JP7291670B2 - 推論方法、推論プログラム、モデル生成方法、モデル生成プログラム、推論装置及び学習装置 - Google Patents

推論方法、推論プログラム、モデル生成方法、モデル生成プログラム、推論装置及び学習装置 Download PDF

Info

Publication number
JP7291670B2
JP7291670B2 JP2020108905A JP2020108905A JP7291670B2 JP 7291670 B2 JP7291670 B2 JP 7291670B2 JP 2020108905 A JP2020108905 A JP 2020108905A JP 2020108905 A JP2020108905 A JP 2020108905A JP 7291670 B2 JP7291670 B2 JP 7291670B2
Authority
JP
Japan
Prior art keywords
data
image data
processed
learning
simulator
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
JP2020108905A
Other languages
English (en)
Other versions
JP2020191096A5 (ja
JP2020191096A (ja
Inventor
孝祐 中郷
大資 本木
正樹 渡部
智希 小松
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.)
Preferred Networks Inc
Original Assignee
Preferred Networks Inc
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 Preferred Networks Inc filed Critical Preferred Networks Inc
Publication of JP2020191096A publication Critical patent/JP2020191096A/ja
Publication of JP2020191096A5 publication Critical patent/JP2020191096A5/ja
Application granted granted Critical
Publication of JP7291670B2 publication Critical patent/JP7291670B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • C—CHEMISTRY; METALLURGY
    • C23—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; CHEMICAL SURFACE TREATMENT; DIFFUSION TREATMENT OF METALLIC MATERIAL; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL; INHIBITING CORROSION OF METALLIC MATERIAL OR INCRUSTATION IN GENERAL
    • C23C—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; SURFACE TREATMENT OF METALLIC MATERIAL BY DIFFUSION INTO THE SURFACE, BY CHEMICAL CONVERSION OR SUBSTITUTION; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL
    • C23C14/00—Coating by vacuum evaporation, by sputtering or by ion implantation of the coating forming material
    • C23C14/22—Coating by vacuum evaporation, by sputtering or by ion implantation of the coating forming material characterised by the process of coating
    • C23C14/54—Controlling or regulating the coating process
    • C—CHEMISTRY; METALLURGY
    • C23—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; CHEMICAL SURFACE TREATMENT; DIFFUSION TREATMENT OF METALLIC MATERIAL; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL; INHIBITING CORROSION OF METALLIC MATERIAL OR INCRUSTATION IN GENERAL
    • C23C—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; SURFACE TREATMENT OF METALLIC MATERIAL BY DIFFUSION INTO THE SURFACE, BY CHEMICAL CONVERSION OR SUBSTITUTION; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL
    • C23C16/00—Chemical coating by decomposition of gaseous compounds, without leaving reaction products of surface material in the coating, i.e. chemical vapour deposition [CVD] processes
    • C23C16/44—Chemical coating by decomposition of gaseous compounds, without leaving reaction products of surface material in the coating, i.e. chemical vapour deposition [CVD] processes characterised by the method of coating
    • C23C16/52—Controlling or regulating the coating process
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • 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
    • 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
    • H01L21/02—Manufacture or treatment of semiconductor devices or of parts thereof
    • H01L21/04—Manufacture or treatment of semiconductor devices or of parts thereof the devices having potential barriers, e.g. a PN junction, depletion layer or carrier concentration layer
    • H01L21/18—Manufacture or treatment of semiconductor devices or of parts thereof the devices having potential barriers, e.g. a PN junction, depletion layer or carrier concentration layer the devices having semiconductor bodies comprising elements of Group IV of the Periodic Table or AIIIBV compounds with or without impurities, e.g. doping materials
    • H01L21/30—Treatment of semiconductor bodies using processes or apparatus not provided for in groups H01L21/20 - H01L21/26
    • H01L21/302—Treatment of semiconductor bodies using processes or apparatus not provided for in groups H01L21/20 - H01L21/26 to change their surface-physical characteristics or shape, e.g. etching, polishing, cutting
    • H01L21/306—Chemical or electrical treatment, e.g. electrolytic etching
    • H01L21/3065—Plasma etching; Reactive-ion etching
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
    • H01L21/67005—Apparatus not specifically provided for elsewhere
    • H01L21/67011—Apparatus for manufacture or treatment
    • H01L21/67017—Apparatus for fluid treatment
    • H01L21/67063—Apparatus for fluid treatment for etching
    • H01L21/67069—Apparatus for fluid treatment for etching for drying etching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer

Landscapes

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

Description

本発明は、推論方法、推論プログラム、モデル生成方法、モデル生成プログラム、推論装置及び学習装置に関する。
従来より、半導体製造メーカでは、各製造プロセス（例えば、ドライエッチング、デポジション等）の物理モデルを生成してシミュレーションを実行し、シミュレーション結果に基づき最適なレシピの探索や、プロセスパラメータの調整等を行っている。
ここで、物理モデルのような繰り返し試行を行うモデルの場合、シミュレーションを実行するのに一定程度の時間を要する。このため、最近では、物理モデルに基づくシミュレータの代替として、機械学習された学習済みモデルの適用が検討されている。
一方で、物理モデルに基づくシミュレータを代替するには、当該シミュレータにて実行されるシミュレーションを、学習済みモデルでも再現することが求められる。
本開示は、製造プロセスのシミュレータを代替する学習済みモデルを提供する。
本開示の一態様による推論方法は、例えば、以下のような構成を有する。即ち、
少なくとも１つのプロセッサが、第２の処理対象の処理前画像データと所定プロセスに応じたシミュレーションを実行するシミュレータの第２のパラメータデータとを推論用のデータとしてニューラルネットワークに入力し、前記第２の処理対象の処理前画像データに対してシミュレーションが実行された場合の前記第２の処理対象の処理後画像データを生成すること、を備え、
前記ニューラルネットワークは、第１の処理対象の処理前画像データと前記シミュレータの第１のパラメータデータとが、学習用の入力データとして前記ニューラルネットワークに入力された場合の出力と、前記第１の処理対象の処理前画像データに対して前記シミュレータが前記第１のパラメータデータを用いた前記所定プロセスに応じたシミュレーションを実行することにより生成される、学習用の正解データである前記第１の処理対象の処理後画像データとの差分情報に基づいて学習されたものである。
図１は、シミュレーションシステムの全体構成の一例を示す図である。 図２は、シミュレーションシステムを構成する各装置のハードウェア構成の一例を示す図である。 図３は、学習用データの一例を示す図である。 図４は、第１の実施形態に係る学習装置の学習部の機能構成の一例を示す図である。 図５は、第１の実施形態に係る学習装置のデータ整形部の機能構成の一例を示す図である。 図６は、第１の実施形態に係る学習装置のデータ整形部による処理の具体例を示す図である。 図７は、第１の実施形態に係る学習装置のドライエッチング用学習モデルによる処理の具体例を示す図である。 図８は、シミュレーションシステムにおける学習処理の流れを示すフローチャートである。 図９は、推論装置の実行部の機能構成の一例を示す図である。 図１０は、ドライエッチング用学習済みモデルのシミュレーション精度を示した図である。 図１１は、デポジション用学習済みモデルのシミュレーション精度を示した図である。 図１２は、第２の実施形態に係る学習装置のデータ整形部の機能構成の一例を示す図である。 図１３は、第２の実施形態に係る学習装置のドライエッチング用学習モデルによる処理の具体例を示す図である。 図１４は、第３の実施形態に係る学習装置の学習部の機能構成の一例を示す図である。 図１５は、第４の実施形態に係る学習装置のデータ整形部の機能構成の一例を示す図である。
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］
＜シミュレーションシステムの全体構成＞
はじめに、半導体製造プロセスのシミュレーションを行うシミュレーションシステムの全体構成について説明する。図１は、シミュレーションシステムの全体構成の一例を示す図である。図１に示すように、シミュレーションシステム１００は、学習装置１１０、推論装置１２０、シミュレーション装置１３０を有する。
学習装置１１０には、データ整形プログラム及び学習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、学習装置１１０はデータ整形部１１１及び学習部１１２として機能する。
データ整形部１１１は加工部の一例である。データ整形部１１１は、シミュレーション装置１３０より送信され、学習用データ格納部１１３に格納された学習用データを読み出し、読み出した学習用データの一部を、学習部１１２が学習モデルに入力するのに適した所定の形式に加工する。
学習部１１２は、読み出された学習用データ（データ整形部１１１により加工された学習用データを含む）を用いて、学習モデルについて機械学習を行い、半導体製造プロセスの学習済みモデルを生成する。学習部１１２により生成された学習済みモデルは、推論装置１２０に提供される。
推論装置１２０には、データ整形プログラム及び実行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、推論装置１２０はデータ整形部１２１及び実行部１２２として機能する。
データ整形部１２１は加工部の一例であり、シミュレーション装置１３０より送信される、処理前画像データ及びパラメータデータ（詳細は後述）を取得する。また、データ整形部１２１は、取得したパラメータデータを、実行部１２２が学習済みモデルに入力するのに適した所定の形式に加工する。
実行部１２２は、処理前画像データと、データ整形部１２１において所定の形式に加工されたパラメータデータとを学習済みモデルに入力し、シミュレーションを実行することで、処理後画像データ（シミュレーション結果）を出力（推論）する。
シミュレーション装置１３０には、実行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、シミュレーション装置１３０は、実行部１３１として機能する。
実行部１３１は、半導体製造プロセスを物理法則等を用いて同定した物理モデルに、所定の処理条件を示すパラメータデータを設定してシミュレーションを実行するシミュレータ（いわゆる物理モデルに基づくシミュレータ）を有する。実行部１３１は、処理前画像データ格納部１３２より処理前画像データを読み出し、物理モデルに基づくシミュレータを用いてシミュレーションを実行することで、処理後画像データ（シミュレーション結果）を出力する。
実行部１３１により読み出される処理前画像データには、半導体製造プロセス（例えば、ドライエッチング、デポジション等）における処理対象（ウェハ）の処理前の形状を示す画像データが含まれる。なお、半導体製造プロセスにおける処理対象は複数のマテリアルから構成されており、処理前画像データの各画素は、例えば、各マテリアルの組成比（または含有比）に応じた画素値により表現されていてもよい。ただし、処理前画像データの表現形式はこれに限定されず、他の表現形式により表現されていてもよい。
実行部１３１がシミュレーションを実行することで出力する処理後画像データは、ドライエッチング用のシミュレータを用いた場合にあっては、ドライエッチング後の形状を示す画像データとなる。
また、実行部１３１がシミュレーションを実行することで出力する処理後画像データは、デポジション用のシミュレータを用いた場合にあっては、デポジション処理後の形状を示す画像データとなる。
なお、半導体製造プロセスにより処理された処理後の処理対象も複数のマテリアルから構成されており、処理後画像データの各画素は、例えば、各マテリアルの組成比（または含有比）に応じた画素値により表現される。ただし、処理後画像データの表現形式はこれに限定されず、処理前画像データと同様、他の表現形式により表現されてもよい。
実行部１３１は、シミュレーションを実行した際に用いた処理前画像データと、対応するパラメータデータと、処理後画像データとを含む学習用データを生成し、学習装置１１０に送信する。
更に、実行部１３１は、推論装置１２０のユーザが、学習済みモデルを検証するのに用いる、処理前画像データ、パラメータデータ、処理後画像データを、推論装置１２０に送信する。
推論装置１２０のユーザは、実行部１２２が学習済みモデルを用いてシミュレーションを実行することで出力された処理後画像データと、実行部１３１より送信された処理後画像データとを対比することで、学習済みモデルを検証する。
具体的には、推論装置１２０のユーザは、
・推論装置１２０において、処理前画像データ及びパラメータデータをデータ整形部１２１に入力してから、実行部１２２より処理後画像データが出力されるまでのシミュレーション時間と、
・シミュレーション装置１３０において、物理モデルに基づくシミュレータにパラメータデータを設定した状態で、処理前画像データを実行部１３１に入力してから、実行部１３１より処理後画像データが出力されるまでのシミュレーション時間と、
を対比する。これにより、推論装置１２０のユーザは、学習済みモデルのシミュレーション時間が、物理モデルに基づくシミュレータのシミュレーション時間よりも短縮されているか否かを検証することができる。
また、推論装置１２０のユーザは、
・推論装置１２０において、処理前画像データ及びパラメータデータをデータ整形部１２１に入力したことで実行部１２２より出力される処理後画像データと、
・シミュレーション装置１３０において、物理モデルに基づくシミュレータにパラメータデータを設定した状態で、処理前画像データを実行部１３１に入力したことで実行部１３１より出力される処理後画像データと、
を対比する。これにより、推論装置１２０のユーザは、物理モデルに基づくシミュレータに対する学習済みモデルのシミュレーション精度（物理モデルに基づくシミュレータを代替可能なシミュレーション精度を有しているか否か）を検証することができる。
なお、検証が完了すると、推論装置１２０には、任意の処理前画像データと、任意のパラメータデータとが入力され、様々なシミュレーションが実行されることになる。
＜シミュレーションシステムを構成する各装置のハードウェア構成＞
次に、シミュレーションシステム１００を構成する各装置（学習装置１１０、推論装置１２０、シミュレーション装置１３０）のハードウェア構成について、図２を用いて説明する。図２は、シミュレーションシステムを構成する各装置のハードウェア構成の一例を示す図である。
なお、学習装置１１０と推論装置１２０のハードウェア構成は概ね同じであることから、ここでは、学習装置１１０のハードウェア構成について説明する。
（１）学習装置１１０のハードウェア構成
図２の２ａは、学習装置１１０のハードウェア構成の一例を示す図である。図２の２ａに示すように、学習装置１１０は、ＣＰＵ（Central Processing Unit）２０１、ＲＯＭ（Read Only Memory）２０２を有する。また、学習装置１１０は、ＲＡＭ（Random Access Memory）２０３、ＧＰＵ（Graphics Processing Unit）２０４を有する。なお、ＣＰＵ２０１、ＧＰＵ２０４などのプロセッサ（処理回路、Processing Circuit、Processing Circuitry）と、ＲＯＭ２０２、ＲＡＭ２０３などのメモリは、いわゆるコンピュータを形成する。
更に、学習装置１１０は、補助記憶装置２０５、操作装置２０６、表示装置２０７、Ｉ／Ｆ（Interface）装置２０８、ドライブ装置２０９を有する。なお、学習装置１１０の各ハードウェアは、バス２１０を介して相互に接続される。
ＣＰＵ２０１は、補助記憶装置２０５にインストールされた各種プログラム（例えば、データ整形プログラム、学習プログラム等）を実行する演算デバイスである。
ＲＯＭ２０２は、不揮発性メモリであり、主記憶装置として機能する。ＲＯＭ２０２は、補助記憶装置２０５にインストールされた各種プログラムをＣＰＵ２０１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、ＲＯＭ２０２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。
ＲＡＭ２０３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。ＲＡＭ２０３は、補助記憶装置２０５にインストールされた各種プログラムがＣＰＵ２０１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。
ＧＰＵ２０４は、画像処理用の演算デバイスであり、ＣＰＵ２０１により各種プログラムが実行される際に、各種画像データについて、並列処理による高速演算を実行する。
補助記憶装置２０５は、各種プログラムや、各種プログラムがＣＰＵ２０１によって実行される際にＧＰＵ２０４によって画像処理される各種画像データ等を記憶する記憶部である。例えば、学習用データ格納部１１３は、補助記憶装置２０５において実現される。
操作装置２０６は、学習装置１１０の管理者が学習装置１１０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。表示装置２０７は、学習装置１１０の内部情報を表示する表示デバイスである。
Ｉ／Ｆ装置２０８は、他の装置（例えば、シミュレーション装置１３０）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２０９は記録媒体２２０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２２０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２２０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２０５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２２０がドライブ装置２０９にセットされ、該記録媒体２２０に記録された各種プログラムがドライブ装置２０９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２０５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。
（２）シミュレーション装置１３０のハードウェア構成
図２の２ｂは、シミュレーション装置１３０のハードウェア構成の一例を示す図である。なお、図２の２ｂに示すように、シミュレーション装置１３０のハードウェア構成は、学習装置１１０のハードウェア構成と同じであるため、ここでは説明を省略する。
＜学習用データの説明＞
次に、シミュレーション装置１３０より送信され、学習用データ格納部１１３に格納される学習用データについて説明する。図３は、学習用データの一例を示す図である。図３に示すように、学習用データ３００には、情報の項目として、"工程"、"シミュレーションＩＤ"、"処理前画像データ"、"パラメータデータ"、"処理後画像データ"が含まれる。
"工程"には、半導体製造プロセスを示す名称が格納される。図３の例は、"工程"として、「ドライエッチング」と、「デポジション」の２つの名称が格納された様子を示している。
"シミュレーションＩＤ"には、実行部１３１が各シミュレータを用いて実行する各シミュレーションを識別するための識別子が格納される。なお、第１の実施形態において、実行部１３１は、ドライエッチング用シミュレータ３１０と、デポジション用シミュレータ３２０とを有しており、当該各シミュレータを用いてシミュレーションを実行するものとする。
図３の例は、実行部１３１が、ドライエッチング用シミュレータ３１０を用いて実行するシミュレーションの"シミュレーションＩＤ"として、「Ｓ００１」、「Ｓ００２」が格納された様子を示している。また、図３の例は、実行部１３１が、デポジション用シミュレータ３２０を用いて実行するシミュレーションの"シミュレーションＩＤ"として、「Ｓ１０１」が格納された様子を示している。
"処理前画像データ"には、実行部１３１が各シミュレータを用いてシミュレーションを実行する際に入力する処理前画像データのファイル名が格納される。図３の例は、シミュレーションＩＤ＝Ｓ００１の場合、"ファイル名"が「形状データＬＤ００１」の処理前画像データをドライエッチング用シミュレータ３１０に入力してシミュレーションを実行することを示している。また、図３の例は、シミュレーションＩＤ＝Ｓ００２の場合、"ファイル名"が「形状データＬＤ００２」の処理前画像データをドライエッチング用シミュレータ３１０に入力してシミュレーションを実行することを示している。更に、図３の例は、シミュレーションＩＤ＝Ｓ１０１の場合、"ファイル名"が「形状データＬＤ１０１」の処理前画像データをデポジション用シミュレータ３２０に入力してシミュレーションを実行することを示している。
"パラメータデータ"には、実行部１３１がシミュレーションを実行する際に、各シミュレータに設定する、所定の処理条件を示す情報が格納される。図３の例は、ドライエッチング用シミュレータ３１０を用いてシミュレーションＩＤ＝Ｓ００１のシミュレーションを実行した際、実行部１３１が「パラメータ００１＿１」、「パラメータ００１＿２」、・・・等を設定したことを示している。
なお、「パラメータ００１＿１」、「パラメータ００１＿２」、・・・等とは、具体的には、下記のような値を指すものとする。
・マテリアルごとのけずれ率（etch ratio）、
・マテリアルごとのけずれ方向（lateral ratio）
・マテリアルごとのけずれ深さ（depth）
"処理後画像データ"には、実行部１３１が各シミュレータを用いてシミュレーションを実行したことで出力された処理後画像データのファイル名が格納される。図３の例は、シミュレーションＩＤ＝Ｓ００１の場合、ドライエッチング用シミュレータ３１０を用いてシミュレーションを実行したことで、"ファイル名"＝「形状データＬＤ００１'」の処理後画像データが出力されたことを示している。
また、図３の例は、シミュレーションＩＤ＝Ｓ００２の場合、ドライエッチング用シミュレータ３１０を用いてシミュレーションを実行したことで、"ファイル名"＝「形状データＬＤ００２'」の処理後画像データが出力されたことを示している。
更に、図３の例は、シミュレーションＩＤ＝Ｓ１０１の場合、デポジション用シミュレータ３２０を用いてシミュレーションを実行したことで、"ファイル名"＝「形状データＬＤ１０１'」の処理後画像データが出力されたことを示している。
なお、実行部１３１は、各シミュレータを用いてシミュレーションを実行することで学習用データ３００を生成し、学習装置１１０に送信する。これにより、学習装置１１０の学習用データ格納部１１３には、学習用データ３００が格納される。
＜学習装置の機能構成＞
次に、学習装置１１０の各部（データ整形部１１１、学習部１１２）の機能構成の詳細について説明する。
（１）学習部の機能構成の詳細
はじめに、学習装置１１０の学習部１１２の機能構成の詳細について説明する。図４は、第１の実施形態に係る学習装置の学習部の機能構成の一例を示す図である。図４に示すように、学習装置１１０の学習部１１２は、ドライエッチング用学習モデル４２０、デポジション用学習モデル４２１、比較部４３０、変更部４４０を有する。
学習用データ格納部１１３に格納された学習用データ３００の処理前画像データ及びパラメータデータは、データ整形部１１１により読み出され、対応する学習モデルに入力される。なお、本実施形態において、パラメータデータは、データ整形部１１１にて所定の形式に加工された上で、対応する学習モデルに入力されるが、予め所定の形式に加工されたものをデータ整形部１１１が読み出して、対応する学習モデルに入力してもよい。
ドライエッチング用学習モデル４２０には、処理前画像データと、データ整形部１１１により所定の形式に加工されたパラメータデータと（"工程"＝「ドライエッチング」が対応付けられた処理前画像データ及びパラメータデータに限る）が入力される。処理前画像データと、所定の形式に加工されたパラメータデータとが入力されると、ドライエッチング用学習モデル４２０では出力結果を出力する。また、ドライエッチング用学習モデル４２０は、出力結果を比較部４３０に入力する。
同様に、デポジション用学習モデル４２１には、処理前画像データと、データ整形部１１１により所定の形式に加工されたパラメータデータと（"工程"＝「デポジション」が対応付けられた処理前画像データ及びパラメータデータに限る）が入力される。処理前画像データと、所定の形式に加工されたパラメータデータとが入力されると、デポジション用学習モデル４２１では出力結果を出力する。また、デポジション用学習モデル４２１は、出力結果を比較部４３０に入力する。
比較部４３０は、ドライエッチング用学習モデル４２０より出力された出力結果と、学習用データ３００の処理後画像データ（"工程"＝「ドライエッチング」が対応付けられた処理後画像データ）とを比較し、差分情報を変更部４４０に通知する。
同様に、比較部４３０は、デポジション用学習モデル４２１より出力された出力結果と、学習用データ３００の処理後画像データ（"工程"＝「デポジション」が対応付けられた処理後画像データ）とを比較し、差分情報を変更部４４０に通知する。
変更部４４０は、比較部４３０より通知された差分情報に基づいて、ドライエッチング用学習モデル４２０またはデポジション用学習モデル４２１のモデルパラメータを更新する。なお、モデルパラメータの更新に用いる差分情報は、２乗誤差であっても絶対誤差であってもよい。
このように、学習部１１２では、処理前画像データと、所定の形式に加工されたパラメータデータとを学習モデルに入力し、学習モデルより出力される出力結果が、処理後画像データに近づくように、機械学習によりモデルパラメータを更新する。
（２）データ整形部の機能構成の詳細
次に、学習装置１１０のデータ整形部１１１の機能構成の詳細について説明する。図５は、第１の実施形態に係る学習装置のデータ整形部の機能構成の一例を示す図である。図５に示すように、データ整形部１１１は、形状データ取得部５０１、チャネル別データ生成部５０２、パラメータデータ取得部５１１、パラメータデータ展開部５１２、連結部５２０を有する。
形状データ取得部５０１は、学習用データ格納部１１３より学習用データ３００の処理前画像データを読み出し、チャネル別データ生成部５０２に通知する。
チャネル別データ生成部５０２は生成部の一例である。チャネル別データ生成部５０２は、形状データ取得部５０１より通知された処理前画像データ（ここでは、各マテリアルの組成比（または含有比）に応じた画素値により表現されているものとする）を取得する。また、チャネル別データ生成部５０２は、取得した処理前画像データから、マテリアルの種類に応じた複数のチャネルの画像データを生成する。以下、マテリアルの種類に応じたチャネルの画像データを、チャネル別データと称す。例えば、チャネル別データ生成部５０２は、処理前画像データから、空気の層を含むチャネル別データと、４種類のマテリアルそれぞれの層を含む４つのチャネル別データとを生成する。
また、チャネル別データ生成部５０２は、生成した複数のチャネル別データを連結部５２０に通知する。なお、本実施形態では、チャネル別データ生成部５０２がチャネル別データを生成するものとしたが、チャネル別データは予め生成されていてもよい。この場合、チャネル別データ生成部５０２は、予め生成されたチャネル別データを読み出して、連結部５２０に通知する。
パラメータデータ取得部５１１は、学習用データ格納部１１３より学習用データ３００のパラメータデータを読み出し、パラメータデータ展開部５１２に通知する。
パラメータデータ展開部５１２は、パラメータデータ取得部５１１より通知されたパラメータデータを、処理前画像データに応じた所定の形式（処理前画像データの縦サイズ及び横サイズに応じた２次元配列の形式）に加工する。
ここで、パラメータデータは、例えば、「パラメータ００１＿１」、「パラメータ００１＿２」、「パラメータ００１＿３」、・・・等の各パラメータの数値が１次元に配列されてなる。具体的には、パラメータデータは、Ｎ種類のパラメータの数値が１次元に配列されてなる。
このため、パラメータデータ展開部５１２では、パラメータデータに含まれるＮ種類のパラメータの数値を１種類ずつ抽出し、抽出した数値を、処理前画像データの縦サイズ及び横サイズに応じて、２次元に配列する。この結果、パラメータデータ展開部５１２では、２次元に配列されたＮ個のパラメータデータが生成されることになる。
また、パラメータデータ展開部５１２は、２次元に配列されたＮ個のパラメータデータを連結部５２０に通知する。
連結部５２０は、チャネル別データ生成部５０２より通知された、複数のチャネル別データに、パラメータデータ展開部５１２より通知された、２次元に配列されたＮ個のパラメータデータを新たなチャネルとして連結し、連結データを生成する。なお、本実施形態では、連結部５２０が連結データを生成するものとしたが、連結データは予め生成されていてもよい。この場合、連結部５２０は、予め生成された連結データを読み出して、学習モデルに入力する。
＜学習装置の各部による処理の具体例＞
次に、学習装置１１０の各部による処理のうち、上述したデータ整形部１１１による処理及び学習部１１２内のドライエッチング用学習モデル４２０による処理の具体例について説明する。
（１）データ整形部による処理の具体例
図６は、データ整形部による処理の具体例を示す図である。図６において、処理前画像データ６００は、例えば、"ファイル名"＝「形状データＬＤ００１」の処理前画像データである。
図６に示すように、処理前画像データ６００には、空気の層、マテリアルＡの層、マテリアルＢの層、マテリアルＣの層、マテリアルＤの層が含まれる。この場合、チャネル別データ生成部５０２では、チャネル別データ６０１、６０２、６０３、６０４、６０５を生成する。
また、図６に示すように、パラメータデータ６１０は、例えば、各パラメータ（「パラメータ００１＿１」、「パラメータ００１＿２」、「パラメータ００１＿３」、・・・等）の数値が一次元に配列されてなる。
この場合、パラメータデータ展開部５１２は、処理前画像データ６００の縦サイズ及び横サイズに応じて、パラメータ００１＿１を２次元に配列する（同じ値を縦及び横に配列する）。同様に、パラメータデータ展開部５１２は、処理前画像データ６００の縦サイズ及び横サイズに応じて、パラメータ００１＿２を２次元に配列する。同様に、パラメータデータ展開部５１２は、処理前画像データ６００の縦サイズ及び横サイズに応じて、パラメータ００１＿３を２次元に配列する。
２次元に配列されたパラメータデータ６１１、６１２、６１３等は、連結部５２０により、チャネル別データ６０１、６０２、６０３、６０４、６０５に新たなチャネルとして連結され、連結データ６２０が生成される。
（２）ドライエッチング用学習モデルによる処理の具体例
次に、学習部１１２内のドライエッチング用学習モデル４２０による処理の具体例について説明する。図７は、第１の実施形態に係る学習装置のドライエッチング用学習モデルによる処理の具体例を示す図である。図７に示すように、本実施形態では、ドライエッチング用学習モデル４２０として、Ｕ字型の畳み込みニューラルネットワーク（ＣＮＮ：Convolutional Neural Network）ベースの学習モデル（いわゆるＵＮＥＴ）を用いる。
ＵＮＥＴの場合、通常は、画像データを入力し、画像データを出力する。このため、学習部１１２の学習モデルとして当該ＵＮＥＴを用いることで、半導体製造プロセスの処理前後の画像データを入出力とすることができる。
一方で、ＵＮＥＴの場合、画像データの形式になっていないデータについては、画像データの形式に加工しておく必要がある。上記したデータ整形部１１１のパラメータデータ展開部５１２が、パラメータデータを２次元に配列するように構成されているのは、ＵＮＥＴに入力されるデータを、画像データの形式にするためである。パラメータデータの入力が可能となることで、ＵＮＥＴにおいても、物理モデルに基づくシミュレータにおいて実現されるシミュレーション内容を実現することができる。
図７の例は、ＵＮＥＴを用いたドライエッチング用学習モデル４２０に、連結データ６２０を入力し、複数のチャネル別データを含む出力結果７００が出力された様子を示している。
なお、図７の例では、ドライエッチング用学習モデル４２０による処理の具体例について示したが、デポジション用学習モデル４２１による処理の具体例も同様である。
＜シミュレーションシステムにおける学習処理の流れ＞
次に、シミュレーションシステム１００における学習処理の流れについて説明する。図８は、シミュレーションシステムにおける学習処理の流れを示すフローチャートである。
ステップＳ８０１において、シミュレーション装置１３０の実行部１３１は、シミュレーション装置１３０の管理者の指示に基づいて、ドライエッチング用シミュレータ３１０またはデポジション用シミュレータ３２０に、パラメータデータを設定する。
ステップＳ８０２において、シミュレーション装置１３０の実行部１３１は、処理前画像データ格納部１３２より処理前画像データを読み出す。また、実行部１３１は、ドライエッチング用シミュレータ３１０またはデポジション用シミュレータ３２０を用いてシミュレーションを実行する（処理後画像データを生成する）。
ステップＳ８０３において、シミュレーション装置１３０の実行部１３１は、学習用データを生成し、学習装置１１０に送信する。実行部１３１により生成される学習用データには、シミュレーション実行時に設定したパラメータデータ、シミュレーション実行時に入力した処理前画像データ、及び、シミュレーション実行時に生成した処理後画像データが含まれる。
ステップＳ８０４において、学習装置１１０のデータ整形部１１１は、学習用データに含まれる処理前画像データとパラメータデータとに基づき、連結データを生成する。
ステップＳ８０５において、学習装置１１０の学習部１１２は、連結データを入力、処理後画像データを出力として、学習モデルについて機械学習を行い、学習済みモデルを生成する。
ステップＳ８０６において、学習装置１１０の学習部１１２は生成した学習済みモデルを推論装置１２０に送信する。
＜推論装置の機能構成＞
次に、推論装置１２０の機能構成の詳細について説明する。なお、推論装置１２０の各部（データ整形部１２１、実行部１２２）のうち、データ整形部１２１の機能構成の詳細は、学習装置１１０のデータ整形部１１１の機能構成の詳細と同じである。そこで、データ整形部１２１の機能構成の詳細についての説明は、ここでは省略し、以下では、実行部１２２の機能構成の詳細について説明する。
図９は、推論装置の実行部の機能構成の一例を示す図である。図９に示すように、推論装置１２０の実行部１２２は、ドライエッチング用学習済みモデル９２０、デポジション用学習済みモデル９２１、出力部９３０を有する。
シミュレーション装置１３０より、例えば、学習用データ３００として用いられていない処理前画像データがパラメータデータとともに推論装置１２０に送信されると、データ整形部１２１にでは連結データを生成し、実行部１２２の各学習済みモデルに入力する。図９の例は、学習用データ３００として用いられていない処理前画像データとして、"ファイル名"＝「形状データＳＤ００１」、「形状データＳＤ００２」、・・・等が推論装置１２０に送信された様子を示している。
なお、図９に示すとおり、当該処理前画像データ（例えば、"ファイル名"＝「形状データＳＤ００１」、「形状データＳＤ００２」、・・・等）は、並行して、実行部１３１にも入力される。そして、実行部１３１では、各シミュレータを用いてシミュレーションを実行し、処理後画像データ（例えば、"ファイル名"＝「形状データＳＤ００１'」、「形状データＳＤ００２'」、・・・等）を出力する。
ドライエッチング用学習済みモデル９２０は、データ整形部１２１にて生成された連結データが入力されると、シミュレーションを実行する。また、ドライエッチング用学習済みモデル９２０は、シミュレーションを実行したことで出力される出力結果を出力部９３０に通知する。
同様に、デポジション用学習済みモデル９２１は、データ整形部１２１にて生成された連結データが入力されると、シミュレーションを実行する。また、デポジション用学習済みモデル９２１は、シミュレーションを実行したことで出力される出力結果を出力部９３０に通知する。
出力部９３０は、ドライエッチング用学習済みモデル９２０より通知された出力結果から、処理後画像データ（例えば、"ファイル名"＝「形状データＳＤ００１''」）を生成し、シミュレーション結果として出力する。同様に、出力部９３０は、デポジション用学習済みモデル９２１より通知された出力結果から、処理後画像データ（例えば、"ファイル名"＝「形状データＳＤ１０１''」）を生成し、シミュレーション結果として出力する。
ここで、推論装置１２０のユーザは、出力部９３０から処理後画像データが出力されるまでの時間と、実行部１３１から処理後画像データが出力されるまでの時間とを対比することにより、推論装置１２０のシミュレーション時間を検証することができる。また、推論装置１２０のユーザは、出力部９３０から出力された処理後画像データと、実行部１３１から出力された処理後画像データとを対比することにより、推論装置１２０のシミュレーション精度を検証することができる。
なお、第１の実施形態によれば、実行部１２２の各学習済みモデルによるシミュレーション時間は、実行部１３１の各シミュレータによるシミュレーション時間よりも短縮される。これは、各学習済みモデルによるシミュレーションの場合、各シミュレータによるシミュレーションのように、繰り返し試行を行う必要がなく、かつ、ＧＰＵ２０４による並列処理により高速演算ができるからである。
また、第１の実施形態によれば、実行部１２２の各学習済みモデルは、実行部１３１の各シミュレータを代替可能なシミュレーション精度を実現することができる。これは、各学習済みモデルは、各シミュレータに入出力される処理前画像データ、処理後画像データを用いて機械学習されているからである。
図１０は、ドライエッチング用学習済みモデルのシミュレーション精度を示した図である。このうち、図１０の１０ａは、比較対象として、シミュレーション装置１３０のドライエッチング用シミュレータ３１０によりシミュレーションが実行された場合の、処理前画像データと処理後画像データとを示している。
一方、図１０の１０ｂは、推論装置１２０のドライエッチング用学習済みモデル９２０によりシミュレーションが実行された場合の、処理前画像データと処理後画像データとを示している。
図１０の１０ａの処理後画像データと、図１０の１０ｂの処理後画像データとを対比すると、両者に差はない。したがって、ドライエッチング用学習済みモデル９２０は、ドライエッチング用シミュレータ３１０を代替可能なシミュレーション精度を有している、ということができる。
同様に、図１１は、デポジション用学習済みモデルのシミュレーション精度を示した図である。このうち、図１１の１１ａは、比較対象として、シミュレーション装置１３０のデポジション用シミュレータ３２０によりシミュレーションが実行された場合の、処理前画像データと処理後画像データとを示している。
一方、図１１の１１ｂは、推論装置１２０のデポジション用学習済みモデル９２１によりシミュレーションが実行された場合の、処理前画像データと処理後画像データとを示している。
図１１の１１ａの処理後画像データと、図１１の１１ｂの処理後画像データとを対比すると、両者に差はない。したがって、デポジション用学習済みモデル９２１は、デポジション用シミュレータ３２０を代替可能なシミュレーション精度を有している、ということができる。
＜まとめ＞
以上の説明から明らかなように、第１の実施形態に係る学習装置は、
・物理モデルに基づくシミュレータに入力される処理前画像データと、物理モデルに基づくシミュレータに設定されたパラメータデータとを取得する。
・取得した処理前画像データの縦サイズ及び横サイズに応じて、取得したパラメータデータを２次元に配列することで画像データの形式に加工し、処理前画像データに、加工したパラメータデータを連結して連結データを生成する。
・生成した連結データをＵ字型の畳み込みニューラルネットワークベースの学習モデルに入力し、学習モデルより出力される出力結果が、物理モデルに基づくシミュレータより出力される処理後画像データに近づくように、機械学習を行う。
これにより、第１の実施形態に係る学習装置によれば、物理モデルに基づくシミュレータにおいて実現されるシミュレーション内容を実現する学習済みモデルを生成することができる。
また、第１の実施形態に係る学習装置によれば、物理モデルに基づくシミュレータよりも、シミュレーション時間を短縮することができる学習済みモデルを生成することができる。更に、第１の実施形態に係る学習装置によれば、物理モデルに基づくシミュレータを代替可能なシミュレーション精度を有する学習済みモデルを生成することができる。
なお、上記説明では、物理モデルに基づくシミュレータを対象としたが、物理モデルに基づかないシミュレータであっても、第１の実施形態に係る学習装置によれば、同様に、学習済みモデルを生成できることはいうまでもない。
また、第１の実施形態に係る推論装置は、
・処理前画像データと、対応するパラメータデータとを取得する。
・取得した処理前画像データの縦サイズ及び横サイズに応じて、取得したパラメータデータを２次元に配列することで画像データの形式に加工し、処理前画像データに、加工したパラメータデータを連結して連結データを生成する。
・生成した連結データを、学習装置にて生成された学習済みモデルに入力し、シミュレーションを実行する。
これにより、第１の実施形態に係る推論装置によれば、物理モデルに基づくシミュレータにおいて実現されるシミュレーション内容を実現することが可能になる。また、第１の実施形態に係る推論装置によれば、物理モデルに基づくシミュレータと比較して、シミュレーション時間を短縮することができるとともに、物理モデルに基づくシミュレータを代替可能なシミュレーション精度を実現することが可能になる。
なお、上記説明では、物理モデルに基づくシミュレータを対象としたが、物理モデルに基づかないシミュレータであっても、第１の実施形態に係る推論装置によれば、同様に、シミュレーション内容及びシミュレーション精度を実現できることはいうまでもない。
このように、第１の実施形態によれば、半導体製造プロセスのシミュレータを代替する学習済みモデル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、処理前画像データの縦サイズ及び横サイズに応じて、パラメータデータを画像データの形式に加工し、処理前画像データと連結して学習モデル（または学習済みモデル）に入力するものとして説明した。
しかしながら、パラメータデータの加工方法及び加工したパラメータデータの学習モデル（または学習済みモデル）への入力方法は、これに限定されない。例えば、加工したパラメータデータは、学習モデル（または学習済みモデル）の各層に入力するように構成してもよい。また、パラメータデータは、学習モデル（または学習済みモデル）の各層に入力するにあたり、学習モデル（または学習済みモデル）の各層で畳み込み処理された画像データを変換する際に用いる所定の形式に加工するように構成してもよい。以下、第２の実施形態について、上記第１の実施形態との相違点を中心に説明する。
＜データ整形部の機能構成＞
はじめに、第２の実施形態に係る学習装置のデータ整形部の機能構成の詳細について説明する。図１２は、第２の実施形態に係る学習装置のデータ整形部の機能構成の一例を示す図である。図５に示したデータ整形部１１１の機能構成との相違点は、図１２に示すデータ整形部１２００の場合、連結部１２０１と正規化部１２０２とを有している点である。
連結部１２０１は、チャネル別データ生成部５０２より通知された複数のチャネル別データを連結し、連結データを生成する。
正規化部１２０２は、パラメータデータ取得部５１１より通知されたパラメータデータを正規化し、正規化パラメータデータを生成する。
＜学習モデルによる処理の具体例＞
次に、ドライエッチング用学習モデルによる処理の具体例について説明する。図１３は、第２の実施形態に係る学習装置のドライエッチング用学習モデルによる処理の具体例を示す図である。
図１３に示すように、第２の実施形態に係る学習装置の場合、ドライエッチング用学習モデル１３００には、データ整形部１２００の連結部１２０１により生成された連結データ１３１０が入力される。
また、図１３に示すように、第２の実施形態に係る学習装置の場合、ドライエッチング用学習モデル１３００には、データ整形部１２００の正規化部１２０２により生成された正規化パラメータデータが入力される。
なお、図１３に示すように、ドライエッチング用学習モデル１３００には、ＣＮＮベースの学習モデルであるＵＮＥＴに加えて、全結合型の学習モデルであるニューラルネットワーク部１３０１が含まれる。
ニューラルネットワーク部１３０１は、正規化パラメータデータが入力されると、ＵＮＥＴの各層で畳み込み処理が行われる各画像データの各画素の値を変換する際に用いる所定の形式の値（例えば、１次式の係数γ、β）を出力する。つまり、ニューラルネットワーク部１３０１は、正規化パラメータデータを、所定の形式（例えば、１次式の係数の形式）に加工する機能を有する。
図１３の例では、ＵＮＥＴが９層から構成されているため、ニューラルネットワーク部１３０１は、１次式の係数として、（γ１，β１）～（γ９，β９）を出力する。なお、図１３の例では、紙面の都合上、各層には、１次式の係数が１組ずつ入力されるものとしているが、各層には、チャネル別データごとに、１次式の係数が複数組ずつ入力されるものとする。
ＵＮＥＴの各層では、畳み込み処理が行われるチャネル別データごとの各画像データの各画素の値（ここでは"ｈ"とする）を、例えば、１次式＝ｈ×γ＋β（第１の層の場合には、ｈ×γ１＋β１）を用いて変換する。
ここで、１次式の係数（γ１，β１）～（γ９，β９）は、例えば、ＵＮＥＴの各層において畳み込み処理が行われるチャネル別データごとの各画像データのうち、いずれの画像データが重要かを示す指標と捉えることができる。つまり、ニューラルネットワーク部１３０１では、正規化パラメータデータに基づいて、学習モデルの各層において処理される各画像データの、重要度を示す指標を算出する処理を行う。
上記のような構成のもと、ドライエッチング用学習モデル１３００に、連結データ１３１０と正規化パラメータデータとが入力されると、複数のチャネル別データを含む出力結果７００が出力される。なお、出力結果７００は、比較部４３０にて処理後画像データと比較され、差分情報が算出される。第２の実施形態に係る学習装置の場合、変更部４４０は、差分情報に基づいて、ドライエッチング用学習モデル１３００内の、ＵＮＥＴのモデルパラメータと、ニューラルネットワーク部１３０１のモデルパラメータとを更新する。
このように、第２の実施形態に係る学習装置によれば、ドライエッチング用学習モデル１３００について機械学習を行う際、ＵＮＥＴの各層において、重要度が高い画像データを、正規化パラメータデータに基づいて抽出することが可能となる。
＜まとめ＞
以上の説明から明らかなように、第２の実施形態に係る学習装置は、
・物理モデルに基づくシミュレータに入力される処理前画像データと、物理モデルに基づくシミュレータに設定されたパラメータデータとを取得する。
・取得したパラメータデータを正規化し、学習モデルの各層で畳み込み処理される各画像データの各画素の値を変換する際に用いる１次式の係数の形式に加工する。
・学習部が機械学習を行う際、各層で畳み込み処理された画像データの各画素の値を、１次式を用いて変換する。
これにより、第２の実施形態に係る学習装置によれば、物理モデルに基づくシミュレータにおいて実現されるシミュレーション内容を実現する学習済みモデルを生成することができる。
また、第２の実施形態に係る学習装置によれば、物理モデルに基づくシミュレータよりも、シミュレーション時間を短縮することができる学習済みモデルを生成することができる。更に、第２の実施形態に係る学習装置によれば、物理モデルに基づくシミュレータを代替可能なシミュレーション精度を有する学習済みモデルを生成することができる。
なお、第２の実施形態では、学習装置について説明したが、推論装置においても、実行部がシミュレーションを実行する際に、同様の処理が行われるものとする。
このように、第２の実施形態によれば、半導体製造プロセスのシミュレーションにおいて、物理モデルに基づくシミュレータを代替する学習済みモデルを提供することができる。
［第３の実施形態］
上記第１及び第２の実施形態では、学習部が機械学習を行うにあたり、半導体製造プロセス固有の事象については特に言及しなかった。一方で、半導体製造プロセスには、固有の事象があり、学習部による機械学習に反映させることで（つまり、学習部による機械学習にドメイン知識を反映させることで）、シミュレーション精度を更に向上させることができる。以下、ドメイン知識を反映させた第３の実施形態について、上記第１及び第２の実施形態との相違点を中心に説明する。
＜学習モデルの機能構成の詳細＞
図１４は、第３の実施形態に係る学習装置の学習部の機能構成の一例を示す図である。図４に示した学習部１１２の機能構成とは、学習モデル内の内部構成が異なる。なお、ここでは、ドライエッチング用学習モデル１４１０を用いて、学習モデル内の内部構成について説明するが、デポジション用学習モデルも同様の内部構成を有しているものとする。
図１４に示すように、学習部１４００のドライエッチング用学習モデル１４１０は、ＵＮＥＴ１４１１に加えて、シグモイド関数部１４１２と、乗算部１４１３とを有する。
シグモイド関数部１４１２は処理部の一例であり、図１４に示すように、ＵＮＥＴ１４１１の出力である第１出力結果に、シグモイド関数１４２０を乗算することで、第２出力結果１４２１を出力する。
乗算部１４１３は、シグモイド関数部１４１２より第２出力結果１４２１を取得する。また、乗算部１４１３は、データ整形部１１１より処理前画像データを取得する。更に、乗算部１４１３は、取得した処理前画像データに、取得した第２出力結果１４２１を乗算することで、最終出力結果１４２２を比較部４３０に通知する。
このように、処理前画像データを乗算して最終出力結果１４２２を出力する構成とすることで、ドライエッチング用学習モデル１４１０を機械学習させた場合のＵＮＥＴ１４１１からは、第１出力結果として、削れ率を示す画像データが出力されることになる。
ここで削れ率とは、処理前画像データに含まれる各マテリアルの層が、処理後画像データにおいて、どの程度削られたかを示す変化率の値を指す。ドライエッチング用学習モデル１４１０を機械学習させることで、削れ率は、処理後画像データを処理前画像データで除算した値に近づくことになる。ただし、機械学習の過程でＵＮＥＴ１４１１から出力される第１出力結果は、任意の値をとる。
一方で、ドライエッチングの場合、形状の変化に関して、"処理の前後でマテリアルが増えることはない"という制約条件（ドメイン知識）がある。したがって、ドライエッチングの場合、削れ率は、０～１の範囲に収まることになる。
ここで、シグモイド関数部１４１２は、任意の値を、０～１の値に変換する関数であり、第１出力結果をシグモイド関数部１４１２で第２出力結果に変換することで、上記ドメイン知識を反映させることができる。
なお、図１４には示していないが、デポジション用学習モデルにおいても、シグモイド関数部や乗算部等を配することで、同様の処理を行うことができる。具体的には、デポジション用学習モデルを機械学習させた場合のＵＮＥＴからは、第１出力結果として、付着率を示す画像データが出力されることになる。
ここで付着率とは、処理前画像データに含まれる各マテリアルの層に対して、処理後画像データにおいて、どの程度薄膜が付着したかを示す変化率の値を指す。デポジション用学習モデルを機械学習させることで、付着率は、処理前画像データと処理後画像データとの差分を、処理前画像データで除算した値に近づくことになる。ただし、機械学習の過程でＵＮＥＴから出力される第１出力結果は、任意の値をとる。
一方で、デポジションの場合、形状の変化に関して、"処理の前後でマテリアルが減ることはない"という制約条件（ドメイン知識）がある。したがって、デポジションの場合、付着率は、０～１の範囲に収まることになる。
上述したとおり、シグモイド関数部は、任意の値を、０～１の値に変換する関数であり、第１出力結果をシグモイド関数部で第２出力結果に変換することで、上記ドメイン知識を反映させることができる。
このように、第３の実施形態に係る学習装置１１０の学習部１４００によれば、機械学習にドメイン知識を反映させることが可能となり、シミュレーション精度を更に向上させることができる。
［第４の実施形態］
上記第１乃至第３の実施形態では、データ整形部が、処理前画像データの縦サイズ及び横サイズに応じた縦サイズ及び横サイズの連結データを生成するものとして説明した。しかしながら、データ整形部が生成する連結データの縦サイズ及び横サイズは任意であり、処理前画像データを圧縮してから、連結データを生成するように構成してもよい。以下、第４の実施形態について、上記第１乃至第３の実施形態との相違点を中心に説明する。
＜データ整形部の機能構成の詳細＞
図１５は、第４の実施形態に係る学習装置のデータ整形部の機能構成の一例を示す図である。このうち、図１５の１５ａは、第１の実施形態に係る学習装置のデータ整形部１１１に、圧縮部１５１１を付加したデータ整形部１５１０を示している。
圧縮部１５１１は、形状データ取得部５０１において取得された処理前画像データを圧縮する。圧縮部１５１１では、例えば、隣接するｎ個（ｎは２以上の整数。例えば、縦方向２個×横方向２個の場合はｎ＝４）の画素の画素値について平均値を算出し、算出した平均値を、当該ｎ個の画素をまとめた１個の画素の画素値とする。これにより、圧縮部１５１１では、処理前画像データを１／ｎ倍に圧縮することができる。
このように、圧縮部１５１１では、処理前画像データが各マテリアルの組成比（または含有比）を表した画像データであることに鑑みて、圧縮の前後で、マテリアルの組成比（または含有比）が極力維持されるように圧縮処理を行う。なお、圧縮部１５１１による圧縮処理の圧縮率は、整数倍に限定されず、圧縮部１５１１では、任意の圧縮率による圧縮処理が可能であるとする。
同様に、図１５の１５ｂは、第２の実施形態に係る学習装置のデータ整形部１２００に、圧縮部１５１１を付加したデータ整形部１５２０を示している。
データ整形部１５２０が有する圧縮部１５１１は、データ整形部１５１０が有する圧縮部１５１１と同じ機能を有する。このため、ここでは、詳細な説明は省略する。
このように、データ整形部１５１０または１５２０に圧縮部１５１１を付加することで、学習部１１２、１４００（あるいは、実行部１２２）に入力される連結データのサイズを縮小することができる。この結果、第４の実施形態によれば、学習部１１２、１４００が機械学習を行う場合の学習時間、あるいは、実行部１２２がシミュレーションを実行する場合のシミュレーション時間を短縮することができる。
［その他の実施形態］
上記第１の実施形態では、学習部１１２に、ドライエッチング用学習モデル４２０と、デポジション用学習モデル４２１とをそれぞれ設け、異なる学習用データを用いて別々に機械学習を行うものとして説明した。
しかしながら、半導体製造プロセスにおいて、ドライエッチングとデポジションとが、同時に発生することもある。このような場合を想定して、学習部１１２に１の学習モデルを設け、ドライエッチングとデポジションとが同時に発生するケースを機械学習させるように構成してもよい。
この場合、学習部１１２では、当該１の学習モデルについて、ドライエッチング及びデポジションが発生する前の処理前画像データと、ドライエッチング及びデポジションが発生した後の処理後画像データとを含む学習用データを用いて機械学習を行う。
このように、シミュレーション装置１３０の実行部１３１の場合、ドライエッチング用シミュレータ３１０とデポジション用シミュレータ３２０の両方を設ける必要があったところ、学習装置１１０の学習部１１２では、学習モデルを統合することもできる。
また、上記第１の実施形態では、処理前画像データ及び処理後画像データが、２次元の画像データであるとして説明した。しかしながら、処理前画像データ及び処理後画像データは、２次元の画像データに限定されず、３次元の画像データ（いわゆるボクセルデータ）であってもよい。
なお、処理前画像データが２次元の画像データの場合、連結データは、（チャネル、縦サイズ、横サイズ）の配列となるが、処理前画像データが３次元の画像データの場合、連結データは、（チャネル、縦サイズ、横サイズ、奥行きサイズ）の配列となる。
また、上記第１の実施形態では、２次元の画像データをそのまま取り扱うものとして説明したが、２次元の画像データを変形して、あるいは、３次元の画像データを変形して取り扱うように構成してもよい。例えば、３次元の画像データを取得し、所定断面の２次元の画像データを生成して、処理前画像データとして入力してもよい。あるいは、連続する所定断面の２次元の画像データに基づいて、３次元の画像データを生成して、処理前画像データとして入力してもよい。
また、上記第１の実施形態において、チャネル別データ生成部５０２は、空気の層、各マテリアルの層ごとに、チャネル別データを生成するものとして説明した。しかしながら、チャネル別データの生成方法はこれに限定されず、特定の膜種ごとではなく、Ｏｘｉｄｅ、Ｓｉｌｉｃｏｎ、Ｏｒｇａｎｉｃｓ、Ｎｉｔｒｉｄｅといったように、より大きな分類に基づいて、チャネル別データを生成するようにしてもよい。
また、上記第１乃至第４の実施形態において、推論装置１２０は、処理前画像データ及びパラメータデータが入力された場合に、処理後画像データを出力して処理を終了するものとして説明した。しかしながら、推論装置１２０の構成はこれに限定されず、例えば、処理前画像データ及びパラメータデータが入力されることで出力される処理後画像データを、対応するパラメータデータとともに、再び、推論装置１２０に入力するように構成してもよい。これにより、推論装置１２０では、形状の変化を連続的に出力することができる。なお、推論装置１２０に処理後画像データを再び入力するにあたり、対応するパラメータデータは、任意に変更可能であるとする。
また、上記第１乃至第４の実施形態において、学習装置１１０と、推論装置１２０と、シミュレーション装置１３０とは別体として示したが、いずれか２台の装置を一体として構成してもよいし、すべての装置を一体として構成してもよい。
また、上記第１乃至第４の実施形態において、学習装置１１０は、１台のコンピュータで構成されるものとして説明したが、複数台のコンピュータで構成されていてもよい。同様に、上記第１乃至第４の実施形態において、推論装置１２０は、１台のコンピュータで構成されるものとして説明したが、複数台のコンピュータで構成されてもよい。
また、上記第１乃至第４の実施形態では、学習装置１１０、推論装置１２０、シミュレーション装置１３０を、半導体製造プロセスに適用するものとして説明したが、半導体製造プロセス以外の他のプロセスに適用してもよいことはいうまでもない。ここでいう、半導体製造プロセス以外の他のプロセスには、半導体製造プロセス以外の他の製造プロセス、非製造プロセスが含まれるものとする。
また、上記第１乃至第４の実施形態において、学習装置１１０、推論装置１２０は、汎用のコンピュータに各種プログラムを実行させることで実現したが、学習装置１１０、推論装置１２０の実現方法はこれに限定されない。
例えば、プロセッサ、メモリなどを実装しているＩＣ（Integrated Circuit）などの専用の電子回路（すなわちハードウェア）により実現されてもよい。複数の構成要素が一つの電子回路で実現されてもよいし、一つの構成要素が複数の電子回路で実現されてもよいし、構成要素と電子回路が一対一で実現されてもよい。
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。
１００ ：シミュレーションシステム
１１０ ：学習装置
１１１ ：データ整形部
１１２ ：学習部
１２０ ：推論装置
１２１ ：データ整形部
１２２ ：実行部
１３０ ：シミュレーション装置
１３１ ：実行部
３００ ：学習用データ
３１０ ：ドライエッチング用シミュレータ
３２０ ：デポジション用シミュレータ
４２０ ：ドライエッチング用学習モデル
４２１ ：デポジション用学習モデル
４３０ ：比較部
４４０ ：変更部
５０１ ：形状データ取得部
５０２ ：チャネル別データ生成部
５１１ ：パラメータデータ取得部
５１２ ：パラメータデータ展開部
５２０ ：連結部
６００ ：処理前画像データ
６０１～６０５ ：チャネル別データ
６１０ ：パラメータデータ
６１１～６１３ ：２次元に配列されたパラメータデータ
６２０ ：連結データ
７００ ：出力結果
９２０ ：ドライエッチング用学習済みモデル
９２１ ：デポジション用学習済みモデル
９３０ ：出力部
１２００ ：データ整形部
１２０１ ：連結部
１３００ ：ドライエッチング用学習モデル
１３０１ ：ニューラルネットワーク部
１３１０ ：連結データ
１４００ ：学習部
１５１０、１５２０ ：データ整形部
１５１１ ：圧縮部

Claims (26)

  1. 少なくとも１つのプロセッサが、第２の処理対象の処理前画像データと所定プロセスに応じたシミュレーションを実行するシミュレータの第２のパラメータデータとを推論用のデータとしてニューラルネットワークに入力し、前記第２の処理対象の処理前画像データに対してシミュレーションが実行された場合の前記第２の処理対象の処理後画像データを生成すること、を備え、
    前記ニューラルネットワークは、第１の処理対象の処理前画像データと前記シミュレータの第１のパラメータデータとが、学習用の入力データとして前記ニューラルネットワークに入力された場合の出力と、前記第１の処理対象の処理前画像データに対して前記シミュレータが前記第１のパラメータデータを用いた前記所定プロセスに応じたシミュレーションを実行することにより生成される、学習用の正解データである前記第１の処理対象の処理後画像データとの差分情報に基づいて学習されたものである、
    推論方法。
  2. 前記ニューラルネットワークに入力される前記第２の処理対象の処理前画像データは、少なくとも前記第２の処理対象の処理前画像データ又は前記第２の処理対象の処理前画像データに所定の処理を適用して得られるデータの何れかを含み、
    前記ニューラルネットワークに入力される前記第２のパラメータデータは、少なくとも前記第２のパラメータデータ又は前記第２のパラメータデータに所定の処理を適用して得られるデータの何れかを含み、
    学習時に前記ニューラルネットワークに入力される前記第１の処理対象の処理前画像データは、少なくとも前記第１の処理対象の処理前画像データ又は前記第１の処理対象の処理前画像データに所定の処理を適用して得られるデータの何れかを含み、
    前記学習時に前記ニューラルネットワークに入力される前記第１のパラメータデータは、少なくとも前記第１のパラメータデータ又は前記第１のパラメータデータに所定の処理を適用して得られるデータの何れかを含む、
    請求項１に記載の推論方法。
  3. 前記少なくとも１つのプロセッサが、前記第２のパラメータデータを前記第２の処理対象の処理前画像データの縦サイズ及び横サイズに応じて２次元に配列すること、を更に備え、
    前記ニューラルネットワークに入力される前記第２のパラメータデータは、前記２次元に配列されたパラメータデータである、
    請求項１又は２に記載の推論方法。
  4. 前記少なくとも１つのプロセッサが、前記第２のパラメータデータを他のニューラルネットワークに入力すること、を更に備え、
    前記ニューラルネットワークに入力される前記第２のパラメータデータは、前記他のニューラルネットワークからの出力である、
    請求項１に記載の推論方法。
  5. 前記他のニューラルネットワークに入力される前記第２のパラメータデータは、正規化されたパラメータデータである、
    請求項４に記載の推論方法。
  6. 前記少なくとも１つのプロセッサが、前記第２の処理対象の処理前画像データを圧縮すること、を更に備え、
    前記ニューラルネットワークに入力される前記第２の処理対象の処理前画像データは、圧縮された前記第２の処理対象の処理前画像データである、
    請求項１乃至５の何れか１項に記載の推論方法。
  7. 前記少なくとも１つのプロセッサが、生成した前記第２の処理対象の処理後画像データと前記シミュレータの第３のパラメータデータとを、推論用のデータとして前記ニューラルネットワークに入力し、前記第２の処理対象の処理前画像データに対してシミュレーションが繰り返し実行された場合の前記第２の処理対象の処理後画像データを生成すること、を更に備える、
    請求項１乃至６の何れか１項に記載の推論方法。
  8. 前記ニューラルネットワークは、前記第２の処理対象の処理後画像データを出力する、
    請求項１乃至７の何れか１項に記載の推論方法。
  9. 前記少なくとも１つのプロセッサは、前記ニューラルネットワークからの出力及び前記第２の処理対象の処理前画像データに基づいて、前記第２の処理対象の処理後画像データを生成する、
    請求項１乃至８の何れか１項に記載の推論方法。
  10. 前記ニューラルネットワークは、前記第２の処理対象の処理前画像データに対する変化率に関する情報を出力する、
    請求項９に記載の推論方法。
  11. 前記シミュレータが半導体製造プロセスに関するシミュレータであって、
    前記変化率は、少なくとも、エッチングのけずれ率、又は、デポジションの付着率の何れかに関する値である、
    請求項１０に記載の推論方法。
  12. 前記変化率は、０から１の範囲で表される、
    請求項１０又は１１に記載の推論方法。
  13. 前記第２の処理対象の処理前画像データは、３次元の画像データである、
    請求項１乃至１２の何れか１項に記載の推論方法。
  14. 前記シミュレータは、物理モデルに基づくシミュレータである、
    請求項１乃至１３の何れか１項に記載の推論方法。
  15. 前記シミュレータが半導体製造プロセスに関するシミュレータである、
    請求項１乃至１４の何れか１項に記載の推論方法。
  16. 前記第２の処理対象の処理前画像データは、ウェハの形状を示す画像データである、
    請求項１５に記載の推論方法。
  17. 前記第２の処理対象の処理前画像データは、少なくとも、前記第２の処理対象の複数のマテリアルの組成比、又は、含有比の何れかに応じた値を有する、
    請求項１５又は１６に記載の推論方法。
  18. 前記第２の処理対象の処理前画像データは、前記第２の処理対象のマテリアルに応じた複数のチャネル情報を有する、
    請求項１５乃至１７の何れか１項に記載の推論方法。
  19. 前記第２の処理対象の処理前画像データは、前記第２の処理対象の複数のマテリアルの層と空気の層とを含む、
    請求項１５乃至１８の何れか１項に記載の推論方法。
  20. 前記シミュレータは、エッチングに関するシミュレーションを実行可能なシミュレータであって、
    前記第２のパラメータデータは、少なくとも、けずれ率、けずれ方向、又は、けずれ深さの何れか１つに関する情報を含む、
    請求項１５乃至１９の何れか１項に記載の推論方法。
  21. 前記シミュレータは、デポジションに関するシミュレーションを実行可能なシミュレータであって、
    前記第２のパラメータデータは、前記デポジションに関する情報を含む、
    請求項１５乃至２０の何れか１項に記載の推論方法。
  22. 請求項１乃至２１の何れか１項に記載の推論方法を、前記少なくとも１つのプロセッサに実行させるための推論プログラム。
  23. 少なくとも１つのプロセッサが、処理対象の処理前画像データと所定プロセスに応じたシミュレーションを実行するシミュレータのパラメータデータとを、学習用の入力データとしてニューラルネットワークに入力した場合の出力と、前記処理対象の処理前画像データに対して前記シミュレータが前記パラメータデータを用いた前記所定プロセスに応じたシミュレーションを実行することにより生成される、学習用の正解データである前記処理対象の処理後画像データとの差分情報に基づいて、前記ニューラルネットワークを学習すること、を備える、
    モデル生成方法。
  24. 請求項２３に記載のモデル生成方法を、前記少なくとも１つのプロセッサに実行させるためのモデル生成プログラム。
  25. 少なくとも１つのメモリと、
    少なくとも１つのプロセッサと、を備え、
    前記少なくとも１つのメモリは、
    第１の処理対象の処理前画像データと所定プロセスに応じたシミュレーションを実行するシミュレータの第１のパラメータデータとを、学習用の入力データとしてニューラルネットワークに入力した場合の出力と、前記第１の処理対象の処理前画像データに対して前記シミュレータが前記第１のパラメータデータを用いた前記所定プロセスに応じたシミュレーションを実行することにより生成される、学習用の正解データである前記第１の処理対象の処理後画像データとの差分情報に基づいて学習された前記ニューラルネットワークを記憶し、
    前記少なくとも１つのプロセッサは、
    第２の処理対象の処理前画像データと前記所定プロセスに応じたシミュレーションを実行する前記シミュレータの第２のパラメータデータとを、推論用のデータとして前記ニューラルネットワークに入力し、前記第２の処理対象の処理後画像データを生成する、
    推論装置。
  26. 少なくとも１つのメモリと、
    少なくとも１つのプロセッサと、を備え、
    前記少なくとも１つのプロセッサは、
    処理対象の処理前画像データと所定プロセスに応じたシミュレーションを実行するシミュレータのパラメータデータとを、学習用の入力データとしてニューラルネットワークに入力した場合の出力と、前記処理対象の処理前画像データに対して前記シミュレータが前記パラメータデータを用いた前記所定プロセスに応じたシミュレーションを実行することにより生成される、学習用の正解データである前記処理対象の処理後画像データとの差分情報に基づいて、前記ニューラルネットワークを学習する、
    学習装置。
JP2020108905A 2018-09-03 2020-06-24 推論方法、推論プログラム、モデル生成方法、モデル生成プログラム、推論装置及び学習装置 Active JP7291670B2 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2018164930 2018-09-03
JP2018164930 2018-09-03

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
JP2020503074A Division JP6724267B1 (ja) 2018-09-03 2019-08-15 学習装置、推論装置、学習モデルの生成方法及び推論方法

Publications (3)

Publication Number Publication Date
JP2020191096A JP2020191096A (ja) 2020-11-26
JP2020191096A5 JP2020191096A5 (ja) 2022-08-17
JP7291670B2 true JP7291670B2 (ja) 2023-06-15

Family

ID=69722906

Family Applications (2)

Application Number Title Priority Date Filing Date
JP2020503074A Active JP6724267B1 (ja) 2018-09-03 2019-08-15 学習装置、推論装置、学習モデルの生成方法及び推論方法
JP2020108905A Active JP7291670B2 (ja) 2018-09-03 2020-06-24 推論方法、推論プログラム、モデル生成方法、モデル生成プログラム、推論装置及び学習装置

Family Applications Before (1)

Application Number Title Priority Date Filing Date
JP2020503074A Active JP6724267B1 (ja) 2018-09-03 2019-08-15 学習装置、推論装置、学習モデルの生成方法及び推論方法

Country Status (6)

Country Link
US (1) US12033311B2 (ja)
JP (2) JP6724267B1 (ja)
KR (1) KR102513707B1 (ja)
CN (1) CN112640037A (ja)
TW (1) TWI840403B (ja)
WO (1) WO2020049974A1 (ja)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW202243069A (zh) * 2020-12-28 2022-11-01 日商東京威力科創股份有限公司 參數導出裝置、參數導出方法及參數導出程式
JP2023045817A (ja) 2021-09-22 2023-04-03 株式会社Ｓｃｒｅｅｎホールディングス 学習装置、情報処理装置、基板処理装置、基板処理システム、学習方法、レシピ決定方法及び学習プログラム
JP2023046032A (ja) * 2021-09-22 2023-04-03 キヤノン株式会社 解析方法
JP2023056708A (ja) * 2021-10-08 2023-04-20 東京エレクトロン株式会社 エッチング処理システム、エッチング品質予測方法及びエッチング品質予測プログラム
US20230153734A1 (en) * 2021-11-12 2023-05-18 Starbucks Corporation System for configuring an environment based on modifications to simulated virtual environments
WO2024005047A1 (ja) * 2022-07-01 2024-01-04 東京エレクトロン株式会社 基板処理装置の制御方法及び基板処理システム
JP2024047495A (ja) * 2022-09-26 2024-04-05 株式会社Ｓｃｒｅｅｎホールディングス 学習装置、情報処理装置、基板処理装置、基板処理システム、学習方法および処理条件決定方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010079896A (ja) 2008-09-25 2010-04-08 Internatl Business Mach Corp <Ibm> 集積回路設計中の製造の影響の高速シミュレーションを行なうための装置、方法及びコンピュータ・プログラム
JP2016071597A (ja) 2014-09-30 2016-05-09 ソニー株式会社 情報処理装置、情報処理方法及びプログラム
JP2017182129A (ja) 2016-03-28 2017-10-05 ソニー株式会社 情報処理装置。

Family Cites Families (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06224126A (ja) * 1993-01-25 1994-08-12 Fuji Electric Co Ltd 半導体製造装置の膜質予測装置
JPH11330449A (ja) * 1998-05-20 1999-11-30 Toshiba Corp 半導体装置の製造方法、シミュレーション装置、シミュレーション方法、シミュレーションプログラムを記録した記録媒体、及びシミュレーション用データを記録した記録媒体
KR20020085688A (ko) 2001-05-09 2002-11-16 학교법인 인하학원 반도체 식각 공정 모의 실험 해석기 및 해석 방법
US6819427B1 (en) * 2001-10-10 2004-11-16 Advanced Micro Devices, Inc. Apparatus of monitoring and optimizing the development of a photoresist material
JP4333166B2 (ja) * 2002-03-14 2009-09-16 株式会社ニコン 加工形状の予測方法、加工条件の決定方法、加工量予測方法、加工形状予測システム、加工条件決定システム、加工システム、加工形状予測計算機プログラム、加工条件決定計算機プログラム、プログラム記録媒体、及び半導体デバイスの製造方法
JP2004040004A (ja) * 2002-07-08 2004-02-05 Renesas Technology Corp 配線設計データを利用した化学的機械的研磨方法、加工物の製造方法、およびデザインルール決定方法
TW592300U (en) * 2003-01-29 2004-06-11 Midway Elecpronics Co Ltd Electric meter calibrating device using common memory to transfer calibrating parameters
KR20040080742A (ko) 2003-03-13 2004-09-20 원태영 식각 공정 시뮬레이션의 병렬 연산 구현 방법
US8036869B2 (en) * 2003-09-30 2011-10-11 Tokyo Electron Limited System and method for using first-principles simulation to control a semiconductor manufacturing process via a simulation result or a derived empirical model
JP2005202949A (ja) 2003-12-01 2005-07-28 Oscillated Recall Technology:Kk 大域的エッチングシミュレータ
JP4920268B2 (ja) * 2006-02-23 2012-04-18 株式会社日立ハイテクノロジーズ 半導体プロセスモニタ方法およびそのシステム
US8722547B2 (en) * 2006-04-20 2014-05-13 Applied Materials, Inc. Etching high K dielectrics with high selectivity to oxide containing layers at elevated temperatures with BC13 based etch chemistries
US8396582B2 (en) * 2008-03-08 2013-03-12 Tokyo Electron Limited Method and apparatus for self-learning and self-improving a semiconductor manufacturing tool
JP2011071296A (ja) * 2009-09-25 2011-04-07 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
US9245714B2 (en) * 2012-10-01 2016-01-26 Kla-Tencor Corporation System and method for compressed data transmission in a maskless lithography system
JP6173889B2 (ja) 2013-11-28 2017-08-02 ソニーセミコンダクタソリューションズ株式会社 シミュレーション方法、シミュレーションプログラム、加工制御システム、シミュレータ、プロセス設計方法およびマスク設計方法
US10056304B2 (en) * 2014-11-19 2018-08-21 Deca Technologies Inc Automated optical inspection of unit specific patterning
US9965901B2 (en) 2015-11-19 2018-05-08 KLA—Tencor Corp. Generating simulated images from design information
KR102160217B1 (ko) * 2015-12-22 2020-09-28 에이에스엠엘 네델란즈 비.브이. 프로세스-윈도우 특성화를 위한 장치 및 방법
KR20180090385A (ko) * 2015-12-31 2018-08-10 케이엘에이-텐코 코포레이션 반도체 애플리케이션을 위한 기계 학습 기반의 모델의 가속 트레이닝
US9916965B2 (en) * 2015-12-31 2018-03-13 Kla-Tencor Corp. Hybrid inspectors
JP6608344B2 (ja) * 2016-09-21 2019-11-20 株式会社日立製作所 探索装置および探索方法
JP6635476B2 (ja) * 2017-08-09 2020-01-29 学校法人東京女子医科大学 線量分布予測システム、線量分布予測方法及び線量分布予測プログラム
WO2019078149A1 (ja) * 2017-10-17 2019-04-25 株式会社アルバック 被処理体の処理装置
CN107909114B (zh) * 2017-11-30 2020-07-17 深圳地平线机器人科技有限公司 训练有监督机器学习的模型的方法和装置
CN107945175A (zh) * 2017-12-12 2018-04-20 百度在线网络技术（北京）有限公司 图像的评价方法、装置、服务器及存储介质
US11199506B2 (en) * 2018-02-21 2021-12-14 Applied Materials Israel Ltd. Generating a training set usable for examination of a semiconductor specimen
US10572697B2 (en) * 2018-04-06 2020-02-25 Lam Research Corporation Method of etch model calibration using optical scatterometry
JP2019219756A (ja) * 2018-06-15 2019-12-26 国立研究開発法人理化学研究所 制御装置、制御方法、プログラム、ならびに、情報記録媒体

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010079896A (ja) 2008-09-25 2010-04-08 Internatl Business Mach Corp <Ibm> 集積回路設計中の製造の影響の高速シミュレーションを行なうための装置、方法及びコンピュータ・プログラム
JP2016071597A (ja) 2014-09-30 2016-05-09 ソニー株式会社 情報処理装置、情報処理方法及びプログラム
JP2017182129A (ja) 2016-03-28 2017-10-05 ソニー株式会社 情報処理装置。

Also Published As

Publication number Publication date
JPWO2020049974A1 (ja) 2020-09-10
US12033311B2 (en) 2024-07-09
WO2020049974A1 (ja) 2020-03-12
JP6724267B1 (ja) 2020-07-15
KR102513707B1 (ko) 2023-03-23
US20210183051A1 (en) 2021-06-17
JP2020191096A (ja) 2020-11-26
TWI840403B (zh) 2024-05-01
KR20210036391A (ko) 2021-04-02
TW202024377A (zh) 2020-07-01
CN112640037A (zh) 2021-04-09

Similar Documents

Publication Publication Date Title
JP7291670B2 (ja) 推論方法、推論プログラム、モデル生成方法、モデル生成プログラム、推論装置及び学習装置
JP7190495B2 (ja) 推論方法、推論装置、モデルの生成方法及び学習装置
JP6657137B2 (ja) 情報処理装置、情報処理方法、及びプログラム
WO2018171717A1 (zh) 面向神经网络处理器的自动化设计方法和系统
KR20200088475A (ko) 신경망의 기능적 부분망의 동시 훈련
US9147277B2 (en) Systems and methods for portable animation rigs
JP6977886B2 (ja) 機械学習方法、機械学習装置、及び機械学習プログラム
CN109948680B (zh) 病历数据的分类方法及系统
JP2021034024A (ja) データを処理する方法及びその装置
JP2020191096A5 (ja) 推論方法、推論プログラム、モデル生成方法、モデル生成プログラム、推論装置及び学習装置
JP2016071597A (ja) 情報処理装置、情報処理方法及びプログラム
US20230136021A1 (en) Method and system for three-dimensional modeling
US20220172446A1 (en) Combining Three-Dimensional Morphable Models
Wang et al. Learning elastic constitutive material and damping models
CN113158970B (zh) 一种基于快慢双流图卷积神经网络的动作识别方法与系统
JP2020075063A (ja) 画像補間・臓器抽出装置およびそのプログラム
CN115294361A (zh) 一种特征提取的方法及装置
JP7551620B2 (ja) データ拡張
KR20230000686A (ko) 전자 장치 및 전자 장치의 제어 방법
JP7438544B2 (ja) ニューラルネットワーク処理装置、コンピュータプログラム、ニューラルネットワーク製造方法、ニューラルネットワークデータの製造方法、ニューラルネットワーク利用装置、及びニューラルネットワーク小規模化方法
CN115034351A (zh) 数据处理方法、卷积神经网络训练方法、装置和fpga
JP6633267B2 (ja) 次元削減装置、方法及びプログラム
WO2023283781A1 (zh) 用于生成材料的微观结构数据的方法
WO2024224945A1 (ja) 射出成形品のゲート位置決定方法、射出成形品のゲート位置決定装置及び射出成形品のゲート位置決定方法として機能させるためのプログラム
JP2024086148A (ja) 構造解析プログラム、構造解析方法および情報処理装置

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20220805

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20220805

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20230517

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: 20230530

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20230605

R150 Certificate of patent or registration of utility model

Ref document number: 7291670

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150