KR20200073142A - 도금 가능한 기판의 매수를 예측하는 예측 모델을 구축하는 방법, 문제를 일으키는 구성 부재를 예상하기 위한 선택 모델을 구축하는 방법, 및 도금 가능한 기판의 매수를 예측하는 방법 - Google Patents

도금 가능한 기판의 매수를 예측하는 예측 모델을 구축하는 방법, 문제를 일으키는 구성 부재를 예상하기 위한 선택 모델을 구축하는 방법, 및 도금 가능한 기판의 매수를 예측하는 방법 Download PDF

Info

Publication number
KR20200073142A
KR20200073142A KR1020190163856A KR20190163856A KR20200073142A KR 20200073142 A KR20200073142 A KR 20200073142A KR 1020190163856 A KR1020190163856 A KR 1020190163856A KR 20190163856 A KR20190163856 A KR 20190163856A KR 20200073142 A KR20200073142 A KR 20200073142A
Authority
KR
South Korea
Prior art keywords
substrate holder
data
sheets
condition data
substrates
Prior art date
Application number
KR1020190163856A
Other languages
English (en)
Inventor
구니오 오이시
마사시 시모야마
류야 고이즈미
Original Assignee
가부시키가이샤 에바라 세이사꾸쇼
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 가부시키가이샤 에바라 세이사꾸쇼 filed Critical 가부시키가이샤 에바라 세이사꾸쇼
Publication of KR20200073142A publication Critical patent/KR20200073142A/ko

Links

Images

Classifications

    • C—CHEMISTRY; METALLURGY
    • C25—ELECTROLYTIC OR ELECTROPHORETIC PROCESSES; APPARATUS THEREFOR
    • C25D—PROCESSES FOR THE ELECTROLYTIC OR ELECTROPHORETIC PRODUCTION OF COATINGS; ELECTROFORMING; APPARATUS THEREFOR
    • C25D21/00—Processes for servicing or operating cells for electrolytic coating
    • C25D21/12—Process control or regulation
    • 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
    • C—CHEMISTRY; METALLURGY
    • C25—ELECTROLYTIC OR ELECTROPHORETIC PROCESSES; APPARATUS THEREFOR
    • C25D—PROCESSES FOR THE ELECTROLYTIC OR ELECTROPHORETIC PRODUCTION OF COATINGS; ELECTROFORMING; APPARATUS THEREFOR
    • C25D17/00—Constructional parts, or assemblies thereof, of cells for electrolytic coating
    • C25D17/001—Apparatus specially adapted for electrolytic coating of wafers, e.g. semiconductors or solar cells
    • C—CHEMISTRY; METALLURGY
    • C25—ELECTROLYTIC OR ELECTROPHORETIC PROCESSES; APPARATUS THEREFOR
    • C25D—PROCESSES FOR THE ELECTROLYTIC OR ELECTROPHORETIC PRODUCTION OF COATINGS; ELECTROFORMING; APPARATUS THEREFOR
    • C25D17/00—Constructional parts, or assemblies thereof, of cells for electrolytic coating
    • C25D17/06—Suspending or supporting devices for articles to be coated
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0751—Error or fault detection not based on redundancy
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/08—Error detection or correction by redundancy in data representation, e.g. by using checking codes
    • G06F11/10—Adding special bits or symbols to the coded information, e.g. parity check, casting out 9's or 11's
    • G06F11/1008—Adding special bits or symbols to the coded information, e.g. parity check, casting out 9's or 11's in individual solid state devices
    • G06F11/1048—Adding special bits or symbols to the coded information, e.g. parity check, casting out 9's or 11's in individual solid state devices using arrangements adapted for a specific error detection or correction feature
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
    • G06F11/2263—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3409—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment for performance assessment
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • 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
    • H01L21/67242—Apparatus for monitoring, sorting or marking
    • H01L21/67276—Production flow monitoring, e.g. for increasing throughput
    • C—CHEMISTRY; METALLURGY
    • C25—ELECTROLYTIC OR ELECTROPHORETIC PROCESSES; APPARATUS THEREFOR
    • C25D—PROCESSES FOR THE ELECTROLYTIC OR ELECTROPHORETIC PRODUCTION OF COATINGS; ELECTROFORMING; APPARATUS THEREFOR
    • C25D17/00—Constructional parts, or assemblies thereof, of cells for electrolytic coating
    • C25D17/004—Sealing devices
    • C—CHEMISTRY; METALLURGY
    • C25—ELECTROLYTIC OR ELECTROPHORETIC PROCESSES; APPARATUS THEREFOR
    • C25D—PROCESSES FOR THE ELECTROLYTIC OR ELECTROPHORETIC PRODUCTION OF COATINGS; ELECTROFORMING; APPARATUS THEREFOR
    • C25D17/00—Constructional parts, or assemblies thereof, of cells for electrolytic coating
    • C25D17/005—Contacting devices

Abstract

본 발명은 기판 홀더의 메인터넌스가 필요해지는 시기를 정확히 예측할 수 있는 예측 모델을 구축하는 방법을 제공하는 것을 목적으로 한다.
본 방법은, 기판 홀더(18)를 이용하여 복수의 기판을 도금하고, 기판 홀더(18)에 문제가 발생할 때까지 기판 홀더(18)를 이용하여 도금된 기판의 총 매수를 결정하며, 제1 처리 가능 매수 및 제2 처리 가능 매수를 결정하고, 제1 컨디션 데이터와, 제1 처리 가능 매수와의 조합으로 이루어지는 제1 데이터 세트를 작성하며, 제1 컨디션 데이터는, 기판 홀더(18)의 구성 부재의 상태를 나타내고 있고, 제2 컨디션 데이터와, 제2 처리 가능 매수와의 조합으로 이루어지는 제2 데이터 세트를 작성하며, 제2 컨디션 데이터는, 구성 부재의 상태를 나타내고 있고, 제1 데이터 세트와 제2 데이터 세트를 포함하는 훈련 데이터를 이용하여, 뉴럴 네트워크로 이루어지는 예측 모델의 파라미터를 최적화한다.

Description

도금 가능한 기판의 매수를 예측하는 예측 모델을 구축하는 방법, 문제를 일으키는 구성 부재를 예상하기 위한 선택 모델을 구축하는 방법, 및 도금 가능한 기판의 매수를 예측하는 방법{METHOD OF CONSTRUCTING PREDICTION MODEL THAT PREDICTS NUMBER OF PLATEABLE SUBSTRATES, METHOD OF CONSTRUCTING SELECTION MODEL FOR PREDICTING COMPONENT THAT CAUSES FAILURE, AND METHOD OF PREDICTING NUMBER OF PLATEABLE SUBSTRATES}
본 발명은 도금 장치에 사용되는 기판 홀더에 문제가 발생할 때까지 도금하는 것이 가능한 기판의 매수를 예측하는 예측 모델을 구축하는 방법에 관한 것으로, 특히 딥 러닝 등의 기계 학습에 의해 예측 모델을 구축하는 방법에 관한 것이다. 또한, 본 발명은 그러한 예측 모델을 이용하여, 도금 가능한 기판의 매수를 예측하는 방법에 관한 것이다.
도금 장치는, 기판 홀더로 유지된 기판(예컨대 웨이퍼)을 도금액에 침지시키고, 기판과 애노드 사이에 전압을 인가함으로써, 기판의 표면에 도전막을 석출시킨다. 기판 홀더는, 기판과 전원의 전기적 접속을 확립하기 위한 복수의 전기 접점, 이들 전기 접점을 도금액으로부터 격리하기 위한 시일, 시일을 유지하는 시일 홀더 등의 복수의 구성 부재로 구성되어 있다.
기판 홀더에 문제가 발생하면, 기판의 도금에 악영향을 미친다. 예컨대, 시일이 변형하면, 기판 홀더의 내부에 도금액이 침입하여, 도금액이 전기 접점에 접촉한다. 결과로서, 목표의 두께를 갖는 도전막이 기판 상에 형성되지 않는다. 기판 홀더는, 도금되는 기판에 접촉하는 구성 부재를 갖기 때문에, 기판 홀더의 컨디션은, 도금 결과에 크게 영향을 준다. 따라서, 양호한 도금 결과를 달성하기 위해서, 기판 홀더의 메인터넌스는 중요하다.
[특허문헌 1] 일본 특허 공개 제2018-3102호 공보
기판 홀더의 메인터넌스는 기판 홀더의 문제가 발생하기 전에 실시하는 것이 바람직하다. 그러나, 기판 홀더의 메인터넌스가 필요한지의 여부를 정확히 판단하는 것은 어렵다. 이 때문에, 종래에서는, 기판 홀더에 문제가 발생한 후에 기판 홀더의 메인터넌스를 실행하는 경우가 있는데, 그 경우, 사전에 메인터넌스의 준비를 행할 수 없어, 메인터넌스에 시간이 걸려 버린다. 한편, 특허문헌 1에는, 기판 홀더의 외관 검사 장치를 구비하고, 필요에 따라 기판 홀더의 클리닝을 행하는 기판 홀더의 검사 장치가 기재되어 있으나, 기판 홀더의 외관에 이상이 생기고 있는지의 여부를 판정하는 것에 불과하다.
그래서, 본 발명은 기판 홀더의 메인터넌스가 필요해지는 시기를 정확히 예측할 수 있는 예측 모델을 구축하는 방법을 제공한다. 또한, 본 발명은 기판 홀더의 문제의 원인이 될 수 있는 기판 홀더의 복수의 구성 부재 중에서, 기판 홀더의 문제를 일으키는 구성 부재를 예상할 수 있는 선택 모델을 구축하는 방법을 제공한다. 또한, 본 발명은 그러한 예측 모델을 이용하여, 기판 홀더의 메인터넌스 시기를 예측하는 방법을 제공한다.
일 양태에서는, 기판 홀더에 문제가 발생할 때까지 도금하는 것이 가능한 기판의 매수를 예측하는 예측 모델을 구축하는 방법으로서, 기판 홀더를 이용하여 복수의 기판을 도금하고, 상기 기판 홀더에 문제가 발생할 때까지 상기 기판 홀더를 이용하여 도금된 기판의 총 매수를 결정하며, 상기 기판 홀더에 문제가 발생할 때까지 도금하는 것이 가능한 기판의 매수인 제1 처리 가능 매수 및 제2 처리 가능 매수를 결정하고, 상기 제1 처리 가능 매수에 대응하는 제1 컨디션 데이터와, 상기 제1 처리 가능 매수와의 조합으로 이루어지는 제1 데이터 세트를 작성하며, 상기 제1 컨디션 데이터는, 상기 기판 홀더의 구성 부재의 상태를 나타내고 있고, 상기 제2 처리 가능 매수에 대응하는 제2 컨디션 데이터와, 상기 제2 처리 가능 매수와의 조합으로 이루어지는 제2 데이터 세트를 작성하며, 상기 제2 컨디션 데이터는, 상기 구성 부재의 상태를 나타내고 있고, 상기 제1 데이터 세트와 상기 제2 데이터 세트를 포함하는 훈련 데이터를 이용하여, 뉴럴 네트워크로 이루어지는 예측 모델의 파라미터를 최적화하는 방법이다.
일 양태에서는, 상기 제1 처리 가능 매수는 0이고, 상기 제1 컨디션 데이터는, 상기 문제가 발생했을 때의 상기 기판 홀더의 상기 구성 부재의 상태를 나타내는 결함 컨디션 데이터이며, 상기 제1 데이터 세트는, 상기 결함 컨디션 데이터와 0과의 조합으로 이루어지는 결함 데이터 세트이다.
일 양태에서는, 상기 제2 처리 가능 매수는, 상기 총 매수보다 적은 중간 매수를 상기 총 매수로부터 감산함으로써 얻어진 처리 가능 매수이고, 상기 제2 컨디션 데이터는, 상기 중간 매수의 기판을 도금한 시점에서의 상기 구성 부재의 상태를 나타내는 중간 컨디션 데이터이며, 상기 제2 데이터 세트는, 상기 중간 컨디션 데이터와 상기 제2 처리 가능 매수와의 조합으로 이루어지는 중간 데이터 세트이다.
일 양태에서는, 상기 제1 처리 가능 매수는, 상기 총 매수보다 적은 제1 중간 매수를 상기 총 매수로부터 감산함으로써 얻어진 처리 가능 매수이고, 상기 제1 컨디션 데이터는, 상기 제1 중간 매수의 기판을 도금한 시점에서의 상기 구성 부재의 상태를 나타내는 제1 중간 컨디션 데이터이며, 상기 제1 데이터 세트는, 상기 제1 중간 컨디션 데이터와 상기 제1 처리 가능 매수와의 조합으로 이루어지는 제1 중간 데이터 세트이고, 상기 제2 처리 가능 매수는, 상기 제1 중간 매수보다 적은 제2 중간 매수를 상기 총 매수로부터 감산함으로써 얻어진 처리 가능 매수이며, 상기 제2 컨디션 데이터는, 상기 제2 중간 매수의 기판을 도금한 시점에서의 상기 구성 부재의 상태를 나타내는 제2 중간 컨디션 데이터이고, 상기 제2 데이터 세트는, 상기 제2 중간 컨디션 데이터와 상기 제2 처리 가능 매수와의 조합으로 이루어지는 제2 중간 데이터 세트이다.
일 양태에서는, 제1 컨디션 데이터 및 상기 제2 컨디션 데이터의 각각은, 상기 기판 홀더의 화상 데이터 및 표면 형상 데이터 중 어느 하나로 구성되어 있다.
일 양태에서는, 상기 예측 모델은, 입력층, 적어도 2개의 중간층, 및 출력층을 갖는 뉴럴 네트워크로 구성되어 있다.
일 양태에서는, 기판 홀더를 이용하여 복수의 기판을 도금하기 때문에, 상기 예측 모델의 파라미터를 최적화하는 것까지의 공정을 반복함으로써, 상기 예측 모델을 갱신한다.
일 양태에서는, 상기 기판 홀더의 문제의 원인이 상기 구성 부재에 있는 것을 나타내는 수치 세트와, 상기 문제가 발생했을 때의 상기 기판 홀더의 다른 구성 부재의 상태를 나타내는 참조 컨디션 데이터와, 상기 문제가 발생했을 때의 상기 구성 부재의 상태를 나타내는 결함 컨디션 데이터를 포함하는 선택 데이터 세트를 작성하고, 상기 선택 데이터 세트를 이용하여, 뉴럴 네트워크로 이루어지는 선택 모델의 파라미터를 최적화하는 공정을 더 포함한다.
일 양태에서는, 상기 기재의 방법을 이용하여 구축된 예측 모델을 준비하고, 현재 사용되고 있는 기판 홀더의 구성 부재의 상태를 나타내는 최신 컨디션 데이터를 상기 예측 모델에 입력하며, 상기 예측 모델로부터 예측 처리 가능 매수를 출력하는 방법이다.
일 양태에서는, 상기 예측 처리 가능 매수를, 상기 현재 사용되고 있는 기판 홀더에 부착된 전자 태그에 기록하는 공정을 더 구비하고 있다.
일 양태에서는, 기판 홀더의 문제의 원인이 될 수 있는 상기 기판 홀더의 복수의 구성 부재 중에서, 상기 기판 홀더의 문제를 일으키는 구성 부재를 예상하기 위한 선택 모델을 구축하는 방법으로서, 제1 기판 홀더의 제1 구성 부재에 기인하여 상기 제1 기판 홀더에 문제가 발생할 때까지 복수의 기판을 도금하고, 상기 제1 기판 홀더의 문제의 원인이 상기 제1 구성 부재에 있는 것을 나타내는 제1 수치 세트와, 상기 문제가 발생했을 때의 상기 제1 기판 홀더의 제2 구성 부재의 상태를 나타내는 제1 참조 컨디션 데이터와, 상기 문제가 발생했을 때의 상기 제1 구성 부재의 상태를 나타내는 제1 결함 컨디션 데이터를 포함하는 제1 선택 데이터 세트를 작성하며, 상기 제1 선택 데이터 세트를 이용하여, 뉴럴 네트워크로 이루어지는 선택 모델의 파라미터를 최적화하고, 제2 기판 홀더의 제2 구성 부재에 기인하여 상기 제2 기판 홀더에 문제가 발생할 때까지 복수의 기판을 도금하고, 상기 제2 기판 홀더의 문제의 원인이 상기 제2 구성 부재에 있는 것을 나타내는 제2 수치 세트와, 상기 문제가 발생했을 때의 상기 제2 기판 홀더의 제1 구성 부재의 상태를 나타내는 제2 참조 컨디션 데이터와, 상기 문제가 발생했을 때의 상기 제2 구성 부재의 상태를 나타내는 제2 결함 컨디션 데이터를 포함하는 제2 선택 데이터 세트를 작성하며, 상기 제2 선택 데이터 세트를 이용하여 상기 파라미터를 더욱 최적화하는 방법이다.
일 양태에서는, 상기 제1 참조 컨디션 데이터 및 상기 제1 결함 컨디션 데이터의 각각은, 상기 제1 기판 홀더의 화상 데이터 및 표면 형상 데이터 중 어느 하나로 구성되어 있고, 상기 제2 참조 컨디션 데이터 및 상기 제2 결함 컨디션 데이터의 각각은, 상기 제2 기판 홀더의 화상 데이터 및 표면 형상 데이터 중 어느 하나로 구성되어 있다.
일 양태에서는, 현재 사용되고 있는 기판 홀더의 구성 부재의 상태를 나타내는 기판 홀더의 제1 구성 부재 및 제2 구성 부재의 최신 컨디션 데이터를, 청구항 11 또는 12에 기재된 방법에 의해 구축된 선택 모델에 입력하고, 상기 선택 모델로부터 출력된 상기 제1 구성 부재에 대응하는 제1 확신도가, 상기 제2 구성 부재에 대응하는 제2 확신도보다 높은 경우에, 상기 제1 구성 부재의 최신 컨디션 데이터를, 상기 제1 구성 부재에 대응하는 예측 모델에 입력하고, 상기 예측 모델로부터 상기 기판 홀더의 예측 처리 가능 매수를 출력하는 공정을 포함하며, 상기 예측 모델은, 청구항 1 내지 10 중 어느 한 항에 기재된 방법에 의해 구축된 예측 모델인 방법이다.
본 발명에 의하면, 기판 홀더에 문제가 발생할 때까지 도금하는 것이 가능한 기판의 매수를 정확히 예측할 수 있는 예측 모델을 구축할 수 있다. 또한, 본 발명에 의하면, 기판 홀더의 문제의 원인이 될 수 있는 기판 홀더의 복수의 구성 부재 중에서, 기판 홀더의 문제를 일으키는 구성 부재를 예상할 수 있는 선택 모델을 구축할 수 있다. 또한, 본 발명에 의하면, 예측 모델을 이용하여, 기판 홀더에 문제가 발생할 때까지 도금하는 것이 가능한 기판의 매수를 정확히 예측할 수 있다.
도 1은 도금 장치의 전체 배치도이다.
도 2는 도 1에 도시된 기판 홀더의 개략을 도시한 사시도이다.
도 3은 도 1에 도시된 기판 홀더의 개략을 도시한 평면도이다.
도 4는 도 1에 도시된 기판 홀더의 개략을 도시한 우측면도이다.
도 5는 도 4의 A부 확대도이다.
도 6은 누액 및 통전 불량의 원인이 될 수 있는, 기판 홀더의 각 구성 부재의 상태 변화의 종류를 열거한 표이다.
도 7은 예측 모델의 일례를 도시한 모식도이다.
도 8은 예측 모델의 파라미터를 최적화하는 방법의 일 실시형태를 도시한 플로우차트이다.
도 9는 선택 모델의 일례를 도시한 모식도이다.
도 10은 선택 모델의 파라미터를 최적화하는 방법의 일 실시형태를 도시한 플로우차트이다.
도 11은 기판 홀더의 사용 가부를 판단하는 공정의 일 실시형태를 도시한 플로우차트이다.
도 12는 기판 홀더의 사용 가부를 판단하는 공정의 일 실시형태를 도시한 플로우차트이다.
도 13의 (a) 및 도 13의 (b)는 기판 홀더의 구성 부재의 촬상 방법과 표면 형상의 측정 방법의 일례를 도시한 모식도이다.
이하, 본 발명의 실시형태에 대해 도면을 참조하여 설명한다. 도 1은 도금 장치의 전체 배치도이다. 도 1에 도시된 바와 같이, 이 도금 장치에는, 웨이퍼 등의 기판을 수납한 카세트(10)를 탑재하는 2대의 카세트 테이블(12)과, 기판의 오리엔테이션 플랫이나 노치 등의 절결의 위치를 소정의 방향에 맞추는 얼라이너(14)와, 도금 처리 후의 기판을 고속 회전시켜 건조시키는 스핀 린스 드라이어(16)가 구비되어 있다.
스핀 린스 드라이어(16)의 근처에는, 기판 홀더(18)를 배치하여 기판의 상기 기판 홀더(18)에의 착탈을 행하는 픽싱 스테이션(20)이 설치된다. 또한, 카세트(10), 얼라이너(14), 스핀 린스 드라이어(16), 및 픽싱 스테이션(20) 사이에서 기판을 반송하는 반송용 로봇으로 이루어지는 기판 반송 장치(22)가 배치되어 있다. 픽싱 스테이션(20)에는, 기판 홀더(18)를 촬영하기 위한 촬상 장치(101)와, 기판 홀더(18)의 표면 형상을 측정하기 위한 3차원 계측기(102)가 설치되어 있다.
촬상 장치(101) 및 3차원 계측기(102)는, 기계 학습을 실행하는 연산 시스템(110)에 전기적으로 접속되어 있다. 촬상 장치(101) 및 3차원 계측기(102)는, 생성한 화상 데이터 및 표면 형상 데이터를 연산 시스템(110)에 송신 가능하게 구성되어 있다. 연산 시스템(110)은, 적어도 1대의 컴퓨터로 구성되어 있다. 연산 시스템(110)은, 상기 화상 데이터 및 표면 형상 데이터를 기억하는 기억 장치(110a)를 구비하고 있다. 연산 시스템(110)은, CPU(중앙 처리 장치) 또는 GPU(그래픽 프로세싱 유닛) 등의 처리 장치(110b)를 더 구비하고 있다.
도 1에서는, 연산 시스템(110)은 모식적으로 그려져 있다. 연산 시스템(110)은, 도금 장치에 통신선으로 접속된 에지 서버여도 좋고, 인터넷 등의 네트워크에 의해 도금 장치에 접속된 클라우드 서버여도 좋으며, 혹은 도금 장치에 접속된 네트워크 내에 설치된 포그 컴퓨팅 디바이스(게이트웨이, 포그 서버, 라우터 등)여도 좋다. 연산 시스템(110)은, 복수의 서버(컴퓨터)의 조합이어도 좋다. 예컨대, 연산 시스템(110)은, 도금 장치 근처에 배치된 에지 서버와, 도금 장치로부터 멀리 떨어진 클라우드 서버의 조합이어도 좋다. 연산 시스템(110)을 구성하는 복수의 서버(컴퓨터)는, 인터넷 등의 네트워크를 통해 서로 접속되어도 좋고, 혹은 서로 접속되어 있지 않아도 좋다.
또한, 기판 홀더(18)의 보관 및 일시 임시 배치를 행하는 스토커(24), 기판의 표면을 친수화 처리하는 프리웨트조(26), 기판의 표면에 형성한 시드층 등의 도전막의 표면의 산화막을 에칭 제거하는 전처리조(28), 전처리 후의 기판을 세정하는 제1 수세조(30a), 세정 후의 기판의 물기 제거를 행하는 블로우조(32), 도금 후의 기판을 세정하는 제2 수세조(30b), 및 도금조(34)가 순서대로 배치되어 있다. 도금조(34)는, 오버플로우조(36)의 내부에 복수의 도금 셀(38)을 수납하여 구성되고, 각 도금 셀(38)은, 내부에 1개의 기판을 수납하며, 구리 도금이나 금속 도금(Sn, Au, Ag, Ni, Ru, In 도금), 합금 도금(Sn/Ag 합금, Sn/In 합금 등)의 도금을 실시하도록 되어 있다.
또한, 도금 장치는, 기판 홀더(18)를 기판과 함께 반송하는, 예컨대 리니어 모터 방식을 채용한 기판 홀더 반송 장치(40)를 구비하고 있다. 이 기판 홀더 반송 장치(40)는, 픽싱 스테이션(20), 스토커(24), 프리웨트조(26)와의 사이에서 기판을 반송하는 제1 트랜스포터(42)와, 스토커(24), 프리웨트조(26), 전처리조(28), 제1 수세조(30a), 제2 수세조(30b), 블로우조(32), 및 도금조(34)와의 사이에서 기판을 반송하는 제2 트랜스포터(44)를 갖고 있다. 제2 트랜스포터(44)를 구비하지 않고, 제1 트랜스포터(42)만을 구비하도록 해도 좋다. 이 경우, 제1 트랜스포터(42)는, 픽싱 스테이션(20), 스토커(24), 프리웨트조(26), 전처리조(28), 제1 수세조(30a), 제2 수세조(30b), 블로우조(32), 및 도금조(34)와의 사이에서 기판을 반송할 수 있도록 구성된다.
또한, 도금 장치는, 컨트롤러(115)를 구비하고 있다. 촬상 장치(101), 3차원 계측기(102), 연산 시스템(110), 픽싱 스테이션(20), 기판 반송 장치(22), 및 기판 홀더 반송 장치(40)는, 컨트롤러(115)에 전기적으로 접속되어 있다. 촬상 장치(101), 3차원 계측기(102), 픽싱 스테이션(20), 기판 반송 장치(22), 및 기판 홀더 반송 장치(40)의 동작은, 컨트롤러(115)에 의해 제어된다. 연산 시스템(110)은, 메인터넌스 시기의 예측 결과를 컨트롤러(115)에 송신하고, 컨트롤러(115)는, 상기 메인터넌스 시기의 예측 결과에 기초하여, 촬상 장치(101), 3차원 계측기(102), 및 기판 홀더 반송 장치(40)를 제어한다.
도금조(34)의 오버플로우조(36)에 인접하여, 각 도금 셀(38)의 내부에 위치하여 도금액을 교반하는 뒤섞음 막대로서의 패들(도시하지 않음)을 구동하는 패들 구동 장치(46)가 배치되어 있다.
픽싱 스테이션(20)은, 레일(50)을 따라 횡방향으로 슬라이드 가능한 배치 플레이트(52)를 구비하고 있다. 이 배치 플레이트(52)에 2개의 기판 홀더(18)를 수평 상태로 병렬로 배치하고, 이 한쪽의 기판 홀더(18)와 기판 반송 장치(22) 사이에서 기판의 전달을 행한 후, 배치 플레이트(52)를 횡방향으로 슬라이드시키고, 다른쪽의 기판 홀더(18)와 기판 반송 장치(22) 사이에서 기판의 전달을 행하도록 되어 있다.
기판 홀더(18)는, 도 2 내지 도 5에 도시된 바와 같이, 예컨대 염화비닐제이며 직사각형 평판형의 제1 유지 부재(베이스 유지 부재)(54)와, 이 제1 유지 부재(54)에 힌지(56)를 통해 개폐 가능하게 부착한 제2 유지 부재(가동 유지 부재)(58)를 갖고 있다. 한편, 이 예에서는, 제2 유지 부재(58)를, 힌지(56)를 통해 개폐 가능하게 구성한 예를 도시하고 있으나, 예컨대 제2 유지 부재(58)를 제1 유지 부재(54)에 대치한 위치에 배치하고, 이 제2 유지 부재(58)를 제1 유지 부재(54)를 향해 전진시켜 개폐하도록 해도 좋다.
제2 유지 부재(58)는, 기부(基部; 60)와 시일 홀더(62)를 갖고 있다. 시일 홀더(62)는, 예컨대 염화비닐제이며, 하기의 슬라이드 플레이트(64)와의 미끄러짐을 좋게 하고 있다. 시일 홀더(62)의 상면에는, 기판 홀더(18)로 기판(W)을 유지했을 때, 기판(W)의 표면 외주부에 압접하여 기판(W)과 제2 유지 부재(58) 사이의 간극을 시일하는 시일(제1 시일 돌기)(66)이 내측으로 돌출하여 부착되어 있다. 또한, 시일 홀더(62)의 제1 유지 부재(54)와 대향하는 면에는, 기판 홀더(18)로 기판(W)을 유지했을 때, 제1 유지 부재(54)에 압접하여 제1 유지 부재(54)와 제2 유지 부재(58) 사이의 간극을 시일하는 시일(제2 시일 돌기)(68)이 부착되어 있다. 시일(68)은 시일(66)의 외측에 위치하고 있다.
시일(제1 시일 돌기)(66) 및 시일(제2 시일 돌기)(68)은 무단(無端)형의 시일이다. 시일(66) 및 시일(68)은 O링 등의 시일 부재여도 좋다. 일 실시형태에서는, 시일(66) 및 시일(68)을 포함하는 제2 유지 부재(58) 자체가 시일 기능을 갖는 재료로 구성되어도 좋다. 본 실시형태에서는, 시일(66) 및 시일(68)은 환형이며, 동심형으로 배치되어 있다. 기판(W)의 도금 시에는, 기판(W)을 유지한 기판 홀더(18)는, 세로 자세로, 도금 셀(38) 내에 배치된다. 기판 홀더(18)가 수평 자세로 도금 셀 내에 배치되는 경우에는, 시일(68)은 생략해도 좋다.
도 5에 도시된 바와 같이, 시일(66)은, 시일 홀더(62)와 제1 고정 링(70a) 사이에 협지(挾持)되어 시일 홀더(62)에 부착되어 있다. 제1 고정 링(70a)은, 시일 홀더(62)에 볼트 등의 체결구(69a)를 통해 부착된다. 시일(68)은, 시일 홀더(62)와 제2 고정 링(70b) 사이에 협지되어 시일 홀더(62)에 부착되어 있다. 제2 고정 링(70b)은, 시일 홀더(62)에 볼트 등의 체결구(69b)를 통해 부착된다.
제2 유지 부재(58)의 시일 홀더(62)의 외주부에는, 단차부가 형성되고, 이 단차부에, 슬라이드 플레이트(64)가 스페이서(65)를 통해 회전 가능하게 장착되어 있다. 슬라이드 플레이트(64)는, 시일 홀더(62)의 측면에 외측으로 돌출하도록 부착된 누름판(72)(도 3 참조)에 의해, 탈출 불가능하게 장착되어 있다. 이 슬라이드 플레이트(64)는, 산이나 알칼리에 대해 내식성이 우수하며, 충분한 강성을 갖는, 예컨대 티탄으로 구성된다. 스페이서(65)는, 슬라이드 플레이트(64)가 원활하게 회전할 수 있도록, 마찰 계수가 낮은 재료, 예컨대 PTFE로 구성되어 있다.
슬라이드 플레이트(64)의 외측방에 위치하여, 제1 유지 부재(54)에는, 내측으로 돌출하는 돌출부를 갖는 역 L자형의 클램퍼(74)가 원주 방향을 따라 등간격으로 세워져 설치되어 있다. 한편, 슬라이드 플레이트(64)의 원주 방향을 따른 클램퍼(74)와 대향하는 위치에는, 외측으로 돌출하는 돌기부(64b)가 형성되어 있다. 그리고, 클램퍼(74)의 내측 돌출부의 하면 및 슬라이드 플레이트(64)의 돌기부(64b)의 상면은, 회전 방향을 따라 서로 반대 방향으로 경사지는 테이퍼면으로 되어 있다. 슬라이드 플레이트(64)의 원주 방향을 따른 복수 개소(예컨대 3개소)에는, 상방으로 돌출하는 볼록부(64a)가 형성되어 있다. 이에 의해, 픽싱 스테이션(20)의 회전 핀(도시하지 않음)을 회전시켜 볼록부(64a)를 옆에서 돌림으로써, 슬라이드 플레이트(64)를 회전시킬 수 있다.
제2 유지 부재(58)를 개방한 상태에서, 기판(W)은 제1 유지 부재(54)의 중앙부에 놓여진다. 계속해서, 힌지(56)를 통해 제2 유지 부재(58)를 폐쇄하고, 슬라이드 플레이트(64)를 시계 방향으로 회전시키며, 슬라이드 플레이트(64)의 돌기부(64b)를 클램퍼(74)의 내측 돌출부의 내부로 미끄러져 들어가게 함으로써, 슬라이드 플레이트(64)와 클램퍼(74)에 각각 형성한 테이퍼면을 통해, 제1 유지 부재(54)와 제2 유지 부재(58)를 서로 체결하여 로크하고, 슬라이드 플레이트(64)를 반시계 방향으로 회전시켜 슬라이드 플레이트(64)의 돌기부(64b)를 역 L자형의 클램퍼(74)로부터 벗김으로써, 이 로크를 해제하도록 되어 있다.
이와 같이 하여 제2 유지 부재(58)를 로크했을 때[즉, 기판 홀더(18)가 기판(W)을 유지했을 때], 시일(66)의 내주면측의 하방 돌출부 하단은, 기판(W)의 표면 외주부에 균일하게 압박되어, 제2 유지 부재(58)와 기판(W)의 표면 외주부 사이의 간극이 시일(66)에 의해 시일된다. 마찬가지로, 시일(68)의 외주측의 하방 돌출부 하단은, 제1 유지 부재(54)의 표면에 균일하게 압박되어, 제1 유지 부재(54)와 제2 유지 부재(58) 사이의 간극이 시일(68)에 의해 시일된다.
기판 홀더(18)는, 기판(W)을 제1 유지 부재(54)와 제2 유지 부재(58) 사이에 끼움으로써, 기판(W)을 유지한다. 제2 유지 부재(58)는, 원형의 개구부(58a)를 갖고 있다. 이 개구부(58a)는, 기판(W)의 크기보다 약간 작다. 기판(W)이 제1 유지 부재(54)와 제2 유지 부재(58) 사이에 끼워져 있을 때, 기판(W)의 피처리면은, 이 개구부(58a)를 통해 노출된다. 따라서, 후술하는 프리웨트액, 전처리액, 도금액 등의 각종 처리액은, 기판 홀더(18)에 유지된 기판(W)의 노출된 표면에 접촉할 수 있다. 이 기판(W)의 노출된 표면은, 시일(제1 시일 돌기)(66)에 둘러싸여 있다.
기판 홀더(18)로 기판(W)을 유지하면, 도 5에 도시된 바와 같이, 내주측을 시일(66)로, 외주측을 시일(68)로 각각 시일된 내부 공간(R1)이 기판 홀더(18)의 내부에 형성된다. 제1 유지 부재(54)의 중앙부에는, 기판(W)의 크기에 맞춰 링형으로 돌출하고, 기판(W)의 외주부에 접촉하여 상기 기판(W)을 지지하는 지지면(80)을 갖는 돌조부(82)가 형성되어 있다. 이 돌조부(82)의 원주 방향을 따른 소정 위치에 오목부(84)가 형성되어 있다.
그리고, 도 3에 도시된 바와 같이, 이 각 오목부(84) 내에는 복수(도시에서는 12개)의 제2 전기 접점(86)이 배치되어 있고, 이들 제2 전기 접점(86)은, 핸드(90)에 형성한 외부 전기 접점(91)으로부터 연장되는 복수의 전선(92)에 각각 접속되어 있다. 제1 유지 부재(54)의 지지면(80) 상에 기판(W)을 배치했을 때, 이 제2 전기 접점(86)의 단부가 기판(W)의 측방에서 제1 유지 부재(54)의 표면에 스프링성을 가진 상태로 노출되고, 도 5에 도시된 제1 전기 접점(88)의 하부에 접촉하도록 되어 있다.
제2 전기 접점(86)에 전기적으로 접속되는 제1 전기 접점(88)은, 볼트 등의 체결구(89)를 통해 제2 유지 부재(58)의 시일 홀더(62)에 고착되어 있다. 이 제1 전기 접점(88)은, 판스프링 형상을 갖고 있다. 제1 전기 접점(88)은, 시일(66)의 외측에 위치하며, 내측에 판스프링형으로 돌출하는 접점부를 갖고 있고, 이 접점부에 있어서, 그 탄성력에 의한 스프링성을 가지고 용이하게 굴곡한다. 제1 유지 부재(54)와 제2 유지 부재(58)로 기판(W)을 유지했을 때에, 제1 전기 접점(88)의 접점부가, 제1 유지 부재(54)의 지지면(80) 상에 지지된 기판(W)의 외주면에 탄성적으로 접촉하도록 구성되어 있다.
제2 유지 부재(58)의 개폐는, 도시하지 않은 에어 실린더와 제2 유지 부재(58)의 자중에 의해 행해진다. 즉, 제1 유지 부재(54)에는 관통 구멍(54a)이 형성되고, 픽싱 스테이션(20) 위에 기판 홀더(18)를 배치했을 때에 상기 관통 구멍(54a)에 대향하는 위치에 에어 실린더가 설치되어 있다. 이에 의해, 피스톤 로드를 신전(伸展)시켜, 관통 구멍(54a)을 통해 압박 막대(도시하지 않음)로 제2 유지 부재(58)의 시일 홀더(62)를 상방으로 밀어 올림으로써 제2 유지 부재(58)를 개방하고, 피스톤 로드를 수축시킴으로써, 제2 유지 부재(58)를 그 자중으로 폐쇄하도록 되어 있다.
기판 홀더(18)의 제1 유지 부재(54)의 단부에는, 기판 홀더(18)를 반송하거나, 매달 때의 지지부가 되는 한 쌍의 대략 T자형의 핸드(90)가 설치되어 있다. 스토커(24) 내에 있어서는, 스토커(24)의 둘레벽 상면에 핸드(90)를 걸므로써, 기판 홀더(18)가 수직으로 매달린다. 이 매달린 기판 홀더(18)의 핸드(90)를 기판 홀더 반송 장치(40)의 트랜스포터(42 또는 44)로 파지하여 기판 홀더(18)를 반송하도록 되어 있다. 한편, 프리웨트조(26), 전처리조(28), 제1 수세조(30a), 제2 수세조(30b), 블로우조(32) 및 도금조(34) 내에 있어서도, 기판 홀더(18)는, 핸드(90)를 통해 이들의 둘레벽에 매달린다.
본 실시형태에 사용되는 기판(W)은, 웨이퍼 등의 원형의 기판이지만, 본 발명은 사각형의 기판에도 적용할 수 있다. 사각형의 기판을 유지하기 위한 기판 홀더의 각 구성 부재는, 그 기판의 형상에 적합한 형상을 갖는다. 예컨대, 전술한 개구부(58a)는, 사각형의 기판 전체의 사이즈보다 작은 사각형의 개구부로 된다. 시일(66, 68) 등의 다른 구성 부재도, 사각형의 기판의 형상에 적합한 형상으로 된다. 그 외의 각 구성 부재의 형상도, 전술한 기술 사상으로부터 일탈하지 않는 범위 내에서 적절히 변경된다.
전술한 바와 같이, 기판 홀더(18)는, 시일(66, 68), 제1 전기 접점(88), 제2 전기 접점(86), 외부 전기 접점(91), 시일 홀더(62), 제1 유지 부재(54) 등의 복수의 구성 부재로 구성된 복합 조립체이다. 이들 구성 부재는, 기판 홀더(18)가 복수의 기판의 도금에 사용됨에 따라, 변형 또는 부식되는 경우가 있다. 예컨대, 제1 전기 접점(88)이 변형하면, 적절한 전류를 기판에 흘릴 수 없다. 다른 예에서는, 시일(66, 68)이 변형하면, 도금액이 기판 홀더(18)의 내부 공간(R1) 내에 침입하여, 도금액이 전기 접점(86, 88)에 접촉해 버린다. 결과로서, 도금 불량이 발생한다. 이 때문에, 도금 불량이 발생하기 전에, 기판 홀더(18)의 메인터넌스를 실시하는 것이 중요하다.
본 실시형태에서는, 기계 학습에 의해 구축된 예측 모델을 이용하여 기판 홀더(18)의 메인터넌스 시기를 예측한다. 이 예측 모델은, 기판 홀더(18)에 문제가 발생할 때까지 상기 기판 홀더(18)를 이용하여 도금하는 것이 가능한 기판의 매수를 예측하기 위한 모델이다. 본 명세서에서는, 기계 학습은, 뉴럴 네트워크를 이용한 학습이며, 기계 학습에는 딥 러닝이 포함된다. 기계 학습은, 적어도 1대의 컴퓨터로 구성된 연산 시스템(110)에 의해 실행된다. 연산 시스템(110)은, 연산 시스템(110)에 기계 학습을 실행시키기 위한 프로그램이 저장된 기억 장치(110a)와, 프로그램에 따라 연산을 행하는 처리 장치(110b)를 구비하고 있다.
기판 홀더(18)의 각 구성 부재의 상태는, 기판의 도금을 반복해서 실시함에 따라, 서서히 변화한다. 각 구성 부재의 상태 변화는, 기판 홀더(18)의 문제의 원인이 될 수 있다. 기판 홀더(18)의 문제의 예로서, 누액과 통전 불량을 들 수 있다. 누액은, 시일 기능이 불충분한 것에 기인하여 도금액이 기판 홀더(18)의 내부 공간(R1) 내에 침입하는 것이다. 통전 불량은, 기판 홀더(18)에 유지된 기판에 원하는 전류가 흐르지 않는 것이다. 누액 또는 통전 불량이 발생하면, 도금 장치는, 의도한 두께의 막을 기판의 표면에 형성할 수 없다.
누액 및 통전 불량의 원인에는, 여러 가지의 것이 고려된다. 도 6은 누액 및 통전 불량의 원인이 될 수 있는, 기판 홀더(18)의 각 구성 부재의 상태 변화의 종류를 열거한 표이다. 도 6에 있어서, 동그라미표(○)는, 구성 부재의 상태 변화가, 누액 또는 통전 불량을 일으킬 가능성이 높은 것을 나타내고, 삼각표(△)는, 구성 부재의 상태 변화가, 누액 또는 통전 불량을 일으킬지 어떨지 불분명한 것을 나타내고 있다. 또한, 도 6에 도시된 표에는, 각 상태 변화의 검출에 사용되는 데이터의 타입이 열거되어 있다. 예컨대, 시일 홀더(62)의 변색은, 누액의 원인이 될 수 있는 상태 변화이며, 시일 홀더(62)의 변색은 화상 데이터에 기초하여 검출된다. 전기 접점(86, 88)의 변형은, 통전 불량의 원인이 될 수 있는 상태 변화이며, 전기 접점(86, 88)의 변형은 표면 형상 데이터에 기초하여 검출된다.
각 구성 부재의 상태 변화의 구체예는, 다음과 같다. 단, 각 구성 부재의 상태 변화는 이하의 구체예에 한정되지 않는다.
시일 홀더(62): 변색, 변형, 결정 잔류
제1 유지 부재(54): 변색, 변형, 결정 잔류
제1 전기 접점(88): 변형, Au 표면막의 박리, 금속 석출, 도금액에 포함되는 황산구리의 결정화
제2 전기 접점(86): 변형, Au 표면막의 박리, 금속 석출, 도금액에 포함되는 황산구리의 결정화
외부 전기 접점(91): 변형, Au 표면막의 박리, 금속 석출, 도금액에 포함되는 황산구리의 결정화
시일(66, 68): 변형, 변색
슬라이드 플레이트(64): 변형
상기 각 구성 부재의 변형의 구체예로서, 외력이 가해진 것에 기인하는 변형, 내부 응력에 기인하는 일그러짐, 구성 부재의 부식을 들 수 있다.
기판 홀더(18)의 문제를 예측하는 예측 모델을 구축하기 위해서, 각 구성 부재의 화상 데이터 및 표면 형상 데이터 중 적어도 하나가 이용된다. 예컨대, 시일(66, 68)의 변형에 기초하여 기판 홀더(18)의 문제를 예측하는 예측 모델의 구축에는 표면 형상 데이터가 사용되고, 시일(66, 68)의 변색에 기초하여 기판 홀더(18)의 문제를 예측하는 예측 모델의 구축에는 화상 데이터가 사용된다.
도금해야 할 기판을 유지하기 전에, 기판 홀더(18)의 각 구성 부재의 화상 데이터 및 표면 형상 데이터는 촬상 장치(101) 및 3차원 계측기(102)에 의해 각각 생성된다. 연산 시스템(110)은, 화상 데이터 및 표면 형상 데이터를 촬상 장치(101) 및 3차원 계측기(102)로부터 취득하고, 화상 데이터 및 표면 형상 데이터를 기억 장치(110a) 내에 기억한다. 일 실시형태에서는, 기판 홀더(18)의 각 구성 부재의 화상 데이터 및 표면 형상 데이터의 생성은, 도금된 기판이 기판 홀더(18)로부터 취출된 후에 행해져도 좋다.
촬상 장치(101)는, CCD 또는 CMOS 등의 이미지 센서를 구비한 카메라이다. 3차원 계측기(102)는, 대상물의 표면 형상을 측정할 수 있는 장치이며, 예컨대, 레이저 변위계가 사용된다. 보다 구체적으로는, 3차원 계측기(102)는, 구성 부재의 표면 상의 복수의 측정점의 위치를 측정하고, 위치의 측정값으로서 각 측정점의 X 좌표, Y 좌표, Z 좌표를 출력한다.
연산 시스템(110)은, 어떤 특정한 기판 홀더(18)의 사용이 개시되고 나서, 그 기판 홀더(18)를 이용하여 도금된 기판의 누적 매수를 계수한다. 구체적으로는, 기판 홀더(18)를 이용하여 기판이 도금될 때마다, 연산 시스템(110)은, 그 기판 홀더(18)를 이용하여 도금된 기판의 누적 매수를 계수한다. 또한, 화상 데이터 및 표면 형상 데이터를 촬상 장치(101) 및 3차원 계측기(102)로부터 취득할 때마다, 연산 시스템(110)은, 화상 데이터 및 표면 형상 데이터를, 도금된 기판의 현재의 누적 매수에 관련시킨다. 그리고, 연산 시스템(110)은, 화상 데이터 및 표면 형상 데이터를, 도금된 기판의 현재의 누적 매수에 결부시켜 기억 장치(110a) 내에 기억한다.
도금해야 할 기판을 유지한 후에, 기판 홀더(18)는, 누설 검사 장치(117)에 접속된다. 누설 검사 장치(117)는, 기판 홀더(18)의 시일(66, 68)이 정상적으로 기능하고 있는지를 검사한다. 누설 검사 장치(117)는, 시일(66, 68)에 의해 기판 홀더(18) 내에 형성된 내부 공간(R1) 내에 정압 또는 부압을 형성하고, 내부 공간(R1)의 압력(정압 또는 부압)이 소정 시간 내에 허용값을 넘어 변화한 경우에는, 기판 홀더(18)에 문제가 발생한 것을 나타내는 알람 신호를 발한다. 내부 공간(R1) 내의 압력이 크게 변화한 경우에는, 기판의 도금 중에 도금액이 내부 공간(R1) 내에 침입할 우려가 있다. 이것은, 기판 홀더(18)에 문제(즉, 누액)가 발생한 것을 의미한다. 누설 검사 장치(117)는, 컨트롤러(115)에 전기적으로 접속되어 있다.
또한, 도금해야 할 기판을 유지한 채로, 기판 홀더(18)는, 통전 검사 장치(118)에 접속된다. 통전 검사 장치(118)는, 기판 홀더(18)의 외부 전기 접점(91)을 통해 기판에 소정의 전류를 흘리고, 기판 홀더(18)의 내부 저항을 측정한다. 기판 홀더(18)의 내부 저항은, 외부 전기 접점(91), 전선(92), 제1 전기 접점(88), 제2 전기 접점(86), 및 기판 홀더(18)에 유지되어 있는 기판의 복합 저항이다. 기판 홀더(18)의 내부 저항은, 제1 전기 접점(88)과 기판의 접촉 상태, 및 제1 전기 접점(88)과 제2 전기 접점(86)의 접촉 상태에 의존하여 변할 수 있다. 예컨대, 제1 전기 접점(88)이 부식되면, 제1 전기 접점(88)과 기판의 접촉 저항이 변화한다. 결과로서, 기판 홀더(18)의 내부 저항이 변화한다.
통전 검사 장치(118)는, 내부 저항의 측정값이 미리 정해진 설정 범위를 벗어난 경우에는, 기판 홀더(18)에 문제가 발생한 것을 나타내는 알람 신호를 발한다. 내부 저항의 측정값이 설정 범위를 벗어난 경우에는, 외부 전기 접점(91), 제1 전기 접점(88), 제2 전기 접점(86) 중 적어도 하나에 문제가 발생하고 있다고 추정된다. 결과로서, 원하는 두께의 막을 기판에 석출시킬 수 없다. 이것은, 기판 홀더(18)에 문제(즉, 통전 불량)가 발생한 것을 의미한다. 통전 검사 장치(118)는, 컨트롤러(115)에 전기적으로 접속되어 있다.
일 실시형태에서는, 기판 홀더(18)의 내부 저항의 측정은, 도금해야 할 기판이 아니라, 더미 기판을 유지한 기판 홀더(18)에 대해 행해도 좋다. 더미 기판의 예로서, 표면에 패턴이 형성되어 있지 않은 블랭킷 기판이며, 표면에 구리 등의 도전성막이 피막된 기판 등을 들 수 있다.
화상 데이터 및 표면 형상 데이터는, 연산 시스템(110)에 보내지고, 기억 장치(110a)에 기억된다. 기억 장치(110a)에는, 기판 홀더(18)에 문제가 발생할 때까지 도금하는 것이 가능한 기판의 매수를 예측하는 복수의 예측 모델이 저장되어 있다. 화상 데이터 및 표면 형상 데이터 중 어느 하나가 각 예측 모델에 입력되면, 예측 모델은, 그 기판 홀더(18)를 이용하여 도금할 수 있는 기판의 예측 매수를 출력한다.
복수의 예측 모델은, 적어도, 기판 홀더(18)의 복수의 구성 부재[시일 홀더(62), 전기 접점(86, 88), 시일(66, 68) 등]에 대응하여 형성된다. 또한, 복수의 예측 모델은, 기판 홀더(18)의 문제의 타입(누액, 통전 불량)마다 형성된다. 이것은, 기판 홀더(18)를 이용하여 도금할 수 있는 기판의 예측 매수는, 기판 홀더(18)의 구성 부재마다 변할 수 있기 때문에, 및 기판 홀더(18)의 문제의 타입마다 변할 수 있기 때문이다. 일 실시형태에서는, 복수의 예측 모델은, 기판 홀더(18)의 구성 부재의 상태 변화의 타입마다 형성되어도 좋다. 즉, 도 6의 표에 나타나는 동그라미표(○)와 삼각표(△)의 수만큼 예측 모델이 형성되어도 좋다. 또한, 일 실시형태에서는, 하나의 예측 모델만이 기판 홀더(18)에 대해 형성되어도 좋다.
복수의 예측 모델의 각각은, 뉴럴 네트워크로 이루어지는 모델이다. 연산 시스템(110)은, 화상 데이터 및 표면 형상 데이터에서 미리 선택된 하나를 적어도 포함하는 훈련 데이터를 이용하여, 각 예측 모델의 파라미터(가중치 등)를 학습함으로써, 예측 모델을 구축한다. 예측 모델의 파라미터에는, 가중치 외에, 바이어스가 포함되는 경우가 있다.
본 실시형태에서는, 기판 홀더(18)의 각 구성 부재의 상태를 나타내는 데이터는, 화상 데이터 및 표면 형상 데이터로 구성된다. 일 실시형태에서는, 기판 홀더(18)의 각 구성 부재의 상태를 나타내는 데이터로서 화상 데이터 또는 표면 형상 데이터 중 어느 하나만을 사용해도 좋다.
도 7은 예측 모델의 일례를 도시한 모식도이다. 도 7에 도시된 바와 같이, 예측 모델은, 입력층(201)과, 복수의 중간층(은닉층이라고도 함)(202)과, 출력층(203)을 가진 뉴럴 네트워크이다. 도 7에 도시된 예측 모델은, 4개의 중간층(202)을 갖고 있으나, 예측 모델의 구성은 도 7에 도시된 예에 한정되지 않는다. 많은 중간층(202)을 갖는 뉴럴 네트워크를 이용하여 실시되는 기계 학습은, 딥 러닝이라고 불린다.
화상 데이터를 이용한 예측 모델에서는, 화상 데이터를 구성하는 각 픽셀의 적색, 녹색, 청색을 나타내는 수치가 입력층(201)에 입력된다. 표면 형상 데이터를 이용한 예측 모델에서는, 기판 홀더(18)의 구성 부재의 표면 상의 측정점의 위치를 나타내는 X 좌표값, Y 좌표값, Z 좌표값이 입력층(201)에 입력된다. 어느 경우도, 출력층(203)은, 기판 홀더(18)에 문제가 발생할 때까지 도금하는 것이 가능한 기판의 매수를 출력한다. 이하의 설명에서는, 예측 모델로부터 출력되는 기판의 매수를, 예측 처리 가능 매수라고 한다.
연산 시스템(110)은, 훈련 데이터를 이용한 기계 학습에 의해 예측 모델의 파라미터(가중치 등)를 최적화하여, 예측 모델의 정밀도를 향상시킨다. 도 8은 예측 모델의 파라미터를 최적화하는 방법의 일 실시형태를 도시한 플로우차트이다. 단계 1에서는, 하나의 새로운 기판 홀더(18)를 이용하여 복수의 기판을 도금한다. 이들 기판의 도금은, 도 1에 도시된 도금 장치에 의해 실행된다. 「새로운 기판 홀더(18)」의 예에는, 미사용의 기판 홀더뿐만이 아니라, 메인터넌스된 기판 홀더도 포함된다. 화상 데이터 및 표면 형상 데이터는, 각 기판이 기판 홀더(18)에 유지되기 전에, 촬상 장치(101) 및 3차원 계측기(102)에 의해 생성된다. 연산 시스템(110)은, 화상 데이터 및 표면 형상 데이터를 촬상 장치(101) 및 3차원 계측기(102)로부터 취득하고, 도금된 기판의 누계 매수와 함께, 연산 시스템(110)의 기억 장치(110a) 내에 기억한다.
상기 새로운 기판 홀더(18)를 이용한 복수의 기판의 도금은, 기판 홀더(18)에 문제가 발생할 때까지 실시된다. 사용자는, 기판 홀더(18)에 문제가 발생한 것을, 누설 검사 장치(117) 또는 통전 검사 장치(118)로부터 발생한 알람 신호로부터 알 수 있다. 기판 홀더(18)에 문제가 발생하면, 사용자는, 기판 홀더(18)를 도금 장치로부터 취출하고, 기판 홀더(18)를 분해하여, 기판 홀더(18)의 문제의 원인을 특정한다. 또한, 사용자는, 도시하지 않은 입력 장치 및 통신 장치 등을 이용하여, 특정된 구성 부재의 상태 변화가 원인으로 기판 홀더(18)에 문제가 발생했다고 하는 정보를 연산 시스템(110)에 제공한다. 구체적으로는, 사용자는, 예측 모델의 구축(학습)에 사용해야 할 구성 부재를 연산 시스템(110)에 교시한다. 예컨대, 제1 전기 접점(88)의 변형이 원인으로 기판 홀더(18)의 문제가 발생한 경우에는, 사용자는, 예측 모델의 구축(학습)에 사용해야 할 구성 부재가 제1 전기 접점(88)이라고 하는 정보를 연산 시스템(110)에 제공한다.
단계 2에서는, 연산 시스템(110)은, 상기 문제가 발생할 때까지 기판 홀더(18)를 이용하여 도금된 기판의 총 매수를 결정하고, 결정된 기판의 총 매수를 기억 장치(110a)에 기억한다. 기판의 총 매수는, 기판 홀더(18)의 사용이 개시되고 나서, 기판 홀더(18)에 문제가 발생했을 때까지, 그 기판 홀더(18)를 이용하여 도금된 기판의 누적 매수이다. 기판의 총 매수는, 연산 시스템(110)의 기억 장치(110a)에 기억되어 있는 최신의 누적 매수에 상당한다. 또한, 문제가 발생했을 때에 그 기판 홀더(18)를 이용하여 도금을 할 수 있는 기판의 매수는, 0이다.
단계 3에서는, 연산 시스템(110)은, 기판 홀더(18)의 문제의 원인인 기판 홀더(18)의 구성 부재의 상태를 나타내는 결함 컨디션 데이터를 결정한다. 결함 컨디션 데이터는, 기판 홀더(18)의 문제를 일으킨 기판 홀더(18)의 구성 부재의 상태를 나타내는 컨디션 데이터이며, 보다 구체적으로는, 기판 홀더(18)의 문제가 발생했을 때의 상기 구성 부재의 상태를 나타내는 컨디션 데이터이다. 결함 컨디션 데이터는, 기억 장치(110a) 내에 기억된 화상 데이터 및 표면 형상 데이터의 일부를 구성한다. 결함 컨디션 데이터는, 구성 부재의 화상 데이터 및 표면 형상 데이터 중 어느 하나로 구성된다. 예컨대, 제1 전기 접점(88)의 변형이 원인으로 기판 홀더(18)의 문제가 발생한 경우에는, 결함 컨디션 데이터는, 기판 홀더(18)의 문제가 발생했을 때의 제1 전기 접점(88)의 화상 데이터, 즉 제1 전기 접점(88)의 최신의 화상 데이터이다.
단계 4에서는, 연산 시스템(110)은, 결함 컨디션 데이터와 0과의 조합으로 이루어지는 결함 데이터 세트를 작성한다. 이 수치 0은, 그 기판 홀더(18)를 이용하여 도금을 할 수 있는 기판의 매수, 즉 처리 가능 매수이다. 결함 컨디션 데이터는, 수치 0에 대응하는 컨디션 데이터이다.
단계 5에서는, 연산 시스템(110)은, 상기 단계 2에서 얻어진 총 매수보다 적은 중간 매수를 상기 총 매수로부터 감산함으로써 처리 가능 매수를 결정한다. 예컨대, 기판 홀더(18)에 문제가 발생했을 때의 기판의 총 매수가 500장이고, 중간 매수가 200장인 경우, 처리 가능 매수는, 300장(500장-200장)이다.
단계 6에서는, 연산 시스템(110)은, 단계 5에서 결정된 처리 가능 매수에 대응하는 중간 컨디션 데이터를 결정한다. 중간 컨디션 데이터는, 기판 홀더(18)의 문제의 원인인 기판 홀더(18)의 구성 부재의 상태를 나타내는 컨디션 데이터이며, 보다 구체적으로는, 상기 중간 매수의 기판을 도금한 시점에서의 상기 구성 부재의 상태를 나타내는 컨디션 데이터이다. 결함 컨디션 데이터와 마찬가지로, 중간 컨디션 데이터는, 기억 장치(110a) 내에 기억된 화상 데이터 및 표면 형상 데이터의 일부를 구성한다. 중간 컨디션 데이터는, 구성 부재의 화상 데이터 및 표면 형상 데이터 중 어느 하나로 구성되고, 또한 결함 컨디션 데이터와 동일한 타입의 데이터이다. 예컨대, 결함 컨디션 데이터가 표면 형상 데이터이면, 중간 컨디션 데이터도 표면 형상 데이터이다.
단계 7에서는, 연산 시스템(110)은, 중간 컨디션 데이터와 상기 단계 5에서 결정된 처리 가능 매수와의 조합으로 이루어지는 중간 데이터 세트를 작성한다.
상기 단계 5, 6, 7은 소정 횟수 반복된다. 보다 구체적으로는, 연산 시스템(110)은, 중간 매수를 변경하면서, 처리 가능 매수의 결정 및 중간 데이터 세트의 작성을 반복함으로써 복수의 중간 데이터 세트를 작성한다. 예컨대, 기판 홀더(18)에 문제가 발생했을 때의, 도금된 기판의 총 매수가 500장인 경우, 중간 매수는 100장, 200장, 300장, 400장으로 설정된다. 이들 복수의 중간 매수는, 0과 총 매수 사이에 있어서 균등하게 분포되어 있는 것이 바람직하다. 본 실시형태에서는, 처리 가능 매수는, 400장(500장-100장), 300장(500장-200장), 200장(500장-300장), 100장(500장-400장)으로 결정된다.
연산 시스템(110)은, 처리 가능 매수 400에 대응하는 중간 컨디션 데이터(즉, 100장의 기판이 도금되었을 때의 구성 부재의 중간 컨디션 데이터)와, 처리 가능 매수 300에 대응하는 중간 컨디션 데이터(즉, 200장의 기판이 도금되었을 때의 구성 부재의 중간 컨디션 데이터)와, 처리 가능 매수 200에 대응하는 중간 컨디션 데이터(즉, 300장의 기판이 도금되었을 때의 구성 부재의 중간 컨디션 데이터)와, 처리 가능 매수 100에 대응하는 중간 컨디션 데이터(즉, 400장의 기판이 도금되었을 때의 구성 부재의 중간 컨디션 데이터)를 결정한다.
또한, 연산 시스템(110)은, 100장의 기판이 도금되었을 때의 구성 부재의 중간 컨디션 데이터와 처리 가능 매수 400과의 조합으로 이루어지는 중간 데이터 세트, 200장의 기판이 도금되었을 때의 구성 부재의 중간 컨디션 데이터와 처리 가능 매수 300과의 조합으로 이루어지는 중간 데이터 세트, 300장의 기판이 도금되었을 때의 구성 부재의 중간 컨디션 데이터와 처리 가능 매수 200과의 조합으로 이루어지는 중간 데이터 세트, 및 400장의 기판이 도금되었을 때의 구성 부재의 중간 컨디션 데이터와 처리 가능 매수 100과의 조합으로 이루어지는 중간 데이터 세트를 작성한다.
단계 8에서는, 연산 시스템(110)은, 전술한 결함 데이터 세트와 전술한 복수의 중간 데이터 세트를 포함하는 훈련 데이터를 작성한다. 일 실시형태에서는, 훈련 데이터는, 결함 데이터 세트를 포함하지 않아도 좋다. 이 경우에는, 훈련 데이터는, 복수의 중간 데이터 세트만을 포함한다.
단계 9에서는, 연산 시스템(110)은, 훈련 데이터를 이용하여, 뉴럴 네트워크로 이루어지는 예측 모델을 구축한다. 보다 구체적으로는, 연산 시스템(110)은, 훈련 데이터를 이용하여, 예측 모델의 파라미터(가중치 등)를 딥 러닝에 의해 최적화한다. 결함 컨디션 데이터[예컨대 변색된 시일 홀더(62)의 화상 데이터]는 예측 모델의 입력층(201)에 입력된다. 연산 시스템(110)은, 출력층(203)으로부터의 출력값과 0과의 차를 최소로 할 수 있는 예측 모델의 최적의 파라미터를 결정한다. 마찬가지로, 중간 컨디션 데이터가 예측 모델의 입력층(201)에 입력된다. 연산 시스템(110)은, 출력층(203)으로부터의 출력값과 처리 가능 매수(예컨대 300)와의 차를 최소로 할 수 있는 예측 모델의 최적의 파라미터를 결정한다. 이와 같이 하여, 연산 시스템(110)은, 훈련 데이터를 이용하여 딥 러닝을 실행하여, 예측 모델의 파라미터를 최적화한다. 딥 러닝에 의해 구축된 예측 모델은, 연산 시스템(110)의 기억 장치(110a)에 저장된다.
결함 컨디션 데이터 및 중간 컨디션 데이터를 예측 모델에 입력하기 전에, 결함 컨디션 데이터 및 중간 컨디션 데이터에 전처리를 실시해도 좋다. 구체적으로는, 연산 시스템(110)은, 처리 가능한 기판 매수의 예측에 기여하지 않는 결함 컨디션 데이터의 일부 및 중간 컨디션 데이터의 일부를 삭제함으로써, 결함 컨디션 데이터 및 중간 컨디션 데이터의 용량을 작게 한다. 예컨대, 시일(66, 68)은 환형이기 때문에, 연산 시스템(110)은, 촬상 장치(101)로부터 보내져 온 화상 데이터로부터, 시일(66, 68)의 내측에 있는 영역의 화상 데이터를 삭제한다. 이러한 전처리에 의해, 결함 컨디션 데이터 및 중간 컨디션 데이터의 용량을 작게 할 수 있고, 연산 시스템(110)에의 부하 및 학습 속도를 향상시킬 수 있다.
단계 1로부터 단계 9까지의 모든 공정은, 복수 회 반복되고, 새로운 훈련 데이터를 이용하여 예측 모델이 갱신된다. 즉, 새로운 기판 홀더[예컨대, 상기 기판 홀더(18)와 동일한 구조를 갖는 다른 기판 홀더, 또는 메인터넌스된 기판 홀더(18)]가 준비되고, 그 새로운 기판 홀더에 문제가 발생할 때까지 상기 새로운 기판 홀더를 이용하여 복수의 기판이 도금된다. 연산 시스템(110)은, 새로운 훈련 데이터를 작성하여, 상기 예측 모델의 파라미터를 더욱 최적화함으로써, 예측 모델을 갱신한다. 새로운 기판 홀더의 문제의 원인이 된 구성 부재는, 앞서 기판 도금에 사용된 기판 홀더(18)의 문제의 원인이 된 구성 부재와 동일하다. 새로운 훈련 데이터에 포함되는 결함 컨디션 데이터 및 중간 컨디션 데이터의 타입도, 앞서 작성된 훈련 데이터에 포함되는 결함 컨디션 데이터 및 중간 컨디션 데이터의 타입과 동일하다.
마찬가지로 하여, 문제의 원인이 될 가능성이 있는 기판 홀더의 복수의 구성 부재에 대응하는 복수의 예측 모델이 구축된다. 구체적으로는, 동일 구조를 갖는 복수의 기판 홀더를 이용하여, 복수의 훈련 데이터가 작성되고, 이들 복수의 훈련 데이터를 이용하여 복수의 예측 모델의 파라미터가 최적화된다. 연산 시스템(110)은, 이들 예측 모델을 기억 장치(110a)에 저장한다. 복수의 예측 모델은, 도 6에 도시된 표의 동그라미표(○) 및 삼각표(△)의 수만큼 구축되어도 좋다. 일 실시형태에서는, 하나의 예측 모델만이 구축되어도 좋다.
도 1에 도시된 도금 장치는, 예측 모델의 구축에 사용된 상기 기판 홀더(18)와 동일한 구조를 갖는 다른 기판 홀더를 이용하여 기판을 도금한다. 기판을 도금하기 전에, 촬상 장치(101) 및 3차원 계측기(102)는, 기판 홀더의 각 구성 부재의 화상 데이터 및 표면 형상 데이터를 생성하고, 통전 검사 장치(118)는 기판 홀더의 내부 저항을 측정한다. 화상 데이터 및 표면 형상 데이터는, 연산 시스템(110)에 보내지고, 기억 장치(110a)에 기억된다.
연산 시스템(110)은, 작성된 모든 예측 모델(학습 완료 모델)을 이용하여, 현재 도금 장치가 사용하고 있는 기판 홀더에 문제가 발생할 때까지 도금하는 것이 가능한 기판의 매수를 예측한다. 즉, 연산 시스템(110)은, 현재 사용되고 있는 기판 홀더의 각 구성 부재의 상태를 나타내는 최신 컨디션 데이터를, 모든 예측 모델에 입력한다. 최신 컨디션 데이터는, 현재 사용되고 있는 기판 홀더의 각 구성 부재의 화상 데이터 또는 표면 형상 데이터로 구성된다. 각각의 예측 모델은, 현재 도금 장치가 사용하고 있는 기판 홀더에 문제가 발생할 때까지 도금하는 것이 가능한 기판의 매수, 즉 예측 처리 가능 매수를 출력한다.
본 실시형태에서는, 연산 시스템(110)은 모든 예측 모델을 이용하여 예측 처리 가능 매수를 결정하기 때문에, 얻어진 복수의 예측 처리 가능 매수에는 변동이 있을 수 있다. 그래서, 연산 시스템(110)은, 복수의 예측 처리 가능 매수 중, 가장 작은 예측 처리 가능 매수를 선택한다.
도금 장치에서는, 동일 구조를 갖는 복수의 기판 홀더가 사용된다. 이들 기판 홀더의 각각에는, RFID(radio frequency identification)의 기술을 적용한 전자 태그(도 3의 부호 95 참조)가 부착되어 있다. 이 전자 태그는, RFID 태그 또는 RF 태그라고 불린다. 전자 태그는 전기 회로를 구비하고 있고, 판독기 및 기록기(도시하지 않음)와 함께 정보를 비접촉으로 송수신할 수 있다. 전자 태그에는, 그 전자 태그가 부착된 기판 홀더의 식별 번호가 미리 기록되어 있다. 연산 시스템(110)은, 예측 처리 가능 매수(즉 상기 가장 작은 예측 처리 가능 매수)를 기록기에 송신하고, 기록기는 예측 처리 가능 매수를 기판 홀더의 전자 태그에 기록한다.
기판 홀더가 기판 도금에 사용됨에 따라, 예측 모델로부터 출력되는 예측 처리 가능 매수는 감소한다. 연산 시스템(110)은, 모든 예측 모델이 복수의 예측 처리 가능 매수를 출력할 때마다, 가장 작은 예측 처리 가능 매수를 결정하고, 그 가장 작은 예측 처리 가능 매수를 기록기에 송신한다. 기록기는, 기판 홀더의 전자 태그 내에 이미 기록되어 있는 예측 처리 가능 매수를 재기록한다.
판독기는, 기판 홀더의 전자 태그로부터 예측 처리 가능 매수를 판독하고, 도시하지 않은 표시기에 예측 처리 가능 매수를 표시시킨다. 이와 같이 하여 사용자는, 각 기판 홀더의 예측 처리 가능 매수를 알 수 있다. 결과로서, 각 기판 홀더의 메인터넌스를 적절한 타이밍에서 실시할 수 있다.
전자 태그에 기판 홀더의 식별 번호와 예측 처리 가능 매수가 기록되어 있기 때문에, 기판 홀더를 도금 장치로부터 취출한 후여도, 연산 시스템(110) 또는 컨트롤러(115)에 보존된 예측 처리 가능 매수를 참조하지 않고, 기판 홀더에 고유의 예측 처리 가능 매수를 알 수 있고, 기판 홀더의 운용 관리가 용이해진다.
연산 시스템(110)은, 전술한 복수의 예측 모델에 더하여, 기판 홀더(18)의 문제의 원인이 될 수 있는 기판 홀더(18)의 복수의 구성 부재 중에서, 기판 홀더(18)의 문제를 일으키는 구성 부재를 예상하기 위한 선택 모델을 구비하고 있다. 이 선택 모델은, 각각의 구성 부재에 대해 확신도를 산출하도록 구성되어 있다. 확신도는, 각 구성 부재가 기판 홀더(18)의 문제를 일으킬 확률을 나타내는 지표값이며, 0으로부터 100까지의 수치로 표시된다. 확신도는, 0으로부터 1까지의 수치로 표시되어도 좋다. 확신도는, 스코어라고 불리는 경우도 있다. 확신도가 높은 구성 부재에 대해 구축된 예측 모델로부터 출력된 예측 처리 가능 매수는, 신뢰성이 높은 예측 처리 가능 매수이다.
본 실시형태에서는, 기판 홀더(18)의 문제의 2가지 타입(누액 및 통전 불량)에 대응하여, 2개의 선택 모델이 형성된다. 도 9는 선택 모델의 일례를 도시한 모식도이다. 도 9에 도시된 바와 같이, 선택 모델은, 입력층(301)과, 복수의 중간층(은닉층이라고도 함)(302)과, 출력층(303)을 가진 뉴럴 네트워크이다. 도 9에 도시된 선택 모델은, 4개의 중간층(302)을 갖고 있으나, 선택 모델의 구성은 도 9에 도시된 예에 한정되지 않는다.
선택 모델의 입력층(301)에는, 기판 홀더(18)가 문제를 일으켰을 때의 기판 홀더(18)의 복수의 구성 부재의 상태를 나타내는 데이터가 입력된다. 본 실시형태에서는, 도 6의 표에 기재되어 있는 시일 홀더(62), 제1 유지 부재(54), 제1 전기 접점(88), 제2 전기 접점(86), 외부 전기 접점(91), 시일(66, 68), 슬라이드 플레이트(64)의 각각의 화상 데이터 및 표면 형상 데이터가 선택 모델의 입력층(301)에 입력된다. 선택 모델의 출력층(303)은, 복수의 구성 부재에 대응하는 복수의 확신도를 출력한다. 출력층(303)은, 기판 홀더(18)의 문제의 원인이 될 수 있는 기판 홀더(18)의 구성 부재의 수와 동일하거나, 또는 그것보다 많은 수의 확신도를 출력한다.
연산 시스템(110)은, 훈련 데이터를 이용한 딥 러닝에 의해 선택 모델의 파라미터(가중치 등)를 최적화하여, 선택 모델을 구축한다. 도 10은 선택 모델의 파라미터를 최적화하는 방법의 일 실시형태를 도시한 플로우차트이다.
단계 1에서는, 하나의 새로운 기판 홀더(18)를 이용하여 복수의 기판을 도금한다. 이 새로운 기판 홀더(18)를 이용한 복수의 기판의 도금은, 기판 홀더(18)에 문제가 발생할 때까지 실시된다. 「새로운 기판 홀더(18)」의 예에는, 미사용의 기판 홀더뿐만이 아니라, 메인터넌스된 기판 홀더도 포함된다.
기판 홀더(18)에 문제가 발생하면, 사용자는, 기판 홀더(18)를 도금 장치로부터 취출하고, 기판 홀더(18)를 분해하여, 기판 홀더(18)의 문제의 원인을 특정한다. 또한, 사용자는, 도시하지 않은 입력 장치 및 통신 장치 등을 이용하여, 특정된 제N 구성 부재의 상태 변화가 원인으로 기판 홀더(18)에 문제가 발생했다고 하는 정보를 연산 시스템(110)에 제공한다. 구체적으로는, 사용자는, 선택 모델의 구축(학습)에 사용해야 할 제N 구성 부재를 연산 시스템(110)에 교시한다. 제N 구성 부재는, 기판 홀더(18)의 문제의 원인이 될 수 있는 복수의 구성 부재 중 어느 하나이다. 도 6에 도시된 예에서는, 제N 구성 부재는, 시일 홀더(62), 제1 유지 부재(54), 제1 전기 접점(88), 제2 전기 접점(86), 외부 전기 접점(91), 시일(66, 68), 슬라이드 플레이트(64) 중 어느 하나이다. 예컨대, 제1 전기 접점(88)의 변형이 원인으로 기판 홀더(18)의 문제가 발생한 경우에는, 사용자는, 선택 모델의 구축(학습)에 사용해야 할 구성 부재가 제1 전기 접점(88)이라고 하는 정보를 연산 시스템(110)에 제공한다.
단계 2에서는, 연산 시스템(110)은, 기판 홀더(18)의 문제를 일으킨 제N 구성 부재의 상태를 나타내는 결함 컨디션 데이터를 결정한다. 보다 구체적으로는, 결함 컨디션 데이터는, 기판 홀더(18)의 문제가 발생했을 때의 제N 구성 부재의 상태를 나타내는 컨디션 데이터이다. 결함 컨디션 데이터는, 제N 구성 부재의 화상 데이터 및 표면 형상 데이터 중 어느 하나로 구성된다.
단계 3에서는, 연산 시스템(110)은, 기판 홀더(18)의 문제의 원인이 제N 구성 부재에 있는 것을 나타내는 수치 세트와, 기판 홀더(18)의 문제가 발생했을 때의 기판 홀더(18)의 다른 구성 부재의 상태를 나타내는 참조 컨디션 데이터와, 상기 결함 컨디션 데이터를 포함하는 선택 데이터 세트를 작성한다. 기판 홀더(18)의 다른 구성 부재란, 기판 홀더(18)의 문제의 원인이 될 수 있는 구성 부재이며, 제N 구성 부재 이외의 구성 부재이다.
기판 홀더(18)의 문제의 원인이 제N 구성 부재에 있는 것을 나타내는 수치 세트는, 확신도를 나타내는 100과 0의 조합으로 이루어진다. 수치 세트는, 단계 1에 있어서 문제가 발생한 기판 홀더를 사용자가 조사하여, 제N 구성 부재의 상태 변화가 원인이라고 판단한 확신도를 나타내는 수치 세트이다. 구체적으로는, 문제 원인이라고 특정한 제N 구성 부재에 대응하는 수치는 100이고, 다른 구성 부재에 대응하는 수치는 모두 0이다.
복수의 구성 부재가 문제 원인이 되는 경우도 있다. 그 때문에, 일 실시형태에서는, 2개 이상의 구성 부재의 각각에 대응하는 수치를 100으로 해도 좋다. 문제 원인이 제N 구성 부재에 있는 것을 단정할 수 없는 경우에는, 제N 구성 부재에 대응하는 수치를 100보다 작은 수로 해도 좋다. 예컨대, 기판 홀더(18)의 문제 원인이 제N 구성 부재에 있을 가능성이 높으나, 단정할 수 없는 경우에는, 제N 구성 부재에 대응하는 수치를 80으로 해도 좋다.
도 6에 도시된 예에서는, 기판 홀더(18)의 문제의 원인이 될 수 있는 구성 부재로서, 시일 홀더(62), 제1 유지 부재(54), 제1 전기 접점(88), 제2 전기 접점(86), 외부 전기 접점(91), 시일(66, 68), 및 슬라이드 플레이트(64)를 들 수 있다. 예컨대, 제N 구성 부재가 시일 홀더(62)인 경우에는, 다른 구성 부재는, 제1 유지 부재(54), 제1 전기 접점(88), 제2 전기 접점(86), 외부 전기 접점(91), 시일(66, 68), 및 슬라이드 플레이트(64)이다. 따라서, 다른 구성 부재의 참조 컨디션 데이터는, 제1 유지 부재(54), 제1 전기 접점(88), 제2 전기 접점(86), 외부 전기 접점(91), 시일(66, 68), 및 슬라이드 플레이트(64)의 상태를 나타내는 참조 컨디션 데이터이다. 참조 컨디션 데이터는, 상기 다른 구성 부재의 각각의 화상 데이터 및 표면 형상 데이터 중 적어도 하나를 포함한다.
단계 4에서는, 연산 시스템(110)은, 상기 단계 3에서 작성된 선택 데이터 세트를 이용하여, 도 9에 도시된 선택 모델의 파라미터(가중치 등)를 딥 러닝에 의해 최적화한다. 구체적으로는, 결함 컨디션 데이터 및 참조 컨디션 데이터는 선택 모델의 입력층(301)에 입력된다. 예컨대, 기판 홀더(18)의 문제가 발생했을 때에 시일 홀더(62)가 변색되어 있던 경우에는, 결함 컨디션 데이터로서 시일 홀더(62)의 화상 데이터가 입력층(301)에 입력되고, 참조 컨디션 데이터로서 시일 홀더(62) 이외의 구성 부재의 화상 데이터 및 표면 형상 데이터가 입력층(301)에 입력된다. 연산 시스템(110)은, 출력층(303)으로부터의 출력값의 세트와, 상기 단계 3에서 작성된 수치 세트와의 차를 최소로 할 수 있는 선택 모델의 최적의 파라미터를 결정한다.
도 10의 단계 1로부터 단계 4까지의 공정은, 기판 홀더(18)의 문제의 원인이 될 수 있는 기판 홀더(18)의 복수의 구성 부재 모두에 대해 선택 데이터 세트가 작성되고, 또한 작성된 모든 선택 데이터 세트를 이용하여 선택 모델의 파라미터가 최적화될 때까지, 반복된다. 즉, 새로운 기판 홀더[예컨대, 상기 기판 홀더(18)와 동일한 구조를 갖는 다른 기판 홀더, 또는 메인터넌스된 기판 홀더(18)]가 준비되고, 제N 구성 부재와는 다른 구성 부재에 기인하여 그 새로운 기판 홀더에 문제가 발생할 때까지 상기 새로운 기판 홀더를 이용하여 복수의 기판이 도금된다. 연산 시스템(110)은, 새로운 선택 데이터 세트를 작성하여, 상기 선택 모델의 파라미터를 더욱 최적화한다. 도 10에 나타내는 N의 초기값은 1이고, N=N+1은, 기판 홀더의 어느 구성 부재가 다른 구성 부재로 변경되는 것을 나타내고 있다. 도 6에 도시된 실시형태에서는, 시일 홀더(62), 제1 유지 부재(54), 제1 전기 접점(88), 제2 전기 접점(86), 외부 전기 접점(91), 시일(66, 68), 및 슬라이드 플레이트(64) 모두에 대해 선택 데이터 세트가 작성되고, 또한 작성된 모든 선택 데이터 세트를 이용하여 선택 모델의 파라미터가 최적화될 때까지, 단계 1로부터 단계 4까지의 공정이 반복된다. 이와 같이 하여, 기판 홀더(18)의 문제를 일으키는 구성 부재를 예상할 수 있는 선택 모델이 구축된다. 구축된 선택 모델은, 연산 시스템(110)의 기억 장치(110a) 내에 저장된다. 한편 도 10은 문제의 원인이 될 수 있는 기판 홀더(18)의 구성 부재에 대응한 선택 데이터 세트와, 그 선택 데이터 세트를 이용한 학습(모델의 최적화)이 필요한 것을 개념적으로 나타낸 것이다. 실제로는, 정밀도가 좋은 예측을 행하기 위해서는, 하나의 구성 부재에 대해 충분한 양의 선택 데이터 세트를 이용하여 반복 학습을 행하는 것이 필요하다.
도 1에 도시된 도금 장치는, 예측 모델 및 선택 모델의 구축에 사용된 상기 기판 홀더(18)와 동일한 구조를 갖는 기판 홀더를 이용하여 기판을 도금한다. 기판을 도금하기 전에, 촬상 장치(101) 및 3차원 계측기(102)는, 기판 홀더의 각 구성 부재의 화상 데이터 및 표면 형상 데이터를 생성하고, 통전 검사 장치(118)는 기판 홀더의 내부 저항을 측정한다. 화상 데이터 및 표면 형상 데이터는, 연산 시스템(110)에 보내지고, 기억 장치(110a)에 기억된다.
연산 시스템(110)은, 현재 도금 장치가 사용하고 있는 기판 홀더의 복수의 구성 부재의 각각의 상태를 나타내는 최신 컨디션 데이터 모두를 선택 모델의 입력층(301)에 입력한다. 각 최신 컨디션 데이터는, 현재 사용되고 있는 기판 홀더의 각 구성 부재의 화상 데이터 또는 표면 형상 데이터로 구성된다. 도 6에 도시된 예에서는, 모든 구성 부재의 화상 데이터 및 표면 형상 데이터가 선택 모델의 입력층(301)에 입력된다. 선택 모델은, 복수의 구성 부재에 대응하는 복수의 확신도를 출력한다.
연산 시스템(110)은, 선택 모델로부터 출력된 복수의 확신도에 기초하여, 적어도 하나의 구성 부재를 선택한다. 기본적으로, 확신도가 가장 높은 구성 부재가 선택된다.
연산 시스템(110)은, 그 기억 장치(110a)에 기준값을 저장하고 있고, 확신도가 기준값보다 큰 모든 구성 부재를 선택한다. 이하의 예에서는, 구성 부재 A와 구성 부재 B가 선택된다.
기준값: 65%
구성 부재 A: 확신도 80%
구성 부재 B: 확신도 70%
구성 부재 C: 확신도 10%
구성 부재 D: 확신도 5%
구성 부재 E: 확신도 1%
상기한 예에서, 기준값이 85%인 경우에는, 모든 구성 부재는 선택되지 않는다. 이 경우에는, 상위 M개의 구성 부재가 선택된다(M은 전체 구성 부재의 총수보다 작은 자연수). 혹은, 상위 K번째의 구성 부재의 확신도와, 상위 K+1번째의 구성 부재의 확신도와의 차가 미리 설정된 값보다 큰 경우에는, 상위 K개의 구성 부재가 선택된다(K는 M보다 작은 자연수). 예컨대, 상기한 예에서, 미리 설정된 값이 40%인 경우, 구성 부재 B의 확신도와 구성 부재 C의 확신도와의 차는 60%이기 때문에, 구성 부재 A와 구성 부재 B가 선택된다.
연산 시스템(110)은, 선택된 적어도 하나의 구성 부재에 대해 구축된 예측 모델을 이용하여, 현재 도금 장치가 사용하고 있는 기판 홀더에 문제가 발생할 때까지 도금하는 것이 가능한 기판의 예측 매수를 산출한다. 즉, 연산 시스템(110)은, 화상 데이터 및 표면 형상 데이터를, 선택된 적어도 하나의 구성 부재에 대해 구축된 예측 모델에 입력한다. 예측 모델은, 기판 홀더에 문제가 발생할 때까지 도금하는 것이 가능한 기판의 예측 매수, 즉 예측 처리 가능 매수를 출력한다. 복수의 구성 부재가 선택된 경우, 이들 복수의 구성 부재에 대응하는 복수의 예측 모델은, 각각 예측 처리 가능 매수를 출력한다. 연산 시스템(110)은, 복수의 예측 처리 가능 매수 중, 가장 작은 예측 처리 가능 매수를 선택한다.
전술한 예측 모델만을 이용한 예측 처리 가능 매수의 산출에 있어서는, 사용하고 있는 기판 홀더가 최종적으로 어떤 구성 부재가 원인으로 문제가 발생하는지는 알 수 없기 때문에, 각 구성 부재에 대응하는 최신 컨디션 데이터를 각 구성 부재에 대응하는 예측 모델에 입력할 필요가 있다. 한편, 전술한 선택 모델과 예측 모델을 이용한 예측 처리 가능 매수의 산출에 있어서는, 먼저 도금 장치가 현재 사용하고 있는 기판 홀더의 복수의 구성 부재의 각각의 상태를 나타내는 최신 컨디션 데이터 모두를 선택 모델의 입력층(301)에 입력한다. 선택 모델의 출력층으로부터 출력되는 확신도는, 구성 부재마다 변할 수 있다. 즉, 문제의 원인이 될 징후가 있는 구성 부재에 대응하는 확신도는 높고, 문제의 원인이 될 징후가 없는 구성 부재에 대응하는 확신도는 낮다. 이와 같이, 선택 모델을 이용함으로써, 기판 홀더의 문제의 원인이 될 것인 구성 부재를 예측할 수 있기 때문에, 상기 구성 부재에 대응하는 최신 컨디션 데이터와 예측 모델만을 이용하여 예측 처리 가능 매수를 산출할 수 있다. 일 실시형태에서는, 전술한 기준값을, 기판 홀더의 사용 초기는 낮게 설정하고, 기판 홀더의 처리 매수가 증가함에 따라 기준값을 높게 하도록 설정해도 좋다.
일 실시형태에서는, 연산 시스템(110)은, 제1 서버(제1 컴퓨터) 및 제2 서버(제2 컴퓨터)를 구비해도 좋다. 연산 시스템(110)의 기억 장치(110a) 및 처리 장치(110b)는, 제1 서버 내의 제1 기억 장치 및 제1 처리 장치와, 제2 서버 내의 제2 기억 장치 및 제2 처리 장치로 구성된다. 예컨대, 전술한 예측 모델 및 선택 모델의 구축 및 갱신은, 제1 서버에 의해 실행되고, 예측 모델 및 선택 모델을 이용한 예측 처리 가능 매수의 산출 및 확신도의 산출은, 제2 서버에 의해 실행되어도 좋다.
일 실시형태에서는, 예측 모델 및 선택 모델의 구축은 연산 시스템(110)과는 다른 시스템(서버 혹은 컴퓨터)으로 미리 행해 두고, 구축된 예측 모델 및 선택 모델을 연산 시스템(110)에 인스톨하여, 예측 모델 및 선택 모델을 이용한 예측 처리 가능 매수의 산출 및 확신도의 산출만을 연산 시스템(110)에 의해 실행해도 좋다.
다음으로, 도금 장치에 탑재된 기판 홀더(18)의 사용 가부를 판단하는 공정의 일 실시형태에 대해, 도 11 및 도 12에 도시된 플로우차트에 따라 설명한다. 단계 1에서는, 스토커(24) 내에 수용되어 있던 기판 홀더(18)를 기판 홀더 반송 장치(40)의 제1 트랜스포터(42)로 파지하여, 픽싱 스테이션(20)까지 반송한다. 그리고, 기판 홀더(18)를 하강시켜 수평의 상태로 하고, 이에 의해, 기판 홀더(18)를 픽싱 스테이션(20)의 배치 플레이트(52) 위에 배치한다.
단계 2에서는, 픽싱 스테이션(20)의 에어 실린더를 작동시켜 기판 홀더(18)의 제2 유지 부재(58)를 개방하고, 기판 홀더(18)의 각 구성 부재의 화상 데이터 및 표면 형상 데이터를 촬상 장치(101) 및 3차원 계측기(102)에 의해 각각 생성한다.
도 13의 (a) 및 도 13의 (b)는 기판 홀더(18)의 구성 부재의 촬상 방법과 표면 형상의 측정 방법의 일례를 도시한 모식도이다. 도 13의 (a)는 시일 홀더(62), 제1 전기 접점(88), 시일(66), 및 시일(68)의, 촬상 방법 및 표면 형상의 측정 방법의 일례를 도시한 모식도이다. 도 13의 (b)는 제1 유지 부재(54) 및 제2 전기 접점(86)의, 촬상 방법 및 표면 형상의 측정 방법의 일례를 도시한 모식도이다. 촬상 장치(101)는, 기판 홀더(18)의 복수의 구성 부재를 촬상하고, 각 구성 부재의 화상 데이터를 생성한다. 3차원 계측기(102)는, 기판 홀더(18)의 복수의 구성 부재의 표면 형상을 측정하고, 각 구성 부재의 표면 형상 데이터를 생성한다.
도 11로 되돌아가서, 단계 3에서는, 촬상 장치(101) 및 3차원 계측기(102)는, 단계 2에서 생성한 화상 데이터 및 표면 형상 데이터를 연산 시스템(110)에 송신한다. 단계 4에서는, 컨트롤러(115)는, 픽싱 스테이션(20)에 지령을 발하여, 도금해야 할 기판을 기판 홀더(18)에 유지시킨다. 그 후, 기판 홀더(18)는 누설 검사 장치(117)에 접속된다(단계 5).
단계 6에서는, 누설 검사 장치(117)는, 기판 홀더(18)의 시일(66, 68)이 정상적으로 기능하고 있는지를 검사한다. 누설 검사 장치(117)는, 시일(66, 68)에 의해 기판 홀더(18) 내에 형성된 내부 공간(R1) 내에 정압 또는 부압을 형성하고, 내부 공간(R1)의 압력(정압 또는 부압)이 소정 시간 내에 허용값을 넘어 변화한 경우에는, 기판 홀더(18)에 문제가 발생한 것을 나타내는 알람 신호를 발한다. 알람 신호는 컨트롤러(115)에 송신된다. 컨트롤러(115)는, 알람 신호를 받으면, 기판 홀더 반송 장치(40)에 지령을 발하여, 기판 홀더(18)를 기판 홀더 반송 장치(40)의 제1 트랜스포터(42)로 파지하고, 스토커(24)의 소정의 장소로 복귀시킨다(단계 7).
누설 검사 장치(117)가 알람 신호를 발생한 경우, 사용자는, 단계 8을 실행해도 좋다. 단계 8에서는, 사용자는, 기판 홀더(18)를 도금 장치로부터 취출하고, 기판 홀더(18)를 분해하여, 기판 홀더(18)의 문제의 원인을 특정해도 좋다. 또한, 사용자는, 도시하지 않은 입력 장치 및 통신 장치 등을 이용하여, 특정된 구성 부재의 상태 변화가 원인으로 기판 홀더(18)에 문제가 발생했다고 하는 정보를 연산 시스템(110)에 제공해도 좋다. 즉, 사용자는, 예측 모델의 구축(학습)에 사용해야 할 구성 부재를 연산 시스템(110)에 교시해도 좋다.
기판 홀더(18)의 시일(66, 68)이 정상적으로 기능하고 있는 경우에는, 기판 홀더(18)는, 도금해야 할 기판을 유지한 채로, 통전 검사 장치(118)에 접속된다(단계 9). 단계 10에서는, 통전 검사 장치(118)는, 기판 홀더(18)의 내부 저항을 측정하고, 측정된 저항값과 미리 정해진 설정 범위를 비교한다. 측정된 저항값이 설정 범위를 벗어나는 경우에는, 통전 검사 장치(118)는, 기판 홀더(18)에 문제가 발생한 것을 나타내는 알람 신호를 발한다. 알람 신호는 컨트롤러(115)에 송신된다. 컨트롤러(115)는, 알람 신호를 받으면, 기판 홀더 반송 장치(40)에 지령을 발하여, 기판 홀더(18)를 기판 홀더 반송 장치(40)의 제1 트랜스포터(42)로 파지하고, 스토커(24)의 소정의 장소로 복귀시킨다(단계 11).
통전 검사 장치(118)가 알람 신호를 발생한 경우, 사용자는, 단계 12를 실행해도 좋다. 단계 12에서는, 사용자는, 기판 홀더(18)를 도금 장치로부터 취출하고, 기판 홀더(18)를 분해하여, 기판 홀더(18)의 문제의 원인을 특정해도 좋다. 또한, 사용자는, 도시하지 않은 입력 장치 및 통신 장치 등을 이용하여, 특정된 구성 부재의 상태 변화가 원인으로 기판 홀더(18)에 문제가 발생했다고 하는 정보를 연산 시스템(110)에 제공해도 좋다. 즉, 사용자는, 예측 모델의 구축(학습)에 사용해야 할 구성 부재를 연산 시스템(110)에 교시해도 좋다.
단계 10에서 측정된 저항값이 설정 범위 내에 있는 경우에는, 연산 시스템(110)은, 단계 3에서 송신된 각 데이터를 예측 모델에 입력하고, 예측 처리 가능 매수를 출력한다(단계 13).
단계 14에서는, 연산 시스템(110)은, 단계 12에서 출력된 예측 처리 가능 매수를 미리 정해진 임계값과 비교한다. 예측 처리 가능 매수가 임계값보다 큰 경우에는, 기판 홀더(18)의 사용 가부를 판단하는 공정을 종료하고, 연산 시스템(110)은, 사용 허가 신호를 컨트롤러(115)에 송신한다. 컨트롤러(115)는, 도금 장치에 후술하는 도금 공정을 실행시킨다.
예측 처리 가능 매수가 임계값보다 작은 경우에는, 연산 시스템(110)은, 기판 홀더(18)의 메인터넌스가 필요한 것을 나타내는 알람 신호를 발한다. 알람 신호는, 적어도 컨트롤러(115)에 송신된다. 컨트롤러(115)는, 알람 신호를 받으면, 기판 홀더 반송 장치(40)에 지령을 발하여, 기판 홀더(18)를 기판 홀더 반송 장치(40)의 제1 트랜스포터(42)로 파지하고, 스토커(24)의 소정의 장소로 복귀시킨다(단계 15).
이하, 도금 공정의 일 실시형태에 대해 설명한다. 기판은, 그 도금되는 면을 기판 홀더(18)의 개구부(58a)로부터 노출시킨 상태로, 기판 홀더(18)에 유지된다. 기판은, 그 도금액에 접촉하지 않는 부분에 있어서 복수의 제1 전기 접점(88)과 전기적으로 도통(導通)된다. 각 기판 홀더(18)의 외부 전기 접점(91)은, 각 도금 셀(38)의 가장자리에 배치된 급전 전극(도시하지 않음)에 접촉한다. 급전 전극은, 외부 전기 접점(91), 전선(92), 제2 전기 접점(86), 및 제1 전기 접점(88)을 통해 기판의 시드층 등의 도전막에 전기적으로 접속된다. 급전 전극은 전원(도시하지 않음)에 전기적으로 접속되어 있다.
기판 홀더(18)를, 도금액으로 채워진 도금 셀(38) 내에 매단 후, 도금 셀(38) 내의 애노드(도시하지 않음)와 기판 사이에 도금 전압을 인가함으로써, 기판의 표면에 도금을 실시한다. 도금이 종료된 후, 기판 홀더(18)는, 제2 수세조(30b)에 반송되어, 기판의 표면이 세정된다. 기판 세정 후, 기판 및 기판 홀더(18)는, 블로우조(32)에서 건조된다. 기판 홀더 반송 장치(40)의 제1 트랜스포터(42)는, 건조된 기판 홀더(18)를 파지하여, 픽싱 스테이션(20)의 배치 플레이트(52) 위에 배치한다. 건조된 기판은, 기판 홀더(18)로부터 취출되고, 카세트(10)에 복귀된다.
전술한 실시형태는, 본 발명이 속하는 기술 분야에 있어서의 통상의 지식을 가진 자가 본 발명을 실시할 수 있는 것을 목적으로 하여 기재된 것이다. 상기 실시형태의 여러 가지 변형예는, 당업자라면 당연히 이룰 수 있는 것이며, 본 발명의 기술적 사상은 다른 실시형태에도 적용할 수 있다. 따라서, 본 발명은 기재된 실시형태에 한정되는 일은 없고, 특허청구의 범위에 의해 정의되는 기술적 사상에 따른 가장 넓은 범위로 해석되는 것이다.
10: 카세트 12: 카세트 테이블
14: 얼라이너 16: 스핀 린스 드라이어
18: 기판 홀더 20: 픽싱 스테이션
22: 기판 반송 장치 24: 스토커
26: 프리웨트조 28: 전처리조
30a: 제1 수세조 30b: 제2 수세조
32: 블로우조 34: 도금조
36: 오버플로우조 38: 도금 셀
40: 기판 홀더 반송 장치 42: 제1 트랜스포터
44: 제2 트랜스포터 46: 패들 구동 장치
50: 레일 52: 배치 플레이트
54: 제1 유지 부재 54a: 관통 구멍
56: 힌지 58: 제2 유지 부재
58a: 개구부 60: 기부
62: 시일 홀더 64: 슬라이드 플레이트
64a: 볼록부 64b: 돌기부
65: 스페이서 66: 시일(제1 시일 돌기)
68: 시일(제2 시일 돌기) 69a: 체결구
69b: 체결구 70a: 제1 고정 링
70b: 제2 고정 링 72: 누름판
74: 클램퍼 80: 지지면
82: 돌조부 84: 오목부
86: 제2 전기 접점 88: 제1 전기 접점
89: 체결구 90: 핸드
91: 외부 전기 접점 92: 전선
95: 전자 태그 101: 촬상 장치
102: 3차원 계측기 110: 연산 시스템
110a: 기억 장치 110b: 처리 장치
115: 컨트롤러 117: 누설 검사 장치
118: 통전 검사 장치 201: 입력층
202: 중간층 203: 출력층
301: 입력층 302: 중간층
303: 출력층

Claims (13)

  1. 기판 홀더에 문제가 발생할 때까지 도금하는 것이 가능한 기판의 매수를 예측하는 예측 모델을 구축하는 방법으로서,
    기판 홀더를 이용하여 복수의 기판을 도금하고,
    상기 기판 홀더에 문제가 발생할 때까지 상기 기판 홀더를 이용하여 도금된 기판의 총 매수를 결정하며,
    상기 기판 홀더에 문제가 발생할 때까지 도금하는 것이 가능한 기판의 매수인 제1 처리 가능 매수 및 제2 처리 가능 매수를 결정하고,
    상기 제1 처리 가능 매수에 대응하는 제1 컨디션 데이터와, 상기 제1 처리 가능 매수와의 조합으로 이루어지는 제1 데이터 세트를 작성하며, 상기 제1 컨디션 데이터는, 상기 기판 홀더의 구성 부재의 상태를 나타내고 있고,
    상기 제2 처리 가능 매수에 대응하는 제2 컨디션 데이터와, 상기 제2 처리 가능 매수와의 조합으로 이루어지는 제2 데이터 세트를 작성하며, 상기 제2 컨디션 데이터는, 상기 구성 부재의 상태를 나타내고 있고,
    상기 제1 데이터 세트와 상기 제2 데이터 세트를 포함하는 훈련 데이터를 이용하여, 뉴럴 네트워크로 이루어지는 예측 모델의 파라미터를 최적화하는 것인, 예측 모델 구축 방법.
  2. 제1항에 있어서, 상기 제1 처리 가능 매수는 0이고,
    상기 제1 컨디션 데이터는, 상기 문제가 발생했을 때의 상기 기판 홀더의 상기 구성 부재의 상태를 나타내는 결함 컨디션 데이터이며,
    상기 제1 데이터 세트는, 상기 결함 컨디션 데이터와 0과의 조합으로 이루어지는 결함 데이터 세트인 것인, 예측 모델 구축 방법.
  3. 제2항에 있어서, 상기 제2 처리 가능 매수는, 상기 총 매수보다 적은 중간 매수를 상기 총 매수로부터 감산함으로써 얻어진 처리 가능 매수이고,
    상기 제2 컨디션 데이터는, 상기 중간 매수의 기판을 도금한 시점에서의 상기 구성 부재의 상태를 나타내는 중간 컨디션 데이터이며,
    상기 제2 데이터 세트는, 상기 중간 컨디션 데이터와 상기 제2 처리 가능 매수와의 조합으로 이루어지는 중간 데이터 세트인 것인, 예측 모델 구축 방법.
  4. 제1항에 있어서, 상기 제1 처리 가능 매수는, 상기 총 매수보다 적은 제1 중간 매수를 상기 총 매수로부터 감산함으로써 얻어진 처리 가능 매수이고,
    상기 제1 컨디션 데이터는, 상기 제1 중간 매수의 기판을 도금한 시점에서의 상기 구성 부재의 상태를 나타내는 제1 중간 컨디션 데이터이며,
    상기 제1 데이터 세트는, 상기 제1 중간 컨디션 데이터와 상기 제1 처리 가능 매수와의 조합으로 이루어지는 제1 중간 데이터 세트이고,
    상기 제2 처리 가능 매수는, 상기 제1 중간 매수보다 적은 제2 중간 매수를 상기 총 매수로부터 감산함으로써 얻어진 처리 가능 매수이며,
    상기 제2 컨디션 데이터는, 상기 제2 중간 매수의 기판을 도금한 시점에서의 상기 구성 부재의 상태를 나타내는 제2 중간 컨디션 데이터이고,
    상기 제2 데이터 세트는, 상기 제2 중간 컨디션 데이터와 상기 제2 처리 가능 매수와의 조합으로 이루어지는 제2 중간 데이터 세트인 것인, 예측 모델 구축 방법.
  5. 제1항 내지 제4항 중 어느 한 항에 있어서, 상기 제1 컨디션 데이터 및 상기 제2 컨디션 데이터의 각각은, 상기 기판 홀더의 화상 데이터 및 표면 형상 데이터 중 어느 하나로 구성되어 있는 것인, 예측 모델 구축 방법.
  6. 제1항 내지 제4항 중 어느 한 항에 있어서, 상기 예측 모델은, 입력층, 적어도 2개의 중간층, 및 출력층을 갖는 뉴럴 네트워크로 구성되어 있는 것인, 예측 모델 구축 방법.
  7. 제1항 내지 제4항 중 어느 한 항에 있어서, 기판 홀더를 이용하여 복수의 기판을 도금하기 때문에, 상기 예측 모델의 파라미터를 최적화하는 것까지의 공정을 반복함으로써, 상기 예측 모델을 갱신하는 것인, 예측 모델 구축 방법.
  8. 제1항 내지 제4항 중 어느 한 항에 있어서, 상기 기판 홀더의 문제의 원인이 상기 구성 부재에 있는 것을 나타내는 수치 세트와, 상기 문제가 발생했을 때의 상기 기판 홀더의 다른 구성 부재의 상태를 나타내는 참조 컨디션 데이터와, 상기 문제가 발생했을 때의 상기 구성 부재의 상태를 나타내는 결함 컨디션 데이터를 포함하는 선택 데이터 세트를 작성하고,
    상기 선택 데이터 세트를 이용하여, 뉴럴 네트워크로 이루어지는 선택 모델의 파라미터를 최적화하는 공정을 더 포함하는, 예측 모델 구축 방법.
  9. 제1항 내지 제4항 중 어느 한 항에 기재된 방법을 이용하여 구축된 예측 모델을 준비하고,
    현재 사용되고 있는 기판 홀더의 구성 부재의 상태를 나타내는 최신 컨디션 데이터를 상기 예측 모델에 입력하며,
    상기 예측 모델로부터 예측 처리 가능 매수를 출력하는 것인, 예측 모델 구축 방법.
  10. 제9항에 있어서, 상기 예측 처리 가능 매수를, 상기 현재 사용되고 있는 기판 홀더에 부착된 전자 태그에 기록하는 공정을 더 포함하는, 예측 모델 구축 방법.
  11. 기판 홀더의 문제의 원인이 될 수 있는 상기 기판 홀더의 복수의 구성 부재 중에서, 상기 기판 홀더의 문제를 일으키는 구성 부재를 예상하기 위한 선택 모델을 구축하는 방법으로서,
    제1 기판 홀더의 제1 구성 부재에 기인하여 상기 제1 기판 홀더에 문제가 발생할 때까지 복수의 기판을 도금하고,
    상기 제1 기판 홀더의 문제의 원인이 상기 제1 구성 부재에 있는 것을 나타내는 제1 수치 세트와, 상기 문제가 발생했을 때의 상기 제1 기판 홀더의 제2 구성 부재의 상태를 나타내는 제1 참조 컨디션 데이터와, 상기 문제가 발생했을 때의 상기 제1 구성 부재의 상태를 나타내는 제1 결함 컨디션 데이터를 포함하는 제1 선택 데이터 세트를 작성하며,
    상기 제1 선택 데이터 세트를 이용하여, 뉴럴 네트워크로 이루어지는 선택 모델의 파라미터를 최적화하고,
    제2 기판 홀더의 제2 구성 부재에 기인하여 상기 제2 기판 홀더에 문제가 발생할 때까지 복수의 기판을 도금하고,
    상기 제2 기판 홀더의 문제의 원인이 상기 제2 구성 부재에 있는 것을 나타내는 제2 수치 세트와, 상기 문제가 발생했을 때의 상기 제2 기판 홀더의 제1 구성 부재의 상태를 나타내는 제2 참조 컨디션 데이터와, 상기 문제가 발생했을 때의 상기 제2 구성 부재의 상태를 나타내는 제2 결함 컨디션 데이터를 포함하는 제2 선택 데이터 세트를 작성하며,
    상기 제2 선택 데이터 세트를 이용하여 상기 파라미터를 더욱 최적화하는 것인, 선택 모델 구축 방법.
  12. 제11항에 있어서, 상기 제1 참조 컨디션 데이터 및 상기 제1 결함 컨디션 데이터의 각각은, 상기 제1 기판 홀더의 화상 데이터 및 표면 형상 데이터 중 어느 하나로 구성되어 있고, 상기 제2 참조 컨디션 데이터 및 상기 제2 결함 컨디션 데이터의 각각은, 상기 제2 기판 홀더의 화상 데이터 및 표면 형상 데이터 중 어느 하나로 구성되어 있는 것인, 선택 모델 구축 방법.
  13. 현재 사용되고 있는 기판 홀더의 구성 부재의 상태를 나타내는 기판 홀더의 제1 구성 부재 및 제2 구성 부재의 최신 컨디션 데이터를, 제11항 또는 제12항에 기재된 방법에 의해 구축된 선택 모델에 입력하고,
    상기 선택 모델로부터 출력된 상기 제1 구성 부재에 대응하는 제1 확신도가, 상기 제2 구성 부재에 대응하는 제2 확신도보다 높은 경우에, 상기 제1 구성 부재의 최신 컨디션 데이터를, 상기 제1 구성 부재에 대응하는 예측 모델에 입력하며,
    상기 예측 모델로부터 상기 기판 홀더의 예측 처리 가능 매수를 출력하는 공정을 포함하고,
    상기 예측 모델은, 제1항 내지 제4항 중 어느 한 항에 기재된 방법에 의해 구축된 예측 모델인 것인, 방법.
KR1020190163856A 2018-12-13 2019-12-10 도금 가능한 기판의 매수를 예측하는 예측 모델을 구축하는 방법, 문제를 일으키는 구성 부재를 예상하기 위한 선택 모델을 구축하는 방법, 및 도금 가능한 기판의 매수를 예측하는 방법 KR20200073142A (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JPJP-P-2018-233823 2018-12-13
JP2018233823A JP7100571B2 (ja) 2018-12-13 2018-12-13 めっき可能な基板の枚数を予測する予測モデルを構築する方法、不具合を引き起こす構成部材を予想するための選択モデルを構築する方法、およびめっき可能な基板の枚数を予測する方法

Publications (1)

Publication Number Publication Date
KR20200073142A true KR20200073142A (ko) 2020-06-23

Family

ID=71072690

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190163856A KR20200073142A (ko) 2018-12-13 2019-12-10 도금 가능한 기판의 매수를 예측하는 예측 모델을 구축하는 방법, 문제를 일으키는 구성 부재를 예상하기 위한 선택 모델을 구축하는 방법, 및 도금 가능한 기판의 매수를 예측하는 방법

Country Status (5)

Country Link
US (1) US11461647B2 (ko)
JP (1) JP7100571B2 (ko)
KR (1) KR20200073142A (ko)
CN (1) CN111325335A (ko)
TW (1) TWI809231B (ko)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102317993B1 (ko) * 2019-11-27 2021-10-27 한국생산기술연구원 도금 막 두께 예측 장치 및 방법
TWI790526B (zh) * 2021-01-18 2023-01-21 日商荏原製作所股份有限公司 基板固持器、鍍覆裝置、鍍覆方法、及記憶媒體
TWI822514B (zh) * 2021-01-18 2023-11-11 日商荏原製作所股份有限公司 基板固持器、鍍覆裝置、鍍覆方法、及記憶媒體
JP7176706B1 (ja) * 2022-05-23 2022-11-22 山中産業株式会社 Ａｉを用いた籠型回転子の欠陥検出装置
CN117684243B (zh) * 2024-02-04 2024-04-09 深圳市海里表面技术处理有限公司 一种智能电镀控制系统及控制方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018003102A (ja) 2016-07-04 2018-01-11 株式会社荏原製作所 基板ホルダの検査装置、これを備えためっき装置、及び外観検査装置

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11266068A (ja) * 1998-01-14 1999-09-28 Canon Inc 配線基板及び配線基板の製造方法
CA2559999A1 (en) * 2004-03-16 2005-09-29 Maximilian Munte Mobile paper record processing system
US7808613B2 (en) * 2006-08-03 2010-10-05 Asml Netherlands B.V. Individual wafer history storage for overlay corrections
US8918110B2 (en) * 2010-03-01 2014-12-23 Lg Electronics Inc. Method and apparatus for detecting a segment identifier in a wireless communication system
TWI446420B (zh) * 2010-08-27 2014-07-21 Advanced Semiconductor Eng 用於半導體製程之載體分離方法
TWI550139B (zh) * 2011-04-04 2016-09-21 諾菲勒斯系統公司 用於裁整均勻輪廓之電鍍裝置
JP6184713B2 (ja) * 2012-05-23 2017-08-23 株式会社Ｓｃｒｅｅｎホールディングス パーティクル測定方法および熱処理装置
US20140262794A1 (en) * 2013-03-15 2014-09-18 Applied Materials, Inc. Electrochemical deposition processes for semiconductor wafers
JP2016089253A (ja) * 2014-11-10 2016-05-23 株式会社荏原製作所 無電解めっき装置の運転方法
US10514614B2 (en) * 2015-02-13 2019-12-24 Asml Netherlands B.V. Process variability aware adaptive inspection and metrology
US10475712B2 (en) * 2016-09-30 2019-11-12 Kla-Tencor Corporation System and method for process-induced distortion prediction during wafer deposition
JP6860406B2 (ja) * 2017-04-05 2021-04-14 株式会社荏原製作所 半導体製造装置、半導体製造装置の故障予知方法、および半導体製造装置の故障予知プログラム
JP6973742B2 (ja) * 2017-06-15 2021-12-01 リョーエイ株式会社 金属加工面の検査方法、金属加工面の検査装置
KR102654656B1 (ko) * 2017-06-29 2024-04-05 램 리써치 코포레이션 웨이퍼 홀딩 장치 상의 도금의 리모트 검출
JP6979900B2 (ja) * 2018-02-13 2021-12-15 株式会社荏原製作所 基板保持部材、基板処理装置、基板処理装置の制御方法、プログラムを格納した記憶媒体

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018003102A (ja) 2016-07-04 2018-01-11 株式会社荏原製作所 基板ホルダの検査装置、これを備えためっき装置、及び外観検査装置

Also Published As

Publication number Publication date
JP2020094245A (ja) 2020-06-18
TW202046185A (zh) 2020-12-16
CN111325335A (zh) 2020-06-23
JP7100571B2 (ja) 2022-07-13
US11461647B2 (en) 2022-10-04
TWI809231B (zh) 2023-07-21
US20200193294A1 (en) 2020-06-18

Similar Documents

Publication Publication Date Title
KR20200073142A (ko) 도금 가능한 기판의 매수를 예측하는 예측 모델을 구축하는 방법, 문제를 일으키는 구성 부재를 예상하기 위한 선택 모델을 구축하는 방법, 및 도금 가능한 기판의 매수를 예측하는 방법
JP6328582B2 (ja) めっき装置、および基板ホルダの電気接点の電気抵抗を決定する方法
KR102605237B1 (ko) 반도체 제조 장치, 반도체 제조 장치의 고장 예지 방법 및 기억 매체
JP7067863B2 (ja) 基板を処理するための方法および装置
TWI639734B (zh) 用於電化學沉積及／或電化學蝕刻之原位指紋法
JP2019137898A (ja) 基板保持部材、基板処理装置、基板処理装置の制御方法、プログラムを格納した記憶媒体
TW201538804A (zh) 用以進行電鍍及晶種層偵測之方法及設備
KR102508032B1 (ko) 도금 장치 및 시스템
TW201900944A (zh) 電鍍期間監視晶種層上的表面氧化物
KR20190104873A (ko) 스케줄러, 기판 처리 장치, 및 기판 반송 방법
KR20190088417A (ko) 검사용 기판을 이용하는 전류 측정 모듈 및 검사용 기판
JPH034158A (ja) プリント回路基板の製造における電気化学的反応プロセスの試験装置及びプリント回路基板の電着方法
CN110408982B (zh) 检查方法、检查装置以及具备该检查装置的电镀装置
Zhao et al. Temperature-Humidity-Bias Testing and Life Prediction Modeling for Electrochemical Migration in Aerosol-Jet Printed Circuits
US20230175163A1 (en) Substrate holder, plating apparatus and method for managing substrate holder
Bahrebar Climatic Reliability of Electronics: Prediction of PCB Failure under Humidity using Predictive Analytics
US9791849B2 (en) Defect detection process in a semiconductor manufacturing environment
JP2024004050A (ja) 基板処理装置、基板処理方法
CN116720422A (zh) 一种基于融合神经网络的薄膜热电偶误差补偿方法及系统
Fredenberg et al. Simulation of copper deposition by electrochemical pattern replication

Legal Events

Date Code Title Description
A201 Request for examination