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
特許文献1 中国特許出願公開第106521459号明細書
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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8は、第1モデル104を用いた成膜方法を示す。
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。
図9は、第2モデル109を用いた成膜方法を示す。
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。
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。
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。
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 |