JPH05190458A - 学習予測・指示機能付半導体製造装置 - Google Patents
学習予測・指示機能付半導体製造装置Info
- Publication number
- JPH05190458A JPH05190458A JP8010192A JP8010192A JPH05190458A JP H05190458 A JPH05190458 A JP H05190458A JP 8010192 A JP8010192 A JP 8010192A JP 8010192 A JP8010192 A JP 8010192A JP H05190458 A JPH05190458 A JP H05190458A
- Authority
- JP
- Japan
- Prior art keywords
- film
- data
- quality data
- neural network
- flow rate
- 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.)
- Pending
Links
Abstract
(57)【要約】
【目的】ＥＣＲプラズマＣＶＤ法で成膜する半導体製造
装置等ではガスの種類，流量等の成膜パラメータ（成膜
条件）とこれによる成膜結果を評価した屈折率，残留応
力等の膜質データとの相関関係が明確でなく、目的とす
る膜を得る成膜条件の決定のため経験と勘による試行錯
誤が繰返されていることを改善する。 【構成】最適成膜条件検索指示手段１Ｂは、過去の成膜
結果における成膜パラメータと膜質データとを学習し
て、入力した新たな成膜パラメータから予測される膜質
データを出力する膜質予測システム用ニューラルネット
ワーク５１−２へ各種の成膜パラメータの組合せを入力
して、これに対応する各種の膜質データを予測出力さ
せ、この出力膜質データのうち、要求膜質データに最も
近い膜質データに対応する入力成膜パラメータ（最適成
膜条件）を検索し指示出力させる。
装置等ではガスの種類，流量等の成膜パラメータ（成膜
条件）とこれによる成膜結果を評価した屈折率，残留応
力等の膜質データとの相関関係が明確でなく、目的とす
る膜を得る成膜条件の決定のため経験と勘による試行錯
誤が繰返されていることを改善する。 【構成】最適成膜条件検索指示手段１Ｂは、過去の成膜
結果における成膜パラメータと膜質データとを学習し
て、入力した新たな成膜パラメータから予測される膜質
データを出力する膜質予測システム用ニューラルネット
ワーク５１−２へ各種の成膜パラメータの組合せを入力
して、これに対応する各種の膜質データを予測出力さ
せ、この出力膜質データのうち、要求膜質データに最も
近い膜質データに対応する入力成膜パラメータ（最適成
膜条件）を検索し指示出力させる。
Description
【０００１】
【産業上の利用分野】本発明はＣＶＤ（化学気相成長）
法を用いて成膜を行う半導体製造装置であって、学習に
より膜質データの予測や成膜パラメータの指示を行う機
能を備えた学習予測・指示機能付半導体製造装置に関す
る。なお以下各図において同一の符号は同一もしくは相
当部分を示す。
法を用いて成膜を行う半導体製造装置であって、学習に
より膜質データの予測や成膜パラメータの指示を行う機
能を備えた学習予測・指示機能付半導体製造装置に関す
る。なお以下各図において同一の符号は同一もしくは相
当部分を示す。
【０００２】
【従来の技術】シリコン系半導体デバイスの作成方法と
してＣＶＤ（化学気相成長）法がある。これは、シリコ
ン基板（以下ウェハという）を真空雰囲気中に置き、そ
の表面に材料ガスを流し込み、ウェハ表面上での化学反
応により膜を成長させていく方法である。この時に、熱
・プラズマ・光（レーザ）等のエネルギを利用して化学
反応を促進させる方法が何種類もある。これらのＣＶＤ
により生成した膜には、屈折率・応力・成膜速度・エッ
チング速度等の評価項目があり、これらの評価項目をす
べて満たして初めて製品の成膜に使用できるようにな
る。
してＣＶＤ（化学気相成長）法がある。これは、シリコ
ン基板（以下ウェハという）を真空雰囲気中に置き、そ
の表面に材料ガスを流し込み、ウェハ表面上での化学反
応により膜を成長させていく方法である。この時に、熱
・プラズマ・光（レーザ）等のエネルギを利用して化学
反応を促進させる方法が何種類もある。これらのＣＶＤ
により生成した膜には、屈折率・応力・成膜速度・エッ
チング速度等の評価項目があり、これらの評価項目をす
べて満たして初めて製品の成膜に使用できるようにな
る。
【０００３】
【発明が解決しようとする課題】しかし、各ＣＶＤにお
ける成膜プロセスの反応過程（原理）は充分に解析され
ておらず、多くの成膜パラメータ（つまりガス組成・ガ
ス流量・圧力・プラズマＣＶＤの例ではプラズマ制御パ
ラメータなどの成膜条件項目）と多くの評価項目との相
関関係は判っていない。そのため、目的とする膜を生成
する条件（成膜パラメータ）を捜すことは容易ではな
く、経験と勘により試行錯誤を繰り返して、１つの成膜
プロセスを完成するのに多大な時間をかけているのが実
情である。
ける成膜プロセスの反応過程（原理）は充分に解析され
ておらず、多くの成膜パラメータ（つまりガス組成・ガ
ス流量・圧力・プラズマＣＶＤの例ではプラズマ制御パ
ラメータなどの成膜条件項目）と多くの評価項目との相
関関係は判っていない。そのため、目的とする膜を生成
する条件（成膜パラメータ）を捜すことは容易ではな
く、経験と勘により試行錯誤を繰り返して、１つの成膜
プロセスを完成するのに多大な時間をかけているのが実
情である。
【０００４】そこで本発明は上記の成膜パラメータと膜
質との相関関係がハッキリしていない成膜プロセスを、
人間の脳を工学的にモデル化したニューラルネットワー
クに学習させることにより、試行錯誤せずにプロセス最
適化を導き、プロセス完成時間を大幅に短縮することが
できる学習予測・指示機能付半導体製造装置を提供する
ことを課題としている。
質との相関関係がハッキリしていない成膜プロセスを、
人間の脳を工学的にモデル化したニューラルネットワー
クに学習させることにより、試行錯誤せずにプロセス最
適化を導き、プロセス完成時間を大幅に短縮することが
できる学習予測・指示機能付半導体製造装置を提供する
ことを課題としている。
【０００５】
【課題を解決するための手段】前記の課題を解決するた
めに、成膜用ガスの種類および流量並びにこの種類およ
び流量の組合せ，成膜温度，圧力，プラズマ条件などの
条件項目を成膜パラメータ（２２など）として成膜し、
その成膜結果が膜の硬さ，残留応力，屈折率，エッチン
グ速度，膜厚およびこの膜厚の均一性などの評価項目か
らなる膜質データ（２３など）によって評価される半導
体製造装置において、請求項１の半導体装置は前記成膜
パラメータを入力とし前記膜質データを出力とする１又
は複数のニューラルネットワーク（５１−２など）を備
え、（成膜条件指示・膜質予測手段１Ａなどを介し）予
め、過去の成膜結果についての前記成膜パラメータを入
力データ（４５Ｂなど）、その時の前記膜質データを教
師データ（４５Ｃなど）として前記ニューラルネットワ
ークに学習を行わせ、この学習済の前記ニューラルネッ
トワークにこれから成膜するための前記成膜パラメータ
を入力することにより、このニューラルネットワークか
らその成膜パラメータで成膜した結果の膜質データを予
測出力させるようにする。
めに、成膜用ガスの種類および流量並びにこの種類およ
び流量の組合せ，成膜温度，圧力，プラズマ条件などの
条件項目を成膜パラメータ（２２など）として成膜し、
その成膜結果が膜の硬さ，残留応力，屈折率，エッチン
グ速度，膜厚およびこの膜厚の均一性などの評価項目か
らなる膜質データ（２３など）によって評価される半導
体製造装置において、請求項１の半導体装置は前記成膜
パラメータを入力とし前記膜質データを出力とする１又
は複数のニューラルネットワーク（５１−２など）を備
え、（成膜条件指示・膜質予測手段１Ａなどを介し）予
め、過去の成膜結果についての前記成膜パラメータを入
力データ（４５Ｂなど）、その時の前記膜質データを教
師データ（４５Ｃなど）として前記ニューラルネットワ
ークに学習を行わせ、この学習済の前記ニューラルネッ
トワークにこれから成膜するための前記成膜パラメータ
を入力することにより、このニューラルネットワークか
らその成膜パラメータで成膜した結果の膜質データを予
測出力させるようにする。
【０００６】また請求項２の半導体製造装置は前記膜質
データを入力とし、前記成膜パラメータを出力とする１
つまたは複数のニューラルネットワーク（５１−１な
ど）を備え、（成膜条件指示・膜質予測手段１Ａなどを
介し）予め、過去の成膜結果についての前記膜質データ
を入力データ（４５Ｂなど）、その時の成膜パラメータ
を教師データ（４５Ｃなど）として前記ニューラルネッ
トワークに学習を行わせ、この学習済の前記ニューラル
ネットワークに必要な前記膜質データを入力することに
より、このニューラルネットワークからこの膜質データ
を得る成膜を行うための前記成膜パラメータを指示出力
させるようにする。
データを入力とし、前記成膜パラメータを出力とする１
つまたは複数のニューラルネットワーク（５１−１な
ど）を備え、（成膜条件指示・膜質予測手段１Ａなどを
介し）予め、過去の成膜結果についての前記膜質データ
を入力データ（４５Ｂなど）、その時の成膜パラメータ
を教師データ（４５Ｃなど）として前記ニューラルネッ
トワークに学習を行わせ、この学習済の前記ニューラル
ネットワークに必要な前記膜質データを入力することに
より、このニューラルネットワークからこの膜質データ
を得る成膜を行うための前記成膜パラメータを指示出力
させるようにする。
【０００７】また請求項３の半導体装置は前記成膜パラ
メータを入力とし前記膜質データを出力とする１又は複
数のニューラルネットワーク（５１−２など）を備え、
予め、過去の成膜結果についての前記成膜パラメータを
入力データ（４５Ｂなど）、その時の前記膜質データを
教師データ（４５Ｃなど）として前記ニューラルネット
ワークに学習を行わせ、（最適成膜条件検索指示手段１
Ｂなどを介し）この学習済の前記ニューラルネットワー
クにこれから成膜するための各種の前記成膜パラメータ
を入力することにより、このニューラルネットワークか
らこの夫々の成膜パラメータで成膜した結果の各種の膜
質データを予測出力させ、この予測出力された膜質デー
タのうち要求膜質データに最も近い膜質データに対応す
る前記成膜パラメータ（最適成膜パラメータ４５ＢＭな
ど）を検索し指示出力させるようにする。
メータを入力とし前記膜質データを出力とする１又は複
数のニューラルネットワーク（５１−２など）を備え、
予め、過去の成膜結果についての前記成膜パラメータを
入力データ（４５Ｂなど）、その時の前記膜質データを
教師データ（４５Ｃなど）として前記ニューラルネット
ワークに学習を行わせ、（最適成膜条件検索指示手段１
Ｂなどを介し）この学習済の前記ニューラルネットワー
クにこれから成膜するための各種の前記成膜パラメータ
を入力することにより、このニューラルネットワークか
らこの夫々の成膜パラメータで成膜した結果の各種の膜
質データを予測出力させ、この予測出力された膜質デー
タのうち要求膜質データに最も近い膜質データに対応す
る前記成膜パラメータ（最適成膜パラメータ４５ＢＭな
ど）を検索し指示出力させるようにする。
【０００８】
【作用】半導体製造装置を制御するコンピュータにおい
て、成膜パラメータとその成膜結果を評価したデータと
を格納する手段を設け、またこのコンピュータあるいは
それに接続可能な別の補助コンピュータまたは上記コン
ピュータで格納したデータを読み取れる別のコンピュー
タ上にニューラルネットワークを持たせ、格納している
成膜パラメータと膜質データとをそのニューラルネット
ワークに入力するために０以上１以下の値に正規化する
手段、この正規化したデータをニューラルネットワーク
に学習させる手段、ニューラルネットワークからの出力
を人間が理解できる絶対値に変換する手段、更には、オ
ペレータ（ユーザ）とニューラルネットワークとの会話
をするためのデータ入力と表示機能をコンピュータに持
たせることによって、半導体製造装置を制御するのに必
要な成膜パラメータの入力に対して、実際に成膜せずに
膜質を予測出力することを可能とする（請求項１）。
て、成膜パラメータとその成膜結果を評価したデータと
を格納する手段を設け、またこのコンピュータあるいは
それに接続可能な別の補助コンピュータまたは上記コン
ピュータで格納したデータを読み取れる別のコンピュー
タ上にニューラルネットワークを持たせ、格納している
成膜パラメータと膜質データとをそのニューラルネット
ワークに入力するために０以上１以下の値に正規化する
手段、この正規化したデータをニューラルネットワーク
に学習させる手段、ニューラルネットワークからの出力
を人間が理解できる絶対値に変換する手段、更には、オ
ペレータ（ユーザ）とニューラルネットワークとの会話
をするためのデータ入力と表示機能をコンピュータに持
たせることによって、半導体製造装置を制御するのに必
要な成膜パラメータの入力に対して、実際に成膜せずに
膜質を予測出力することを可能とする（請求項１）。
【０００９】また、逆にユーザが欲する膜質の入力に対
して、その膜質を実現するための成膜パラメータを指示
出力することを可能とする（請求項２）。また各種の成
膜パラメータの入力によってこれに夫々対応する各種の
予測膜質を出力させ、この予測膜質のうちユーザが欲す
る膜質に最も近い膜質に対応する成膜パラメータを検索
し指示出力することを可能とする（請求項３）。
して、その膜質を実現するための成膜パラメータを指示
出力することを可能とする（請求項２）。また各種の成
膜パラメータの入力によってこれに夫々対応する各種の
予測膜質を出力させ、この予測膜質のうちユーザが欲す
る膜質に最も近い膜質に対応する成膜パラメータを検索
し指示出力することを可能とする（請求項３）。
【００１０】
【実施例】まず、図１ないし図９を参照して請求項１お
よび請求項２に関わる発明の実施例を説明する。図１は
本発明の一実施例としてのニューラルネットワークを用
いた成膜パラメータ指示システム及び膜質予測システム
を備えてなるＥＣＲプラズマＣＶＤ方式の半導体製造装
置のシステム構成図である（なおＥＣＲは電子サイクロ
トロン共鳴、ＣＶＤは化学的気相成長法の略記であ
る）。
よび請求項２に関わる発明の実施例を説明する。図１は
本発明の一実施例としてのニューラルネットワークを用
いた成膜パラメータ指示システム及び膜質予測システム
を備えてなるＥＣＲプラズマＣＶＤ方式の半導体製造装
置のシステム構成図である（なおＥＣＲは電子サイクロ
トロン共鳴、ＣＶＤは化学的気相成長法の略記であ
る）。
【００１１】図１において、１は成膜パラメータ指示シ
ステム及び膜質予測システムを実行するコンピュータで
あり、このコンピュータ１にはキーボード２，ＣＲＴ
３，補助記憶装置４，半導体製造装置７が接続されてい
る。補助記憶装置４内には過去の成膜結果を記録した成
膜データ４Ａと、成膜データ４Ａを学習させたニューラ
ルネットワークの各種データを記録したネットワークデ
ータ４Ｂとが格納されている。
ステム及び膜質予測システムを実行するコンピュータで
あり、このコンピュータ１にはキーボード２，ＣＲＴ
３，補助記憶装置４，半導体製造装置７が接続されてい
る。補助記憶装置４内には過去の成膜結果を記録した成
膜データ４Ａと、成膜データ４Ａを学習させたニューラ
ルネットワークの各種データを記録したネットワークデ
ータ４Ｂとが格納されている。
【００１２】また、コンピュータ１内にはニューラルネ
ットワークの学習及び認識を高速に行うためのハードウ
ェアとしてのニューラルネットワークボード５が組み込
まれている。またコンピュータ１内の成膜条件指示・膜
質予測手段１Ａおよび半導体製造装置制御手段６はこの
コンピュータ１の機能の一部を分担すると見做したとき
の主要な部分機能部（ソフトウェア）である。
ットワークの学習及び認識を高速に行うためのハードウ
ェアとしてのニューラルネットワークボード５が組み込
まれている。またコンピュータ１内の成膜条件指示・膜
質予測手段１Ａおよび半導体製造装置制御手段６はこの
コンピュータ１の機能の一部を分担すると見做したとき
の主要な部分機能部（ソフトウェア）である。
【００１３】ここで成膜条件指示・膜質予測手段１Ａ
は、成膜データ４Ａを学習させたニューラルネットワー
クを用いてなる成膜パラメータ指示システムを介しオペ
レータにより入力された膜質データに対してこれを実現
するための適切な成膜パラメータデータを出力し、また
同じく膜質予測システムを介しオペレータにより入力さ
れた成膜パラメータによって実現し得ると予測される膜
質データを出力する。
は、成膜データ４Ａを学習させたニューラルネットワー
クを用いてなる成膜パラメータ指示システムを介しオペ
レータにより入力された膜質データに対してこれを実現
するための適切な成膜パラメータデータを出力し、また
同じく膜質予測システムを介しオペレータにより入力さ
れた成膜パラメータによって実現し得ると予測される膜
質データを出力する。
【００１４】また半導体製造装置制御手段６は前記のよ
うに出力された成膜パラメータデータ等を用いて半導体
製造装置７を制御し成膜を実行する。図２はＥＣＲプラ
ズマＣＶＤ装置におけるシリコン窒化膜（ＳｉＮ膜）の
成膜データ４Ａの構造を示す。図２において、成膜デー
タ４Ａはシリコン基板の番号２１ごとに、成膜パラメー
タデータ２２と膜質データ２３との組み合わせからなる
データが過去に成膜した分だけ配列されて構成されてい
る。即ち各成膜データは固有の基板番号２１で区別さ
れ、基板番号２１により一義的に成膜データが検索でき
るようになっている。
うに出力された成膜パラメータデータ等を用いて半導体
製造装置７を制御し成膜を実行する。図２はＥＣＲプラ
ズマＣＶＤ装置におけるシリコン窒化膜（ＳｉＮ膜）の
成膜データ４Ａの構造を示す。図２において、成膜デー
タ４Ａはシリコン基板の番号２１ごとに、成膜パラメー
タデータ２２と膜質データ２３との組み合わせからなる
データが過去に成膜した分だけ配列されて構成されてい
る。即ち各成膜データは固有の基板番号２１で区別さ
れ、基板番号２１により一義的に成膜データが検索でき
るようになっている。
【００１５】成膜パラメータデータ２２はＥＣＲプラズ
マＣＶＤ装置の制御可能な ・窒素（Ｎ２）ガス流量２２Ａ、 ・シラン（ＳｉＨ４）ガス流量２２Ｂ、 ・反応室圧力２２Ｃ、 ・マイクロ波電力２２Ｄ、 ・ソレノイドコイル電流２２Ｅ ・成膜時間２２Ｆ ・基板印加交流電力２２Ｇ の７項目より構成されている。
マＣＶＤ装置の制御可能な ・窒素（Ｎ２）ガス流量２２Ａ、 ・シラン（ＳｉＨ４）ガス流量２２Ｂ、 ・反応室圧力２２Ｃ、 ・マイクロ波電力２２Ｄ、 ・ソレノイドコイル電流２２Ｅ ・成膜時間２２Ｆ ・基板印加交流電力２２Ｇ の７項目より構成されている。
【００１６】膜質データ２３は成膜パラメータデータ２
２の条件で成膜されたシリコン窒化膜の各種膜質評価結
果であり、 ・成膜速度２３Ａ ・面内膜厚分布２３Ｂ ・膜硬度２３Ｃ ・屈折率２３Ｄ ・残留応力２３Ｅ ・エッチング速度２３Ｆ の６項目より構成されている。
２の条件で成膜されたシリコン窒化膜の各種膜質評価結
果であり、 ・成膜速度２３Ａ ・面内膜厚分布２３Ｂ ・膜硬度２３Ｃ ・屈折率２３Ｄ ・残留応力２３Ｅ ・エッチング速度２３Ｆ の６項目より構成されている。
【００１７】成膜パラメータ指示システム及び膜質予測
システムでは、過去の成膜結果である成膜データ４Ａの
中から選択したデータを一定学習回数だけ学習させたニ
ューラルネットワークを用いているが、ニューラルネッ
トワークに学習させる学習パタン（ここで学習パタンと
はニューラルネットワークの入力側に呈示する入力パタ
ンと出力側に呈示する教師パタンの組み合わせである）
を構成するデータの値は０以上１以下に制限されている
ため、成膜パラメータデータ２２と膜質データ２３を０
以上１以下に規格化した学習パタンをニューラルネット
ワークに学習させている。
システムでは、過去の成膜結果である成膜データ４Ａの
中から選択したデータを一定学習回数だけ学習させたニ
ューラルネットワークを用いているが、ニューラルネッ
トワークに学習させる学習パタン（ここで学習パタンと
はニューラルネットワークの入力側に呈示する入力パタ
ンと出力側に呈示する教師パタンの組み合わせである）
を構成するデータの値は０以上１以下に制限されている
ため、成膜パラメータデータ２２と膜質データ２３を０
以上１以下に規格化した学習パタンをニューラルネット
ワークに学習させている。
【００１８】図３は過去の成膜結果である成膜データ４
Ａからニューラルネットワークに学習させる学習パタン
を作成する流れを示す。図３において、成膜パラメータ
指示システムで用いるニューラルネットワーク５１−１
の学習パタン４５は膜質データ２３を規格化方法Ｎ２３
で規格化した規格化後膜質データＹ２３を入力パタン
に、成膜パラメータデータ２２を規格化方法Ｎ２２で規
格した規格化後成膜パラメータデータＹ２２を教師パタ
ンにしている。
Ａからニューラルネットワークに学習させる学習パタン
を作成する流れを示す。図３において、成膜パラメータ
指示システムで用いるニューラルネットワーク５１−１
の学習パタン４５は膜質データ２３を規格化方法Ｎ２３
で規格化した規格化後膜質データＹ２３を入力パタン
に、成膜パラメータデータ２２を規格化方法Ｎ２２で規
格した規格化後成膜パラメータデータＹ２２を教師パタ
ンにしている。
【００１９】一方、膜質予測システムで用いるニューラ
ルネットワーク５１−２の学習パタン４５は規格化後成
膜パラメータデータＹ２２を入力パタンに、規格化後膜
質データＹ２３を教師パタンにしている。ここで、膜質
データ用規格化方法Ｎ２３では膜質データ２３の各項目
（２３Ａから２３Ｆ）に対して各々異なる方法で各項目
の取り得る最小値を０に、最大値を１に規格化した規格
化後膜質データＹ２３を作成する。例えば学習させる屈
折率２３Ｄが１以上３以下の範囲にあれば、屈折率に対
しては膜質データ用規格化方法Ｎ２３では１を引いて２
で割るといった規格化を行う。
ルネットワーク５１−２の学習パタン４５は規格化後成
膜パラメータデータＹ２２を入力パタンに、規格化後膜
質データＹ２３を教師パタンにしている。ここで、膜質
データ用規格化方法Ｎ２３では膜質データ２３の各項目
（２３Ａから２３Ｆ）に対して各々異なる方法で各項目
の取り得る最小値を０に、最大値を１に規格化した規格
化後膜質データＹ２３を作成する。例えば学習させる屈
折率２３Ｄが１以上３以下の範囲にあれば、屈折率に対
しては膜質データ用規格化方法Ｎ２３では１を引いて２
で割るといった規格化を行う。
【００２０】また成膜パラメータ用規格化方法Ｎ２２で
は成膜パラメータデータ２２の各項目（２２Ａから２２
Ｇ）に対して各々異なる方法で各項目の取り得る最小値
を０に、最大値を１に規格化した規格化後成膜パラメー
タデータＹ２２を作成する。次に、図３に示す流れで作
成した学習パタンをニューラルネットワークに学習させ
る。この学習では、全ての学習パタンにおいて入力パタ
ンに対するニューラルネットワークの出力と教師パタン
との差（誤差という）ができる限り小さくなるように、
しきい値や重みを調整する。
は成膜パラメータデータ２２の各項目（２２Ａから２２
Ｇ）に対して各々異なる方法で各項目の取り得る最小値
を０に、最大値を１に規格化した規格化後成膜パラメー
タデータＹ２２を作成する。次に、図３に示す流れで作
成した学習パタンをニューラルネットワークに学習させ
る。この学習では、全ての学習パタンにおいて入力パタ
ンに対するニューラルネットワークの出力と教師パタン
との差（誤差という）ができる限り小さくなるように、
しきい値や重みを調整する。
【００２１】ここでしきい値とはニューラルネットワー
クを構成する各ニューロンの入出力特性を表すパラメー
タであり、重みとはニューロン間の結合の強さを表すパ
ラメータである。ニューラルネットワークの学習はその
出力と教師パタンとの差がある基準値以下になるか、あ
るいは一定学習回数だけ行う。学習によって得られたし
きい値や重みは学習したニューラルネットワーク毎にネ
ットワークファイル４１としてネットワークデータ４Ｂ
内に記録しておく。
クを構成する各ニューロンの入出力特性を表すパラメー
タであり、重みとはニューロン間の結合の強さを表すパ
ラメータである。ニューラルネットワークの学習はその
出力と教師パタンとの差がある基準値以下になるか、あ
るいは一定学習回数だけ行う。学習によって得られたし
きい値や重みは学習したニューラルネットワーク毎にネ
ットワークファイル４１としてネットワークデータ４Ｂ
内に記録しておく。
【００２２】図４はネットワークファイル４１の構造を
示す。図４において、ネットワークファイル４１はニュ
ーラルネットワークの構造を示す層数及び各層のニュー
ロン数を定義したネットワーク構造４２、学習によって
得られたしきい値４３、重み４４、学習に用いた複数の
学習パタン４５で構成されている。学習パタン４５は基
板番号２１，入力パタン４５Ｂ，教師パタン４５Ｃで構
成されている。基板番号２１は成膜データ４Ａの基板番
号と共通になっており、成膜データ４Ａのうち、どのデ
ータをニューラルネットワークに学習させたか分かるよ
うになっている。
示す。図４において、ネットワークファイル４１はニュ
ーラルネットワークの構造を示す層数及び各層のニュー
ロン数を定義したネットワーク構造４２、学習によって
得られたしきい値４３、重み４４、学習に用いた複数の
学習パタン４５で構成されている。学習パタン４５は基
板番号２１，入力パタン４５Ｂ，教師パタン４５Ｃで構
成されている。基板番号２１は成膜データ４Ａの基板番
号と共通になっており、成膜データ４Ａのうち、どのデ
ータをニューラルネットワークに学習させたか分かるよ
うになっている。
【００２３】入力パタン４５Ｂは成膜パラメータ指示シ
ステムで用いるニューラルネットワーク５１−１では規
格化後膜質データＹ２３となり、膜質予測システムで用
いるニューラルネットワーク５１−２では規格化後成膜
パラメータデータＹ２２となる。また、教師パタン４５
Ｃは成膜パラメータ指示システムで用いるニューラルネ
ットワーク５１−１では規格化後成膜パラメータデータ
Ｙ２２となり、膜質予測システムで用いるニューラルネ
ットワーク５１−２では規格化後膜質データＹ２３とな
る。
ステムで用いるニューラルネットワーク５１−１では規
格化後膜質データＹ２３となり、膜質予測システムで用
いるニューラルネットワーク５１−２では規格化後成膜
パラメータデータＹ２２となる。また、教師パタン４５
Ｃは成膜パラメータ指示システムで用いるニューラルネ
ットワーク５１−１では規格化後成膜パラメータデータ
Ｙ２２となり、膜質予測システムで用いるニューラルネ
ットワーク５１−２では規格化後膜質データＹ２３とな
る。
【００２４】次に請求項１に関わる発明の具体的実施例
を以下に説明する。図５は図２で述べた成膜パラメータ
データ２２中の膜質を決定する主要な条件項目である窒
素ガス流量２２Ａ，シランガス流量２２Ｂ，基板印加交
流電力２２Ｇから、同じく図２で述べた膜質データ２３
中の主要な膜質評価項目である屈折率２３Ｄ，残留応力
２３Ｅ，エッチング速度２３Ｆを予測する膜質予測シス
テムで用いるニューラルネットワークの構成及びニュー
ラルネットワークに呈示する学習パタンの作成の流れを
示す。
を以下に説明する。図５は図２で述べた成膜パラメータ
データ２２中の膜質を決定する主要な条件項目である窒
素ガス流量２２Ａ，シランガス流量２２Ｂ，基板印加交
流電力２２Ｇから、同じく図２で述べた膜質データ２３
中の主要な膜質評価項目である屈折率２３Ｄ，残留応力
２３Ｅ，エッチング速度２３Ｆを予測する膜質予測シス
テムで用いるニューラルネットワークの構成及びニュー
ラルネットワークに呈示する学習パタンの作成の流れを
示す。
【００２５】図５において膜質予測システム用ニューラ
ルネットワーク５１−２の構造は入力層５２，中間層５
３，出力層５４の３層構造であり、この各層５２，５
３，５４のニューロンはそれぞれ３個，８個，３個であ
る。本発明におけるＥＣＲプラズマＣＶＤ装置には、図
２で述べたように７項目の制御可能な成膜パラメータが
あり、この場合、ニューラルネットワーク５１−２に学
習させるデータには成膜データ４Ａから窒素ガス流量２
２Ａ，シランガス流量２２Ｂ，基板印加交流電力２２Ｇ
以外の成膜パラメータデータが夫々全て同一である成膜
データ４Ａを取り出して作成した成膜データファイル４
ＡＦを用いる。
ルネットワーク５１−２の構造は入力層５２，中間層５
３，出力層５４の３層構造であり、この各層５２，５
３，５４のニューロンはそれぞれ３個，８個，３個であ
る。本発明におけるＥＣＲプラズマＣＶＤ装置には、図
２で述べたように７項目の制御可能な成膜パラメータが
あり、この場合、ニューラルネットワーク５１−２に学
習させるデータには成膜データ４Ａから窒素ガス流量２
２Ａ，シランガス流量２２Ｂ，基板印加交流電力２２Ｇ
以外の成膜パラメータデータが夫々全て同一である成膜
データ４Ａを取り出して作成した成膜データファイル４
ＡＦを用いる。
【００２６】即ちこの例における成膜データファイル４
ＡＦは、成膜パラメータデータである窒素ガス流量２２
Ａ，シランガス流量２２Ｂ，基板印加交流電力２２Ｇ
と、これに対応する膜質データである屈折率２３Ｄ，残
留応力２３Ｅ，エッチング速度２３Ｆとからなる成膜デ
ータ４Ａ（１組分）が複数（ｎ）組集まったものとして
構成される。
ＡＦは、成膜パラメータデータである窒素ガス流量２２
Ａ，シランガス流量２２Ｂ，基板印加交流電力２２Ｇ
と、これに対応する膜質データである屈折率２３Ｄ，残
留応力２３Ｅ，エッチング速度２３Ｆとからなる成膜デ
ータ４Ａ（１組分）が複数（ｎ）組集まったものとして
構成される。
【００２７】ここで、成膜データファイル４ＡＦ内に窒
素ガス流量２２Ａ，シランガス流量２２Ｂ，基板印加交
流電力２２Ｃが夫々全て同一値である成膜データ４Ａが
存在すれば、その中から１件のみを選択して学習パタン
にする（何となれば同一の入力パタンに対して、複数の
異なる教師パタンを学習させることはできないからであ
る）。
素ガス流量２２Ａ，シランガス流量２２Ｂ，基板印加交
流電力２２Ｃが夫々全て同一値である成膜データ４Ａが
存在すれば、その中から１件のみを選択して学習パタン
にする（何となれば同一の入力パタンに対して、複数の
異なる教師パタンを学習させることはできないからであ
る）。
【００２８】次にこの成膜データファイル４ＡＦ中の３
項目の成膜パラメータデータおよび３項目の膜質データ
を夫々規格化方法Ｎで規格化して作成した学習パタン４
５をニューラルネットワーク５１−２に学習させる。学
習パタン４５は入力パタン４５Ｂとなる窒素ガス流量Ｙ
２２Ａ，シランガス流量Ｙ２２Ｂ，基板印加交流電力Ｙ
２２Ｇと、教師パタン４５Ｃとなる屈折率Ｙ２３Ｄ，残
留応力Ｙ２３Ｅ，エッチング速度Ｙ２３Ｆで構成され
る。
項目の成膜パラメータデータおよび３項目の膜質データ
を夫々規格化方法Ｎで規格化して作成した学習パタン４
５をニューラルネットワーク５１−２に学習させる。学
習パタン４５は入力パタン４５Ｂとなる窒素ガス流量Ｙ
２２Ａ，シランガス流量Ｙ２２Ｂ，基板印加交流電力Ｙ
２２Ｇと、教師パタン４５Ｃとなる屈折率Ｙ２３Ｄ，残
留応力Ｙ２３Ｅ，エッチング速度Ｙ２３Ｆで構成され
る。
【００２９】規格化は窒素ガス流量２２Ａ，シランガス
流量２２Ｂ，基板印加交流電力２２Ｇ，屈折率２３Ｄ，
残留応力２３Ｅ，エッチング速度２３Ｆに対してそれぞ
れ規格化方法ＮとしてのＮ２Ａ，Ｎ２Ｂ，Ｎ２Ｇ，Ｎ３
Ｄ，Ｎ３Ｅ，Ｎ３Ｆを用いる。この規格化方法Ｎ２Ａ，
Ｎ２Ｂ，Ｎ２Ｇ，Ｎ３Ｄ，Ｎ３Ｅ，Ｎ３Ｆはそれぞれ Ｙ２２Ａ＝ｆN2A （２２Ａ）（規格化方法Ｎ２Ａ） Ｙ２２Ｂ＝ｆN2B （２２Ｂ）（規格化方法Ｎ２Ｂ） Ｙ２２Ｇ＝ｆN2G （２２Ｇ）（規格化方法Ｎ２Ｇ） Ｙ２３Ｄ＝ｆN3D （２３Ｄ）（規格化方法Ｎ３Ｄ） Ｙ２３Ｅ＝ｆN3E （２３Ｅ）（規格化方法Ｎ３Ｅ） Ｙ２３Ｆ＝ｆN3F （２３Ｆ）（規格化方法Ｎ３Ｆ） で表すことができ、ここでｆN2A 〜ｆN3F は夫々入力値
の最小値から最大値までの値を０から１までの値に変換
して出力する所定の関数である。
流量２２Ｂ，基板印加交流電力２２Ｇ，屈折率２３Ｄ，
残留応力２３Ｅ，エッチング速度２３Ｆに対してそれぞ
れ規格化方法ＮとしてのＮ２Ａ，Ｎ２Ｂ，Ｎ２Ｇ，Ｎ３
Ｄ，Ｎ３Ｅ，Ｎ３Ｆを用いる。この規格化方法Ｎ２Ａ，
Ｎ２Ｂ，Ｎ２Ｇ，Ｎ３Ｄ，Ｎ３Ｅ，Ｎ３Ｆはそれぞれ Ｙ２２Ａ＝ｆN2A （２２Ａ）（規格化方法Ｎ２Ａ） Ｙ２２Ｂ＝ｆN2B （２２Ｂ）（規格化方法Ｎ２Ｂ） Ｙ２２Ｇ＝ｆN2G （２２Ｇ）（規格化方法Ｎ２Ｇ） Ｙ２３Ｄ＝ｆN3D （２３Ｄ）（規格化方法Ｎ３Ｄ） Ｙ２３Ｅ＝ｆN3E （２３Ｅ）（規格化方法Ｎ３Ｅ） Ｙ２３Ｆ＝ｆN3F （２３Ｆ）（規格化方法Ｎ３Ｆ） で表すことができ、ここでｆN2A 〜ｆN3F は夫々入力値
の最小値から最大値までの値を０から１までの値に変換
して出力する所定の関数である。
【００３０】即ち関数ｆN2A ，ｆN2B ，ｆN2G ，
ｆN3D ，ｆN3E ，ｆN3F はそれぞれ成膜データファイル
４ＡＦに記録されている窒素ガス流量２２Ａ，シランガ
ス流量２２Ｂ，基板印加交流電力２２Ｇ，屈折率２３
Ｄ，残留応力２３Ｅ，エッチング速度２３Ｆの値を入力
のうえ、それぞれ変換値Ｙ２２Ａ，Ｙ２２Ｂ，Ｙ２２
Ｇ，Ｙ２３Ｄ，Ｙ２３Ｅ，Ｙ２３Ｆを出力する。この値
はそれぞれニューラルネットワーク５１−２に提示する
窒素ガス流量，シランガス流量，基板印加交流電力，屈
折率，残留応力，エッチング速度の値である。
ｆN3D ，ｆN3E ，ｆN3F はそれぞれ成膜データファイル
４ＡＦに記録されている窒素ガス流量２２Ａ，シランガ
ス流量２２Ｂ，基板印加交流電力２２Ｇ，屈折率２３
Ｄ，残留応力２３Ｅ，エッチング速度２３Ｆの値を入力
のうえ、それぞれ変換値Ｙ２２Ａ，Ｙ２２Ｂ，Ｙ２２
Ｇ，Ｙ２３Ｄ，Ｙ２３Ｅ，Ｙ２３Ｆを出力する。この値
はそれぞれニューラルネットワーク５１−２に提示する
窒素ガス流量，シランガス流量，基板印加交流電力，屈
折率，残留応力，エッチング速度の値である。
【００３１】ニューラルネットワーク５１−２には、入
力パタンデータＹ２２Ａ，Ｙ２２Ｂ，Ｙ２２Ｇをそれぞ
れ入力ニューロン５２Ａ，５２Ｂ，５２Ｃに呈示し、教
師パタンＹ２３Ｄ，Ｙ２３Ｅ，Ｙ２３Ｆをそれぞれ出力
ニューロン５４Ａ，５４Ｂ，５４Ｃに呈示して学習させ
る。学習を行うことにより、膜質予測システム用ニュー
ラルネットワーク５１−２は入力ニューロン５２Ａ，５
２Ｂ，５２Ｃにそれぞれ規格化方法Ｎ２Ａ，Ｎ２Ｂ，Ｎ
２Ｇで規格化した窒素ガス流量Ｙ２２Ａ，シランガス流
量Ｙ２２Ｂ，基板印加交流電力Ｙ２２Ｇを入力すれば、
出力ニューロン５４Ａ，５４Ｂ，５４Ｃからそれぞれ予
測される屈折率，残留応力，エッチング速度の規格化さ
れた値（後述のＯ２３Ｄ，Ｏ２３Ｅ，Ｏ２３Ｆ）を出力
するようになる。
力パタンデータＹ２２Ａ，Ｙ２２Ｂ，Ｙ２２Ｇをそれぞ
れ入力ニューロン５２Ａ，５２Ｂ，５２Ｃに呈示し、教
師パタンＹ２３Ｄ，Ｙ２３Ｅ，Ｙ２３Ｆをそれぞれ出力
ニューロン５４Ａ，５４Ｂ，５４Ｃに呈示して学習させ
る。学習を行うことにより、膜質予測システム用ニュー
ラルネットワーク５１−２は入力ニューロン５２Ａ，５
２Ｂ，５２Ｃにそれぞれ規格化方法Ｎ２Ａ，Ｎ２Ｂ，Ｎ
２Ｇで規格化した窒素ガス流量Ｙ２２Ａ，シランガス流
量Ｙ２２Ｂ，基板印加交流電力Ｙ２２Ｇを入力すれば、
出力ニューロン５４Ａ，５４Ｂ，５４Ｃからそれぞれ予
測される屈折率，残留応力，エッチング速度の規格化さ
れた値（後述のＯ２３Ｄ，Ｏ２３Ｅ，Ｏ２３Ｆ）を出力
するようになる。
【００３２】次に、膜質予測システムに用いるニューラ
ルネットワーク５１−２の学習の流れを図６を用いて説
明する。ニューラルネットワーク５１−２の学習には、
図５で述べた成膜データファイル４ＡＦの複数（ｎ）組
の成膜データ、即ち成膜データ４Ａのうち学習パタン採
用条件を満たす全て（つまり前記ｎ組）の成膜データを
用いる。
ルネットワーク５１−２の学習の流れを図６を用いて説
明する。ニューラルネットワーク５１−２の学習には、
図５で述べた成膜データファイル４ＡＦの複数（ｎ）組
の成膜データ、即ち成膜データ４Ａのうち学習パタン採
用条件を満たす全て（つまり前記ｎ組）の成膜データを
用いる。
【００３３】ニューラルネットワーク５１−２には、学
習させるｎ組の成膜データ４Ａを規格化方法Ｎ２Ａから
Ｎ２Ｆで規格化して作成した複数（ｎ）組の学習パタン
４５（学習パタン４５（１）から学習パタン４５
（ｎ））を学習させる。学習はニューラルネットワーク
５１−２の重み４４としきい値４３に乱数を与えて初期
化してから開始する。そしてまず、入力ニューロン５２
Ａ，５２Ｂ，５２Ｃにそれぞれ学習パタン４５（１）の
入力パタン４５Ｂ（１）としてのＹ２２Ａ（１），Ｙ２
２Ｂ（１），Ｙ２２Ｇ（１）を入力し、出力ニューロン
５４Ａ，５４Ｂ，５４Ｃからそれぞれ出力パタン４５Ｏ
（１）としてのＯ２３Ｄ（１），Ｏ２３Ｅ（１），Ｏ２
３Ｆ（１）を得る。
習させるｎ組の成膜データ４Ａを規格化方法Ｎ２Ａから
Ｎ２Ｆで規格化して作成した複数（ｎ）組の学習パタン
４５（学習パタン４５（１）から学習パタン４５
（ｎ））を学習させる。学習はニューラルネットワーク
５１−２の重み４４としきい値４３に乱数を与えて初期
化してから開始する。そしてまず、入力ニューロン５２
Ａ，５２Ｂ，５２Ｃにそれぞれ学習パタン４５（１）の
入力パタン４５Ｂ（１）としてのＹ２２Ａ（１），Ｙ２
２Ｂ（１），Ｙ２２Ｇ（１）を入力し、出力ニューロン
５４Ａ，５４Ｂ，５４Ｃからそれぞれ出力パタン４５Ｏ
（１）としてのＯ２３Ｄ（１），Ｏ２３Ｅ（１），Ｏ２
３Ｆ（１）を得る。
【００３４】次に、学習パタン４５（１）に対するこの
出力パタンＯ２３Ｄ（１），Ｏ２３Ｅ（１），Ｏ２３Ｆ
（１）と教師パタン４５Ｃ（１）としてのＹ２３Ｄ
（１），Ｙ２３Ｅ（１），Ｙ２３Ｆ（１）から、誤差４
５Ｅ（１）としての屈折率誤差Ｅ２３Ｄ（１），残留応
力誤差Ｅ２３Ｅ（１），エッチング速度誤差Ｅ２３Ｆ
（１）を求める。この誤差Ｅ２３Ｄ（１），Ｅ２３Ｅ
（１），Ｅ２３Ｆ（１）はそれぞれ、 Ｅ２３Ｄ（１）＝Ｏ２３Ｄ（１）−Ｙ２３Ｄ（１）…
（学習パタン４５（１）に対する屈折率誤差）、 Ｅ２３Ｅ（１）＝Ｏ２３Ｅ（１）−Ｙ２３Ｅ（１）…
（学習パタン４５（１）に対する残留応力誤差）、 Ｅ２３Ｆ（１）＝Ｏ２３Ｆ（１）−Ｙ２３Ｆ（１）…
（学習パタン４５（１）に対するエッチング速度誤
差）、 で求められる。
出力パタンＯ２３Ｄ（１），Ｏ２３Ｅ（１），Ｏ２３Ｆ
（１）と教師パタン４５Ｃ（１）としてのＹ２３Ｄ
（１），Ｙ２３Ｅ（１），Ｙ２３Ｆ（１）から、誤差４
５Ｅ（１）としての屈折率誤差Ｅ２３Ｄ（１），残留応
力誤差Ｅ２３Ｅ（１），エッチング速度誤差Ｅ２３Ｆ
（１）を求める。この誤差Ｅ２３Ｄ（１），Ｅ２３Ｅ
（１），Ｅ２３Ｆ（１）はそれぞれ、 Ｅ２３Ｄ（１）＝Ｏ２３Ｄ（１）−Ｙ２３Ｄ（１）…
（学習パタン４５（１）に対する屈折率誤差）、 Ｅ２３Ｅ（１）＝Ｏ２３Ｅ（１）−Ｙ２３Ｅ（１）…
（学習パタン４５（１）に対する残留応力誤差）、 Ｅ２３Ｆ（１）＝Ｏ２３Ｆ（１）−Ｙ２３Ｆ（１）…
（学習パタン４５（１）に対するエッチング速度誤
差）、 で求められる。
【００３５】そして、Ｅ２３Ｄ（１），Ｅ２３Ｅ
（１），Ｅ２３Ｆ（１）の２乗和Ｅｓｑｒ（１）を下記
のように求める。即ち、 Ｅｓｑｒ（１）＝Ｅ２３Ｄ（１）2 ＋Ｅ２３Ｅ（１）2
＋Ｅ２３Ｆ（１）2 …（学習パタン４５（１）に対する
誤差２乗和）。 このようにして学習パタン４５（１）の誤差２乗和Ｅｓ
ｑｒ（１）を求めたら、学習パタン４５（２）から学習
パタン４５（ｎ）に対しても、夫々の誤差２乗和（Ｅｓ
ｑｒ（２）からＥｓｑｒ（ｎ））を求める。
（１），Ｅ２３Ｆ（１）の２乗和Ｅｓｑｒ（１）を下記
のように求める。即ち、 Ｅｓｑｒ（１）＝Ｅ２３Ｄ（１）2 ＋Ｅ２３Ｅ（１）2
＋Ｅ２３Ｆ（１）2 …（学習パタン４５（１）に対する
誤差２乗和）。 このようにして学習パタン４５（１）の誤差２乗和Ｅｓ
ｑｒ（１）を求めたら、学習パタン４５（２）から学習
パタン４５（ｎ）に対しても、夫々の誤差２乗和（Ｅｓ
ｑｒ（２）からＥｓｑｒ（ｎ））を求める。
【００３６】このように学習パタン４５（１）から学習
パタン４５（ｎ）の誤差２乗和を求めたら、誤差２乗和
の総和ＴＥｓｑｒを下記のように求める。即ち、 ＴＥｓｑｒ＝ j=1Σn Ｅｓｑｒ（ｊ） こうして誤差２乗和の総和ＴＥｓｑｒを求めたら、誤差
２乗和の総和ＴＥｓｑｒが減少するように、ニューラル
ネットワーク５１−２の重みとしきい値の調整量を求め
て調整する。
パタン４５（ｎ）の誤差２乗和を求めたら、誤差２乗和
の総和ＴＥｓｑｒを下記のように求める。即ち、 ＴＥｓｑｒ＝ j=1Σn Ｅｓｑｒ（ｊ） こうして誤差２乗和の総和ＴＥｓｑｒを求めたら、誤差
２乗和の総和ＴＥｓｑｒが減少するように、ニューラル
ネットワーク５１−２の重みとしきい値の調整量を求め
て調整する。
【００３７】以上、全ての学習パタンの呈示から重みと
しきい値の調整までが１回の学習であり、請求項１で用
いるニューラルネットワーク５１−２では５００００回
学習させている。また、全ての学習パタン（学習パタン
４５（１）から学習パタン４５（ｎ））に対する屈折率
誤差（Ｅ２３Ｄ（１）からＥ２３Ｄ（ｎ））、残留応力
誤差（Ｅ２３Ｅ（１）からＥ２３Ｅ（ｎ））、エッチン
グ速度誤差（Ｅ２３Ｆ（１）からＥ２３Ｆ（ｎ））の全
てが０．０１以下になれば学習を終了している。
しきい値の調整までが１回の学習であり、請求項１で用
いるニューラルネットワーク５１−２では５００００回
学習させている。また、全ての学習パタン（学習パタン
４５（１）から学習パタン４５（ｎ））に対する屈折率
誤差（Ｅ２３Ｄ（１）からＥ２３Ｄ（ｎ））、残留応力
誤差（Ｅ２３Ｅ（１）からＥ２３Ｅ（ｎ））、エッチン
グ速度誤差（Ｅ２３Ｆ（１）からＥ２３Ｆ（ｎ））の全
てが０．０１以下になれば学習を終了している。
【００３８】次に、学習を行った膜質予測システム用ニ
ューラルネットワーク５１−２を用いて窒素ガス流量，
シランガス流量，基板印加交流電力から、屈折率，残留
応力，エッチング速度を予測する膜質予測システムを図
７を用いて説明する。このシステムは成膜パラメータデ
ータ２２の入力受け取り部６１，入力データ判定部６
２，入力パタン規格化部６３，認識部６４，出力パタン
変換部６５，予測膜質値表示部６６から構成されてい
る。
ューラルネットワーク５１−２を用いて窒素ガス流量，
シランガス流量，基板印加交流電力から、屈折率，残留
応力，エッチング速度を予測する膜質予測システムを図
７を用いて説明する。このシステムは成膜パラメータデ
ータ２２の入力受け取り部６１，入力データ判定部６
２，入力パタン規格化部６３，認識部６４，出力パタン
変換部６５，予測膜質値表示部６６から構成されてい
る。
【００３９】入力受け取り部６１では、オペレータより
指示された成膜パラメータデータ２２を受け取る。成膜
パラメータデータ２７は窒素ガス流量２２Ａ，シランガ
ス流量２２Ｂ，基板印加交流電力２２Ｇで構成されてい
る。入力データ判定部６２では、受け取った成膜パラメ
ータデータ２２、即ち窒素ガス流量２２Ａ，シランガス
流量２２Ｂ，基板印加交流電力２２Ｇがそれぞれ本シス
テムの有効範囲内であるかを判定する。そしてこの成膜
パラメータデータの各項目が有効範囲内にあれば次の入
力パタン規格化部６３に進み、他方、１項目でも範囲外
のパラメータデータがあれば予測不可能として、本シス
テムを終了する。
指示された成膜パラメータデータ２２を受け取る。成膜
パラメータデータ２７は窒素ガス流量２２Ａ，シランガ
ス流量２２Ｂ，基板印加交流電力２２Ｇで構成されてい
る。入力データ判定部６２では、受け取った成膜パラメ
ータデータ２２、即ち窒素ガス流量２２Ａ，シランガス
流量２２Ｂ，基板印加交流電力２２Ｇがそれぞれ本シス
テムの有効範囲内であるかを判定する。そしてこの成膜
パラメータデータの各項目が有効範囲内にあれば次の入
力パタン規格化部６３に進み、他方、１項目でも範囲外
のパラメータデータがあれば予測不可能として、本シス
テムを終了する。
【００４０】入力パタン規格化部６３では、受け取った
成膜パラメータデータ２２を図５で述べた規格化方法Ｎ
２Ａ（窒素ガス流量の規格化），Ｎ２Ｂ（シランガス流
量の規格化），Ｎ２Ｇ（基板印加交流電力の規格化）を
用いてニューラルネットワーク５１−２の入力パタン４
５Ｂを作成する。入力パタン４５Ｂは規格化後窒素ガス
流量Ｙ２２Ａ，規格化後シランガス流量Ｙ２２Ｂ，規格
化後基板印加交流電力Ｙ２２Ｇで構成される。
成膜パラメータデータ２２を図５で述べた規格化方法Ｎ
２Ａ（窒素ガス流量の規格化），Ｎ２Ｂ（シランガス流
量の規格化），Ｎ２Ｇ（基板印加交流電力の規格化）を
用いてニューラルネットワーク５１−２の入力パタン４
５Ｂを作成する。入力パタン４５Ｂは規格化後窒素ガス
流量Ｙ２２Ａ，規格化後シランガス流量Ｙ２２Ｂ，規格
化後基板印加交流電力Ｙ２２Ｇで構成される。
【００４１】認識部６４では、入力パタン４５Ｂをニュ
ーラルネットワーク５１−２に入力し出力パタン４５Ｏ
を得る。この場合出力パタン４５Ｏは変換前屈折率Ｏ２
３Ｄ，変換前残留応力Ｏ２３Ｅ，変換前エッチング速度
Ｏ２３Ｆで構成される。出力パタン変換部６５では、変
換前屈折率Ｏ２３Ｄ，変換前残留応力Ｏ２３Ｅ，変換前
エッチング速度Ｏ２３Ｆのそれぞれに対して変換方法６
５Ｄ，６５Ｅ，６５Ｆを用いて予測膜質値Ｑ２３を求め
る。予測膜質値Ｑ２３は予測屈折率Ｑ２３Ｄ，予測残留
応力Ｑ２３Ｅ，予測エッチング速度Ｑ２３Ｆで構成され
る。
ーラルネットワーク５１−２に入力し出力パタン４５Ｏ
を得る。この場合出力パタン４５Ｏは変換前屈折率Ｏ２
３Ｄ，変換前残留応力Ｏ２３Ｅ，変換前エッチング速度
Ｏ２３Ｆで構成される。出力パタン変換部６５では、変
換前屈折率Ｏ２３Ｄ，変換前残留応力Ｏ２３Ｅ，変換前
エッチング速度Ｏ２３Ｆのそれぞれに対して変換方法６
５Ｄ，６５Ｅ，６５Ｆを用いて予測膜質値Ｑ２３を求め
る。予測膜質値Ｑ２３は予測屈折率Ｑ２３Ｄ，予測残留
応力Ｑ２３Ｅ，予測エッチング速度Ｑ２３Ｆで構成され
る。
【００４２】変換方法６５Ｄ，６５Ｅ，６５Ｆはそれぞ
れ前述の規格化方法Ｎ３Ｄ（屈折率の規格化），Ｎ３Ｅ
（残留応力の規格化），Ｎ３Ｆ（エッチング速度の規格
化）とは逆の変換であり、 Ｑ２３Ｄ＝ｆ-1 N3D （Ｏ２３Ｄ）（変換方法６５Ｄ） Ｑ２３Ｅ＝ｆ-1 N3E （Ｏ２３Ｅ）（変換方法６５Ｅ） Ｑ２３Ｆ＝ｆ-1 N3F （Ｏ２３Ｆ）（変換方法６５Ｆ） となる。
れ前述の規格化方法Ｎ３Ｄ（屈折率の規格化），Ｎ３Ｅ
（残留応力の規格化），Ｎ３Ｆ（エッチング速度の規格
化）とは逆の変換であり、 Ｑ２３Ｄ＝ｆ-1 N3D （Ｏ２３Ｄ）（変換方法６５Ｄ） Ｑ２３Ｅ＝ｆ-1 N3E （Ｏ２３Ｅ）（変換方法６５Ｅ） Ｑ２３Ｆ＝ｆ-1 N3F （Ｏ２３Ｆ）（変換方法６５Ｆ） となる。
【００４３】即ち逆変換の関数ｆ-1 N3D,ｆ-1 N3E,ｆ-1
N3F はそれぞれこのニューラルネットワーク５１−２の
出力値としてのそれぞれ変換前屈折率Ｏ２３Ｄ, 変換前
残留応力Ｏ２３Ｅ, 変換前エッチング速度Ｏ２３Ｆを入
力のうえ、逆変換値としての予測屈折率Ｑ２３Ｄ，予測
残留応力Ｑ２３Ｅ，予測エッチング速度Ｑ２３Ｆを出力
する。
N3F はそれぞれこのニューラルネットワーク５１−２の
出力値としてのそれぞれ変換前屈折率Ｏ２３Ｄ, 変換前
残留応力Ｏ２３Ｅ, 変換前エッチング速度Ｏ２３Ｆを入
力のうえ、逆変換値としての予測屈折率Ｑ２３Ｄ，予測
残留応力Ｑ２３Ｅ，予測エッチング速度Ｑ２３Ｆを出力
する。
【００４４】予測膜質値表示部６６では、この予測膜質
値Ｑ２３である屈折率Ｑ２３Ｄ, 残留応力Ｑ２３Ｅ，エ
ッチング速度Ｑ２３Ｆを表示し、本システムを終了す
る。次に、請求項２に関わる発明の具体的実施例を以下
に説明する。図８は、主要な膜質評価項目である屈折率
２３Ｄ，残留応力２３Ｅ，エッチング速度２３Ｆから、
膜質を決定する主要な成膜パラメータである窒素ガス流
量２２Ａ，シランガス流量２２Ｂ，基板印加交流電力２
２Ｇを指示する成膜パラメータ指示システムで用いるニ
ューラルネットワーク５１−１の構成及びニューラルネ
ットワークに呈示する学習パタンの作成の流れを示す。
値Ｑ２３である屈折率Ｑ２３Ｄ, 残留応力Ｑ２３Ｅ，エ
ッチング速度Ｑ２３Ｆを表示し、本システムを終了す
る。次に、請求項２に関わる発明の具体的実施例を以下
に説明する。図８は、主要な膜質評価項目である屈折率
２３Ｄ，残留応力２３Ｅ，エッチング速度２３Ｆから、
膜質を決定する主要な成膜パラメータである窒素ガス流
量２２Ａ，シランガス流量２２Ｂ，基板印加交流電力２
２Ｇを指示する成膜パラメータ指示システムで用いるニ
ューラルネットワーク５１−１の構成及びニューラルネ
ットワークに呈示する学習パタンの作成の流れを示す。
【００４５】図８においては図５と同じ成膜データファ
イル４ＡＦ，規格化方法５６，学習パターンを用いる。
そしてニューラルネットワーク５１−１の構成もハード
的には図５と全て同様で図５との相異は入力層５２の入
力ニューロン５２Ａ，５２Ｂ，５２Ｃに入力パターン４
５Ｂとして、夫々規格化後の屈折率Ｙ２３Ｄ，残留応力
Ｙ２３Ｅ，エッチング速度Ｙ２３Ｆを呈示し、また出力
層５４の出力ニューロン５４Ａ，５４Ｂ，５４Ｃに教師
パターン４５Ｃとして夫々規格化後の窒素ガス流量Ｙ２
２Ａ，シランガス流量Ｙ２２Ｂ，基板印加交流電力Ｙ２
２Ｇを呈示して学習を行わせる点である。
イル４ＡＦ，規格化方法５６，学習パターンを用いる。
そしてニューラルネットワーク５１−１の構成もハード
的には図５と全て同様で図５との相異は入力層５２の入
力ニューロン５２Ａ，５２Ｂ，５２Ｃに入力パターン４
５Ｂとして、夫々規格化後の屈折率Ｙ２３Ｄ，残留応力
Ｙ２３Ｅ，エッチング速度Ｙ２３Ｆを呈示し、また出力
層５４の出力ニューロン５４Ａ，５４Ｂ，５４Ｃに教師
パターン４５Ｃとして夫々規格化後の窒素ガス流量Ｙ２
２Ａ，シランガス流量Ｙ２２Ｂ，基板印加交流電力Ｙ２
２Ｇを呈示して学習を行わせる点である。
【００４６】以後の学習の手順も図６の場合と同様であ
り、この学習を行うことによりニューラルネットワーク
５１−１は、入力ニューロン５２Ａ，５２Ｂ，５２Ｃに
それぞれ規格化方法Ｎ３Ｄ，Ｎ３Ｅ，Ｎ３Ｆで規格化し
た屈折率Ｙ２３Ｄ，残留応力Ｙ２３Ｅ，エッチング速度
Ｙ２３Ｆを入力すれば、出力ニューロン５４Ａ，５４
Ｂ，５４Ｃからそれぞれ予測される窒素ガス流量，シラ
ンガス流量，基板印加交流電力の規格化された値（後述
のＯ２２Ａ，Ｏ２２Ｂ，Ｏ２２Ｇ）を出力するようにな
る。
り、この学習を行うことによりニューラルネットワーク
５１−１は、入力ニューロン５２Ａ，５２Ｂ，５２Ｃに
それぞれ規格化方法Ｎ３Ｄ，Ｎ３Ｅ，Ｎ３Ｆで規格化し
た屈折率Ｙ２３Ｄ，残留応力Ｙ２３Ｅ，エッチング速度
Ｙ２３Ｆを入力すれば、出力ニューロン５４Ａ，５４
Ｂ，５４Ｃからそれぞれ予測される窒素ガス流量，シラ
ンガス流量，基板印加交流電力の規格化された値（後述
のＯ２２Ａ，Ｏ２２Ｂ，Ｏ２２Ｇ）を出力するようにな
る。
【００４７】次に、学習を行ったニューラルネットワー
ク５１−１を用いて要求される屈折率，残留応力，エッ
チング速度から適切な窒素ガス流量，シランガス流量，
基板印加交流電力を指示する成膜パラメータ指示システ
ムを図９を用いて説明する。このシステムは要求膜質デ
ータ入力受け取り部８１，入力データ判定部８２，入力
パタン規格化部８３，認識部８４，出力パタン変換部８
５，成膜パラメータ表示部８６から構成されている。
ク５１−１を用いて要求される屈折率，残留応力，エッ
チング速度から適切な窒素ガス流量，シランガス流量，
基板印加交流電力を指示する成膜パラメータ指示システ
ムを図９を用いて説明する。このシステムは要求膜質デ
ータ入力受け取り部８１，入力データ判定部８２，入力
パタン規格化部８３，認識部８４，出力パタン変換部８
５，成膜パラメータ表示部８６から構成されている。
【００４８】入力受け取り部８１では、オペレータより
指示された膜質データ２３を受け取る。膜質データ２３
は屈折率２３Ｄ，残留応力２３Ｅ，エッチング速度２３
Ｆで構成されている。入力データ判定部８２では、受け
取った膜質データ２３の各項目が本システムの有効な範
囲内であるかを判定する。すなわち、入力された屈折率
２３Ｄ，残留応力２３Ｅ，エッチング速度２３Ｆがそれ
ぞれ有効範囲内にあれば次の入力パタン規格化部８３に
進み、１項目でも範囲外のデータがあれば予測不可能と
して、本システムを終了する。
指示された膜質データ２３を受け取る。膜質データ２３
は屈折率２３Ｄ，残留応力２３Ｅ，エッチング速度２３
Ｆで構成されている。入力データ判定部８２では、受け
取った膜質データ２３の各項目が本システムの有効な範
囲内であるかを判定する。すなわち、入力された屈折率
２３Ｄ，残留応力２３Ｅ，エッチング速度２３Ｆがそれ
ぞれ有効範囲内にあれば次の入力パタン規格化部８３に
進み、１項目でも範囲外のデータがあれば予測不可能と
して、本システムを終了する。
【００４９】入力パタン規格化部８３では、受け取った
膜質データ８７を規格化方法Ｎ３Ｄ（屈折率の規格
化），Ｎ３Ｅ（残留応力の規格化），Ｎ３Ｆ（エッチン
グ速度の規格化）を用いてニューラルネットワーク５１
−１の入力パタン４５Ｂを作成する。入力パタン４５Ｂ
は規格化後屈折率Ｙ２３Ｄ，規格化後残留応力Ｙ２３
Ｅ，規格化後エッチング速度Ｙ２３Ｆで構成される。
膜質データ８７を規格化方法Ｎ３Ｄ（屈折率の規格
化），Ｎ３Ｅ（残留応力の規格化），Ｎ３Ｆ（エッチン
グ速度の規格化）を用いてニューラルネットワーク５１
−１の入力パタン４５Ｂを作成する。入力パタン４５Ｂ
は規格化後屈折率Ｙ２３Ｄ，規格化後残留応力Ｙ２３
Ｅ，規格化後エッチング速度Ｙ２３Ｆで構成される。
【００５０】認識部８４では、入力パタン４５Ｂをニュ
ーラルネットワーク５１−１に入力し出力パタン４５Ｏ
を得る。ここでは出力パタン４５Ｏは変換前窒素ガス流
量Ｏ２２Ａ，変換前シランガス流量Ｏ２２Ｂ，変換前基
板印加交流電力Ｏ２２Ｇで構成される。出力パタン変換
部８５では、それぞれ変換前窒素ガス流量Ｏ２２Ａ，変
換前シランガス流量Ｏ２２Ｂ，変換前基板印加交流電力
Ｏ２２Ｇに対して変換方法８５Ａ，８５Ｂ，８５Ｇを用
いて予測成膜パラメータ値Ｑ２２を求める。予測成膜パ
ラメータ値Ｑ２２は予測窒素ガス流量Ｑ２２Ａ，予測シ
ランガス流量Ｑ２２Ｂ，予測基板印加交流電力Ｑ２２Ｇ
で構成される。
ーラルネットワーク５１−１に入力し出力パタン４５Ｏ
を得る。ここでは出力パタン４５Ｏは変換前窒素ガス流
量Ｏ２２Ａ，変換前シランガス流量Ｏ２２Ｂ，変換前基
板印加交流電力Ｏ２２Ｇで構成される。出力パタン変換
部８５では、それぞれ変換前窒素ガス流量Ｏ２２Ａ，変
換前シランガス流量Ｏ２２Ｂ，変換前基板印加交流電力
Ｏ２２Ｇに対して変換方法８５Ａ，８５Ｂ，８５Ｇを用
いて予測成膜パラメータ値Ｑ２２を求める。予測成膜パ
ラメータ値Ｑ２２は予測窒素ガス流量Ｑ２２Ａ，予測シ
ランガス流量Ｑ２２Ｂ，予測基板印加交流電力Ｑ２２Ｇ
で構成される。
【００５１】変換方法８５Ａ，８５Ｂ，８５Ｇはそれぞ
れ規格化方法Ｎ２Ａ（窒素ガス流量の規格化），Ｎ２Ｂ
（シランガス流量の規格化），Ｎ２Ｇ（基板印加交流電
力の規格化）とは逆の変換であり、 Ｑ２２Ａ＝ｆ-1 N2A （Ｏ２２Ａ）（変換方法８５Ａ） Ｑ２２Ｂ＝ｆ-1 N2B （Ｏ２２Ｂ）（変換方法８５Ｂ） Ｑ２２Ｇ＝ｆ-1 N2G （Ｏ２２Ｇ）（変換方法８５Ｇ） となる。
れ規格化方法Ｎ２Ａ（窒素ガス流量の規格化），Ｎ２Ｂ
（シランガス流量の規格化），Ｎ２Ｇ（基板印加交流電
力の規格化）とは逆の変換であり、 Ｑ２２Ａ＝ｆ-1 N2A （Ｏ２２Ａ）（変換方法８５Ａ） Ｑ２２Ｂ＝ｆ-1 N2B （Ｏ２２Ｂ）（変換方法８５Ｂ） Ｑ２２Ｇ＝ｆ-1 N2G （Ｏ２２Ｇ）（変換方法８５Ｇ） となる。
【００５２】成膜パラメータ表示部８６では、予測成膜
パラメータ値Ｑ２２を構成する窒素ガス流量Ｑ２２Ａ,
シランガス流量Ｑ２２Ｂ, 基板印加交流電力Ｑ２２Ｇを
表示し、本システムを終了する。次に図１０，図１１を
用いて請求項３に関わる発明の実施例を説明する。図１
０は本発明の実施例としてのシステム構成図で、図１に
対応するものである。同図においてコンピュータ１内の
最適成膜条件検索指示手段１Ｂは本発明におけるコンピ
ュータ１の主要な部分機能部（ソフトウェア）である。
また本発明ではニューラルネットワークボードには前記
のように学習させた膜質予測システム用のニューラルネ
ットワーク、即ち規格化成膜パラメータデータとしての
窒素ガス流量Ｙ２２Ａ，シランガス流量Ｙ２２Ｂ，基板
印加交流電力Ｙ２２Ｇの入力に基づいて、予測される規
格化膜質データとしての屈折率Ｏ２３Ｄ，残留応力０２
３Ｅ，エッチング速度Ｏ２３Ｆを出力するニューラルネ
ットワーク５１−２、が格納されている。
パラメータ値Ｑ２２を構成する窒素ガス流量Ｑ２２Ａ,
シランガス流量Ｑ２２Ｂ, 基板印加交流電力Ｑ２２Ｇを
表示し、本システムを終了する。次に図１０，図１１を
用いて請求項３に関わる発明の実施例を説明する。図１
０は本発明の実施例としてのシステム構成図で、図１に
対応するものである。同図においてコンピュータ１内の
最適成膜条件検索指示手段１Ｂは本発明におけるコンピ
ュータ１の主要な部分機能部（ソフトウェア）である。
また本発明ではニューラルネットワークボードには前記
のように学習させた膜質予測システム用のニューラルネ
ットワーク、即ち規格化成膜パラメータデータとしての
窒素ガス流量Ｙ２２Ａ，シランガス流量Ｙ２２Ｂ，基板
印加交流電力Ｙ２２Ｇの入力に基づいて、予測される規
格化膜質データとしての屈折率Ｏ２３Ｄ，残留応力０２
３Ｅ，エッチング速度Ｏ２３Ｆを出力するニューラルネ
ットワーク５１−２、が格納されている。
【００５３】最適成膜条件検索指示手段１Ｂはこのニュ
ーラルネットワーク５１−２を用い、要求される膜質デ
ータ２３としての屈折率，残留応力，エッチング速度か
ら、これを実現する成膜パラメータとしての窒素ガス流
量，シランガス流量，基板印加交流電力を検索によって
求め、指示出力する。図１１はこの最適成膜条件検索指
示手段（最適成膜条件検索指示システムともいう）１Ｂ
の動作説明用のフローチャートである。次に同図を説明
する。
ーラルネットワーク５１−２を用い、要求される膜質デ
ータ２３としての屈折率，残留応力，エッチング速度か
ら、これを実現する成膜パラメータとしての窒素ガス流
量，シランガス流量，基板印加交流電力を検索によって
求め、指示出力する。図１１はこの最適成膜条件検索指
示手段（最適成膜条件検索指示システムともいう）１Ｂ
の動作説明用のフローチャートである。次に同図を説明
する。
【００５４】この図１１は要求膜質データ入力部７１，
入力データ判定部７２，入力データ規格化部７３，成膜
パラメータ検索部７４，最適成膜パラメータ算出部７
５，最適成膜パラメータ表示部７６から構成されてい
る。ここで要求膜質データ入力部７１では、オペレータ
より指示された要求膜質データ２３を受け取る。要求膜
質データ２３は屈折率２３Ｄ，残留応力２３Ｅ，エッチ
ング速度２３Ｆで構成されている。
入力データ判定部７２，入力データ規格化部７３，成膜
パラメータ検索部７４，最適成膜パラメータ算出部７
５，最適成膜パラメータ表示部７６から構成されてい
る。ここで要求膜質データ入力部７１では、オペレータ
より指示された要求膜質データ２３を受け取る。要求膜
質データ２３は屈折率２３Ｄ，残留応力２３Ｅ，エッチ
ング速度２３Ｆで構成されている。
【００５５】入力データ判定部７２では、受け取った要
求膜質データ２３が本手段の処理範囲内であるか否かを
判定する。入力された屈折率２３Ｄ，残留応力２３Ｅ，
エッチング速度２３Ｆの全てが本処理の有効範囲内にあ
れば次の入力データ規格部７３に進み、１項目でも範囲
外のデータがあれば予測不可能として、図１１の手順を
終了する。
求膜質データ２３が本手段の処理範囲内であるか否かを
判定する。入力された屈折率２３Ｄ，残留応力２３Ｅ，
エッチング速度２３Ｆの全てが本処理の有効範囲内にあ
れば次の入力データ規格部７３に進み、１項目でも範囲
外のデータがあれば予測不可能として、図１１の手順を
終了する。
【００５６】入力データ規格化部７３では、受け取った
要求膜質データ２３を規格化方法Ｎ３Ｄ（屈折率），Ｎ
３Ｅ（残留応力），Ｎ３Ｆ（エッチング速度）を用いて
ニューラルネットワーク基準出力パターン４５ＯＳを作
成する。ニューラルネットワーク基準出力パターン４５
ＯＳは、屈折率基準値Ｙ２３ＤＳ，残留応力基準値Ｙ２
３ＥＳ，エッチング速度基準値Ｙ２３ＦＳで構成されて
いる。
要求膜質データ２３を規格化方法Ｎ３Ｄ（屈折率），Ｎ
３Ｅ（残留応力），Ｎ３Ｆ（エッチング速度）を用いて
ニューラルネットワーク基準出力パターン４５ＯＳを作
成する。ニューラルネットワーク基準出力パターン４５
ＯＳは、屈折率基準値Ｙ２３ＤＳ，残留応力基準値Ｙ２
３ＥＳ，エッチング速度基準値Ｙ２３ＦＳで構成されて
いる。
【００５７】成膜パラメータ検索部７４では、ニューラ
ルネットワーク５１−２の入力ニューロン５２Ａ，５２
Ｂ，５２Ｃにそれぞれ０．１毎に０．０から１．０まで
変化させた値を入力して、出力パタン４５Ｏを得る。こ
の入力ニューロン５２Ａ，５２Ｂ，５２Ｃへの変化する
入力値は夫々、前記の入力パタン４５Ｂとしての規格化
窒素ガス流量Ｙ２２Ａ，同シランガス流量Ｙ２２Ｂ，同
基板印加交流電力Ｙ２２Ｇの値に相当する。
ルネットワーク５１−２の入力ニューロン５２Ａ，５２
Ｂ，５２Ｃにそれぞれ０．１毎に０．０から１．０まで
変化させた値を入力して、出力パタン４５Ｏを得る。こ
の入力ニューロン５２Ａ，５２Ｂ，５２Ｃへの変化する
入力値は夫々、前記の入力パタン４５Ｂとしての規格化
窒素ガス流量Ｙ２２Ａ，同シランガス流量Ｙ２２Ｂ，同
基板印加交流電力Ｙ２２Ｇの値に相当する。
【００５８】このときの出力パタン４５Ｏは、予測屈折
率Ｏ２３Ｄ，予測残留応力Ｏ２３Ｅ，予測エッチング速
度Ｏ２３Ｆで構成されている（この場合、ニューラルネ
ットワーク５１−２に入力する入力パタン数は１１×１
１×１１＝１３３１パタンとなる）。この１３３１個の
入力パタンそれぞれに対応する出力パタン４５Ｏとニュ
ーラルネットワーク基準出力パタン４５ＯＳの差の二乗
和Ｅを下式を用いて求める。そしてこの二乗和Ｅが最
も小さくなる入力パタン４５Ｂとしての最適成膜パラメ
ータを示す最適入力パタン４５ＢＭを選択する。入力パ
タン４５Ｂは窒素ガス流量入力パタンＹ２２Ａ，シラン
ガス流量入力パタンＹ２２Ｂ，基板印加交流電力入力パ
タンＹ２２Ｇで構成される。
率Ｏ２３Ｄ，予測残留応力Ｏ２３Ｅ，予測エッチング速
度Ｏ２３Ｆで構成されている（この場合、ニューラルネ
ットワーク５１−２に入力する入力パタン数は１１×１
１×１１＝１３３１パタンとなる）。この１３３１個の
入力パタンそれぞれに対応する出力パタン４５Ｏとニュ
ーラルネットワーク基準出力パタン４５ＯＳの差の二乗
和Ｅを下式を用いて求める。そしてこの二乗和Ｅが最
も小さくなる入力パタン４５Ｂとしての最適成膜パラメ
ータを示す最適入力パタン４５ＢＭを選択する。入力パ
タン４５Ｂは窒素ガス流量入力パタンＹ２２Ａ，シラン
ガス流量入力パタンＹ２２Ｂ，基板印加交流電力入力パ
タンＹ２２Ｇで構成される。
【００５９】 Ｅ＝（Ｙ２３Ｄ−Ｙ２３ＤＳ）2 ＋（Ｙ２３Ｅ−Ｙ２３ＥＳ）2 ＋（Ｙ２３Ｆ −Ｙ２３ＦＳ）2 ……（式） ここでＹ２３Ｄ，Ｙ２３Ｅ，Ｙ２３Ｆはそれぞれニュー
ラルネットワーク５１−２の出力ニューロン５４Ａ，５
４Ｂ，５４Ｃの出力値であり、Ｙ２３ＤＳ，Ｙ２３Ｅ
Ｓ，Ｙ２３ＦＳはそれぞれ前記した屈折率基準値，残留
応力基準値，エッチング速度基準値である。
ラルネットワーク５１−２の出力ニューロン５４Ａ，５
４Ｂ，５４Ｃの出力値であり、Ｙ２３ＤＳ，Ｙ２３Ｅ
Ｓ，Ｙ２３ＦＳはそれぞれ前記した屈折率基準値，残留
応力基準値，エッチング速度基準値である。
【００６０】最適成膜パラメータ算出部７５では、最適
入力パタン（規格化最適成膜パラメータ）４５ＢＭを構
成する夫々規格化された値を持つ最適窒素ガス流量Ｙ２
２ＡＭ，最適シランガス流量Ｙ２２ＢＭ，最適基板印加
交流電力Ｙ２２ＧＭに対してそれぞれ前述の変換方法８
５Ａ，８５Ｂ，８５Ｇを用いて規格化されていない最適
成膜パラメータＭ２２を求める。この最適成膜パラメー
タＭ２２は、最適窒素ガス流量Ｍ２２Ａ，最適シランガ
ス流量Ｍ２２Ｂ，最適基板印加交流電力Ｍ２２Ｇで構成
される。変換方法８５Ａ、８５Ｂ、８５Ｇは前述のよう
にそれぞれ規格化方法Ｎ２Ａ（窒素ガス流量），Ｎ２Ｂ
（シランガス流量），Ｎ２Ｇ（基板印加交流電力）とは
逆の変換であり、 Ｍ２２Ａ＝ｆ-1 N2A （Ｙ２２ＡＭ） （変換方法８５
Ａ） Ｍ２２Ｂ＝ｆ-1 N2B （Ｙ２２ＢＭ） （変換方法８５
Ｂ） Ｍ２２Ｃ＝ｆ-1 N2G （Ｙ２２ＧＭ） （変換方法８５
Ｇ） である。
入力パタン（規格化最適成膜パラメータ）４５ＢＭを構
成する夫々規格化された値を持つ最適窒素ガス流量Ｙ２
２ＡＭ，最適シランガス流量Ｙ２２ＢＭ，最適基板印加
交流電力Ｙ２２ＧＭに対してそれぞれ前述の変換方法８
５Ａ，８５Ｂ，８５Ｇを用いて規格化されていない最適
成膜パラメータＭ２２を求める。この最適成膜パラメー
タＭ２２は、最適窒素ガス流量Ｍ２２Ａ，最適シランガ
ス流量Ｍ２２Ｂ，最適基板印加交流電力Ｍ２２Ｇで構成
される。変換方法８５Ａ、８５Ｂ、８５Ｇは前述のよう
にそれぞれ規格化方法Ｎ２Ａ（窒素ガス流量），Ｎ２Ｂ
（シランガス流量），Ｎ２Ｇ（基板印加交流電力）とは
逆の変換であり、 Ｍ２２Ａ＝ｆ-1 N2A （Ｙ２２ＡＭ） （変換方法８５
Ａ） Ｍ２２Ｂ＝ｆ-1 N2B （Ｙ２２ＢＭ） （変換方法８５
Ｂ） Ｍ２２Ｃ＝ｆ-1 N2G （Ｙ２２ＧＭ） （変換方法８５
Ｇ） である。
【００６１】最適成膜パラメータ表示部７６では、規格
化されていない最適成膜パラメータＭ２２である最適窒
素ガス流量Ｍ２２Ａ，最適シランガス流量Ｍ２２Ｂ，最
適基板印加交流電力Ｍ２２ＧをＣＲＴ３に表示し、図１
１の処理を終了する。
化されていない最適成膜パラメータＭ２２である最適窒
素ガス流量Ｍ２２Ａ，最適シランガス流量Ｍ２２Ｂ，最
適基板印加交流電力Ｍ２２ＧをＣＲＴ３に表示し、図１
１の処理を終了する。
【００６２】
【発明の効果】成膜用ガスの種類および流量並びにこの
種類および流量の組合せ，成膜温度，圧力，プラズマ条
件などの条件項目を成膜パラメータ２２として成膜し、
その成膜結果が膜の硬さ，残留応力，屈折率，エッチン
グ速度，膜厚およびこの膜厚の均一性などの評価項目か
らなる膜質データ２３によって評価される半導体製造装
置において、請求項１の発明によれば、前記成膜パラメ
ータを入力とし前記膜質データを出力とする１又は複数
のニューラルネットワーク５１−２を備え、予め、過去
の成膜結果についての前記成膜パラメータを入力データ
４５Ｂ、その時の前記膜質データを教師データ４５Ｃと
して前記ニューラルネットワーク５１−２に学習を行わ
せ、この学習済の前記ニューラルネットワーク５１−２
にこれから成膜するための前記成膜パラメータ２２を入
力することにより、このニューラルネットワークからそ
の成膜パラメータで成膜した結果の膜質データ２３を予
測出力させるようにしたので、半導体製造装置を用いて
実際に成膜を行わなくとも、任意の成膜パラメータに対
して得られる膜の膜質を予測することができ、また、成
膜パラメータの変更による膜質の変化の様子（膜質の成
膜パラメータ依存性）を推定することができる。その結
果、実際に成膜し、成膜した膜を評価し、膜質を得るこ
とと同等の作業を、コンピュータ上で短時間のうちに実
現できるようになるため、半導体製造装置のプロセス開
発の短縮化、低コスト化が期待できる。また請求項２の
発明によれば、前記膜質データを入力とし、前記成膜パ
ラメータを出力とする１つまたは複数のニューラルネッ
トワーク５１−１を備え、予め、過去の成膜結果につい
ての前記膜質データを入力データ４５Ｂ、その時の成膜
パラメータを教師データ４５Ｃとして前記ニューラルネ
ットワーク５１−１に学習を行わせ、この学習済のニュ
ーラルネットワーク５１−１に必要な前記膜質データ２
３を入力することにより、このニューラルネットワーク
からこの膜質データを得る成膜を行うための成膜パラメ
ータ２２を指示出力させるようにしたので、半導体製造
装置を用いて、各種成膜パラメータを調整して、実際に
成膜を行い、所望の膜質に対する最適な成膜パラメータ
を捜し出すことと同等の作業を、所望の膜質を指示する
ことにより、コンピュータ上で短時間のうちに実現でき
るようになるため、半導体製造装置プロセス開発の短縮
化、低コスト化が期待できる。
種類および流量の組合せ，成膜温度，圧力，プラズマ条
件などの条件項目を成膜パラメータ２２として成膜し、
その成膜結果が膜の硬さ，残留応力，屈折率，エッチン
グ速度，膜厚およびこの膜厚の均一性などの評価項目か
らなる膜質データ２３によって評価される半導体製造装
置において、請求項１の発明によれば、前記成膜パラメ
ータを入力とし前記膜質データを出力とする１又は複数
のニューラルネットワーク５１−２を備え、予め、過去
の成膜結果についての前記成膜パラメータを入力データ
４５Ｂ、その時の前記膜質データを教師データ４５Ｃと
して前記ニューラルネットワーク５１−２に学習を行わ
せ、この学習済の前記ニューラルネットワーク５１−２
にこれから成膜するための前記成膜パラメータ２２を入
力することにより、このニューラルネットワークからそ
の成膜パラメータで成膜した結果の膜質データ２３を予
測出力させるようにしたので、半導体製造装置を用いて
実際に成膜を行わなくとも、任意の成膜パラメータに対
して得られる膜の膜質を予測することができ、また、成
膜パラメータの変更による膜質の変化の様子（膜質の成
膜パラメータ依存性）を推定することができる。その結
果、実際に成膜し、成膜した膜を評価し、膜質を得るこ
とと同等の作業を、コンピュータ上で短時間のうちに実
現できるようになるため、半導体製造装置のプロセス開
発の短縮化、低コスト化が期待できる。また請求項２の
発明によれば、前記膜質データを入力とし、前記成膜パ
ラメータを出力とする１つまたは複数のニューラルネッ
トワーク５１−１を備え、予め、過去の成膜結果につい
ての前記膜質データを入力データ４５Ｂ、その時の成膜
パラメータを教師データ４５Ｃとして前記ニューラルネ
ットワーク５１−１に学習を行わせ、この学習済のニュ
ーラルネットワーク５１−１に必要な前記膜質データ２
３を入力することにより、このニューラルネットワーク
からこの膜質データを得る成膜を行うための成膜パラメ
ータ２２を指示出力させるようにしたので、半導体製造
装置を用いて、各種成膜パラメータを調整して、実際に
成膜を行い、所望の膜質に対する最適な成膜パラメータ
を捜し出すことと同等の作業を、所望の膜質を指示する
ことにより、コンピュータ上で短時間のうちに実現でき
るようになるため、半導体製造装置プロセス開発の短縮
化、低コスト化が期待できる。
【００６３】また請求項３の発明によれば成膜パラメー
タを入力とし膜質データを出力とする学習済の１又は複
数のニューラルネットワーク５１−２に最適成膜条件検
索指示手段１Ｂを介しこれから成膜するための各種の前
記成膜パラメータを入力することにより、このニューラ
ルネットワークからこの夫々の成膜パラメータで成膜し
た結果の各種の膜質データを予測出力させ、この予測出
力された膜質データのうち要求膜質データに最も近い膜
質データに対応する前記成膜パラメータとしての最適成
膜パラメータ４５ＢＭを検索し指示出力させるようにし
たので、半導体製造装置を用いて、各種成膜パラメータ
を調整して、実際に成膜を行い、所望の膜質に対する最
適な成膜パラメータを捜し出すことと同等の作業を、要
求膜質を指定することにより、コンピュータ上で短時間
のうちに実現できるようになるため、半導体製造装置プ
ロセス開発の短縮化、低コスト化が期待できる。
タを入力とし膜質データを出力とする学習済の１又は複
数のニューラルネットワーク５１−２に最適成膜条件検
索指示手段１Ｂを介しこれから成膜するための各種の前
記成膜パラメータを入力することにより、このニューラ
ルネットワークからこの夫々の成膜パラメータで成膜し
た結果の各種の膜質データを予測出力させ、この予測出
力された膜質データのうち要求膜質データに最も近い膜
質データに対応する前記成膜パラメータとしての最適成
膜パラメータ４５ＢＭを検索し指示出力させるようにし
たので、半導体製造装置を用いて、各種成膜パラメータ
を調整して、実際に成膜を行い、所望の膜質に対する最
適な成膜パラメータを捜し出すことと同等の作業を、要
求膜質を指定することにより、コンピュータ上で短時間
のうちに実現できるようになるため、半導体製造装置プ
ロセス開発の短縮化、低コスト化が期待できる。
【図１】請求項１および２に関わる発明の実施例として
のシステム構成図
のシステム構成図
【図２】同じく成膜データの構成図
【図３】同じく成膜データからニューラルネットワーク
に学習させる学習パターン作成の流れ図
に学習させる学習パターン作成の流れ図
【図４】同じくネットワークファイルの構成図
【図５】膜質予測システムで用いるニューラルネットワ
ークの構成及びニューラルネットワークに呈示する学習
パターン作成の流れを示す図
ークの構成及びニューラルネットワークに呈示する学習
パターン作成の流れを示す図
【図６】膜質予測システムで用いるニューラルネットワ
ークの学習の流れを示す図
ークの学習の流れを示す図
【図７】膜質予測システムの動作を示すフローチャート
【図８】成膜パラメータ指示システムで用いるニューラ
ルネットワークの構成及びニューラルネットワークに呈
示する学習パターンの作成の流れを示す図
ルネットワークの構成及びニューラルネットワークに呈
示する学習パターンの作成の流れを示す図
【図９】成膜パラメータ指示システムの動作を示すフロ
ーチャート
ーチャート
【図１０】請求項３に関わる発明の実施例としてのシス
テム構成図
テム構成図
【図１１】最適成膜条件検索指示システムの動作を示す
フローチャート
フローチャート
１ コンピュータ １Ａ 成膜条件指示・膜質予測手段 ２ キーボード ３ ＣＲＴ ４ 補助記憶装置 ４Ａ 成膜データ ４ＡＦ 成膜データファイル ４Ｂ ネットワークデータ ５ ニューラルネットワークボード ６ 半導体製造装置制御手段 ７ 半導体製造装置 ２１ 基板番号 ２２（２２Ａ〜２２Ｇ） 成膜パラメータデータ ２２Ａ 窒素ガス流量 ２２Ｂ シランガス流量 ２２Ｃ 反応室応力 ２２Ｄ マイクロ波電力 ２２Ｅ ソレノイドコイル電流 ２２Ｆ 成膜時間 ２２Ｇ 基板印加交流電力 Ｙ２２（Ｙ２２Ａ〜Ｙ２２Ｇ） 規格化後成膜パラメー
タデータ Ｙ２２Ａ 規格化後窒素ガス流量 Ｙ２２Ｂ 規格化後シランガス流量 Ｙ２２Ｇ 規格化後基板印加交流電力 Ｙ２２ＡＭ 規格化された最適窒素ガス流量 Ｙ２２ＢＭ 規格化された最適シランガス流量 Ｙ２２ＧＭ 規格化された最適基板印加交流電力 Ｍ２２ 最適成膜パタン Ｍ２２Ａ 最適窒素ガス流量 Ｍ２２Ｂ 最適シランガス流量 Ｍ２２Ｇ 最適基板印加交流電力 Ｏ２２Ａ 変換前窒素ガス流量 Ｏ２２Ｂ 変換前シランガス流量 Ｏ２２Ｇ 変換前基板印加交流電力 Ｑ２２（Ｑ２２Ａ〜Ｑ２２Ｇ） 予測成膜パラメータ値 Ｑ２２Ａ 予測窒素ガス流量 Ｑ２２Ｂ 予測シランガス流量 Ｑ２２Ｇ 予測基板印加交流電力 ２３（２３Ａ〜２３Ｅ） 膜質データ ２３Ａ 成膜速度 ２３Ｂ 面内膜厚分布 ２３Ｃ 膜硬度 ２３Ｄ 屈折率 ２３Ｅ 残留応力 ２３Ｆ エッチング速度 Ｙ２３（Ｙ２３Ｄ〜Ｙ２３Ｆ） 規格化後膜質データ Ｙ２３Ｄ 規格化後屈折率 Ｙ２３Ｅ 規格化後残留応力 Ｙ２３Ｆ 規格化後エッチング速度 Ｙ２３ＤＳ 屈折率規準値 Ｙ２３ＥＳ 残留応力規準値 Ｙ２３ＦＳ エッチング速度規準値 Ｏ２３Ｄ 変換前屈折率 Ｏ２３Ｅ 変換前残留応力 Ｏ２３Ｆ 変換前エッチング速度 Ｑ２３（Ｑ２３Ｄ〜Ｑ２３Ｆ） 予測膜質値 Ｑ２３Ｄ 予測屈折率 Ｑ２３Ｅ 予測残留応力 Ｑ２３Ｆ 予測エッチング速度 ４１ ネットワークファイル ４２ ネットワーク構造 ４３ しきい値 ４４ 重み ４５ 学習パターン ４５Ｂ（４５Ｂ（１）〜４５Ｂ（ｎ）） 入力パターン ４５ＢＭ 最適入力パタン（規格化最適成膜パラメー
タ） ４５Ｃ（４５Ｃ（１）〜４５Ｃ（ｎ）） 教師パターン ４５Ｏ（１） 出力パターン ４５ＯＳ ニューラルネットワーク規準出力パターン ４５Ｅ（１） 誤差 Ｅｓｑｒ（１） 誤差２乗和 ＴＥｓｑｒ 誤差２乗和総和 ５１−１ 成膜パラメータ指示システム用ニューラルネ
ットワーク ５１−２ 膜質予測システム用ニューラルネットワーク ５２ 入力層 ５２Ａ 入力ニューロン ５２Ｂ 入力ニューロン ５２Ｃ 入力ニューロン ５３ 中間層 ５４ 出力層 ５４Ａ 出力ニューロン ５４Ｂ 出力ニューロン ５４Ｃ 出力ニューロン Ｎ（Ｎ２２，Ｎ２３） 規格化方法 Ｎ２２ 成膜パラメータ用規格化方法 Ｎ２３ 膜質データ用規格化方法 Ｎ２Ａ 窒素ガス流量用規格化方法 Ｎ２Ｂ シランガス流量用規格化方法 Ｎ２Ｇ 基板印加交流電力用規格化方法 Ｎ３Ｄ 屈折率用規格化方法 Ｎ３Ｅ 残留応力用規格化方法 Ｎ３Ｆ エッチング速度用規格化方法
タデータ Ｙ２２Ａ 規格化後窒素ガス流量 Ｙ２２Ｂ 規格化後シランガス流量 Ｙ２２Ｇ 規格化後基板印加交流電力 Ｙ２２ＡＭ 規格化された最適窒素ガス流量 Ｙ２２ＢＭ 規格化された最適シランガス流量 Ｙ２２ＧＭ 規格化された最適基板印加交流電力 Ｍ２２ 最適成膜パタン Ｍ２２Ａ 最適窒素ガス流量 Ｍ２２Ｂ 最適シランガス流量 Ｍ２２Ｇ 最適基板印加交流電力 Ｏ２２Ａ 変換前窒素ガス流量 Ｏ２２Ｂ 変換前シランガス流量 Ｏ２２Ｇ 変換前基板印加交流電力 Ｑ２２（Ｑ２２Ａ〜Ｑ２２Ｇ） 予測成膜パラメータ値 Ｑ２２Ａ 予測窒素ガス流量 Ｑ２２Ｂ 予測シランガス流量 Ｑ２２Ｇ 予測基板印加交流電力 ２３（２３Ａ〜２３Ｅ） 膜質データ ２３Ａ 成膜速度 ２３Ｂ 面内膜厚分布 ２３Ｃ 膜硬度 ２３Ｄ 屈折率 ２３Ｅ 残留応力 ２３Ｆ エッチング速度 Ｙ２３（Ｙ２３Ｄ〜Ｙ２３Ｆ） 規格化後膜質データ Ｙ２３Ｄ 規格化後屈折率 Ｙ２３Ｅ 規格化後残留応力 Ｙ２３Ｆ 規格化後エッチング速度 Ｙ２３ＤＳ 屈折率規準値 Ｙ２３ＥＳ 残留応力規準値 Ｙ２３ＦＳ エッチング速度規準値 Ｏ２３Ｄ 変換前屈折率 Ｏ２３Ｅ 変換前残留応力 Ｏ２３Ｆ 変換前エッチング速度 Ｑ２３（Ｑ２３Ｄ〜Ｑ２３Ｆ） 予測膜質値 Ｑ２３Ｄ 予測屈折率 Ｑ２３Ｅ 予測残留応力 Ｑ２３Ｆ 予測エッチング速度 ４１ ネットワークファイル ４２ ネットワーク構造 ４３ しきい値 ４４ 重み ４５ 学習パターン ４５Ｂ（４５Ｂ（１）〜４５Ｂ（ｎ）） 入力パターン ４５ＢＭ 最適入力パタン（規格化最適成膜パラメー
タ） ４５Ｃ（４５Ｃ（１）〜４５Ｃ（ｎ）） 教師パターン ４５Ｏ（１） 出力パターン ４５ＯＳ ニューラルネットワーク規準出力パターン ４５Ｅ（１） 誤差 Ｅｓｑｒ（１） 誤差２乗和 ＴＥｓｑｒ 誤差２乗和総和 ５１−１ 成膜パラメータ指示システム用ニューラルネ
ットワーク ５１−２ 膜質予測システム用ニューラルネットワーク ５２ 入力層 ５２Ａ 入力ニューロン ５２Ｂ 入力ニューロン ５２Ｃ 入力ニューロン ５３ 中間層 ５４ 出力層 ５４Ａ 出力ニューロン ５４Ｂ 出力ニューロン ５４Ｃ 出力ニューロン Ｎ（Ｎ２２，Ｎ２３） 規格化方法 Ｎ２２ 成膜パラメータ用規格化方法 Ｎ２３ 膜質データ用規格化方法 Ｎ２Ａ 窒素ガス流量用規格化方法 Ｎ２Ｂ シランガス流量用規格化方法 Ｎ２Ｇ 基板印加交流電力用規格化方法 Ｎ３Ｄ 屈折率用規格化方法 Ｎ３Ｅ 残留応力用規格化方法 Ｎ３Ｆ エッチング速度用規格化方法
Claims (3)
- 【請求項１】成膜用ガスの種類および流量並びにこの種
類および流量の組合せ，成膜温度，圧力，プラズマ条件
などの条件項目を成膜パラメータとして成膜し、その成
膜結果が膜の硬さ，残留応力，屈折率，エッチング速
度，膜厚およびこの膜厚の均一性などの評価項目からな
る膜質データによって評価される半導体製造装置におい
て、 前記成膜パラメータを入力とし前記膜質データを出力と
する１又は複数のニューラルネットワークを備え、 予め、過去の成膜結果についての前記成膜パラメータを
入力データ、その時の前記膜質データを教師データとし
て前記ニューラルネットワークに学習を行わせ、この学
習済の前記ニューラルネットワークにこれから成膜する
ための前記成膜パラメータを入力することにより、この
ニューラルネットワークからその成膜パラメータで成膜
した結果の膜質データを予測出力させることを特徴とす
る学習予測機能付半導体製造装置。 - 【請求項２】成膜用ガスの種類および流量並びにこの種
類および流量の組合せ，成膜温度，圧力，プラズマ条件
などの条件項目を成膜パラメータとして成膜し、その成
膜結果が膜の硬さ，残留応力，屈折率，エッチング速
度，膜厚およびこの膜厚の均一性などの評価項目からな
る膜質データによって評価される半導体製造装置におい
て、 前記膜質データを入力とし、前記成膜パラメータを出力
とする１つまたは複数のニューラルネットワークを備
え、 予め、過去の成膜結果についての前記膜質データを入力
データ、その時の成膜パラメータを教師データとして前
記ニューラルネットワークに学習を行わせ、この学習済
の前記ニューラルネットワークに必要な前記膜質データ
を入力することにより、このニューラルネットワークか
らこの膜質データを得る成膜を行うための前記成膜パラ
メータを指示出力させることを特徴とする学習指示機能
付半導体製造装置。 - 【請求項３】成膜用ガスの種類および流量並びにこの種
類および流量の組合せ，成膜温度，圧力，プラズマ条件
などの条件項目を成膜パラメータとして成膜し、その成
膜結果が膜の硬さ，残留応力，屈折率，エッチング速
度，膜厚およびこの膜厚の均一性などの評価項目からな
る膜質データによって評価される半導体製造装置におい
て、 前記成膜パラメータを入力とし前記膜質データを出力と
する１又は複数のニューラルネットワークを備え、 予め、過去の成膜結果についての前記成膜パラメータを
入力データ、その時の前記膜質データを教師データとし
て前記ニューラルネットワークに学習を行わせ、この学
習済の前記ニューラルネットワークにこれから成膜する
ための各種の前記成膜パラメータを入力することによ
り、このニューラルネットワークからこの夫々の成膜で
成膜した結果の各種の膜質データを予測出力させ、この
予測出力された膜質データのうち要求膜質データに最も
近い膜質データに対応する前記成膜パラメータを検索し
指示出力させることを特徴とする学習指示機能付半導体
製造装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP8010192A JPH05190458A (ja) | 1991-11-15 | 1992-04-02 | 学習予測・指示機能付半導体製造装置 |
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP3-299326 | 1991-11-15 | ||
| JP29932691 | 1991-11-15 | ||
| JP8010192A JPH05190458A (ja) | 1991-11-15 | 1992-04-02 | 学習予測・指示機能付半導体製造装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH05190458A true JPH05190458A (ja) | 1993-07-30 |
Family
ID=26421148
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP8010192A Pending JPH05190458A (ja) | 1991-11-15 | 1992-04-02 | 学習予測・指示機能付半導体製造装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH05190458A (ja) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000195809A (ja) * | 1998-12-28 | 2000-07-14 | Kokusai Electric Co Ltd | 半導体製造方法及び半導体製造装置 |
| WO2019130159A1 (ja) * | 2017-12-27 | 2019-07-04 | 株式会社半導体エネルギー研究所 | 薄膜製造装置、およびニューラルネットワークを用いた薄膜製造装置 |
| JP2021017650A (ja) * | 2019-07-16 | 2021-02-15 | 株式会社神戸製鋼所 | 評価方法、評価装置、評価プログラム、生成方法、通信方法、及び成膜装置 |
| JP2021072422A (ja) * | 2019-11-01 | 2021-05-06 | 東京エレクトロン株式会社 | 情報処理装置、情報処理方法、情報処理プログラム及び半導体製造装置 |
| JPWO2021085522A1 (ja) * | 2019-10-30 | 2021-05-06 | ||
| WO2021094881A1 (ja) * | 2019-11-15 | 2021-05-20 | 株式会社半導体エネルギー研究所 | 半導体素子の特性予測システム |
| CN114080470A (zh) * | 2019-07-16 | 2022-02-22 | 株式会社神户制钢所 | 机器学习方法、机器学习装置、机器学习程序、通信方法及成膜装置 |
-
1992
- 1992-04-02 JP JP8010192A patent/JPH05190458A/ja active Pending
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000195809A (ja) * | 1998-12-28 | 2000-07-14 | Kokusai Electric Co Ltd | 半導体製造方法及び半導体製造装置 |
| WO2019130159A1 (ja) * | 2017-12-27 | 2019-07-04 | 株式会社半導体エネルギー研究所 | 薄膜製造装置、およびニューラルネットワークを用いた薄膜製造装置 |
| CN111479952A (zh) * | 2017-12-27 | 2020-07-31 | 株式会社半导体能源研究所 | 薄膜制造装置及使用神经网络的薄膜制造装置 |
| JPWO2019130159A1 (ja) * | 2017-12-27 | 2021-01-21 | 株式会社半導体エネルギー研究所 | 薄膜製造装置、およびニューラルネットワークを用いた薄膜製造装置 |
| JP2021017650A (ja) * | 2019-07-16 | 2021-02-15 | 株式会社神戸製鋼所 | 評価方法、評価装置、評価プログラム、生成方法、通信方法、及び成膜装置 |
| CN114080470A (zh) * | 2019-07-16 | 2022-02-22 | 株式会社神户制钢所 | 机器学习方法、机器学习装置、机器学习程序、通信方法及成膜装置 |
| CN114080470B (zh) * | 2019-07-16 | 2024-05-07 | 株式会社神户制钢所 | 机器学习方法、机器学习装置、通信方法及成膜装置 |
| JPWO2021085522A1 (ja) * | 2019-10-30 | 2021-05-06 | ||
| JP2021072422A (ja) * | 2019-11-01 | 2021-05-06 | 東京エレクトロン株式会社 | 情報処理装置、情報処理方法、情報処理プログラム及び半導体製造装置 |
| WO2021094881A1 (ja) * | 2019-11-15 | 2021-05-20 | 株式会社半導体エネルギー研究所 | 半導体素子の特性予測システム |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Du et al. | Application of evolving Takagi–Sugeno fuzzy model to nonlinear system identification | |
| US20050246297A1 (en) | Genetic algorithm based selection of neural network ensemble for processing well logging data | |
| Ji et al. | Cost estimation model for building projects using case-based reasoning | |
| CN107992976B (zh) | 热点话题早期发展趋势预测系统及预测方法 | |
| Yang et al. | A novel self-constructing radial basis function neural-fuzzy system | |
| CN105740984A (zh) | 一种基于性能预测的产品概念性能评价方法 | |
| Chen et al. | Transfer learning-based parallel evolutionary algorithm framework for bilevel optimization | |
| EP1654692A1 (en) | Method and apparatus for automated feature selection | |
| Salmasnia et al. | A robust intelligent framework for multiple response statistical optimization problems based on artificial neural network and Taguchi method | |
| JPH05190458A (ja) | 学習予測・指示機能付半導体製造装置 | |
| CN116663419A (zh) | 一种基于优化的Elman神经网络的无传感器设备故障预测方法 | |
| CN110110447B (zh) | 一种混合蛙跳反馈极限学习机带钢厚度预测方法 | |
| CN113987343A (zh) | 基于强化学习的多样化推荐方法、系统及存储介质 | |
| JPH0637021A (ja) | 学習予測・指示機能付半導体製造装置 | |
| CN117236182A (zh) | 一种基于gwo-svr的钢筋混凝土粘结强度预测方法 | |
| CN116689502A (zh) | 基于sa-scso-scn神经网络的热连轧厂精轧机组工艺的弯辊力参数设定方法 | |
| JPH05190457A (ja) | 学習指示機能付半導体製造装置 | |
| Medaglia | Simulation optimization using soft computing | |
| Dash et al. | Development and use of a new speech quality evaluation parameter ESNR using ANN and Grey Wolf Optimizer | |
| KR20040049721A (ko) | 방사형 기저함수를 이용한 마이크로 어레이 데이터분류모델 생성시스템 및 그 방법 | |
| Mahbub | A comparative study on constraint handling techniques of NSGAII | |
| CN115719040B (zh) | 一种青霉素发酵过程关键变量软测量方法及系统 | |
| Xiao et al. | Adaptive sampling with neural networks for system reliability analysis | |
| KR102554626B1 (ko) | 점진적 학습을 위한 기계 학습 방법 및 이를 수행하기 위한 컴퓨팅 장치 | |
| CN117235477B (zh) | 基于深度神经网络的用户群组评估方法和系统 |