JP7429116B2 - 装置、方法およびプログラム - Google Patents
装置、方法およびプログラム Download PDFInfo
- Publication number
- JP7429116B2 JP7429116B2 JP2019230827A JP2019230827A JP7429116B2 JP 7429116 B2 JP7429116 B2 JP 7429116B2 JP 2019230827 A JP2019230827 A JP 2019230827A JP 2019230827 A JP2019230827 A JP 2019230827A JP 7429116 B2 JP7429116 B2 JP 7429116B2
- Authority
- JP
- Japan
- Prior art keywords
- data
- configuration
- recommended
- learning
- semiconductor device
- 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 152
- 230000013016 learning Effects 0.000 claims description 336
- 239000004065 semiconductor Substances 0.000 claims description 181
- 230000008569 process Effects 0.000 claims description 117
- 238000012545 processing Methods 0.000 claims description 110
- 239000000758 substrate Substances 0.000 claims description 95
- 238000004519 manufacturing process Methods 0.000 claims description 94
- 230000004044 response Effects 0.000 claims description 44
- 238000004364 calculation method Methods 0.000 claims description 29
- 238000000605 extraction Methods 0.000 claims description 26
- 238000009826 distribution Methods 0.000 claims description 25
- 238000001514 detection method Methods 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 17
- 239000000284 extract Substances 0.000 claims description 15
- 239000000203 mixture Substances 0.000 claims description 7
- 239000012535 impurity Substances 0.000 claims description 5
- 238000000611 regression analysis Methods 0.000 claims description 5
- 239000000463 material Substances 0.000 claims description 2
- 239000007789 gas Substances 0.000 description 203
- 239000002994 raw material Substances 0.000 description 71
- 239000012159 carrier gas Substances 0.000 description 50
- 230000015572 biosynthetic process Effects 0.000 description 33
- 230000005587 bubbling Effects 0.000 description 25
- 238000012423 maintenance Methods 0.000 description 15
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 12
- 229910052751 metal Inorganic materials 0.000 description 12
- 239000002184 metal Substances 0.000 description 12
- 238000002347 injection Methods 0.000 description 9
- 239000007924 injection Substances 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000012986 modification Methods 0.000 description 8
- 230000004048 modification Effects 0.000 description 8
- 229910002601 GaN Inorganic materials 0.000 description 7
- 229910052782 aluminium Inorganic materials 0.000 description 7
- 239000000470 constituent Substances 0.000 description 7
- 238000000151 deposition Methods 0.000 description 6
- 230000008021 deposition Effects 0.000 description 6
- 125000002524 organometallic group Chemical group 0.000 description 6
- 229910021529 ammonia Inorganic materials 0.000 description 5
- 229910052799 carbon Inorganic materials 0.000 description 5
- 229910052733 gallium Inorganic materials 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- BLRPTPMANUNPDV-UHFFFAOYSA-N Silane Chemical compound [SiH4] BLRPTPMANUNPDV-UHFFFAOYSA-N 0.000 description 4
- 238000000137 annealing Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 150000001875 compounds Chemical class 0.000 description 4
- PMHQVHHXPFUNSP-UHFFFAOYSA-M copper(1+);methylsulfanylmethane;bromide Chemical compound Br[Cu].CSC PMHQVHHXPFUNSP-UHFFFAOYSA-M 0.000 description 4
- 230000002596 correlated effect Effects 0.000 description 4
- 230000000875 corresponding effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000010438 heat treatment Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 238000001947 vapour-phase growth Methods 0.000 description 4
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 3
- 229910052691 Erbium Inorganic materials 0.000 description 3
- 229910052777 Praseodymium Inorganic materials 0.000 description 3
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 3
- RNQKDQAVIXDKAG-UHFFFAOYSA-N aluminum gallium Chemical compound [Al].[Ga] RNQKDQAVIXDKAG-UHFFFAOYSA-N 0.000 description 3
- 229910052787 antimony Inorganic materials 0.000 description 3
- 229910052785 arsenic Inorganic materials 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 229910052796 boron Inorganic materials 0.000 description 3
- 229910052793 cadmium Inorganic materials 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 3
- 229910052738 indium Inorganic materials 0.000 description 3
- 230000010365 information processing Effects 0.000 description 3
- 229910052749 magnesium Inorganic materials 0.000 description 3
- 150000004767 nitrides Chemical class 0.000 description 3
- 229910052760 oxygen Inorganic materials 0.000 description 3
- 229910052711 selenium Inorganic materials 0.000 description 3
- 229910052717 sulfur Inorganic materials 0.000 description 3
- 229910052714 tellurium Inorganic materials 0.000 description 3
- 229910052718 tin Inorganic materials 0.000 description 3
- 238000007740 vapor deposition Methods 0.000 description 3
- 229910052725 zinc Inorganic materials 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000013400 design of experiment Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000295 emission spectrum Methods 0.000 description 2
- 239000001257 hydrogen Substances 0.000 description 2
- 229910052739 hydrogen Inorganic materials 0.000 description 2
- 125000004435 hydrogen atom Chemical class [H]* 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000002488 metal-organic chemical vapour deposition Methods 0.000 description 2
- 229910052757 nitrogen Inorganic materials 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 229910052594 sapphire Inorganic materials 0.000 description 2
- 239000010980 sapphire Substances 0.000 description 2
- 229910052710 silicon Inorganic materials 0.000 description 2
- HBMJWWWQQXIZIP-UHFFFAOYSA-N silicon carbide Chemical compound [Si+]#[C-] HBMJWWWQQXIZIP-UHFFFAOYSA-N 0.000 description 2
- 229910010271 silicon carbide Inorganic materials 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- JLTRXTDYQLMHGR-UHFFFAOYSA-N trimethylaluminium Chemical compound C[Al](C)C JLTRXTDYQLMHGR-UHFFFAOYSA-N 0.000 description 2
- 229910002704 AlGaN Inorganic materials 0.000 description 1
- MHYQBXJRURFKIN-UHFFFAOYSA-N C1(C=CC=C1)[Mg] Chemical compound C1(C=CC=C1)[Mg] MHYQBXJRURFKIN-UHFFFAOYSA-N 0.000 description 1
- GYHNNYVSQQEPJS-UHFFFAOYSA-N Gallium Chemical compound [Ga] GYHNNYVSQQEPJS-UHFFFAOYSA-N 0.000 description 1
- JMASRVWKEDWRBT-UHFFFAOYSA-N Gallium nitride Chemical compound [Ga]#N JMASRVWKEDWRBT-UHFFFAOYSA-N 0.000 description 1
- 238000000862 absorption spectrum Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 238000002425 crystallisation Methods 0.000 description 1
- 230000008025 crystallization Effects 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000002019 doping agent Substances 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002070 germicidal effect Effects 0.000 description 1
- 239000011261 inert gas Substances 0.000 description 1
- 238000005305 interferometry Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 229910052753 mercury Inorganic materials 0.000 description 1
- 150000002736 metal compounds Chemical class 0.000 description 1
- 150000002739 metals Chemical class 0.000 description 1
- 238000001451 molecular beam epitaxy Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 229910000069 nitrogen hydride Inorganic materials 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 239000010453 quartz Substances 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000009257 reactivity Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000004043 responsiveness Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 229910000077 silane Inorganic materials 0.000 description 1
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 238000004544 sputter deposition Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000000411 transmission spectrum Methods 0.000 description 1
- RGGPNXQUMRMPRA-UHFFFAOYSA-N triethylgallium Chemical compound CC[Ga](CC)CC RGGPNXQUMRMPRA-UHFFFAOYSA-N 0.000 description 1
- XCZXGTMEAKBVPV-UHFFFAOYSA-N trimethylgallium Chemical compound C[Ga](C)C XCZXGTMEAKBVPV-UHFFFAOYSA-N 0.000 description 1
- 238000000927 vapour-phase epitaxy Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Description
本発明は、装置、方法およびプログラムに関する。
従来、有機金属気相成長装置などの成膜装置を用いて半導体デバイスを製造する場合には、所望の特性の半導体デバイスを得るために、熟練したオペレータの試行錯誤によって好ましい構成を見出している（例えば、特許文献１参照）。
特許文献１ 中国特許出願公開第１０６５２１４５９号明細書
特許文献１ 中国特許出願公開第１０６５２１４５９号明細書
しかしながら、試行錯誤によって構成を特定するのは効率が悪い。
上記課題を解決するために、本発明の第１の態様においては、装置が提供される。装置は、半導体デバイスの構成を示す構成データを取得する構成取得部を備えてよい。装置は、半導体デバイスの特性を示す特性データを取得する特性取得部を備えてよい。装置は、取得された構成データおよび特性データを含む学習データを用いて、目標とする半導体デバイスの特性を示す目標特性データを入力したことに応じて推奨する半導体デバイスの構成を示す推奨構成データを出力する第１モデルの学習処理を実行する第１学習処理部を備えてよい。
本発明の第２の態様においては、装置が提供される。装置は、半導体デバイスの構成を示す構成データを取得する構成取得部を備えてよい。装置は、半導体デバイスの特性を示す特性データを取得する特性取得部を備えてよい。装置は、半導体デバイスの製造装置の制御条件を示す制御条件データを取得する制御条件取得部を備えてよい。装置は、取得された構成データ、特性データおよび制御条件データを含む学習データを用いて、目標とする半導体デバイスの特性を示す目標特性データを入力したことに応じて、推奨する半導体デバイスの構成を示す推奨構成データ、および、推奨する制御条件を示す推奨制御条件データの少なくとも一方を出力する第３モデルの学習処理を実行する第３学習処理部を備えてよい。
本発明の第３の態様においては、装置が提供される。装置は、目標とする半導体デバイスの特性を示す目標特性データを取得する目標特性取得部を備えてよい。装置は、目標特性データを入力したことに応じて推奨する半導体デバイスの構成を示す推奨構成データを出力する第１モデルに対し、目標特性取得部により取得された目標特性データを供給する第１供給部を備えてよい。装置は、目標特性データを第１モデルに供給したことに応じて第１モデルが出力する推奨構成データを取得する推奨構成取得部を備えてよい。
本発明の第４の態様においては、装置が提供される。装置は、目標とする半導体デバイスの特性を示す目標特性データを取得する目標特性取得部を備えてよい。装置は、目標特性データを入力したことに応じて、推奨する半導体デバイスの構成を示す推奨構成データ、および、推奨する制御条件を示す推奨制御条件データの少なくとも一方を出力する第３モデルに対して、目標特性取得部により取得された目標特性データを供給する第１供給部を備えてよい。装置は、目標特性データを第３モデルに供給したことに応じて第３モデルが出力する推奨構成データ、および、推奨制御条件データの少なくとも一方を取得する取得部を備えてよい。
本発明の第５の態様においては、方法が提供される。方法は、半導体デバイスの構成を示す構成データを取得する構成取得段階を備えてよい。方法は、半導体デバイスの特性を示す特性データを取得する特性取得段階を備えてよい。方法は、取得された構成データおよび特性データを含む学習データを用いて、目標とする半導体デバイスの特性を示す目標特性データを入力したことに応じて推奨する半導体デバイスの構成を示す推奨構成データを出力する第１モデルの学習処理を実行する第１学習処理段階を備えてよい。
本発明の第６の態様においては、方法が提供される。方法は、半導体デバイスの構成を示す構成データを取得する構成取得段階を備えてよい。方法は、半導体デバイスの特性を示す特性データを取得する特性取得段階を備えてよい。方法は、半導体デバイスの製造装置の制御条件を示す制御条件データを取得する制御条件取得段階を備えてよい。方法は、取得された構成データ、特性データおよび制御条件データを含む学習データを用いて、目標とする半導体デバイスの特性を示す目標特性データを入力したことに応じて、推奨する半導体デバイスの構成を示す推奨構成データ、および、推奨する制御条件を示す推奨制御条件データの少なくとも一方を出力する第３モデルの学習処理を実行する第３学習処理段階を備えてよい。
本発明の第７の態様においては、方法が提供される。方法は、目標とする半導体デバイスの特性を示す目標特性データを取得する目標特性取得段階を備えてよい。方法は、目標特性データを入力したことに応じて推奨する半導体デバイスの構成を示す推奨構成データを出力する第１モデルに対し、目標特性取得段階により取得された目標特性データを供給する第１供給段階を備えてよい。方法は、目標特性データを第１モデルに供給したことに応じて第１モデルが出力する推奨構成データを取得する推奨構成取得段階を備えてよい。
本発明の第８の態様においては、方法が提供される。方法は、目標とする半導体デバイスの特性を示す目標特性データを取得する目標特性取得段階を備えてよい。方法は、目標特性データを入力したことに応じて、推奨する半導体デバイスの構成を示す推奨構成データ、および、推奨する制御条件を示す推奨制御条件データの少なくとも一方を出力する第３モデルに対して、目標特性取得段階により取得された目標特性データを供給する第１供給段階を備えてよい。方法は、目標特性データを第３モデルに供給したことに応じて第３モデルが出力する推奨構成データ、および、推奨制御条件データの少なくとも一方を取得する取得段階を備えてよい。
本発明の第９の態様においては、プログラムが提供される。プログラムは、コンピュータを、半導体デバイスの構成を示す構成データを取得する構成取得部として機能させてよい。プログラムは、コンピュータを、半導体デバイスの特性を示す特性データを取得する特性取得部として機能させてよい。プログラムは、コンピュータを、取得された構成データおよび特性データを含む学習データを用いて、目標とする半導体デバイスの特性を示す目標特性データを入力したことに応じて推奨する半導体デバイスの構成を示す推奨構成データを出力する第１モデルの学習処理を実行する第１学習処理部として機能させてよい。
本発明の第１０の態様においては、プログラムが提供される。プログラムは、コンピュータを、半導体デバイスの構成を示す構成データを取得する構成取得部として機能させてよい。プログラムは、コンピュータを、半導体デバイスの特性を示す特性データを取得する特性取得部として機能させてよい。プログラムは、コンピュータを、半導体デバイスの製造装置の制御条件を示す制御条件データを取得する制御条件取得部として機能させてよい。プログラムは、コンピュータを、取得された構成データ、特性データおよび制御条件データを含む学習データを用いて、目標とする半導体デバイスの特性を示す目標特性データを入力したことに応じて、推奨する半導体デバイスの構成を示す推奨構成データ、および、推奨する制御条件を示す推奨制御条件データの少なくとも一方を出力する第３モデルの学習処理を実行する第３学習処理部として機能させてよい。
本発明の第１１の態様においては、プログラムが提供される。プログラムは、コンピュータを、目標とする半導体デバイスの特性を示す目標特性データを取得する目標特性取得部として機能させてよい。プログラムは、コンピュータを、目標特性データを入力したことに応じて推奨する半導体デバイスの構成を示す推奨構成データを出力する第１モデルに対し、目標特性取得部により取得された目標特性データを供給する第１供給部として機能させてよい。プログラムは、コンピュータを、目標特性データを第１モデルに供給したことに応じて第１モデルが出力する推奨構成データを取得する推奨構成取得部として機能させてよい。
本発明の第１２の態様においては、プログラムが提供される。プログラムは、コンピュータを、目標とする半導体デバイスの特性を示す目標特性データを取得する目標特性取得部と、として機能させてよい。プログラムは、コンピュータを、目標特性データを入力したことに応じて、推奨する半導体デバイスの構成を示す推奨構成データ、および、推奨する制御条件を示す推奨制御条件データの少なくとも一方を出力する第３モデルに対して、目標特性取得部により取得された目標特性データを供給する第１供給部として機能させてよい。プログラムは、コンピュータを、目標特性データを第３モデルに供給したことに応じて第３モデルが出力する推奨構成データ、および、推奨制御条件データの少なくとも一方を取得する取得部として機能させてよい。
なお、上記の発明の概要は、本発明の必要な特徴の全てを列挙したものではない。また、これらの特徴群のサブコンビネーションもまた、発明となりうる。
以下、発明の実施の形態を通じて本発明を説明するが、以下の実施形態は特許請求の範囲にかかる発明を限定するものではない。また、実施形態の中で説明されている特徴の組み合わせの全てが発明の解決手段に必須であるとは限らない。
［１．装置］
図１は、本実施形態に係る装置１を示す。装置１は、半導体デバイス５（図１０参照）の製造に関して機械学習による学習処理を行うものであり、構成取得部１０１と、特性取得部１０２と、第１学習処理部１０３と、第１モデル１０４と、制御条件取得部１０５と、状態取得部１０７と、第２学習処理部１０８と、第２モデル１０９と、報知部１００とを備える。また、本実施形態では一例として装置１は、第１モデル１０４および／または第２モデル１０９を用いて半導体デバイス５を製造可能となっており、製造部１１０と、目標特性取得部１１１と、第１供給部１１２と、推奨構成取得部１１３と、第２供給部１１５と、推奨制御条件取得部１１６と、制御部１１７と、判定部１１８とを有する。
図１は、本実施形態に係る装置１を示す。装置１は、半導体デバイス５（図１０参照）の製造に関して機械学習による学習処理を行うものであり、構成取得部１０１と、特性取得部１０２と、第１学習処理部１０３と、第１モデル１０４と、制御条件取得部１０５と、状態取得部１０７と、第２学習処理部１０８と、第２モデル１０９と、報知部１００とを備える。また、本実施形態では一例として装置１は、第１モデル１０４および／または第２モデル１０９を用いて半導体デバイス５を製造可能となっており、製造部１１０と、目標特性取得部１１１と、第１供給部１１２と、推奨構成取得部１１３と、第２供給部１１５と、推奨制御条件取得部１１６と、制御部１１７と、判定部１１８とを有する。
［１－１．半導体デバイス］
半導体デバイス５は、発光装置であってよく、本実施形態では一例としてＬＥＤであるが、ＬＤなどの他の発光装置であってもよい。半導体デバイス５は、深紫外領域の波長で発光してよい。半導体デバイス５は、少なくとも１つの層を有してよい。半導体デバイス５は、電極層を含んでもよい。
半導体デバイス５は、発光装置であってよく、本実施形態では一例としてＬＥＤであるが、ＬＤなどの他の発光装置であってもよい。半導体デバイス５は、深紫外領域の波長で発光してよい。半導体デバイス５は、少なくとも１つの層を有してよい。半導体デバイス５は、電極層を含んでもよい。
［１－２．構成取得部］
構成取得部１０１は、半導体デバイス５の構成を示す構成データを取得する。構成取得部１０１は、製造部１１０で製造された半導体デバイス５の構成データを取得してよい。半導体デバイス５の構成は、半導体デバイス５に含まれる層の数、各層の膜厚、各層の組成、各層の不純物濃度、および、基板の材料の少なくとも１つであってよい。製造部１１０で製造される半導体デバイス５が電極層を含む場合には、半導体デバイス５の構成は当該電極層についての情報をさらに含んでよい。構成データは各構成について構成パラメータを含んでよい。なお、組成とは、構成元素の組成比でもよいし、格子定数でもよい。組成は、面内方向および／または膜厚方向での変化を示すプロファイルを含んでもよい。不純物は、ｎ型やｐ型のドーパントであってもよいし、その他の不純物であってもよい。構成取得部１０１は構成データを、オペレータ、製造部１１０（一例として製造部１１０に含まれる後述の成膜装置２）、制御部１１７、および、構成を計測するための計測装置（図示せず）の少なくとも１つから取得してよい。製造部１１０や制御部１１７から取得される構成データは、半導体デバイス５の設計データであってよい。計測装置から取得される構成データは、製造後の半導体デバイス５の測定データであってよい。計測装置は製造部１１０の内部に配置されてもよいし、外部に配置されてもよい。構成取得部１０１は、取得した構成データを第１学習処理部１０３および第２学習処理部１０８に供給してよい。
構成取得部１０１は、半導体デバイス５の構成を示す構成データを取得する。構成取得部１０１は、製造部１１０で製造された半導体デバイス５の構成データを取得してよい。半導体デバイス５の構成は、半導体デバイス５に含まれる層の数、各層の膜厚、各層の組成、各層の不純物濃度、および、基板の材料の少なくとも１つであってよい。製造部１１０で製造される半導体デバイス５が電極層を含む場合には、半導体デバイス５の構成は当該電極層についての情報をさらに含んでよい。構成データは各構成について構成パラメータを含んでよい。なお、組成とは、構成元素の組成比でもよいし、格子定数でもよい。組成は、面内方向および／または膜厚方向での変化を示すプロファイルを含んでもよい。不純物は、ｎ型やｐ型のドーパントであってもよいし、その他の不純物であってもよい。構成取得部１０１は構成データを、オペレータ、製造部１１０（一例として製造部１１０に含まれる後述の成膜装置２）、制御部１１７、および、構成を計測するための計測装置（図示せず）の少なくとも１つから取得してよい。製造部１１０や制御部１１７から取得される構成データは、半導体デバイス５の設計データであってよい。計測装置から取得される構成データは、製造後の半導体デバイス５の測定データであってよい。計測装置は製造部１１０の内部に配置されてもよいし、外部に配置されてもよい。構成取得部１０１は、取得した構成データを第１学習処理部１０３および第２学習処理部１０８に供給してよい。
［１－３．特性取得部］
特性取得部１０２は、半導体デバイス５の特性を示す特性データを取得する。特性取得部１０２は、製造部１１０で製造された半導体デバイス５の特性データを取得してよい。半導体デバイス５の特性は発光強度（一例としてピーク強度、積分強度）や発光スペクトル、発光ピーク波長、マルチピークの有無、リーク電流量（Ｉ－Ｖ特性）、Ｄｒｏｏｐ（電流増加に対する効率低下率）、発光スペクトルの半値幅、色温度、発光効率、発熱性、応答性、指向性、温度依存性、寿命、および、駆動電圧の少なくとも１つであってよい。特性データは各特性について特性パラメータを含んでよい。
特性取得部１０２は、半導体デバイス５の特性を示す特性データを取得する。特性取得部１０２は、製造部１１０で製造された半導体デバイス５の特性データを取得してよい。半導体デバイス５の特性は発光強度（一例としてピーク強度、積分強度）や発光スペクトル、発光ピーク波長、マルチピークの有無、リーク電流量（Ｉ－Ｖ特性）、Ｄｒｏｏｐ（電流増加に対する効率低下率）、発光スペクトルの半値幅、色温度、発光効率、発熱性、応答性、指向性、温度依存性、寿命、および、駆動電圧の少なくとも１つであってよい。特性データは各特性について特性パラメータを含んでよい。
特性取得部１０２は特性データを、オペレータ、および、特性を計測するための計測装置（図示せず）の少なくとも１つから取得してよい。計測装置は製造部１１０の内部に配置されてもよいし、外部に配置されてもよい。特性取得部１０２は、取得した特性データを第１学習処理部１０３および第２学習処理部１０８に供給してよい。
［１－４．第１学習処理部］
第１学習処理部１０３は、入力される学習データを用いて、第１モデル１０４の学習処理を実行する。第１学習処理部１０３で用いられる学習データは、構成取得部１０１および特性取得部１０２から取得された構成データおよび特性データを含んでよい。第１学習処理部１０３は、学習処理に用いた学習データを蓄積記憶してよい。
第１学習処理部１０３は、入力される学習データを用いて、第１モデル１０４の学習処理を実行する。第１学習処理部１０３で用いられる学習データは、構成取得部１０１および特性取得部１０２から取得された構成データおよび特性データを含んでよい。第１学習処理部１０３は、学習処理に用いた学習データを蓄積記憶してよい。
第１学習処理部１０３は、特性データに含まれる少なくとも１つの特性パラメータと、構成データに含まれる少なくとも１つの構成パラメータとの相関を検出する第２検出部１０３１を有してよい。第２検出部１０３１は、特性データに含まれる複数の特性パラメータのうち、オペレータによって指定される指定特性パラメータと、構成データに含まれる少なくとも１つの構成パラメータとの相関を検出してよい。第２検出部１０３１は、指定特性パラメータに対する相関が高い順に、構成データに含まれる複数の構成パラメータを出力してよい。これにより、任意の特性パラメータと相関のある構成パラメータをオペレータが容易に把握し、当該特性パラメータで示される特性に優れた構成の半導体デバイス５を取得することができる。
［１－５．第１モデル］
第１モデル１０４は、目標とする半導体デバイス５の特性を示す目標特性データを入力したことに応じて推奨する半導体デバイス５の構成を示す推奨構成データを出力する。目標特性データは、特性パラメータごとの目標値を含んでもよいし、少なくとも１つの特性パラメータについて目標範囲を含んでもよい。第１モデル１０４は、少なくとも１つの構成パラメータの値を構成データとして含む複数の学習データを用いて学習処理が実行されてよく、一の目標特性データを供給したことに応じて複数の推奨構成データを出力してよい。これら複数の推奨構成データは、推奨する半導体デバイス５の構成を示す少なくとも１つの推奨構成パラメータの値をそれぞれ含んでよい。
第１モデル１０４は、目標とする半導体デバイス５の特性を示す目標特性データを入力したことに応じて推奨する半導体デバイス５の構成を示す推奨構成データを出力する。目標特性データは、特性パラメータごとの目標値を含んでもよいし、少なくとも１つの特性パラメータについて目標範囲を含んでもよい。第１モデル１０４は、少なくとも１つの構成パラメータの値を構成データとして含む複数の学習データを用いて学習処理が実行されてよく、一の目標特性データを供給したことに応じて複数の推奨構成データを出力してよい。これら複数の推奨構成データは、推奨する半導体デバイス５の構成を示す少なくとも１つの推奨構成パラメータの値をそれぞれ含んでよい。
なお、第１モデル１０４は、装置１の外部のサーバに格納されてもよい。第１モデル１０４は、推奨構成データを推奨構成取得部１１３に出力するが、装置１の外部に出力してもよい。
［１－６．制御条件取得部］
制御条件取得部１０５は、製造部１１０の制御条件を示す制御条件データを取得する。なお、製造部１１０の制御条件は、詳細は後述するものの、制御部１１７を介して設定可能な条件であってよい。制御条件データで示される制御条件は、半導体デバイス５の構成によって定まる条件とは異なる条件を含んでもよいし、構成によって大まかに定まる条件をより詳細に定める条件を含んでもよい。
制御条件取得部１０５は、製造部１１０の制御条件を示す制御条件データを取得する。なお、製造部１１０の制御条件は、詳細は後述するものの、制御部１１７を介して設定可能な条件であってよい。制御条件データで示される制御条件は、半導体デバイス５の構成によって定まる条件とは異なる条件を含んでもよいし、構成によって大まかに定まる条件をより詳細に定める条件を含んでもよい。
制御条件取得部１０５は制御条件データを、オペレータ、製造部１１０および制御部１１７の少なくとも１つから取得してよい。制御条件取得部１０５は、取得した制御条件データを第２学習処理部１０８に供給してよい。
［１－７．状態取得部］
状態取得部１０７は、製造部１１０の状態を示す状態データを取得する。状態取得部１０７は状態データを、オペレータおよび製造部１１０の少なくとも１つから取得してよい。また状態取得部１０７は、製造部１１０の設置された環境の温度や湿度などを、状態データとして取得してもよい。状態取得部１０７は、取得した状態データを第２学習処理部１０８および第２供給部１１５に供給してよい。
状態取得部１０７は、製造部１１０の状態を示す状態データを取得する。状態取得部１０７は状態データを、オペレータおよび製造部１１０の少なくとも１つから取得してよい。また状態取得部１０７は、製造部１１０の設置された環境の温度や湿度などを、状態データとして取得してもよい。状態取得部１０７は、取得した状態データを第２学習処理部１０８および第２供給部１１５に供給してよい。
［１－８．第２学習処理部］
第２学習処理部１０８は、入力される学習データを用いて第２モデル１０９の学習処理を実行する。第２学習処理部１０８で用いられる学習データは、特性取得部１０２、構成取得部１０１および制御条件取得部１０５から取得された特性データ、構成データおよび制御条件データを含んでよい。この学習データは、状態取得部１０７から取得された状態データをさらに含んでもよい。第２学習処理部１０８は、学習処理に用いた学習データを蓄積記憶してよい。
第２学習処理部１０８は、入力される学習データを用いて第２モデル１０９の学習処理を実行する。第２学習処理部１０８で用いられる学習データは、特性取得部１０２、構成取得部１０１および制御条件取得部１０５から取得された特性データ、構成データおよび制御条件データを含んでよい。この学習データは、状態取得部１０７から取得された状態データをさらに含んでもよい。第２学習処理部１０８は、学習処理に用いた学習データを蓄積記憶してよい。
［１－９．第２モデル］
第２モデル１０９は、目標特性データおよび推奨構成データを入力したことに応じて推奨する制御条件を示す推奨制御条件データを出力する。第２モデル１０９は、目標特性データおよび推奨構成データに加えて、さらに状態データを入力したことに応じて推奨制御条件データを出力してもよい。なお、第２モデル１０９は、装置１の外部のサーバに格納されてもよい。第２モデル１０９は、推奨制御条件データを推奨制御条件取得部１１６に出力するが、装置１の外部に出力してもよい。
第２モデル１０９は、目標特性データおよび推奨構成データを入力したことに応じて推奨する制御条件を示す推奨制御条件データを出力する。第２モデル１０９は、目標特性データおよび推奨構成データに加えて、さらに状態データを入力したことに応じて推奨制御条件データを出力してもよい。なお、第２モデル１０９は、装置１の外部のサーバに格納されてもよい。第２モデル１０９は、推奨制御条件データを推奨制御条件取得部１１６に出力するが、装置１の外部に出力してもよい。
［１－１０．報知部］
報知部１００は、第１モデル１０４の学習処理に用いられた複数の学習データの数が第２の基準個数より少ない場合に、その旨を報知する。報知部１００は、第２モデル１０９の学習処理に用いられた複数の学習データの数が第２の基準個数より少ない場合にも、その旨を報知してよい。報知部１００は、第１学習処理部１０３や第２学習処理部１０８に蓄積記憶された学習データを参照して、学習処理に用いられた学習データの数を検出してよい。
報知部１００は、第１モデル１０４の学習処理に用いられた複数の学習データの数が第２の基準個数より少ない場合に、その旨を報知する。報知部１００は、第２モデル１０９の学習処理に用いられた複数の学習データの数が第２の基準個数より少ない場合にも、その旨を報知してよい。報知部１００は、第１学習処理部１０３や第２学習処理部１０８に蓄積記憶された学習データを参照して、学習処理に用いられた学習データの数を検出してよい。
［１－１１．製造部］
製造部１１０は、半導体デバイス５の製造装置であり、推奨構成データで示される構成の半導体デバイス５を製造する。製造部１１０は、推奨制御条件データを用いて半導体デバイス５を製造してよい。製造部１１０は、成膜装置２を有してよい。成膜装置２は、ＭＯＣＶＤなどの気相成長法によって成膜を行ってもよいし、分子線エピタキシー法やスパッタ法など他の手法によって成膜を行ってもよい。半導体デバイス５が窒化物半導体層を備えた発光デバイスである場合、窒化物半導体層の結晶性やキャリア濃度の制御性、製造安定性、などの観点から、成膜装置２はＭＯＣＶＤ装置であることが好ましい。製造部１１０は、制御部１１７によって制御されてよい。
製造部１１０は、半導体デバイス５の製造装置であり、推奨構成データで示される構成の半導体デバイス５を製造する。製造部１１０は、推奨制御条件データを用いて半導体デバイス５を製造してよい。製造部１１０は、成膜装置２を有してよい。成膜装置２は、ＭＯＣＶＤなどの気相成長法によって成膜を行ってもよいし、分子線エピタキシー法やスパッタ法など他の手法によって成膜を行ってもよい。半導体デバイス５が窒化物半導体層を備えた発光デバイスである場合、窒化物半導体層の結晶性やキャリア濃度の制御性、製造安定性、などの観点から、成膜装置２はＭＯＣＶＤ装置であることが好ましい。製造部１１０は、制御部１１７によって制御されてよい。
［１－１２．目標特性取得部］
目標特性取得部１１１は、目標とする半導体デバイス５の特性を示す目標特性データを取得する。目標特性取得部１１１は目標特性データを、オペレータから取得してよい。目標特性取得部１１１は、取得した目標特性データを第１供給部１１２および第２供給部１１５に供給してよい。
目標特性取得部１１１は、目標とする半導体デバイス５の特性を示す目標特性データを取得する。目標特性取得部１１１は目標特性データを、オペレータから取得してよい。目標特性取得部１１１は、取得した目標特性データを第１供給部１１２および第２供給部１１５に供給してよい。
［１－１３．第１供給部］
第１供給部１１２は、目標特性取得部１１１により取得された目標特性データを第１モデル１０４に供給する。
第１供給部１１２は、目標特性取得部１１１により取得された目標特性データを第１モデル１０４に供給する。
［１－１４．推奨構成取得部］
推奨構成取得部１１３は、目標特性データを第１モデル１０４に供給したことに応じて第１モデル１０４が出力する推奨構成データを取得する。推奨構成取得部１１３は、取得した推奨構成データを制御部１１７および第２供給部１１５に供給してよい。推奨構成取得部１１３は、算出部１１３１、ランダム構成取得部１１３２、補間構成取得部１１３３、第１検出部１１３４および第１抽出部１１３５を有してよい。
推奨構成取得部１１３は、目標特性データを第１モデル１０４に供給したことに応じて第１モデル１０４が出力する推奨構成データを取得する。推奨構成取得部１１３は、取得した推奨構成データを制御部１１７および第２供給部１１５に供給してよい。推奨構成取得部１１３は、算出部１１３１、ランダム構成取得部１１３２、補間構成取得部１１３３、第１検出部１１３４および第１抽出部１１３５を有してよい。
算出部１１３１は、第２算出部の一例であり、学習処理に用いられた複数の学習データ（本実施形態では一例として学習処理に用いられた全ての学習データ）のそれぞれについて、これら複数の学習データのうち、当該学習データに含まれる構成データで示される構成に対する近似度が基準範囲内の構成を示す構成データを含む構成近似学習データの個数を算出する。例えば、算出部１１３１は、学習処理に用いられた複数の学習データのそれぞれについて、当該複数の学習データのうち、構成データ同士の近似度が基準範囲内である他の学習データの個数を構成近似学習データの数として算出してよい。
算出部１１３１は、第１学習処理部１０３に蓄積記憶された学習データを参照し、第１学習処理部１０３が学習データを取得する毎に、各学習データについて構成近似学習データの個数を算出し直してよい。算出部１１３１は、学習データ毎の構成近似学習データの個数を補間構成取得部１１３３に供給してよい。
ここで、構成データ同士の近似度（構成同士の近似度とも称する）とは、一の構成データと他の構成データとの間での構成パラメータ毎の差異の総和であってもよいし、構成パラメータ毎の差異の平均値、中央値または最頻値であってもよい。算出部１１３１で用いられる基準範囲は、第２の基準範囲の一例であり、任意の範囲であってよい。
ランダム構成取得部１１３２は、学習処理に用いられた複数の学習データの数が第１の基準個数よりも少ない場合に、ランダムな内容の推奨構成データを取得する。ランダムな内容の推奨構成データとは、第１モデル１０４が出力する推奨構成データとは無関係な内容であってよい。ランダム構成取得部１１３２は、第１モデル１０４を用いずに自身でランダムに推奨構成データを決定してもよいし、他の構成で生成されたランダムな推奨構成データを取得してもよい。「他の構成で生成された」推奨構成データは、例えば実験計画法に基づく適切なデータであってよい。実験計画法では、直交の概念を用いて推奨構成データを出力してよく、出力の順番はランダムでよい。ランダム構成取得部１１３２は、学習データの数が第１の基準個数よりも少ないか否かの判定結果を判定部１１８から取得してよい。ランダム構成取得部１１３２は、取得した推奨構成データを制御部１１７に供給してよい。なお、第１の基準個数は任意の値であってよい。
補間構成取得部１１３３は、構成近似学習データの個数が最も少ない基準数の学習データのうち何れか２つの構成データを補間して得られる構成データを推奨構成データとして取得する。２つの構成データを補間するとは、構成パラメータ毎に、一の構成データ内の値と他の構成データ内の値との間の値をとって新たな構成データを生成することであってよい。補間構成取得部１１３３は、第１学習処理部１０３に蓄積記憶された学習データを参照して何れか２つの構成データを補間して推奨構成データを生成してよい。補間構成取得部１１３３は、学習処理に用いられた複数の学習データの数が第１の基準個数よりも多く第２の基準個数より少ない場合に推奨構成データを取得してよい。補間構成取得部１１３３は、学習データの数と、第１の基準個数および第２の基準個数のそれぞれとの大小の判定結果を判定部１１８から取得してよい。補間構成取得部１１３３は、取得した推奨構成データを制御部１１７に供給してよい。
なお、基準数は、任意の値であってよい。第２の基準個数は、第１の基準個数より大きい任意の値であってよい。
第１検出部１１３４は、学習データの構成データに含まれる構成パラメータについて、学習処理に用いられた複数の学習データ内での当該構成パラメータの分布範囲を検出する。分布範囲は、構成パラメータの最大値と最小値とで囲まれる範囲であってよい。構成データに複数の構成パラメータが含まれる場合には、第１検出部１１３４は、当該複数の構成パラメータのそれぞれについて、複数の学習データ内での当該構成パラメータの値の分布範囲を検出してよい。第１検出部１１３４は、検出した構成パラメータ毎の分布範囲を第１抽出部１１３５に供給してよい。
第１抽出部１１３５は、第１モデル１０４に一の目標特性データを供給して複数の推奨構成データが取得される場合に、これらの推奨構成データのうち、第１検出部１１３４で検出された分布範囲内に含まれる値の推奨構成パラメータのみを含む推奨構成データを抽出する。例えば、各構成データに２つの構成パラメータが含まれる場合に、一の推奨構成データにおいて第１の推奨構成パラメータが第１の構成パラメータの分布範囲に含まれ、第２の推奨構成パラメータが第２の構成パラメータの分布範囲に含まれる場合には、第１抽出部１１３５は、当該一の推奨構成データを抽出する。また、他の推奨構成データにおいて第１の推奨構成パラメータが第１の構成パラメータの分布範囲に含まれ、第２の推奨構成パラメータが第２の構成パラメータの分布範囲に含まれない場合には、第１抽出部１１３５は、当該他の推奨構成データを抽出しない。
第１抽出部１１３５は、各推奨構成データにおいて何れかの推奨構成パラメータの値が分布範囲内に含まれない場合、つまり、分布範囲内に含まれる値の推奨構成パラメータのみを含む推奨構成データが存在しない場合には、複数の推奨構成データから、分布範囲内に含まれる推奨構成パラメータの数が多い順に少なくとも１つの推奨構成データを抽出する。例えば、各構成データに複数の構成パラメータが含まれる場合に、第１の推奨構成データでは１つの推奨構成パラメータが該当の構成パラメータの分布範囲に含まれており、第２の推奨構成データでは各推奨構成パラメータが該当の構成パラメータの分布範囲に含まれていないときには、第１抽出部１１３５は、第１の推奨構成データを抽出してよい。第１抽出部１１３５は、抽出した推奨構成データを制御部１１７に供給してよい。本実施形態では一例として、第１抽出部１１３５は、単一の推奨構成データを抽出して制御部１１７に供給してよい。
［１－１５．第２供給部］
第２供給部１１５は、目標特性取得部１１１により取得された目標特性データと、推奨構成取得部１１３により取得された推奨構成データとを第２モデル１０９に供給する。第２供給部１１５は、状態取得部１０７により取得された状態データも第２モデル１０９に供給してよい。
第２供給部１１５は、目標特性取得部１１１により取得された目標特性データと、推奨構成取得部１１３により取得された推奨構成データとを第２モデル１０９に供給する。第２供給部１１５は、状態取得部１０７により取得された状態データも第２モデル１０９に供給してよい。
［１－１６．推奨制御条件取得部］
推奨制御条件取得部１１６は、目標特性データおよび推奨構成データを第２モデル１０９に供給したことに応じて第２モデル１０９が出力する推奨制御条件データを取得する。推奨制御条件取得部１１６は、さらに状態データを第２モデル１０９に供給したことに応じて第２モデル１０９が出力する推奨制御条件データを取得してもよい。推奨制御条件取得部１１６は、取得した推奨制御条件データを制御部１１７に供給してよい。
推奨制御条件取得部１１６は、目標特性データおよび推奨構成データを第２モデル１０９に供給したことに応じて第２モデル１０９が出力する推奨制御条件データを取得する。推奨制御条件取得部１１６は、さらに状態データを第２モデル１０９に供給したことに応じて第２モデル１０９が出力する推奨制御条件データを取得してもよい。推奨制御条件取得部１１６は、取得した推奨制御条件データを制御部１１７に供給してよい。
［１－１７．制御部］
制御部１１７は、構成データおよび／または制御条件データに従って製造部１１０を動作させ、構成データで示される構成の半導体デバイス５を製造させる。例えば制御部１１７は、製造部１１０に推奨制御条件データおよび推奨構成データを供給することで、当該推奨制御条件データおよび推奨構成データに従って製造部１１０を動作させてよい。
制御部１１７は、構成データおよび／または制御条件データに従って製造部１１０を動作させ、構成データで示される構成の半導体デバイス５を製造させる。例えば制御部１１７は、製造部１１０に推奨制御条件データおよび推奨構成データを供給することで、当該推奨制御条件データおよび推奨構成データに従って製造部１１０を動作させてよい。
なお、構成データに従って製造部１１０を動作させるとは、例えば、構成データで示される層の数、各層の膜厚、各層の組成、および／または、各層の不純物濃度が実現されるように製造部１１０を動作させることであってよい。制御条件データに従って製造部１１０を動作させるとは、制御条件データが示す制御条件で製造部１１０を動作させることであってよい。
［１－１８．判定部］
判定部１１８は、特性取得部１０２によって取得された特性データと、目標特性取得部１１１によって取得された目標特性データとの差異が許容範囲内であるか否かを判定する。本実施形態では一例として、判定部１１８は、差異が第１許容範囲内であるか否かと、第１許容範囲より狭い第２許容範囲内であるか否かとを判定してよい。
判定部１１８は、特性取得部１０２によって取得された特性データと、目標特性取得部１１１によって取得された目標特性データとの差異が許容範囲内であるか否かを判定する。本実施形態では一例として、判定部１１８は、差異が第１許容範囲内であるか否かと、第１許容範囲より狭い第２許容範囲内であるか否かとを判定してよい。
判定部１１８は、差異が第１許容範囲内である場合には、第１学習処理部１０３による第１モデル１０４の学習処理をディセーブルしてよく、本実施形態においては一例として、第１学習処理部１０３にディセーブル信号を供給してよい。これにより、製造部１１０および第１学習処理部１０３は、特性データと目標特性データとの差異が第１許容範囲外である場合に、目標特性データを第１モデル１０４に供給して取得される推奨構成データで示される構成の半導体デバイス５の製造と、製造された半導体デバイス５の特性データを含む学習データを用いた第１モデル１０４の学習処理とを繰り返してよい。
判定部１１８は、差異が第２許容範囲内である場合には、第２学習処理部１０８による第２モデル１０９の学習処理をディセーブルしてよく、本実施形態においては一例として、第２学習処理部１０８にディセーブル信号を供給してよい。これにより、製造部１１０および第２学習処理部１０８は、特性データと目標特性データとの差異が第２許容範囲外である場合に、目標特性データ、推奨構成データおよび状態データを第２モデル１０９に供給して取得される推奨制御条件データで示される構成の半導体デバイス５の製造と、製造された半導体デバイス５の特性データを含む学習データを用いた第２モデル１０９の学習処理とを繰り返してよい。
なお、差異の第１許容範囲および第２許容範囲は任意に設定されてよい。特性データおよび目標特性データが特性パラメータを複数有する場合には、判定部１１８は、各特性パラメータの差異の平均値が第１許容範囲，第２許容範囲内であるか否かを判定してよい。
判定部１１８は、特性データと、目標特性データとの差異が許容範囲内であるか否かの判定を、学習処理に用いられた複数の学習データの数が第２の基準個数より多い場合に行ってよい。本実施形態では一例として、判定部１１８は、第１学習処理部１０３に蓄積記憶された学習データの数を参照し、学習データの数と、第１の基準個数および第２の基準個数のそれぞれとの大小を判定してよい。判定部１１８は、判定結果を推奨構成取得部１１３のランダム構成取得部１１３２や補間構成取得部１１３３に供給してよい。
以上の装置１によれば、目標特性データを入力したことに応じて推奨構成データを出力する第１モデル１０４の学習処理が、半導体デバイス５の構成データおよび特性データを含む学習データを用いて実行される。従って、熟練した作業者による試行錯誤を必要とせずに、目標特性を有する半導体デバイス５の構成を取得することができる。
また、状態データ、目標特性データおよび推奨構成データを入力したことに応じて推奨制御条件データを出力する第２モデル１０９の学習処理が、特性データ、構成データおよび制御条件データを含む学習データを用いて実行されるので、目標の特性を有する半導体デバイス５の構成をより確実に取得することができる。
また、第１モデル１０４および／または第２モデル１０９の学習処理に用いられた学習データの数が第２の基準個数より少ない場合には、その旨が報知されるので、報知を受けたオペレータの操作に応じて学習データを取得させて第１モデル１０４や第２モデル１０９の学習処理を実行させることができる。従って、学習が不十分な場合に学習データを補充して学習処理を実行させることができる。
また、推奨構成データで示される構成の半導体デバイス５が製造されて、その構成データおよび特性データが取得され、これらの構成データおよび特性データを含む学習データを用いて第１モデル１０４の学習処理が実行されるので、第１モデル１０４の学習処理と半導体デバイス５の製造とを繰り返すことができる。従って、第１モデル１０４の学習精度を高め、目標特性を有する半導体デバイス５の構成をより確実に取得することができる。
また、学習処理に用いられた複数の学習データの数が第１の基準個数よりも少ない場合にはランダムな内容の推奨構成データが取得されるので、学習の初期段階には、構成近似学習データの個数とは無関係に、偏りなく推奨構成データを取得することができる。また、学習データの数が第１の基準個数よりも多く第２の基準個数よりも少ない場合には、構成近似学習データの個数が少ない何れか２つの構成データを補間して得られる構成データが推奨構成データとして取得されるので、学習が進んだ段階では、学習が十分にされていない構成を示す推奨構成データを取得することができる。
また、取得された特性データと目標特性データとの差異が第１許容範囲外である場合に、半導体デバイス５の製造と、第１モデル１０４の学習処理とが繰り返されるので、目標特性を有する半導体デバイス５の構成をより確実に取得することができる。同様に、取得された特性データと目標特性データとの差異が第２許容範囲外である場合に、半導体デバイス５の製造と、第２モデル１０９の学習処理とが繰り返されるので、目標特性を有する半導体デバイス５の構成をより確実に取得することができる。
また、一の目標特性データを供給したことに応じて第１モデル１０４から取得される複数の推奨構成データのうち、構成パラメータの分布範囲内に含まれる値の推奨構成パラメータのみを含む推奨構成データが抽出されるので、全ての推奨構成パラメータが学習範囲内に含まれる推奨構成データが抽出される。従って、学習範囲外の突飛な構成パラメータを含む推奨構成データを除外して、学習範囲内の推奨構成データを取得することができる。
また、各推奨構成データにおいて何れかの推奨構成パラメータの値が分布範囲に含まれない場合には、分布範囲に含まれる推奨構成パラメータの数が多い順に少なくとも１つの推奨構成データが抽出されるので、各推奨構成データが学習範囲内に含まれない場合であっても、学習範囲に近い構成の推奨構成データを取得することができる。
また、特性データに含まれる少なくとも１つの特性パラメータと、構成データに含まれる少なくとも１つの構成パラメータとの相関が検出されるので、特性パラメータと構成パラメータとの未知の相関を発見し、より適切な構成の半導体デバイス５を取得することができる。
［２．成膜装置］
図２は、成膜装置２の一例を示す。例えば成膜装置２は有機金属気相成長装置であり、基板５０上にＡｌ、Ｇａ、Ｉｎ、Ｃ、Ｓｉ、Ｓｎ、Ｂ、Ｍｇ、Ｚｎ、Ｃｄ、Ｈｇ、Ｎ、Ａｓ、Ｓｂ、Ｏ、Ｓ、Ｓｅ、Ｔｅ、Ｆｅ、Ｅｕ、Ｅｒ、および、Ｐｒの少なくとも１つを含む１または複数の膜を成膜する。一例として、基板５０はＡｌ、ＧａおよびＮの少なくとも１つを含む化合物半導体基板（一例としてアルミニウムナイトライド）またはサファイア基板であってよく、直径２インチ（５０．８ｍｍ）、厚さ０．５ｍｍの円板状であってよい。成膜される膜はｎ型半導体層、アンドープ半導体層、ｐ型半導体層のいずれでもよいし、例えばδドープのように不均一なドープ層（変調ドープ層）であってもよいし、これらの何れかの積層体であってもよい。基板５０と基板５０上に成膜される膜との間、および、上下に隣接する膜同士の間では、それぞれ格子定数が違っていてよい。成膜装置２は、成膜チャンバ２０、サセプタ２１、基板ヒータ２２、ガス供給装置２３、および、プロセスポンプ２４を有する。
図２は、成膜装置２の一例を示す。例えば成膜装置２は有機金属気相成長装置であり、基板５０上にＡｌ、Ｇａ、Ｉｎ、Ｃ、Ｓｉ、Ｓｎ、Ｂ、Ｍｇ、Ｚｎ、Ｃｄ、Ｈｇ、Ｎ、Ａｓ、Ｓｂ、Ｏ、Ｓ、Ｓｅ、Ｔｅ、Ｆｅ、Ｅｕ、Ｅｒ、および、Ｐｒの少なくとも１つを含む１または複数の膜を成膜する。一例として、基板５０はＡｌ、ＧａおよびＮの少なくとも１つを含む化合物半導体基板（一例としてアルミニウムナイトライド）またはサファイア基板であってよく、直径２インチ（５０．８ｍｍ）、厚さ０．５ｍｍの円板状であってよい。成膜される膜はｎ型半導体層、アンドープ半導体層、ｐ型半導体層のいずれでもよいし、例えばδドープのように不均一なドープ層（変調ドープ層）であってもよいし、これらの何れかの積層体であってもよい。基板５０と基板５０上に成膜される膜との間、および、上下に隣接する膜同士の間では、それぞれ格子定数が違っていてよい。成膜装置２は、成膜チャンバ２０、サセプタ２１、基板ヒータ２２、ガス供給装置２３、および、プロセスポンプ２４を有する。
［２－１．成膜チャンバ］
成膜チャンバ２０は、内部に保持する基板５０に成膜を行うための密閉された反応容器である。成膜チャンバ２０は一例として筐体の内部に環状の側壁部を有してよい。筐体はＳＵＳ製であってよく、側壁部は石英製であってよい。
成膜チャンバ２０は、内部に保持する基板５０に成膜を行うための密閉された反応容器である。成膜チャンバ２０は一例として筐体の内部に環状の側壁部を有してよい。筐体はＳＵＳ製であってよく、側壁部は石英製であってよい。
［２－２．サセプタ］
サセプタ２１は、基板５０を支持する。例えば、サセプタ２１の上面には基板５０を収容するための円形状の座ぐり２１０が設けられてよい。座ぐり２１０の径は基板５０の径よりも大きくてよく、これにより座ぐり２１０の内壁と基板５０の側周面との間には間隔Δ１が設けられてよい。一例として基板５０の直径は５０．８ｍｍ、座ぐりの直径は５１．６ｍｍでよい。間隔Δ１は基板５０の周方向の全域にわたって０．４ｍｍでよいが、後述のようにサセプタ２１が回転して遠心力により基板５０が座ぐり２１０内で移動する場合には、間隔Δ１は回転の中心側で０．８ｍｍ、外周側で０ｍｍであってよい。また、座ぐり２１０の深さは基板５０の厚さと異なってよく、これにより座ぐり２１０内の基板５０の上面と、サセプタ２１の上面との間には段差Δ２が設けられてよい。例えば座ぐり２１０の深さは基板５０の厚さより大きくてよく、座ぐり２１０内の基板５０の上面はサセプタ２１の上面よりも段差Δ２だけ低くてよい。一例として基板５０の厚さは０．５５ｍｍ、座ぐりの深さは０．７ｍｍでよく、段差Δ２は０．１５ｍｍでよい。但し、基板５０の上面はサセプタ２１の上面と面一であってもよく、段差Δ２は０であってよい。サセプタ２１は円板状に形成され、周方向に複数（一例として６つ）の座ぐり２１０を有してもよいし、中心部に単一の座ぐり２１０を有してもよい。サセプタ２１は、成膜チャンバ２０と同心円状に配置されてよく、中心部から垂下するシャフト２１１により回転可能に設けられてよい。サセプタ２１の回転速度は調整可能でよい。サセプタ２１は一例としてカーボンや炭化ケイ素で形成されてもよいし、炭化ケイ素でコーティングされたカーボン等で形成されてもよい。
サセプタ２１は、基板５０を支持する。例えば、サセプタ２１の上面には基板５０を収容するための円形状の座ぐり２１０が設けられてよい。座ぐり２１０の径は基板５０の径よりも大きくてよく、これにより座ぐり２１０の内壁と基板５０の側周面との間には間隔Δ１が設けられてよい。一例として基板５０の直径は５０．８ｍｍ、座ぐりの直径は５１．６ｍｍでよい。間隔Δ１は基板５０の周方向の全域にわたって０．４ｍｍでよいが、後述のようにサセプタ２１が回転して遠心力により基板５０が座ぐり２１０内で移動する場合には、間隔Δ１は回転の中心側で０．８ｍｍ、外周側で０ｍｍであってよい。また、座ぐり２１０の深さは基板５０の厚さと異なってよく、これにより座ぐり２１０内の基板５０の上面と、サセプタ２１の上面との間には段差Δ２が設けられてよい。例えば座ぐり２１０の深さは基板５０の厚さより大きくてよく、座ぐり２１０内の基板５０の上面はサセプタ２１の上面よりも段差Δ２だけ低くてよい。一例として基板５０の厚さは０．５５ｍｍ、座ぐりの深さは０．７ｍｍでよく、段差Δ２は０．１５ｍｍでよい。但し、基板５０の上面はサセプタ２１の上面と面一であってもよく、段差Δ２は０であってよい。サセプタ２１は円板状に形成され、周方向に複数（一例として６つ）の座ぐり２１０を有してもよいし、中心部に単一の座ぐり２１０を有してもよい。サセプタ２１は、成膜チャンバ２０と同心円状に配置されてよく、中心部から垂下するシャフト２１１により回転可能に設けられてよい。サセプタ２１の回転速度は調整可能でよい。サセプタ２１は一例としてカーボンや炭化ケイ素で形成されてもよいし、炭化ケイ素でコーティングされたカーボン等で形成されてもよい。
［２－３．基板ヒータ］
基板ヒータ２２は、基板５０を加熱する。基板ヒータ２２は基板５０を加熱することで、基板５０の近傍（一例として基板５０の表面）の原料化合物を分解してよい。例えば基板ヒータ２２は、サセプタ２１の下側に設けられ、サセプタ２１を介して基板５０を加熱してよい。一例として基板ヒータ２２は９００～１３００℃に維持されて、基板５０の上面が約８００℃～１２００℃となるように加熱を行ってよい。
基板ヒータ２２は、基板５０を加熱する。基板ヒータ２２は基板５０を加熱することで、基板５０の近傍（一例として基板５０の表面）の原料化合物を分解してよい。例えば基板ヒータ２２は、サセプタ２１の下側に設けられ、サセプタ２１を介して基板５０を加熱してよい。一例として基板ヒータ２２は９００～１３００℃に維持されて、基板５０の上面が約８００℃～１２００℃となるように加熱を行ってよい。
基板ヒータ２２はサセプタ２１の別々の領域を加熱する複数（一例として３つ）の領域別ヒータ（図示せず）を有してよく、領域別ヒータに対する供給電力、ひいては領域別ヒータによる加熱量は独立に制御可能であってよい。一例として、領域別ヒータは環状に形成され、同心円状に配置されてよい。なお、成膜チャンバ２０が透光性である場合には、基板ヒータ２２は成膜チャンバ２０の外部から輻射によって基板５０を加熱するなど、他の方法で基板５０を加熱してもよい。
［２－４．ガス供給装置］
ガス供給装置２３は、成膜チャンバ２０内にガスを供給する。例えば、ガス供給装置２３は、成膜の原料となる原料ガスと、原料ガスを成膜チャンバ２０内に流すためのキャリアガスとを成膜チャンバ２０に供給してよい。ガス供給装置２３は、複数のガス源２３０と、ガス源２３０からのガスを成膜チャンバ２０内に供給する１または複数の原料供給口２３２とを有する。
ガス供給装置２３は、成膜チャンバ２０内にガスを供給する。例えば、ガス供給装置２３は、成膜の原料となる原料ガスと、原料ガスを成膜チャンバ２０内に流すためのキャリアガスとを成膜チャンバ２０に供給してよい。ガス供給装置２３は、複数のガス源２３０と、ガス源２３０からのガスを成膜チャンバ２０内に供給する１または複数の原料供給口２３２とを有する。
［２－４（１）．ガス源］
複数のガス源２３０は、原料ガスおよび／またはキャリアガスを原料供給口２３２に供給する。ここで、原料ガスに含まれる原料は、Ａｌ、Ｇａ、Ｉｎ、Ｃ、Ｓｉ、Ｓｎ、Ｂ、Ｍｇ、Ｚｎ、Ｃｄ、Ｈｇ、Ｎ、Ａｓ、Ｓｂ、Ｏ、Ｓ、Ｓｅ、Ｔｅ、Ｆｅ、Ｅｕ、Ｅｒ、および、Ｐｒの少なくとも１つであってよく、単体でもよいし、化合物でもよい。
複数のガス源２３０は、原料ガスおよび／またはキャリアガスを原料供給口２３２に供給する。ここで、原料ガスに含まれる原料は、Ａｌ、Ｇａ、Ｉｎ、Ｃ、Ｓｉ、Ｓｎ、Ｂ、Ｍｇ、Ｚｎ、Ｃｄ、Ｈｇ、Ｎ、Ａｓ、Ｓｂ、Ｏ、Ｓ、Ｓｅ、Ｔｅ、Ｆｅ、Ｅｕ、Ｅｒ、および、Ｐｒの少なくとも１つであってよく、単体でもよいし、化合物でもよい。
原料としてのＳｉは、モノシランとして供給されてよい。モノシランは後述のキャリアガスによって予め希釈された状態でガス源２３０から供給されてよい。キャリアガスは、基板５０や原料に対して反応性が低い不活性ガスであり、一例として水素（Ｈ２）、および窒素（Ｎ２）の少なくとも一方を含んでよい。原料としてのＡｌ、Ｇａ、Ｉｎ、およびＭｇは、化合物である有機金属として供給されてよく、このような有機金属は一例としてトリメチルアルミニウム、トリメチルガリウム、トリエチルガリウム、および、シクロペンタジエニルマグネシウムの少なくとも１つであってよい。原料としてのＮは、アンモニアとして供給されてよい。原料として有機金属、モノシランおよびアンモニアが用いられる場合には、これらは別々のガス源２３０から供給されてよい。原料ガスは、原料のみを含むガスであってもよいし、有機金属の液体をバブリングによりガス化するためのバブリングガスをさらに含む混合ガスであってもよい。バブリングガスは基板５０や原料に対して不活性なガスであり、例えばキャリアガスと同種のガスであってよい。一例として、成膜の原料にアルミが含まれる場合には、混合ガスには、原料ガスとしてのトリメチルアルミニウムのガスと、バブリングガスとしての水素（Ｈ２）ガスとが含まれてよい。なお、原料としてのＣ、Ｓｎ、Ｂ、Ｚｎ、Ｃｄ、Ｈｇ、Ａｓ、Ｓｂ、Ｏ、Ｓ、Ｓｅ、Ｔｅ、Ｆｅ、Ｅｕ、Ｅｒ、Ｐｒなどの原料元素に関しては、従来より公知の態様で供給されてよい。
［２－４（２）．原料供給口］
各原料供給口２３２は、成膜チャンバ２０の内部に複数の位置で開口する。原料供給口２３２の各開口部は、サセプタ２１上で回転する基板５０の上面に一様に原料ガスが供給されるよう分散して配置されてよい。本図では原料供給口の一例として原料供給口２３２が成膜チャンバ２０の天井面に設けられている。原料供給口２３２の開口部とサセプタ２１の上面との間隔は５ｍｍ～２０ｍｍとなっているが、間隔は１０ｃｍや２０ｃｍなど、他の大きさでもよいし、原料供給口２３２は成膜チャンバ２０の側壁面に設けられてもよい。原料供給口２３２は、一例としてシャワーヘッドであってよい。原料供給口２３２は水冷により一例として４５℃などに維持されてよく、原料供給口２３２から成膜チャンバ２０内に供給されるガスの温度は約５０℃～２００℃であってよい。なお、本実施形態では一例として、各原料供給口２３２は、成膜チャンバ２０内にガスを別々に供給するが、予めガス同士を混合してから成膜チャンバ２０内に供給してもよい。
各原料供給口２３２は、成膜チャンバ２０の内部に複数の位置で開口する。原料供給口２３２の各開口部は、サセプタ２１上で回転する基板５０の上面に一様に原料ガスが供給されるよう分散して配置されてよい。本図では原料供給口の一例として原料供給口２３２が成膜チャンバ２０の天井面に設けられている。原料供給口２３２の開口部とサセプタ２１の上面との間隔は５ｍｍ～２０ｍｍとなっているが、間隔は１０ｃｍや２０ｃｍなど、他の大きさでもよいし、原料供給口２３２は成膜チャンバ２０の側壁面に設けられてもよい。原料供給口２３２は、一例としてシャワーヘッドであってよい。原料供給口２３２は水冷により一例として４５℃などに維持されてよく、原料供給口２３２から成膜チャンバ２０内に供給されるガスの温度は約５０℃～２００℃であってよい。なお、本実施形態では一例として、各原料供給口２３２は、成膜チャンバ２０内にガスを別々に供給するが、予めガス同士を混合してから成膜チャンバ２０内に供給してもよい。
［２－５．プロセスポンプ］
プロセスポンプ２４は、成膜チャンバ２０内のガスを吸引して排出する。プロセスポンプ２４は、例えば成膜チャンバ２０内の圧力が５０ｍｂａｒとなるように吸引を行ってよく、成膜チャンバ２０内の圧力は調整可能であってよい。プロセスポンプ２４と成膜チャンバ２０との間には、ガスの排出量を調整するための開閉バルブ２４０が設けられてよい。
プロセスポンプ２４は、成膜チャンバ２０内のガスを吸引して排出する。プロセスポンプ２４は、例えば成膜チャンバ２０内の圧力が５０ｍｂａｒとなるように吸引を行ってよく、成膜チャンバ２０内の圧力は調整可能であってよい。プロセスポンプ２４と成膜チャンバ２０との間には、ガスの排出量を調整するための開閉バルブ２４０が設けられてよい。
以上の成膜装置２においては、例えば基板５０をサセプタ２１上に配置して基板ヒータ２２で加熱し、サセプタ２１を回転させながら有機金属、シラン及びアンモニアを含む原料ガスをキャリアガスとともに成膜チャンバ２０内に流すことにより、有機金属が分解されて基板５０の表面で金属元素とアンモニアとが反応して成膜が行われる。
［２－６．ガス供給設備］
図３は、有機金属の原料ガスをキャリアガスと共に成膜チャンバ２０に供給するガス供給設備２３００を示す。ガス供給装置２３は、ガス供給設備２３００により有機金属の原料ガスおよびキャリアガスを成膜チャンバ２０に供給してよい。
図３は、有機金属の原料ガスをキャリアガスと共に成膜チャンバ２０に供給するガス供給設備２３００を示す。ガス供給装置２３は、ガス供給設備２３００により有機金属の原料ガスおよびキャリアガスを成膜チャンバ２０に供給してよい。
ガス供給設備２３００は、キャリアガス用のガス源２３０ｂと、メインガスライン２３０１と、ベント用ライン２３０２と、ガス調整用ライン２３０３と、バブリングガス供給ライン２３０４と、原料ガス用のガス源２３０ａと、原料供給ライン２３０５と、複数のマスフローコントローラ２３０６と、開閉バルブ対２３０７，２３０８とを有する。
キャリアガス用のガス源２３０ｂは、ガス源２３０の一例であり、キャリアガスをメインガスライン２３０１に供給する。メインガスライン２３０１は、キャリアガス用のガス源２３０ｂと、成膜チャンバ２０との間を連通させる。メインガスライン２３０１には、成膜チャンバ２０に供給するキャリアガスのほぼ全てが流される。
ベント用ライン２３０２は、キャリアガス用のガス源２３０ｂと、成膜装置２の外部との間を連通させる。ベント用ライン２３０２には、排気用のキャリアガスが流される。
ガス調整用ライン２３０３は、キャリアガス用のガス源２３０ｂと、メインガスライン２３０１およびベント用ライン２３０２との間を連通させる。ガス調整用ライン２３０３には、原料供給ライン２３０５からのガス供給により成膜チャンバ２０内のガス流が変化しないようガスの供給量を調整するための調整用キャリアガスが流される。
バブリングガス供給ライン２３０４は、キャリアガス用のガス源２３０ｂと、有機金属の原料ガス用のガス源２３０ａとの間を連通させる。バブリングガス供給ライン２３０４には、ガス源２３０ｂからのキャリアガスがガス源２３０ａでのバブリングガスとして流される。
ガス源２３０ａは、バブリングガス供給ライン２３０４からのバブリングガス（本実施形態ではキャリアガス）を用いてガスバブラー２３１でバブリングを行い、原料ガスおよびキャリアガスを含んだ混合ガスを原料供給ライン２３０５に供給する。
原料供給ライン２３０５は、ガスバブラー２３１と、メインガスライン２３０１およびベント用ライン２３０２との間を連通させる。原料供給ライン２３０５には、ガス源２３０ａからの混合ガスが流される。
複数のマスフローコントローラ２３０６は、マスフローコントローラ２３０６（１）～２３０６（６）を有する。マスフローコントローラ２３０６（１）は、メインガスライン２３０１に設けられ、メインガスライン２３０１を介して成膜チャンバ２０に流れるキャリアガスの流量を調整する。マスフローコントローラ２３０６（２）は、ベント用ライン２３０２に設けられ、ベント用ライン２３０２を介して成膜装置２の外部に排出されるキャリアガスの流量を調整する。マスフローコントローラ２３０６（３），２３０６（５）は、バブリングガス供給ライン２３０４に設けられ、バブリングガス供給ライン２３０４に流れるバブリングガス（本実施形態ではキャリアガス）の流量を調整する。マスフローコントローラ２３０６（４），２３０６（６）は、ガス調整用ライン２３０３に設けられ、ガス調整用ライン２３０３に流れる調整用キャリアガスの流量を調整する。
開閉バルブ対２３０７は、ガス調整用ライン２３０３とメインガスライン２３０１との接続部、および、ガス調整用ライン２３０３とベント用ライン２３０２との接続部にそれぞれ設けられた一対のバルブを有する。これにより、開閉バルブ対２３０７は、ガス調整用ライン２３０３からメインガスライン２３０１およびベント用ライン２３０２のそれぞれへの調整用キャリアガスの注入量を調整する。例えば、開閉バルブ対２３０７は、メインガスライン２３０１から成膜チャンバ２０へのガス供給量を一定に維持するよう、原料供給ライン２３０５からメインガスライン２３０１へのガス供給量の変化に合わせて、調整用キャリアガスをメインガスライン２３０１および／またはベント用ライン２３０２に注入させる。
開閉バルブ対２３０８は、原料供給ライン２３０５とメインガスライン２３０１との接続部、および、原料供給ライン２３０５とベント用ライン２３０２との接続部にそれぞれ設けられた一対のバルブを有する。これにより、開閉バルブ対２３０８は、原料供給ライン２３０５からメインガスライン２３０１およびベント用ライン２３０２のそれぞれへの混合ガス（本実施形態では原料ガスおよびキャリアガスの混合ガス）の注入量を調整する。
なお、ガス源２３０ａ、ガス調整用ライン２３０３、バブリングガス供給ライン２３０４、原料供給ライン２３０５、および、開閉バルブ対２３０７，２３０８は、有機金属の原料毎に設けられてよい。本実施形態では一例として、ガス供給設備２３００は、ガリウムの有機金属用のガス源２３０ａ（Ｇａ）、ガス調整用ライン２３０３（Ｇａ）、バブリングガス供給ライン２３０４（Ｇａ）、原料供給ライン２３０５（Ｇａ）、および、開閉バルブ対２３０７（Ｇａ），２３０８（Ｇａ）と、アルミニウムの有機金属用のガス源２３０ａ（Ａｌ）、ガス調整用ライン２３０３（Ａｌ）、バブリングガス供給ライン２３０４（Ａｌ）、原料供給ライン２３０５（Ａｌ）、および、開閉バルブ対２３０７（Ａｌ），２３０８（Ａｌ）を有してよい。
以上のガス供給設備２３００においては、成膜の準備段階において、マスフローコントローラ２３０６（１）が一定量のキャリアガスをメインガスライン２３０１から成膜チャンバ２０に流す。また、マスフローコントローラ２３０６（２）が一定量のキャリアガスをベント用ライン２３０２に流す。メインガスライン２３０１およびベント用ライン２３０２内の流量は同じでもよいし、異なってもよい。
成膜チャンバ２０内に原料ガスを供給する場合には、マスフローコントローラ２３０６（３）は、各原料用のバブリングガス供給ライン２３０４（本実施形態では一例としてバブリングガス供給ライン２３０４（Ｇａ）および２３０４（Ａｌ））にキャリアガスを流す。各ガス源２３０ａは、バブリングを行って原料ガスおよびキャリアガスを含んだ混合ガスを原料供給ライン２３０５に供給する。成膜に使用されない原料用の開閉バルブ対２３０７（一例としてＧａＮ膜を成膜する場合の開閉バルブ対２３０７（Ａｌ））は混合ガスをベント用ライン２３０２に流して排気させる。成膜に使用される原料用の開閉バルブ対２３０７（一例としてＧａＮ膜を成膜する場合の開閉バルブ対２３０７（Ｇａ）や、ＡｌＧａＮ膜を成膜する場合の開閉バルブ対２３０７（Ｇａ），２３０７（Ａｌ））は、各混合ガスの流量が目標流量となり、かつ、バブリングが安定するまでは混合ガスをベント用ライン２３０２に流して排気させる。ここで、混合ガスの目標流量は、マスフローコントローラ２３０６（１）によりメインガスライン２３０１に流されるキャリアガスの流量に対して概ね１００分の１程度であってよい。例えば、キャリアガスと混合ガスとの体積流量比は１０Ｌ／分：１００～１０００ｓｃｃｍであってよい。
マスフローコントローラ２３０６（４）は各原料用のガス調整用ライン２３０３に調整用キャリアガスを流し、ガス調整用ライン２３０３の開閉バルブ対２３０７は調整用キャリアガスをメインガスライン２３０１に注入する。ここで、各ガス調整用ライン２３０３からメインガスライン２３０１への調整用キャリアガスの注入量は調整用キャリアガスの目標流量となるよう、マスフローコントローラ２３０６（４）および開閉バルブ対２３０７の協働によりフィードバック制御を用いて調整されてよい。調整用キャリアガスの目標流量は、対応する原料の混合ガスの目標流量の最大値、または、当該最大値にマージンを加えた流量であってよい。一例として、ガス源２３０ａ（Ｇａ）からの混合ガスの目標流量の最大値が１００ｓｃｃｍである場合には、ガス調整用ライン２３０３（Ｇａ）による調整用キャリアガスの目標流量は１００ｓｃｃｍであってよい。同様に、ガス源２３０ａ（Ａｌ）からの混合ガスの目標流量の最大値が１００ｓｃｃｍである場合には、ガス調整用ライン２３０３（Ａｌ）による調整用キャリアガスの目標流量は１００ｓｃｃｍであってよい。調整用キャリアガスは、原料の混合ガスの供給開始よりも基準時間（一例として５分）前からメインガスライン２３０１に注入されてよい。
混合ガスの流量が目標流量に一致し、かつ、バブリングが安定した場合には、各原料のうち、成膜に使用される原料用の原料供給ライン２３０５に設けられた開閉バルブ対２３０８は、原料供給ライン２３０５からの混合ガスの注入先をベント用ライン２３０２からメインガスライン２３０１に変更する。また、各原料のうち、成膜に使用される原料用のガス調整用ライン２３０３に設けられた開閉バルブ対２３０７は、メインガスライン２３０１から成膜チャンバ２０へのガス供給量を一定に維持するよう、原料供給ライン２３０５からメインガスライン２３０１へのガス供給量の変化に合わせて、調整用キャリアガスの少なくとも一部の注入先をメインガスライン２３０１からベント用ライン２３０２に変更する。これにより、原料ガスの供給が開始されるときの供給ガス量の経時的な均一性が向上されて成膜チャンバ２０内でのガス流の変化が防がれる。混合ガスの流量が目標流量に一致するか否かの判断には、差圧計を用いてよい。例えば、成膜に使用される原料用のガス調整用ライン２３０３に、当該原料の混合ガスの目標流量と等しい流量で調整用キャリアガスを流す場合には、差圧計を用いてメインガスライン２３０１内の圧力と、ベント用ライン２３０２内の圧力との差圧をモニタリングすることで、混合ガスの流量が目標流量に一致するか否かを判断することができる。
なお、原料供給ライン２３０５およびガス調整用ライン２３０３からの注入先の変更は瞬時に行われるが、徐々に行われてもよい。また、成膜チャンバ２０への原料ガスの供給を停止する場合には、メインガスライン２３０１から成膜チャンバ２０に供給されるガスの流量が一定に維持されるよう、開閉バルブ対２３０８が原料供給ライン２３０５からの混合ガスの注入先をメインガスライン２３０１からベント用ライン２３０２に変更し、開閉バルブ対２３０７がガス調整用ライン２３０３からの調整用キャリアガスの注入先をベント用ライン２３０２からメインガスライン２３０１に変更する。
［２－７．成膜装置２の制御条件］
成膜装置２は、制御条件に従って成膜を行う。制御条件は、装置に入力されるインプット条件であって、例えばオペレータにより設定される。制御条件は、成膜装置２において直接的に制御可能な条件に限らず、間接的に制御可能な条件であってもよい。一例として制御条件は、成膜チャンバ２０内に供給される原料ガスの量、原料ガス分圧、成膜チャンバ２０内に供給されるキャリアガスの量、成膜チャンバ２０内に存在するガスの種類、各ガスの分圧比、ガスバブラー２３１の温度、ガスバブラー２３１の圧力、ガスバブラー２３１における有機金属の蒸気圧、ガスバブラー２３１に対するバブリングガスの供給量、サセプタ２１の回転速度、成膜チャンバ２０内の圧力、基板５０の温度、基板ヒータ２２の温度、基板ヒータ２２に対する供給電力、基板ヒータ２２における各領域別ヒータに対する供給電力のバランス、成膜チャンバ２０への供給ガス量のフィードバック制御におけるゲイン、成膜にかける時間、および、成膜装置２内で成膜前に行われる前処理条件のうち少なくとも１つでよい。このうち、成膜チャンバ２０内に供給される原料ガス，キャリアガスの量は、単位時間当たりに供給されるガスの流量（一例として体積流量または質量流量）でもよいし、成膜の開始から終了までの期間内での総供給量（一例として体積または質量）でもよい。また、成膜チャンバ２０内の圧力は、成膜チャンバ２０内の全圧でもよいし、各ガスの分圧でもよい。基板５０の温度としては、例えば基板ヒータ２０１への供給電力を制御するべく基板ヒータ２０１と基板５０との間に設置された熱電対の温度を用いることができる。成膜チャンバ２０への供給ガス量のフィードバック制御におけるゲインとは、例えばガス調整用ライン２３０３からメインガスライン２３０１への調整用キャリアガスの注入量を目標流量とする場合のフィードバック制御におけるゲインであってよく、一例としてＰＩＤ制御におけるＰゲイン、ＩゲインおよびＤゲインの少なくとも１つでよい。成膜装置２内で成膜前に行う前処理とは、基板５０に対するアニール処理の温度、アニール時間、および、成膜チャンバ２０内に満たされるガスの種類（一例としてＨ２、Ｎ２および／またはＮＨ３）の少なくとも１つであってよい。以上で述べたような制御条件は、経時的に設定されていてもよいし、時間の経過とは無関係に一律に設定（一例として、最大値、最小値または平均値などとして設定）されていてもよい。なお、成膜チャンバ２０の圧力は、プロセスポンプ２４の動作状況などにより影響を受けるため、成膜装置２の状態を示す状態データであるが、成膜チャンバ２０内の圧力が或る閾値よりも良い場合に成膜動作を実施する場合には、制御条件として用いることが可能である。同様に、成膜装置２の状態を示す後述の状態データの少なくとも一部は、制御条件としても用いられてもよい。
成膜装置２は、制御条件に従って成膜を行う。制御条件は、装置に入力されるインプット条件であって、例えばオペレータにより設定される。制御条件は、成膜装置２において直接的に制御可能な条件に限らず、間接的に制御可能な条件であってもよい。一例として制御条件は、成膜チャンバ２０内に供給される原料ガスの量、原料ガス分圧、成膜チャンバ２０内に供給されるキャリアガスの量、成膜チャンバ２０内に存在するガスの種類、各ガスの分圧比、ガスバブラー２３１の温度、ガスバブラー２３１の圧力、ガスバブラー２３１における有機金属の蒸気圧、ガスバブラー２３１に対するバブリングガスの供給量、サセプタ２１の回転速度、成膜チャンバ２０内の圧力、基板５０の温度、基板ヒータ２２の温度、基板ヒータ２２に対する供給電力、基板ヒータ２２における各領域別ヒータに対する供給電力のバランス、成膜チャンバ２０への供給ガス量のフィードバック制御におけるゲイン、成膜にかける時間、および、成膜装置２内で成膜前に行われる前処理条件のうち少なくとも１つでよい。このうち、成膜チャンバ２０内に供給される原料ガス，キャリアガスの量は、単位時間当たりに供給されるガスの流量（一例として体積流量または質量流量）でもよいし、成膜の開始から終了までの期間内での総供給量（一例として体積または質量）でもよい。また、成膜チャンバ２０内の圧力は、成膜チャンバ２０内の全圧でもよいし、各ガスの分圧でもよい。基板５０の温度としては、例えば基板ヒータ２０１への供給電力を制御するべく基板ヒータ２０１と基板５０との間に設置された熱電対の温度を用いることができる。成膜チャンバ２０への供給ガス量のフィードバック制御におけるゲインとは、例えばガス調整用ライン２３０３からメインガスライン２３０１への調整用キャリアガスの注入量を目標流量とする場合のフィードバック制御におけるゲインであってよく、一例としてＰＩＤ制御におけるＰゲイン、ＩゲインおよびＤゲインの少なくとも１つでよい。成膜装置２内で成膜前に行う前処理とは、基板５０に対するアニール処理の温度、アニール時間、および、成膜チャンバ２０内に満たされるガスの種類（一例としてＨ２、Ｎ２および／またはＮＨ３）の少なくとも１つであってよい。以上で述べたような制御条件は、経時的に設定されていてもよいし、時間の経過とは無関係に一律に設定（一例として、最大値、最小値または平均値などとして設定）されていてもよい。なお、成膜チャンバ２０の圧力は、プロセスポンプ２４の動作状況などにより影響を受けるため、成膜装置２の状態を示す状態データであるが、成膜チャンバ２０内の圧力が或る閾値よりも良い場合に成膜動作を実施する場合には、制御条件として用いることが可能である。同様に、成膜装置２の状態を示す後述の状態データの少なくとも一部は、制御条件としても用いられてもよい。
なお、上述の制御条件の各要素のうち、基板ヒータ２０１に対する供給電力は、基板温度を間接的に制御してよい。基板温度が変化すると基板５０表面での原料の移動し易さが変化する結果、成膜される膜内での結晶化の度合いや表面形状、膜の特性（一例として平坦性、結晶性など）が変化する。
また、成膜チャンバ２０の圧力、成膜チャンバ２０内に存在するガスの種類、および、ガスの量は、成膜チャンバ２０内の圧力および雰囲気の質を直接的または間接的に制御してよい。成膜チャンバ２０内の圧力および雰囲気の質が変化すると、成長表面の状態が変化する結果、成膜される膜の特性が変化する。
［２－８．メンテナンス］
成膜装置２には、種々のメンテナンスが行われる。例えば、メンテナンスは、成膜チャンバ２０を大気開放して行われてもよいし、密閉したままで行われてもよい。メンテナンスは窒素でベント、あるいはパージされた状態で行うこともできる。メンテナンスは定期的（一例として３日ごと）に行われてもよいし、成膜された膜の特性に応じて行われてもよいし、使用部品の寿命，故障などに応じて行われてもよい。
成膜装置２には、種々のメンテナンスが行われる。例えば、メンテナンスは、成膜チャンバ２０を大気開放して行われてもよいし、密閉したままで行われてもよい。メンテナンスは窒素でベント、あるいはパージされた状態で行うこともできる。メンテナンスは定期的（一例として３日ごと）に行われてもよいし、成膜された膜の特性に応じて行われてもよいし、使用部品の寿命，故障などに応じて行われてもよい。
［３．動作］
図４は、装置１の動作を示す。装置１は、ステップＳ１～Ｓ１０の処理により目標特性の半導体デバイス５を製造する。
図４は、装置１の動作を示す。装置１は、ステップＳ１～Ｓ１０の処理により目標特性の半導体デバイス５を製造する。
ステップＳ１において装置１は、第１学習処理部１０３などによって第１モデル１０４の学習処理を実行する。
ステップＳ３において装置１は、第１モデル１０４から取得される推奨構成データを用い、製造部１１０などによって半導体デバイス５を製造する。製造部１１０の制御条件のうち、推奨構成データに影響されない制御条件は規定の標準的な内容に設定されてよく、推奨構成データによって大まかに範囲が定まる制御条件は、当該範囲内の中央値などに設定されてよい。第１モデル１０４に一の目標特性データを供給して複数の推奨構成データが取得される場合には、第１抽出部１１３５により抽出される推奨構成データ（一例として分布範囲内に含まれる値の推奨構成パラメータのみを含む推奨構成データ）を用いて半導体デバイス５が製造されてよい。
なお、第１モデル１０４は、本実施形態では一例として重回帰、Ｌａｓｓｏ回帰、Ｒｉｄｇｅ回帰といった線形モデルを基本とした回帰モデルや、リカレント型またはタイムディレイ型などのニューラルネットワークであるが、ランダムフォレスト、勾配ブースティング、ロジスティック回帰、および、サポートベクタマシン（ＳＶＭ）などを含む他の機械学習アルゴリズムであってもよい。例えば、第１モデル１０４は、学習データの各要素に対応するノードを入力層に含み、推奨する制御条件の各要素に対応するノードを出力層に含んでよい。学習データの１つの要素に対する入力層のノードは１つでもよいし複数でもよい。入力層および出力層の間には、１または複数のノードを含む中間層（隠れ層）が介在してよい。第１学習処理部１０３は、ノード間をつなぐエッジの重み、および、出力ノードのバイアス値を調整することで学習処理を実行してよい。
ステップＳ４において装置１は、学習処理に用いられた複数の学習データの数が第２の基準個数より多いか否かを判定部１１８によって判定する。学習データの数が第２の基準個数以下であった場合（ステップＳ４；Ｎｏ）には装置１は処理をステップＳ１に移行する。これにより、学習処理に用いられた学習データの数が第２の基準個数となるまで、製造部１１０および第１学習処理部１０３などによって、推奨構成データで示される構成の半導体デバイス５の製造と、製造された半導体デバイス５の特性データを含む学習データを用いた第１モデル１０４の学習処理とが繰り返される。なお、学習データの数が第２の基準個数以下であった場合（ステップＳ４；Ｎｏ）には、報知部１００からオペレータに報知が行われてよい。学習データの数が第２の基準個数より多かった場合（ステップＳ４；Ｙｅｓ）には装置１は処理をステップＳ５に移行する。
ステップＳ５において装置１は、製造された半導体デバイス５から特性取得部１０２によって取得された特性データと、目標特性取得部１１１によって取得された目標特性データとの差異が第１許容範囲内であるか否かを判定部１１８によって判定する。差異が第１許容範囲外であった場合（ステップＳ５；Ｎｏ）には装置１は処理をステップＳ１に移行する。これにより、製造部１１０および第１学習処理部１０３などによって、推奨構成データで示される構成の半導体デバイス５の製造と、製造された半導体デバイス５の特性データを含む学習データを用いた第１モデル１０４の学習処理とが繰り返される。差異が第１許容範囲内であった場合（ステップＳ５；Ｙｅｓ）には装置１は処理をステップＳ７に移行する。
ステップＳ７において装置１は、第２学習処理部１０８などによって第２モデル１０９の学習処理を実行する。ステップＳ７の処理は複数回行われてよい。なお、第２モデル１０９は、第１モデル１０４と同様に、本実施形態では一例として重回帰、Ｌａｓｓｏ回帰、Ｒｉｄｇｅ回帰といった線形モデルを基本とした回帰モデルや、リカレント型またはタイムディレイ型などのニューラルネットワークであるが、ランダムフォレスト、勾配ブースティング、ロジスティック回帰、および、サポートベクタマシン（ＳＶＭ）などを含む他の機械学習アルゴリズムであってもよい。
ステップＳ９において装置１は、第１モデル１０４から取得される推奨構成データと、第２モデル１０９から取得される推奨制御条件データとを用い、製造部１１０などによって半導体デバイス５を製造する。
ステップＳ１０において装置１は、製造された半導体デバイス５から特性取得部１０２によって取得された特性データと、目標特性取得部１１１によって取得された目標特性データとの差異が第２許容範囲内であるか否かを判定部１１８によって判定する。差異が第２許容範囲外であった場合（ステップＳ１０；Ｎｏ）には装置１は処理をステップＳ７に移行する。差異が第２許容範囲内であった場合（ステップＳ１０；Ｙｅｓ）には装置１は処理を終了する。この場合に装置１は、製造に使用した推奨構成データおよび推奨制御条件データを用いて半導体デバイス５を繰り返し製造してもよい。
以上の動作によれば、目標特性を有する半導体デバイス５の推奨構成を示す推奨構成データの精度が第１学習処理によって高められた後に、目標特性および推奨構成を有する半導体デバイス５の推奨製造条件を示す推奨制御条件データの精度が第２学習処理によって高められる。従って、第１学習処理および第２学習処理を確実に収束させて推奨構成データおよび推奨制御条件データを取得することができるため、目標特性を有する半導体デバイス５を確実に製造することができる。
［３－１．第１学習処理］
図５は、第１学習処理を示す。装置１は、ステップＳ１１～Ｓ１５の処理により第１モデル１０４の学習を行う。
図５は、第１学習処理を示す。装置１は、ステップＳ１１～Ｓ１５の処理により第１モデル１０４の学習を行う。
ステップＳ１１において構成取得部１０１は、半導体デバイス５の構成を示す構成データを取得する。半導体デバイス５は、製造部１１０で製造されたものであってよい。製造部１１０が推奨構成データに従って半導体デバイス５を製造している場合には、構成取得部１０１は、当該推奨構成データを取得してもよい。
ステップＳ１３において特性取得部１０２は、半導体デバイス５の特性を示す特性データを取得する。半導体デバイス５は、製造部１１０によって製造されたものであってよい。なお、製造部１１０において１回の製造動作で複数の半導体デバイス５（同一バッチの複数の半導体デバイス５とも称する）が纏めて製造される場合、つまりサセプタ２１に複数の基板５０が保持される場合には、特性取得部１０２は、当該同一バッチの複数の半導体デバイス５のうち、全ての半導体デバイス５の特性を全数検査により取得してもよいし、一部の半導体デバイス５の特性を抜き取り検査により取得してもよい。
なお、ステップＳ１１，Ｓ１３の処理は、この順番で行われなくてもよい。
なお、ステップＳ１１，Ｓ１３の処理は、この順番で行われなくてもよい。
ステップＳ１５において第１学習処理部１０３は、取得された構成データおよび特性データを含む学習データを用いて第１モデル１０４の学習処理を実行する。
ここで、第１学習処理部１０３による学習処理においては、第１学習処理部１０３の第２検出部１０３１が、特性データに含まれる少なくとも１つの特性パラメータと、構成データに含まれる少なくとも１つの構成パラメータとの相関を検出してよい。また、第２検出部１０３１は、何れかの特性パラメータの値に関し、少なくとも２つの構成パラメータの間の相関を検出してよい。例えば半導体デバイス５の光出力についての特性パラメータの値を向上させる場合に、半導体デバイス５に含まれる一の層の厚みを増加させると他の層の厚みが増加する場合には、これら２つの厚みは正の相関を有する。第２検出部１０３１は、特性データに含まれる何れかの特性パラメータの値と、構成データに含まれる少なくとも２つの構成パラメータの値を有する項との回帰分析によって算出される当該項の重みに基づいて、少なくとも２つの構成パラメータの間の相関を検出してよい。
一例として、第２検出部１０３１は、以下のＬａｓｓｏ回帰式（１）を用いて回帰分析を行ってよい。式（１）中、ｙは特性パラメータの値であり、ｉは半導体デバイス５の識別番号である。ｋ、ｌは整数であり、各構成パラメータに付番された番号である。例えば、構成パラメータが第１層の膜厚およびドーピング濃度、第２層の膜厚、の３つである場合、これらの構成パラメータにはそれぞれｋ=１,２,３、ｌ=１,２,３と付番されることになる。ｋ、ｌは同義である。ｘは構成パラメータの値であり、ｘｉ
ｋはｉ番目の半導体デバイス５における第ｋ番目の構成パラメータの値である。式（１）は、各構成パラメータの値xの２次の項、および互いに異なる構成パラメータ２つの積で表される項の足し合わせで特性パラメータｙを記述する機械学習モデルである。ここで、ｗは重みであり、ｗｋはｘｋの構成パラメータについての重み、ｗｋｌは構成パラメータｘｋと構成パラメータｘｌとの積の項ｘｋｘｌについての重みである。上述の例で示したように３つの構成パラメータが存在する場合、ｗ１２ｘｉ
１ｘｉ
２はｉ番目の半導体デバイス５に関する第１層の膜厚とドーピング濃度の積の項である。重みｗの個数は、構成データに含まれる構成パラメータの数に応じて決定されてよい。λは罰則項の罰則パラメータである。Lasso回帰分析では、式（１）を満たすように各項の重みｗが決定される。
以上の回帰式（１）を用い、第２検出部１０３１は重みｗｋｌに基づいて構成パラメータｘｋと構成パラメータｘｌとの間の相関を検出してよい。第２検出部１０３１は、相関の高い構成パラメータｘｋ，ｘｌの組を出力してよい。
なお、本実施形態においては一例として、学習データ内の構成データには、半導体デバイス５の層数を示す構成パラメータが含まれるため、第１学習処理部１０３は層数を学習対象に含めて第１モデル１０４の学習処理を実行してよい。例えば、学習処理に用いられる複数の構成データには、実際に製造され得る半導体デバイス５よりも多い層数、および／または、少ない層数を示す構成パラメータが含まれてよい。
以上の動作によれば、目標特性データを入力することで推奨構成データが出力される第１モデル１０４を生成することができる。
また、何れかの特性パラメータの値と、少なくとも２つの構成パラメータの値を有する項との回帰分析によって算出される当該項の重みに基づいて、当該２つの構成パラメータの間の相関が検出されるので、これまで相関があると考えられていなかった構成パラメータ同士の相関（一例として層厚の相関）を発見することができる。また、相関の高い構成パラメータの組が出力されるので、例えばオペレータが、当該組の構成パラメータ同士を調整した学習データを用いて第１学習処理を繰り返すことで、より適切な層構成を得ることができる。
なお、ステップＳ１１～Ｓ１５による第１学習処理が複数回行われる場合には、ステップＳ１１，Ｓ１３で取得される構成データおよび特性データに含まれる要素、つまり構成パラメータおよび特性パラメータの種類は少なくとも一部の回で異なってよく、ステップＳ１５の学習処理では異なる要素の学習データで学習処理が行われてよい。例えば、Ｎ回（但しＮは２以上の自然数）の学習が行われる場合に、１回目からＭ回目（但しＭはＮより小さい自然数）の学習データには構成データおよび特性データにおける要素（ｃ１，ｃ２，…ｃｎ）が含まれ、Ｍ＋１回目からＮ回目の学習データには構成データおよび特性データにおける新たな要素（ｃｎ＋１）が追加されてよい。この場合には、Ｍ＋１回目以降の学習においては要素（ｃｎ＋１）を含む学習データを用いて学習処理が行われてよい。また、Ｍ回目以前の学習データには元々は要素（ｃｎ＋１）が含まれていないため、これらの各学習データにはランダム値を持つ要素（ｃｎ＋１）が追加されてよい。これにより、学習データにおける要素（ｃ１，ｃ２，…ｃｎ）同士の関係についてはＭ回目までの学習結果を有効に利用することができる。また、要素（ｃｎ＋１）の値をランダム値とすることで、要素（ｃｎ＋１）の値が他の要素（ｃ１，ｃ２，…ｃｎ）に与える影響を無くすことができる。
［３－２．第２学習処理］
図６は、第２学習処理を示す。装置１は、ステップＳ２１～Ｓ２９の処理により第２モデル１０９の学習を行う。
図６は、第２学習処理を示す。装置１は、ステップＳ２１～Ｓ２９の処理により第２モデル１０９の学習を行う。
ステップＳ２１～Ｓ２３において構成取得部１０１および特性取得部１０２は、上述のステップＳ１１～Ｓ１３と同様にして、半導体デバイス５の構成を示す構成データ、および、半導体デバイス５の特性を示す特性データを取得する。
ステップＳ２５において制御条件取得部３１は、半導体デバイス５を製造したときの製造部１１０の制御条件を示す制御条件データを取得する。
ステップＳ２７において状態取得部１０７は、製造部１１０（本実施形態では一例として成膜装置２）の状態を示す状態データを取得する。状態データは、制御条件データが示す制御条件で成膜装置２が動作した場合の制御対象の実測値（例えば複数の時点で測定された時系列順の実測値、または、或る時点で測定された実測値）を含んでよい。例えば、状態データは、基板５０の温度、基板ヒータ２０１の温度、基板ヒータ２０１に対する供給電力、基板ヒータ２２の各領域別ヒータに対する供給電力のバランス、基板５０上面とサセプタ上面との段差Δ２、座ぐり２１０の内壁と基板５０の側周面との間隔Δ１、基板５０の反り量、成膜速度、成膜装置２内で成膜前に行われた前処理の内容、成膜装置２への投入前に基板５０に施された処理の内容、ガスバブラー２３１の温度、ガスバブラー２３１の圧力、ガスバブラー２３１における有機金属の蒸気圧、ガスバブラー２３１に対するバブリングガスの供給量、成膜チャンバ２０の圧力、開閉バルブ２４０の開度、および、サセプタ２００の回転速度のうち少なくとも１つに関するデータを含んでよい。このうち、基板ヒータ２０１の温度は、熱電対により測定されてよい。基板５０の温度は、成膜チャンバ２０内、または外に配置される放射温度計により測定されてよい。あるいは基板５０の温度は、基板５０のバンド端吸収や透過スペクトルをもとに測定、算出されてよい。基板５０の反り量は、基板５０の側周部と中央部との高低差でよく、基板５０に対する熱処理などに起因して生じ得る。成膜速度は、単位時間当たりに成膜された膜厚であり、光干渉法により測定されてよい。成膜装置２内で成膜前に行われた前処理の内容は、例えば前処理として基板５０に施されたアニール処理の温度、アニール時間、および、成膜チャンバ２０内に満たされたガスの種類の少なくとも１つでよい。成膜装置２への投入前に基板５０に施された処理内容は、一例として基板５０の洗浄処理の内容であってよい。成膜チャンバ２０の圧力は、成膜チャンバ２０内に配置される真空ゲージ（例えばピラニゲージやバラトロン）により測定されてよい。状態データは、成膜装置２に対するメンテナンス後の総成膜時間（いわゆるキャンペーンの開始からの経過時間）、下地面の特性（一例として基板５０の特性）を含んでもよい。なお、状態取得部１０７は、基板温度に関する状態データを各基板５０について取得してもよいし、一部の基板５０について取得してもよい。
また、状態データは、成膜装置２の運転履歴を示す運転履歴データを含んでもよい。運転履歴データは、成膜装置２に行われたメンテナンスの回数および内容（一例として或る部品を交換，洗浄したなど）の少なくとも１つに関するデータ、成膜装置２の少なくとも１つの部品の使用回数に関するデータ、メンテナンス時にガスバブラー２３１にチャージした原材料の重量、成膜装置２の成膜回数に関するデータ、および過去に形成した膜に関するデータの少なくとも１つを含んでよい。メンテナンスの回数および内容の少なくとも１つに関するデータはメンテナンスの履歴を示すデータでよい。成膜回数に関するデータは、メンテナンス後の成膜回数でもよいし、メンテナンスとは無関係に通算した成膜回数でもよい。過去に形成した膜に関するデータは、過去に成膜した膜の種類，特性などを示す履歴データでよい。これらの運転履歴データは、成膜チャンバ２０の内部における原料の付着状態、ひいては各部材の熱容量、熱伝導の状態に関連し得る。
なお、ステップＳ２１～Ｓ２７の処理は、この順番で行われなくてもよい。
ステップＳ２９において第２学習処理部１０８は、取得された構成データ、特性データ、制御条件データおよび状態データを含む学習データを用いて第２モデル１０９の学習処理を実行する。
ステップＳ２９において第２学習処理部１０８は、取得された構成データ、特性データ、制御条件データおよび状態データを含む学習データを用いて第２モデル１０９の学習処理を実行する。
以上の動作によれば、目標特性データ、推奨構成データおよび状態データを入力することで推奨制御条件データが出力される第２モデルを生成することができる。また、状態データは運転履歴データを含むので、目標特性の膜を作るためのより正確な制御条件を得ることができる。また、運転履歴データは、メンテナンスの回数および内容の少なくとも１つに関するデータを含むので、メンテナンスの回数，内容と特性との関係を第２モデル３５に学習させることができる。なお、このような効果を得る観点からは、特性データはメンテナンスが２回以上行われた成膜装置２により成膜された膜から取得されることが好ましい。
なお、第１学習処理と同様に、ステップＳ２１～Ｓ２９の処理による第２学習処理が複数回行われる場合には、ステップＳ２１～Ｓ２７で取得される構成データ、特性データ、制御条件データおよび状態データに含まれる要素の種類は少なくとも一部の回で異なってよく、ステップＳ２９の学習処理では異なる要素の学習データで学習処理が行われてよい。
［３－３．化合物半導体の製造］
図７は、半導体デバイス５の製造方法を示す。まず、ステップＳ３１においてオペレータが基板５０を準備する。例えばオペレータは基板５０を成膜装置２の成膜チャンバ２０内にセットする。ステップＳ３３において装置１は、半導体デバイス５に含まれるべき少なくとも１つの膜を基板５０上に成膜する。これにより、基板５０上に１または複数の膜が成膜された半導体デバイス５が製造される。なお、ステップＳ１３の処理では、第１モデル１０４および第２モデル１０９の少なくとも一方を用いて成膜が行われる。例えば、上述のステップＳ３の製造処理におけるステップＳ１３の処理では、第１モデル１０４を用いて成膜が行われてよく、上述のステップＳ９の製造処理におけるステップＳ１３の処理では、少なくとも第２モデル１０９を用いて成膜が行われてよい。
図７は、半導体デバイス５の製造方法を示す。まず、ステップＳ３１においてオペレータが基板５０を準備する。例えばオペレータは基板５０を成膜装置２の成膜チャンバ２０内にセットする。ステップＳ３３において装置１は、半導体デバイス５に含まれるべき少なくとも１つの膜を基板５０上に成膜する。これにより、基板５０上に１または複数の膜が成膜された半導体デバイス５が製造される。なお、ステップＳ１３の処理では、第１モデル１０４および第２モデル１０９の少なくとも一方を用いて成膜が行われる。例えば、上述のステップＳ３の製造処理におけるステップＳ１３の処理では、第１モデル１０４を用いて成膜が行われてよく、上述のステップＳ９の製造処理におけるステップＳ１３の処理では、少なくとも第２モデル１０９を用いて成膜が行われてよい。
［３－３－１．第１モデルを用いた成膜］
図８は、第１モデル１０４を用いた成膜方法を示す。
図８は、第１モデル１０４を用いた成膜方法を示す。
ステップＳ４１において目標特性取得部３６は製造対象の半導体デバイス５について、目標とする特性を示す目標特性データを取得し、ステップＳ４３において第１供給部１１２は目標特性データを第１モデル１０４に供給する。これにより、第１モデル１０４から半導体デバイス５の推奨構成データが出力される。
ステップＳ４５において推奨構成取得部１１３は推奨構成データを取得する。
学習処理に用いられた複数の学習データの数が第１の基準個数よりも少ない場合には、推奨構成取得部１１３のランダム構成取得部１１３２がランダムな内容の推奨構成データを取得してよい。ランダム構成取得部１１３２は、学習データの数が第１の基準個数と同数の場合にも、ランダムな内容の推奨構成データを取得してよい。
学習処理に用いられた複数の学習データの数が第１の基準個数よりも少ない場合には、推奨構成取得部１１３のランダム構成取得部１１３２がランダムな内容の推奨構成データを取得してよい。ランダム構成取得部１１３２は、学習データの数が第１の基準個数と同数の場合にも、ランダムな内容の推奨構成データを取得してよい。
学習処理に用いられた複数の学習データの数が第１の基準個数よりも多く第２の基準個数よりも少ない場合には、推奨構成取得部１１３の補間構成取得部１１３３は、算出部１１３１により算出される構成近似学習データの個数が最も少ない基準数の学習データのうち何れか２つの構成データを補間して得られる構成データを推奨構成データとして取得してよい。補間構成取得部１１３３は、学習データの数が第２の基準個数と同数の場合にも、補間により得られる構成データを推奨構成データとして取得してよい。
学習処理に用いられた複数の学習データの数が第２の基準個数よりも多い場合には、推奨構成取得部１１３は、目標特性データを第１モデル１０４に供給したことに応じて第１モデル１０４から出力される推奨構成データを取得してよい。第１モデル１０４に一の目標特性データを供給して複数の推奨構成データが取得される場合には、これらの推奨構成データのうち、第１検出部１１３４によって検出される分布範囲内に含まれる値の推奨構成パラメータのみを含む推奨構成データを第１抽出部１１３５で抽出してよい。
ステップＳ４７において制御部１１７は、推奨構成データに従って製造部１１０を動作させる。これにより、推奨構成データで示される構成、またはこれに近似した構成の少なくとも１つの膜が成膜される。なお、上述のようにして成膜を行う場合には、成膜時の制御条件データおよび状態データと、製造された半導体デバイス５の構成データおよび特性データとを学習データとして第２モデル１０９に入力して上述の図６の第２学習処理を行うことにより、第２モデル１０９の学習処理を行ってよい。
［３－３－２．第２モデルを用いた成膜］
図９は、第２モデル１０９を用いた成膜方法を示す。
図９は、第２モデル１０９を用いた成膜方法を示す。
ステップＳ５１において目標特性取得部３６および推奨構成取得部１１３は製造対象の半導体デバイス５についての目標特性データおよび推奨構成データを取得し、状態取得部１０７は製造部１１０の状態を示す状態データを取得する。推奨構成取得部１１３は、第１モデル１０４から推奨構成データを取得してよい。
ステップＳ５３において第２供給部１１５は目標特性データ、推奨構成データおよび状態データを第２モデル１０９に供給する。これにより、第２モデル１０９から製造部１１０の制御条件に関する推奨制御条件データが出力される。
ステップＳ５５において推奨制御条件取得部１１６は第２モデル１０９から出力される推奨制御条件データを取得し、ステップＳ５７において制御部１１７は、推奨制御条件データが示す制御条件で制御部１１７を動作させる。これにより、目標特性、またはこれに近似した特性の半導体デバイス５が成膜される。
［４．半導体デバイスの具体例］
製造される半導体デバイス５は、例えば発光デバイス（一例として波長２００～２８０ｎｍの紫外線Ｃ波光を発生させるＬＥＤ）に用いられてよい。このような発光デバイスは例えば殺菌灯や、ＤＮＡの分析機器に具備される。一般に、発光デバイスの層構成は複雑であり、構成データに含まれる構成パラメータは膨大にあるため、全ての層を実験的に最適化していくことは現実的でない場合が多い。そのため、半導体デバイス５が発光デバイスである場合、本実施形態に係る装置１を適用すると効率的に最適化が実行可能であるため好ましい。具体的には、実験数を大幅に削減しながら最適な層構造を得ることが可能となる。加えて、これまでの知見からは予測することが極めて困難であった、隣接していない層同士の相関関係が明らかになり、画期的な新しい層構造の発見が期待できる。
製造される半導体デバイス５は、例えば発光デバイス（一例として波長２００～２８０ｎｍの紫外線Ｃ波光を発生させるＬＥＤ）に用いられてよい。このような発光デバイスは例えば殺菌灯や、ＤＮＡの分析機器に具備される。一般に、発光デバイスの層構成は複雑であり、構成データに含まれる構成パラメータは膨大にあるため、全ての層を実験的に最適化していくことは現実的でない場合が多い。そのため、半導体デバイス５が発光デバイスである場合、本実施形態に係る装置１を適用すると効率的に最適化が実行可能であるため好ましい。具体的には、実験数を大幅に削減しながら最適な層構造を得ることが可能となる。加えて、これまでの知見からは予測することが極めて困難であった、隣接していない層同士の相関関係が明らかになり、画期的な新しい層構造の発見が期待できる。
図１０は、半導体デバイス５の層構成を示す。半導体デバイス５は、アルミナイトライドの基板５０（一例として厚み５００μｍ）上にアルミナイトライドの単結晶層５１（一例として厚み５００ｎｍ）、窒化アルミニウムガリウムのｎ－層５２（一例として厚み５００ｎｍ）、窒化アルミニウムガリウム（Ａｌ0.75ＧａＮ）のバリア層５３０（一例として厚み６ｎｍ）および窒化アルミニウムガリウムＡｌ0.５５ＧａＮのウェル層５３１（一例として厚み３ｎｍ）を有する量子井戸層５３、電子ブロック層（ＥＢＬ）５４（一例として厚み１５ｎｍ）、組成を連続的に減少させたグレーデッド層５５（一例として厚み３０ｎｍ）、および、窒化ガリウムのｐ－層５６（一例として厚み１０ｎｍ）を有する。量子井戸層５３は多重（一例として５重）に積層されてよい。図６の成膜方法によって成膜される膜は、層５１～５６の少なくとも１層でよい。ここで、グレーデッド層５５は、正孔の発生層として機能する層であり、アルミニウムの含有量を基板５０側から離れるに従い７５％から２５％に減少させて成膜されている。またｐ－層５６はコンタクト層として機能する。この半導体デバイス５では、基板５０としてアルミナイトライド基板を用いているため、サファイア基板を用いる場合と異なり、成膜される膜と格子定数を揃え、転位密度を低くすることが可能となる。
［５．変形例］
図１１は、変形例に係る装置１Ａを示す。装置１Ａの推奨構成取得部１１３Ａは、算出部１１３１、ランダム構成取得部１１３２、補間構成取得部１１３３、第１検出部１１３４および第１抽出部１１３５に代えて／加えて、算出部１１３８および第２抽出部１１３９を有する。
図１１は、変形例に係る装置１Ａを示す。装置１Ａの推奨構成取得部１１３Ａは、算出部１１３１、ランダム構成取得部１１３２、補間構成取得部１１３３、第１検出部１１３４および第１抽出部１１３５に代えて／加えて、算出部１１３８および第２抽出部１１３９を有する。
算出部１１３８は、第１算出部の一例であり、推奨構成取得部１１３は、第１モデル１０４に一の目標特性データを供給して取得される複数の推奨構成データのそれぞれについて、第１モデル１０４で学習処理に用いられた複数の学習データのうち、当該推奨構成データで示される構成に対する近似度が基準範囲内の構成を示す近似構成学習データ（つまり、近似度が基準範囲内の構成を示す構成データを有する学習データ）の個数を算出する。算出部１１３８で用いられる基準範囲は、第１の基準範囲の一例であり、任意の範囲であってよい。算出部１１３８で用いられる基準範囲と、算出部１１３１で用いられる基準範囲とは、同じであってもよいし、異なってもよい。
第２抽出部１１３９は、算出部１１３８により算出される構成近似学習データの個数に基づいて複数の推奨構成データから少なくとも１つの推奨構成データを抽出する。例えば、第２抽出部１１３９は、第１モデル１０４に一の目標特性データを供給して取得される複数の推奨構成データから、構成近似学習データの個数が多い順（または少ない順）に少なくとも１つの推奨構成データを抽出してよい。
なお、本変形例では一例として、推奨構成取得部１１３Ａは算出部１１３１、ランダム構成取得部１１３２および補間構成取得部１１３３を有する。従って、学習処理に用いられた複数の学習データの数が第１の基準個数よりも少ない場合には、推奨構成取得部１１３Ａは、ランダム構成取得部１１３２によってランダムな内容の推奨構成データを取得してよい。また、学習処理に用いられた複数の学習データの数が第１の基準個数よりも多く第２の基準個数よりも少ない場合には、推奨構成取得部１１３Ａは、算出部１１３１により算出される構成近似学習データの個数が最も少ない基準数の学習データのうち何れか２つの構成データを補間構成取得部１１３３により補間して得られる構成データを推奨構成データとして取得してよい。
以上の装置１Ａによれば、第１モデル１０４に一の目標特性データを供給して取得される複数の推奨構成データのそれぞれについて、近似度が基準範囲内の構成を示す近似構成学習データの個数が算出され、この算出結果に基づいて少なくとも１つの推奨構成データが抽出される。従って、近似構成学習データの個数に基づいて推奨構成データが抽出されるため、近似した構成の学習データが多い／少ない推奨構成データを取得することができる。
なお、上記の変形例では、推奨構成取得部１１３Ａは算出部１１３１、ランダム構成取得部１１３２および補間構成取得部１１３３を有し、学習処理に用いられた学習データの数が基準個数（第２基準個数）より少ない場合には、ランダムな内容、あるいは２つの構成データを補間した内容の推奨構成データを取得することとして説明した。しかしながら、推奨構成取得部１１３Ａが算出部１１３１、ランダム構成取得部１１３２および補間構成取得部１１３３を有しない場合には、学習処理に用いられた学習データの数が基準個数（第２の基準個数）より少ない場合には、構成近似学習データの個数が少ない順に少なくとも１つの推奨構成データを抽出し、学習データの数が基準個数より多い場合には、構成近似学習データの個数が多い順に少なくとも１つの推奨構成データを抽出してもよい。
また、第２抽出部１１３９は、第１モデル１０４で学習処理に用いられた学習データの個数に応じて推奨構成データの抽出手法を切り替える代わりに、製造部１１０で製造された半導体デバイス５から特性取得部１０２によって取得された特性データと、目標特性取得部１１１によって取得された目標特性データとの差異が基準範囲内であるか否かに応じて抽出手法を切り替えてもよい。例えば、第２抽出部１１３９は、差異が基準範囲内である場合には、構成近似学習データの個数が多い順に少なくとも１つの推奨構成データを抽出し、差異が基準範囲外である場合には、構成近似学習データの個数が少ない順に少なくとも１つの推奨構成データを抽出してよい。ここで、差異が基準範囲内であるか否かの判定は判定部１１８によって行われてよい。また、推奨構成データの抽出手法を切り替えるか否かの判定に用いられる基準範囲は、第１学習処理部１０３，第２学習処理部１０８による第１モデル１０４，第２モデル１０９の学習処理をディセーブルするか否かの判定に用いられる上述の第１許容範囲，第２許容範囲よりも広い範囲であってよい。
［６．変形例］
図１２は、他の変形例に係る装置１Ｂを示す。装置１Ｂは、第１モデル１０４および第２モデル１０９に代えて第３モデル１２０を有し、第１学習処理部１０３および第２学習処理部１０８に代えて第３学習処理部１２１を有する。
図１２は、他の変形例に係る装置１Ｂを示す。装置１Ｂは、第１モデル１０４および第２モデル１０９に代えて第３モデル１２０を有し、第１学習処理部１０３および第２学習処理部１０８に代えて第３学習処理部１２１を有する。
［６－１．第３モデル］
第３モデル１２０は、第１モデル１０４および第２モデル１０９を統合したモデルであり、目標特性データを入力したことに応じて、推奨構成データおよび推奨制御条件データの少なくとも一方を出力する。例えば、第３モデル１２０は、第１供給部１１２から目標特性データが入力されたことに応じて、推奨構成データを推奨構成取得部１１３に供給してよい。また、第３モデル１２０は、第２供給部１１５から目標特性データおよび推奨構成データが入力されたことに応じて、推奨制御条件データを推奨制御条件取得部１１６に供給してよい。これに代えて、第３モデル１２０は、第１供給部１１２から目標特性データが入力されたことに応じて推奨構成データを生成して推奨構成取得部１１３に供給するともに、入力された目標特性データと、内部生成した推奨構成データとに応じた推奨構成データを生成して推奨制御条件取得部１１６に供給してもよい。第３モデル１２０には目標特性データや推奨構成データに加えて状態データが入力されてもよい。なお、本変形例において推奨構成取得部１１３および／または推奨制御条件取得部１１６は、取得部の一例であってよい。
第３モデル１２０は、第１モデル１０４および第２モデル１０９を統合したモデルであり、目標特性データを入力したことに応じて、推奨構成データおよび推奨制御条件データの少なくとも一方を出力する。例えば、第３モデル１２０は、第１供給部１１２から目標特性データが入力されたことに応じて、推奨構成データを推奨構成取得部１１３に供給してよい。また、第３モデル１２０は、第２供給部１１５から目標特性データおよび推奨構成データが入力されたことに応じて、推奨制御条件データを推奨制御条件取得部１１６に供給してよい。これに代えて、第３モデル１２０は、第１供給部１１２から目標特性データが入力されたことに応じて推奨構成データを生成して推奨構成取得部１１３に供給するともに、入力された目標特性データと、内部生成した推奨構成データとに応じた推奨構成データを生成して推奨制御条件取得部１１６に供給してもよい。第３モデル１２０には目標特性データや推奨構成データに加えて状態データが入力されてもよい。なお、本変形例において推奨構成取得部１１３および／または推奨制御条件取得部１１６は、取得部の一例であってよい。
第３モデル１２０は、少なくとも１つの構成パラメータの値を構成データとして含む複数の学習データを用いて学習処理が実行されてよく、一の目標特性データを供給したことに応じて複数の推奨構成データを出力してよい。これら複数の推奨構成データは、推奨する半導体デバイス５の構成を示す少なくとも１つの推奨構成パラメータの値をそれぞれ含んでよい。
［６－２．第３学習処理部］
第３学習処理部１２１は、取得された構成データ、特性データおよび制御条件データを含む学習データを用いて第３モデル１２０の学習処理を実行してよい。この学習データは、状態取得部１０７から取得された状態データをさらに含んでもよい。第３学習処理部１２１は、第１学習処理部１０３と同様の第２検出部１０３１を有してもよい。
第３学習処理部１２１は、取得された構成データ、特性データおよび制御条件データを含む学習データを用いて第３モデル１２０の学習処理を実行してよい。この学習データは、状態取得部１０７から取得された状態データをさらに含んでもよい。第３学習処理部１２１は、第１学習処理部１０３と同様の第２検出部１０３１を有してもよい。
装置１Ｂは、上述の図６で説明した第２学習処理と同様にして、第３モデル１２０の学習処理を実行してよい。以上の装置１Ｂによれば、半導体デバイス５の構成と、製造部１１０の制御条件とを並行して最適化することができる。
なお、上記の変形例では、装置１Ｂが推奨構成取得部１１３を備えることとして説明したが、推奨構成取得部１１３Ａを備えてもよい。
［７．その他の変形例］
なお、上記の実施形態および変形例では、装置１，１Ａは構成取得部１０１と、特性取得部１０２と、第１学習処理部１０３と、制御条件取得部１０５と、状態取得部１０７と、第２学習処理部１０８と、第２モデル１０９を備えることとして説明したが、これらの少なくとも１つを有しないこととしてもよい。この場合には、装置１，１Ａは、少なくとも目標特性取得部１１１と、第１供給部１１２と、推奨構成取得部１１３（または推奨構成取得部１１３Ａ）とを備え、学習済みの第１モデル１０４を用いて推奨構成データを取得してよい。また、装置１，１Ａは、目標特性取得部１１１と、第１供給部１１２と、推奨構成取得部１１３（または推奨構成取得部１１３Ａ）と、第２供給部１１５と、推奨制御条件取得部１１６と、制御部１１７と、判定部１１８を備えることとして説明したが、これらの少なくとも１つを有しないこととしてもよい。この場合には、装置１，１Ａは、少なくとも構成取得部１０１と、特性取得部１０２と、第１学習処理部１０３とを備え、第１モデル１０４の学習処理を行ってよい。また、装置１，１Ａは、第１モデル１０４に加えて第２モデル１０９を備えることとして説明したが、第２モデル１０９を備えなくてもよい。この場合には、装置１，１Ａは、制御条件取得部１０５や状態取得部１０７、第２学習処理部１０８、第２供給部１１５、推奨制御条件取得部１１６なども備えなくてよい。また、装置１，１Ａ，１Ｂは報知部１００を備えることとして説明したが、備えなくてもよい。
なお、上記の実施形態および変形例では、装置１，１Ａは構成取得部１０１と、特性取得部１０２と、第１学習処理部１０３と、制御条件取得部１０５と、状態取得部１０７と、第２学習処理部１０８と、第２モデル１０９を備えることとして説明したが、これらの少なくとも１つを有しないこととしてもよい。この場合には、装置１，１Ａは、少なくとも目標特性取得部１１１と、第１供給部１１２と、推奨構成取得部１１３（または推奨構成取得部１１３Ａ）とを備え、学習済みの第１モデル１０４を用いて推奨構成データを取得してよい。また、装置１，１Ａは、目標特性取得部１１１と、第１供給部１１２と、推奨構成取得部１１３（または推奨構成取得部１１３Ａ）と、第２供給部１１５と、推奨制御条件取得部１１６と、制御部１１７と、判定部１１８を備えることとして説明したが、これらの少なくとも１つを有しないこととしてもよい。この場合には、装置１，１Ａは、少なくとも構成取得部１０１と、特性取得部１０２と、第１学習処理部１０３とを備え、第１モデル１０４の学習処理を行ってよい。また、装置１，１Ａは、第１モデル１０４に加えて第２モデル１０９を備えることとして説明したが、第２モデル１０９を備えなくてもよい。この場合には、装置１，１Ａは、制御条件取得部１０５や状態取得部１０７、第２学習処理部１０８、第２供給部１１５、推奨制御条件取得部１１６なども備えなくてよい。また、装置１，１Ａ，１Ｂは報知部１００を備えることとして説明したが、備えなくてもよい。
また、装置１，１Ａ，１Ｂは製造部１１０を１つ備えることとして説明したが、複数備えることとしてもよい。この場合、各製造部１１０から得られる学習データを第１学習処理部１０３、第２学習処理部１０８および／または第３学習処理部１２１に供給して学習効率を高めてもよいし、１つの製造部１１０から得られる学習データにより学習処理を行った第１モデル１０４、第２モデル１０９および／または第３モデル１２０を複数の製造部１１０で共有して製造効率を高めてもよい。
また、成膜装置２を図２の構成として説明したが、有機金属気相成長装置としての他の構成としてもよい。また、製造部１１０は、成膜装置２に加えて／代えて、加工装置や他の成膜装置を有してもよい。製造部１１０が成膜装置２に加えて蒸着装置を有する場合には、製造部１１０は、当該蒸着装置によって電極膜を形成してもよい。この場合、第１学習処理部１０３および第２学習処理部１０８は、電極膜の構成や蒸着装置の制御条件などを学習対象に含めて学習処理を実行してよい。
また、一の目標特性データを第１モデル１０４に供給して得られる複数の推奨構成データのそれぞれにおいて何れかの推奨構成パラメータの値が分布範囲内に含まれない場合には、当該複数の推奨構成データから分布範囲内に含まれる推奨構成パラメータの数が多い順に少なくとも１つの推奨構成データを第１抽出部１１３５が抽出することとして説明したが、他の処理を行ってもよい。例えば、第１供給部１１２が目標特性データに含まれる各特性パラメータのうち、優先順位の低い特性パラメータを除外、或いは当該特性パラメータの値を緩和して第１モデル１０４に供給して、推奨構成データを出力させてよい。これにより、優先順位の高い特性（一例として光出力が５０ｍＷ以上、駆動電圧が９Ｖ以下など）については目標特性を有する半導体デバイス５の推奨構成を取得することができる。
また、推奨構成取得部１１３，１１３Ａは算出部１１３１、ランダム構成取得部１１３２、補間構成取得部１１３３を有することとして説明したが、これらを有しなくてもよい。また、推奨構成取得部１１３，１１３Ａは第１検出部１１３４や第１抽出部１１３５、算出部１１３８、第２抽出部１１３９を有することとして説明したが、これらの何れかに加えて／代えて、他の構成を有してもよい。例えば、推奨構成取得部１１３は、第１モデル１０４に一の目標特性データを供給して取得される複数の推奨構成データから、半導体デバイス５に含まれる複数の層のうち形成順の早い層の推奨構成パラメータが互いに等しい一部の推奨構成データを抽出する第３抽出部を有してもよい。この場合には、形成順の早い層から構成を確定することができるため、目標特性の半導体デバイス５の構成を効率よく取得することができる。
また、本発明の様々な実施形態は、フローチャートおよびブロック図を参照して記載されてよく、ここにおいてブロックは、（１）操作が実行されるプロセスの段階または（２）操作を実行する役割を持つ装置のセクションを表わしてよい。特定の段階およびセクションが、専用回路、コンピュータ可読媒体上に格納されるコンピュータ可読命令と共に供給されるプログラマブル回路、および／またはコンピュータ可読媒体上に格納されるコンピュータ可読命令と共に供給されるプロセッサによって実装されてよい。専用回路は、デジタルおよび／またはアナログハードウェア回路を含んでよく、集積回路（ＩＣ）および／またはディスクリート回路を含んでよい。プログラマブル回路は、論理ＡＮＤ、論理ＯＲ、論理ＸＯＲ、論理ＮＡＮＤ、論理ＮＯＲ、および他の論理操作、フリップフロップ、レジスタ、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、プログラマブルロジックアレイ（ＰＬＡ）等のようなメモリ要素等を含む、再構成可能なハードウェア回路を含んでよい。
コンピュータ可読媒体は、適切なデバイスによって実行される命令を格納可能な任意の有形なデバイスを含んでよく、その結果、そこに格納される命令を有するコンピュータ可読媒体は、フローチャートまたはブロック図で指定された操作を実行するための手段を作成すべく実行され得る命令を含む、製品を備えることになる。コンピュータ可読媒体の例としては、電子記憶媒体、磁気記憶媒体、光記憶媒体、電磁記憶媒体、半導体記憶媒体等が含まれてよい。コンピュータ可読媒体のより具体的な例としては、フロッピー（登録商標）ディスク、ディスケット、ハードディスク、ランダムアクセスメモリ（ＲＡＭ）、リードオンリメモリ（ＲＯＭ）、消去可能プログラマブルリードオンリメモリ（ＥＰＲＯＭまたはフラッシュメモリ）、電気的消去可能プログラマブルリードオンリメモリ（ＥＥＰＲＯＭ）、静的ランダムアクセスメモリ（ＳＲＡＭ）、コンパクトディスクリードオンリメモリ（ＣＤ-ＲＯＭ）、デジタル多用途ディスク（ＤＶＤ）、ブルーレイ（ＲＴＭ）ディスク、メモリスティック、集積回路カード等が含まれてよい。
コンピュータ可読命令は、アセンブラ命令、命令セットアーキテクチャ（ＩＳＡ）命令、マシン命令、マシン依存命令、マイクロコード、ファームウェア命令、状態設定データ、またはＳｍａｌｌｔａｌｋ、ＪＡＶＡ（登録商標）、Ｃ＋＋等のようなオブジェクト指向プログラミング言語、および「Ｃ」プログラミング言語または同様のプログラミング言語のような従来の手続型プログラミング言語を含む、１または複数のプログラミング言語の任意の組み合わせで記述されたソースコードまたはオブジェクトコードのいずれかを含んでよい。
コンピュータ可読命令は、汎用コンピュータ、特殊目的のコンピュータ、若しくは他のプログラム可能なデータ処理装置のプロセッサまたはプログラマブル回路に対し、ローカルにまたはローカルエリアネットワーク（ＬＡＮ）、インターネット等のようなワイドエリアネットワーク（ＷＡＮ）を介して提供され、フローチャートまたはブロック図で指定された操作を実行するための手段を作成すべく、コンピュータ可読命令を実行してよい。プロセッサの例としては、コンピュータプロセッサ、処理ユニット、マイクロプロセッサ、デジタル信号プロセッサ、コントローラ、マイクロコントローラ等を含む。
図１３は、本発明の複数の態様が全体的または部分的に具現化されてよいコンピュータ２２００の例を示す。コンピュータ２２００にインストールされたプログラムは、コンピュータ２２００に、本発明の実施形態に係る装置に関連付けられる操作または当該装置の１または複数のセクションとして機能させることができ、または当該操作または当該１または複数のセクションを実行させることができ、および／またはコンピュータ２２００に、本発明の実施形態に係るプロセスまたは当該プロセスの段階を実行させることができる。そのようなプログラムは、コンピュータ２２００に、本明細書に記載のフローチャートおよびブロック図のブロックのうちのいくつかまたはすべてに関連付けられた特定の操作を実行させるべく、ＣＰＵ２２１２によって実行されてよい。
本実施形態によるコンピュータ２２００は、ＣＰＵ２２１２、ＲＡＭ２２１４、グラフィックコントローラ２２１６、およびディスプレイデバイス２２１８を含み、それらはホストコントローラ２２１０によって相互に接続されている。コンピュータ２２００はまた、通信インタフェース２２２２、ハードディスクドライブ２２２４、ＤＶＤ－ＲＯＭドライブ２２２６、およびＩＣカードドライブのような入／出力ユニットを含み、それらは入／出力コントローラ２２２０を介してホストコントローラ２２１０に接続されている。コンピュータはまた、ＲＯＭ２２３０およびキーボード２２４２のようなレガシの入／出力ユニットを含み、それらは入／出力チップ２２４０を介して入／出力コントローラ２２２０に接続されている。
ＣＰＵ２２１２は、ＲＯＭ２２３０およびＲＡＭ２２１４内に格納されたプログラムに従い動作し、それにより各ユニットを制御する。グラフィックコントローラ２２１６は、ＲＡＭ２２１４内に提供されるフレームバッファ等またはそれ自体の中にＣＰＵ２２１２によって生成されたイメージデータを取得し、イメージデータがディスプレイデバイス２２１８上に表示されるようにする。
通信インタフェース２２２２は、ネットワークを介して他の電子デバイスと通信する。ハードディスクドライブ２２２４は、コンピュータ２２００内のＣＰＵ２２１２によって使用されるプログラムおよびデータを格納する。ＤＶＤ－ＲＯＭドライブ２２２６は、プログラムまたはデータをＤＶＤ－ＲＯＭ２２０１から読み取り、ハードディスクドライブ２２２４にＲＡＭ２２１４を介してプログラムまたはデータを提供する。ＩＣカードドライブは、プログラムおよびデータをＩＣカードから読み取り、および／またはプログラムおよびデータをＩＣカードに書き込む。
ＲＯＭ２２３０はその中に、アクティブ化時にコンピュータ２２００によって実行されるブートプログラム等、および／またはコンピュータ２２００のハードウェアに依存するプログラムを格納する。入／出力チップ２２４０はまた、様々な入／出力ユニットをパラレルポート、シリアルポート、キーボードポート、マウスポート等を介して、入／出力コントローラ２２２０に接続してよい。
プログラムが、ＤＶＤ－ＲＯＭ２２０１またはＩＣカードのようなコンピュータ可読媒体によって提供される。プログラムは、コンピュータ可読媒体から読み取られ、コンピュータ可読媒体の例でもあるハードディスクドライブ２２２４、ＲＡＭ２２１４、またはＲＯＭ２２３０にインストールされ、ＣＰＵ２２１２によって実行される。これらのプログラム内に記述される情報処理は、コンピュータ２２００に読み取られ、プログラムと、上記様々なタイプのハードウェアリソースとの間の連携をもたらす。装置または方法が、コンピュータ２２００の使用に従い情報の操作または処理を実現することによって構成されてよい。
例えば、通信がコンピュータ２２００および外部デバイス間で実行される場合、ＣＰＵ２２１２は、ＲＡＭ２２１４にロードされた通信プログラムを実行し、通信プログラムに記述された処理に基づいて、通信インタフェース２２２２に対し、通信処理を命令してよい。通信インタフェース２２２２は、ＣＰＵ２２１２の制御下、ＲＡＭ２２１４、ハードディスクドライブ２２２４、ＤＶＤ－ＲＯＭ２２０１、またはＩＣカードのような記録媒体内に提供される送信バッファ処理領域に格納された送信データを読み取り、読み取られた送信データをネットワークに送信し、またはネットワークから受信された受信データを記録媒体上に提供される受信バッファ処理領域等に書き込む。
また、ＣＰＵ２２１２は、ハードディスクドライブ２２２４、ＤＶＤ－ＲＯＭドライブ２２２６（ＤＶＤ－ＲＯＭ２２０１）、ＩＣカード等のような外部記録媒体に格納されたファイルまたはデータベースの全部または必要な部分がＲＡＭ２２１４に読み取られるようにし、ＲＡＭ２２１４上のデータに対し様々なタイプの処理を実行してよい。ＣＰＵ２２１２は次に、処理されたデータを外部記録媒体にライトバックする。
様々なタイプのプログラム、データ、テーブル、およびデータベースのような様々なタイプの情報が記録媒体に格納され、情報処理を受けてよい。ＣＰＵ２２１２は、ＲＡＭ２２１４から読み取られたデータに対し、本開示の随所に記載され、プログラムの命令シーケンスによって指定される様々なタイプの操作、情報処理、条件判断、条件分岐、無条件分岐、情報の検索／置換等を含む、様々なタイプの処理を実行してよく、結果をＲＡＭ２２１４に対しライトバックする。また、ＣＰＵ２２１２は、記録媒体内のファイル、データベース等における情報を検索してよい。例えば、各々が第２の属性の属性値に関連付けられた第１の属性の属性値を有する複数のエントリが記録媒体内に格納される場合、ＣＰＵ２２１２は、第１の属性の属性値が指定される、条件に一致するエントリを当該複数のエントリの中から検索し、当該エントリ内に格納された第２の属性の属性値を読み取り、それにより予め定められた条件を満たす第１の属性に関連付けられた第２の属性の属性値を取得してよい。
上で説明したプログラムまたはソフトウェアモジュールは、コンピュータ２２００上またはコンピュータ２２００近傍のコンピュータ可読媒体に格納されてよい。また、専用通信ネットワークまたはインターネットに接続されたサーバーシステム内に提供されるハードディスクまたはＲＡＭのような記録媒体が、コンピュータ可読媒体として使用可能であり、それによりプログラムを、ネットワークを介してコンピュータ２２００に提供する。
以上、本発明を実施の形態を用いて説明したが、本発明の技術的範囲は上記実施の形態に記載の範囲には限定されない。上記実施の形態に、多様な変更または改良を加えることが可能であることが当業者に明らかである。その様な変更または改良を加えた形態も本発明の技術的範囲に含まれ得ることが、特許請求の範囲の記載から明らかである。
特許請求の範囲、明細書、および図面中において示した装置、システム、プログラム、および方法における動作、手順、ステップ、および段階等の各処理の実行順序は、特段「より前に」、「先立って」等と明示しておらず、また、前の処理の出力を後の処理で用いるのでない限り、任意の順序で実現しうることに留意すべきである。特許請求の範囲、明細書、および図面中の動作フローに関して、便宜上「まず、」、「次に、」等を用いて説明したとしても、この順で実施することが必須であることを意味するものではない。
１ 装置、２ 成膜装置、５ 半導体デバイス、２０ 成膜チャンバ、２１ サセプタ、２２ 基板ヒータ、２３ ガス供給装置、２４ プロセスポンプ、５０ 基板、５１ 単結晶層、５２ ｎ－層、５３ 量子井戸層、５５ グレーデッド層、５６ ｐ－層、１００ 報知部、１０１ 構成取得部、１０２ 特性取得部、１０３ 第１学習処理部、１０４ 第１モデル、１０５ 制御条件取得部、１０７ 状態取得部、１０８ 第２学習処理部、１０９ 第２モデル、１１０ 製造部、１１１ 目標特性取得部、１１２ 第１供給部、１１３ 推奨構成取得部、１１５ 第２供給部、１１６ 推奨制御条件取得部、１１７ 制御部、１１８ 判定部、２００ サセプタ、２０１ 基板ヒータ、２１１ シャフト、２３０ ガス源、２３１ ガスバブラー、２３２ 原料供給口、２４０ 開閉バルブ、５３０ バリア層、５３１ ウェル層、１０３１ 第２検出部、１１３１ 算出部、１１３２ ランダム構成取得部、１１３３ 補間構成取得部、１１３４ 第１検出部、１１３５ 第１抽出部、１１３８ 算出部、１１３９ 第２抽出部、２２００ コンピュータ、２２０１ ＤＶＤ－ＲＯＭ、２２１０ ホストコントローラ、２２１２ ＣＰＵ、２２１４ ＲＡＭ、２２１６ グラフィックコントローラ、２２１８ ディスプレイデバイス、２２２０ 入／出力コントローラ、２２２２ 通信インタフェース、２２２４ ハードディスクドライブ、２２２６ ＤＶＤ－ＲＯＭドライブ、２２３０ ＲＯＭ、２２４０ 入／出力チップ、２２４２ キーボード、２３００ ガス供給設備、２３０１ メインガスライン、２３０２ ベント用ライン、２３０３ ガス調整用ライン、２３０４ バブリングガス供給ライン、２３０５ 原料供給ライン、２３０６ マスフローコントローラ、２３０７ 開閉バルブ対、２３０８ 開閉バルブ対
Claims (16)
- 半導体デバイスの構成を示す構成データを取得する構成取得部と、
前記半導体デバイスの特性を示す特性データを取得する特性取得部と、
取得された前記構成データおよび前記特性データを含む学習データを用いて、目標とする半導体デバイスの特性を示す目標特性データを入力したことに応じて推奨する半導体デバイスの構成を示す推奨構成データを出力する第１モデルの学習処理を実行する第１学習処理部と、
前記半導体デバイスの製造装置の制御条件を示す制御条件データを取得する制御条件取得部と、
前記特性データ、前記構成データおよび前記制御条件データを含む学習データを用いて、前記目標特性データおよび前記推奨構成データを入力したことに応じて推奨する制御条件を示す推奨制御条件データを出力する第２モデルの学習処理を実行する第２学習処理部と、
を備える、装置。 - 前記目標特性データを取得する目標特性取得部と、
前記第１モデルに対し、前記目標特性取得部により取得された前記目標特性データを供給する第１供給部と、
前記目標特性データを前記第１モデルに供給したことに応じて前記第１モデルが出力する前記推奨構成データを取得する推奨構成取得部と、
をさらに備える、請求項１に記載の装置。 - 前記第２モデルに対し、前記目標特性取得部により取得された前記目標特性データと、前記推奨構成取得部により取得された前記推奨構成データとを供給する第２供給部と、
前記目標特性データおよび前記推奨構成データを前記第２モデルに供給したことに応じて前記第２モデルが出力する前記推奨制御条件データを取得する推奨制御条件取得部と、
をさらに備える、請求項２に記載の装置。 - 前記第１モデルは、半導体デバイスの構成を示す少なくとも１つの構成パラメータの値を含む複数の学習データを用いて学習処理が実行されており、一の前記目標特性データを供給したことに応じて、推奨する半導体デバイスの構成を示す少なくとも１つの推奨構成パラメータの値をそれぞれ含む複数の前記推奨構成データを出力し、
前記推奨構成取得部は、
前記少なくとも１つの構成パラメータのそれぞれについて、前記複数の学習データ内での当該構成パラメータの値の分布範囲を検出する第１検出部と、
前記複数の推奨構成データのうち、前記分布範囲内に含まれる値の前記推奨構成パラメータのみを含む推奨構成データを抽出する第１抽出部と、
を有する、請求項２または３に記載の装置。 - 前記第１抽出部は、各推奨構成データにおいて何れかの推奨構成パラメータの値が前記分布範囲内に含まれない場合には、前記複数の推奨構成データから、前記分布範囲内に含まれる推奨構成パラメータの数が多い順に少なくとも１つの推奨構成データを抽出する、請求項４に記載の装置。
- 前記第１モデルは、半導体デバイスの構成を示す少なくとも１つの構成パラメータの値を含む複数の学習データを用いて学習処理が実行されており、一の前記目標特性データを供給したことに応じて、推奨する半導体デバイスの構成を示す少なくとも１つの推奨構成パラメータの値をそれぞれ含む複数の前記推奨構成データを出力し、
前記推奨構成取得部は、
前記複数の推奨構成データのそれぞれについて、学習処理に用いられた前記複数の学習データのうち、当該推奨構成データで示される構成に対する近似度が第１の基準範囲内の構成を示す構成近似学習データの個数を算出する第１算出部と、
前記第１算出部による算出結果に基づいて前記複数の推奨構成データから、少なくとも１つの推奨構成データを抽出する第２抽出部と、
を有する、請求項２，３および５のいずれか一項に記載の装置。 - 前記推奨構成データで示される構成の前記半導体デバイスを、前記推奨制御条件データを用いて製造する製造部と、
前記製造部で製造された前記半導体デバイスの構成を示す構成データを取得する構成取得部と、
前記製造部で製造された前記半導体デバイスの特性を示す特性データを取得する特性取得部と、
前記構成データおよび前記特性データを含む学習データを用いて前記第１モデルの学習処理を実行する第１学習処理部と、
をさらに備える、請求項３に記載の装置。 - 前記第１モデルは、複数の学習データを用いて学習処理が実行されており、
前記推奨構成取得部は、
学習処理に用いられた前記複数の学習データのそれぞれについて、前記複数の学習データのうち、当該学習データに含まれる前記構成データで示される構成に対する近似度が第２の基準範囲内の構成を示す前記構成データを含む構成近似学習データの個数を算出する第２算出部と、
学習処理に用いられた前記複数の学習データの数が第１の基準個数よりも少ない場合に、ランダムな内容の前記推奨構成データを取得するランダム構成取得部と、
学習処理に用いられた前記複数の学習データの数が前記第１の基準個数よりも多く第２の基準個数より少ない場合に、前記第２算出部により算出された前記個数が最も少ない基準数の学習データのうち何れか２つの構成データを補間して得られる構成データを前記推奨構成データとして取得する補間構成取得部と、
を有する、請求項７に記載の装置。 - 前記製造部、および、前記第１学習処理部は、前記学習処理に用いられた前記複数の学習データの数が少なくとも前記第２の基準個数となるまで前記推奨構成データで示される構成の前記半導体デバイスの製造と、製造された半導体デバイスの特性データを含む前記学習データを用いた前記第１モデルの学習処理とを繰り返す、請求項８に記載の装置。
- 学習処理に用いられた前記複数の学習データの数が前記第２の基準個数より多い場合に、前記特性取得部によって取得された前記特性データと前記目標特性データとの差異が許容範囲内であるか否かを判定する判定部をさらに備え、
前記製造部、および、前記第１学習処理部は、前記差異が前記許容範囲外である場合に、前記目標特性データを前記第１モデルに供給して取得される前記推奨構成データで示される構成の前記半導体デバイスの製造と、製造された半導体デバイスの特性データを含む前記学習データを用いた前記第１モデルの学習処理とを繰り返す、請求項８または９に記載の装置。 - 前記第１学習処理部は、前記特性データに含まれる少なくとも１つの特性パラメータと、前記構成データに含まれる少なくとも１つの構成パラメータとの相関を検出する第２検出部を有する、請求項１，７および８のいずれか一項に記載の装置。
- 前記第２検出部は、前記特性データに含まれる何れかの特性パラメータの値と、前記構成データに含まれる少なくとも２つの構成パラメータの値を有する項との回帰分析によって算出される当該項の重みに基づいて、前記少なくとも２つの構成パラメータの間の相関を検出する、請求項１１に記載の装置。
- 前記半導体デバイスの構成は、前記半導体デバイスに含まれる層の数、各層の膜厚、各層の組成、各層の不純物濃度、および、基板の材料の少なくとも１つである、請求項１から１２のいずれか一項に記載の装置。
- 前記半導体デバイスは、発光装置である、請求項１から１３のいずれか一項に記載の装置。
- 半導体デバイスの構成を示す構成データを取得する構成取得段階と、
前記半導体デバイスの特性を示す特性データを取得する特性取得段階と、
取得された前記構成データおよび前記特性データを含む学習データを用いて、目標とする半導体デバイスの特性を示す目標特性データを入力したことに応じて推奨する半導体デバイスの構成を示す推奨構成データを出力する第１モデルの学習処理を実行する第１学習処理段階と、
前記半導体デバイスの製造装置の制御条件を示す制御条件データを取得する制御条件取得段階と、
前記特性データ、前記構成データおよび前記制御条件データを含む学習データを用いて、前記目標特性データおよび前記推奨構成データを入力したことに応じて推奨する制御条件を示す推奨制御条件データを出力する第２モデルの学習処理を実行する第２学習処理段階と、
を備える、方法。 - コンピュータを、
半導体デバイスの構成を示す構成データを取得する構成取得部と、
前記半導体デバイスの特性を示す特性データを取得する特性取得部と、
取得された前記構成データおよび前記特性データを含む学習データを用いて、目標とする半導体デバイスの特性を示す目標特性データを入力したことに応じて推奨する半導体デバイスの構成を示す推奨構成データを出力する第１モデルの学習処理を実行する第１学習処理部と、
前記半導体デバイスの製造装置の制御条件を示す制御条件データを取得する制御条件取得部と、
前記特性データ、前記構成データおよび前記制御条件データを含む学習データを用いて、前記目標特性データおよび前記推奨構成データを入力したことに応じて推奨する制御条件を示す推奨制御条件データを出力する第２モデルの学習処理を実行する第２学習処理部
として機能させるプログラム。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2019230827A JP7429116B2 (ja) | 2019-12-20 | 2019-12-20 | 装置、方法およびプログラム |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2019230827A JP7429116B2 (ja) | 2019-12-20 | 2019-12-20 | 装置、方法およびプログラム |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2021100039A JP2021100039A (ja) | 2021-07-01 |
| JP7429116B2 true JP7429116B2 (ja) | 2024-02-07 |
Family
ID=76541928
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2019230827A Active JP7429116B2 (ja) | 2019-12-20 | 2019-12-20 | 装置、方法およびプログラム |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP7429116B2 (ja) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2023082386A (ja) * | 2021-12-02 | 2023-06-14 | 株式会社日立製作所 | 設計条件計算システム、及び半導体装置の製造方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190122911A1 (en) | 2017-10-24 | 2019-04-25 | International Business Machines Corporation | Optimizating semiconductor binning by feed-forward process adjustment |
| US20190121928A1 (en) | 2017-10-20 | 2019-04-25 | Taiwan Semiconductor Manufacturing Company Limited | RC Tool Accuracy Time Reduction |
| JP2019159864A (ja) | 2018-03-14 | 2019-09-19 | 株式会社日立ハイテクノロジーズ | 探索装置、探索方法及びプラズマ処理装置 |
-
2019
- 2019-12-20 JP JP2019230827A patent/JP7429116B2/ja active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190121928A1 (en) | 2017-10-20 | 2019-04-25 | Taiwan Semiconductor Manufacturing Company Limited | RC Tool Accuracy Time Reduction |
| US20190122911A1 (en) | 2017-10-24 | 2019-04-25 | International Business Machines Corporation | Optimizating semiconductor binning by feed-forward process adjustment |
| JP2019159864A (ja) | 2018-03-14 | 2019-09-19 | 株式会社日立ハイテクノロジーズ | 探索装置、探索方法及びプラズマ処理装置 |
| US20190286632A1 (en) | 2018-03-14 | 2019-09-19 | Hitachi High-Technologies Corporation | Search device, searching method, and plasma processing apparatus |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2021100039A (ja) | 2021-07-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US6410351B1 (en) | Method and apparatus for modeling thickness profiles and controlling subsequent etch process | |
| CN104246980B (zh) | 用于led制造的pvd缓冲层 | |
| CN101911253A (zh) | 闭环mocvd沉积控制 | |
| US20120118225A1 (en) | Epitaxial growth temperature control in led manufacture | |
| TWI308774B (en) | Method and apparatus for monolayer deposition | |
| US6964876B2 (en) | Method and device for depositing layers | |
| JP7429116B2 (ja) | 装置、方法およびプログラム | |
| JP6279396B2 (ja) | 気相成長方法及び気相成長装置 | |
| US11989495B2 (en) | Systems and methods for predicting film thickness using virtual metrology | |
| JP2020070470A (ja) | 学習処理装置、学習処理方法、化合物半導体の製造方法およびプログラム | |
| TWI621733B (zh) | 氣相成長速度測量裝置、方法以及氣相成長裝置 | |
| WO2018098075A1 (en) | Thickness uniformity control for epitaxially-grown structures in a chemical vapor deposition system | |
| US20210072731A1 (en) | Device and method for obtaining information about layers deposited in a cvd method | |
| US20220293442A1 (en) | Dynamic process control in semiconductor manufacturing | |
| Li et al. | Study on the uniformity of ZnO films grown by MOCVD | |
| Kondratyev et al. | Aluminum incorporation control in AlGaN MOVPE: experimental and modeling study | |
| JP2006324532A (ja) | 薄膜堆積方法および薄膜堆積装置 | |
| JP2010541276A (ja) | Ｍｏｃｖｄとｈｖｐｅを用いたｉｉｉ−ｖ族窒化膜の成長における寄生粒子抑制 | |
| Zhang et al. | Influences of growth parameters on the reaction pathway during GaN synthesis | |
| Li et al. | Chemical reaction-transport model of diethylzinc hydrolysis in a vertical MOCVD reactor | |
| US11347203B2 (en) | Learning processor, learning processing method, production method of compound semiconductor, and recording medium | |
| Martin et al. | Modelling of group-III nitride MOVPE in the closed coupled showerhead reactor and Planetary Reactor® | |
| Fu et al. | Characterizations of GaN film growth by ECR plasma chemical vapor deposition | |
| JP2008218760A (ja) | 半導体装置の製造方法および半導体装置の製造装置 | |
| CN103866268B (zh) | 基于氮的施主-受主共掺氧化锌薄膜的制备方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20221101 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230905 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20231023 |
|
| 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: 20240123 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240126 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7429116 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |