JPH0637021A - 学習予測・指示機能付半導体製造装置 - Google Patents

Abstract

(57)【要約】 【目的】同一反応室構造，同一成膜原理の半導体製造装
置の学習ニューラルネットワーク（神経網）を用いた膜
質予測・成膜条件指示システムを低費用，短期間に作成
する。 【構成】成膜条件とプラズマ発光スペクトルの関係を神
経網に学習させる事は比較的容易であるがこの関係は製
造装置のバラツキに依存し、スペクトルと膜質の関係を
学習させる事は時間，費用がかかる反面、製造装置のバ
ラツキに依存しない事に着目し、新たな製造装置を用い
て成膜条件とスペクトルの関係を学習させた神経網３
５’または３６’と既存の製造装置を用いてスペクトル
と膜質データの関係を学習させた神経網３７又は３８の
両者３５’及び３７又は３８及び３６’を直列にして、
３５’と３７の直列神経網からは成膜条件２３を与えて
得られる膜質を予測させ、３８と３６’の直列神経網か
らは膜質２４を与えてこれに要する成膜条件を指示させ
る。

Description

【発明の詳細な説明】

【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条件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・残留応力・成膜速度・エ
ッチング速度等の膜質を表わす評価項目があり、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】このような成膜を行う半導体製造装置に
は、本出願人の先願（特願平３−２９９３２６）になる
学習予測・指示機能付の半導体製造装置、即ち成膜用各
種ガスの流量，圧応室圧力，成膜時間等の成膜条件（成
膜パラメータともいう）と、この成膜条件で得られる
（前記評価項目で表わされるような）膜質との関係をニ
ューラルネットワークに学習させることにより、これか
ら成膜する成膜条件に対する膜質を予測したり、欲しい
膜質が得られる成膜条件を指示する機能を持つものがあ
る。

【０００４】

【発明が解決しようとする課題】しかし同一反応室構
造，同一成膜原理の半導体製造装置において同一の成膜
条件で成膜しても、装置ごとの構成部品のばらつきや組
立誤差などが原因で異なる膜が得られてしまうという問
題がある。そのため、作成したニューラルネットワーク
を、学習データを取り寄せた半導体製造装置以外の装置
に適用した場合には、正確に膜質や成膜条件を予測でき
ない可能性がある。

【０００５】半導体製造装置ごとに膜質予測や成膜条件
を指示させるためには、装置ごとに成膜を行い、得られ
た膜を評価して学習データを取り寄せ、ニューラルネッ
トワークを作成しなければならない。そのため、ニュー
ラルネットワークの作成までには長い期間を取られ、ま
た莫大なコストもかかってしまう。そこで本発明はこの
問題を解消できる学習予測・指示機能付半導体製造装置
を提供することを課題とする。

【０００６】

【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、請求項１の半導体製造装置は、成膜中のプラズマ
発光スペクトル（スペクトルデータ２５など）を測定す
る手段を持ち、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
件などを成膜条件（２３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からなる膜質データ
（２４など）によって評価される半導体製造装置（７な
ど）において、前記成膜条件を入力とし前記プラズマ発
光スペクトルのデータを出力とする第１のニューラルネ
ットワーク（スペクトル予測ニューラルネットワーク３
５など）と、前記プラズマ発光スペクトルのデータを入
力とし前記膜質データを出力とする第２のニューラルネ
ットワーク（膜質予測ニューラルネットワーク３７な
ど）とを備え、予めこの半導体製造装置について複数組
の成膜条件の各組に対応する前記プラズマ発光スペクト
ルを測定し、前記組別の成膜条件を入力データ，該成膜
条件で測定された前記プラズマ発光スペクトルのデータ
を教師データとして前記第１のニューラルネットワーク
に学習を行わせ、同様にこの半導体製造装置と同一の反
応室構造，同一の成膜原理で成膜を行う半導体製造装置
の１つについて複数組の成膜条件の各組に対応する前記
プラズマ発光スペクトルと膜質とを測定し、この測定結
果としての前記組別のプラズマ発光スペクトルのデータ
を入力データ，該プラズマ発光スペクトルのデータに対
応する前記膜質データを教師データとして前記第２のニ
ューラルネットワークに学習を行わせ、この学習済の前
記第１，第２のニューラルネットワークを直列に連結
し、この連結された前記第１の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条件を入力すること
により、この連結された前記第２のニューラルネットワ
ークからその成膜条件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。

【０００７】また請求項２の半導体製造装置は、成膜中
のプラズマ発光スペクトル（スペクトルデータ２５な
ど）を測定する手段を持ち、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，プラズマ条件などを成膜条件（２３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からな
る膜質データ（２４など）によって評価される半導体製
造装置（７など）において、前記プラズマ発光スペクト
ルのデータを入力とし前記成膜条件を出力とする第１の
ニューラルネットワーク（成膜条件指示ニューラルネッ
トワーク３６など）と、前記膜質データを入力とし前記
プラズマ発光スペクトルのデータを出力とする第２のニ
ューラルネットワーク（スペクトル指示ニューラルネッ
トワーク３８など）とを備え、予めこの半導体製造装置
について複数組の成膜条件の各組に対応する前記プラズ
マ発光スペクトルを測定し、前記組別の成膜条件を教師
データ，該成膜条件で測定された前記プラズマ発光スペ
クトルのデータを入力データとして前記第１のニューラ
ルネットワークに学習を行わせ、同様にこの半導体製造
装置と同一の反応室構造，同一の成膜原理で成膜を行う
半導体製造装置の１つについて複数組の成膜条件の各組
に対応する前記プラズマ発光スペクトルと膜質とを測定
し、この測定結果としての前記組別のプラズマ発光スペ
クトルのデータを教師データ，該プラズマ発光スペクト
ルのデータに対応する前記膜質データを入力データとし
て前記第２のニューラルネットワークに学習を行わせ、
この学習済の前記第１，第２のニューラルネットワーク
を直列に連結し、この連結された前記第２のニューラル
ネットワークに前記膜質データを入力することにより、
この連結された前記第１のニューラルネットワークから
該膜質データを得る成膜を行うための前記成膜条件を指
示出力させるようにする。

【０００８】

【作用】本発明は成膜条件（成膜パラメータ）と膜質と
の関係を、成膜条件とプラズマ発光スペクトルとの関
係、およびプラズマ発光スペクトルと膜質との関係に分
割してニューラルネットワークに学習させる。ここでプ
ラズマ発光スペクトルは、プラズマ中の励起状態の生成
物が、より低い状態に遷移するときに発光する光であ
り、このスペクトルから膜質直前の反応過程の情報を直
接的に得ることができる。すなわちプラズマ発光スペク
トルと膜質との関係は、成膜原理と（反応過程に影響を
与える）反応室構造に依存したものとなり、プラズマ発
光スペクトルと膜質との関係をニューラルネットワーク
に学習させることは半導体製造装置の反応室構造、成膜
原理の特徴を学習させることとなる。

【０００９】従って同一反応室構造、同一成膜原理の半
導体製造装置で、同じプラズマ発光スペクトルであれ
ば、同じ性質の膜が得られるので、プラズマ発光スペク
トルと膜質の関係については、同構造同原理の半導体製
造装置１台についてのみ、成膜と膜の評価を行い、ニュ
ーラルネットワークに学習させればよい。また同一反応
室構造，同一成膜原理の半導体製造装置において同一の
成膜条件で作成した膜が装置によって異なるということ
は、成膜条件とプラズマ発光スペクトルとの関係は装置
ごとの特徴やばらつきに依存したものといえる。すなわ
ち、成膜条件とプラズマ発光スペクトルとの関係をニュ
ーラルネットワークに学習させることは半導体製造装置
ごとの特徴を学習させることとなる。

【００１０】従って、成膜条件とプラズマ発光スペクト
ルとの関係についてのみ、半導体製造装置ごとに複数組
の成膜条件に対するプラズマ発光スペクトルを測定し、
ニューラルネットワークに学習させればよい。ここでプ
ラズマ発光スペクトルの測定は、各種膜質の評価に比べ
短時間に行え、かつ自動的に行えるため、新たに半導体
製造装置を製作した場合には、膜質予測や成膜条件を指
示させるための成膜や膜評価を行う必要が無くなり、プ
ロセス開発に係る費用、期間を低減することができる。

【００１１】すなわち本発明では、半導体製造装置ごと
に成膜条件とプラズマ発光スペクトルとの関係を学習さ
せたニューラルネットワークを作成し、このニューラル
ネットワークと、別に同一反応室構造，同一成膜原理の
半導体製造装置の１つを用いて作成したプラズマ発光ス
ペクトルと膜質との関係を学習したニューラルネットワ
ークとを結合することにより、装置ごとの膜質予測や成
膜条件指示ができる半導体製造装置システムを提供する
ものである。

【００１２】このために本発明においては半導体製造装
置を制御するコンピュータに成膜条件データとプラズマ
発光スペクトルデータ及び膜質データを取得・格納する
手段を設ける。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、格納している成膜条
件データ、プラズマ発光スペクトルデータ及び膜質デー
タをニューラルネットワークに入力させるため０〜１の
値に正規化する手段、および正規化したデータを入力・
学習する手段、ニューラルネットワークからの出力を絶
対値に変換する手段を持たせる。そして前記のように成
膜条件とプラズマ発光スペクトルとの関係を学習したニ
ューラルネットワーク、およびプラズマ発光スペクトル
と膜質との関係を学習させたニューラルネットワークを
作成する。

【００１３】これにより新たに半導体製造装置を製作し
た場合、成膜と膜評価を行うことなく、その装置におけ
る複数組の成膜条件に対するプラズマ発光スペクトルを
測定し、この関係を学習させたニューラルネットワーク
のみを作成し、このニューラルネットワークと、その半
導体製造装置と同一反応室構造，同一成膜原理で既に製
造済の半導体製造装置におけるプラズマ発光スペクトル
と膜質との関係を学習させたニューラルネットワークと
を直列に連結することによって、半導体製造装置を制御
するのに必要な成膜条件に対して、実際に成膜せずに膜
質を予測することが可能になる（請求項１）。

【００１４】また、逆にユーザが要求する膜質の入力に
対して、その膜質を実現するための成膜条件を予測指示
することが可能になる（請求項２）。

【００１５】

【実施例】以下、図１ないし図９を参照して本発明の実
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ＥＣＲプラズマＣＶＤ装置
の成膜条件指示システム及び膜質予測システムの構成図
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。

【００１６】図１において、１は成膜条件指示システム
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、ＣＲＴ３、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及びプラズマ発光スペ
クトルデータを記録したプロセスデータ４Ａと、プロセ
スデータ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。

【００１７】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為のハードウェ
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内の膜質予測・成膜条件
指示手段１Ａは、このコンピュータ１の本発明における
主要機能部である。コンピュータ１はこの手段１Ａを介
し、プロセスデータ４Ａを学習させたニューラルネット
ワークを用いて、膜質予測システムではオペレータによ
り入力された成膜条件に対して予測される膜質を出力
し、成膜条件指示システムではオペレータにより入力さ
れた膜質に対して適切な成膜条件を出力する。

【００１８】なおコンピュータ１内の半導体製造装置制
御手段６は前記のように出力された成膜条件データ等を
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）のプロセスデータ４Ａの構造を示す。図２
において、プロセスデータ４Ａは基板番号２２、成膜条
件２３、膜質データ２４、スペクトル２５の組み合わせ
からなるデータが過去に成膜又はプラズマ発光スペクト
ル測定した分だけ配列されて構成されている。各プロセ
スデータは固有の通し番号２１で区別され、通し番号２
１により一義的にプロセスデータが検索できるようにな
っている。

【００１９】成膜条件データ２３は、この例ではＥＣＲ
プラズマＣＶＤ装置の制御可能な ・窒素ガス流量 ２３Ａ、 ・シランガス流量 ２３Ｂ、 ・反応室圧力 ２３Ｃ、 ・マイクロ波電力 ２３Ｄ、 ・ソレノイドコイル電流２３Ｅ、 ・成膜時間 ２３Ｆ、 ・基板印加交流電力 ２３Ｇ、 の７項目より構成されている。

【００２０】膜質データ２４は、成膜条件データ２３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、この例では ・成膜速度 ２４Ａ、 ・面内膜厚分布 ２４Ｂ、 ・膜硬度 ２４Ｃ、 ・屈折率 ２４Ｄ、 ・残留応力 ２４Ｅ、 ・エッチング速度 ２４Ｆ、 の６項目より構成されている。ただしプラズマ発光スペ
クトルの測定のみを行う等、プラズマを発生させても成
膜しなかった場合には、膜質データ２４にデータを記録
しない。

【００２１】スペクトルデータ２５は、成膜条件２３の
条件でプラズマを発生したときに測定した、この例では
６波長の光強度であり、 ・波長１ 光強度 ２５Ａ、 ・波長２ 光強度 ２５Ｂ、 ・波長３ 光強度 ２５Ｃ、 ・波長４ 光強度 ２５Ｄ、 ・波長５ 光強度 ２５Ｅ、 ・波長６ 光強度 ２５Ｆ、 の６項目より構成されている。ただし成膜のみ行う等、
プラズマ発生させてもプラズマ発光スペクトルを測定し
なかった場合には、スペクトルデータ２５にデータを記
録しない。

【００２２】膜質予測システム及び成膜条件指示システ
ムでは、過去の成膜結果及びプラズマ発光スペクトル測
定結果であるプロセスデータ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。ただしこの場合、ニューラルネットワ
ークに学習させる学習パタン（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）は０以上１
以下に制限されているため、成膜条件データ２３、膜質
データ２４、スペクトル２５を０以上１以下に正規化し
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。

【００２３】図３はプロセスデータ４Ａからニューラル
ネットワークに学習させる学習パタン作成の流れを示
す。図３において、膜質予測システムで用いるスペクト
ル予測ニューラルネットワーク３５の学習パタンは、正
規化後成膜条件データ３２を入力パタンに、正規化後ス
ペクトルデータ３３を教師パタンにしており、また膜質
予測ニューラルネットワーク３７の学習パタンは、正規
化後スペクトルデータ３３を入力パタンに、正規化後膜
質データ３４を教師パタンにしている。

【００２４】一方、成膜条件指示システムで用いるスペ
クトル指示ニューラルネットワーク３８の学習パタン
は、正規化後膜質データ３４を入力パタンに、正規化後
スペクトルデータ３３を教師パタンにしており、また成
膜条件指示ニューラルネットワーク３６の学習パタン
は、正規化後スペクトルデータ３３を入力パタンに、正
規化後成膜条件データ３２を教師パタンにしている。

【００２５】ここで正規化方法３１では、成膜条件デー
タ２３の各項目（２３Ａ〜２３Ｇ）、膜質データ２４の
各項目（２４Ａ〜２４Ｆ）、スペクトルデータ２５の各
項目（２５Ａ〜２５Ｆ）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に正規化する。
例えば学習させる屈折率２４Ｄが１以上３以下の範囲に
あれば、屈折率に対しては正規化方法３１では１を引い
て２で割るといった正規化を行う。

【００２６】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
は図７で詳述するように、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。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の差がある基準値
以下になるまで、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、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としてネット
ワークデータ４Ｂ内に記録しておく。

【００２７】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である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は通し
番号２１、入力パタン４５Ａ、教師パタン４５Ｂで構成
されている。通し番号２１はプロセスデータ４Ａの通し
番号と共通になっており、プロセスデータ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。

【００２８】入力パタン４５Ａと教師パタン４５Ｂはそ
れぞれ図３で述べたように、スペクトル予測ニューラル
ネットワーク３５では、正規化後成膜条件データ３２と
正規化後スペクトルデータ３３となり、膜質予測ニュー
ラルネットワーク３７では、正規化後スペクトルデータ
３３と正規化後膜質データ３４となり、スペクトル指示
ニューラルネットワーク３８では、正規化後膜質データ
３４と正規化後スペクトルデータ３３となり、また成膜
条件指示ニューラルネットワーク３６では、正規化後ス
ペクトルデータ３３と正規化後成膜条件データ３２とな
る。

【００２９】次に図５は膜質予測システムで使用するニ
ューラルネットワークの構成を示す。膜質予測システム
では、同図に示すスペクトル予測ニューラルネットワー
ク３５と膜質予測ニューラルネットワーク３７の２組の
ニューラルネットワークを用いている。両者とも同一の
構造であり、３層構造で、入力層（５２，５６）、中間
層（５３，５７）、出力層（５４，５８）のニューロン
数はそれぞれ６個、１６個、６個である。

【００３０】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条件
がある。スペクトル予測ニューラルネットワーク３５で
は、成膜条件データ２３のうち膜質に直接関係しない成
膜時間２３Ｆ以外の６項目を入力項目としており、また
スペクトルデータ２５のプラズマ発光スペクトルの中の
特定の６波長の光強度を出力項目としている。このスペ
クトル予測ニューラルネットワーク３５の学習パタン
は、正規化後成膜条件データ３２と、これに対応する正
規化後スペクトルデータ３３からなるプロセスデータ４
Ａ（１組分）が複数（ｎ）組集まったものとして構成さ
れる。ここで学習パタンのうち、入力パタン６項目が夫
々全て同一値である成膜条件データが存在すれば、その
中から１件のみを選択して学習パタンにする。これは同
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ためである。この入力パタン全
項目が夫々全て同一値である場合、その中から１件のみ
選択して学習させるということは、以下に説明する他の
３組のニューラルネットワークについても同様である。

【００３１】図３に示す流れで作成した学習パタンを学
習したスペクトル予測ニューラルネットワーク３５の入
力層５２の ・窒素ガス流量用入力ニューロン５２Ａに正規化後窒素
ガス流量を、 ・シランガス流量用入力ニューロン５２Ｂに正規化後シ
ランガス流量を、 ・反応室圧力用入力ニューロン５２Ｃに正規化後反応室
圧力を、 ・マイクロ波電力用入力ニューロン５２Ｄに正規化後マ
イクロ波電力を、 ・ソレノイドコイル電流用入力ニューロン５２Ｅに正規
化後ソレノイドコイル電流を、 ・基板印加交流電力用入力ニューロン５２Ｆに正規化後
基板印加交流電力を、夫々入力すると、出力層５４の ・波長１用出力ニューロン５４Ａよりプラズマ発光スペ
クトルの波長１の光強度の、 ・波長２用出力ニューロン５４Ｂよりプラズマ発光スペ
クトルの波長２の光強度の、 ・波長３用出力ニューロン５４Ｃよりプラズマ発光スペ
クトルの波長３の光強度の、 ・波長４用出力ニューロン５４Ｄよりプラズマ発光スペ
クトルの波長４の光強度の、 ・波長５用出力ニューロン５４Ｅよりプラズマ発光スペ
クトルの波長５の光強度の、 ・波長６用出力ニューロン５４Ｅよりプラズマ発光スペ
クトルの波長６の光強度の、 夫々の予測値を出力する。但し、これらの予測値は０か
ら１に正規化されている値である。

【００３２】膜質予測ニューラルネットワーク３７で
は、スペクトルデータ２５のプラズマ発光スペクトルの
中の特定の６波長の光強度を入力項目としており、また
膜質データ２４の６項目の膜質を出力項目としている。
この膜質予測ニューラルネットワーク３７の学習パタン
は、正規化後スペクトルデータ３３と、これに対応する
正規化後膜質データ３４からなるプロセスデータ４Ａ
（１組分）が複数（ｎ）組集まったものとして構成され
る。

【００３３】図３に示す流れで作成した学習パタンを学
習した膜質予測ニューラルネットワーク３７の入力層５
６の ・波長１用入力ニューロン５６Ａに正規化後波長１の光
強度を、 ・波長２用入力ニューロン５６Ｂに正規化後波長２の光
強度を、 ・波長３用入力ニューロン５６Ｃに正規化後波長３の光
強度を、 ・波長４用入力ニューロン５６Ｄに正規化後波長４の光
強度を、 ・波長５用入力ニューロン５６Ｅに正規化後波長５の光
強度を、 ・波長６用入力ニューロン５６Ｆに正規化後波長６の光
強度を、 夫々入力すると、出力層５８の ・成膜速度用出力ニューロン５８Ａより成膜速度の、 ・面内膜厚分布用出力ニューロン５８Ｂより面内膜厚分
布の、 ・膜硬度用出力ニューロン５８Ｃより膜硬度の、 ・屈折率用出力ニューロン５８Ｄより屈折率の、 ・残留応力用出力ニューロン５８Ｅより残留応力の、 ・エッチング速度用出力ニューロン５８Ｆよりエッチン
グ速度の、 夫々の予測値を出力する。但し、これらの予測値は０か
ら１に正規化されている値である。そこで出力ニューロ
ン５８Ａから５８Ｆより出力された値を、正規化方法３
１とは逆の変換を行うことにより、予測膜質の絶対値を
求めることができる。

【００３４】次に図６は成膜条件指示システムで使用す
るニューラルネットワークの構成を示す。成膜条件指示
システムでは同図に示すスペクトル指示ニューラルネッ
トワーク３８と成膜条件指示ニューラルネットワーク３
６の２組のニューラルネットワークを用いている。両者
とも同一の構造であり、３層構造で、入力層（６２，６
６）、中間層（６３，６７）、出力層（６４，６８）の
ニューロン数はそれぞれ６個、１６個、６個である。

【００３５】スペクトル指示ニューラルネットワーク３
８では、膜質データ２４の６項目の膜質を入力項目とし
ており、またスペクトルデータ２５のプラズマ発光スペ
クトルの中の特定の６波長の光強度を出力項目としてい
る。このスペクトル指示ニューラルネットワーク３８の
学習パタンは、正規化後膜質データ３４と、これに対応
する正規化後スペクトルデータ３３からなるプロセスデ
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。

【００３６】図３に示す流れで作成した学習パタンを学
習したスペクトル指示ニューラルネットワーク３８の入
力層６２の ・成膜速度用入力ニューロン６２Ａに正規化後成膜速度
を、 ・面内膜厚分布用入力ニューロン６２Ｂに正規化後面内
膜厚分布を、 ・膜硬度用入力ニューロン６２Ｃに正規化後膜硬度を、 ・屈折率用入力ニューロン６２Ｄに正規化後屈折率を、 ・残留応力用入力ニューロン６２Ｅに正規化後残留応力
を、 ・エッチング速度用入力ニューロン６２Ｆに正規化後エ
ッチング速度を、 夫々入力すると、出力層６４の ・波長１用出力ニューロン６４Ａよりプラズマ発光スペ
クトルの波長１の光強度の、 ・波長２用出力ニューロン６４Ｂよりプラズマ発光スペ
クトルの波長２の光強度の、 ・波長３用出力ニューロン６４Ｃよりプラズマ発光スペ
クトルの波長３の光強度の、 ・波長４用出力ニューロン６４Ｄよりプラズマ発光スペ
クトルの波長４の光強度の、 ・波長５用出力ニューロン６４Ｅよりプラズマ発光スペ
クトルの波長５の光強度の、 ・波長６用出力ニューロン６４Ｆよりプラズマ発光スペ
クトルの波長６の光強度の、 夫々の予測値を出力する。但し、これらの予測値は０か
ら１に正規化されている値である。

【００３７】成膜条件指示ニューラルネットワーク３６
では、スペクトルデータ２５のプラズマ発光スペクトル
の中の特定の６波長の光強度を入力項目としており、ま
た成膜条件データ２３の成膜時間２３Ｆ以外の６項目の
出力項目としている。この成膜条件指示ニューラルネッ
トワーク３６の学習パタンは、正規化後スペクトルデー
タ３３と、これに対応する正規化後成膜条件データ３２
からなるプロセスデータ４Ａ（１組分）が複数（ｎ）組
集まったものとして構成される。

【００３８】図３に示す流れで作成した学習パタンを学
習した成膜条件指示ニューラルネットワーク３６の入力
層６６の ・波長１用入力ニューロン６６Ａに正規化後波長１の光
強度を、 ・波長２用入力ニューロン６６Ｂに正規化後波長２の光
強度を、 ・波長３用入力ニューロン６６Ｃに正規化後波長３の光
強度を、 ・波長４用入力ニューロン６６Ｄに正規化後波長４の光
強度を、 ・波長５用入力ニューロン６６Ｅに正規化後波長５の光
強度を、 ・波長６用入力ニューロン６６Ｆに正規化後波長６の光
強度を、 夫々入力すると、出力層６８の ・窒素ガス流量用出力ニューロン６８Ａより窒素ガス流
量の、 ・シランガス流量用出力ニューロン６８Ｂよりシランガ
ス流量の、 ・反応室圧力用出力ニューロン６８Ｃより反応室圧力
の、 ・マイクロ波電力用出力ニューロン６８Ｄよりマイクロ
波電力の、 ・ソレノイドコイル電流用出力ニューロン６８Ｅよりソ
レノイドコイル電流の、 ・基板印加交流電力用出力ニューロン６８Ｆより基板印
加交流電力の、 夫々の予測値を出力する。但し、これらの予測値は０か
ら１に正規化されている値である。そこで出力ニューロ
ン６８Ａから６８Ｆより出力された値を、正規化方法３
１とは逆の変換を行うことにより、予測成膜条件の絶対
値を求めることができる。

【００３９】次に図７は膜質予測システム及び成膜条件
指示システムで用いる前記４組のニューラルネットワー
ク３５〜３８の学習の流れを示す。なお図７のニューラ
ルネットワーク７２は前記４組のニューラルネットワー
ク３５〜３８のうちのいずれか学習対象となる１つを表
すものとする。ニューラルネットワーク７２には、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。学習パタン４５
は前述のように入力パタン４５Ａ、教師パタン４５Ｂか
ら構成される。ここで図７に示す入力パタン４５Ａと教
師パタン４５Ｂはそれぞれスペクトル予測ニューラルネ
ットワーク３５では、正規化後成膜条件データ３２と、
これに対応する正規化後スペクトルデータ３３となり、
膜質予測ニューラルネットワーク３７では、正規化後ス
ペクトルデータ３３と、これに対応する正規化後膜質デ
ータ３４となり、スペクトル指示ニューラルネットワー
ク３８では、正規化後膜質データ３４と、これに対応す
る正規化後スペクトルデータ３３となり、成膜条件指示
ニューラルネットワーク３６では、正規化後スペクトル
データ３３と、これに対応する正規化後成膜条件データ
３２となる。

【００４０】学習はニューラルネットワーク７２の重み
としきい値に乱数を与えて初期化してから開始する。ニ
ューラルネットワーク７２の構造は図５、図６に示すニ
ューラルネットワークと同一である。そしてまず、ニュ
ーラルネットワーク７２に入力パタン４５Ａ（１）（６
項目で構成されている）を入力し、出力パタン４５Ｏ
（１）（６項目で構成されている）を得る。

【００４１】次にこの出力パタン４５Ｏ（１）と教師パ
タン４５Ｂ（１）（６項目で構成されている）の差であ
る誤差４５Ｅ（１）（６項目で構成されている）を求め
る。そして誤差４５Ｅ（１）の各項目の２乗和のＥｓｑ
ｒ（１）を求める。このようにして、学習パタン４５
（１）の誤差２乗和Ｅｓｑｒ（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（Ｅｓｑｒ（２）からＥｓｑｒ
（ｎ））を求める。

【００４２】このように学習パタン４５（１）から４５
（ｎ）の誤差２乗和を求めたら、誤差２乗和の総和ＴＥ
ｓｑｒ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
ネットワークの重みとしきい値の調整量を求めて調整す
る。

【００４３】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１，２
で用いるニューラルネットワークには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））に対する誤差４５Ｅ
（１）から誤差４５Ｅ（ｎ）の各項目の全てが−０．０
１以上０．０１以下になれば学習を終了している。

【００４４】次に図８は学習を行ったスペクトル予測ニ
ューラルネットワーク３５、成膜条件指示ニューラルネ
ットワーク３６、膜質予測ニューラルネットワーク３
７、スペクトル指示ニューラルネットワーク３８を用い
て、６項目の成膜条件（窒素ガス流量、シランガス流
量、反応室圧力、マイクロ波電力、ソレノイドコイル電
流、基板印加交流電力）から６項目の膜質（成膜速度、
面内膜厚分布、膜硬度、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と、逆に６項目の膜
質から６項目の成膜条件を指示する成膜条件指示システ
ムの動作説明用のフローチャートである。膜質予測シス
テムおよび成膜条件指示システム（なおこれらを一括し
て呼ぶときは膜質予測・成膜条件指示システムという）
は、入力データ受け取り部８１、入力データ判定部８
２、入力データ正規化部８３、予測種別判定部８４、膜
質予測部８５、成膜条件指示部８６、出力パタン変換部
８７、予測結果表示部８８から構成されている。

【００４５】オペレータは、まず膜質予測か成膜条件指
示かを指定する。その後、入力データ受け取り部８１
で、成膜条件データ２３（６項目）または膜質データ２
４（６項目）の入力を受け取る。オペレータは、膜質予
測を指定した場合には成膜条件データ２３を、成膜条件
指示を指定した場合には膜質データ２４を入力する。入
力データ判定部８２では、入力した成膜条件データ２３
または膜質データ２４の各項目が本システムの有効な範
囲内であるか否かを判定する。すなわち、入力した各項
目が有効範囲内にあれば次の入力データ正規化部８３に
進み、１項目でも有効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。

【００４６】入力データ正規化部８３では、入力した成
膜条件データ２３または膜質データ２４を正規化方法３
１と同じ方法で正規化する。予測種別判定部８４では、
本システム開始時のオペレータによる膜質予測か成膜条
件指示かの指定に従って、使用するネットワークを選択
する。すなわち、膜質予測の場合には膜質予測部８５に
進み、成膜条件指示の場合には成膜条件指示部８６に進
む。

【００４７】膜質予測部８５では、入力データ正規化部
８３で作成した入力パタン４５Ａをスペクトル予測ニュ
ーラルネットワーク３５に入力する。そして、スペクト
ル予測ニューラルネットワーク３５から得られた出力パ
タンを続いて膜質予測ニューラルネットワーク３７に入
力し、出力パタン４５Ｏを得る。また、成膜条件指示部
８８では、入力データ正規化部８３で作成した入力パタ
ン４５Ａをスペクトル指示ニューラルネットワーク３８
に入力する。そして、スペクトル指示ニューラルネット
ワーク３８から得られた出力パタンを続いて成膜条件指
示ニューラルネットワーク３６に入力し出力パタン４５
Ｏを得る。

【００４８】出力パタン変換部８７では、出力パタンに
対して正規化方法３１とは逆の変換を行い、膜質予測で
あれば予測膜質の、成膜条件指示であれば予測成膜条件
の夫々の絶対値を求める。予測結果表示部８８では、出
力パタン変換部８７で求めた予測膜質又は指示成膜条件
をオペレータに指示し、本システムを終了する。

【００４９】次に、図８で説明した膜質予測・成膜条件
指示システムを、同一反応室構造，同一成膜原理の他の
半導体製造装置（装置Ｂと記述する、また以前の装置を
装置Ａと記述する）への適用方法を図９を用いて説明す
る。この場合、まず装置Ｂにおいて、複数組の成膜条件
に対するプラズマ発光スペクトルを測定し、成膜条件と
プラズマ発光スペクトルの関係を学習した装置Ｂ用のス
ペクトル予測ニューラルネットワーク３５’と成膜条件
指示ニューラルネットワーク３６’のみを作成する。そ
して、この作成したニューラルネットワーク３５’およ
び３６’と図８における装置Ａ用のスペクトル予測ネッ
トワーク３５および成膜条件指示ニューラルネットワー
ク３６とを夫々入れ替える。その結果、図９に示すフロ
ーチャートは装置Ｂ用の膜質予測・成膜条件指示システ
ムの動作を表わすものとなる。

【００５０】

【発明の効果】本発明では、成膜条件とプラズマ発光ス
ペクトルの関係を学習したニューラルネットワークと、
プラズマ発光スペクトルと膜質の関係を学習したニュー
ラルネットワークの２種類を作成し、両者を直列に結合
することにより膜質予測や成膜条件指示を行う方法を用
いている。

【００５１】ここでプラズマ発光スペクトル測定は、各
種膜質の評価に比べ短時間に行え、かつ自動的に行える
ため、ニューラルネットワークに成膜条件とプラズマ発
光スペクトルとの関係を学習させることは比較的容易で
あるが、プラズマ発光スペクトルと膜質との関係を学習
させることは時間や費用がかかる。他方、成膜条件とプ
ラズマ発光スペクトルとの関係、従って前者のニューラ
ルネットワークは、同一反応室構造、同一成膜原理の半
導体製造装置であっても半導体製造装置のバラツキに依
存するが、プラズマ発光スペクトルと膜質との関係、従
って後者のニューラルネットワークは半導体製造装置の
バラツキに依存しない。従って本発明にれば予め後者の
ニューラルネットワークを作成して置けば、新たに同一
反応室構造，同一成膜原理の半導体製造装置を製作した
場合、この新装置についての前者のニューラルネットワ
ークを作成して後者のニューラルネットワークと組合せ
れば、この新たな半導体製造装置について膜質予測や成
膜条件指示を行うことができ、新たな半導体製造装置を
用いて膜質予測や成膜条件指示をさせるための成膜、膜
評価を行う必要が無くなる。即ち、請求項１に関わる発
明によれば、低コスト、短期間で任意の成膜条件に対す
る膜質を予測するシステムを作成することができ、また
請求項２に関わる発明によれば、低コスト、短期間で欲
しい膜質が得られる成膜条件を指示するシステムを作成
することができる。

【図面の簡単な説明】

【図１】本発明の実施例としてのシステム構成図

【図２】同じくプロセスデータの構成図

【図３】同じくプロセス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ン作成の流れ図

【図４】同じくネットワークデータの構成図

【図５】請求項１に関わる発明の実施例としての膜質予
測システムで用いるニューラルネットワークの構成図

【図６】請求項２に関わる発明の実施例としての成膜条
件指示システムで用いるニューラルネットワークの構成
図

【図７】本発明の実施例としてのニューラルネットワー
クの学習の流れ図

【図８】同じく膜質予測・成膜条件指示システムの動作
説明用のフローチャート

【図９】同じく同一反応室構造，同一成膜原理の他の半
導体製造装置における膜質予測・成膜条件指示システム
の動作説明用のフローチャート

【符号の説明】

１ コンピュータ １Ａ 膜質予測・成膜条件指示手段 ２ キーボード ３ ＣＲＴ ４ 補助記憶装置 ４Ａ プロセスデータ 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（２１（１）〜２１（ｎ）） 通し番号 ２２ 基板番号 ２３（２３Ａ〜２３Ｇ） 成膜条件データ ２３Ａ 窒素ガス流量 ２３Ｂ シランガス流量 ２３Ｃ 反応室圧力 ２３Ｄ マイクロ波電力 ２３Ｅ ソレノイドコイル電流 ２３Ｆ 成膜時間 ２３Ｇ 基板印加交流電力 ２４（２４Ａ〜２４Ｆ） 膜質データ ２４Ａ 成膜速度 ２４Ｂ 面内膜厚分布 ２４Ｃ 膜硬度 ２４Ｄ 屈折率 ２４Ｅ 残留応力 ２４Ｆ エッチング速度 ２５（２５Ａ〜２５Ｆ） スペクトルデータ ２５Ａ 波長１光強度 ２５Ｂ 波長２光強度 ２５Ｃ 波長３光強度 ２５Ｄ 波長４光強度 ２５Ｅ 波長５光強度 ２５Ｆ 波長６光強度 ３１ 正規化方法 ３２ 正規化後成膜条件データ ３３ 正規化後スペクトルデータ ３４ 正規化後膜質データ ３５ スペクトル予測ニューラルネットワーク ３５’ スペクトル予測ニューラルネットワーク ３６ 成膜条件指示ニューラルネットワーク ３６’ 成膜条件指示ニューラルネットワーク ３７ 膜質予測ニューラルネットワーク ３８ スペクトル指示ニューラルネットワーク 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 学習パタン ４５Ａ（４５Ａ（１）〜４５Ａ（ｎ）） 入力パタン ４５Ｂ（４５Ｂ（１）〜４５Ｂ（ｎ）） 教師パタン ４５Ｏ（１） 出力パタン ４５Ｅ（１） 誤差 Ｅｓｑｒ（１） 誤差２乗和 ＴＥｓｑｒ（１） 誤差２乗和総和 ５２ 入力層 ５２Ａ 窒素ガス流量用入力ニューロン ５２Ｂ シランガス流量用入力ニューロン ５２Ｃ 反応室圧力用入力ニューロン ５２Ｄ マイクロ波電力用入力ニューロン ５２Ｅ ソレノイドコイル電流用入力ニューロン ５２Ｆ 基板印加交流電力用入力ニューロン ５３ 中間層 ５４ 出力層 ５４Ａ 波長１用出力ニューロン ５４Ｂ 波長２用出力ニューロン ５４Ｃ 波長３用出力ニューロン ５４Ｄ 波長４用出力ニューロン ５４Ｅ 波長５用出力ニューロン ５４Ｆ 波長６用出力ニューロン ５６ 入力層 ５６Ａ 波長１用入力ニューロン ５６Ｂ 波長２用入力ニューロン ５６Ｃ 波長３用入力ニューロン ５６Ｄ 波長４用入力ニューロン ５６Ｅ 波長５用入力ニューロン ５６Ｆ 波長６用入力ニューロン ５７ 中間層 ５８ 出力層 ５８Ａ 成膜速度用出力ニューロン ５８Ｂ 面内膜厚分布用出力ニューロン ５８Ｃ 膜硬度用出力ニューロン ５８Ｄ 屈折率用出力ニューロン ５８Ｅ 残留応力用出力ニューロン ５８Ｆ エッチング速度用出力ニューロン ６２ 入力層 ６２Ａ 成膜速度用入力ニューロン ６２Ｂ 面内膜厚分布用入力ニューロン ６２Ｃ 膜硬度用入力ニューロン ６２Ｄ 屈折率用入力ニューロン ６２Ｅ 残留応力用入力ニューロン ６２Ｆ エッチング速度用入力ニューロン ６３ 中間層 ６４ 出力層 ６４Ａ 波長１用出力ニューロン ６４Ｂ 波長２用出力ニューロン ６４Ｃ 波長３用出力ニューロン ６４Ｄ 波長４用出力ニューロン ６４Ｅ 波長５用出力ニューロン ６４Ｆ 波長６用出力ニューロン ６６ 入力層 ６６Ａ 波長１用入力ニューロン ６６Ｂ 波長２用入力ニューロン ６６Ｃ 波長３用入力ニューロン ６６Ｄ 波長４用入力ニューロン ６６Ｅ 波長５用入力ニューロン ６６Ｆ 波長６用入力ニューロン ６７ 中間層 ６８ 出力層 ６８Ａ 窒素ガス流量用出力ニューロン ６８Ｂ シランガス流量用出力ニューロン ６８Ｃ 反応室圧力用出力ニューロン ６８Ｄ マイクロ波電力用出力ニューロン ６８Ｅ ソレノイドコイル電流用出力ニューロン ６８Ｆ 基板印加交流電力用出力ニューロン ７２ ニューラルネットワーク

Claims (2)

【特許請求の範囲】
1. 【請求項１】成膜中のプラズマ発光スペクトルを測定す
   る手段を持ち、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
   件などを成膜条件として成膜し、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、 前記成膜条件を入力とし前記プラズマ発光スペクトルの
   データを出力とする第１のニューラルネットワークと、 前記プラズマ発光スペクトルのデータを入力とし前記膜
   質データを出力とする第２のニューラルネットワークと
   を備え、 予めこの半導体製造装置について複数組の成膜条件の各
   組に対応する前記プラズマ発光スペクトルを測定し、前
   記組別の成膜条件を入力データ，該成膜条件で測定され
   た前記プラズマ発光スペクトルのデータを教師データと
   して前記第１のニューラルネットワークに学習を行わ
   せ、 同様にこの半導体製造装置と同一の反応室構造，同一の
   成膜原理で成膜を行う半導体製造装置の１つについて複
   数組の成膜条件の各組に対応する前記プラズマ発光スペ
   クトルと膜質とを測定し、この測定結果としての前記組
   別のプラズマ発光スペクトルのデータを入力データ，該
   プラズマ発光スペクトルのデータに対応する前記膜質デ
   ータを教師データとして前記第２のニューラルネットワ
   ークに学習を行わせ、 この学習済の前記第１，第２のニューラルネットワーク
   を直列に連結し、この連結された前記第１のニューラル
   ネットワークにこれから成膜するための前記成膜条件を
   入力することにより、この連結された前記第２のニュー
   ラルネットワークからその成膜条件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。
2. 【請求項２】成膜中のプラズマ発光スペクトルを測定す
   る手段を持ち、成膜用ガスの種類および流量並びにこの
   種類及び流量の組合せ，成膜温度，圧力，プラズマ条件
   などを成膜条件として成膜し、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、 前記プラズマ発光スペクトルのデータを入力とし前記成
   膜条件を出力とする第１のニューラルネットワークと、 前記膜質データを入力とし前記プラズマ発光スペクトル
   のデータを出力とする第２のニューラルネットワークと
   を備え、 予めこの半導体製造装置について複数組の成膜条件の各
   組に対応する前記プラズマ発光スペクトルを測定し、前
   記組別の成膜条件を教師データ，該成膜条件で測定され
   た前記プラズマ発光スペクトルのデータを入力データと
   して前記第１のニューラルネットワークに学習を行わ
   せ、 同様にこの半導体製造装置と同一の反応室構造，同一の
   成膜原理で成膜を行う半導体製造装置の１つについて複
   数組の成膜条件の各組に対応する前記プラズマ発光スペ
   クトルと膜質とを測定し、この測定結果としての前記組
   別のプラズマ発光スペクトルのデータを教師データ，該
   プラズマ発光スペクトルのデータに対応する前記膜質デ
   ータを入力データとして前記第２のニューラルネットワ
   ークに学習を行わせ、 この学習済の前記第１，第２のニューラルネットワーク
   を直列に連結し、この連結された前記第２のニューラル
   ネットワークに前記膜質データを入力することにより、
   この連結された前記第１のニューラルネットワークから
   該膜質データを得る成膜を行うための前記成膜条件を指
   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。