JP7412150B2 - 予測装置、予測方法及び予測プログラム - Google Patents
予測装置、予測方法及び予測プログラム Download PDFInfo
- Publication number
- JP7412150B2 JP7412150B2 JP2019217440A JP2019217440A JP7412150B2 JP 7412150 B2 JP7412150 B2 JP 7412150B2 JP 2019217440 A JP2019217440 A JP 2019217440A JP 2019217440 A JP2019217440 A JP 2019217440A JP 7412150 B2 JP7412150 B2 JP 7412150B2
- Authority
- JP
- Japan
- Prior art keywords
- processing
- unit
- series data
- time
- network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims description 64
- 238000012545 processing Methods 0.000 claims description 240
- 238000004519 manufacturing process Methods 0.000 claims description 82
- 238000010801 machine learning Methods 0.000 claims description 51
- 238000010606 normalization Methods 0.000 claims description 44
- 238000011176 pooling Methods 0.000 claims description 23
- 238000012423 maintenance Methods 0.000 claims description 21
- 230000015572 biosynthetic process Effects 0.000 claims description 15
- 238000003786 synthesis reaction Methods 0.000 claims description 15
- 238000013459 approach Methods 0.000 claims description 12
- 239000000758 substrate Substances 0.000 claims description 5
- 230000008878 coupling Effects 0.000 claims 2
- 238000010168 coupling process Methods 0.000 claims 2
- 238000005859 coupling reaction Methods 0.000 claims 2
- 235000012431 wafers Nutrition 0.000 description 82
- 238000001636 atomic emission spectroscopy Methods 0.000 description 47
- 239000004065 semiconductor Substances 0.000 description 41
- 238000010586 diagram Methods 0.000 description 39
- 238000003860 storage Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 230000003287 optical effect Effects 0.000 description 8
- 238000007781 pre-processing Methods 0.000 description 8
- 238000013500 data storage Methods 0.000 description 7
- 230000015654 memory Effects 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 7
- 238000012805 post-processing Methods 0.000 description 7
- 230000004913 activation Effects 0.000 description 5
- 230000001186 cumulative effect Effects 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000002194 synthesizing effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000006866 deterioration Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000004993 emission spectroscopy Methods 0.000 description 1
- 238000004020 luminiscence type Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM]
- G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
- G05B19/4187—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow by tool management
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
Description
製造プロセスの所定の処理単位において、対象物の処理に伴い測定された時系列データ群と、該対象物を処理した際に取得された装置状態情報とを取得する取得部と、
取得された前記時系列データ群及び前記装置状態情報であって、対応するネットワーク部で行われる処理に応じて分岐された前記時系列データ群及び前記装置状態情報それぞれを処理する複数のネットワーク部と、該複数のネットワーク部を用いて処理することで出力された各出力データを合成する連結部とを含み、該連結部により出力された合成結果が、前記製造プロセスの前記所定の処理単位において前記対象物を処理した際に取得された、前記製造プロセス内の状態を表す品質指標値に近づくように、前記複数のネットワーク部及び前記連結部について機械学習を行うことで、機械学習済みの前記複数のネットワーク部及び機械学習済みの前記連結部を生成する学習部と、を有し、
前記複数のネットワーク部それぞれの最終層に含まれるプーリング部は、出力データのデータサイズが各ミニバッチの平均のデータサイズとなるように、GAP処理を行うことで、前記連結部に対して同じデータサイズの出力データを出力する。
<半導体製造プロセスと予測装置とを含むシステムの全体構成>
はじめに、製造プロセス(ここでは、半導体製造プロセス)と予測装置とを含むシステムの全体構成について説明する。図1は、半導体製造プロセスと予測装置とを含むシステムの全体構成の一例を示す第1の図である。図1に示すように、システム100は、半導体製造プロセスと、時系列データ取得装置140_1~140_nと、予測装置160とを有する。
・積算データ、例えば、
・半導体製造プロセスにおける処理枚数の積算値、
・半導体製造プロセスにおける処理時間の積算値(フォーカスリング(F/R)、カバーリング(C/R)、セル、電極等の所定のパーツの使用時間の積算値)、
・半導体製造プロセスにおいて成膜された膜厚の積算値、
・メンテナンスを管理するための累積値、等。
・半導体製造プロセス内のパーツ(例えば、F/R、C/R、セル、電極等)の劣化を示す情報、
・半導体製造プロセスの処理空間(例えば、チャンバ)内の壁等の部材の劣化を示す情報、
・半導体製造プロセス内のパーツに堆積するデポ膜の厚みなどの情報、
等が含まれる。装置状態情報は、パーツの交換や、クリーニングの実施によりリセットされ、対象ごとに個別に管理される情報である。
次に、半導体製造プロセスの所定の処理単位120について説明する。図2は、半導体製造プロセスの所定の処理単位の一例を示す第1の図である。図2に示すように、基板処理装置の一例である半導体製造装置200は、複数のチャンバ(複数の処理空間の一例。図2の例では、"チャンバA"~"チャンバC")を有しており、各チャンバにおいて、ウェハが処理される。
・チャンバA(第1の処理空間)におけるウェハの処理に伴い出力される時系列データ群と、
・チャンバB(第2の処理空間)におけるウェハの処理に伴い出力される時系列データ群と、
・チャンバC(第3の処理空間)におけるウェハの処理に伴い出力される時系列データ群と、
が含まれる。
次に、予測装置160のハードウェア構成について説明する。図4は、予測装置のハードウェア構成の一例を示す図である。図4に示すように、予測装置160は、CPU(Central Processing Unit)401、ROM(Read Only Memory)402、RAM(Random Access Memory)403を有する。また、予測装置160は、GPU(Graphics Processing Unit)404を有する。なお、CPU401、GPU404などのプロセッサ(処理回路、Processing Circuit、Processing Circuitry)と、ROM402、RAM403などのメモリは、いわゆるコンピュータを形成する。
次に、学習部161が機械学習を行う際に、学習用データ格納部163より読み出す学習用データについて説明する。図5は、学習用データの一例を示す第1の図である。図5に示すように、学習用データ500には、情報の項目として、"装置"、"レシピ種類"、"時系列データ群"、"装置状態情報"、"品質指標値"が含まれる。なお、ここでは、所定の処理単位120が1のプロセスレシピの処理である場合について説明を行う。
次に、時系列データ取得装置140_1~140_nにより測定される時系列データ群の具体例について説明する。図6は、時系列データ群の一例を示す図である。なお、図6の例では、説明の簡略化のため、時系列データ取得装置140_1~140_nがそれぞれ1次元のデータを測定するものとしているが、1の時系列データ取得装置が2次元のデータ(複数種類の1次元データのデータセット)を測定してもよい。
次に、学習部161の機能構成について説明する。図7は、学習部の機能構成の一例を示す第1の図である。学習部161は、分岐部710と、第1のネットワーク部720_1~第Mのネットワーク部720_Mと、連結部730と、比較部740とを有する。
次に、学習部161の各部(ここでは、特に、分岐部)の処理の詳細について、具体例を挙げて説明する。
はじめに、分岐部710の処理の詳細について説明する。図8は、分岐部の処理の具体例を示す第1の図である。図8の場合、分岐部710は、時系列データ取得装置140_1~140_nにより測定された時系列データ群を、第1の基準に応じて加工することで、時系列データ群1(第1の時系列データ群)を生成し、第1のネットワーク部720_1に入力する。
次に、分岐部710の他の処理の詳細について説明する。図9は、分岐部の処理の具体例を示す第2の図である。図9の場合、分岐部710は、時系列データ取得装置140_1~140_nにより測定された時系列データ群を、データ種類に応じてグループ分けすることで、
・時系列データ群1(第1の時系列データ群)と、
・時系列データ群2(第2の時系列データ群)と、
を生成する。また、分岐部710は、生成した時系列データ群1を第3のネットワーク部720_3に入力し、生成した時系列データ群2を第4のネットワーク部720_4に入力する。
次に、分岐部710による他の処理の詳細について説明する。図10は、分岐部の処理の具体例を示す第3の図である。図10の場合、分岐部710は、時系列データ取得装置140_1~140_nにより取得された時系列データ群を、第5のネットワーク部720_5と第6のネットワーク部720_6の両方に入力する。そして、第5のネットワーク部720_5と第6のネットワーク部720_6とで、同じ時系列データ群に対して、異なる処理(正規化処理)を施す。
次に、分岐部710による他の処理の詳細について説明する。図12は、分岐部の処理の具体例を示す第4の図である。図12の場合、分岐部710は、時系列データ取得装置140_1~140_nにより測定された時系列データ群のうち、チャンバAでのウェハの処理に伴い測定された時系列データ群1(第1の時系列データ群)を第7のネットワーク部720_7に入力する。
次に、推論部162の機能構成について説明する。図13は、推論部の機能構成の一例を示す第1の図である。図13に示すように、推論部162は、分岐部1310と、第1のネットワーク部1320_1から第Mのネットワーク部1320_Mと、連結部1330と、監視部1340と、予測部1350とを有する。
次に、予測装置160による予測処理全体の流れについて説明する。図14は、予測処理の流れを示す第1のフローチャートである。
以上の説明から明らかなように、第1の実施形態に係る予測装置は、
・製造プロセスの所定の処理単位において、対象物の処理に伴い測定された時系列データ群及び対象物を処理した際に取得された装置状態情報を取得する。
・取得した時系列データ群を、
・第1及び第2の基準に応じて処理することで、第1の時系列データ群と第2の時系列データ群とを生成し、あるいは、
・データ種類または時間範囲に応じてグループ分けし、
装置状態情報とともに複数のネットワーク部を用いて処理することで出力された各出力データを合成する、あるいは、
・取得した時系列データ群を、異なる手法で正規化を行う複数のネットワーク部にそれぞれ入力し、装置状態情報とともに複数のネットワーク部を用いて処理することで出力された各出力データを合成する。
・各出力データを合成することで得た合成結果が、製造プロセスの所定の処理単位において、対象物を処理した際に取得された、品質指標値に近づくよう、複数のネットワーク部について機械学習を行う。
・新たな対象物の処理に伴い時系列データ取得装置により測定された時系列データ群を、装置状態情報を変えながら、機械学習された複数のネットワーク部を用いて処理する。そして、装置状態情報を変えるごとに、複数のネットワーク部より出力された各出力データの合成結果として、品質指標値を推論する。
・装置状態情報を変えながら推論した品質指標値が所定の条件を満たすか否かを判定し、所定の条件を満たすと判定した際の装置状態情報を用いて、パーツの交換時期またはメンテナンス時期を予測する。
上記第1の実施形態に係る予測装置160では、取得した時系列データ群及び装置状態情報を複数のネットワーク部を用いて処理する構成として、4通りの構成について示した。これに対して、第2の実施形態では、これら4通りの構成のうち、異なる手法で正規化処理を行う正規化部をそれぞれに含む複数のネットワーク部を用いて時系列データ群及び装置状態情報を処理する構成について、更に、詳細に説明する。なお、説明にあたっては、
・時系列データ取得装置は発光分光分析装置であり、
・時系列データ群はOES(Optical Emission Spectroscopy)データ(発光強度の時系列データが波長の種類に応じた数だけ含まれるデータセット)である、
ことを前提とする。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行う。
はじめに、時系列データ取得装置が発光分光分析装置である場合の、半導体製造プロセスと予測装置とを含むシステムの全体構成について説明する。図15は、半導体製造プロセスと予測装置とを含むシステムの全体構成の一例を示す第2の図である。図15に示すように、システム1500は、半導体製造プロセスと、発光分光分析装置1501と、予測装置160とを有する。
次に、学習部161が機械学習を行う際に、学習用データ格納部163より読み出す学習用データについて説明する。図16は、学習用データの一例を示す第2の図である。図16に示すように、学習用データ1600には、情報の項目として、図5に示した学習用データ500の情報の項目と同様の情報の項目が含まれる。図5との相違点は、情報の項目として"時系列データ群"に代えて"OESデータ"が含まれ、発光分光分析装置1501により測定されたOESデータが格納されている点である。
次に、発光分光分析装置1501において測定されるOESデータの具体例について説明する。図17は、OESデータの一例を示す図である。
次に、分岐部710によりOESデータ1720がそれぞれ入力される第5のネットワーク部720_5及び第6のネットワーク部720_6の、正規化部の処理の具体例について説明する。
次に、第5のネットワーク部720_5及び第6のネットワーク部720_6の最終層に含まれるプーリング部の処理の具体例について説明する。図20は、プーリング部の処理の具体例を示す図である。
次に、推論部162の機能構成について説明する。図21は、推論部の機能構成の一例を示す第2の図である。図21に示すように、推論部162は、分岐部1310と、第5のネットワーク部1320_5及び第6のネットワーク部1320_6と、連結部1330とを有する。
次に、予測装置160による予測処理全体の流れについて説明する。図22は、予測処理の流れを示す第2のフローチャートである。図14を用いて説明した第1のフローチャートとの相違点は、ステップS2201~S2202、S2203である。
以上の説明から明らかなように、第2の実施形態に係る予測装置は、
・製造プロセスの所定の処理単位において、対象物の処理に伴い発光分光分析装置により測定されたOESデータ及び対象物を処理した際に取得された装置状態情報を取得する。
・取得したOESデータ及び装置状態情報を、異なる手法で正規化を行う2つのネットワーク部にそれぞれ入力し、2つのネットワーク部より出力された各出力データを合成する。
・各出力データを合成することで得た合成結果が、製造プロセスの所定の処理単位において、対象物を処理した際に取得された、品質指標値に近づくよう、2つのネットワーク部について機械学習を行う。
・新たな対象物の処理に伴い発光分光分析装置により測定されたOESデータを、装置状態情報を変えながら、機械学習が行われた2つのネットワーク部を用いて処理する。そして、装置状態情報を変えるごとに、該2つのネットワーク部より出力された各出力データの合成結果として、品質指標値を推論する。
・装置状態情報を変えながら推論した品質指標値が所定の条件を満たすか否かを判定し、所定の条件を満たすと判定した際の装置状態情報を用いて、パーツの交換時期またはメンテナンス時期を予測する。
上記第2の実施形態では、時系列データ取得装置の一例として、発光分光分析装置を挙げたが、第1の実施形態で説明した時系列データ取得装置は、発光分光分析装置に限定されない。
110 :処理前ウェハ
120 :処理単位
130 :処理後ウェハ
140_1~140_n :時系列データ取得装置
160 :予測装置
161 :学習部
162 :推論部
200 :半導体製造装置
500 :学習用データ
710 :分岐部
720_1~720_M :第1のネットワーク部~第Mのネットワーク部
720_11~720_1N :第1層~第N層
720_21~720_2N :第1層~第N層
720_M1~720_MN :第1層~第N層
730 :連結部
740 :比較部
1101、1111 :正規化部
1104、1114 :プーリング部
1310 :分岐部
1320_1~1320_M :第1のネットワーク部~第Mのネットワーク部
1320_11~1320_1N :第1層~第N層
1320_21~1320_2N :第1層~第N層
1320_M1~1320_MN :第1層~第N層
1330 :連結部
1340 :監視部
1350 :予測部
1500 :システム
1501 :発光分光分析装置
1600 :学習用データ
Claims (14)
- 製造プロセスの所定の処理単位において、対象物の処理に伴い測定された時系列データ群と、該対象物を処理した際に取得された装置状態情報とを取得する取得部と、
取得された前記時系列データ群及び前記装置状態情報であって、対応するネットワーク部で行われる処理に応じて分岐された前記時系列データ群及び前記装置状態情報それぞれを処理する複数のネットワーク部と、該複数のネットワーク部を用いて処理することで出力された各出力データを合成する連結部とを含み、該連結部により出力された合成結果が、前記製造プロセスの前記所定の処理単位において前記対象物を処理した際に取得された、前記製造プロセス内の状態を表す品質指標値に近づくように、前記複数のネットワーク部及び前記連結部について機械学習を行うことで、機械学習済みの前記複数のネットワーク部及び機械学習済みの前記連結部を生成する学習部と、を有し、
前記複数のネットワーク部それぞれの最終層に含まれるプーリング部は、出力データのデータサイズが各ミニバッチの平均のデータサイズとなるように、GAP処理を行うことで、前記連結部に対して同じデータサイズの出力データを出力する、予測装置。 - 新たな対象物について取得された時系列データ群であって、対応する機械学習済みのネットワーク部で行われる処理に応じて分岐された前記時系列データ群それぞれを、装置状態情報を変えながら、機械学習済みの前記複数のネットワーク部に繰り返し入力し、機械学習済みの前記複数のネットワーク部を用いて処理することで出力された各出力データであって、機械学習済みの前記連結部により合成された合成結果を、前記新たな対象物を処理した際の品質指標値として、装置状態情報ごとに推論し、前記装置状態情報ごとに推論した前記品質指標値のうち、所定の条件を満たす品質指標値に対応する装置状態情報を特定し、特定した装置状態情報に基づいて、前記製造プロセス内のパーツの交換時期または前記製造プロセス内のメンテナンス時期を予測する推論部を更に有する請求項1に記載の予測装置。
- 製造プロセスの所定の処理単位において、対象物の処理に伴い測定された時系列データ群と、該対象物を処理した際に取得された装置状態情報とを取得する取得部と、
取得された前記時系列データ群及び前記装置状態情報であって、対応するネットワーク部で行われる処理に応じて分岐された前記時系列データ群及び前記装置状態情報それぞれを処理する複数のネットワーク部と、該複数のネットワーク部を用いて処理することで出力された各出力データを合成する連結部とを含む学習部によって、該連結部より出力された合成結果が、前記製造プロセスの前記所定の処理単位において前記対象物を処理した際に取得された、前記製造プロセス内の状態を表す品質指標値に近づくように、前記複数のネットワーク部及び前記連結部について機械学習が行われることで生成された、機械学習済みの前記複数のネットワーク部及び機械学習済みの前記連結部と、
新たな対象物について取得された前記時系列データ群であって、対応するネットワーク部で行われる処理に応じて分岐された前記時系列データ群それぞれを、装置状態情報を変えながら、機械学習済みの前記複数のネットワーク部に繰り返し入力し、機械学習済みの前記複数のネットワーク部を用いて処理することで出力された各出力データであって、機械学習済みの前記連結部により合成された合成結果を、前記対象物を処理した際の、前記製造プロセス内の状態を表す品質指標値として推論し、前記装置状態情報ごとに推論した前記品質指標値のうち、所定の条件を満たす品質指標値に対応する装置状態情報を特定し、特定した装置状態情報に基づいて、前記製造プロセス内のパーツの交換時期または前記製造プロセス内のメンテナンス時期を予測する推論部と、を有し、
前記複数のネットワーク部それぞれの最終層に含まれるプーリング部は、出力データのデータサイズが各ミニバッチの平均のデータサイズとなるように、GAP処理を行うことで、前記連結部に対して同じデータサイズの出力データを出力する、予測装置。 - 前記学習部は、
取得された前記時系列データ群を第1の基準及び第2の基準に応じてそれぞれ処理することで、第1の時系列データ群と第2の時系列データ群とを生成し、生成した前記第1の時系列データ群及び前記第2の時系列データ群と、前記装置状態情報とを異なるネットワーク部を用いて処理することで出力された各出力データの合成結果が、前記製造プロセスの前記所定の処理単位において前記対象物を処理した際に取得された、前記品質指標値に近づくように、前記異なるネットワーク部及び前記連結部について機械学習を行う、請求項1に記載の予測装置。 - 新たな対象物について取得された時系列データ群を前記第1の基準及び前記第2の基準に応じてそれぞれ処理することで、第1の時系列データ群と第2の時系列データ群とを生成し、生成した前記第1の時系列データ群及び前記第2の時系列データ群を、装置状態情報を変えながら、機械学習済みの前記異なるネットワーク部に繰り返し入力し、機械学習済みの前記複数のネットワーク部を用いて処理することで出力された各出力データであって、機械学習済みの前記連結部により合成された合成結果を、前記新たな対象物を処理した際の品質指標値として、装置状態情報ごとに推論し、前記装置状態情報ごとに推論した前記品質指標値のうち、所定の条件を満たす品質指標値に対応する装置状態情報を特定し、特定した装置状態情報に基づいて、前記製造プロセス内のパーツの交換時期または前記製造プロセス内のメンテナンス時期を予測する推論部を更に有する請求項4に記載の予測装置。
- 前記学習部は、
取得された前記時系列データ群をデータ種類または時間範囲に応じてグループ分けし、各グループと、前記装置状態情報とを異なるネットワーク部を用いて処理することで出力された各出力データの合成結果が、前記製造プロセスの前記所定の処理単位において前記対象物を処理した際に取得された、前記品質指標値に近づくように、前記異なるネットワーク部及び前記連結部について機械学習を行う、請求項1に記載の予測装置。 - 新たな対象物について取得された時系列データ群を前記データ種類または前記時間範囲に応じてグループ分けし、各グループを、装置状態情報を変えながら、機械学習済みの前記異なるネットワーク部に繰り返し入力し、機械学習済みの前記複数のネットワーク部を用いて処理することで出力された各出力データであって、機械学習済みの前記連結部により合成された合成結果を、前記新たな対象物を処理した際の品質指標値として、装置状態情報ごとに推論し、前記装置状態情報ごとに推論した前記品質指標値のうち、所定の条件を満たす品質指標値に対応する装置状態情報を特定し、特定した装置状態情報に基づいて、前記製造プロセス内のパーツの交換時期または前記製造プロセス内のメンテナンス時期を予測する推論部を更に有する請求項6に記載の予測装置。
- 前記学習部は、
取得された前記時系列データ群と、前記装置状態情報とを、異なる手法で正規化を行う正規化部をそれぞれに含む異なるネットワーク部に入力し、該異なるネットワーク部を用いて処理することで出力された各出力データの合成結果が、前記製造プロセスの前記所定の処理単位において前記対象物を処理した際に取得された、前記品質指標値に近づくように、前記異なるネットワーク部及び前記連結部について機械学習を行う、請求項1に記載の予測装置。 - 新たな対象物について取得された時系列データ群を、装置状態情報を変えながら、機械学習済みの前記異なるネットワーク部に繰り返し入力し、機械学習済みの前記異なるネットワーク部を用いて処理することで出力された各出力データであって、機械学習済みの前記連結部により合成された合成結果を、前記新たな対象物を処理した際の品質指標値として、装置状態情報ごとに推論し、前記装置状態情報ごとに推論した前記品質指標値のうち、所定の条件を満たす品質指標値に対応する装置状態情報を特定し、特定した装置状態情報に基づいて、前記製造プロセス内のパーツの交換時期または前記製造プロセス内のメンテナンス時期を予測する推論部を更に有する請求項8に記載の予測装置。
- 前記学習部は、
前記所定の処理単位に含まれる第1の処理空間における前記対象物の処理に伴い測定された第1の時系列データ群及び前記対象物を処理した際に取得された装置状態情報と、第2の処理空間における前記対象物の処理に伴い測定された第2の時系列データ群及び前記対象物を処理した際に取得された装置状態情報とを、異なるネットワーク部を用いて処理することで出力された各出力データの合成結果が、前記製造プロセスの所定の処理単位において前記対象物を処理した際に取得された、前記品質指標値に近づくように、前記異なるネットワーク部及び前記連結部について機械学習を行う、請求項1に記載の予測装置。 - 新たな対象物について、前記所定の処理単位に含まれる前記第1の処理空間における処理に伴い測定された第1の時系列データ群と、前記第2の処理空間における処理に伴い測定された第2の時系列データ群とを、装置状態情報を変えながら、機械学習済みの前記異なるネットワーク部に繰り返し入力し、機械学習済みの前記複数のネットワーク部を用いて処理することで出力された各出力データであって、機械学習済みの前記連結部により合成された合成結果を、前記新たな対象物を処理した際の品質指標値として、装置状態情報ごとに推論し、
前記装置状態情報ごとに推論した前記品質指標値のうち、所定の条件を満たす品質指標値に対応する装置状態情報を特定し、特定した装置状態情報に基づいて、前記製造プロセス内のパーツの交換時期または前記製造プロセス内のメンテナンス時期を予測する推論部を更に有する請求項10に記載の予測装置。 - 前記時系列データ群は、基板処理装置における処理に伴い測定されたデータである、請求項1に記載の予測装置。
- 製造プロセスの所定の処理単位において、対象物の処理に伴い測定された時系列データ群と、該対象物を処理した際に取得された装置状態情報とを取得する取得工程と、
取得された前記時系列データ群及び前記装置状態情報であって、対応するネットワーク部で行われる処理に応じて分岐された前記時系列データ群及び前記装置状態情報それぞれを処理する複数のネットワーク部と、該複数のネットワーク部を用いて処理することで出力された各出力データを合成する連結部とを含み、該連結部により出力された合成結果が、前記製造プロセスの前記所定の処理単位において前記対象物を処理した際に取得された、前記製造プロセス内の状態を表す品質指標値に近づくように、前記複数のネットワーク部及び前記連結部について機械学習を行うことで、機械学習済みの前記複数のネットワーク部及び機械学習済みの前記連結部を生成する学習工程と、をコンピュータが実行し、
前記複数のネットワーク部それぞれの最終層に含まれるプーリング部は、出力データのデータサイズが各ミニバッチの平均のデータサイズとなるように、GAP処理を行うことで、前記連結部に対して同じデータサイズの出力データを出力する、予測方法。 - 製造プロセスの所定の処理単位において、対象物の処理に伴い測定された時系列データ群と、該対象物を処理した際に取得された装置状態情報とを取得する取得工程と、
取得された前記時系列データ群及び前記装置状態情報であって、対応するネットワーク部で行われる処理に応じて分岐された前記時系列データ群及び前記装置状態情報それぞれを処理する複数のネットワーク部と、該複数のネットワーク部を用いて処理することで出力された各出力データを合成する連結部とを含み、該連結部により出力された合成結果が、前記製造プロセスの前記所定の処理単位において前記対象物を処理した際に取得された、前記製造プロセス内の状態を表す品質指標値に近づくように、前記複数のネットワーク部及び前記連結部について機械学習を行うことで、機械学習済みの前記複数のネットワーク部及び機械学習済みの前記連結部を生成する学習工程と、をコンピュータに実行させ、
前記複数のネットワーク部それぞれの最終層に含まれるプーリング部は、出力データのデータサイズが各ミニバッチの平均のデータサイズとなるように、GAP処理を行うことで、前記連結部に対して同じデータサイズの出力データを出力する、予測プログラム。
Priority Applications (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019217440A JP7412150B2 (ja) | 2019-11-29 | 2019-11-29 | 予測装置、予測方法及び予測プログラム |
CN202011346759.7A CN112884193A (zh) | 2019-11-29 | 2020-11-26 | 预测装置、预测方法及记录介质 |
KR1020200161842A KR20210067920A (ko) | 2019-11-29 | 2020-11-27 | 예측 장치, 예측 방법 및 예측 프로그램 |
TW109141771A TW202139072A (zh) | 2019-11-29 | 2020-11-27 | 預測裝置及預測方法 |
US17/105,765 US20210166121A1 (en) | 2019-11-29 | 2020-11-27 | Predicting device and predicting method |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019217440A JP7412150B2 (ja) | 2019-11-29 | 2019-11-29 | 予測装置、予測方法及び予測プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021086572A JP2021086572A (ja) | 2021-06-03 |
JP7412150B2 true JP7412150B2 (ja) | 2024-01-12 |
Family
ID=76043105
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019217440A Active JP7412150B2 (ja) | 2019-11-29 | 2019-11-29 | 予測装置、予測方法及び予測プログラム |
Country Status (5)
Country | Link |
---|---|
US (1) | US20210166121A1 (ja) |
JP (1) | JP7412150B2 (ja) |
KR (1) | KR20210067920A (ja) |
CN (1) | CN112884193A (ja) |
TW (1) | TW202139072A (ja) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11688616B2 (en) | 2020-07-22 | 2023-06-27 | Applied Materials, Inc. | Integrated substrate measurement system to improve manufacturing process performance |
WO2023032636A1 (ja) * | 2021-08-31 | 2023-03-09 | 東京エレクトロン株式会社 | 情報処理方法、情報処理装置、及び基板処理システム |
US20230163002A1 (en) * | 2021-11-23 | 2023-05-25 | Applied Materials, Inc. | Accelerating preventative maintenance recovery and recipe optimizing using machine-learning based algorithm |
US20230236569A1 (en) * | 2022-01-25 | 2023-07-27 | Applied Materials, Inc. | Estimation of chamber component conditions using substrate measurements |
WO2023180784A1 (en) * | 2022-03-21 | 2023-09-28 | Applied Materials, Inc. | Method of generating a computational model for improving parameter settings of one or more display manufacturing tools, method of setting parameters of one or more display manufacturing tools, and display manufacturing fab equipment |
CN114841378B (zh) * | 2022-07-04 | 2022-10-11 | 埃克斯工业(广东)有限公司 | 晶圆特征参数预测方法、装置、电子设备及可读存储介质 |
TW202406412A (zh) * | 2022-07-15 | 2024-02-01 | 日商東京威力科創股份有限公司 | 電漿處理系統、支援裝置、支援方法及支援程式 |
US20240071838A1 (en) * | 2022-08-24 | 2024-02-29 | Applied Materials, Inc. | Substrate placement optimization using substrate measurements |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017129896A (ja) | 2016-01-18 | 2017-07-27 | 富士通株式会社 | 機械学習装置、機械学習方法及び機械学習プログラム |
WO2019003404A1 (ja) | 2017-06-30 | 2019-01-03 | 三菱電機株式会社 | 非定常検出装置、非定常検出システム、および非定常検出方法 |
JP2019106476A (ja) | 2017-12-13 | 2019-06-27 | オムロン株式会社 | 監視システム、学習装置、学習方法、監視装置及び監視方法 |
WO2019208773A1 (ja) | 2018-04-27 | 2019-10-31 | 三菱日立パワーシステムズ株式会社 | プラントの運転支援装置、プラントの運転支援方法、プラントの学習モデルの作成方法、プラントの運転支援プログラム、プラントの運転支援プログラムを記録した記録媒体、プラントの学習モデルの作成プログラム、及びプラントの学習モデルの作成プログラムを記録した記録媒体 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070282480A1 (en) * | 2003-11-10 | 2007-12-06 | Pannese Patrick D | Methods and systems for controlling a semiconductor fabrication process |
JP2011100211A (ja) | 2009-11-04 | 2011-05-19 | Sharp Corp | 異常判定装置、異常判定方法、異常判定プログラム、および、このプログラムを記録したプログラム記録媒体 |
KR102083369B1 (ko) * | 2013-01-29 | 2020-03-03 | 삼성디스플레이 주식회사 | 공정 모니터링 방법 및 공정 모니터링 장치 |
US9601130B2 (en) * | 2013-07-18 | 2017-03-21 | Mitsubishi Electric Research Laboratories, Inc. | Method for processing speech signals using an ensemble of speech enhancement procedures |
JP6280997B1 (ja) * | 2016-10-31 | 2018-02-14 | 株式会社Preferred Networks | 疾患の罹患判定装置、疾患の罹患判定方法、疾患の特徴抽出装置及び疾患の特徴抽出方法 |
KR101917006B1 (ko) * | 2016-11-30 | 2018-11-08 | 에스케이 주식회사 | 머신 러닝 기반 반도체 제조 수율 예측 시스템 및 방법 |
TW201915727A (zh) * | 2017-09-18 | 2019-04-16 | 元智大學 | 多元感測器之錯誤偵測與分類方法 |
TWI829807B (zh) * | 2018-11-30 | 2024-01-21 | 日商東京威力科創股份有限公司 | 製造製程之假想測定裝置、假想測定方法及假想測定程式 |
-
2019
- 2019-11-29 JP JP2019217440A patent/JP7412150B2/ja active Active
-
2020
- 2020-11-26 CN CN202011346759.7A patent/CN112884193A/zh active Pending
- 2020-11-27 US US17/105,765 patent/US20210166121A1/en active Pending
- 2020-11-27 KR KR1020200161842A patent/KR20210067920A/ko active Search and Examination
- 2020-11-27 TW TW109141771A patent/TW202139072A/zh unknown
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017129896A (ja) | 2016-01-18 | 2017-07-27 | 富士通株式会社 | 機械学習装置、機械学習方法及び機械学習プログラム |
WO2019003404A1 (ja) | 2017-06-30 | 2019-01-03 | 三菱電機株式会社 | 非定常検出装置、非定常検出システム、および非定常検出方法 |
JP2019106476A (ja) | 2017-12-13 | 2019-06-27 | オムロン株式会社 | 監視システム、学習装置、学習方法、監視装置及び監視方法 |
WO2019208773A1 (ja) | 2018-04-27 | 2019-10-31 | 三菱日立パワーシステムズ株式会社 | プラントの運転支援装置、プラントの運転支援方法、プラントの学習モデルの作成方法、プラントの運転支援プログラム、プラントの運転支援プログラムを記録した記録媒体、プラントの学習モデルの作成プログラム、及びプラントの学習モデルの作成プログラムを記録した記録媒体 |
Also Published As
Publication number | Publication date |
---|---|
TW202139072A (zh) | 2021-10-16 |
CN112884193A (zh) | 2021-06-01 |
KR20210067920A (ko) | 2021-06-08 |
US20210166121A1 (en) | 2021-06-03 |
JP2021086572A (ja) | 2021-06-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7412150B2 (ja) | 予測装置、予測方法及び予測プログラム | |
JP7118170B2 (ja) | 仮想測定装置、仮想測定方法及び仮想測定プログラム | |
KR102039394B1 (ko) | 탐색 장치 및 탐색 방법 | |
US20230138127A1 (en) | Information processing method and information processing apparatus including acquiring a time series data group measured duirng a processing cycle for a substrate | |
JP7452990B2 (ja) | 異常検知装置、異常検知方法及び異常検知プログラム | |
Kim et al. | Fault detection prediction using a deep belief network-based multi-classifier in the semiconductor manufacturing process | |
US20130080372A1 (en) | Architecture and methods for tool health prediction | |
CN113051452B (zh) | 运维数据特征选择方法和装置 | |
Mori et al. | Incremental estimation of project failure risk with Naive Bayes classifier | |
US20230004837A1 (en) | Inference device, inference method and inference program | |
EP4080421A1 (en) | System and method for reassignment clustering for defect visibility regression | |
CN115829054A (zh) | 基于机器学习模型对脑网络异常边连接的预测方法 | |
US20210312610A1 (en) | Analysis device and analysis method | |
Susto et al. | A dynamic sampling approach for cost reduction in semiconductor manufacturing | |
JP2020025116A (ja) | 探索装置および探索方法 | |
JP2020181959A (ja) | 学習方法、管理装置および管理プログラム | |
US20110282472A1 (en) | Comprehensive analysis of queue times in microelectronic manufacturing | |
Srinivasan et al. | Ensemble Neural Networks for Remaining Useful Life (RUL) Prediction | |
US11469122B2 (en) | Semiconductor process analysis device, semiconductor process analysis method, and storage medium | |
Ki et al. | Graphical approach of equipment health monitoring using network analysis | |
Yu et al. | L n-norm multiple kernel learning and least squares support vector machines | |
Lin et al. | Machine Learning-Based Approach for Automatic Ion Implanter Monitoring | |
Gentner | Enhancing Scalability of Deep Learning Based Approaches in Semiconductor Manufacturing | |
Lyons et al. | Applied Machine Learning Techniques for Performance Analysis in Large Wind Farms. Energies 2021, 14, 3756 | |
CN114823410A (zh) | 基于异质数据的半导体工艺预测方法与装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220217 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230131 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230214 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230414 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230711 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230908 |
|
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: 20231128 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20231226 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7412150 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |