセスの設定値の補正情報のうち、１つまたは複数である。その結果、プロセスにおける異常を検知することができる。また、ウエハの処理計画を容易に建てることができる。また、基板処理装置１０のメンテナンス時期を容易に知ることができる。また、基板処理装置１０やプロセスの設定値を補正することができる。

今回開示された実施形態は、すべての点で例示であって、制限的なものではないと考えられるべきである。上記の実施形態は、添付の請求の範囲およびその主旨を逸脱することなく、様々な形体で省略、置換、変更されてもよい。

また、上記した実施形態では、時系列データの一例として、基板処理装置１０の高周波電源の電圧を挙げたが、これに限定されない。例えば、処理ガスの流量、チャンバ内の圧力等のウエハに対する出来栄えに関連する情報を時系列データとしてもよい。

また、上記した実施形態では、多変量解析を用いてモデルを生成したが、これに限定されない。例えば、異常検知であれば、複数の統計データと計測データと異常または正常情報との組を訓練データとしてＣＮＮ（Convolutional Neural Network）等の機械学習によって学習済モデルを生成し、生成した学習済モデルをモデルとして用いて、異常を検知するようにしてもよい。さらに、１つの計測データに着目したトレンドチャートによる異常検知を組み合わせてもよい。

また、上記した実施形態では、統計データを分割する所定の区間について、予め設定する場合と、ベイズ最適化で求める場合とを説明したが、これに限定されない。例えば、様々なプロセスにおいて、統計データとベイズ最適化で求めた区間との組を訓練データとしてＣＮＮ等の機械学習によって学習済モデルを生成し、生成した学習済モデルを用いて、新たなプロセスの統計データにおける所定の区間を決定してもよい。

また、上記した実施形態では、基板処理装置１０から時系列データを取得した情報処理装置１００で特徴量抽出処理および予測処理等のデータ処理を行ったが、これに限定されない。例えば、基板処理装置１０の制御部で上述の特徴量抽出処理および予測処理等の各種データ処理を行うようにしてもよい。

また、上記した実施形態では、基板処理装置１０における処理対象の基板として半導体ウエハを一例として説明したが、これに限定されない。例えば、ＦＰＤ（Flat Panel Display）等の基板を処理対象とした基板処理装置から時系列データを取得してもよい。

さらに、各装置で行われる各種処理機能は、ＣＰＵ（またはＭＰＵ、ＭＣＵ（Micro Controller Unit）等のマイクロ・コンピュータ）上で、その全部または任意の一部を実行するようにしてもよい。また、各種処理機能は、ＣＰＵ（またはＭＰＵ、ＭＣＵ等のマイクロ・コンピュータ）で解析実行されるプログラム上、またはワイヤードロジックによるハードウェア上で、その全部または任意の一部を実行するようにしてもよいことは言うまでもない。

１情報処理システム
１０基板処理装置
２０結果データ取得装置
１００情報処理装置
２２０記憶部
２２１時系列データ群記憶部
２２２結果データ記憶部
２３０制御部
２３１取得部
２３２第１算出部
２３３第１生成部
２３４分割部
２３５第２算出部
２３６第２生成部
２３７予測部

Claims

基板に対するサイクル処理中に測定された時系列データ群と、前記基板に対するプロセスの結果に関する結果データとを取得することと、
取得した前記時系列データ群に含まれる時系列データごとに、前記サイクル処理の各サイクルの統計値を算出することと、
算出した前記統計値に基づく統計データを生成することと、
生成した前記統計データを所定の区間に分割することと、
分割した前記統計データに基づいて、前記区間ごとに代表値を算出することと、
算出した前記区間ごとの前記代表値と、前記結果データとに基づいて、モデルを生成することと、
を有する情報処理方法。
前記分割する処理は、モデルの予測誤差が少なくなるように、前記所定の区間を設定する、
請求項１に記載の情報処理方法。
前記分割する処理は、前記統計データを少なくとも前半、中盤および後半の各区間に分割する、
請求項１または２に記載の情報処理方法。
前記分割する処理は、ベイズ最適化によって前記区間を求める、
請求項１～３のいずれか１つに記載の情報処理方法。
前記モデルを生成する処理は、多変量解析またはニューラルネットワーキングのうち少なくとも１つを用いる、
請求項１に記載の情報処理方法。
前記統計値は、それぞれの前記サイクルにおける、平均値、最小値、最大値、分散および傾きのうち、いずれか１つである、
請求項１～５のいずれか１つに記載の情報処理方法。
前記代表値は、前記所定の区間における、平均値、最小値、最大値、分散および傾きのうち、いずれか１つである、
請求項１～６のいずれか１つに記載の情報処理方法。
新たな基板に対するサイクル処理中に測定された時系列データ群を取得することと、
取得した前記時系列データ群に含まれる時系列データごとに、前記サイクル処理の各サイクルの統計値を算出することと、
算出した前記統計値に基づく統計データを生成することと、
生成した前記統計データまたは前記時系列データを所定の区間に分割することと、
分割した前記統計データまたは前記時系列データに基づいて、前記区間ごとに代表値を算出することと、
算出した前記区間ごとの前記代表値をモデルに入力し、予測結果を出力することと、
を有する情報処理方法。
前記予測結果は、プロセスの異常検知情報、前記プロセスの結果に関する予測情報、基板処理装置のメンテナンス時期の予測情報、前記基板処理装置の設定値の補正情報、および、前記プロセスの設定値の補正情報のうち、１つまたは複数である、
請求項８に記載の情報処理方法。
基板に対するサイクル処理中に測定された時系列データ群と、前記基板に対するプロセスの結果に関する結果データとを取得することと、
取得した前記時系列データ群に含まれる時系列データごとに、前記サイクル処理の各サイクルの統計値を算出することと、
算出した前記統計値に基づく統計データを生成することと、
生成した前記統計データを所定の区間に分割することと、
分割した前記統計データに基づいて、前記区間ごとに代表値を算出することと、
算出した前記区間ごとの前記代表値と、前記結果データとに基づいて、モデルを生成することと、
を有するモデルの生成方法。
基板に対するサイクル処理中に測定された時系列データ群と、前記基板に対するプロセスの結果に関する結果データとを取得する取得部と、
取得した前記時系列データ群に含まれる時系列データごとに、前記サイクル処理の各サイクルの統計値を算出する第１算出部と、
算出した前記統計値に基づく統計データを生成する第１生成部と、
生成した前記統計データを所定の区間に分割する分割部と、
分割した前記統計データに基づいて、前記区間ごとに代表値を算出する第２算出部と、
算出した前記区間ごとの前記代表値と、前記結果データとに基づいて、モデルを生成する第２生成部と、
を有する情報処理装置。
前記分割部は、モデルの予測誤差が少なくなるように、前記所定の区間を設定する、
請求項１１に記載の情報処理装置。
前記分割部は、前記統計データを少なくとも前半、中盤および後半の各区間に分割する、
請求項１１または１２に記載の情報処理装置。
新たな被予測対象の基板に対するサイクル処理中に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に含まれる時系列データごとに、前記サイクル処理の各サイクルの統計値を算出する第１算出部と、
算出した前記統計値に基づく統計データを生成する生成部と、
生成した前記統計データまたは前記時系列データを所定の区間に分割する分割部と、
分割した前記統計データまたは前記時系列データに基づいて、前記区間ごとに代表値を算出する第２算出部と、
算出した前記区間ごとの前記代表値をモデルに入力し、予測結果を出力する予測部と、
を有する情報処理装置。
前記予測結果は、プロセスの異常検知情報、前記プロセスの結果に関する予測情報、基板処理装置のメンテナンス時期の予測情報、前記基板処理装置の設定値の補正情報、および、前記プロセスの設定値の補正情報のうち、１つまたは複数である、
請求項１４に記載の情報処理装置。