KR102513707B1 - 학습 장치, 추론 장치, 학습 모델 생성 방법 및 추론 방법 - Google Patents
학습 장치, 추론 장치, 학습 모델 생성 방법 및 추론 방법 Download PDFInfo
- Publication number
- KR102513707B1 KR102513707B1 KR1020217006384A KR20217006384A KR102513707B1 KR 102513707 B1 KR102513707 B1 KR 102513707B1 KR 1020217006384 A KR1020217006384 A KR 1020217006384A KR 20217006384 A KR20217006384 A KR 20217006384A KR 102513707 B1 KR102513707 B1 KR 102513707B1
- Authority
- KR
- South Korea
- Prior art keywords
- image data
- processing
- data
- learning
- simulator
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 43
- 238000004519 manufacturing process Methods 0.000 claims abstract description 28
- 230000015654 memory Effects 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims description 180
- 238000004088 simulation Methods 0.000 claims description 143
- 230000008021 deposition Effects 0.000 claims description 50
- 238000007781 pre-processing Methods 0.000 claims description 43
- 239000000463 material Substances 0.000 claims description 25
- 239000004065 semiconductor Substances 0.000 claims description 24
- 238000012805 post-processing Methods 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000005530 etching Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 abstract description 7
- 238000001312 dry etching Methods 0.000 description 65
- 238000007493 shaping process Methods 0.000 description 58
- 238000010586 diagram Methods 0.000 description 30
- 230000006870 function Effects 0.000 description 19
- 238000007906 compression Methods 0.000 description 18
- 230000006835 compression Effects 0.000 description 17
- 238000010801 machine learning Methods 0.000 description 16
- 238000011161 development Methods 0.000 description 12
- 238000003860 storage Methods 0.000 description 11
- 238000013500 data storage Methods 0.000 description 9
- 238000010606 normalization Methods 0.000 description 9
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004904 shortening Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005137 deposition process Methods 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 239000010408 film Substances 0.000 description 1
- 150000004767 nitrides Chemical class 0.000 description 1
- 238000005293 physical law Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000010409 thin film Substances 0.000 description 1
- 238000007740 vapor deposition Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- C—CHEMISTRY; METALLURGY
- C23—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; CHEMICAL SURFACE TREATMENT; DIFFUSION TREATMENT OF METALLIC MATERIAL; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL; INHIBITING CORROSION OF METALLIC MATERIAL OR INCRUSTATION IN GENERAL
- C23C—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; SURFACE TREATMENT OF METALLIC MATERIAL BY DIFFUSION INTO THE SURFACE, BY CHEMICAL CONVERSION OR SUBSTITUTION; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL
- C23C14/00—Coating by vacuum evaporation, by sputtering or by ion implantation of the coating forming material
- C23C14/22—Coating by vacuum evaporation, by sputtering or by ion implantation of the coating forming material characterised by the process of coating
- C23C14/54—Controlling or regulating the coating process
-
- C—CHEMISTRY; METALLURGY
- C23—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; CHEMICAL SURFACE TREATMENT; DIFFUSION TREATMENT OF METALLIC MATERIAL; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL; INHIBITING CORROSION OF METALLIC MATERIAL OR INCRUSTATION IN GENERAL
- C23C—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; SURFACE TREATMENT OF METALLIC MATERIAL BY DIFFUSION INTO THE SURFACE, BY CHEMICAL CONVERSION OR SUBSTITUTION; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL
- C23C16/00—Chemical coating by decomposition of gaseous compounds, without leaving reaction products of surface material in the coating, i.e. chemical vapour deposition [CVD] processes
- C23C16/44—Chemical coating by decomposition of gaseous compounds, without leaving reaction products of surface material in the coating, i.e. chemical vapour deposition [CVD] processes characterised by the method of coating
- C23C16/52—Controlling or regulating the coating process
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
- H01L21/02—Manufacture or treatment of semiconductor devices or of parts thereof
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
- H01L21/02—Manufacture or treatment of semiconductor devices or of parts thereof
- H01L21/04—Manufacture or treatment of semiconductor devices or of parts thereof the devices having potential barriers, e.g. a PN junction, depletion layer or carrier concentration layer
- H01L21/18—Manufacture or treatment of semiconductor devices or of parts thereof the devices having potential barriers, e.g. a PN junction, depletion layer or carrier concentration layer the devices having semiconductor bodies comprising elements of Group IV of the Periodic Table or AIIIBV compounds with or without impurities, e.g. doping materials
- H01L21/30—Treatment of semiconductor bodies using processes or apparatus not provided for in groups H01L21/20 - H01L21/26
- H01L21/302—Treatment of semiconductor bodies using processes or apparatus not provided for in groups H01L21/20 - H01L21/26 to change their surface-physical characteristics or shape, e.g. etching, polishing, cutting
- H01L21/306—Chemical or electrical treatment, e.g. electrolytic etching
- H01L21/3065—Plasma etching; Reactive-ion etching
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
- H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
- H01L21/67005—Apparatus not specifically provided for elsewhere
- H01L21/67011—Apparatus for manufacture or treatment
- H01L21/67017—Apparatus for fluid treatment
- H01L21/67063—Apparatus for fluid treatment for etching
- H01L21/67069—Apparatus for fluid treatment for etching for drying etching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30148—Semiconductor; IC; Wafer
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Metallurgy (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mechanical Engineering (AREA)
- Organic Chemistry (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Mathematical Physics (AREA)
- Materials Engineering (AREA)
- Manufacturing & Machinery (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Computer Hardware Design (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Power Engineering (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Chemical & Material Sciences (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Plasma & Fusion (AREA)
- Drying Of Semiconductors (AREA)
- Image Analysis (AREA)
Abstract
제조 프로세스의 시뮬레이터를 대체하는 학습 완료 모델을 제공한다. 학습 장치는, 적어도 하나의 메모리와 적어도 하나의 프로세서를 구비하며, 상기 적어도 하나의 프로세서는, 화상 데이터에 대한 시뮬레이터의 파라미터를 취득하는 것과, 상기 화상 데이터와 상기 파라미터를 학습 모델에 입력하여 상기 학습 모델의 출력이 상기 화상 데이터에 대한 상기 시뮬레이터의 결과에 근접하도록 상기 학습 모델을 학습시키는 것을 실행하도록 구성된다.
Description
본 개시 내용은 학습 장치, 추론 장치, 학습 모델 생성 방법 및 추론 방법에 관한 것이다.
종래에 반도체 제조 회사에서는, 각 제조 프로세스(예를 들어, 드라이 에칭, 증착 등)의 물리 모델을 생성하여 시뮬레이션을 실행하고, 시뮬레이션 결과에 기초하여 최적 레시피의 탐색, 프로세스 파라미터의 조정 등을 해 왔다.
이 때 물리 모델과 같이 반복적으로 시행하는 모델의 경우, 시뮬레이션을 실행하려면 일정 정도의 시간이 필요하다. 그래서, 최근에는 물리 모델에 기초한 시뮬레이션을 대체하여, 기계 학습된 학습 완료 모델의 적용이 검토되고 있다.
한편, 물리 모델에 기초한 시뮬레이션을 대체하려면, 당해 시뮬레이터에서 실행되는 시뮬레이션을 학습 완료 모델에서도 재현할 수 있어야 한다.
본 개시 내용은 제조 프로세스의 시뮬레이션을 대체하는 학습 완료 모델을 제공한다.
본 개시 내용의 일 양태에 따른 추론 방법은, 예를 들어, 적어도 하나의 프로세서가, 제2 처리 전 화상 데이터 및 시뮬레이터의 제2 파라미터 데이터를 학습 완료 모델에 입력하여 제2 처리 후 화상 데이터를 생성하는 것을 실행하는데, 여기에서 상기 학습 완료 모델은, 제1 처리 전 화상 데이터 및 상기 제1 처리 전 화상 데이터에 대한 상기 시뮬레이터의 제1 파라미터 데이터를 상기 학습 완료 모델에 입력하여 생성되는 제1 처리 후 화상 데이터가, 상기 제1 처리 전 화상 데이터에 대한 상기 제1 파라미터 데이터를 사용한 상기 시뮬레이터에 의한 시뮬레이션 실행에 의해 생성되는 제1 처리 후 화상 데이터에 근접하도록 학습된 것이다.
도 1은 시뮬레이션 시스템의 전체 구성의 일 예를 나타내는 도면이다.
도 2는 시뮬레이션 시스템을 구성하는 각 장치의 하드웨어 구성의 일 예를 나타내는 도면이다.
도 3은 학습용 데이터의 일 예를 나타내는 도면이다.
도 4는 제1 실시형태에 따른 학습 장치의 학습부의 기능 구성의 일 예를 나타내는 도면이다.
도 5는 제1 실시형태에 따른 학습 장치의 데이터 성형부의 기능 구성의 일 예를 나타내는 도면이다.
도 6은 제1 실시형태에 따른 학습 장치의 데이터 성형부에 의한 처리의 구체예를 나타내는 도면이다.
도 7은 제1 실시형태에 따른 학습 장치의 드라이 에칭용 학습 모델에 의한 처리의 구체예를 나타내는 도면이다.
도 8은 시뮬레이션 시스템에서의 학습 처리의 흐름을 나타내는 플로우 챠트이다.
도 9는 추론 장치의 실행부의 기능 구성의 일 예를 나타내는 도면이다.
도 10은 드라이 에칭용 학습 완료 모델의 시뮬레이션 정확도를 나타낸 도면이다.
도 11은 증착용 학습 완료 모델의 시뮬레이션 정확도를 나타낸 도면이다.
도 12는 제2 실시형태에 따른 학습 장치의 데이터 성형부의 기능 구성의 일 예를 나타내는 도면이다.
도 13은 제2 실시형태에 따른 학습 장치의 드라이 에칭용 학습 모델에 의한 처리의 구체예를 나타내는 도면이다.
도 14는 제3 실시형태에 따른 학습 장치의 학습부의 기능 구성의 일 예를 나타내는 도면이다.
도 15는 제4 실시형태에 따른 학습 장치의 데이터 성형부의 기능 구성의 일 예를 나타내는 도면이다.
도 2는 시뮬레이션 시스템을 구성하는 각 장치의 하드웨어 구성의 일 예를 나타내는 도면이다.
도 3은 학습용 데이터의 일 예를 나타내는 도면이다.
도 4는 제1 실시형태에 따른 학습 장치의 학습부의 기능 구성의 일 예를 나타내는 도면이다.
도 5는 제1 실시형태에 따른 학습 장치의 데이터 성형부의 기능 구성의 일 예를 나타내는 도면이다.
도 6은 제1 실시형태에 따른 학습 장치의 데이터 성형부에 의한 처리의 구체예를 나타내는 도면이다.
도 7은 제1 실시형태에 따른 학습 장치의 드라이 에칭용 학습 모델에 의한 처리의 구체예를 나타내는 도면이다.
도 8은 시뮬레이션 시스템에서의 학습 처리의 흐름을 나타내는 플로우 챠트이다.
도 9는 추론 장치의 실행부의 기능 구성의 일 예를 나타내는 도면이다.
도 10은 드라이 에칭용 학습 완료 모델의 시뮬레이션 정확도를 나타낸 도면이다.
도 11은 증착용 학습 완료 모델의 시뮬레이션 정확도를 나타낸 도면이다.
도 12는 제2 실시형태에 따른 학습 장치의 데이터 성형부의 기능 구성의 일 예를 나타내는 도면이다.
도 13은 제2 실시형태에 따른 학습 장치의 드라이 에칭용 학습 모델에 의한 처리의 구체예를 나타내는 도면이다.
도 14는 제3 실시형태에 따른 학습 장치의 학습부의 기능 구성의 일 예를 나타내는 도면이다.
도 15는 제4 실시형태에 따른 학습 장치의 데이터 성형부의 기능 구성의 일 예를 나타내는 도면이다.
이하에서는, 첨부 도면을 참조하여 각 실시형태에 대해 설명한다. 한편, 본 명세서 및 도면에 있어, 실질적으로 동일한 기능 구성을 갖는 구성 요소에 대해서는, 동일한 부호를 붙임으로써 중복되는 설명을 생략한다.
[제1 실시형태]
<시뮬레이션 시스템의 전체 구성>
먼저, 반도체 제조 프로세스의 시뮬레이션을 행하는 시뮬레이션 시스템의 전체 구성에 대해 설명한다. 도 1은 시뮬레이션 시스템의 전체 구성의 일 예를 나타내는 도면이다. 도 1에 나타내는 바와 같이, 시뮬레이션 시스템(100)은 학습 장치(110), 추론 장치(120), 시뮬레이션 장치(130)를 갖는다.
학습 장치(110)에는 데이터 성형 프로그램 및 학습 프로그램이 인스톨되어 있으며, 당해 프로그램이 실행됨으로써, 학습 장치(110)는 데이터 성형부(111) 및 학습부(112)로서 기능한다.
데이터 성형부(111)는 가공부의 일 예이다. 데이터 성형부(111)는, 시뮬레이션 장치(130)로부터 송신되어 학습용 데이터 저장부(113)에 저장된 학습용 데이터를 읽어들이고, 읽어들인 학습용 데이터의 일부를, 학습부(112)가 학습 모델에 입력하기에 적합한 소정의 형식으로 가공한다.
학습부(112)는, 읽어들여진 학습용 데이터(데이터 성형부(111)에 의해 가공된 학습용 데이터를 포함)를 사용하여 학습 모델에 대해 기계 학습을 행함으로써, 반도체 제조 프로세스의 학습 완료 모델을 생성한다. 학습부(112)에 의해 생성된 학습 완료 모델은 추론 장치(120)에 제공된다.
추론 장치(120)에는 데이터 성형 프로그램 및 실행 프로그램이 인스톨되어 있으며, 당해 프로그램이 실행됨으로써 추론 장치(120)는 데이터 성형부(121) 및 실행부(122)로서 기능한다.
데이터 성형부(121)는, 가공부의 일 예이며, 시뮬레이션 장치(130)로부터 송신되는 처리 전 화상 데이터 및 파라미터 데이터(상세하게는 후술함)를 취득한다. 또한, 데이터 성형부(121)는, 취득한 파라미터 데이터를 실행부(122)가 학습 완료 모델에 입력하기에 적합한 소정 형식으로 가공한다.
실행부(122)는, 처리 전 화상 데이터와 데이터 성형부(121)에서 소정 형식으로 가공된 파라미터 데이터를 학습 완료 모델에 입력하고 시뮬레이션을 실행함으로써, 처리 후 화상 데이터(시뮬레이션 결과)를 출력(추론)한다.
시뮬레이션 장치(130)에는 실행 프로그램이 인스톨되어 있으며, 당해 프로그램이 실행됨으로써 시뮬레이션 장치(130)가 실행부(131)로서 기능한다.
실행부(131)는 반도체 제조 프로세스에 대해 물리 법칙 등을 이용해 규명한 물리 모델에 소정의 처리 조건을 나타내는 파라미터 데이터를 설정하여 시뮬레이션을 실행하는 시뮬레이터(이른바, 물리 모델에 기초한 시뮬레이터)를 갖는다. 실행부(131)는, 처리 전 화상 데이터 저장부(132)로부터 처리 전 화상 데이터를 읽어들이고, 물리 모델에 기초한 시뮬레이터를 이용해서 시뮬레이션을 실행함으로써, 처리 후 화상 데이터(시뮬레이션 결과)를 출력한다.
실행부(131)에 의해 읽어들여진 처리 전 화상 데이터에는, 반도체 제조 프로세스(예를 들어, 드라이 에칭, 증착 등)에서의 처리 대상(웨이퍼)의 처리 전 형상을 나타내는 화상 데이터가 포함된다. 한편, 반도체 제조 프로세스에서의 처리 대상은 복수 개의 재료로 구성되며, 처리 전 화상 데이터의 각 화소는, 예를 들어, 각 재료의 조성비(또는 함유비)에 따른 화소값에 의해 표현될 수 있다. 다만, 처리 전 화상 데이터의 표현 형식은 이에 한정되지 않으며, 다른 표현 형식으로 표현될 수도 있다.
실행부(131)가 시뮬레이션을 실행함으로써 출력되는 처리 후 화상 데이터는, 드라이 에칭용 시뮬레이터를 사용한 경우에는, 드라이 에칭 후의 형상을 나타내는 화상 데이터로 된다.
또한, 실행부(131)가 시뮬레이션을 실행함으로써 출력되는 처리 후 화상 데이터는, 증착용 시뮬레이터를 사용한 경우에는, 증착 처리 후의 형상을 나타내는 화상 데이터로 된다.
한편, 반도체 제조 프로세스에 의해 처리된 처리 후 처리 대상 역시 복수 개의 재료로 구성되어 있으며, 처리 후 화상 데이터의 각 화소는, 예를 들어, 각 재료의 조성비(또는 함유비)에 따른 화소값에 의해 표현된다. 다만, 처리 후 화상 데이터의 표현 형식은 이에 한정되지 않으며, 처리 전 화상 데이터와 마찬가지로, 다른 표현 형식으로 표현될 수도 있다.
실행부(131)는 시뮬레이션을 실행했을 때 사용한 처리 전 화상 데이터, 대응하는 파라미터 데이터, 처리 후 화상 데이터를 포함하는 학습용 데이터를 생성하여 학습 장치(110)로 송신한다.
또한, 실행부(131)는 추론 장치(120)의 사용자가 학습 완료 모델을 검증하는 데에 사용할 처리 전 화상 데이터, 파라미터 데이터, 처리 후 화상 데이터를 추론 장치(120)로 송신한다.
추론 장치(120)의 사용자는, 실행부(122)가 학습 완료 모델을 이용하여 시뮬레이션을 실행함으로써 출력된 처리 후 화상 데이터와, 실행부(131)에 의해 송신된 처리 후 화상 데이터를 대비함으로써, 학습 완료 모델을 검증한다.
구체적으로, 추론 장치(120)의 사용자는,
· 추론 장치(120)에 있어 처리 전 화상 데이터 및 파라미터 데이터를 데이터 성형부(121)에 입력하고서 실행부(122)로부터 처리 후 화상 데이터가 출력될 때까지의 시뮬레이션 시간과,
· 시뮬레이션 장치(130)에 있어 물리 모델에 기초한 시뮬레이터에 파라미터 데이터를 설정한 상태에서 처리 전 화상 데이터를 실행부(131)에 입력하고서 실행부(131)로부터 처리 후 화상 데이터가 출력될 때까지의 시뮬레이션 시간을 대비한다.
이로써, 추론 장치(120)의 사용자는 학습 완료 모델의 시뮬레이션 시간이 물리 모델에 기초한 시뮬레이터의 시뮬레이션 시간보다 단축되었는지 여부를 검증할 수 있다.
또한, 추론 장치(120)의 사용자는,
· 추론 장치(120)에 있어 처리 전 화상 데이터 및 파라미터 데이터를 데이터 성형부(121)에 입력하여 실행부(122)로부터 출력되는 처리 후 화상 데이터와,
· 시뮬레이션 장치(130)에 있어 물리 모델에 기초한 시뮬레이터에 파라미터 데이터를 설정한 상태에서 처리 전 화상 데이터를 실행부(131)에 입력하여 실행부(131)로부터 출력되는 처리 후 화상 데이터를 대비한다.
이로써, 추론 장치(120)의 사용자는 물리 모델에 기초한 시뮬레이터에 대한 학습 완료 모델의 시뮬레이션 정확도(물리 모델에 기초한 시뮬레이터를 대체할 수 있는 시뮬레이션 정확도를 가지는지 여부)를 검증할 수 있다.
한편, 검증이 완료되면, 추론 장치(120)에는 임의의 처리 전 화상 데이터와 임의의 파라미터 데이터가 입력되어 다양한 시뮬레이션이 실행되게 된다.
<시뮬레이션 시스템을 구성하는 각 장치의 하드웨어 구성>
이어서, 시뮬레이션 시스템(100)을 구성하는 각 장치(학습 장치(110), 추론 장치(120), 시뮬레이션 장치(130))의 하드웨어 구성에 대해, 도 2를 이용하여 설명한다. 도 2는 시뮬레이션 시스템을 구성하는 각 장치의 하드웨어 구성의 일 예를 나타내는 도면이다.
한편, 학습 장치(110)와 추론 장치(120)의 하드웨어 구성은 대략 같으므로, 여기에서는 학습 장치(110)의 하드웨어 구성에 대해 설명한다.
(1)학습 장치(110)의 하드웨어 구성
도 2의 '2a'는 학습 장치(110)의 하드웨어 구성의 일 예를 나타내는 도면이다. 도 2에서 '2a'로 나타내는 바와 같이, 학습 장치(110)는 CPU(Central Processing Unit, 201), ROM(Read Only Memory, 202)을 갖는다. 또한, 학습 장치(110)는 RAM(Random Access Memory, 203), GPU(Graphics Processing Unit, 204)를 갖는다. 또한, CPU(201), GPU(204) 등과 같은 프로세서(처리 회로, Processing Circuit, Processing Circuitry)와, ROM(202), RAM(203) 등과 같은 메모리는 이른바 컴퓨터를 형성한다.
또한, 학습 장치(110)는 보조 기억 장치(205), 조작 장치(206), 표시 장치(207), I/F(interface) 장치(208), 드라이브 장치(209)를 갖는다. 한편, 학습 장치(110)의 각 하드웨어는 버스(210)를 통해 상호 접속된다.
CPU(201)는 보조 기억 장치(205)에 인스톨된 각종 프로그램(예를 들어, 데이터 성형 프로그램, 학습 프로그램 등)을 실행하는 연산 디바이스이다.
ROM(202)은 불휘발성 메모리이며 주기억 장치로서 기능한다. ROM(202)은 보조 기억 장치(205)에 인스톨된 각종 프로그램을 CPU(201)가 실행하기 위해 필요한 각종 프로그램, 데이터 등을 저장한다. 구체적으로는, ROM(202)은 BIOS(Basic Input/Output System), EFI(Extensible Firmware Interface) 등과 같은 부팅 프로그램 등을 저장한다.
RAM(203)은 DRAM(Dynamic Random Access Memory), SRAM(Static Random Access Memory) 등과 같은 휘발성 메모리이며 주기억 장치로서 기능한다. RAM(203)은 보조 기억 장치(205)에 인스톨된 각종 프로그램이 CPU(201)에 의해 실행될 때에 전개되는 작업 영역을 제공한다.
GPU(204)는, 화상 처리용 연산 디바이스이며, CPU(201)에 의해 각종 프로그램이 실행될 때에 각종 화상 데이터에 대해 병렬 처리에 의한 고속 연산을 실행한다.
보조 기억 장치(205)는 각종 프로그램, 각종 프로그램이 CPU(201)에 의해 실행될 때에 GPU(204)에 의해 화상 처리되는 각종 화상 데이터 등을 기억하는 기억부이다. 예를 들어, 학습용 데이터 저장부(113)는 보조 기억 장치(205)에서 실현된다.
조작 장치(206)는, 학습 장치(110)의 관리자가 학습 장치(110)에 대해 각종 지시를 입력할 때에 사용하는 입력 디바이스이다. 표시 장치(207)는, 학습 장치(110)의 내부 정보를 표시하는 표시 디바이스이다.
I/F 장치(208)는 다른 장치(예를 들어, 시뮬레이션 장치(130))에 접속되어 통신을 행하기 위한 접속 디바이스이다.
드라이브 장치(209)는 기록 매체(220)를 세팅하기 위한 디바이스이다. 여기에서 말하는 기록 매체(220)에는 CD-ROM, 플렉시블디스크, 광자기 디스크 등과 같이 정보를 광학적, 전기적 또는 자기적으로 기록하는 매체가 포함된다. 또한, 기록 매체(220)에는 ROM, 플래쉬메모리 등과 같이 정보를 전기적으로 기록하는 반도체 메모리 등이 포함될 수도 있다.
한편, 보조 기억 장치(205)에 인스톨되는 각종 프로그램은, 예를 들어, 배포된 기록 매체(220)가 드라이브 장치(209)에 세팅되고 당해 기록 매체(220)에 기록된 각종 프로그램이 드라이브 장치(209)에 의해 읽어들여짐으로써 인스톨된다. 또는, 보조 기억 장치(205)에 인스톨되는 각종 프로그램은 네트워크(미도시)를 통해 다운로드됨으로써 인스톨될 수도 있다.
(2)시뮬레이션 장치(130)의 하드웨어 구성
도 2의 '2b'는 시뮬레이션 장치(130)의 하드웨어 구성의 일 예를 나타내는 도면인데, 도 2에서 '2b'로 나타내는 바와 같이, 시뮬레이션 장치(130)의 하드웨어 구성은 학습 장치(110)의 하드웨어 구성과 같으므로, 여기에서는 설명을 생략한다.
<학습용 데이터의 설명>
이어서, 시뮬레이션 장치(130)로부터 송신되어 학습용 데이터 저장부(113)에 저장되는 학습용 데이터에 대해 설명한다. 도 3은 학습용 데이터의 일 예를 나타내는 도면이다. 도 3에 나타내는 바와 같이, 학습용 데이터(300)에는 정보의 항목으로서 "공정", "시뮬레이션 ID", "처리 전 화상 데이터", "파라미터 데이터", "처리 후 화상 데이터"가 포함된다.
"공정"에는 반도체 제조 프로세스를 나타내는 명칭이 저장된다. 도 3의 예는 "공정"으로서 "드라이 에칭"과 "증착", 2가지 명칭이 저장된 경우를 나타내고 있다.
"시뮬레이션 ID"에는, 실행부(131)가 각 시뮬레이터를 이용하여 실행하는 각 시뮬레이션을 식별하기 위한 식별자가 저장된다. 한편, 제1 실시형태에서, 실행부(131)는 드라이 에칭용 시뮬레이터(310)와 증착용 시뮬레이터(320)를 포함하며, 당해 각 시뮬레이터를 이용하여 시뮬레이션을 실행하는 것으로 되어 있다.
도 3의 예는, 실행부(131)가 드라이 에칭용 시뮬레이터(310)를 이용하여 실행하는 시뮬레이션의 "시뮬레이션 ID"로서 "S001", "S002"가 저장된 경우를 나타내고 있다. 또한, 도 3의 예에서는, 실행부(131)가 증착용 시뮬레이터(320)를 이용하여 실행하는 시뮬레이션의 "시뮬레이션 ID"로서 "S101"이 저장된 경우를 나타내고 있다.
"처리 전 화상 데이터"에는, 실행부(131)가 각 시뮬레이터를 이용하여 시뮬레이션을 실행할 때에 입력하는 처리 전 화상 데이터의 파일명이 저장된다. 도 3의 예는, 시뮬레이션 ID=S001인 경우, "파일명"이 "형상 데이터 LD001"인 처리 전 화상 데이터를 드라이 에칭용 시뮬레이터(310)에 입력하여 시뮬레이션을 실행함을 나타내고 있다. 또한, 도 3의 예는, 시뮬레이션 ID=S002인 경우, "파일명"이 "형상 데이터 LD002"인 처리 전 화상 데이터를 드라이 에칭용 시뮬레이터(310)에 입력하여 시뮬레이션을 실행함을 나타내고 있다. 또한, 도 3의 예는, 시뮬레이션 ID=S101인 경우, "파일명"이 "형상 데이터 LD101"인 처리 전 화상 데이터를 증착용 시뮬레이터(320)에 입력하여 시뮬레이션을 실행함을 나타내고 있다
"파라미터 데이터"에는, 실행부(131)가 시뮬레이션을 실행할 때에 각 시뮬레이터에 설정하는 소정 처리 조건을 나타내는 정보가 저장된다. 도 3의 예는, 드라이 에칭용 시뮬레이터(310)를 이용하여 시뮬레이션 ID=S001인 시뮬레이션을 실행했을 때에, 실행부(131)가 "파라미터 001_1", "파라미터 001_2", ··· 등을 설정했음을 나타내고 있다.
한편, "파라미터 001_1", "파라미터 001_2", ··· 등이라 함은, 구체적으로는, 아래와 같은 값을 나타내는 것으로 한다.
· 재료별로 에칭되는 비율(etch ratio)
· 재료별로 에칭되는 방향(lateral ratio)
· 재료별로 에칭되는 깊이(depth)
"처리 후 화상 데이터"에는, 실행부(131)가 각 시뮬레이터를 이용하여 시뮬레이션을 실행하여 출력된 처리 후 화상 데이터의 파일명이 저장된다. 도 3의 예는, 시뮬레이션 ID=S001인 경우, 드라이 에칭용 시뮬레이터(310)를 이용하여 시뮬레이션을 실행함으로써 "파일명"="형상 데이터 LD001`"인 처리 후 화상 데이터가 출력되었음을 나타내고 있다.
또한, 도 3의 예는, 시뮬레이션 ID=S002인 경우, 드라이 에칭용 시뮬레이터(310)를 이용하여 시뮬레이션을 실행함으로써 "파일명"="형상 데이터 LD002`"인 처리 후 화상 데이터가 출력되었음을 나타내고 있다.
또한, 도 3의 예는, 시뮬레이션 ID=S101인 경우, 증착용 시뮬레이터(320)를 이용하여 시뮬레이션을 실행함으로써 "파일명"="형상 데이터 LD101`"인 처리 후 화상 데이터가 출력되었음을 나타내고 있다.
한편, 실행부(131)는 각 시뮬레이터를 이용하여 시뮬레이션을 실행함으로써 학습용 데이터(300)를 생성하여 학습 장치(110)로 송신한다. 이로써 학습 장치(110)의 학습용 데이터 저장부(113)에는 학습용 데이터(300)가 저장된다.
<학습 장치의 기능 구성>
이어서, 학습 장치(110)의 각 부(데이터 성형부(111), 학습부(112))의 기능 구성에 대해 상세하게 설명한다.
(1)학습부의 상세한 기능 구성
먼저, 학습 장치(110)의 학습부(112)의 기능 구성에 대해 상세하게 설명한다. 도 4는 제1 실시형태에 따른 학습 장치의 학습부의 기능 구성의 일 예를 나타내는 도면이다. 도 4에 나타내는 바와 같이, 학습 장치(110)의 학습부(112)는 드라이 에칭용 학습 모델(420), 증착용 학습 모델(421), 비교부(430), 변경부(440)를 구비한다.
학습용 데이터 저장부(113)에 저장된 학습용 데이터(300) 중 처리 전 화상 데이터 및 파라미터 데이터는, 데이터 성형부(111)에 의해 읽어들여져서 대응하는 학습 모델에 입력된다. 한편, 본 실시형태에서의 파라미터 데이터는 데이터 성형부(111)에서 소정 형식으로 가공되고서 대응하는 학습 모델에 입력되지만, 미리 소정 형식으로 가공된 것을 데이터 성형부(111)가 읽어들여 대응하는 학습 모델에 입력시킬 수도 있다.
드라이 에칭용 학습 모델(420)에는, 처리 전 화상 데이터와, 데이터 성형부(111)에 의해 소정 형식으로 가공된 파라미터 데이터("공정"="드라이 에칭"으로 대응지어진 처리 전 화상 데이터 및 파라미터 데이터에 한함)가 입력된다. 처리 전 화상 데이터와 소정 형식으로 가공된 파라미터 데이터를 입력 받으면, 드라이 에칭용 학습 모델(420)에서는 출력 결과를 출력한다. 또한, 드라이 에칭용 학습 모델(420)은 출력 결과를 비교부(430)에 입력한다.
마찬가지로, 증착용 학습 모델(421)에는, 처리 전 화상 데이터와, 데이터 성형부(111)에 의해 소정 형식으로 가공된 파라미터 데이터("공정"="증착"으로 대응지어진 처리 전 화상 데이터 및 파라미터 데이터에 한함)가 입력된다. 처리 전 화상 데이터와 소정 형식으로 가공된 파라미터 데이터를 입력 받으면, 증착용 학습 모델(421)에서는 출력 결과를 출력한다. 또한, 증착용 학습 모델(421)은 출력 결과를 비교부(430)에 입력한다.
비교부(430)는, 드라이 에칭용 학습 모델(420)로부터 출력된 출력 결과와, 학습용 데이터(300) 중 처리 후 화상 데이터("공정"="드라이 에칭"으로 대응지어진 처리 후 화상 데이터)를 비교하여, 차분 정보를 변경부(440)에 통지한다.
마찬가지로, 비교부(430)는, 증착용 학습 모델(421)로부터 출력된 출력 결과와, 학습용 데이터(300) 중 처리 후 화상 데이터("공정"="증착"으로 대응지어진 처리 후 화상 데이터)를 비교하여, 차분 정보를 변경부(440)에 통지한다.
변경부(440)는, 비교부(430)로부터 통지된 차분 정보에 기초하여, 드라이 에칭용 학습 모델(420) 또는 증착용 학습 모델(421)의 모델 파라미터를 갱신한다. 한편, 모델 파라미터의 갱신에 사용되는 차분 정보는, 제곱 오차일 수도 있으며, 절대 오차일 수도 있다.
이와 같이, 학습부(112)에서는, 처리 전 화상 데이터와 소정 형식으로 가공된 파라미터 데이터를 학습 모델에 입력하고, 학습 모델로부터 출력되는 출력 결과가 처리 후 화상 데이터에 근접하도록 기계 학습에 의해 모델 파라미터를 갱신한다.
(2)데이터 성형부의 상세한 기능 구성
이어서, 학습 장치(110)의 데이터 성형부(111)의 기능 구성에 대해 상세하게 설명한다. 도 5는 제1 실시형태에 따른 학습 장치의 데이터 성형부의 기능 구성의 일 예를 나타내는 도면이다. 도 5에 나타내는 바와 같이, 데이터 성형부(111)는 형상 데이터 취득부(501), 채널별 데이터 생성부(502), 파라미터 데이터 취득부(511), 파라미터 데이터 전개부(512), 연결부(520)를 구비한다.
형상 데이터 취득부(501)는 학습용 데이터 저장부(113)로부터 학습용 데이터(300) 중 처리 전 화상 데이터를 읽어들여 채널별 데이터 생성부(502)에 통지한다.
채널별 데이터 생성부(502)는 생성부의 일 예이다. 채널별 데이터 생성부(502)는 형상 데이터 취득부(501)로부터 통지된 처리 전 화상 데이터(여기에서는, 각 재료의 조성비(또는 함유비)에 따른 화소값에 의해 표현된 것으로 함)를 취득한다. 또한, 채널별 데이터 생성부(502)는, 취득한 처리 전 화상 데이터로부터, 재료의 종류에 따른 복수 개 채널의 화상 데이터를 생성한다. 이하에서는, 재료의 종류에 따른 채널의 화상 데이터를 "채널별 데이터"라고 한다. 예를 들어, 채널별 데이터 생성부(502)는, 처리 전 화상 데이터로부터, 공기층을 포함하는 채널별 데이터와, 4종류의 재료 각각의 층을 포함하는 4개의 채널별 데이터를 생성한다.
또한, 채널별 데이터 생성부(502)는, 생성한 복수 개의 채널별 데이터를 연결부(520)에 통지한다. 한편, 본 실시형태에서는, 채널별 데이터 생성부(502)가 채널별 데이터를 생성하는 것으로 하였으나, 채널별 데이터는 미리 생성되어 있을 수도 있다. 이 경우, 채널별 데이터 생성부(502)는 미리 생성된 채널별 데이터를 읽어들여 연결부(520)에 통지한다.
파라미터 데이터 취득부(511)는 학습용 데이터 저장부(113)로부터 학습용 데이터(300) 중 파라미터 데이터를 읽어들여 파라미터 데이터 전개부(512)에 통지한다.
파라미터 데이터 전개부(512)는 파라미터 데이터 취득부(511)로부터 통지된 파라미터 데이터를 처리 전 화상 데이터에 따른 소정 형식(처리 전 화상 데이터의 세로 크기 및 가로 크기에 따른 2차원 배열 형식)으로 가공한다.
여기에서, 파라미터 데이터는, 예를 들어 "파라미터 001_1", "파라미터 001_2", "파라미터 001_3", ··· 등과 같이, 각 파라미터의 수치가 1차원으로 배열되어 이루어진다. 구체적으로, 파라미터 데이터는 N종류의 파라미터 수치가 1차원으로 배열되어 이루어진다.
이에, 파라미터 데이터 전개부(512)에서는, 파라미터 데이터에 포함되는 N종류의 파라미터 수치를 1종류씩 추출하고, 추출된 수치를 처리 전 화상 데이터의 세로 크기 및 가로 크기에 따라 2차원으로 배열한다. 그 결과, 파라미터 데이터 전개부(512)에서는 2차원으로 배열된 N개의 파라미터 데이터가 생성되게 된다.
또한, 파라미터 데이터 전개부(512)는 2차원으로 배열된 N개의 파라미터 데이터를 연결부(520)에 통지한다.
연결부(520)는, 채널별 데이터 생성부(502)로부터 통지된 복수 개의 채널별 데이터에, 파라미터 데이터 전개부(512)로부터 통지된 2차원으로 배열된 N개의 파라미터 데이터를 새로운 채널로 하여 연결함으로써, 연결 데이터를 생성한다. 한편, 본 실시형태에서는, 연결부(520)가 연결 데이터를 생성하는 것으로 하였으나, 연결 데이터는 미리 생성되어 있을 수도 있다. 이 경우, 연결부(520)는 미리 생성된 연결 데이터를 읽어들여 학습 모델에 입력한다.
<학습 장치 각 부에 의한 처리의 구체예>
이어서, 학습 장치(110)의 각 부에 의한 처리 중, 전술한 데이터 성형부(111)에 의한 처리와, 학습부(112) 내 드라이 에칭용 학습 모델(420)에 의한 처리의 구체예에 대해 설명한다.
(1)데이터 성형부에 의한 처리의 구체예
도 6은 데이터 성형부에 의한 처리의 구체예를 나타내는 도면이다. 도 6에서 처리 전 화상 데이터(600)는, 예를 들어, "파일명"="형상 데이터 LD001"인 처리 전 화상 데이터이다.
도 6에 나타내는 바와 같이, 처리 전 화상 데이터(600)에는 공기층, 재료A의 층, 재료B의 층, 재료C의 층, 재료D의 층이 포함된다. 이 경우에, 채널별 데이터 생성부(502)에서는 채널별 데이터(601,602,603,604,605)를 생성한다.
또한, 도 6에 나타내는 바와 같이, 파라미터 데이터(610)는, 예를 들어, 각 파라미터("파라미터 001_1", "파라미터 001_2", "파라미터 001_3" ··· 등)의 수치가 1차원으로 배열되어 이루어진다.
이 경우, 파라미터 데이터 전개부(512)는 처리 전 화상 데이터(600)의 세로 크기 및 가로 크기에 따라 파라미터 001_1을 2차원으로 배열한다(같은 값을 세로 및 가로로 배열). 마찬가지로, 파라미터 데이터 전개부(512)는 처리 전 화상 데이터(600)의 세로 크기 및 가로 크기에 따라 파라미터 001_2를 2차원으로 배열한다. 마찬가지로, 파라미터 전개부(512)는 처리 전 화상 데이터(600)의 세로 크기 및 가로 크기에 따라 파라미터 001_3을 2차원으로 배열한다.
2차원으로 배열된 파라미터 데이터(611,612,613 등)가 연결부(520)에 의해 채널별 데이터(601,602,603,604,605)에 새로운 채널로서 연결됨으로써, 연결 데이터(620)가 생성된다.
(2)드라이 에칭용 학습 모델에 의한 처리의 구체예
이어서, 학습부(112) 내의 드라이 에칭용 학습 모델(420)에 의한 처리의 구체예에 대해 설명한다. 도 7은 제1 실시형태에 따른 학습 장치의 드라이 에칭용 학습 모델에 의한 처리의 구체예를 나타내는 도면이다. 도 7에 나타내는 바와 같이, 본 실시형태에서는, 드라이 에칭용 학습 모델(420)로서 U자형 컨볼루션 뉴럴 네트워크(CNN: Convolutional Neutral Network) 기반의 학습 모델(이른바, UNET)을 사용한다.
UNET의 경우, 일반적으로는 화상 데이터를 입력하고 화상 데이터를 출력한다. 따라서, 학습부(112)의 학습 모델로서 당해 UNET을 사용함으로써, 반도체 제조 프로세스의 처리 전후의 화상 데이터를 입출력할 수 있다.
한편, UNET의 경우, 화상 데이터 형식으로 되어 있지 않은 데이터에 대해서는 화상 데이터 형식으로 가공해 둘 필요가 있다. 전술한 데이터 성형부(111)의 파라미터 데이터 전개부(512)가 파라미터 데이터를 2차원으로 배열하도록 구성되어 있는 것은, UNET에 입력되는 데이터를 화상 데이터 형식으로 하기 위함이다. 파라미터 데이터의 입력이 가능해짐으로 인해, UNET에서도 물리 모델에 기초한 시뮬레이터에서 실현되는 시뮬레이션 내용을 실현시킬 수 있다.
도 7의 예에서는, UNET를 사용한 드라이 에칭용 학습 모델(420)에 연결 데이터(620)를 입력하여, 복수 개의 채널별 데이터를 포함하는 출력 결과(700)가 출력되는 경우를 나타내고 있다.
한편, 도 7의 예에서는 드라이 에칭용 학습 모델(420)에 의한 처리의 구체예에 대해 나타내었으나, 증착용 학습 모델(421)에 의한 처리의 구체예에 있어서도 마찬가지이다.
<시뮬레이션 시스템에서의 학습 처리 흐름>
이어서, 시뮬레이션 시스템(100)에서의 학습 처리 흐름에 대해 설명한다. 도 8은 시뮬레이션 시스템에서의 학습 처리 흐름을 나타내는 플로우 챠트이다.
단계 S801에서, 시뮬레이션 장치(130)의 실행부(131)는 시뮬레이션 장치(130) 관리자의 지시에 따라 드라이 에칭용 시뮬레이터(310) 또는 증착용 시뮬레이터(320)에 파라미터 데이터를 설정한다.
단계 S802에서, 시뮬레이션 장치(130)의 실행부(131)는 처리 전 화상 데이터 저장부(132)로부터 처리 전 화상 데이터를 읽어들인다. 또한, 실행부(131)는 드라이 에칭용 시뮬레이터(310) 또는 증착용 시뮬레이터(320)를 이용하여 시뮬레이션을 실행한다(처리 후 화상 데이터를 생성한다).
단계 S803에서, 시뮬레이션 장치(130)의 실행부(131)는 학습용 데이터를 생성하여 학습 장치(110)에 송신한다. 실행부(131)에 의해 생성되는 학습용 데이터에는, 시뮬레이션 실행시에 설정한 파라미터 데이터, 시뮬레이션 실행시에 입력한 처리 전 화상 데이터, 그리고 시뮬레이션 실행시에 생성된 처리 후 화상 데이터가 포함된다.
단계 S804에서, 학습 장치(110)의 데이터 성형부(111)는 학습용 데이터에 포함되는 처리 전 화상 데이터 및 파라미터 데이터에 기초하여 연결 데이터를 생성한다.
단계 S805에서, 학습 장치(110)의 학습부(112)는, 연결 데이터를 입력으로, 처리 후 화상 데이터를 출력으로 하여, 학습 모델에 대해 기계 학습을 실행함으로써, 학습 완료 모델을 생성한다.
단계 S806에서 학습 장치(110)의 학습부(112)는 생성된 학습 완료 모델을 추론 장치(120)에 송신한다.
<추론 장치의 기능 구성>
이어서, 추론 장치(120)의 기능 구성에 대해 상세하게 설명한다. 한편, 추론 장치(120)의 각 부(데이터 성형부(121), 실행부(122)) 중 데이터 성형부(121)의 구체적인 기능 구성은, 학습 장치(110)의 데이터 성형부(111)의 구체적인 기능 구성과 마찬가지이다. 따라서, 여기에서는 데이터 성형부(121)의 기능 구성에 대한 상세한 설명을 생략하고, 이하에서 실행부(122)의 기능 구성에 대해 상세하게 설명하도록 한다.
도 9는 추론 장치의 실행부의 기능 구성의 일 예를 나타내는 도면이다. 도 9에 나타내는 바와 같이, 추론 장치(120)의 실행부(122)는 드라이 에칭용 학습 완료 모델(920), 증착용 학습 완료 모델(921), 출력부(930)를 갖는다.
시뮬레이션 장치(130)로부터, 예를 들어, 학습용 데이터(300)로서 사용되지 않은 처리 전 화상 데이터가 파라미터 데이터와 함께 추론 장치(120)로 송신되면, 데이터 성형부(121)에서는, 연결 데이터를 생성하여 실행부(122)의 각 학습 완료 모델에 입력한다. 도 9의 예에서는, 학습용 데이터(300)로 사용되지 않은 처리 전 화상 데이터로서 "파일명"="형상 데이터 SD001", "형상 데이터 SD002" ··· 등이 추론 장치(120)로 송신된 경우를 나타내고 있다.
한편, 도 9에 나타내는 바와 같이, 당해 처리 전 화상 데이터(예를 들어, "파일명"="형상 데이터 SD001", "형상 데이터 SD002" ··· 등)는 병행해서 실행부(131)에도 입력된다. 그리고, 실행부(131)에서는, 각 시뮬레이터를 이용해서 시뮬레이션을 실행하여 처리 후 화상 데이터(예를 들어, "파일명"="형상 데이터 SD001`", "형상 데이터 SD002`" ··· 등)를 출력한다.
드라이 에칭용 학습 완료 모델(920)은, 데이터 성형부(121)에서 생성된 연결 데이터를 입력 받으면 시뮬레이션을 실행한다. 또한, 드라이 에칭용 학습 완료 모델(920)은 시뮬레이션을 실행함으로써 출력되는 출력 결과를 출력부(930)에 통지한다.
마찬가지로, 증착용 학습 완료 모델(921)은, 데이터 성형부(121)에서 생성된 연결 데이터를 입력 받으면 시뮬레이션을 실행한다. 또한, 증착용 학습 완료 모델(921)은 시뮬레이션을 실행함으로써 출력되는 출력 결과를 출력부(930)에 통지한다.
출력부(930)는 드라이 에칭용 학습 완료 모델(920)로부터 통지된 출력 결과로부터 처리 후 화상 데이터(예를 들어, "파일명"="형상 데이터 SD001``")를 생성하여 시뮬레이션 결과로서 출력한다. 마찬가지로, 출력부(930)는 증착용 학습 완료 모델(921)로부터 통지된 출력 결과로부터 처리 후 화상 데이터(예를 들어, "파일명"="형상 데이터 SD101``")를 생성하여 시뮬레이션 결과로서 출력한다.
여기에서 추론 장치(120)의 사용자는, 출력부(930)로부터 처리 후 화상 데이터가 출력될 때까지의 시간과, 실행부(131)로부터 처리 후 화상 데이터가 출력될 때까지의 시간을 대비함으로써, 추론 장치(120)의 시뮬레이션 시간을 검증할 수 있다. 또한, 추론 장치(120)의 사용자는, 출력부(930)로부터 출력된 처리 후 화상 데이터와, 실행부(131)로부터 출력된 처리 후 화상 데이터를 대비함으로써, 추론 장치(120)의 시뮬레이션 정확도를 검증할 수 있다.
한편, 제1 실시형태에 의하면, 실행부(122)의 각 학습 완료 모델에 의한 시뮬레이션 시간은 실행부(131)의 각 시뮬레이터에 의한 시뮬레이션 시간에 비해 단축된다. 이는, 각 학습 완료 모델에 의한 시뮬레이션의 경우, 각 시뮬레이터에 의한 시뮬레이션처럼 반복 시행할 필요가 없고 또한 GPU(204)에 의한 병렬 처리에 의해 고속 연산이 가능하기 때문이다.
또한, 제1 실시형태에 의하면, 실행부(122)의 각 학습 완료 모델은 실행부(131)의 각 시뮬레이터를 대체할 수 있는 시뮬레이션 정확도를 실현할 수 있다. 이는 각 학습 완료 모델은 각 시뮬레이터에 입출력되는 처리 전 화상 데이터, 처리 후 화상 데이터를 이용하여 기계 학습된 것이기 때문이다.
도 10은 드라이 에칭용 학습 완료 모델의 시뮬레이션 정확도를 나타내는 도면이다. 그 중에서 도 10의 '10a'는, 비교 대상으로서, 시뮬레이션 장치(130)의 드라이 에칭용 시뮬레이터(310)에 의해 시뮬레이션이 실행된 경우의 처리 전 화상 데이터 및 처리 후 화상 데이터를 나타내고 있다.
한편, 도 10의 '10b'는, 추론 장치(120)의 드라이 에칭용 학습 완료 모델(920)에 의해 시뮬레이션이 실행된 경우의 처리 전 화상 데이터 및 처리 후 화상 데이터를 나타내고 있다.
도 10의 '10a'의 처리 후 화상 데이터와, 도 10의 '10b'의 처리 후 화상 데이터를 대비하면, 양자 간에 차이는 없다. 따라서, 드라이 에칭용 학습 완료 모델(920)은 드라이 에칭용 시뮬레이터(310)를 대체할 수 있는 시뮬레이션 정확도를 가진다고 할 수가 있다.
마찬가지로, 도 11은 증착용 학습 완료 모델의 시뮬레이션 정확도를 나타내는 도면이다. 그 중에서 도 11의 '11a'는, 비교 대상으로서, 시뮬레이션 장치(130)의 증착용 시뮬레이터(320)에 의해 시뮬레이션이 실행된 경우의 처리 전 화상 데이터 및 처리 후 화상 데이터를 나타내고 있다.
한편, 도 11의 '11b'는, 추론 장치(120)의 증착용 학습 완료 모델(921)에 의해 시뮬레이션이 실행된 경우의 처리 전 화상 데이터 및 처리 후 화상 데이터를 나타내고 있다.
도 11의 '11a'의 처리 후 화상 데이터와, 도 11의 '11b'의 처리 후 화상 데이터를 대비하면, 양자 간에 차이는 없다. 따라서, 증착용 학습 완료 모델(921)은 증착용 시뮬레이터(320)를 대체할 수 있는 시뮬레이션 정확도를 가진다고 할 수가 있다.
<정리>
이상의 설명으로부터 알 수 있듯이, 제1 실시형태에 따른 학습 장치는,
· 물리 모델에 기초한 시뮬레이터에 입력되는 처리 전 화상 데이터와, 물리 모델에 기초한 시뮬레이터에 설정된 파라미터 데이터를 취득하고,
· 취득한 처리 전 화상 데이터의 세로 크기 및 가로 크기에 따라, 취득한 파라미터 데이터를 2차원으로 배열함으로써, 화상 데이터 형식으로 가공하고, 가공된 파라미터 데이터를 처리 전 화상 데이터에 연결함으로써 연결 데이터를 생성하며,
· 생성된 연결 데이터를 U자형 컨볼루션 뉴럴 네트워크 기반의 학습 모델에 입력하고, 학습 모델로부터 출력되는 출력 결과가 물리 모델에 기초한 시뮬레이터로부터 출력되는 처리 후 화상 데이터에 근접하도록 기계 학습을 행한다.
이로써 제1 실시형태에 따른 학습 장치에 의하면, 물리 모델에 기초한 시뮬레이터에서 실현되는 시뮬레이션 내용을 실현하는 학습 완료 모델을 생성할 수가 있다.
또한, 제1 실시형태에 따른 학습 장치에 의하면, 물리 모델에 기초한 시뮬레이터보다 시뮬레이션 시간을 단축할 수 있는 학습 완료 모델을 생성할 수가 있다. 또한, 제1 실시형태에 따른 학습 장치에 의하면, 물리 모델에 기초한 시뮬레이터를 대체할 수 있는 시뮬레이션 정확도를 갖는 학습 완료 모델을 생성할 수가 있다.
한편, 상기 발명에서는, 물리 모델에 기초한 시뮬레이터를 대상으로 하였으나, 물리 모델에 기초하지 않는 시뮬레이터이더라도, 제1 실시형태에 따른 학습 장치에 의하면 마찬가지로 학습 완료 모델을 생성할 수 있음은 말할 것도 없다.
또한, 제1 실시형태에 따른 추론 장치는,
· 처리 전 화상 데이터와, 대응하는 파라미터 데이터를 취득하고,
· 취득한 처리 전 화상 데이터의 세로 크기 및 가로 크기에 따라, 취득한 파라미터 데이터를 2차원으로 배열함으로써, 화상 데이터 형식으로 가공하고, 가공된 파라미터 데이터를 처리 전 화상 데이터에 연결함으로써 연결 데이터를 생성하며,
· 생성된 연결 데이터를 학습 장치에서 생성된 학습 완료 모델에 입력하여 시뮬레이션을 실행한다.
이로써, 제1 실시형태에 따른 추론 장치에 의하면, 물리 모델에 기초한 시뮬레이터에서 실현되는 시뮬레이션 내용을 실현하는 것이 가능해진다. 또한, 제1 실시형태에 따른 추론 장치에 의하면, 물리 모델에 기초한 시뮬레이터에 비해 시뮬레이션 시간을 단축할 수 있으며, 물리 모델에 기초한 시뮬레이터를 대체할 수 있는 시뮬레이션 정확도를 실현할 수 있게 된다.
한편, 상기 발명에서는, 물리 모델에 기초한 시뮬레이터를 대상으로 하였으나, 물리 모델에 기초하지 않는 시뮬레이터이더라도, 제1 실시형태에 따른 추론 장치에 의하면 마찬가지로 시뮬레이션 내용 및 시뮬레이션 정확도를 실현할 수 있음은 말할 것도 없다.
이와 같이, 제1 실시형태에 의하면, 반도체 제조 프로세스의 시뮬레이터를 대체하는 학습 완료 모델을 제공할 수가 있다.
[제2 실시형태]
상기 제1 실시형태에서는, 처리 전 화상 데이터의 세로 크기 및 가로 크기에 따라 파라미터 데이터를 화상 데이터 형식으로 가공하고 처리 전 화상 데이터에 연결시켜, 학습 모델(또는 학습 완료 모델)에 입력하는 것으로서 설명하였다.
그러나, 파라미터 데이터의 가공 방법 및 가공된 파라미터 데이터를 학습 모델(또는 학습 완료 모델)에 입력하는 방법은, 이에 한정되지 않는다. 예를 들어, 가공된 파라미터 데이터를 학습 모델(또는 학습 완료 모델)의 각 층에 입력하도록 구성할 수도 있다. 또한, 파라미터 데이터를 학습 모델(또는 학습 완료 모델)의 각 층에 입력함에 있어, 학습 모델(학습 완료 모델)의 각 층에서 컨볼루션 처리된 화상 데이터를 변환할 때에 사용하는 소정의 형식으로 가공하도록 구성할 수도 있다. 이하에서, 제2 실시형태에 대해, 상기 제1 실시형태와 다른 점을 중심으로 설명한다.
<데이터 성형부의 기능 구성>
먼저, 제2 실시형태에 따른 학습 장치의 데이터 성형부의 기능 구성에 대해 상세하게 설명한다. 도 12는 제2 실시형태에 따른 학습 장치의 데이터 성형부의 기능 구성의 일 예를 나타내는 도면이다. 도 5에 나타낸 데이터 성형부(111)의 기능 구성과 다른 점은, 도 12에 나타내는 데이터 성형부(1200)의 경우, 연결부(1201)와 정규화부(1202)를 가진다는 점이다.
연결부(1201)는 채널별 데이터 생성부(502)로부터 통지된 복수 개의 채널별 데이터를 연결하여 연결 데이터를 생성한다.
정규화부(1202)는 파라미터 데이터 취득부(511)로부터 통지된 파라미터 데이터를 정규화하여 정규화 파라미터 데이터를 생성한다.
<학습 모델에 의한 처리의 구체예>
이어서, 드라이 에칭용 학습 모델에 의한 처리의 구체예에 대해 설명한다. 도 13은 제2 실시형태에 따른 학습 장치의 드라이 에칭용 학습 모델에 의한 처리의 구체예를 나타내는 도면이다.
도 13에 나타내는 바와 같이, 제2 실시형태에 따른 학습 장치의 경우, 드라이 에칭용 학습 모델(1300)에는, 데이터 성형부(1200)의 연결부(1201)에 의해 생성된 연결 데이터(1310)가 입력된다.
또한, 도 13에 나타내는 바와 같이, 제2 실시형태에 따른 학습 장치의 경우, 드라이 에칭용 학습 모델(1300)에는, 데이터 성형부(1200)의 정규화부(1202)에 의해 생성된 정규화 파라미터 데이터가 입력된다.
한편, 도 13에 나타내는 바와 같이, 드라이 에칭용 학습 모델(1300)에는, CNN 기반의 학습 모델인 UNET에 더해, 전체 결합형 학습 모델인 뉴럴 네트워크부(1301)가 포함된다.
뉴럴 네트워크부(1301)는, 정규화 파라미터 데이터를 입력 받으면, UNET의 각 층에서 컨볼루션 처리가 행해지는 각 화상 데이터의 각 화소값을 변환할 때에 사용하는 소정 형식의 값(예를 들어, 1차식의 계수 γ,β)을 출력한다. 즉, 뉴럴 네트워크부(1301)는 정규화 파라미터 데이터를 소정 형식(예를 들어, 1차식 계수의 형식)으로 가공하는 기능을 갖는다.
도 13의 예에서는, UNET가 9층으로 구성되어 있으므로, 뉴럴 네트워크부(1301)는 1차식의 계수로서 (γ1,β1)~(γ9,β9)를 출력한다. 한편, 도 13의 예에서는, 지면 관계상 각 층에 1차식 계수가 1쌍씩 입력되는 것으로 나타냈으나, 각 층에는 채널별 데이터별로 1차식 계수가 복수쌍씩 입력되는 것으로 한다.
UNET의 각 층에서는, 컨볼루션 처리가 행해지는 채널별 데이터별로 각 화상 데이터의 각 화소값(여기에서는 'h'라 함)을, 예를 들어, 1차식=h×γ+β(제1 층인 경우에는, h×γ1+β1)을 사용해서 변환한다.
여기에서 1차식의 계수 (γ1,β1)~(γ9,β9)는, 예를 들어, UNET의 각 층에서 컨볼루션 처리가 행해지는 채널별 데이터별로 각 화상 데이터 중에서 어느 화상 데이터가 중요한지를 나타내는 지표로서 취할 수 있다. 즉, 뉴럴 네트워크부(1301)에서는, 정규화 파라미터 데이터에 기초하여, 학습 모델의 각 층에서 처리되는 각 화상 데이터에 있어 중요도를 나타내는 지표를 산출하는 처리를 한다.
상기와 같은 구성 하에, 드라이 에칭용 학습 모델(1300)에 연결 데이터(1310) 및 정규화 파라미터 데이터가 입력되면, 복수 개의 채널별 데이터를 포함하는 출력 결과(700)가 출력된다. 한편, 출력 결과(700)는 비교부(430)에서 처리 후 화상 데이터와 비교되어, 차분 정보가 산출된다. 제2 실시형태에 따른 학습 장치의 경우, 변경부(440)는, 차분 정보에 기초하여, 드라이 에칭용 학습 모델(1300) 내에서의 UNET의 모델 파라미터 및 뉴럴 네트워크부(1301)의 모델 파라미터를 갱신한다.
이와 같이, 제2 실시형태에 따른 학습 장치에 의하면, 드라이 에칭용 학습 모델(1300)에 대해 기계 학습을 행할 때에 UNET의 각 층에서 중요도가 높은 화상 데이터를 정규화 파라미터 데이터에 기초하여 추출하는 것이 가능해진다.
<정리>
이상의 설명으로부터 알 수 있듯이, 제2 실시형태에 따른 학습 장치는,
· 물리 모델에 기초한 시뮬레이터에 입력되는 처리 전 화상 데이터와, 물리 모델에 기초한 시뮬레이터에 설정된 파라미터 데이터를 취득하고,
· 취득한 파라미터 데이터를 정규화하여, 학습 모델의 각 층에서 컨볼루션 처리되는 각 화상 데이터의 각 화소값을 변환할 때에 사용하는 1차식의 계수 형식으로 가공하며,
· 학습부가 기계 학습을 행할 때에, 각 층에서 컨볼루션 처리된 화상 데이터의 각 화소값을 1차식을 사용해서 변환한다.
이로써 제2 실시형태에 따른 학습 장치에 의하면, 물리 모델에 기초한 시뮬레이터에서 실현되는 시뮬레이션 내용을 실현하는 학습 완료 모델을 생성할 수가 있다.
또한, 제2 실시형태에 따른 학습 장치에 의하면, 물리 모델에 기초한 시뮬레이터보다 시뮬레이션 시간을 단축할 수 있는 학습 완료 모델을 생성할 수가 있다. 또한, 제2 실시형태에 따른 학습 장치에 의하면, 물리 모델에 기초한 시뮬레이터를 대체할 수 있는 시뮬레이션 정확도를 갖는 학습 완료 모델을 생성할 수가 있다.
한편, 제2 실시형태에서는, 학습 장치에 대해 설명하였으나, 추론 장치에서도 실행부가 시뮬레이션을 실행할 때에 마찬가지의 처리가 행해지는 것으로 한다.
이와 같이, 제2 실시형태에 의하면, 반도체 제조 프로세스의 시뮬레이션에 있어 물리 모델에 기초한 시뮬레이터를 대체하는 학습 완료 모델을 제공할 수가 있다.
[제3 실시형태]
상기 제1 및 제2 실시형태에서는, 학습부가 기계 학습을 행함에 있어 반도체 제조 프로세스 고유의 상황에 대해서는 특별히 언급하지 않았다. 그런데, 반도체 제조 프로세스에는 고유의 상황이 있는바, 학습부에 의한 기계 학습에 반영시킴으로써(즉, 학습부에 의한 기계 학습에 도메인 지식(domain knowledge)을 반영시킴으로써), 시뮬레이션의 정확도를 더욱 향상시킬 수 있다. 이하에서는, 도메인 지식을 반영시킨 제3 실시형태에 대해, 상기의 제1 및 제2 실시형태와 다른점을 중심으로 설명한다.
<학습 모델의 상세한 기능 구성>
도 14는 제3 실시형태에 따른 학습 장치의 학습부의 기능 구성의 일 예를 나타내는 도면이다. 도 4에 나타낸 학습부(112)의 기능 구성과는, 학습 모델 내의 내부 구성이 서로 다르다. 한편, 여기에서는 드라이 에칭용 학습 모델(1410)을 이용하여 학습 모델 내의 내부 구성에 대해 설명하지만, 증착용 학습 모델도 마찬가지의 내용 구성을 갖는 것으로 한다.
도 14에 나타내는 바와 같이, 학습부(1400)의 드라이 에칭용 학습 모델(1410)은 UNET(1411), 시그모이드 함수부(1412), 곱셈부(1413)를 가진다.
시그모이드 함수부(1412)는, 처리부의 일 예이며, 도 14에 나타내는 바와 같이, UNET(1411)의 출력인 제1 출력 결과에 시그모이드 함수(1420)를 곱함으로써 제2 출력 결과(1421)를 출력한다.
곱셈부(1413)는 시그모이드 함수부(1412)로부터 제2 출력 결과(1421)를 취득한다. 또한, 곱셈부(1413)는 데이터 성형부(111)로부터 처리 전 화상 데이터를 취득한다. 또한, 곱셈부(1413)는, 취득한 처리 전 화상 데이터에, 취득한 제2 출력 결과(1421)를 곱함으로써, 최종 출력 결과(1422)를 비교부(430)에 통지한다.
이와 같이 처리 전 화상 데이터를 곱하여 최종 출력 결과(1422)를 출력하는 구성으로 함으로써, 드라이 에칭용 학습 모델(1410)을 기계 학습시킨 경우의 UNET(1411)에서는, 제1 출력 결과로서 에칭되는 비율을 나타내는 화상 데이터가 출력되게 된다.
여기에서 에칭되는 비율이라 함은, 처리 전 화상 데이터에 포함된 각 재료층이 처리 후 화상 데이터에서는 어느 정도 에칭되어 있는지(깎여나가 있는지)를 나타내는 변화율 값을 말한다. 드라이 에칭용 학습 모델(1410)을 기계 학습시킴에 따라, 에칭되는 비율은 처리 후 화상 데이터를 처리 전 화상 데이터로 나눈 값에 근접하게 된다. 다만, 기계 학습 과정에서 UNET(1411)으로부터 출력되는 제1 출력 결과는 임의의 값을 취한다.
한편, 드라이 에칭의 경우에, 형상의 변화에 관해서는 "처리 전후에 있어 재료가 늘어나지는 않는다"는 제약 조건(도메인 지식)이 있다. 따라서, 드라이 에칭의 경우에 에칭되는 비율은 0~1의 범위 안에 있게 된다.
여기에서 시그모이드 함수부(1412)는 임의의 값을 0~1의 값으로 변환하는 함수이며, 제1 출력 결과를 시그모이드 함수부(1412)에서 제2 출력 결과로 변환함으로써 상기 도메인 지식을 반영시킬 수가 있다.
한편, 도 14에 나타내고 있지 않지만, 증착용 학습 모델에서도 시그모이드 함수부, 곱셈부 등을 배치함으로써 마찬가지의 처리를 할 수 있다. 구체적으로는, 증착용 학습 모델을 기계 학습시킨 경우의 UNET로부터, 제1 출력 결과로서 부착율을 나타내는 화상 데이터가 출력되게 된다.
이 때 부착율이라 함은, 처리 전 화상 데이터에 포함된 각 재료층에 대해 처리 후 화상 데이터에서는 어느 정도 박막이 부착되어 있는지를 나타내는 변화율 값을 말한다. 증착용 학습 모델을 기계 학습시킴에 따라, 부착율은 처리 전 화상 데이터와 처리 후 화상 데이터의 차분을 처리 전 화상 데이터로 나눈 값에 근접하게 된다. 다만, 기계 학습 과정에서 UNET으로부터 출력되는 제1 출력 결과는 임의의 값을 취한다.
한편, 증착의 경우에, 형상의 변화에 관해서는 "처리 전후에 있어 재료가 줄어들지는 않는다"는 제약 조건(도메인 지식)이 있다. 따라서, 증착의 경우에 부착율은 0~1의 범위 안에 있게 된다.
전술한 바와 같이, 시그모이드 함수부는 임의의 값을 0~1의 값으로 변환하는 함수이며, 제1 출력 결과를 시그모이드 함수부에서 제2 출력 결과로 변환함으로써 상기 도메인 지식을 반영시킬 수가 있다.
이와 같이 제3 실시형태에 따른 학습 장치(110)의 학습부(1400)에 의하면, 기계 학습에 도메인 지식을 반영할 수 있게 되어 시뮬레이션의 정확도를 더욱 향상시킬 수 있다.
[제4 실시형태]
상기 제1 내지 제3 실시형태에서는, 데이터 성형부가 처리 전 화상 데이터의 세로 크기 및 가로 크기에 따른 세로 크기 및 가로 크기의 연결 데이터를 생성하는 것으로서 설명하였다. 그러나, 데이터 성형부가 생성하는 연결 데이터의 세로 크기 및 가로 크기는 임의의 것이어서, 처리 전 화상 데이터를 압축하고서 연결 데이터를 생성하도록 구성할 수도 있다. 이하에서, 제4 실시형태에 대해, 상기 제1 내지 제3 실시형태와의 다른점을 중심으로 설명한다.
<데이터 성형부의 상세한 기능 구성>
도 15는 제4 실시형태에 따른 학습 장치의 데이터 성형부의 기능 구성의 일 예를 나타내는 도면이다. 그 중에서 도 15의 '15a'는, 제1 실시형태에 따른 학습 장치의 데이터 성형부(111)에 압축부(1511)를 부가한 데이터 성형부(1510)를 나타내고 있다.
압축부(1511)는 형상 데이터 취득부(501)에서 취득된 처리 전 화상 데이터를 압축한다. 압축부(1511)에서는, 예를 들어, 인접하는 n개(n은 2 이상의 정수. 예를 들어, 세로 방향 2개×가로 방향 2개인 경우에는 n=4)의 화소의 화소값에 대해 평균치를 산출하고, 산출된 평균치를 당해 n개의 화소를 아우른 1개 화소의 화소값으로 한다. 이로써, 압축부(1511)에서는 처리 전 화상 데이터를 1/n배로 압축할 수가 있다.
이와 같이 압축부(1511)에서는, 처리 전 화상 데이터가 각 재료의 조성비(또는 함유비)를 나타내는 화상 데이터임을 고려하여, 압축 전후에 있어 재료의 조성비(또는 함유비)가 최대한 유지되도록 압축 처리한다. 한편, 압축부(1511)에 의한 압축 처리의 압축율은 정수배에 한정되지 않으며, 압축부(1511)에서는 임의의 압축율로 압축 처리할 수 있다.
마찬가지로, 도 15의 '15b'는, 제2 실시형태에 따른 학습 장치의 데이터 성형부(1200)에 압축부(1511)를 부가한 데이터 성형부(1520)를 나타내고 있다.
데이터 성형부(1520)가 구비하는 압축부(1511)는 데이터 성형부(1510)가 구비하는 압축부(1511)와 같은 기능을 갖는다. 그러므로, 여기에서는 상세한 설명을 생략한다.
이와 같이 데이터 성형부(1510 또는 1520)에 압축부(1511)를 부가함으로써, 학습부(112,1400)(또는, 실행부(122))에 입력되는 연결 데이터의 크기를 축소시킬 수 있다. 그 결과, 제4 실시형태에 의하면, 학습부(112,1400)가 기계 학습을 행하는 경우의 학습 시간 또는 실행부(122)가 시뮬레이션을 실행하는 경우의 시뮬레이션 시간을 단축할 수가 있다.
[그 밖의 실시형태]
상기 제1 실시형태에서는, 학습부(112)에 드라이 에칭용 학습 모델(420)과 증착용 학습 모델(421)을 각각 구비하고, 서로 다른 학습용 데이터를 사용하여 따로 기계 학습을 실행하는 것으로서 설명하였다.
그러나, 반도체 제조 프로세스에서는 드라이 에칭과 증착이 동시에 이루어지는 경우도 있다. 이와 같은 경우를 상정하여, 학습부(112)에 하나의 학습 모델을 구비하고 드라이 에칭과 증착이 동시에 이루어지는 케이스를 기계 학습시키도록 구성할 수도 있다.
이 경우, 학습부(112)에서는, 당해 하나의 학습 모델에 대해, 드라이 에칭 및 증착이 발생하기 전의 처리 전 화상 데이터와, 드라이 에칭 및 증착이 발생한 후의 처리 후 화상 데이터를 포함하는 학습용 데이터를 사용하여 기계 학습을 실행한다.
이와 같이, 시뮬레이션 장치(130)의 실행부(131)의 경우, 드라이 에칭용 시뮬레이터(310)와 증착용 시뮬레이터(320) 양쪽을 구비할 필요가 있었는데, 학습 장치(110)의 학습부(112)에서는 학습 모델을 통합할 수도 있다.
또한, 상기 제1 실시형태에서는, 처리 전 화상 데이터 및 처리 후 화상 데이터가 2차원 화상 데이터인 것으로서 설명하였다. 그러나, 처리 전 화상 데이터 및 처리 후 화상 데이터는 2차원 화상 데이터에 한정되지 않으며, 3차원 화상 데이터(이른바, 복셀 데이터)일 수도 있다.
한편, 처리 전 화상 데이터가 2차원 화상 데이터인 경우에는, 연결 데이터가 채널, 세로 크기, 가로 크기의 배열로 이루어지나, 처리 전 화상 데이터가 3차원 화상 데이터인 경우에는, 연결 데이터가 채널, 세로 크기, 가로 크기, 폭 크기의 배열로 이루어진다.
또한, 상기 제1 실시형태에서는, 2차원 화상 데이터를 그대로 사용하는 것으로서 설명하였으나, 2차원 화상 데이터를 변형하거나 또는 3차원 화상 데이터를 변형하고서 사용하도록 구성할 수도 있다. 예를 들어, 3차원 화상 데이터를 취득하였지만 소정 단면의 2차원 화상 데이터를 생성하여 처리 전 화상 데이터로서 입력할 수도 있다. 또는, 연속하는 소정 단면의 2차원 화상 데이터에 기초해서 3차원 화상 데이터를 생성하여 처리 전 화상 데이터로서 입력할 수도 있다.
또한, 상기 제1 실시형태에서는, 채널별 데이터 생성부(502)가 공기층, 각 재료층별로 채널별 데이터를 생성하는 것으로서 설명하였다. 그러나, 채널별 데이터의 생성 방법은 이에 한정되지 않으며, 특정 막 종류별이 아니라 Oxide, Silicon, Organics, Nitride 등과 같이 보다 큰 분류에 기초하여 채널별 데이터를 생성하도록 할 수도 있다.
또한, 상기 제1 내지 제4 실시형태에서는, 추론 장치(120)가 처리 전 화상 데이터 및 파라미터 데이터를 입력받고서 처리 후 화상 데이터를 출력하여 처리를 종료하는 것으로서 설명하였다. 그러나, 추론 장치(120)의 구성은 이에 한정되지 않으며, 예를 들어, 처리 전 화상 데이터 및 파라미터 데이터를 입력받고서 출력하는 처리 후 화상 데이터를, 대응하는 파라미터 데이터와 함께, 재차 추론 장치(120)에 입력하도록 구성할 수도 있다. 이렇게 함으로써, 추론 장치(120)에서는, 형상의 변화를 연속적으로 출력할 수가 있다. 한편, 추론 장치(120)에 처리 후 화상 데이터를 재차 입력함에 있어 대응하는 파라미터 데이터는, 임의로 변경할 수 있는 것으로 한다.
또한, 상기 제1 내지 제4 실시형태에서는, 학습 장치(110), 추론 장치(120), 시뮬레이션 장치(130)를 별체로서 나타내었으나, 이 중 2가지의 장치를 일체로 구성할 수도 있으며, 모든 장치를 일체로 구성할 수도 있다.
또한, 상기 제1 내지 제4 실시형태에서는, 학습 장치(110)가 1대의 컴퓨터로 구성되는 것으로서 설명하였으나, 복수 대의 컴퓨터로 구성될 수도 있다. 마찬가지로, 상기 제1 내지 제4 실시형태에서는, 추론 장치(120)가 1대의 컴퓨터로 구성되는 것으로서 설명하였으나, 복수 대의 컴퓨터로 구성될 수도 있다.
또한, 상기 제1 내지 제4 실시형태에서는, 학습 장치(110), 추론 장치(120), 시뮬레이션 장치(130)를 반도체 제조 프로세스에 적용하는 것으로서 설명하였으나, 반도체 제조 프로세스 이외의 다른 프로세스에도 적용할 수 있음은 말할 것도 없다. 여기에서 말하는 반도체 제조 프로세스 이외의 다른 프로세스에는, 반도체 제조 프로세스 이외의 다른 제조 프로세스, 비제조 프로세스가 포함되는 것으로 한다.
또한, 상기 제1 내지 제4 실시형태에서는, 학습 장치(110), 추론 장치(120)에 대해, 범용 컴퓨터에 각종 프로그램을 실행시킴으로써 실현시켰으나, 학습 장치(110), 추론 장치(120)의 실현 방법은 이에 한정되지 않는다.
예를 들어, 프로세서, 메모리 등을 실장하고 있는 IC(Integrated Circuit) 등과 같은 전용의 전자 회로(즉, 하드웨어)에 의해 실현될 수도 있다. 복수 개의 구성 요소가 하나의 전자 회로로 실현될 수도 있으며, 하나의 구성 요소가 복수 개의 전자 회로로 실현될 수도 있으며, 구성 요소와 전자 회로가 일대일로 대응하여 실현될 수도 있다.
한편, 상기 실시형태에서 설명한 구성 등에 다른 요소를 조합시킨 경우 등과 같이, 본 발명이 여기에서 나타낸 구성으로 한정되는 것은 아니다. 이러한 점에 관해서는, 본 발명의 취지를 일탈하지 않는 범위에서 변경할 수 있으며, 그 응용 형태에 따라 적절하게 정할 수가 있다.
본 출원은 일본국 특허청에 2018년 9월 3일자로 출원된 특허출원 2018-164930호에 기초하는 우선권을 주장하는 것이며, 그 전체 내용을 참조로써 본 출원에 원용한다.
100 시뮬레이션 시스템
110 학습 장치
111 데이터 성형부
112 학습부
120 추론 장치
121 데이터 성형부
122 실행부
130 시뮬레이션 장치
131 실행부
300 학습용 데이터
310 드라이 에칭용 시뮬레이터
320 증착용 시뮬레이터
420 드라이 에칭용 학습 모델
421 증착용 학습 모델
430 비교부
440 변경부
501 형상 데이터 취득부
502 채널별 데이터 생성부
511 파라미터 데이터 취득부
512 파라미터 데이터 전개부
520 연결부
600 처리 전 화상 데이터
601~605 채널별 데이터
610 파라미터 데이터
611~613 2차원으로 배열된 파라미터 데이터
620 연결 데이터
700 출력 결과
920 드라이 에칭용 학습 완료 모델
921 증착용 학습 완료 모델
930 출력부
1200 데이터 성형부
1201 연결부
1300 드라이 에칭용 학습 모델
1301 뉴럴 네트워크부
1310 연결 데이터
1400 학습부
1510,1520 데이터 성형부
1511 압축부
110 학습 장치
111 데이터 성형부
112 학습부
120 추론 장치
121 데이터 성형부
122 실행부
130 시뮬레이션 장치
131 실행부
300 학습용 데이터
310 드라이 에칭용 시뮬레이터
320 증착용 시뮬레이터
420 드라이 에칭용 학습 모델
421 증착용 학습 모델
430 비교부
440 변경부
501 형상 데이터 취득부
502 채널별 데이터 생성부
511 파라미터 데이터 취득부
512 파라미터 데이터 전개부
520 연결부
600 처리 전 화상 데이터
601~605 채널별 데이터
610 파라미터 데이터
611~613 2차원으로 배열된 파라미터 데이터
620 연결 데이터
700 출력 결과
920 드라이 에칭용 학습 완료 모델
921 증착용 학습 완료 모델
930 출력부
1200 데이터 성형부
1201 연결부
1300 드라이 에칭용 학습 모델
1301 뉴럴 네트워크부
1310 연결 데이터
1400 학습부
1510,1520 데이터 성형부
1511 압축부
Claims (27)
- 적어도 하나의 프로세서가, 제2 처리 전 화상 데이터 및 시뮬레이터의 제2 파라미터 데이터를 학습 완료 모델에 입력하여 제2 처리 후 화상 데이터를 생성하는 것을 실행하고,
상기 학습 완료 모델은, 제1 처리 전 화상 데이터 및 상기 제1 처리 전 화상 데이터에 대한 상기 시뮬레이터의 제1 파라미터 데이터를 상기 학습 완료 모델에 입력하여 생성되는 제1 처리 후 화상 데이터가, 상기 제1 처리 전 화상 데이터에 대한 상기 제1 파라미터 데이터를 사용한 상기 시뮬레이터에 의한 시뮬레이션 실행에 의해 생성되는 제1 처리 후 화상 데이터에 근접하도록 학습된 것인 추론 방법. - 제1항에 있어서,
상기 학습 완료 모델에 입력되는 상기 제2 처리 전 화상 데이터는 적어도 상기 제2 처리 전 화상 데이터 또는 상기 제2 처리 전 화상 데이터에 소정의 처리를 적용하여 얻어지는 데이터 중 어느 한쪽을 포함하며,
상기 학습 완료 모델에 입력되는 상기 제2 파라미터 데이터는 적어도 상기 제2 파라미터 데이터 또는 상기 제2 파라미터 데이터에 소정의 처리를 적용하여 얻어지는 데이터 중 어느 한쪽을 포함하며,
상기 학습시에 상기 학습 완료 모델에 입력되는 상기 제1 처리 전 화상 데이터는 적어도 상기 제1 처리 전 화상 데이터 또는 상기 제1 처리 전 화상 데이터에 소정의 처리를 적용하여 얻어지는 데이터 중 어느 한쪽을 포함하며,
상기 학습시에 상기 학습 완료 모델에 입력되는 상기 제1 파라미터 데이터는 적어도 상기 제1 파라미터 데이터 또는 상기 제1 파라미터 데이터에 소정의 처리를 적용하여 얻어지는 데이터 중 어느 한쪽을 포함하는 것인 추론 방법. - 제1항 또는 제2항에 있어서,
상기 적어도 하나의 프로세서는, 상기 제2 파라미터 데이터를 상기 제2 처리 전 화상 데이터에 따른 형식으로 가공하는 것을 또한 실행하며,
상기 학습 완료 모델에 입력되는 상기 제2 파라미터 데이터는 상기 가공된 제2 파라미터 데이터인 추론 방법. - 제3항에 있어서,
상기 적어도 하나의 프로세서는, 상기 제2 파라미터 데이터를 상기 제2 처리전 화상 데이터의 세로 크기 및 가로 크기에 따른 2차원 배열 형식으로 가공하는 것을 실행하는 것인 추론 방법. - 제1항에 있어서,
상기 적어도 하나의 프로세서는, 상기 제2 파라미터 데이터를 다른 학습 완료 모델에 입력하는 것을 또한 실행하며,
상기 학습 완료 모델에 입력되는 상기 제2 파라미터 데이터는 상기 다른 학습 완료 모델로부터의 출력인 추론 방법. - 제5항에 있어서,
상기 다른 학습 완료 모델에 입력되는 상기 제2 파라미터 데이터는 정규화된 파라미터 데이터인 추론 방법. - 제1항 또는 제2항에 있어서,
상기 적어도 하나의 프로세서는, 상기 제2 처리 전 화상 데이터를 압축하는 것을 또한 실행하며,
상기 학습 완료 모델에 입력되는 상기 제2 처리 전 화상 데이터는 상기 압축된 제2 처리 전 화상 데이터인 추론 방법. - 제1항 또는 제2항에 있어서,
상기 적어도 하나의 프로세서는, 상기 제2 처리 후 화상 데이터와 상기 시뮬레이터의 제3 파라미터 데이터를 상기 학습 완료 모델에 입력하여 제3 처리 후 화상 데이터를 생성하는 것을 또한 실행하는 추론 방법. - 제1항 또는 제2항에 있어서,
상기 학습 완료 모델은 뉴럴 네트워크인 추론 방법. - 제1항 또는 제2항에 있어서,
상기 학습 완료 모델은 상기 제2 처리 후 화상 데이터를 출력하는 것인 추론 방법. - 제1항 또는 제2항에 있어서,
상기 적어도 하나의 프로세서는, 상기 학습 완료 모델로부터의 출력 및 상기 제2 처리 전 화상 데이터에 기초하여 상기 제2 처리 후 화상 데이터를 생성하는 것을 실행하는 것인 추론 방법. - 제11항에 있어서,
상기 학습 완료 모델은 상기 제2 처리 전 화상 데이터에 대한 변화율에 관한 정보를 출력하는 것인 추론 방법. - 제12항에 있어서,
상기 시뮬레이션은 반도체 제조 프로세스에 관한 시뮬레이션이며,
상기 변화율은 적어도 에칭되는 비율 또는 증착 부착율 중 어느 한쪽에 관한 값인 추론 방법. - 제12항에 있어서,
상기 변화율은 0~1의 범위로 나타내어지는 것인 추론 방법. - 제1항 또는 제2항에 있어서,
상기 제2 처리 전 화상 데이터는 3차원 화상 데이터인 추론 방법. - 제1항 또는 제2항에 있어서,
상기 시뮬레이터는 물리 모델에 기초한 시뮬레이터인 추론 방법. - 제1항 또는 제2항에 있어서,
상기 시뮬레이터는 반도체 제조 프로세스에 관한 시뮬레이터인 추론 방법. - 제17항에 있어서,
상기 제2 처리 전 화상 데이터는 웨이퍼의 형상을 나타내는 화상 데이터인 추론 방법. - 제17항에 있어서,
상기 제2 처리 전 화상 데이터는 적어도 상기 반도체 제조 프로세스에서의처리 대상인 복수 개 재료의 조성비 또는 함유비 중 어느 한쪽에 따른 값을 갖는 것인 추론 방법. - 제17항에 있어서,
상기 제2 처리 전 화상 데이터는 상기 반도체 제조 프로세스에서의 처리 대상 재료에 따른 복수 개 채널을 포함하는 것인 추론 방법. - 제17항에 있어서,
상기 제2 처리 전 화상 데이터는 상기 반도체 제조 프로세스에서의 처리 대상인 복수 개 재료의 층과 공기 층을 포함하는 것인 추론 방법. - 제17항에 있어서,
상기 시뮬레이터는 에칭에 관한 시뮬레이션을 실행할 수 있는 시뮬레이터이며,
상기 제2 파라미터 데이터는 적어도 에칭 비율, 에칭 방향, 에칭 깊이 중 어느 한쪽에 관한 정보를 포함하는 것인 추론 방법. - 제17항에 있어서,
상기 시뮬레이터는 증착에 관한 시뮬레이션을 실행할 수 있는 시뮬레이터이며,
상기 제2 파라미터 데이터는 상기 증착에 관한 정보를 포함하는 것인 추론방법. - 적어도 하나의 프로세서가, 처리 전 화상 데이터 및 상기 처리 전 화상 데이터에 대한 시뮬레이터의 파라미터 데이터를 학습 모델에 입력하여 생성되는 처리 후 화상 데이터가, 상기 처리 전 화상 데이터에 대한 상기 파라미터 데이터를 사용한 상기 시뮬레이터에 의한 시뮬레이션 실행에 의해 생성되는 처리 후 화상 데이터에 근접하도록, 상기 학습 모델의 학습을 실행하는 것인 모델 생성 방법.
- 적어도 하나의 메모리와, 적어도 하나의 프로세서를 포함하며,
상기 적어도 하나의 메모리는,
제1 처리 전 화상 데이터 및 상기 제1 처리 전 화상 데이터에 대한 시뮬레이터의 제1 파라미터 데이터를 학습 완료 모델에 입력하여 생성되는 제1 처리 후 화상 데이터가, 상기 제1 처리 전 화상 데이터에 대한 상기 제1 파라미터 데이터를 사용한 상기 시뮬레이터에 의한 시뮬레이션 실행에 의해 생성되는 제1 처리 후 화상 데이터에 근접하도록 학습된 상기 학습 완료 모델을 기억하고,
상기 적어도 하나의 프로세서는,
제2 처리 전 화상 데이터 및 상기 시뮬레이터의 제2 파라미터 데이터를 상기 학습 완료 모델에 입력하여 제2 처리 후 화상 데이터를 생성하는 것을 실행하는 것인 추론 장치. - 제25항에 있어서,
상기 적어도 하나의 프로세서는 상기 제2 처리 후 화상 데이터 및 상기 시뮬레이터의 제3 파라미터 데이터를 상기 학습 완료 모델에 입력하여 제3 처리 후 화상 데이터를 생성하는 것을 또한 실행하는 것인 추론 장치. - 적어도 하나의 메모리와, 적어도 하나의 프로세서를 포함하며,
상기 적어도 하나의 프로세서는,
처리 전 화상 데이터 및 상기 처리 전 화상 데이터에 대한 시뮬레이터의 파라미터 데이터를 학습 모델에 입력하여 생성되는 처리 후 화상 데이터가, 상기 처리 전 화상 데이터에 대한 상기 파라미터 데이터를 사용한 상기 시뮬레이터에 의한 시뮬레이션 실행에 의해 생성되는 처리 후 화상 데이터에 근접하도록, 상기 학습 모델의 학습을 실행하는 것인 학습 장치.
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018164930 | 2018-09-03 | ||
JPJP-P-2018-164930 | 2018-09-03 | ||
PCT/JP2019/032025 WO2020049974A1 (ja) | 2018-09-03 | 2019-08-15 | 学習装置、推論装置、学習モデルの生成方法及び推論方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20210036391A KR20210036391A (ko) | 2021-04-02 |
KR102513707B1 true KR102513707B1 (ko) | 2023-03-23 |
Family
ID=69722906
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020217006384A KR102513707B1 (ko) | 2018-09-03 | 2019-08-15 | 학습 장치, 추론 장치, 학습 모델 생성 방법 및 추론 방법 |
Country Status (6)
Country | Link |
---|---|
US (1) | US12033311B2 (ko) |
JP (2) | JP6724267B1 (ko) |
KR (1) | KR102513707B1 (ko) |
CN (1) | CN112640037A (ko) |
TW (1) | TWI840403B (ko) |
WO (1) | WO2020049974A1 (ko) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW202243069A (zh) | 2020-12-28 | 2022-11-01 | 日商東京威力科創股份有限公司 | 參數導出裝置、參數導出方法及參數導出程式 |
JP2023045817A (ja) | 2021-09-22 | 2023-04-03 | 株式会社Screenホールディングス | 学習装置、情報処理装置、基板処理装置、基板処理システム、学習方法、レシピ決定方法及び学習プログラム |
JP2023046032A (ja) * | 2021-09-22 | 2023-04-03 | キヤノン株式会社 | 解析方法 |
JP2023056708A (ja) * | 2021-10-08 | 2023-04-20 | 東京エレクトロン株式会社 | エッチング処理システム、エッチング品質予測方法及びエッチング品質予測プログラム |
WO2024005047A1 (ja) * | 2022-07-01 | 2024-01-04 | 東京エレクトロン株式会社 | 基板処理装置の制御方法及び基板処理システム |
JP2024047495A (ja) * | 2022-09-26 | 2024-04-05 | 株式会社Screenホールディングス | 学習装置、情報処理装置、基板処理装置、基板処理システム、学習方法および処理条件決定方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170148226A1 (en) | 2015-11-19 | 2017-05-25 | Kla-Tencor Corporation | Generating simulated images from design information |
JP2017182129A (ja) | 2016-03-28 | 2017-10-05 | ソニー株式会社 | 情報処理装置。 |
Family Cites Families (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06224126A (ja) * | 1993-01-25 | 1994-08-12 | Fuji Electric Co Ltd | 半導体製造装置の膜質予測装置 |
JPH11330449A (ja) * | 1998-05-20 | 1999-11-30 | Toshiba Corp | 半導体装置の製造方法、シミュレーション装置、シミュレーション方法、シミュレーションプログラムを記録した記録媒体、及びシミュレーション用データを記録した記録媒体 |
KR20020085688A (ko) | 2001-05-09 | 2002-11-16 | 학교법인 인하학원 | 반도체 식각 공정 모의 실험 해석기 및 해석 방법 |
US6819427B1 (en) * | 2001-10-10 | 2004-11-16 | Advanced Micro Devices, Inc. | Apparatus of monitoring and optimizing the development of a photoresist material |
JP4333166B2 (ja) * | 2002-03-14 | 2009-09-16 | 株式会社ニコン | 加工形状の予測方法、加工条件の決定方法、加工量予測方法、加工形状予測システム、加工条件決定システム、加工システム、加工形状予測計算機プログラム、加工条件決定計算機プログラム、プログラム記録媒体、及び半導体デバイスの製造方法 |
JP2004040004A (ja) * | 2002-07-08 | 2004-02-05 | Renesas Technology Corp | 配線設計データを利用した化学的機械的研磨方法、加工物の製造方法、およびデザインルール決定方法 |
TW592300U (en) * | 2003-01-29 | 2004-06-11 | Midway Elecpronics Co Ltd | Electric meter calibrating device using common memory to transfer calibrating parameters |
KR20040080742A (ko) | 2003-03-13 | 2004-09-20 | 원태영 | 식각 공정 시뮬레이션의 병렬 연산 구현 방법 |
US8036869B2 (en) * | 2003-09-30 | 2011-10-11 | Tokyo Electron Limited | System and method for using first-principles simulation to control a semiconductor manufacturing process via a simulation result or a derived empirical model |
JP2005202949A (ja) | 2003-12-01 | 2005-07-28 | Oscillated Recall Technology:Kk | 大域的エッチングシミュレータ |
JP4920268B2 (ja) * | 2006-02-23 | 2012-04-18 | 株式会社日立ハイテクノロジーズ | 半導体プロセスモニタ方法およびそのシステム |
US8722547B2 (en) * | 2006-04-20 | 2014-05-13 | Applied Materials, Inc. | Etching high K dielectrics with high selectivity to oxide containing layers at elevated temperatures with BC13 based etch chemistries |
US8396582B2 (en) * | 2008-03-08 | 2013-03-12 | Tokyo Electron Limited | Method and apparatus for self-learning and self-improving a semiconductor manufacturing tool |
US8117568B2 (en) * | 2008-09-25 | 2012-02-14 | International Business Machines Corporation | Apparatus, method and computer program product for fast simulation of manufacturing effects during integrated circuit design |
JP2011071296A (ja) * | 2009-09-25 | 2011-04-07 | Sharp Corp | 特性予測装置、特性予測方法、特性予測プログラムおよびプログラム記録媒体 |
US9245714B2 (en) * | 2012-10-01 | 2016-01-26 | Kla-Tencor Corporation | System and method for compressed data transmission in a maskless lithography system |
JP6173889B2 (ja) | 2013-11-28 | 2017-08-02 | ソニーセミコンダクタソリューションズ株式会社 | シミュレーション方法、シミュレーションプログラム、加工制御システム、シミュレータ、プロセス設計方法およびマスク設計方法 |
JP2016071597A (ja) * | 2014-09-30 | 2016-05-09 | ソニー株式会社 | 情報処理装置、情報処理方法及びプログラム |
US10056304B2 (en) * | 2014-11-19 | 2018-08-21 | Deca Technologies Inc | Automated optical inspection of unit specific patterning |
KR102160217B1 (ko) * | 2015-12-22 | 2020-09-28 | 에이에스엠엘 네델란즈 비.브이. | 프로세스-윈도우 특성화를 위한 장치 및 방법 |
US9916965B2 (en) * | 2015-12-31 | 2018-03-13 | Kla-Tencor Corp. | Hybrid inspectors |
EP3398123A4 (en) * | 2015-12-31 | 2019-08-28 | KLA - Tencor Corporation | ACCELERATED TRAINING OF A MODEL BASED ON AUTOMATIC LEARNING FOR SEMICONDUCTOR APPLICATIONS |
JP6608344B2 (ja) * | 2016-09-21 | 2019-11-20 | 株式会社日立製作所 | 探索装置および探索方法 |
JP6635476B2 (ja) * | 2017-08-09 | 2020-01-29 | 学校法人東京女子医科大学 | 線量分布予測システム、線量分布予測方法及び線量分布予測プログラム |
US20210305070A1 (en) * | 2017-10-17 | 2021-09-30 | Ulvac, Inc. | Object processing apparatus |
CN107909114B (zh) * | 2017-11-30 | 2020-07-17 | 深圳地平线机器人科技有限公司 | 训练有监督机器学习的模型的方法和装置 |
CN107945175A (zh) * | 2017-12-12 | 2018-04-20 | 百度在线网络技术(北京)有限公司 | 图像的评价方法、装置、服务器及存储介质 |
US11199506B2 (en) * | 2018-02-21 | 2021-12-14 | Applied Materials Israel Ltd. | Generating a training set usable for examination of a semiconductor specimen |
US10572697B2 (en) * | 2018-04-06 | 2020-02-25 | Lam Research Corporation | Method of etch model calibration using optical scatterometry |
JP2019219756A (ja) * | 2018-06-15 | 2019-12-26 | 国立研究開発法人理化学研究所 | 制御装置、制御方法、プログラム、ならびに、情報記録媒体 |
-
2019
- 2019-08-15 JP JP2020503074A patent/JP6724267B1/ja active Active
- 2019-08-15 CN CN201980057325.4A patent/CN112640037A/zh active Pending
- 2019-08-15 KR KR1020217006384A patent/KR102513707B1/ko active IP Right Grant
- 2019-08-15 WO PCT/JP2019/032025 patent/WO2020049974A1/ja active Application Filing
- 2019-08-28 TW TW108130789A patent/TWI840403B/zh active
-
2020
- 2020-06-24 JP JP2020108905A patent/JP7291670B2/ja active Active
-
2021
- 2021-03-02 US US17/189,592 patent/US12033311B2/en active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170148226A1 (en) | 2015-11-19 | 2017-05-25 | Kla-Tencor Corporation | Generating simulated images from design information |
JP2017182129A (ja) | 2016-03-28 | 2017-10-05 | ソニー株式会社 | 情報処理装置。 |
Also Published As
Publication number | Publication date |
---|---|
JP7291670B2 (ja) | 2023-06-15 |
JP2020191096A (ja) | 2020-11-26 |
JPWO2020049974A1 (ja) | 2020-09-10 |
KR20210036391A (ko) | 2021-04-02 |
TW202024377A (zh) | 2020-07-01 |
US12033311B2 (en) | 2024-07-09 |
WO2020049974A1 (ja) | 2020-03-12 |
CN112640037A (zh) | 2021-04-09 |
US20210183051A1 (en) | 2021-06-17 |
JP6724267B1 (ja) | 2020-07-15 |
TWI840403B (zh) | 2024-05-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102513707B1 (ko) | 학습 장치, 추론 장치, 학습 모델 생성 방법 및 추론 방법 | |
KR102541743B1 (ko) | 학습 장치, 추론 장치 및 학습 완료 모델 | |
Kwok et al. | Fast query for exemplar-based image completion | |
US10832034B2 (en) | Facial image generating method, facial image generating apparatus, and facial image generating device | |
JP7414930B2 (ja) | 情報処理装置、情報処理方法 | |
Ouyang et al. | Anderson acceleration for nonconvex ADMM based on Douglas‐Rachford splitting | |
RU2745010C1 (ru) | Способы реконструкции карты глубины и электронное вычислительное устройство для их реализации | |
CN113763366B (zh) | 一种换脸方法、装置、设备及存储介质 | |
CN109978888A (zh) | 一种图像分割方法、装置及计算机可读存储介质 | |
US11769310B2 (en) | Combining three-dimensional morphable models | |
US10475238B2 (en) | Hölder adaptive image synthesis | |
CN116434303A (zh) | 基于多尺度特征融合的人脸表情捕捉方法、装置及介质 | |
Wang et al. | Learning elastic constitutive material and damping models | |
CN108520532B (zh) | 识别视频中物体运动方向的方法及装置 | |
CN113158970B (zh) | 一种基于快慢双流图卷积神经网络的动作识别方法与系统 | |
CN117635444A (zh) | 基于辐射差和空间距离的深度补全方法、装置和设备 | |
CN115760646B (zh) | 一种针对不规则孔洞的多模态人脸图像修复方法和系统 | |
CN116091751B (zh) | 一种点云分类方法、装置、计算机设备及存储介质 | |
JP2017126264A (ja) | 情報処理装置、情報処理方法およびプログラム | |
CN113205579B (zh) | 三维重建方法、装置、设备及存储介质 | |
EP3276577B1 (en) | Hölder adaptive image synthesis | |
KR102648938B1 (ko) | 기하학적 일관성을 이용한 소수 샷 신경 방사장 기반 3차원 이미지 재구성 방법 및 장치 | |
Dietrich | Design and implementation of an FPGA-based stereo vision system for the EyeBot M6 | |
US20240160692A1 (en) | Implementing a scatter function on a neural network accelerator | |
US20240029286A1 (en) | Geometric 3d augmentations for transformer architectures |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |