JP7500330B2 - 成膜条件出力装置、成膜条件出力方法、成膜条件出力プログラム及び成膜装置 - Google Patents
成膜条件出力装置、成膜条件出力方法、成膜条件出力プログラム及び成膜装置 Download PDFInfo
- Publication number
- JP7500330B2 JP7500330B2 JP2020131867A JP2020131867A JP7500330B2 JP 7500330 B2 JP7500330 B2 JP 7500330B2 JP 2020131867 A JP2020131867 A JP 2020131867A JP 2020131867 A JP2020131867 A JP 2020131867A JP 7500330 B2 JP7500330 B2 JP 7500330B2
- Authority
- JP
- Japan
- Prior art keywords
- film formation
- result
- condition
- difference
- predicted
- 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
- 230000015572 biosynthetic process Effects 0.000 title claims description 300
- 238000000034 method Methods 0.000 title claims description 113
- 238000005457 optimization Methods 0.000 claims description 67
- 238000013459 approach Methods 0.000 claims description 4
- 230000008021 deposition Effects 0.000 description 103
- 238000005259 measurement Methods 0.000 description 22
- 235000012431 wafers Nutrition 0.000 description 17
- 238000012549 training Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 12
- 230000015654 memory Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000005137 deposition process Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
- H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
- H01J37/32—Gas-filled discharge tubes
- H01J37/32917—Plasma diagnostics
- H01J37/32926—Software, data control or modelling
-
- C—CHEMISTRY; METALLURGY
- C23—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; CHEMICAL SURFACE TREATMENT; DIFFUSION TREATMENT OF METALLIC MATERIAL; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL; INHIBITING CORROSION OF METALLIC MATERIAL OR INCRUSTATION IN GENERAL
- C23C—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; SURFACE TREATMENT OF METALLIC MATERIAL BY DIFFUSION INTO THE SURFACE, BY CHEMICAL CONVERSION OR SUBSTITUTION; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL
- C23C16/00—Chemical coating by decomposition of gaseous compounds, without leaving reaction products of surface material in the coating, i.e. chemical vapour deposition [CVD] processes
- C23C16/44—Chemical coating by decomposition of gaseous compounds, without leaving reaction products of surface material in the coating, i.e. chemical vapour deposition [CVD] processes characterised by the method of coating
- C23C16/50—Chemical coating by decomposition of gaseous compounds, without leaving reaction products of surface material in the coating, i.e. chemical vapour deposition [CVD] processes characterised by the method of coating using electric discharges
- C23C16/513—Chemical coating by decomposition of gaseous compounds, without leaving reaction products of surface material in the coating, i.e. chemical vapour deposition [CVD] processes characterised by the method of coating using electric discharges using plasma jets
-
- C—CHEMISTRY; METALLURGY
- C23—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; CHEMICAL SURFACE TREATMENT; DIFFUSION TREATMENT OF METALLIC MATERIAL; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL; INHIBITING CORROSION OF METALLIC MATERIAL OR INCRUSTATION IN GENERAL
- C23C—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; SURFACE TREATMENT OF METALLIC MATERIAL BY DIFFUSION INTO THE SURFACE, BY CHEMICAL CONVERSION OR SUBSTITUTION; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL
- C23C16/00—Chemical coating by decomposition of gaseous compounds, without leaving reaction products of surface material in the coating, i.e. chemical vapour deposition [CVD] processes
- C23C16/44—Chemical coating by decomposition of gaseous compounds, without leaving reaction products of surface material in the coating, i.e. chemical vapour deposition [CVD] processes characterised by the method of coating
- C23C16/52—Controlling or regulating the coating process
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/041—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a variable is automatically adjusted to optimise the performance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation
-
- C—CHEMISTRY; METALLURGY
- C23—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; CHEMICAL SURFACE TREATMENT; DIFFUSION TREATMENT OF METALLIC MATERIAL; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL; INHIBITING CORROSION OF METALLIC MATERIAL OR INCRUSTATION IN GENERAL
- C23C—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; SURFACE TREATMENT OF METALLIC MATERIAL BY DIFFUSION INTO THE SURFACE, BY CHEMICAL CONVERSION OR SUBSTITUTION; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL
- C23C14/00—Coating by vacuum evaporation, by sputtering or by ion implantation of the coating forming material
- C23C14/22—Coating by vacuum evaporation, by sputtering or by ion implantation of the coating forming material characterised by the process of coating
- C23C14/54—Controlling or regulating the coating process
- C23C14/542—Controlling the film thickness or evaporation rate
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- Materials Engineering (AREA)
- Medical Informatics (AREA)
- Organic Chemistry (AREA)
- Evolutionary Computation (AREA)
- Metallurgy (AREA)
- Mechanical Engineering (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Chemical Kinetics & Catalysis (AREA)
- General Engineering & Computer Science (AREA)
- General Chemical & Material Sciences (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Plasma & Fusion (AREA)
- Automation & Control Theory (AREA)
- Manufacturing & Machinery (AREA)
- Analytical Chemistry (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Crystallography & Structural Chemistry (AREA)
- Databases & Information Systems (AREA)
- Chemical Vapour Deposition (AREA)
Description
成膜装置による成膜処理をモデル化した線形モデルに成膜条件を入力することで、該線形モデルより予測された成膜結果が所定の条件を満たすまで、入力する成膜条件を調整する処理を繰り返し、目標の成膜結果を実現するための第1の成膜条件を算出する第1の最適化部と、
前記成膜装置による成膜処理をモデル化した非線形回帰モデルであって、予測した成膜結果の信頼区間を算出可能な該非線形回帰モデルに成膜条件を入力することで、該非線形回帰モデルより予測された成膜結果が所定の条件を満たすまで、入力する成膜条件を調整する処理を繰り返し、前記目標の成膜結果を実現するための第2の成膜条件を算出する第2の最適化部と、
前記第2の成膜条件が算出された際に予測された成膜結果の信頼区間が、
所定の条件を満たさないと判定した場合、前記第1の成膜条件を選択して出力し、
所定の条件を満たすと判定した場合、前記第1の成膜条件が算出された際の第1の成膜結果と、前記目標の成膜結果との差分である第1の差分と、前記第2の成膜条件が算出された際の第2の成膜結果と、前記目標の成膜結果との差分である第2の差分とを比較し、
前記第1の差分が前記第2の差分より小さい場合、前記第1の成膜条件を選択して出力し、
前記第1の差分が前記第2の差分と同じか前記第2の差分より大きい場合、前記第2の成膜条件を選択して出力する選択部とを有する。
<成膜条件出力装置の適用例>
はじめに、第1の実施形態に係る成膜条件出力装置の適用例について説明する。図1は、成膜条件出力装置の適用例を示す図である。このうち、図1(a)は、学習フェーズにおける成膜条件出力装置の適用例を示している。
図2は、成膜条件出力装置140のハードウェア構成の一例を示す図である。図2に示すように、成膜条件出力装置140は、プロセッサ201、メモリ202、補助記憶装置203、I/F(Interface)装置204、通信装置205、ドライブ装置206を有する。なお、成膜条件出力装置140の各ハードウェアは、バス207を介して相互に接続される。
次に、学習用データセット格納部141に格納される学習用データセットの具体例について説明する。図3は、学習用データセット格納部に格納された学習用データセットの一例を示す図である。
次に、成膜条件出力装置140の機能構成について図4及び図5を用いて説明する。
図4は、学習フェーズにおける成膜条件出力装置の機能構成の一例を示す図である。上述したように、成膜条件出力装置140には、成膜条件出力プログラムがインストールされており、学習フェーズにおいて当該プログラムが実行されることで、成膜条件出力装置140は、第1学習部410及び第2学習部420として機能する。
図5は、予測フェーズにおける成膜条件出力装置の機能構成の一例を示す図である。上述したように、成膜条件出力装置140には、成膜条件出力プログラムがインストールされており、予測フェーズにおいて当該プログラムが実行されることで、成膜条件出力装置140は、
・最適化部510、
・第1予測部520、
・最適化部530、
・第2予測部540、
・選択部550、
として機能する。
・n個の測定点の第1の予測成膜結果の平均値と、n個の測定点の目標成膜結果の平均値との差異が所定の閾値以下、
・n個の測定点の第1の予測成膜結果のばらつきが所定の閾値以下、
等を満たした場合に、第1の予測成膜結果と目標成膜結果との差異が所定の条件を満たしたと判定する。
・n個の測定点の第2の予測成膜結果の平均値と、n個の測定点の目標成膜結果の平均値との差異が所定の閾値以下、
・n個の測定点の第2の予測成膜結果のばらつきが所定の閾値以下、
・繰り返し回数が所定回数以上、
等を満たした場合に、第2の予測成膜結果と目標成膜結果との差異が所定の条件を満たしたと判定する。
・最適化部510から通知された第1の最適化成膜条件、及び、第1予測部520から通知された第1の予測成膜結果、または、
・最適化部530から通知された第2の最適化成膜条件、及び、第2予測部540から通知された第2の予測成膜結果、
のうちのいずれか一方を選択して出力する。なお、選択部550では、いずれか一方を選択するにあたり、
・第2予測部540から通知された信頼区間の幅(n個の測定点分)、及び/または、
・第1予測部520から通知された第1の予測成膜結果と目標成膜結果との差分の絶対値と、第2予測部540から通知された第2の予測成膜結果と目標成膜結果との差分の絶対値との比較結果(n個の測定点分)、
を参照する。
次に、成膜条件出力装置140による成膜条件出力処理の流れについて説明する。図6は、成膜条件出力処理の流れを示すフローチャートの一例である。なお、ステップS601~S603は学習フェーズにおいて実行される。
次に、成膜条件出力処理の各工程(学習済み線形モデルを用いた最適化処理(ステップS605)、学習済みガウス過程回帰モデルを用いた最適化処理(ステップS606)、選択処理(ステップS607))の詳細について説明する。
図7は、学習済み線形モデルを用いた最適化処理の流れを示すフローチャートである。
図8は、学習済みガウス過程回帰モデルを用いた最適化処理の流れを示すフローチャートである。
図9は、選択処理の流れを示すフローチャートである。ステップS901において、選択部550は、第2予測部540から通知された信頼区間の幅(n個の測定点分)を取得する。
・n個の測定点分の信頼区間の幅のいずれかが、所定の閾値より大きいと判定した場合、あるいは、
・n個の測定点分の信頼区間の幅のうちの予め定められた数以上の信頼区間の幅が、所定の閾値より大きいと判定した場合、
にステップS905に進む。
次に、選択処理の具体例について説明する。図10は、選択処理の具体例を示す図である。このうち、図10(a-1)~(a-3)は、学習済み線形モデル521を用いて、第1の最適化成膜条件を算出した際の、第1の予測成膜結果を示している。図10(a-1)~(a-3)において、符号1010aは、処理後ウェハ130を模式的に示したものであり、濃淡の違いは、膜厚の違いを示している。また、グラフ1020aは、径1011aにおける膜厚を示しており、一点鎖線1021aは、目標成膜結果を、実線1022aは、第1の予測成膜結果をそれぞれ表している。
・ステップS902において、信頼区間の幅が閾値以下、
・ステップS903において、|第1の予測成膜結果-目標成膜結果|≧|第2の予測成膜結果-目標成膜結果|、
であると判定し、第2の予測成膜結果(グラフ1002b)を選択する。
・ステップS902において、信頼区間の幅が閾値以下、
・ステップS903において、|第1の予測成膜結果-目標成膜結果|<|第2の予測成膜結果-目標成膜結果|、
であると判定し、第1の予測成膜結果(グラフ1020a)を選択する。
・ステップS902において、信頼区間の幅が閾値より大きい、
と判定し、第1の予測成膜結果(グラフ1020a)を選択する。
以上の説明から明らかなように、第1の実施形態に係る成膜条件出力装置は、
・成膜装置による成膜処理をモデル化した線形モデルを用いて、目標成膜結果を実現するための第1の最適化成膜条件を算出する。
・成膜装置による成膜処理をモデル化したガウス過程回帰モデルを用いて、目標成膜結果を実現するための第2の最適化成膜条件を算出する。
上記第1の実施形態では、非線形回帰モデルとして、ガウス過程回帰モデルを用いる場合について説明した。しかしながら、非線形回帰モデルとして用いるモデルは、ガウス過程回帰モデルに限定されず、予測結果と、予測結果の信頼区間とが算出可能な非線形回帰モデルであれば他の非線形回帰モデルを用いてもよい。
110 :処理前ウェハ
120 :成膜装置
130 :処理後ウェハ
140 :成膜条件出力装置
150 :膜厚測定装置
300 :学習用データセット
300_1 :成膜条件
300_2 :成膜結果
410 :第1学習部
411 :線形モデル
420 :第2学習部
421 :ガウス過程回帰モデル
510 :最適化部
520 :第1予測部
521 :学習済み線形モデル
530 :最適化部
540 :第2予測部
541 :学習済みガウス過程回帰モデル
550 :選択部
Claims (5)
- 成膜装置による成膜処理をモデル化した線形モデルに成膜条件を入力することで、該線形モデルより予測された成膜結果が所定の条件を満たすまで、入力する成膜条件を調整する処理を繰り返し、目標の成膜結果を実現するための第1の成膜条件を算出する第1の最適化部と、
前記成膜装置による成膜処理をモデル化した非線形回帰モデルであって、予測した成膜結果の信頼区間を算出可能な該非線形回帰モデルに成膜条件を入力することで、該非線形回帰モデルより予測された成膜結果が所定の条件を満たすまで、入力する成膜条件を調整する処理を繰り返し、前記目標の成膜結果を実現するための第2の成膜条件を算出する第2の最適化部と、
前記第2の成膜条件が算出された際に予測された成膜結果の信頼区間が、
所定の条件を満たさないと判定した場合、前記第1の成膜条件を選択して出力し、
所定の条件を満たすと判定した場合、前記第1の成膜条件が算出された際の第1の成膜結果と、前記目標の成膜結果との差分である第1の差分と、前記第2の成膜条件が算出された際の第2の成膜結果と、前記目標の成膜結果との差分である第2の差分とを比較し、
前記第1の差分が前記第2の差分より小さい場合、前記第1の成膜条件を選択して出力し、
前記第1の差分が前記第2の差分と同じか前記第2の差分より大きい場合、前記第2の成膜条件を選択して出力する選択部と
を有する成膜条件出力装置。 - 前記線形モデル及び前記非線形回帰モデルは、それぞれ、成膜条件が入力されることで予測される成膜結果が、対応する成膜結果に近づくようにモデルパラメータが更新された学習済みのモデルである、請求項1に記載の成膜条件出力装置。
- 成膜装置による成膜処理をモデル化した線形モデルに成膜条件を入力することで、該線形モデルより予測された成膜結果が所定の条件を満たすまで、入力する成膜条件を調整する処理を繰り返し、目標の成膜結果を実現するための第1の成膜条件を算出する第1の最適化工程と、
前記成膜装置による成膜処理をモデル化した非線形回帰モデルであって、予測した成膜結果の信頼区間を算出可能な該非線形回帰モデルに成膜条件を入力することで、該非線形回帰モデルより予測された成膜結果が所定の条件を満たすまで、入力する成膜条件を調整する処理を繰り返し、前記目標の成膜結果を実現するための第2の成膜条件を算出する第2の最適化工程と、
前記第2の成膜条件が算出された際に予測された成膜結果の信頼区間が、
所定の条件を満たさないと判定した場合、前記第1の成膜条件を選択して出力し、
所定の条件を満たすと判定した場合、前記第1の成膜条件が算出された際の第1の成膜結果と、前記目標の成膜結果との差分である第1の差分と、前記第2の成膜条件が算出された際の第2の成膜結果と、前記目標の成膜結果との差分である第2の差分とを比較し、
前記第1の差分が前記第2の差分より小さい場合、前記第1の成膜条件を選択して出力し、
前記第1の差分が前記第2の差分と同じか前記第2の差分より大きい場合、前記第2の成膜条件を選択して出力する選択工程と
を有する成膜条件出力方法。 - 成膜装置による成膜処理をモデル化した線形モデルに成膜条件を入力することで、該線形モデルより予測された成膜結果が所定の条件を満たすまで、入力する成膜条件を調整する処理を繰り返し、目標の成膜結果を実現するための第1の成膜条件を算出する第1の最適化工程と、
前記成膜装置による成膜処理をモデル化した非線形回帰モデルであって、予測した成膜結果の信頼区間を算出可能な該非線形回帰モデルに成膜条件を入力することで、該非線形回帰モデルより予測された成膜結果が所定の条件を満たすまで、入力する成膜条件を調整する処理を繰り返し、前記目標の成膜結果を実現するための第2の成膜条件を算出する第2の最適化工程と、
前記第2の成膜条件が算出された際に予測された成膜結果の信頼区間が、
所定の条件を満たさないと判定した場合、前記第1の成膜条件を選択して出力し、
所定の条件を満たすと判定した場合、前記第1の成膜条件が算出された際の第1の成膜結果と、前記目標の成膜結果との差分である第1の差分と、前記第2の成膜条件が算出された際の第2の成膜結果と、前記目標の成膜結果との差分である第2の差分とを比較し、
前記第1の差分が前記第2の差分より小さい場合、前記第1の成膜条件を選択して出力し、
前記第1の差分が前記第2の差分と同じか前記第2の差分より大きい場合、前記第2の成膜条件を選択して出力する選択工程と
をコンピュータに実行させるための成膜条件出力プログラム。 - 請求項4に記載の成膜条件出力プログラムが組み込まれた記憶部を有する成膜装置。
Priority Applications (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020131867A JP7500330B2 (ja) | 2020-08-03 | 2020-08-03 | 成膜条件出力装置、成膜条件出力方法、成膜条件出力プログラム及び成膜装置 |
US17/380,253 US20220037134A1 (en) | 2020-08-03 | 2021-07-20 | Deposition-condition output device, method for outputting deposition condition, recording medium and depositon apparatus |
TW110126707A TWI854140B (zh) | 2020-08-03 | 2021-07-21 | 沉積條件輸出裝置、沉積條件輸出方法、記錄媒體及沉積設備 |
KR1020210095755A KR20220016778A (ko) | 2020-08-03 | 2021-07-21 | 성막 조건 출력 장치, 성막 조건 출력 방법, 성막 조건 출력 프로그램 및 성막 장치 |
CN202110826264.2A CN114067930A (zh) | 2020-08-03 | 2021-07-21 | 成膜条件输出装置、输出方法、输出程序以及成膜装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020131867A JP7500330B2 (ja) | 2020-08-03 | 2020-08-03 | 成膜条件出力装置、成膜条件出力方法、成膜条件出力プログラム及び成膜装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2022028457A JP2022028457A (ja) | 2022-02-16 |
JP7500330B2 true JP7500330B2 (ja) | 2024-06-17 |
Family
ID=80004611
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020131867A Active JP7500330B2 (ja) | 2020-08-03 | 2020-08-03 | 成膜条件出力装置、成膜条件出力方法、成膜条件出力プログラム及び成膜装置 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20220037134A1 (ja) |
JP (1) | JP7500330B2 (ja) |
KR (1) | KR20220016778A (ja) |
CN (1) | CN114067930A (ja) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003166066A (ja) | 2001-11-30 | 2003-06-13 | Tokyo Electron Ltd | 成膜制御装置、成膜装置、成膜方法、膜厚流量係数算出方法、およびプログラム |
US20070244575A1 (en) | 2006-04-13 | 2007-10-18 | Fisher-Rosemount Systems, Inc. | Robust process model identification in model based control techniques |
US20180356807A1 (en) | 2017-06-13 | 2018-12-13 | Streammosaic, Inc. | Generating robust machine learning predictions for semiconductor manufacturing processes |
US20200051235A1 (en) | 2018-08-10 | 2020-02-13 | Micron Technology, Inc. | System for predicting properties of structures, imager system, and related methods |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9286582B2 (en) * | 2009-06-22 | 2016-03-15 | Johnson Controls Technology Company | Systems and methods for detecting changes in energy usage in a building |
-
2020
- 2020-08-03 JP JP2020131867A patent/JP7500330B2/ja active Active
-
2021
- 2021-07-20 US US17/380,253 patent/US20220037134A1/en active Pending
- 2021-07-21 KR KR1020210095755A patent/KR20220016778A/ko unknown
- 2021-07-21 CN CN202110826264.2A patent/CN114067930A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003166066A (ja) | 2001-11-30 | 2003-06-13 | Tokyo Electron Ltd | 成膜制御装置、成膜装置、成膜方法、膜厚流量係数算出方法、およびプログラム |
US20070244575A1 (en) | 2006-04-13 | 2007-10-18 | Fisher-Rosemount Systems, Inc. | Robust process model identification in model based control techniques |
JP2007287153A (ja) | 2006-04-13 | 2007-11-01 | Fisher Rosemount Syst Inc | モデルベース制御技法におけるロバストなプロセスモデルの同定方法及びシステム |
US20180356807A1 (en) | 2017-06-13 | 2018-12-13 | Streammosaic, Inc. | Generating robust machine learning predictions for semiconductor manufacturing processes |
US20200051235A1 (en) | 2018-08-10 | 2020-02-13 | Micron Technology, Inc. | System for predicting properties of structures, imager system, and related methods |
Also Published As
Publication number | Publication date |
---|---|
JP2022028457A (ja) | 2022-02-16 |
US20220037134A1 (en) | 2022-02-03 |
TW202212621A (zh) | 2022-04-01 |
CN114067930A (zh) | 2022-02-18 |
KR20220016778A (ko) | 2022-02-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US12045723B2 (en) | Neural network method and apparatus | |
CN108959728B (zh) | 基于深度学习的射频器件参数优化方法 | |
US10592776B2 (en) | Generating multimodal image edits for a digital image | |
US20190332933A1 (en) | Optimization of model generation in deep learning neural networks using smarter gradient descent calibration | |
US20200334557A1 (en) | Chained influence scores for improving synthetic data generation | |
JP6919770B2 (ja) | パラメータ探索方法、パラメータ探索装置、及びパラメータ探索用プログラム | |
US20220058477A1 (en) | Hyperparameter Transfer Via the Theory of Infinite-Width Neural Networks | |
CN111684541B (zh) | 信息处理装置、程序产品、工艺处理执行装置及信息处理系统 | |
WO2021148407A1 (en) | Training machine learning models | |
WO2021105313A1 (en) | Parallelised training of machine learning models | |
JP2021086371A (ja) | 学習プログラム、学習方法および学習装置 | |
Bhattacharjee et al. | Improved look-ahead approaches for nearest neighbor synthesis of 1D quantum circuits | |
JP7500330B2 (ja) | 成膜条件出力装置、成膜条件出力方法、成膜条件出力プログラム及び成膜装置 | |
US11429861B1 (en) | Device storing multiple sets of parameters for machine-trained network | |
Zhang et al. | A quantized training framework for robust and accurate reram-based neural network accelerators | |
US11922287B2 (en) | Video recommendation with multi-gate mixture of experts soft actor critic | |
US20230068381A1 (en) | Method and electronic device for quantizing dnn model | |
CN114830137A (zh) | 用于生成预测模型的方法和系统 | |
WO2022215559A1 (ja) | ハイブリッドモデル作成方法、ハイブリッドモデル作成装置、及び、プログラム | |
Cai et al. | NeurFill: Migrating full-chip CMP simulators to neural networks for model-based dummy filling synthesis | |
TWI854140B (zh) | 沉積條件輸出裝置、沉積條件輸出方法、記錄媒體及沉積設備 | |
KR20230028995A (ko) | 결함 예측 방법 및 장치 | |
Doss | Concave regression: value-constrained estimation and likelihood ratio-based inference | |
US20240210925A1 (en) | Method and apparatus with operational control dependent on multiple processes | |
US12093816B1 (en) | Initialization of values for training a neural network with quantized weights |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230405 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20231228 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20240109 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240130 |
|
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: 20240507 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240605 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7500330 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |