JPH06348679A - ニューラルネットワーク使用方法 - Google Patents
ニューラルネットワーク使用方法Info
- Publication number
- JPH06348679A JPH06348679A JP5342036A JP34203693A JPH06348679A JP H06348679 A JPH06348679 A JP H06348679A JP 5342036 A JP5342036 A JP 5342036A JP 34203693 A JP34203693 A JP 34203693A JP H06348679 A JPH06348679 A JP H06348679A
- Authority
- JP
- Japan
- Prior art keywords
- neural network
- layer
- etching
- controlling
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 121
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 78
- 230000008569 process Effects 0.000 claims abstract description 77
- 238000005530 etching Methods 0.000 claims abstract description 50
- 239000000463 material Substances 0.000 claims abstract description 19
- 238000012937 correction Methods 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 25
- 238000001020 plasma etching Methods 0.000 claims description 16
- 238000005259 measurement Methods 0.000 claims description 7
- 230000005855 radiation Effects 0.000 claims description 5
- 238000004519 manufacturing process Methods 0.000 abstract description 19
- 239000011159 matrix material Substances 0.000 abstract description 14
- 229910021420 polycrystalline silicon Inorganic materials 0.000 description 17
- 229920005591 polysilicon Polymers 0.000 description 17
- 210000002569 neuron Anatomy 0.000 description 16
- 238000010586 diagram Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 13
- 230000004044 response Effects 0.000 description 10
- 235000012431 wafers Nutrition 0.000 description 9
- 230000013016 learning Effects 0.000 description 8
- 239000000047 product Substances 0.000 description 8
- 238000012360 testing method Methods 0.000 description 7
- 230000004913 activation Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 6
- 230000003044 adaptive effect Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000008878 coupling Effects 0.000 description 5
- 238000010168 coupling process Methods 0.000 description 5
- 238000005859 coupling reaction Methods 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- KZBUYRJDOAKODT-UHFFFAOYSA-N Chlorine Chemical compound ClCl KZBUYRJDOAKODT-UHFFFAOYSA-N 0.000 description 3
- 230000032683 aging Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 3
- HWEYZGSCHQNNEH-UHFFFAOYSA-N silicon tantalum Chemical compound [Si].[Ta] HWEYZGSCHQNNEH-UHFFFAOYSA-N 0.000 description 3
- 239000000758 substrate Substances 0.000 description 3
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 2
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 2
- 230000001364 causal effect Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000005672 electromagnetic field Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 150000002500 ions Chemical class 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000007935 neutral effect Effects 0.000 description 2
- 210000004205 output neuron Anatomy 0.000 description 2
- 229920002120 photoresistant polymer Polymers 0.000 description 2
- 238000004886 process control Methods 0.000 description 2
- 229910052710 silicon Inorganic materials 0.000 description 2
- 239000010703 silicon Substances 0.000 description 2
- 210000000225 synapse Anatomy 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000013529 biological neural network Methods 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000295 emission spectrum Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000007620 mathematical function Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000005693 optoelectronics Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 235000012239 silicon dioxide Nutrition 0.000 description 1
- 239000000377 silicon dioxide Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000000946 synaptic effect Effects 0.000 description 1
- 239000004753 textile Substances 0.000 description 1
- 239000010409 thin film Substances 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
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
- H01J37/32935—Monitoring and controlling tubes by information coming from the object and/or discharge
-
- 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
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
- G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
-
- 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
- H01J37/32935—Monitoring and controlling tubes by information coming from the object and/or discharge
- H01J37/32963—End-point detection
Landscapes
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Plasma & Fusion (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Drying Of Semiconductors (AREA)
Abstract
(57)【要約】
【目的】 ニューラルネットワークを利用してプラズマ
エッチングプロセスにおける変数を制御して品質属性に
よって特徴づけられる製品を生成する。 【構成】 変数と品質属性の間の関係を反映するプロセ
スサインを識別し、プロセスサインを測定して記録を形
成し、記録からニューラルネットワークへデータを送
り、プロセスサインの記録からの以前のデータおよび品
質属性の以前のデータによってニューラルネットワーク
を訓練し、訓練および記録からのデータに基づいてプロ
セス変数のセットを制御する。
エッチングプロセスにおける変数を制御して品質属性に
よって特徴づけられる製品を生成する。 【構成】 変数と品質属性の間の関係を反映するプロセ
スサインを識別し、プロセスサインを測定して記録を形
成し、記録からニューラルネットワークへデータを送
り、プロセスサインの記録からの以前のデータおよび品
質属性の以前のデータによってニューラルネットワーク
を訓練し、訓練および記録からのデータに基づいてプロ
セス変数のセットを制御する。
Description
【０００１】
【産業上の利用分野】本発明は、プラズマを使用するよ
うな製造プロセスにおいて制御変数および物質を調整す
るためにニューラルネットワークを利用する方法に関す
る。本発明は、プラズマグロープロセスに応答して、プ
ラズマエッチングのエッチング時間を制御するためにニ
ューラルネットワークを使用する好ましい実施例によっ
て例示される。
うな製造プロセスにおいて制御変数および物質を調整す
るためにニューラルネットワークを利用する方法に関す
る。本発明は、プラズマグロープロセスに応答して、プ
ラズマエッチングのエッチング時間を制御するためにニ
ューラルネットワークを使用する好ましい実施例によっ
て例示される。
【０００２】
【従来の技術】プラズマプロセスは、航空宇宙、太陽エ
ネルギー、紙、繊維のような産業のみならず、エレクト
ロニクス産業において、集積回路および光電子デバイス
の製造にとっても重要である。（米国学術研究会議（Ｎ
ＲＣ）、「物質のプラズマ加工」、ナショナル・アカデ
ミー・プレス、ワシントン、ディー．シー．(NationalA
cademy Press, Washington, D. C.)、１９９１年、参
照。）例えば、プラズマは、集積回路基板上の薄膜層の
エッチングおよび堆積の両方に使用される。
ネルギー、紙、繊維のような産業のみならず、エレクト
ロニクス産業において、集積回路および光電子デバイス
の製造にとっても重要である。（米国学術研究会議（Ｎ
ＲＣ）、「物質のプラズマ加工」、ナショナル・アカデ
ミー・プレス、ワシントン、ディー．シー．(NationalA
cademy Press, Washington, D. C.)、１９９１年、参
照。）例えば、プラズマは、集積回路基板上の薄膜層の
エッチングおよび堆積の両方に使用される。
【０００３】プラズマとは、正負のイオンの濃度がほぼ
等しいイオン化ガスのことである。プラズマは、電気的
には中性であるが反応性の高い遊離基を含むこともあ
る。プラズマは、所望のガスを反応容器に導入し、その
容器に無線周波数（ＲＦ）電磁場をかけることによって
形成される。導入されるガスは一般に所望のプロセスの
化学反応に関係するように選択される。例えば、集積回
路の製造においてポリシリコンをエッチングする際には
塩素ガスが選択される。ＲＦ電磁場により、電子が中性
種または荷電種と衝突し、これらは放射を放出し、グロ
ー放電すなわち発光を生成する。
等しいイオン化ガスのことである。プラズマは、電気的
には中性であるが反応性の高い遊離基を含むこともあ
る。プラズマは、所望のガスを反応容器に導入し、その
容器に無線周波数（ＲＦ）電磁場をかけることによって
形成される。導入されるガスは一般に所望のプロセスの
化学反応に関係するように選択される。例えば、集積回
路の製造においてポリシリコンをエッチングする際には
塩素ガスが選択される。ＲＦ電磁場により、電子が中性
種または荷電種と衝突し、これらは放射を放出し、グロ
ー放電すなわち発光を生成する。
【０００４】プラズマエッチングとは、プラズマ内で発
生する反応性遊離基またはイオンによる物質の選択的除
去のことである。多くの場合、プラズマエッチングプロ
セスは、エッチングの正確さおよびプロセス制御の点で
エッチング技術（物質が液体化学物質によってエッチン
グされる技術）よりも優れている。（一般的には、アー
ル．ジー．プルセン(R. G. Poulsen)「集積回路製造に
おけるプラズマエッチング（概論）」、J. Vac. Sci. T
ech.、第１４巻第１号第２６６〜２７４ページ（１９７
７年１／２月）、参照。）
生する反応性遊離基またはイオンによる物質の選択的除
去のことである。多くの場合、プラズマエッチングプロ
セスは、エッチングの正確さおよびプロセス制御の点で
エッチング技術（物質が液体化学物質によってエッチン
グされる技術）よりも優れている。（一般的には、アー
ル．ジー．プルセン(R. G. Poulsen)「集積回路製造に
おけるプラズマエッチング（概論）」、J. Vac. Sci. T
ech.、第１４巻第１号第２６６〜２７４ページ（１９７
７年１／２月）、参照。）
【０００５】
【発明が解決しようとする課題】プラズマプロセスの制
御は一般に困難である。（例えばＮＲＣの前掲書第３４
〜３５ページ参照。）例えば、プラズマエッチングプロ
セスは、変動を補償するために継続的に監視しなければ
ならない。プロセスにおける変動の１つの原因は、反応
容器の老朽化である。きれいに洗浄した反応容器の場合
のエッチング時間は、しばらく生産用にした反応容器の
場合のエッチング時間と異なる。また、異なるパターン
密度を有するウェハも異なってエッチングされる。この
ような変化のため、製品の品質を維持するには連続的な
検査が必要となる。検査結果に基づいて、次のロットの
エッチング時間が決定される。しかし、機械の老朽化お
よび清掃の効果を考慮に入れるために継続的に人間が介
入する必要があるということは、ロット間でウェハの特
性に作業間変動を引き起こす。従って、継続的に人間が
介入することなくロット間でエッチング時間を調節する
正確な制御機構が必要とされる。
御は一般に困難である。（例えばＮＲＣの前掲書第３４
〜３５ページ参照。）例えば、プラズマエッチングプロ
セスは、変動を補償するために継続的に監視しなければ
ならない。プロセスにおける変動の１つの原因は、反応
容器の老朽化である。きれいに洗浄した反応容器の場合
のエッチング時間は、しばらく生産用にした反応容器の
場合のエッチング時間と異なる。また、異なるパターン
密度を有するウェハも異なってエッチングされる。この
ような変化のため、製品の品質を維持するには連続的な
検査が必要となる。検査結果に基づいて、次のロットの
エッチング時間が決定される。しかし、機械の老朽化お
よび清掃の効果を考慮に入れるために継続的に人間が介
入する必要があるということは、ロット間でウェハの特
性に作業間変動を引き起こす。従って、継続的に人間が
介入することなくロット間でエッチング時間を調節する
正確な制御機構が必要とされる。
【０００６】
【課題を解決するための手段】本発明は、ニューラルネ
ットワークを使用して、製造プロセスで使用される入力
制御変数および物質を調整し、所望の品質特性の出力製
品を生産するものである。本方法はプラズマプロセスの
制御に特に有用であり、従来の方法に伴う費用、遅延お
よび矛盾の多くを回避する。好ましい実施例では、ニュ
ーラルネットワークコントローラが、プラズマエッチン
グプロセス中に光放射トレースの一部を監視し、この観
測に基づいてプラズマエッチング終了時刻を計算する。
このネットワークは、逆伝搬法を使用して製品品質の製
造データ測定により直接訓練される。自動化エッチング
時間制御プロセスは、均一性の増大、歩留まりの向上お
よび費用の縮小という利点を提供する。
ットワークを使用して、製造プロセスで使用される入力
制御変数および物質を調整し、所望の品質特性の出力製
品を生産するものである。本方法はプラズマプロセスの
制御に特に有用であり、従来の方法に伴う費用、遅延お
よび矛盾の多くを回避する。好ましい実施例では、ニュ
ーラルネットワークコントローラが、プラズマエッチン
グプロセス中に光放射トレースの一部を監視し、この観
測に基づいてプラズマエッチング終了時刻を計算する。
このネットワークは、逆伝搬法を使用して製品品質の製
造データ測定により直接訓練される。自動化エッチング
時間制御プロセスは、均一性の増大、歩留まりの向上お
よび費用の縮小という利点を提供する。
【０００７】
［Ｉ．はじめに］図１に、ＭＯＳトランジスタを製造す
る際の１ステップとしてのプラズマエッチングプロセス
の代表的使用法を説明する図である。シリコンウェハ基
板１０が酸化物層１２で被覆される。続いて、酸化物層
１２はポリシリコン層１４およびタンタルシリコン層１
６で被覆される。酸化物層１２は、一般的には二酸化ケ
イ素であり、内部にウェル１３を有する。ホトレジスト
材料１８の層がウェル１３の一部に塗布され、タンタル
シリコン層１６およびポリシリコン層１４がエッチング
除去される。
る際の１ステップとしてのプラズマエッチングプロセス
の代表的使用法を説明する図である。シリコンウェハ基
板１０が酸化物層１２で被覆される。続いて、酸化物層
１２はポリシリコン層１４およびタンタルシリコン層１
６で被覆される。酸化物層１２は、一般的には二酸化ケ
イ素であり、内部にウェル１３を有する。ホトレジスト
材料１８の層がウェル１３の一部に塗布され、タンタル
シリコン層１６およびポリシリコン層１４がエッチング
除去される。
【０００８】ポリシリコン層１４をエッチング除去する
際に重要な点は、すべてのポリシリコン層１４が除去さ
れることである。しかし、ポリシリコン層１４を完全に
エッチングする際には、酸化物層１２の一部２１が不可
避的にエッチングされてしまう。エッチングプロセスに
おいて、重要な品質属性は、ソース領域２２およびドレ
イン領域２４の残留酸化物厚さ２０であり、この厚さ
は、これらの領域の特性を決定する。残留酸化物厚さ２
０は、エッチング時間、すなわち、ウェハがプラズマに
暴露される時間の関数である。
際に重要な点は、すべてのポリシリコン層１４が除去さ
れることである。しかし、ポリシリコン層１４を完全に
エッチングする際には、酸化物層１２の一部２１が不可
避的にエッチングされてしまう。エッチングプロセスに
おいて、重要な品質属性は、ソース領域２２およびドレ
イン領域２４の残留酸化物厚さ２０であり、この厚さ
は、これらの領域の特性を決定する。残留酸化物厚さ２
０は、エッチング時間、すなわち、ウェハがプラズマに
暴露される時間の関数である。
【０００９】図２に、本発明の実施例を示す。この実施
例において、ニューラルネットワークがプロセスモニタ
２０２に組み込まれている。プロセスモニタ２０２は、
出力製品において所望の品質属性を生成するために、プ
ロセス２０４への材料および制御変数を制御する。第Ｉ
Ｉ節に、集積回路の製造におけるプラズマエッチング時
間が、ウェハ上の所望の酸化物厚さを生成するために光
放射のトレースの一部を使用するニューラルネットワー
クプロセスモニタによって制御される本発明の実施例を
示す。第ＩＩＩ節で、ニューラルネットワーク動作およ
び好ましい逆伝搬訓練法について概説する。
例において、ニューラルネットワークがプロセスモニタ
２０２に組み込まれている。プロセスモニタ２０２は、
出力製品において所望の品質属性を生成するために、プ
ロセス２０４への材料および制御変数を制御する。第Ｉ
Ｉ節に、集積回路の製造におけるプラズマエッチング時
間が、ウェハ上の所望の酸化物厚さを生成するために光
放射のトレースの一部を使用するニューラルネットワー
クプロセスモニタによって制御される本発明の実施例を
示す。第ＩＩＩ節で、ニューラルネットワーク動作およ
び好ましい逆伝搬訓練法について概説する。
【００１０】［ＩＩ．ニューラルネットワークコントロ
ーラ］一般に、トレース（記録）は、ある時間にわたる
特定の変数または関数の測定値として定義される。好ま
しい実施例では、特定の波長で時間の関数として測定さ
れた、プラズマグローからの光放射スペクトルのトレー
スの一部が、プロセスサインとして使用される。プロセ
スサインは、品質属性およびそのプロセス自体に関する
情報、ならびに、そのプロセスの制御を困難にする要因
に関する情報を反映し、または、それらを内部に埋めこ
んでいる。光放射トレースは、プラズマの化学に直接関
係する情報およびエッチング除去される物質の濃度に関
する情報を反映する。間接的には、光放射トレースの挙
動は、機械の経時変化、ウェハのパターン密度、ガス流
量の非理想ゆらぎ、圧力、ＲＦパワーなどに関する情報
を含む。光トレースに埋めこまれているこの情報は、所
望の酸化物厚さに対する理想エッチング時間を予測し制
御するためにニューラルネットワークマッピング（訓
練）に適当である。（制御のためのニューラルネットワ
ークに関する論文集として、ダブリュ．ティ．ミラー
(W. T. Miller)、アール．エス．サットン(R. S.Sutto
n)、ピー．ジェー．ワーボス(P. J. Werbos)著、「制御
のためのニューラルネットワーク(Neural Networks for
Control)」、エムアイティ・プレス(MITPress)、米国
マサチューセッツ州ケンブリッジ（１９９０年）参
照。）
ーラ］一般に、トレース（記録）は、ある時間にわたる
特定の変数または関数の測定値として定義される。好ま
しい実施例では、特定の波長で時間の関数として測定さ
れた、プラズマグローからの光放射スペクトルのトレー
スの一部が、プロセスサインとして使用される。プロセ
スサインは、品質属性およびそのプロセス自体に関する
情報、ならびに、そのプロセスの制御を困難にする要因
に関する情報を反映し、または、それらを内部に埋めこ
んでいる。光放射トレースは、プラズマの化学に直接関
係する情報およびエッチング除去される物質の濃度に関
する情報を反映する。間接的には、光放射トレースの挙
動は、機械の経時変化、ウェハのパターン密度、ガス流
量の非理想ゆらぎ、圧力、ＲＦパワーなどに関する情報
を含む。光トレースに埋めこまれているこの情報は、所
望の酸化物厚さに対する理想エッチング時間を予測し制
御するためにニューラルネットワークマッピング（訓
練）に適当である。（制御のためのニューラルネットワ
ークに関する論文集として、ダブリュ．ティ．ミラー
(W. T. Miller)、アール．エス．サットン(R. S.Sutto
n)、ピー．ジェー．ワーボス(P. J. Werbos)著、「制御
のためのニューラルネットワーク(Neural Networks for
Control)」、エムアイティ・プレス(MITPress)、米国
マサチューセッツ州ケンブリッジ（１９９０年）参
照。）
【００１１】ニューラルネットワークを訓練し、プロセ
スを制御するために、その他のプロセスサインもまた同
定され使用される。例えば、ある場合には、パワー、温
度、圧力などのような入力制御変数および材料のトレー
スがプロセスサインとなりうる。これらの場合には、各
入力に対して、あるセットポイント、すなわち、所望の
値または固定値が一般的に選択される。入力はこのセッ
トポイントのまわりに揺動する。この変動は、指定され
た品質属性を有する出力を生成する際のプロセスの進行
を反映するため、そのトレースは、ニューラルネットワ
ークを訓練しプロセスを制御するために使用可能なプロ
セスサインとなりうる。
スを制御するために、その他のプロセスサインもまた同
定され使用される。例えば、ある場合には、パワー、温
度、圧力などのような入力制御変数および材料のトレー
スがプロセスサインとなりうる。これらの場合には、各
入力に対して、あるセットポイント、すなわち、所望の
値または固定値が一般的に選択される。入力はこのセッ
トポイントのまわりに揺動する。この変動は、指定され
た品質属性を有する出力を生成する際のプロセスの進行
を反映するため、そのトレースは、ニューラルネットワ
ークを訓練しプロセスを制御するために使用可能なプロ
セスサインとなりうる。
【００１２】図３に、実施例においてプラズマ中の塩素
ガスの量を示す代表的放射トレースのプロットを示す。
塩素ガス放射は、波長８３７ナノメートルで測定され
た。時間の単位は、データ収集の周波数に基づいてお
り、本実施例では１単位あたり約１．９秒である。この
トレースは２段階ゲートエッチングに対するものであ
り、第１エッチング（ｔ＝２５からｔ＝１１５まで）は
ＴａＳｉエッチングであり、第２エッチングはポリシリ
コンエッチングに対するものである。ポリシリコンエッ
チング段階中、暴露されているソース領域およびドレイ
ン領域の下部酸化物の一部が不可避的にエッチングされ
る。エッチング量は、酸化物に対するポリシリコンエッ
チング条件の選択性に依存し、デバイス製造における重
要なパラメータである。時間単位ｔ＝５２で、装置は自
動零点調整され、トレースデータを正規化する。トレー
スは、放射強度に関する情報のみならず、反応容器の最
後の洗浄に関する情報も有するため、自動零点調整（正
規化）ステップは重要である。こうして、自動零点調整
ステップは、機械が経時変化するにつれて光学窓が曇る
ことを考慮に入れるように信号を調節する。ＴａＳｉエ
ッチングの後、ウェハは、異なる化学条件下でのポリシ
リコンエッチング用の第２の反応容器に移される。ｔ〜
１１５におけるスパイクは、ポリシリコンエッチング用
のＲＦパワーの投入時に生じている。現在のエッチング
終点検出法の１つは、トレースがあるしきい値と交差す
る時刻を観測し、初期エッチング時間の所定割合である
付加時間だけさらにエッチングすることである。図３の
例では、８２時間単位付近にしきい値点がある。これは
ＴａＳｉエッチングの終点を表し、８２から１１５まで
の時間はＴａＳｉ付加エッチング時間である。約１４５
付近のしきい値点はポリシリコンエッチングの終点を示
し、１４５から１７０まではポリシリコンエッチングの
付加エッチング時間である。
ガスの量を示す代表的放射トレースのプロットを示す。
塩素ガス放射は、波長８３７ナノメートルで測定され
た。時間の単位は、データ収集の周波数に基づいてお
り、本実施例では１単位あたり約１．９秒である。この
トレースは２段階ゲートエッチングに対するものであ
り、第１エッチング（ｔ＝２５からｔ＝１１５まで）は
ＴａＳｉエッチングであり、第２エッチングはポリシリ
コンエッチングに対するものである。ポリシリコンエッ
チング段階中、暴露されているソース領域およびドレイ
ン領域の下部酸化物の一部が不可避的にエッチングされ
る。エッチング量は、酸化物に対するポリシリコンエッ
チング条件の選択性に依存し、デバイス製造における重
要なパラメータである。時間単位ｔ＝５２で、装置は自
動零点調整され、トレースデータを正規化する。トレー
スは、放射強度に関する情報のみならず、反応容器の最
後の洗浄に関する情報も有するため、自動零点調整（正
規化）ステップは重要である。こうして、自動零点調整
ステップは、機械が経時変化するにつれて光学窓が曇る
ことを考慮に入れるように信号を調節する。ＴａＳｉエ
ッチングの後、ウェハは、異なる化学条件下でのポリシ
リコンエッチング用の第２の反応容器に移される。ｔ〜
１１５におけるスパイクは、ポリシリコンエッチング用
のＲＦパワーの投入時に生じている。現在のエッチング
終点検出法の１つは、トレースがあるしきい値と交差す
る時刻を観測し、初期エッチング時間の所定割合である
付加時間だけさらにエッチングすることである。図３の
例では、８２時間単位付近にしきい値点がある。これは
ＴａＳｉエッチングの終点を表し、８２から１１５まで
の時間はＴａＳｉ付加エッチング時間である。約１４５
付近のしきい値点はポリシリコンエッチングの終点を示
し、１４５から１７０まではポリシリコンエッチングの
付加エッチング時間である。
【００１３】プロセスの主要な品質パラメータはエッチ
ング後のソース領域およびドレイン領域に残留する酸化
物の厚さであるため、ポリシリコンエッチングに対する
トレースデータが、このプロセスの理想エッチング時間
を計算するために使用される。実施例では、ニューラル
ネットワークコントローラが、入力として、ポリシリコ
ンエッチングの放射トレースの２４個の測定値を使用す
る。スパイクおよび電源投入を避けるために一般に最初
の７個の測定値はスキップされる。その次の２４個のデ
ータ点が一般に全エッチング時間の最初の３分の１を構
成する。これは、エッチング完了前に入力データが十分
に収集可能であることを保証する。この入力は、ソース
領域およびドレイン領域の目標酸化物厚さを得る最適全
エッチング時間を計算するためにニューラルネットワー
クを訓練する際に使用される。
ング後のソース領域およびドレイン領域に残留する酸化
物の厚さであるため、ポリシリコンエッチングに対する
トレースデータが、このプロセスの理想エッチング時間
を計算するために使用される。実施例では、ニューラル
ネットワークコントローラが、入力として、ポリシリコ
ンエッチングの放射トレースの２４個の測定値を使用す
る。スパイクおよび電源投入を避けるために一般に最初
の７個の測定値はスキップされる。その次の２４個のデ
ータ点が一般に全エッチング時間の最初の３分の１を構
成する。これは、エッチング完了前に入力データが十分
に収集可能であることを保証する。この入力は、ソース
領域およびドレイン領域の目標酸化物厚さを得る最適全
エッチング時間を計算するためにニューラルネットワー
クを訓練する際に使用される。
【００１４】図４は、ニューラルネットワークを訓練す
る方法の説明図である。好ましい実施例では、ニューラ
ルネットワーク４０２は２４×５×１アーキテクチャ
（すなわち、２４個の入力節点、５個の隠れ節点および
１個の出力節点）であり、逆伝搬法で訓練される（後述
第ＩＩＩ節参照）。生成データベースからの結果が訓練
に使用される。この結果は、観測される酸化物厚さにお
ける広がりを示すため、データベースにおける各ランに
対して、最適な結果を達成するのに必要とされた時間を
計算することが必要となる。各ランからの酸化物厚さお
よびエッチング時間は、そのエッチング時間に対する１
次補正を計算するために、ポリシリコンエッチング反応
容器内での酸化物エッチングの既知の速度を使用して補
正することができる。次に、この補正したエッチング時
間が、ニューラルネットワークの訓練の目標として使用
される。こうして、ネットワークは、製品品質を決定す
る属性によって直接訓練される。
る方法の説明図である。好ましい実施例では、ニューラ
ルネットワーク４０２は２４×５×１アーキテクチャ
（すなわち、２４個の入力節点、５個の隠れ節点および
１個の出力節点）であり、逆伝搬法で訓練される（後述
第ＩＩＩ節参照）。生成データベースからの結果が訓練
に使用される。この結果は、観測される酸化物厚さにお
ける広がりを示すため、データベースにおける各ランに
対して、最適な結果を達成するのに必要とされた時間を
計算することが必要となる。各ランからの酸化物厚さお
よびエッチング時間は、そのエッチング時間に対する１
次補正を計算するために、ポリシリコンエッチング反応
容器内での酸化物エッチングの既知の速度を使用して補
正することができる。次に、この補正したエッチング時
間が、ニューラルネットワークの訓練の目標として使用
される。こうして、ネットワークは、製品品質を決定す
る属性によって直接訓練される。
【００１５】１次線形補正プロセス４０５は理想エッチ
ング時間を計算する。実際の観測からの酸化物厚さＴ
obsおよびエッチング時間ｔobsが既知である場合、エッ
チング速度ＥRおよび所望の厚さＴdesが与えられれば、
この所望の厚さに対する理想エッチング時間を次のよう
に計算することができる。 ｔideal＝ｔobs＋（Ｔobs−Ｔdes）／ＥR 理想エッチング時間とニューラルネットワーク推定エッ
チング時間の差は、誤差信号としてニューラルネットワ
ークにフィードバックされる。この誤差信号から、ニュ
ーラルネットワークは、荷重行列内の新しい値を計算す
ることができる。データベース内のすべての例におい
て、観測されるエッチング時間は理想エッチング時間に
接近しており、１次補正は小さい。しかし、この種の線
形補正はエッチングプロセスの終点付近で小さい補正を
する場合にのみ妥当であることに留意することが重要で
ある。エッチング手順の初期段階では、相異なる層およ
び電源投入時の過渡的効果に遭遇するため、極度に非線
形であり、挙動はよくない。このような段階は、実際の
実験データベースで考慮に入れられる。
ング時間を計算する。実際の観測からの酸化物厚さＴ
obsおよびエッチング時間ｔobsが既知である場合、エッ
チング速度ＥRおよび所望の厚さＴdesが与えられれば、
この所望の厚さに対する理想エッチング時間を次のよう
に計算することができる。 ｔideal＝ｔobs＋（Ｔobs−Ｔdes）／ＥR 理想エッチング時間とニューラルネットワーク推定エッ
チング時間の差は、誤差信号としてニューラルネットワ
ークにフィードバックされる。この誤差信号から、ニュ
ーラルネットワークは、荷重行列内の新しい値を計算す
ることができる。データベース内のすべての例におい
て、観測されるエッチング時間は理想エッチング時間に
接近しており、１次補正は小さい。しかし、この種の線
形補正はエッチングプロセスの終点付近で小さい補正を
する場合にのみ妥当であることに留意することが重要で
ある。エッチング手順の初期段階では、相異なる層およ
び電源投入時の過渡的効果に遭遇するため、極度に非線
形であり、挙動はよくない。このような段階は、実際の
実験データベースで考慮に入れられる。
【００１６】統計的学習ツールとしてニューラルネット
ワークを訓練する際に、データセットは２つのセクショ
ンに分割することができる。一方のセクションは訓練に
使用され、他方のセクションは試験に使用される。好ま
しい実施例では、６５０例から開始し、そこから５０例
が試験用に分離され、６００例がネットワークを訓練す
るために使用された。これらの６５０例のうち、エッチ
ングされた製品のパターン密度は５０％ほど変動した。
もちろんこのパターン密度情報もトレースファイルに埋
め込まれているため、明示的には考慮されなかった。こ
のようなアプローチでは、正確なエッチング時間を的確
に予測するのに十分な情報がトレースファイル内に存在
し、パターン密度がネットワークの入力に明示的に含ま
れる必要がないことが仮定されている。訓練は、訓練セ
ットから例を繰り返しランダムに選択し、結合行列を更
新するために結果の誤差を逆伝搬することからなってい
た。
ワークを訓練する際に、データセットは２つのセクショ
ンに分割することができる。一方のセクションは訓練に
使用され、他方のセクションは試験に使用される。好ま
しい実施例では、６５０例から開始し、そこから５０例
が試験用に分離され、６００例がネットワークを訓練す
るために使用された。これらの６５０例のうち、エッチ
ングされた製品のパターン密度は５０％ほど変動した。
もちろんこのパターン密度情報もトレースファイルに埋
め込まれているため、明示的には考慮されなかった。こ
のようなアプローチでは、正確なエッチング時間を的確
に予測するのに十分な情報がトレースファイル内に存在
し、パターン密度がネットワークの入力に明示的に含ま
れる必要がないことが仮定されている。訓練は、訓練セ
ットから例を繰り返しランダムに選択し、結合行列を更
新するために結果の誤差を逆伝搬することからなってい
た。
【００１７】好ましい実施例では、訓練は１０００試行
ごとに停止され、ネットワークの性能が試験セットによ
り試験された。その結果を図５に示す。エッチング前の
酸化物厚さは２０８Ａ（文字Ａにより単位オングストロ
ームを表すものとする）であった。訓練前のネットワー
クは非常に小さい荷重を有するため、初期出力のエッチ
ング時間は０付近であり、従って試験データの結果の酸
化物はエッチングされていないことになる。訓練の反復
後、ネットワーク推定は改善された。５０，０００訓練
サイクルの後、計算されたエッチング時間は平均酸化物
厚さが１４５Ａであり、人間支援法による１５１Ａとい
う値に等しい目標値に近い。さらに重要なこととして、
現在の人間支援法では酸化物厚さの標準偏差は１５．１
Ａであるが、ニューラルネットワークは同等の広がり１
５．０Ａを示した。
ごとに停止され、ネットワークの性能が試験セットによ
り試験された。その結果を図５に示す。エッチング前の
酸化物厚さは２０８Ａ（文字Ａにより単位オングストロ
ームを表すものとする）であった。訓練前のネットワー
クは非常に小さい荷重を有するため、初期出力のエッチ
ング時間は０付近であり、従って試験データの結果の酸
化物はエッチングされていないことになる。訓練の反復
後、ネットワーク推定は改善された。５０，０００訓練
サイクルの後、計算されたエッチング時間は平均酸化物
厚さが１４５Ａであり、人間支援法による１５１Ａとい
う値に等しい目標値に近い。さらに重要なこととして、
現在の人間支援法では酸化物厚さの標準偏差は１５．１
Ａであるが、ニューラルネットワークは同等の広がり１
５．０Ａを示した。
【００１８】ニューラルネットワークの学習性能を改善
するさまざまな方法がある（ジェー．デンカー(J. Denk
er)他、「大規模自動学習、規則抽出、および汎化」、C
omplex Systems、第１巻第８７７〜９２２頁（１９８７
年）参照）。最も一般的なものは、ネットワークの複雑
さを調節するものである。しかし、複雑さと誤差にはト
レードオフが存在する。あまりに複雑すぎるネットワー
クは、本質的に訓練データで参照テーブルを作成するこ
とになり、試験データに対する作用は悪くなる。実施例
のネットワークは、最小の複雑さに対して最適化され、
かつ、低い誤差を実現している。また、訓練データの量
が増大するとともに試験誤差が減少することも明らかで
ある。図６はこのことを示すプロットである。この図
は、訓練セットのサイズが増大すると、ネットワーク誤
差の標準偏差が減少することを示している。こうして、
プラズマエッチング後に残留する酸化物厚さの厳密なプ
ロセス制御が期待される。
するさまざまな方法がある（ジェー．デンカー(J. Denk
er)他、「大規模自動学習、規則抽出、および汎化」、C
omplex Systems、第１巻第８７７〜９２２頁（１９８７
年）参照）。最も一般的なものは、ネットワークの複雑
さを調節するものである。しかし、複雑さと誤差にはト
レードオフが存在する。あまりに複雑すぎるネットワー
クは、本質的に訓練データで参照テーブルを作成するこ
とになり、試験データに対する作用は悪くなる。実施例
のネットワークは、最小の複雑さに対して最適化され、
かつ、低い誤差を実現している。また、訓練データの量
が増大するとともに試験誤差が減少することも明らかで
ある。図６はこのことを示すプロットである。この図
は、訓練セットのサイズが増大すると、ネットワーク誤
差の標準偏差が減少することを示している。こうして、
プラズマエッチング後に残留する酸化物厚さの厳密なプ
ロセス制御が期待される。
【００１９】図７に、本発明のもう１つの実施例を示
す。この実施例でも、ニューラルネットワークは品質属
性の生成データ測定値で訓練される。この実施例では、
ニューラルネットワークによって監視されるプロセスサ
インは複数の入力制御変数および材料のトレースの一部
であることが可能である。例えば、ＲＦパワー、ガス流
量および圧力が、全エッチング時間を計算するために使
用される。好ましい実施例の場合のように、出力製品の
属性によって測定されるプロセス品質を保証するのに十
分な情報を反映または埋め込んだ完全な製造プロセスの
物理的特性または表示をニューラルネットワークが監視
することのみが必要である。
す。この実施例でも、ニューラルネットワークは品質属
性の生成データ測定値で訓練される。この実施例では、
ニューラルネットワークによって監視されるプロセスサ
インは複数の入力制御変数および材料のトレースの一部
であることが可能である。例えば、ＲＦパワー、ガス流
量および圧力が、全エッチング時間を計算するために使
用される。好ましい実施例の場合のように、出力製品の
属性によって測定されるプロセス品質を保証するのに十
分な情報を反映または埋め込んだ完全な製造プロセスの
物理的特性または表示をニューラルネットワークが監視
することのみが必要である。
【００２０】図１１に、本発明のさらにもう１つの実施
例を示す。この実施例では、ニューラルネットワークプ
ロセスモニタ２０２は、プロセス２０４への材料および
制御変数の入力を調整して所望の品質属性で出力製品を
生成するために、データベース１１０６からの入力情報
に加えて、プロセスサインからの入力も使用する。デー
タベース１１０６としては任意の情報記憶システムが可
能であるが、このシステムは、ニューラルネットワーク
プロセスモニタ２０２からの質問に応答してリアルタイ
ムで情報に動的にアクセスすることが可能であることが
望ましい。データベース１１０６における付加的な情報
によって、ネットワークの訓練およびプロセス変数の制
御が改善される。
例を示す。この実施例では、ニューラルネットワークプ
ロセスモニタ２０２は、プロセス２０４への材料および
制御変数の入力を調整して所望の品質属性で出力製品を
生成するために、データベース１１０６からの入力情報
に加えて、プロセスサインからの入力も使用する。デー
タベース１１０６としては任意の情報記憶システムが可
能であるが、このシステムは、ニューラルネットワーク
プロセスモニタ２０２からの質問に応答してリアルタイ
ムで情報に動的にアクセスすることが可能であることが
望ましい。データベース１１０６における付加的な情報
によって、ネットワークの訓練およびプロセス変数の制
御が改善される。
【００２１】上記のプラズマエッチングプロセスの場
合、データベース１１０６は、（光放射トレース以外
の）プロセスサインおよびパラメータ（例えば、ウェハ
あたりのチップ数、前ロットからのＲＦパワー、ＤＣバ
イアスおよびエッチング時間、ならびに前ロットで観測
した酸化物厚さに関する統計データ）に関する情報を含
む。一般に、データベース１１０６内の情報の型は、入
力材料および制御変数、ならびに、与えられたプロセス
で使用されるプロセスサインおよびプロセス変数の型お
よび多様性によって変化する。
合、データベース１１０６は、（光放射トレース以外
の）プロセスサインおよびパラメータ（例えば、ウェハ
あたりのチップ数、前ロットからのＲＦパワー、ＤＣバ
イアスおよびエッチング時間、ならびに前ロットで観測
した酸化物厚さに関する統計データ）に関する情報を含
む。一般に、データベース１１０６内の情報の型は、入
力材料および制御変数、ならびに、与えられたプロセス
で使用されるプロセスサインおよびプロセス変数の型お
よび多様性によって変化する。
【００２２】上記のように、データベース１１０６内の
情報は、図示したニューラルネットワークを訓練するた
めに使用される。訓練プロセスは、前記の図４のものと
同様である。図１２に、他のプロセスサインが、以前お
よび現在のロットの観測値および統計とともにニューラ
ルネットワークを訓練するために使用される例を示す。
情報は、図示したニューラルネットワークを訓練するた
めに使用される。訓練プロセスは、前記の図４のものと
同様である。図１２に、他のプロセスサインが、以前お
よび現在のロットの観測値および統計とともにニューラ
ルネットワークを訓練するために使用される例を示す。
【００２３】プラズマエッチングに対するエッチング終
点検出を改善するという実用的な面とは別に、この技術
は、複雑なデータから有用な情報を抽出するというニュ
ーラルネットワークの能力を示している。光放射トレー
スのみに基づいてプラズマエッチング手順の進行を監視
するのに必要な物理はおそらく非常に難しいものとな
る。しかし、ニューラルネットワークは試行錯誤によっ
て適当な情報を抽出することを単に学習する。当業者で
あれば、プロセスモニタ内のデータに必要な情報が埋め
込まれている限り、この技術は、多くの同様の制御問題
に適用可能であることが分かる。
点検出を改善するという実用的な面とは別に、この技術
は、複雑なデータから有用な情報を抽出するというニュ
ーラルネットワークの能力を示している。光放射トレー
スのみに基づいてプラズマエッチング手順の進行を監視
するのに必要な物理はおそらく非常に難しいものとな
る。しかし、ニューラルネットワークは試行錯誤によっ
て適当な情報を抽出することを単に学習する。当業者で
あれば、プロセスモニタ内のデータに必要な情報が埋め
込まれている限り、この技術は、多くの同様の制御問題
に適用可能であることが分かる。
【００２４】［ＩＩＩ．ニューラルネットワーク］ニュ
ーラルネットワークは、生物学的なニューラルネットワ
ーク（神経回路網）を大まかにまねてモデル化されてい
る。こうしたネットワークの基礎となる物理的モデル
は、その生物学的対応物の挙動をモデル化するという初
期の試みから発展している。一般にネットワークは、能
動素子（ニューロン）の層からなり、生物学的ネットワ
ークでみられるようなシナプスを刺激する可変強度結合
行列によって結合されている。相互結合された非線形ニ
ューロンの層状ネットワークは、パターン認識、信号処
理、システム識別、音声処理ならびにロボットおよび機
械の制御のような問題での使用が増大している。その最
も強力な利点は、他の非線形システムの挙動を模倣する
ことを適応的に学習するという能力にある。この適応学
習プロセスは、ネットワークが所望の特性を示すまで徐
々に修正されるという試行錯誤アプローチに基づく。
（ニューラルネットワーク技術の歴史的概説について
は、ビー．ウィドロウ(B. Widrow)、エム．エー．レー
ア(M. A. Lehr)、「適応ニューラルネットワークの３０
年：知覚、マダリン、および逆伝搬」、Proc. IEEE、第
７８巻第９号第１４１５〜１４４２ページ（１９９０年
９月）参照。）
ーラルネットワークは、生物学的なニューラルネットワ
ーク（神経回路網）を大まかにまねてモデル化されてい
る。こうしたネットワークの基礎となる物理的モデル
は、その生物学的対応物の挙動をモデル化するという初
期の試みから発展している。一般にネットワークは、能
動素子（ニューロン）の層からなり、生物学的ネットワ
ークでみられるようなシナプスを刺激する可変強度結合
行列によって結合されている。相互結合された非線形ニ
ューロンの層状ネットワークは、パターン認識、信号処
理、システム識別、音声処理ならびにロボットおよび機
械の制御のような問題での使用が増大している。その最
も強力な利点は、他の非線形システムの挙動を模倣する
ことを適応的に学習するという能力にある。この適応学
習プロセスは、ネットワークが所望の特性を示すまで徐
々に修正されるという試行錯誤アプローチに基づく。
（ニューラルネットワーク技術の歴史的概説について
は、ビー．ウィドロウ(B. Widrow)、エム．エー．レー
ア(M. A. Lehr)、「適応ニューラルネットワークの３０
年：知覚、マダリン、および逆伝搬」、Proc. IEEE、第
７８巻第９号第１４１５〜１４４２ページ（１９９０年
９月）参照。）
【００２５】図８に、代表的なフィードフォワード型ニ
ューラルネットワークの概略図を示す。長方形でニュー
ロン８０５〜８１１（節点ともいう）を示し、各節点を
結合する線でシナプス結合８１５〜８１６を示す。この
ようなネットワークの顕著な特質は、フィードバックが
ないことである。信号は、ネットワークを通して並列経
路で流れ、下位の節点にのみ結合される。このようなネ
ットワークのアナログ電子ハードウェアバージョンで
は、この高度に並列のアーキテクチャによって、高い等
価計算速度で動作することが可能となる。この物理的モ
デルに基づくソフトウェアネットワークは、同じ並列性
の利益を実現するものではないが、こうしたネットワー
クが適応的に学習する能力を活用することができる。
ューラルネットワークの概略図を示す。長方形でニュー
ロン８０５〜８１１（節点ともいう）を示し、各節点を
結合する線でシナプス結合８１５〜８１６を示す。この
ようなネットワークの顕著な特質は、フィードバックが
ないことである。信号は、ネットワークを通して並列経
路で流れ、下位の節点にのみ結合される。このようなネ
ットワークのアナログ電子ハードウェアバージョンで
は、この高度に並列のアーキテクチャによって、高い等
価計算速度で動作することが可能となる。この物理的モ
デルに基づくソフトウェアネットワークは、同じ並列性
の利益を実現するものではないが、こうしたネットワー
クが適応的に学習する能力を活用することができる。
【００２６】出力に直接結合されていないニューロンの
層をしばしば隠れ層という。図８にはただ１つの隠れ層
（節点８０５〜８０９）が示されている。各ニューロン
は、前層のすべての信号の荷重和をとる加算節点として
作用する。さらに、各ニューロンには活性化関数という
応答曲線８２０が対応する。隠れニューロンは、通常、
シグモイド型、または階段型の活性化関数を有するよう
に選択される。双曲正接（アークタンジェント）関数お
よびフェルミ関数が、ソフトウェアネットワークで一般
的に使用される数学関数の例であり、いずれも正確な形
態を有し、相当の結果を与える。これらがシグモイド型
であることが重要である。非線形性が、適応ネットワー
クによって、非線形出力応答を構成するために使用され
る。ただし、その飽和性は、全ネットワークの応答を良
好に有界に保持し、多項式曲線近似のような他の非線形
法から生じうる抑制されない挙動を防ぐ。好ましい実施
例では、例として双曲正接関数が使用される。一方、最
終層の出力ニューロン８１０〜８１１の活性化関数は、
通常のように線形である。これによって無制限のダイナ
ミックレンジが得られ、ネットワークが、任意に大きい
出力信号を生成することが可能となる。
層をしばしば隠れ層という。図８にはただ１つの隠れ層
（節点８０５〜８０９）が示されている。各ニューロン
は、前層のすべての信号の荷重和をとる加算節点として
作用する。さらに、各ニューロンには活性化関数という
応答曲線８２０が対応する。隠れニューロンは、通常、
シグモイド型、または階段型の活性化関数を有するよう
に選択される。双曲正接（アークタンジェント）関数お
よびフェルミ関数が、ソフトウェアネットワークで一般
的に使用される数学関数の例であり、いずれも正確な形
態を有し、相当の結果を与える。これらがシグモイド型
であることが重要である。非線形性が、適応ネットワー
クによって、非線形出力応答を構成するために使用され
る。ただし、その飽和性は、全ネットワークの応答を良
好に有界に保持し、多項式曲線近似のような他の非線形
法から生じうる抑制されない挙動を防ぐ。好ましい実施
例では、例として双曲正接関数が使用される。一方、最
終層の出力ニューロン８１０〜８１１の活性化関数は、
通常のように線形である。これによって無制限のダイナ
ミックレンジが得られ、ネットワークが、任意に大きい
出力信号を生成することが可能となる。
【００２７】ニューロンの創刊の相互結合は、荷重行列
の可変結合強度成分である。ソフトウェアネットワーク
では、図８の物理アーキテクチャは次式によって記述さ
れる。
の可変結合強度成分である。ソフトウェアネットワーク
では、図８の物理アーキテクチャは次式によって記述さ
れる。
【数１】 この関係式は、入力ｉiのセットに対する出力層のｋ番
目のニューロンの線形出力ｏkを記述する。さらに多く
の隠れ層を追加したネットワークに対する式は、各追加
層に対する追加の和および非線形活性化関数を含むこと
になる。行列Ｗ１は入力−隠れ層行列であり、Ｗ２行列
は隠れ−出力行列である。
目のニューロンの線形出力ｏkを記述する。さらに多く
の隠れ層を追加したネットワークに対する式は、各追加
層に対する追加の和および非線形活性化関数を含むこと
になる。行列Ｗ１は入力−隠れ層行列であり、Ｗ２行列
は隠れ−出力行列である。
【００２８】層の数および各層のニューロンの数にかか
わらず、基本的アーキテクチャおよびネットワーク内の
素子は一般的である。この種のネットワークは相互に類
似する。ネットワークの作用は、その能動素子であるニ
ューロンによって決定されるのではなく、それらの間の
相互結合によって決定される。基本的なアイデアは、図
９に概略を示すように、出力の平均二乗根（ｒｍｓ）誤
差を最小にするように個々の相互結合Ｗ１ijおよびＷ２
jkの値を調節することである。このプロセスは徐々に行
われる。すなわち、各試行後の結合の変化は小さい。し
かし、各変化ごとに、ネットワークは所望の応答をより
近似するようになる。
わらず、基本的アーキテクチャおよびネットワーク内の
素子は一般的である。この種のネットワークは相互に類
似する。ネットワークの作用は、その能動素子であるニ
ューロンによって決定されるのではなく、それらの間の
相互結合によって決定される。基本的なアイデアは、図
９に概略を示すように、出力の平均二乗根（ｒｍｓ）誤
差を最小にするように個々の相互結合Ｗ１ijおよびＷ２
jkの値を調節することである。このプロセスは徐々に行
われる。すなわち、各試行後の結合の変化は小さい。し
かし、各変化ごとに、ネットワークは所望の応答をより
近似するようになる。
【００２９】結合行列の変化を計算する広く使用されて
いる適応的方法は、誤差の逆伝搬法である。（ディ．イ
ー．ラメルハート(D. E. Rumelhart)、ジー．イー．ヒ
ントン(G. E. Hinton)、アール．ジェー．ウィリアムズ
(R. J. Williams)、「誤差伝搬による内部表現の学
習」、Parallel Distributed Processing、第１巻第３
１８〜３３０ページ、エムアイティ・プレス、米国マサ
チューセッツ州ケンブリッジ（１９８６年）参照。ま
た、イー．エー．リートマン(E. A. Rietman)、アー
ル．シー．フライ(R. C. Frye)、「ニューラルネットワ
ークの逆伝搬アルゴリズム」、Algorithm、第１．４巻
第１７ページ（１９９０年５／６月）も参照。）逆伝搬
法によるニューラルネットワークの訓練は、ネットワー
ク出力と目標応答の間の誤差を最小にするために、いく
つかの行列の要素を調節することからなる。この方法
は、デルタルール（ラメルハート前掲書第３２１ページ
参照）の一般化であり、勾配降下最適化法に基づく。こ
れは、ネットワークの出力における平均二乗誤差を所望
の応答と比較して最小にしようとするものである。複数
の出力を有するネットワークでは、ｒｍｓ誤差は次式に
よって与えられる。
いる適応的方法は、誤差の逆伝搬法である。（ディ．イ
ー．ラメルハート(D. E. Rumelhart)、ジー．イー．ヒ
ントン(G. E. Hinton)、アール．ジェー．ウィリアムズ
(R. J. Williams)、「誤差伝搬による内部表現の学
習」、Parallel Distributed Processing、第１巻第３
１８〜３３０ページ、エムアイティ・プレス、米国マサ
チューセッツ州ケンブリッジ（１９８６年）参照。ま
た、イー．エー．リートマン(E. A. Rietman)、アー
ル．シー．フライ(R. C. Frye)、「ニューラルネットワ
ークの逆伝搬アルゴリズム」、Algorithm、第１．４巻
第１７ページ（１９９０年５／６月）も参照。）逆伝搬
法によるニューラルネットワークの訓練は、ネットワー
ク出力と目標応答の間の誤差を最小にするために、いく
つかの行列の要素を調節することからなる。この方法
は、デルタルール（ラメルハート前掲書第３２１ページ
参照）の一般化であり、勾配降下最適化法に基づく。こ
れは、ネットワークの出力における平均二乗誤差を所望
の応答と比較して最小にしようとするものである。複数
の出力を有するネットワークでは、ｒｍｓ誤差は次式に
よって与えられる。
【数２】 ただし、ｔkおよびｏkはそれぞれベクトルの第ｋ成分に
対する目標値および出力値である。ネットワークが時不
変である場合、その出力は、式（１）のように、入力ｉ
iならびに結合荷重行列Ｗ１ijおよびＷ２jkの現在の値
にのみ依存する。特定の入力ベクトルに対して、誤差
は、ネットワークを結合する荷重成分の値によって決定
される。適応手順で使用される方法は、これらの結合
を、荷重空間における誤差の勾配に比例する量だけ変化
させるものである。すなわち、与えられた荷重成分ｗij
に対して、次式のようにする。
対する目標値および出力値である。ネットワークが時不
変である場合、その出力は、式（１）のように、入力ｉ
iならびに結合荷重行列Ｗ１ijおよびＷ２jkの現在の値
にのみ依存する。特定の入力ベクトルに対して、誤差
は、ネットワークを結合する荷重成分の値によって決定
される。適応手順で使用される方法は、これらの結合
を、荷重空間における誤差の勾配に比例する量だけ変化
させるものである。すなわち、与えられた荷重成分ｗij
に対して、次式のようにする。
【数３】
【００３０】この方法により、ネットワークの荷重行列
が進化するにつれて平均誤差が減少する。いま考えてい
るような種類の層状ネットワークでは、各試行後の荷重
の変化は誤差自体に比例する。これによってシステム
は、誤差が小さくなるにつれて安定な荷重配置に落ち着
くようになる。しかし、この変化が０になるのは、荷重
空間における誤差の勾配が０になるときのみである。こ
の零点は、真の大域的最小値を表すことも、単に局所的
最小値を表すこともあるが、実用的な観点から、この勾
配降下アルゴリズムは一般に有用な解を与える。
が進化するにつれて平均誤差が減少する。いま考えてい
るような種類の層状ネットワークでは、各試行後の荷重
の変化は誤差自体に比例する。これによってシステム
は、誤差が小さくなるにつれて安定な荷重配置に落ち着
くようになる。しかし、この変化が０になるのは、荷重
空間における誤差の勾配が０になるときのみである。こ
の零点は、真の大域的最小値を表すことも、単に局所的
最小値を表すこともあるが、実用的な観点から、この勾
配降下アルゴリズムは一般に有用な解を与える。
【００３１】一般化デルタルールは、式（５）から導出
される単純な計算アルゴリズムである。図１０に、ネッ
トワークの一般の層を示す。この表現では、層の出力は
信号のベクトルｏjである。その入力ベクトルｏi自体も
先行する層からの出力でありうる。さらに、出力ベクト
ルｏjは、次の層への入力を与えうる。ニューロン１０
０１〜１００４は、活性化関数ｆjを有し、荷重行列ｗ
ijによって入力ベクトルに結合される。各ニューロンへ
の正味の入力は次式で与えられる。
される単純な計算アルゴリズムである。図１０に、ネッ
トワークの一般の層を示す。この表現では、層の出力は
信号のベクトルｏjである。その入力ベクトルｏi自体も
先行する層からの出力でありうる。さらに、出力ベクト
ルｏjは、次の層への入力を与えうる。ニューロン１０
０１〜１００４は、活性化関数ｆjを有し、荷重行列ｗ
ijによって入力ベクトルに結合される。各ニューロンへ
の正味の入力は次式で与えられる。
【数４】 また、出力ベクトルは次式で与えられる。
【数５】 図の層に対して、荷重変化は次式のとおりである。
【数６】 この関係式で、ηは学習率であり、図３で明示しなかっ
た比例定数である。問題となっている層が出力層である
場合、δjは次式で与えられる。
た比例定数である。問題となっている層が出力層である
場合、δjは次式で与えられる。
【数７】 ただし、ｔjは目標（すなわち所望の）出力ベクトルで
あり、ｆj´はニューロンの活性化関数の入力信号に関
する微分を表す。線形出力ニューロンの場合、ｆj´は
単なる定数（通常１）である。しかし、層がネットワー
ク内部に隠れている場合、目標応答がどうなるかは直接
明らかではない。この場合、δjは次式を使用して反復
的に定義される。
あり、ｆj´はニューロンの活性化関数の入力信号に関
する微分を表す。線形出力ニューロンの場合、ｆj´は
単なる定数（通常１）である。しかし、層がネットワー
ク内部に隠れている場合、目標応答がどうなるかは直接
明らかではない。この場合、δjは次式を使用して反復
的に定義される。
【数８】 ただし、δkおよびｗjkは、問題となっている層の直後
の（すなわち、図７の層の右側の）層に関するものであ
る。従って、例えば式（１）によって記述されるネット
ワークでは、隠れ層に対するδjは出力層からのδk、行
列Ｗ２jkおよびｆ j´＝ｓｅｃｈ2を使用して計算され
る。実際には、入力は最初にネットワークを通過して前
方に伝搬する。荷重変化がまず最終層で式（７）および
（８）を使用して計算され、続いて式（６）および
（８）を使用してネットワークを層ごとに後方に向かっ
て計算される。
の（すなわち、図７の層の右側の）層に関するものであ
る。従って、例えば式（１）によって記述されるネット
ワークでは、隠れ層に対するδjは出力層からのδk、行
列Ｗ２jkおよびｆ j´＝ｓｅｃｈ2を使用して計算され
る。実際には、入力は最初にネットワークを通過して前
方に伝搬する。荷重変化がまず最終層で式（７）および
（８）を使用して計算され、続いて式（６）および
（８）を使用してネットワークを層ごとに後方に向かっ
て計算される。
【００３２】このように、ニューラルネットワークは、
本質的には、ノンパラメトリック非線形学習アルゴリズ
ムである。変数の集団に関する仮定はなく、変数の関数
関係に関する仮定もない。唯一の仮定は、入力と出力の
間に因果関係が存在し、それはニューラルネットワーク
によって学習可能であるということである。（エス．ダ
ブリュ．ワイス(S. W. Weiss)、シー．エー．クロコウ
スキ(C. A. Kulokowski)、「学習するコンピュータシス
テム：統計、ニューラルネット、機械学習、およびエキ
スパートシステムからの分類および予測方法(Computer
Systems That Learn: Classification and Prediction
Methods from Statistics, Neural Nets, Machine Lear
ning, and Expert Systems)」、モーガン・カウフマン
(Morgan Kaufman)、米国カリフォルニア州サン・マテオ
（１９９１年）、ケー．ホーニク(K. Hornik)、エム．
スティンチコンブ(M. Stinchcombe)、エイチ．ホワイト
(H.White)、「多層フィードフォワードネットワークを
使用した未知の写像およびその導関数の普遍的近似」、
Neural Networks、第３巻第５５１〜５６０ページ（１
９９０年）参照。）
本質的には、ノンパラメトリック非線形学習アルゴリズ
ムである。変数の集団に関する仮定はなく、変数の関数
関係に関する仮定もない。唯一の仮定は、入力と出力の
間に因果関係が存在し、それはニューラルネットワーク
によって学習可能であるということである。（エス．ダ
ブリュ．ワイス(S. W. Weiss)、シー．エー．クロコウ
スキ(C. A. Kulokowski)、「学習するコンピュータシス
テム：統計、ニューラルネット、機械学習、およびエキ
スパートシステムからの分類および予測方法(Computer
Systems That Learn: Classification and Prediction
Methods from Statistics, Neural Nets, Machine Lear
ning, and Expert Systems)」、モーガン・カウフマン
(Morgan Kaufman)、米国カリフォルニア州サン・マテオ
（１９９１年）、ケー．ホーニク(K. Hornik)、エム．
スティンチコンブ(M. Stinchcombe)、エイチ．ホワイト
(H.White)、「多層フィードフォワードネットワークを
使用した未知の写像およびその導関数の普遍的近似」、
Neural Networks、第３巻第５５１〜５６０ページ（１
９９０年）参照。）
【００３３】実際に、酸化物厚さの検査の操作と、次の
エッチングのエッチング時間を調節することの間にはこ
のような因果関係が存在するため、ニューラルネットワ
ークは集積回路製造プロセスにおいて有用となりうる。
エッチングのエッチング時間を調節することの間にはこ
のような因果関係が存在するため、ニューラルネットワ
ークは集積回路製造プロセスにおいて有用となりうる。
【００３４】
【発明の効果】以上述べたごとく、本発明によれば、酸
化物厚さと付加エッチング時間の間の関係を反映するプ
ロセスサインを同定することにより、そのプロセスサイ
ンに関する情報が、ニューラルネットワークを訓練する
ため、および、前記第ＩＩ節で好ましい実施例の説明に
よって示したようなエッチング時間調節に関する予測を
するために、使用可能である。上記のニューラルネット
ワークコントローラは、人間支援法に匹敵する酸化物厚
さの標準偏差を生成した。このように、ニューラルネッ
トワークコントローラは、製品品質の均一性を高め、製
造プロセスにおいて高い歩留まりおよび低いコストをも
たらすという利点を有する。
化物厚さと付加エッチング時間の間の関係を反映するプ
ロセスサインを同定することにより、そのプロセスサイ
ンに関する情報が、ニューラルネットワークを訓練する
ため、および、前記第ＩＩ節で好ましい実施例の説明に
よって示したようなエッチング時間調節に関する予測を
するために、使用可能である。上記のニューラルネット
ワークコントローラは、人間支援法に匹敵する酸化物厚
さの標準偏差を生成した。このように、ニューラルネッ
トワークコントローラは、製品品質の均一性を高め、製
造プロセスにおいて高い歩留まりおよび低いコストをも
たらすという利点を有する。
【図１】集積回路を製造する際のプラズマエッチングス
テップの説明図である。
テップの説明図である。
【図２】製造プロセスを調整するニューラルネットワー
クプロセスモニタの図である。
クプロセスモニタの図である。
【図３】代表的な放射トレースのプロットの図である。
【図４】ニューラルネットワークを訓練するシステムの
ブロック図である。
ブロック図である。
【図５】ニューラルネットワークに対する学習試行回数
の関数として、生成されたゲートの平均厚さを示す図で
ある。
の関数として、生成されたゲートの平均厚さを示す図で
ある。
【図６】ニューラルネットワークの性能をデータベース
サイズの関数として示す図である。
サイズの関数として示す図である。
【図７】製造プロセスを調整するために入力制御変数お
よび物質を監視するニューラルネットワークコントロー
ラの図である。
よび物質を監視するニューラルネットワークコントロー
ラの図である。
【図８】フィードフォワードニューラルネットワークの
概略図である。
概略図である。
【図９】荷重行列要素を調節する適応手順の図である。
【図１０】フィードフォワードネットワーク内の一般的
な層の図である。
な層の図である。
【図１１】製造プロセスを調整するニューラルネットワ
ークプロセスモニタおよびデータベースの図である。
ークプロセスモニタおよびデータベースの図である。
【図１２】データベース情報を使用してニューラルネッ
トワークを訓練するシステムのブロック図である。
トワークを訓練するシステムのブロック図である。
１０ シリコンウェハ基板 １２ 酸化物層 １３ ウェル １４ ポリシリコン層 １６ タンタルシリコン層 １８ ホトレジスト材料 ２２ ソース領域 ２４ ドレイン領域 ２０２ ニューラルネットワークプロセスモニタ ２０４ プロセス ４０２ ニューラルネットワークコントローラ ４０５ １次線形補正プロセス ８０５〜８１１ ニューロン（節点） ８１５、８１６ シナプス接続 ８２０ 応答曲線 １００１〜１００４ ニューロン １１０６ データベース
───────────────────────────────────────────────────── フロントページの続き (72)発明者 ロバート チャールズ フライ アメリカ合衆国、08854 ニュージャージ ー、ピスカタウェイ、カールトン アヴェ ニュー 334ビー (72)発明者 トーマス リチャード ハリー アメリカ合衆国、08610 ニュージャージ ー、トレントン、ウッドランド ストリー ト 418 (72)発明者 アール ライアン ローリー アメリカ合衆国、08534 ニュージャージ ー、ペニングトン、ハーバートン ウッズ ヴィル ロード 339 (72)発明者 エドワード アロイス リエットマン アメリカ合衆国、07940 ニュージャージ ー、マディソン、ダーウッド プレイス 13
Claims (12)
- 【請求項１】 ニューラルネットワークを使用してプロ
セスにおける１以上の変数のセットを制御して１以上の
品質属性のセットによって特徴づけられる製品を生成す
る方法において、 前記品質属性のセットと前記変数のセットの間の関係を
反映する１以上のプロセスサインのセットを識別するス
テップと、 前記プロセスサインを測定して記録を形成するステップ
と、 前記記録から前記ニューラルネットワークへデータを送
るステップと、 前記データに基づいて前記ネットワークを使用して前記
変数のセットを制御するステップとからなることを特徴
とするニューラルネットワーク使用方法。 - 【請求項２】 前記ニューラルネットワークが前記品質
属性のセットの測定値および前記プロセスサインの以前
のデータによって訓練されることを特徴とする請求項１
の方法。 - 【請求項３】 前記ニューラルネットワークが逆伝搬法
によって訓練されることを特徴とする請求項１の方法。 - 【請求項４】 前記ニューラルネットワークを使用して
データベースからの情報に基づいて前記変数のセットを
制御するステップをさらに有することを特徴とする請求
項１の方法。 - 【請求項５】 プラズマエッチングプロセスにおける１
以上のプロセス変数のセットを制御して１以上の品質属
性のセットによって特徴づけられる製品を生成する方法
において、 前記プロセス変数のセットと前記品質属性のセットの間
の関係を反映する１以上のプロセスサインのセットを識
別するステップと、 前記プロセスサインのセットを測定して記録を形成する
ステップと、 前記記録からニューラルネットワークへデータを送るス
テップと、 前記プロセスサインの記録からの以前のデータおよび前
記品質属性の以前のデータによって前記ニューラルネッ
トワークを訓練するステップと、 前記訓練および前記記録からの前記データに基づいて前
記プロセス変数のセットを制御するステップとからなる
ことを特徴とするニューラルネットワーク使用方法。 - 【請求項６】 前記プロセス変数のセットがエッチング
時間であることを特徴とする請求項５の方法。 - 【請求項７】 前記エッチングプロセスが、選択的に材
料の第１の層を除去してある厚さを有する下部の材料の
第２の層を露出させ、前記品質属性が、前記エッチング
プロセスの完了時の第２層の厚さであることを特徴とす
る請求項５の方法。 - 【請求項８】 前記プロセスサインのセットがプラズマ
放射であることを特徴とする請求項５の方法。 - 【請求項９】 前記プロセスサインのセットが正規化さ
れた後、前記プロセスサインのセットの前記測定中にデ
ータが収集されることを特徴とする請求項５の方法。 - 【請求項１０】 前記ニューラルネットワークが逆伝搬
法によって訓練されることを特徴とする請求項５の方
法。 - 【請求項１１】 データベースからの情報に基づいて前
記プロセス変数のセットを制御するステップをさらに有
することを特徴とする請求項５の方法。 - 【請求項１２】 選択的に材料の第１の層を除去してあ
る厚さを有する下部の材料の第２の層を露出させるプラ
ズマエッチングプロセスにおけるエッチング時間を制御
する方法において、 前記プラズマエッチングプロセスからのプラズマ放射を
測定して記録を形成するステップと、 前記記録からニューラルネットワークへデータを送るス
テップと、 前記第２層の所望の厚さに対する理想エッチング時間を
ｔidealとし、実際のエッチング時間をｔobsとし、前記
プラズマエッチングプロセスの終了時の前記第２層の観
測される厚さをＴobsとし、前記プラズマエッチングプ
ロセスの終了時の前記第２層の所望の厚さをＴdesと
し、前記プラズマエッチングプロセスのエッチング速度
を表す定数をＥRとしたとき、規則 ｔideal＝ｔobs＋（Ｔobs−Ｔdes）／ＥR に従って前記エッチング時間を制御する１次線形補正を
計算することにより、前記ニューラルネットワークを訓
練するステップと、 前記訓練および前記記録からのデータに基づいて前記エ
ッチング時間を制御するステップとからなることを特徴
とするニューラルネットワーク使用方法。
Applications Claiming Priority (4)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US99030892A | 1992-12-14 | 1992-12-14 | |
| US990308 | 1992-12-14 | ||
| US150261 | 1993-11-17 | ||
| US08/150,261 US5467883A (en) | 1992-12-14 | 1993-11-17 | Active neural network control of wafer attributes in a plasma etch process |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH06348679A true JPH06348679A (ja) | 1994-12-22 |
Family
ID=25536011
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP5342036A Pending JPH06348679A (ja) | 1992-12-14 | 1993-12-14 | ニューラルネットワーク使用方法 |
Country Status (3)
| Country | Link |
|---|---|
| EP (1) | EP0602855A1 (ja) |
| JP (1) | JPH06348679A (ja) |
| SG (1) | SG70554A1 (ja) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH08330287A (ja) * | 1995-05-19 | 1996-12-13 | At & T Corp | アクティブ・ニューラル・ネットワークによるプラズマ・エッチング・プロセスの終点の決定 |
| JP2003524701A (ja) * | 1998-03-03 | 2003-08-19 | ラム リサーチ コーポレイション | プラズマプロセスによる表面プロファイルを予測するための方法及び装置 |
| JP2010283383A (ja) * | 2010-08-31 | 2010-12-16 | Hitachi Ltd | 半導体デバイス製造方法およびそのシステム |
| JP2023500581A (ja) * | 2019-10-08 | 2023-01-10 | インターナショナル・ビジネス・マシーンズ・コーポレーション | オン・ウェーハ測定を予測するための多段ｌｓｔｍを用いたツール制御 |
| JP2023534197A (ja) * | 2020-07-08 | 2023-08-08 | ユニバーシティ オブ エクセター | 処理装置の制御 |
| KR20240132400A (ko) * | 2019-03-25 | 2024-09-03 | 에이에스엠엘 네델란즈 비.브이. | 패터닝 공정에서 패턴을 결정하는 방법 |
| JP2025513094A (ja) * | 2022-02-15 | 2025-04-23 | アプライド マテリアルズ インコーポレイテッド | プロセス制御ノブの推定 |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE19730644C1 (de) | 1997-07-17 | 1998-11-19 | Bosch Gmbh Robert | Verfahren zum Erkennen des Übergangs unterschiedlicher Materialien in Halbleiterstrukturen bei einer anisotropen Tiefenätzung |
| US5971591A (en) * | 1997-10-20 | 1999-10-26 | Eni Technologies, Inc. | Process detection system for plasma process |
| DE10002377A1 (de) | 2000-01-20 | 2001-08-02 | Infineon Technologies Ag | Spule und Spulensystem zur Integration in eine mikroelektronische Schaltung sowie mikroelektronische Schaltung |
| EP1252652A1 (de) | 2000-01-25 | 2002-10-30 | Infineon Technologies AG | Verfahren zur überwachung eines herstellungsprozesses |
| KR100375559B1 (ko) * | 2001-07-03 | 2003-03-10 | 삼성전자주식회사 | 공정장치의 제어방법 |
| TWI264043B (en) * | 2002-10-01 | 2006-10-11 | Tokyo Electron Ltd | Method and system for analyzing data from a plasma process |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0443249B1 (en) * | 1990-02-22 | 1997-03-05 | AT&T Corp. | Manufacturing adjustment during article fabrication |
-
1993
- 1993-12-03 SG SG1996004001A patent/SG70554A1/en unknown
- 1993-12-03 EP EP93309691A patent/EP0602855A1/en not_active Withdrawn
- 1993-12-14 JP JP5342036A patent/JPH06348679A/ja active Pending
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH08330287A (ja) * | 1995-05-19 | 1996-12-13 | At & T Corp | アクティブ・ニューラル・ネットワークによるプラズマ・エッチング・プロセスの終点の決定 |
| JP2003524701A (ja) * | 1998-03-03 | 2003-08-19 | ラム リサーチ コーポレイション | プラズマプロセスによる表面プロファイルを予測するための方法及び装置 |
| JP2010282636A (ja) * | 1998-03-03 | 2010-12-16 | Lam Res Corp | プラズマプロセスによる表面プロファイルを予測するための方法及び装置 |
| JP2010283383A (ja) * | 2010-08-31 | 2010-12-16 | Hitachi Ltd | 半導体デバイス製造方法およびそのシステム |
| KR20240132400A (ko) * | 2019-03-25 | 2024-09-03 | 에이에스엠엘 네델란즈 비.브이. | 패터닝 공정에서 패턴을 결정하는 방법 |
| JP2023500581A (ja) * | 2019-10-08 | 2023-01-10 | インターナショナル・ビジネス・マシーンズ・コーポレーション | オン・ウェーハ測定を予測するための多段ｌｓｔｍを用いたツール制御 |
| US12197133B2 (en) | 2019-10-08 | 2025-01-14 | International Business Machines Corporation | Tool control using multistage LSTM for predicting on-wafer measurements |
| JP2023534197A (ja) * | 2020-07-08 | 2023-08-08 | ユニバーシティ オブ エクセター | 処理装置の制御 |
| JP2025513094A (ja) * | 2022-02-15 | 2025-04-23 | アプライド マテリアルズ インコーポレイテッド | プロセス制御ノブの推定 |
Also Published As
| Publication number | Publication date |
|---|---|
| SG70554A1 (en) | 2000-02-22 |
| EP0602855A1 (en) | 1994-06-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US5467883A (en) | Active neural network control of wafer attributes in a plasma etch process | |
| US5737496A (en) | Active neural network control of wafer attributes in a plasma etch process | |
| Himmel et al. | Advantages of plasma etch modeling using neural networks over statistical techniques | |
| JPH06348679A (ja) | ニューラルネットワーク使用方法 | |
| US6904328B2 (en) | Large scale process control by driving factor identification | |
| Rietman et al. | Use of neural networks in modeling semiconductor manufacturing processes: An example for plasma etch modeling | |
| Kim et al. | Modelling of plasma etching using a generalized regression neural network | |
| JP2022522807A (ja) | 回帰型ニューラルネットワークのルジャンドルメモリユニット | |
| Saxén et al. | Identification of switching linear systems using self-organizing models with application to silicon prediction in hot metal | |
| CN110018675A (zh) | 基于lwdnn-arx模型的非线性系统建模方法 | |
| Liu et al. | Enhancing threshold neural network via suprathreshold stochastic resonance for pattern classification | |
| Terzi et al. | Deep learning for virtual metrology: Modeling with optical emission spectroscopy data | |
| Abiyev et al. | Identification and control of dynamic plants using fuzzy wavelet neural networks | |
| US20030140019A1 (en) | Self-organizing feature map with improved performance by non-monotonic variation of the learning rate | |
| Fan et al. | Product-to-product virtual metrology of color filter processes in panel industry | |
| CN114564688A (zh) | 一种基于bp神经网络确定离子束抛光去除函数的方法 | |
| US20060036345A1 (en) | Systems and method for lights-out manufacturing | |
| Kim et al. | Modeling plasma etching process using a radial basis function network | |
| CN116053164A (zh) | 一种关键尺寸控制方法及系统 | |
| Mevawalla et al. | Neural network modeling for advanced process control using production data | |
| Spanos et al. | Using qualitative observations for process tuning and control [IC manufacture] | |
| Harrington | Temperature-constrained backpropagation neural networks | |
| Nasr et al. | A self-organizing map-based initialization for hybrid training of feedforward neural networks | |
| Creech et al. | Neural network modeling of GaAs IC material and MESFET device characteristics | |
| Kim et al. | Diagnosis of plasma processing equipment using neural network recognition of wavelet-filtered impedance matching |