KR20200125491A - 학습 방법, 관리 장치 및 관리 프로그램 - Google Patents
학습 방법, 관리 장치 및 관리 프로그램 Download PDFInfo
- Publication number
- KR20200125491A KR20200125491A KR1020200049146A KR20200049146A KR20200125491A KR 20200125491 A KR20200125491 A KR 20200125491A KR 1020200049146 A KR1020200049146 A KR 1020200049146A KR 20200049146 A KR20200049146 A KR 20200049146A KR 20200125491 A KR20200125491 A KR 20200125491A
- Authority
- KR
- South Korea
- Prior art keywords
- light emission
- learning
- regression equation
- data
- wavelength
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 86
- 238000012545 processing Methods 0.000 claims abstract description 58
- 238000005530 etching Methods 0.000 claims abstract description 51
- 230000008569 process Effects 0.000 claims abstract description 37
- 238000010801 machine learning Methods 0.000 claims abstract description 32
- 238000007781 pre-processing Methods 0.000 claims description 39
- 238000009499 grossing Methods 0.000 claims description 8
- 230000002068 genetic effect Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 238000002620 method output Methods 0.000 abstract description 2
- 238000007726 management method Methods 0.000 description 29
- 230000010365 information processing Effects 0.000 description 27
- 238000010586 diagram Methods 0.000 description 20
- 238000004891 communication Methods 0.000 description 13
- 238000013500 data storage Methods 0.000 description 13
- 230000008859 change Effects 0.000 description 11
- 238000003860 storage Methods 0.000 description 10
- 238000004020 luminiscence type Methods 0.000 description 9
- 230000005284 excitation Effects 0.000 description 7
- 235000012431 wafers Nutrition 0.000 description 7
- 230000007423 decrease Effects 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 239000002131 composite material Substances 0.000 description 4
- 238000012937 correction Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 150000002500 ions Chemical class 0.000 description 3
- 238000010845 search algorithm Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000008021 deposition Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004886 process control Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 239000011347 resin Substances 0.000 description 2
- 229920005989 resin Polymers 0.000 description 2
- 229920006395 saturated elastomer Polymers 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005596 ionic collisions Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 239000011574 phosphorus Substances 0.000 description 1
- 238000009832 plasma treatment Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012628 principal component regression Methods 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000000992 sputter etching Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000000758 substrate Substances 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
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
- H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
- H01J37/32—Gas-filled discharge tubes
- H01J37/32917—Plasma diagnostics
- H01J37/32926—Software, data control or modelling
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
- H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
- H01J37/32—Gas-filled discharge tubes
- H01J37/32917—Plasma diagnostics
- H01J37/32935—Monitoring and controlling tubes by information coming from the object and/or discharge
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
- H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
- H01J37/32—Gas-filled discharge tubes
- H01J37/32917—Plasma diagnostics
- H01J37/32935—Monitoring and controlling tubes by information coming from the object and/or discharge
- H01J37/32972—Spectral analysis
-
- 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
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
- G01J3/28—Investigating the spectrum
- G01J2003/283—Investigating the spectrum computer-interfaced
- G01J2003/2836—Programming unit, i.e. source and date processing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
- G01J3/28—Investigating the spectrum
- G01J2003/2859—Peak detecting in spectrum
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
- G01J3/28—Investigating the spectrum
- G01J3/443—Emission spectrometry
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
- H01J2237/00—Discharge tubes exposing object to beam, e.g. for analysis treatment, etching, imaging
- H01J2237/32—Processing objects by plasma generation
- H01J2237/33—Processing objects by plasma generation characterised by the type of processing
- H01J2237/334—Etching
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Plasma & Fusion (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Manufacturing & Machinery (AREA)
- Computer Hardware Design (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Power Engineering (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Automation & Control Theory (AREA)
- Drying Of Semiconductors (AREA)
- Plasma Technology (AREA)
Abstract
[과제] 고정밀도이면서 고효율로 회귀식을 생성할 수 있는 학습 방법, 관리 장치 및 관리 프로그램을 제공한다.
[해결 수단] 학습 방법은, 플라즈마 처리 장치의 챔버 내의 발광 데이터에 대해서 전처리를 행한다. 학습 방법은, 플라즈마 처리 장치에 있어서의 에칭 레이트와, 발광 데이터의 관계를 나타내는 회귀식을 생성하는 기계 학습의 제약을 설정한다. 학습 방법은, 전처리를 행한 발광 데이터로부터 학습 대상의 파장을 선택한다. 학습 방법은, 발광 데이터와 상이한 다른 센서의 데이터의 선택을 접수한다. 학습 방법은, 선택된 파장과, 접수한 다른 센서의 데이터와, 에칭 레이트를 학습 데이터로 해서, 설정된 제약에 기초해서 기계 학습을 행하여, 회귀식을 생성한다. 학습 방법은, 생성한 회귀식을 출력한다.
[해결 수단] 학습 방법은, 플라즈마 처리 장치의 챔버 내의 발광 데이터에 대해서 전처리를 행한다. 학습 방법은, 플라즈마 처리 장치에 있어서의 에칭 레이트와, 발광 데이터의 관계를 나타내는 회귀식을 생성하는 기계 학습의 제약을 설정한다. 학습 방법은, 전처리를 행한 발광 데이터로부터 학습 대상의 파장을 선택한다. 학습 방법은, 발광 데이터와 상이한 다른 센서의 데이터의 선택을 접수한다. 학습 방법은, 선택된 파장과, 접수한 다른 센서의 데이터와, 에칭 레이트를 학습 데이터로 해서, 설정된 제약에 기초해서 기계 학습을 행하여, 회귀식을 생성한다. 학습 방법은, 생성한 회귀식을 출력한다.
Description
본 개시는, 학습 방법, 관리 장치 및 관리 프로그램에 관한 것이다.
플라즈마 처리 장치의 경시(經時) 변동을 억제하기 위해서, 장치 파라미터의 조정을 행하는 APC(Advanced Process Control)/AEC(Advanced Equipment Control)가 제안되고 있다. 이와 같은 장치 파라미터의 조정을 자동으로 행하기 위해서, 플라즈마 처리 장치의 각종 센서의 데이터를 기계 학습하는 것이 제안되고 있다.
본 개시는, 고정밀도이면서 고효율로 회귀식을 생성할 수 있는 학습 방법, 관리 장치 및 관리 프로그램을 제공한다.
본 개시된 일 태양에 의한 학습 방법은, 플라즈마 처리 장치의 챔버 내의 발광 데이터에 대해서 전처리를 행한다. 학습 방법은, 플라즈마 처리 장치에 있어서의 에칭 레이트와, 발광 데이터의 관계를 나타내는 회귀식을 생성하는 기계 학습의 제약을 설정한다. 학습 방법은, 전처리를 행한 발광 데이터로부터 학습 대상의 파장을 선택한다. 학습 방법은, 발광 데이터와 상이한 다른 센서의 데이터의 선택을 접수한다. 학습 방법은, 선택된 파장과, 접수한 다른 센서의 데이터와, 에칭 레이트를 학습 데이터로 해서, 설정된 제약에 기초해서 기계 학습을 행하여, 회귀식을 생성한다. 학습 방법은, 생성한 회귀식을 출력한다.
본 개시에 의하면, 고정밀도이면서 고효율로 회귀식을 생성할 수 있다.
도 1은, 본 개시된 일 실시형태에 있어서의 처리 시스템의 일례를 나타내는 블럭도이다.
도 2는, 하프 로트(half lot)에 있어서의 에칭 레이트의 변화의 일례를 나타내는 도면이다.
도 3은, 발광 데이터의 일례를 나타내는 도면이다.
도 4는, 발광 데이터의 경시 변화의 일례를 나타내는 도면이다.
도 5는, 본 개시된 일 실시형태에 있어서의 정보 처리 장치의 일례를 나타내는 블럭도이다.
도 6은, 본 실시형태에 있어서의 학습 처리의 일례를 나타내는 플로 차트이다.
도 7은, 본 실시형태에 있어서의 전처리의 일례를 나타내는 플로 차트이다.
도 8은, 본 실시형태에 있어서의 설정 처리의 일례를 나타내는 플로 차트이다.
도 9는, 본 실시형태에 있어서의 선택 및 접수 처리의 일례를 나타내는 플로 차트이다.
도 10은, 본 실시형태에 있어서의 생성 처리의 일례를 나타내는 플로 차트이다.
도 11은, 본 실시형태에 있어서의 회귀식 및 실측값과의 비교의 일례를 나타내는 도면이다.
도 12는, 본 실시형태에 있어서의 회귀식의 선택된 파장의 일례를 나타내는 설명도이다.
도 13은, 본 실시형태에 있어서의 회귀식 및 실측값과의 비교의 다른 일례를 나타내는 도면이다.
도 14는, 본 실시형태에 있어서의 회귀식의 선택된 파장의 다른 일례를 나타내는 설명도이다.
도 15는, 직전에 흐른 레시피종에 의한 발광 밸런스의 변화의 일례를 나타내는 도면이다.
도 2는, 하프 로트(half lot)에 있어서의 에칭 레이트의 변화의 일례를 나타내는 도면이다.
도 3은, 발광 데이터의 일례를 나타내는 도면이다.
도 4는, 발광 데이터의 경시 변화의 일례를 나타내는 도면이다.
도 5는, 본 개시된 일 실시형태에 있어서의 정보 처리 장치의 일례를 나타내는 블럭도이다.
도 6은, 본 실시형태에 있어서의 학습 처리의 일례를 나타내는 플로 차트이다.
도 7은, 본 실시형태에 있어서의 전처리의 일례를 나타내는 플로 차트이다.
도 8은, 본 실시형태에 있어서의 설정 처리의 일례를 나타내는 플로 차트이다.
도 9는, 본 실시형태에 있어서의 선택 및 접수 처리의 일례를 나타내는 플로 차트이다.
도 10은, 본 실시형태에 있어서의 생성 처리의 일례를 나타내는 플로 차트이다.
도 11은, 본 실시형태에 있어서의 회귀식 및 실측값과의 비교의 일례를 나타내는 도면이다.
도 12는, 본 실시형태에 있어서의 회귀식의 선택된 파장의 일례를 나타내는 설명도이다.
도 13은, 본 실시형태에 있어서의 회귀식 및 실측값과의 비교의 다른 일례를 나타내는 도면이다.
도 14는, 본 실시형태에 있어서의 회귀식의 선택된 파장의 다른 일례를 나타내는 설명도이다.
도 15는, 직전에 흐른 레시피종에 의한 발광 밸런스의 변화의 일례를 나타내는 도면이다.
이하에, 개시하는 학습 방법, 관리 장치 및 관리 프로그램의 실시형태에 대해, 도면에 기초해서 상세하게 설명한다. 한편, 이하의 실시형태에 의해 개시 기술이 한정되는 것은 아니다.
플라즈마 처리 장치의 각종 센서의 데이터를 기계 학습하는 경우에 있어서, 에칭 처리 결과와, 플라즈마 처리 장치의 챔버 내의 발광 데이터를 연결하는 회귀식(플라즈마 상태 추정 모델)을 생성하는 것이 생각된다. 회귀식은, 재귀적 학습에 의해, 정밀도를 높여 가는 알고리즘으로 학습을 행한다. 예를 들면, 주성분 회귀, 부분 최소 제곱법 등을 들 수 있다. 이들은, 비용을 최소화하는 식 구조나 계수를 최적 해답으로 해서, 재귀적으로 탐색을 행할 수 있다. 또한, 발광 데이터는, OES(Optical Emission Sensor)에 의해서 취득되고, 일반적으로 에칭의 종점 검출에 이용되고 있다. 한편, 발광 데이터는, 챔버의 컨디션 추정에 이용하고자 한 경우, 원자 밀도를 정량적으로 측정할 수 있는 액티노메트리(actinometry)법이나, 전자 온도 추정을 목적으로 한 2선 강도 비교법과 같은 수법이 이용되고 있다.
또한, 회귀식의 생성에 대해서는, 일반적으로 다음 2종류 중, 어느 어프로치가 취해지는 경우가 많다. 첫 번째는, 에칭 프로세스 및 발광에 관한 모델의 관점에서 참조 파장을 선정함으로써 실험적으로 가중치 부여를 행해서, 회귀식의 회귀 계수를 동정(同定)하는 방법이다. 두 번째는, 참조 파장을 선정하지는 않고, 과거의 방대한 처리 데이터로부터 수학적으로 자동적으로 가중치 부여를 행해서, 회귀식의 회귀 계수를 동정하는 방법이다.
첫 번째의 방법에서는, 비교적 적은 데이터수로 회귀식을 구축할 수 있지만, 단일 여기종, 단일 파장으로부터 얻어지는 회귀식의 추정 정밀도는, 어느 물리 현상에 대해서는 양호하더라도, 다양한 물리 현상에 대해서는 기댓값에 미치지 않는 경우가 많다. 또한, 두 번째의 방법에서는, 다양한 물리 현상에 대해서 높은 추정 정밀도가 얻어질 가능성이 있지만, 과거의 데이터에 의지한 동정을 행하기 위해 비교적 많은 데이터수가 필요해지고, 데이터의 질과 양이 충분하지 않은 경우, 과학습이 될 경우가 있다. 또, 일반적으로 인간이 이해 곤란한 회귀식이 완성되는 경향이 있기 때문에, 모델의 신뢰성에 의념(疑念)이 남게 된다. 그래서, 고정밀도이면서 고효율로 회귀식을 생성하는 것이 기대되고 있다.
[처리 시스템(1)의 구성]
도 1은, 본 개시된 일 실시형태에 있어서의 처리 시스템의 일례를 나타내는 블럭도이다. 도 1에 나타내는 바와 같이, 처리 시스템(1)은, 복수의 관리 장치(10)와, 복수의 플라즈마 처리 장치(20)와, 정보 처리 장치(100)를 갖는다. 한편, 도 1에서는, 관리 장치(10a, 10b, 10c), 및 플라즈마 처리 장치(20a, 20b, 20c)라고 하고 있지만, 구별하지 않는 경우는 간단히 관리 장치(10) 및 플라즈마 처리 장치(20)라고 칭한다.
관리 장치(10)는, 플라즈마 처리 장치(20)를 각각 관리한다. 관리 장치(10)는, 접속되는 플라즈마 처리 장치(20) 상태를 관리하고, 플라즈마 처리 장치(20)로부터 발광 데이터 및 각종 센서의 데이터 등의 정보를 수신한다. 관리 장치(10)는, 취득한 각종의 정보를 정보 처리 장치(100)에 송신한다. 또한, 관리 장치(10)는, 정보 처리 장치(100)로부터 수신한 회귀식, 및 플라즈마 처리 장치(20)로부터 수신한 각종의 정보에 기초해서, 에칭 레이트를 추정한다. 관리 장치(10)는, 추정한 에칭 레이트에 기초해서, 플라즈마 처리 장치(20)를 제어한다.
플라즈마 처리 장치(20)는, 처리 대상의 기판(이하, 웨이퍼라고 한다)에 대해서 플라즈마 처리를 행한다. 플라즈마 처리 장치(20)는, 플라즈마 처리에 있어서의, 발광 데이터 및 각종 센서의 데이터 등의 정보를 관리 장치(10)에 송신한다. 또한, 플라즈마 처리 장치(20)는, 관리 장치(10)에 의한 제어를 접수한다.
정보 처리 장치(100)는, 관리 장치(10)로부터 발광 데이터 및 각종 센서의 데이터 등의 정보를 수신한다. 정보 처리 장치(100)는, 수신한 각종의 정보에 기초해서, 회귀식을 생성한다. 정보 처리 장치(100)는, 생성한 회귀식을 관리 장치(10)에 송신한다.
[에칭 레이트 및 발광 데이터]
여기에서, 에칭 레이트 및 발광 데이터에 대해서 설명한다. 도 2는, 하프 로트에 있어서의 에칭 레이트의 변화의 일례를 나타내는 도면이다. 도 2에 나타내는 그래프(30)는, 하프 로트인 10매의 웨이퍼를 처리한 경우에 있어서의 에칭 레이트의 변화의 보정 전 실측값과 보정 후 실측값을 나타낸다. 도 2에 나타내는 바와 같이, 보정 전 실측값의 그래프에서는, 웨이퍼수가 증가할 때마다 에칭 레이트가 저하되고 있다. 이것은, 챔버 내의 오염에 의한 것으로, 하프 로트나 1로트의 처리마다 클리닝 가스로 클리닝하는 것에 의해서 원래로 되돌릴 수 있다. 한편, 보정 후 실측값의 그래프에서는, 하프 로트의 기간에 있어서, 처리 가스를 조정, 예를 들면 유량을 증가시킴으로써, 에칭 레이트의 저하를 억제하고 있다. 본 실시형태에서는, 이와 같은 제어를 관리 장치(10)의 회귀식을 이용해서 행한다.
도 3은, 발광 데이터의 일례를 나타내는 도면이다. 도 3에 나타내는 그래프(31)는, 어느 웨이퍼를 플라즈마 처리한 경우의 파장마다의 발광 강도를 나타낸다. 그래프(31)의 예에서는, 660nm 부근에 발광 강도의 피크가 나타나 있는 것을 알 수 있다. 이와 같은 피크는, 고유의 물질을 검출한 것을 나타낸다.
도 4는, 발광 데이터의 경시 변화의 일례를 나타내는 도면이다. 도 4에 나타내는 그래프(32)는, 웨이퍼 No. 1∼No. 66까지의 각 파장(1201파장분)의 경시 변화를 나타낸다. 그래프(32)는, 웨이퍼 1매당 발광 강도의 시간 적분값의 변동률을 좌단의 스케일로 나타내는 분류(색별 등)로 표시하고 있다. 즉, 그래프(32)는, 도 3의 그래프(31)를 66매분 배열한 것이다. 그래프(32)의 예에서는, 웨이퍼 No. 20을 초과한 부근에서부터, 발광 강도가 저하되고 있고, 경시 변화가 나타나 있는 것을 알 수 있다. 즉, 그래프(30) 및 그래프(32)에서는, 에칭 레이트의 저하와, 발광 강도의 저하 사이에 상관이 있는 것을 알 수 있다.
[정보 처리 장치(100)의 구성]
도 5는, 본 개시된 일 실시형태에 있어서의 정보 처리 장치의 일례를 나타내는 블럭도이다. 도 5에 나타내는 바와 같이, 정보 처리 장치(100)는, 통신부(110)와, 표시부(111)와, 조작부(112)와, 기억부(120)와, 제어부(130)를 갖는다. 한편, 정보 처리 장치(100)는, 도 5에 나타내는 기능부 이외에도 이미 알려진 컴퓨터가 갖는 각종의 기능부, 예를 들면 각종의 입력 디바이스나 음성 출력 디바이스 등의 기능부를 갖는 것으로 해도 상관없다.
통신부(110)는, 예를 들면, NIC(Network Interface Card) 등에 의해서 실현된다. 통신부(110)는, 네트워크를 통해서 관리 장치(10)와 유선 또는 무선으로 접속되고, 관리 장치(10)와의 사이에서 정보의 통신을 담당하는 통신 인터페이스이다. 통신부(110)는, 관리 장치(10)로부터 발광 데이터 및 각종 센서의 데이터 등의 정보를 수신한다. 통신부(110)는, 수신한 발광 데이터 및 각종 센서의 데이터 등의 정보를 제어부(130)에 출력한다. 또한, 통신부(110)는, 제어부(130)로부터 입력된 회귀식을 관리 장치(10)에 송신한다.
표시부(111)는, 각종 정보를 표시하기 위한 표시 디바이스이다. 표시부(111)는, 예를 들면, 표시 디바이스로서 액정 디스플레이 등에 의해서 실현된다. 표시부(111)는, 제어부(130)로부터 입력된 표시 화면 등의 각종 화면을 표시한다.
조작부(112)는, 정보 처리 장치(100)의 유저로부터 각종 조작을 접수하는 입력 디바이스이다. 조작부(112)는, 예를 들면, 입력 디바이스로서, 키보드나 마우스 등에 의해서 실현된다. 조작부(112)는, 유저에 의해서 입력된 조작을 조작 정보로서 제어부(130)에 출력한다. 조작부(112)는, 유저로부터 학습 데이터용의 에칭 레이트의 입력을 접수한다. 조작부(112)는, 접수한 에칭 레이트를 제어부(130)에 출력한다. 한편, 조작부(112)는, 입력 디바이스로서, 터치 패널 등에 의해서 실현되도록 해도 되고, 표시부(111)의 표시 디바이스와, 조작부(112)의 입력 디바이스는, 일체화되도록 해도 된다.
기억부(120)는, 예를 들면, RAM(Random Access Memory), 플래시 메모리 등의 반도체 메모리 소자, 하드 디스크나 광 디스크 등의 기억 장치에 의해서 실현된다. 기억부(120)는, 학습 데이터 기억부(121)와, 회귀식 기억부(122)를 갖는다. 또한, 기억부(120)는, 제어부(130)에서의 처리에 이용하는 정보를 기억한다.
학습 데이터 기억부(121)는, 회귀식을 생성하기 위한 학습 데이터를 기억한다. 학습 데이터 기억부(121)는, 예를 들면, 발광 데이터, 각종 센서의 데이터 및 에칭 레이트 등의 정보를 학습 데이터로서 기억한다.
회귀식 기억부(122)는, 기계 학습의 결과, 생성된 회귀식, 즉 플라즈마 상태 추정 모델을 기억한다. 본 실시형태에서는, 회귀식을 선형 다항식으로 제한함으로써, 인간이 해석 가능한 모델로 하고 있다. 회귀식은, 하기의 식(1)에 나타내는 형식을 이용한다.
E/R=aOES＃1+bOES＃2+ ··· +z ···(1)
여기에서, E/R은 에칭 레이트를 나타내고, a∼z는 회귀 계수를 나타내고, OES＃x는 발광 데이터의 파장을 나타낸다.
제어부(130)는, 예를 들면, CPU(Central Processing Unit), MPU(Micro Pr ocessing Unit), GPU(Graphics Processing Unit) 등에 의해서, 내부의 기억 장치에 기억되어 있는 프로그램이 RAM을 작업 영역으로 해서 실행되는 것에 의해 실현된다. 또한, 제어부(130)는, 예를 들면, ASIC(Application Specific Integrated Circuit)나 FPGA(Field Programmable Gate Array) 등의 집적 회로에 의해 실현되도록 해도 된다.
제어부(130)는, 전처리부(131)와, 설정부(132)와, 선택부(133)와, 접수부(134)와, 생성부(135)를 갖고, 이하에 설명하는 정보 처리의 기능이나 작용을 실현 또는 실행한다. 한편, 제어부(130)의 내부 구성은, 도 5에 나타낸 구성에 한정되지 않고, 후술하는 정보 처리를 행하는 구성이면 다른 구성이어도 된다.
전처리부(131)는, 관리 장치(10)로부터 수신한 발광 데이터 및 각종 센서의 데이터 등의 정보와, 입력된 학습 데이터용의 에칭 레이트의 정보를 학습 데이터로서 학습 데이터 기억부(121)에 기억한다. 전처리부(131)는, 학습 데이터 기억부(121)를 참조하여, 발광 데이터에 대해서 평활화 처리를 행한다. 전처리부(131)는, 평활화 처리로서, 발광의 흔들림을 시간 평균화하기 위해서, 시간축 방향으로 이동 평균 평활화 처리를 실시한다.
전처리부(131)는, 평활화 처리에 이어서 센서기 차(差)의 조정을 행한다. 전처리부(131)는, 예를 들면, an을 회귀 계수, tn을 센서값(발광비)으로 하고, 발광비 단위 gn 및 전체 gtotal에서의 게인(gain) 조정과, 전체에서의 옵셋 조정 ototal을 하기의 식(2)를 이용해서 행한다. 또한, 전처리부(131)는, 센서간의 단위의 무차원화, 파장간의 발광 강도차의 무효화, 샘플수 의존성을 위한 재(再)스케일링의 관점에서 Z-Score를 적용한다.
[수학식 1]
또한, 전처리부(131)는, 액티노메트리법을 위한 규격화 파장 후보를 유저에게 제시해서, 선택을 접수한다. 규격화 파장 후보는, 희가스마다 1파장의 후보이다. 전처리부(131)는, 예를 들면, He, Ar, Kr, Xe 등을 규격화 파장 후보로서 제시한다. 전처리부(131)는, 선택된 규격화 파장으로 발광 데이터를 나눔으로써, 발광 강도로부터 발광비로의 변환을 실행한다. 전처리부(131)는, 발광비로 변환된 발광 데이터를 학습 데이터 기억부(121)에 기억한다. 전처리부(131)는, 전처리가 완료되면, 설정부(132)에 설정 지시를 출력한다.
설정부(132)는, 전처리부(131)로부터 설정 지시가 입력되면, 회귀식을 생성하는 기계 학습에 있어서의 제약을 설정한다. 설정부(132)는, 제약으로서 변수 증가 비용의 가중을 선택한다. 설정부(132)는, 변수 증가 비용의 가중에 대해서, 하기의 식(3)에 나타내는 바와 같이, 최소화 문제의 정칙화항(λ||x||1)의 계수로 조정을 행한다. 한편, λ는, 0＜λ＜1의 범위이다. 또한, 식(3)의 「Ax-b」는, 회귀식에서 최소화하고자 하는 추정 오차를 나타낸다.
[수학식 2]
다음으로, 설정부(132)는, 제약으로서, 기계 학습의 골 설정인 목표 합치율을 설정한다. 목표 합치율(fitness)은, 회귀 잔차(residual)가 최소일 때에 1에 가까워지는 규격화 완료의 비선형 목표 합치율이며, 예를 들면, 하기의 식(4)와 같이 정의된다. 한편, 목표 합치율(fitness)은, 0＜fitness＜1의 범위이다.
[수학식 3]
또한, 설정부(132)는, 제약으로서, 기계 학습의 골 설정인 최대 탐색 횟수를 설정한다. 이것은, 기계 학습에 의해 재귀적으로 최소화 문제를 풀지만, 목표에 합치되지 않는 경우도 있기 때문이다. 한편, 최대 탐색 횟수(IterationMax)는, 1＜IterationMax＜10000의 범위이다. 설정부(132)는, 제약을 설정하면, 설정한 제약 정보를 생성부(135)에 출력함과 함께, 선택부(133)에 선택 지시를 출력한다.
선택부(133)는, 설정부(132)로부터 선택 지시가 입력되면, 학습 데이터 기억부(121)를 참조하여, 발광비로 변환된 발광 데이터로부터, 발광의 피크를 가지는 파장을 추출한다. 선택부(133)는, 추출한 파장으로부터, 발광비의 평균값이 저발광측의 제 1 임계값 이하, 또는, 고발광측의 제 2 임계값 이상인 파장을 제외한다. 제 1 임계값은, 예를 들면, 노이즈 레벨로 할 수 있다. 또한, 제 2 임계값은, 예를 들면, 다이내믹 레인지의 상한값으로 할 수 있다. 즉, 선택부(133)는, S/N(Signal/Noise)비가 나쁜 파장이나, 포화되어서 프로세스 감도 변형이 되는 파장을 제외한다. 선택부(133)는, 예를 들면, 1201개의 파장으로부터, 발광의 피크를 가지고, 또한, 발광비가 소정의 범위 내인 파장을, 학습 대상의 파장으로서 선택한다. 선택부(133)는, 학습 대상의 파장을 선택하면, 선택한 파장 정보를 생성부(135)에 출력함과 함께, 접수부(134)에 접수 지시를 출력한다. 한편, 선택부(133)는, 학습 대상의 파장의 선택에 있어서, 추출한 발광의 피크를 가지는 파장으로부터, 미리 준비된 해석 가능한 파장의 리스트에 들어맞지 않는, 해석 불가능한 여기종 불명 파장을 삭제하도록 해도 된다.
접수부(134)는, 선택부(133)로부터 접수 지시가 입력되면, OES 이외의 다른 센서 신호에 대해서, 후보의 센서 리스트를 유저에게 제시해서 선택을 접수한다. 후보의 센서로서는, 예를 들면, 이온 충돌 속도, 이온수, 전자 밀도, 시스 두께 정보를 표현하기 위한, Vpp, Current, RF Mag, RF Phase 등의 센서를 들 수 있다. 또한, 접수부(134)는, 후보의 센서에 대해서, 1개의 센서의 제곱값을 이용하는 비선형항, 2개의 센서간의 승산(乘算)값을 이용하는 간섭항, 2개의 센서간의 제산(除算)값을 이용하는 규격화항과 같은 복합 센서를 생성한다. 접수부(134)는, 복합 센서를 이용함으로써, 유저의 지견을 기계 학습에 투입할 수 있다. 접수부(134)는, 접수한 다른 센서 신호나 복합 센서를 추가 센서 정보로서 생성부(135)에 출력한다.
생성부(135)에는, 설정부(132)로부터 제약 정보가 입력되고, 선택부(133)로부터 파장 정보가 입력되고, 접수부(134)로부터 추가 센서 정보가 입력된다. 생성부(135)는, 학습 데이터 기억부(121)로부터 에칭 레이트를 취득하고, 취득한 에칭 레이트와, 입력된 제약 정보, 파장 정보 및 추가 센서 정보를 이용해서, 기계 학습의 스파스 모델(sparse model)을 초기화하여, 첫 회의 기계 학습을 행한다. 생성부(135)는, 기계 학습을 행한 스파스 모델을 평가한다. 스파스 모델의 평가는, 하기의 식(5)∼식(10)을 이용한다.
[수학식 4]
[수학식 5]
[수학식 6]
[수학식 7]
[수학식 8]
[수학식 9]
스파스 모델링(sparse modeling)에 있어서의 연립 방정식은, 식(5), (6)이 된다. 행렬 A는 전처리 완료 센서 신호값(발광비)을 나타내고, 행렬 x는 회귀 계수를 나타내고, 행렬 b는 에칭 레이트를 나타낸다. 또한, 요소의 수의 증가에 대한 비용은, 리지(ridge) 회귀의 최소화 문제(L0 정칙화)로서, 식(7)로 정의된다. 단, 식(7)에서는, 식(8)의 비영(nonzero) 요소 수로 정의된다. 또한, 회귀 계수를 크게 하는 것에 대한 비용은, LASSO의 최소화 문제(L1 정칙화)로서, 식(9)로 정의된다. 단, 식(9)에서는, 식(10)으로 정의된다.
또한, 전술의 스파스 모델은, 해리성 여기(국소 열평형 상태)를 고려한 충돌 복사 모델을 전제로 해서, 복수의 에너지 준위의 포퓰레이션 밸런스(population balance)로부터 플라즈마 상태를 파악하는 일련의 계를 특정하는 것을 수학적인 목표로 해서 모델 구축한 것이다. 이들은, 포퓰레이션 수지(收支)의 연립 방정식으로 실현될 수 있다.
액티노메트리법이 성립하는 것은 코로나 모델(전자 충돌 여기와 방사에 의한 손실만)을 전제로 하고 있지만, 실제의 프로세스 플라즈마는, 코로나 상태와 국소 열평형 상태(전리, 재결합, 여기, 탈여기에 의한 균형)의 중간이라고 불리고 있고, 충분하지는 않다. 한편, 2선 강도 비교법에 의한 전자 온도 추정에서는, 동일 여기종(희가스)의 2파장간 발광비로 충분하지만, 이온 에너지를 논의하기 위해서는 전자 에너지 분포를 의식할 필요가 있어, 각 준위의 전자 에너지 분포 함수(EEDF)의 적산(積算)값이 이온 에칭에 기여한다고 생각할 수 있다.
본래라면, 에너지 준위마다 포퓰레이션 수지를 평가해 가야 할 바이지만, 이것에는 고정밀도의 OES와 방대한 검증 시간이 필요해진다. 이에 비해, 본 실시형태의 기계 학습에서는, 이들의 과정을 스킵해서, OES의 발광 밸런스로부터 회귀적으로 플라즈마 상태를 대략적으로 동정할 수 있다.
생성부(135)는, 평가의 결과, 목표 합치율이 소정값을 만족시키는지 여부를 판정한다. 생성부(135)는, 목표 합치율이 소정값을 만족시키지 않는다고 판정한 경우, 탐색 알고리즘에 기초해서, 스파스 모델을 갱신하고, 재귀적 학습을 행한다. 한편, 탐색 알고리즘으로서는, 예를 들면, 유전적 프로그래밍법을 이용한다. 생성부(135)는, 스파스 모델을 갱신하면, 스파스 모델의 평가로 되돌아간다.
생성부(135)는, 목표 합치율이 소정값을 만족시킨다고 판정한 경우, 회귀 계수 행렬 x에 기초하는 회귀식을 생성하고, 생성한 회귀식을 회귀식 기억부(122)에 기억한다. 또한, 생성부(135)는, 생성한 회귀식을 통신부(110)에 출력하고, 통신부(110)를 통해서 관리 장치(10)에 회귀식을 송신한다.
[학습 방법]
다음으로, 본 실시형태의 정보 처리 장치(100)의 동작에 대해서 설명한다. 도 6은, 본 실시형태에 있어서의 학습 처리의 일례를 나타내는 플로 차트이다.
정보 처리 장치(100)의 전처리부(131)는, 관리 장치(10)로부터 수신한 발광 데이터 및 각종 센서의 데이터 등의 정보와, 입력된 에칭 레이트의 정보를 학습 데이터로서 학습 데이터 기억부(121)에 기억한다. 전처리부(131)는, 학습 데이터의 준비가 완료되면, 전처리를 실행한다(스텝 S1).
여기에서, 도 7을 이용해서 전처리를 설명한다. 도 7은, 본 실시형태에 있어서의 전처리의 일례를 나타내는 플로 차트이다.
전처리부(131)는, 학습 데이터 기억부(121)를 참조하여, 발광 데이터에 대해서 평활화 처리를 행한다(스텝 S11). 전처리부(131)는, 평활화 처리에 이어서 센서기 차의 조정을 행한다(스텝 S12). 전처리부(131)는, 액티노메트리법을 위한 규격화 파장 후보를 유저에게 제시해서, 선택을 접수한다. 전처리부(131)는, 선택된 규격화 파장의 발광비로의 변환을 실행한다(스텝 S13). 전처리부(131)는, 발광비로 변환된 발광 데이터를 학습 데이터 기억부(121)에 기억한다. 전처리부(131)는, 전처리가 완료되면, 설정부(132)에 설정 지시를 출력하고, 원래의 처리로 되돌아간다.
도 6의 설명으로 되돌아간다. 설정부(132)는, 전처리부(131)로부터 설정 지시가 입력되면, 설정 처리를 실행한다(스텝 S2). 여기에서, 도 8을 이용해서 설정 처리를 설명한다. 도 8은, 본 실시형태에 있어서의 설정 처리의 일례를 나타내는 플로 차트이다.
설정부(132)는, 회귀식을 생성하는 기계 학습에 있어서의 제약으로서, 변수 증가 비용의 가중을 선택한다(스텝 S21). 설정부(132)는, 제약으로서, 목표 합치율을 설정한다(스텝 S22). 설정부(132)는, 제약으로서, 최대 탐색 횟수를 설정한다(스텝 S23). 설정부(132)는, 제약을 설정하면, 설정한 제약 정보를 생성부(135)에 출력함과 함께, 선택부(133)에 선택 지시를 출력하고, 원래의 처리로 되돌아간다.
도 6의 설명으로 되돌아간다. 선택부(133)는, 설정부(132)로부터 선택 지시가 입력되면, 선택 및 접수 처리를 실행한다(스텝 S3). 여기에서, 도 9를 이용해서 선택 및 접수 처리를 설명한다. 도 9는, 본 실시형태에 있어서의 선택 및 접수 처리의 일례를 나타내는 플로 차트이다.
선택부(133)는, 학습 데이터 기억부(121)를 참조하여, 발광비로 변환된 발광 데이터로부터, 발광의 피크를 가지는 파장을 추출한다(스텝 S31). 선택부(133)는, 추출한 파장으로부터, 발광비의 평균값이 저발광 강도인 파장(저발광측의 제 1 임계값 이하), 및 고발광 강도인 파장(고발광측의 제 2 임계값 이상)인 파장을 제외한다(스텝 S32). 선택부(133)는, 제외되어 있지 않은 파장을, 학습 대상의 파장으로서 선택한다. 선택부(133)는, 학습 대상의 파장을 선택하면, 선택한 파장 정보를 생성부(135)에 출력함과 함께, 접수부(134)에 접수 지시를 출력한다.
접수부(134)는, 선택부(133)로부터 접수 지시가 입력되면, OES 이외의 다른 센서 신호에 대해서, 후보의 센서 리스트를 유저에게 제시해서 선택을 접수하고, 다른 센서 신호로서 추가한다(스텝 S33). 또한, 접수부(134)는, 유저의 지시에 기초해서, 후보의 센서로부터 복합 센서를 생성한다(스텝 S34). 접수부(134)는, 접수한 다른 센서 신호나 복합 센서를 추가 센서 정보로서 생성부(135)에 출력하고, 원래의 처리로 되돌아간다.
도 6의 설명으로 되돌아간다. 생성부(135)는, 접수부(134)로부터 추가 센서 정보가 입력되면, 생성 처리를 실행한다(스텝 S4). 여기에서, 도 10을 이용해서 생성 처리를 설명한다. 도 10은, 본 실시형태에 있어서의 생성 처리의 일례를 나타내는 플로 차트이다.
생성부(135)는, 학습 데이터 기억부(121)로부터 에칭 레이트를 취득하고, 취득한 에칭 레이트와, 입력된 제약 정보, 파장 정보 및 추가 센서 정보를 이용해서, 기계 학습의 스파스 모델을 초기화하여, 첫 회의 기계 학습을 행한다(스텝 S41). 생성부(135)는, 기계 학습을 행한 스파스 모델을 평가한다(스텝 S42). 생성부(135)는, 평가의 결과, 목표 합치율이 소정값을 만족시키는지 여부를 판정한다(스텝 S43). 생성부(135)는, 목표 합치율이 소정값을 만족시키지 않는다고 판정한 경우(스텝 S43: No), 탐색 알고리즘에 기초해서, 스파스 모델을 갱신하고, 재귀적 학습을 행하여(스텝 S44), 스텝 S42로 되돌아간다. 생성부(135)는, 목표 합치율이 소정값을 만족시킨다고 판정한 경우(스텝 S43: Yes), 원래의 처리로 되돌아간다.
도 6의 설명으로 되돌아간다. 생성부(135)는, 회귀 계수 행렬 x에 기초하는 회귀식을 생성하고, 생성한 회귀식을 회귀식 기억부(122)에 기억한다. 또한, 생성부(135)는, 생성한 회귀식을 통신부(110)에 출력하고, 통신부(110)를 통해서 관리 장치(10)에 회귀식을 송신한다(스텝 S5). 이에 의해, 정보 처리 장치(100)는, 고정밀도이면서 고효율로 회귀식을 생성할 수 있다. 또한, 생성한 회귀식은, 이해하기 쉬운 형식으로 할 수 있다.
[회귀식(추정 모델)의 예]
도 11은, 본 실시형태에 있어서의 회귀식 및 실측값과의 비교의 일례를 나타내는 도면이다. 도 11의 그래프(40)에서는, 실측값(Goal)과 회귀식에 의한 추정값(Estimation)을 비교하면, 추정값은 대체로 실측값에 가까운 값으로 되어 있다. 그래프(40)에 대응하는 회귀식(41)은, 발광 데이터의 파장 33개 중, ＃2, ＃7, ＃22가 에칭 레이트에 기여하고 있는 것을 나타낸다. 한편, 표 42에는, 회귀식(41)의 제약 등의 상세를 나타낸다.
도 12는, 본 실시형태에 있어서의 회귀식의 선택된 파장의 일례를 나타내는 설명도이다. 도 12의 그래프(43)는, 파장 ＃2에 의한 에칭 레이트의 추정 결과를 나타낸다. 또한, 그래프(44)는, 파장 ＃2의 발광비를 나타낸다. 그래프(45)는, 파장 ＃7에 의한 에칭 레이트의 추정 결과를 나타낸다. 또한, 그래프(46)는, 파장 ＃7의 발광비를 나타낸다. 그래프(47)는, 파장 ＃22에 의한 에칭 레이트의 추정 결과를 나타낸다. 또한, 그래프(48)는, 파장 ＃22의 발광비를 나타낸다. 그래프(43∼48)를 참조하면, 그래프(40)의 사례에서는, 대부분을 파장 ＃2의 OH 라디칼로 표현 가능하지만, 일부의 변동을 표현할 수 없다. 이 때문에, 파장 ＃2에 더하여, 파장 ＃7, ＃22의 He 발광비로부터 전자 온도 변동을 표현함으로써, 그래프(40)에 나타내는 추정값이 된다. 즉, 회귀식(41)은, 전자 온도＆전자 밀도 모델이라고 할 수 있다.
도 13은, 본 실시형태에 있어서의 회귀식 및 실측값과의 비교의 다른 일례를 나타내는 도면이다. 도 13의 그래프(50)에서는, 실측값(Goal)과 회귀식에 의한 추정값(Estimation)을 비교하면, 추정값은 대체로 실측값에 가까운 값으로 되어 있다. 그래프(50)에 대응하는 회귀식(51)은, 발광 데이터의 파장 33개 중, ＃11, ＃12, ＃26, ＃29가 에칭 레이트에 기여하고 있는 것을 나타낸다. 한편, 표 52에는, 회귀식(51)의 회귀 통계값 등의 상세를 나타낸다.
도 14는, 본 실시형태에 있어서의 회귀식의 선택된 파장의 다른 일례를 나타내는 설명도이다. 도 14의 그래프(53)는, 파장 ＃11에 의한 에칭 레이트의 추정 결과를 나타낸다. 또한, 그래프(54)는, 파장 ＃11의 발광비를 나타낸다. 그래프(55)는, 파장 ＃26에 의한 에칭 레이트의 추정 결과를 나타낸다. 또한, 그래프(56)는, 파장 ＃26의 발광비를 나타낸다. 그래프(57)는, 파장 ＃12에 의한 에칭 레이트의 추정 결과를 나타낸다. 또한, 그래프(58)는, 파장 ＃12의 발광비를 나타낸다. 그래프(59)는, 파장 ＃29에 의한 에칭 레이트의 추정 결과를 나타낸다. 또한, 그래프(60)는, 파장 ＃29의 발광비를 나타낸다. 그래프(53∼60)를 참조하면, 그래프(50)의 사례에서는, 파장 ＃11, ＃26의 2종류의 O로, O 라디칼과 O 이온을 표현하고, 파장 ＃12, ＃29의 2종류의 H로, 바이프로덕트(by-product)와 전자 온도를 표현함으로써, 그래프(50)에 나타내는 추정값이 된다. 즉, 회귀식(51)은, 종합적인 에칭 모델이라고 할 수 있다.
[변형예]
상기의 실시형태에서는, 회귀식의 이용예로서, 프로세스 중의 발광 데이터에 기초해서, 관리 장치(10)가 플라즈마 처리 장치(20)를 제어하는 형태를 들었지만, 프로세스 중의 발광 데이터에 기초해서, 프로세스의 이상(異常) 검출을 행하도록 해도 된다. 도 15는, 직전에 흐른 레시피종에 의한 발광 밸런스의 변화의 일례를 나타내는 도면이다. 변형예에서는, 도 15에 나타내는, 어느 이상 케이스를 의사(擬似)적으로 재현했을 때의 발광 변화량(복수의 여기종 밸런스)을 기계 학습해서 모델(회귀식)을 생성한다. 관리 장치(10) 또는 플라즈마 처리 장치(20)는, 생성한 모델을 이용해서, 프로세스 중의 발광 데이터가 이상 케이스에 해당한다고 판정한 경우에 이상 검출을 행한다.
이상, 본 실시형태에 의하면, 정보 처리 장치(100)는, 플라즈마 처리 장치(20)의 챔버 내의 발광 데이터에 대해서 전처리를 행한다. 또한, 정보 처리 장치(100)는, 플라즈마 처리 장치(20)에 있어서의 에칭 레이트와, 발광 데이터의 관계를 나타내는 회귀식을 생성하는 기계 학습의 제약을 설정한다. 또한, 정보 처리 장치(100)는, 전처리를 행한 발광 데이터로부터 학습 대상의 파장을 선택한다. 또한, 정보 처리 장치(100)는, 발광 데이터와 상이한 다른 센서의 데이터의 선택을 접수한다. 또한, 정보 처리 장치(100)는, 선택된 파장과, 접수한 다른 센서의 데이터와, 에칭 레이트를 학습 데이터로 해서, 설정된 제약에 기초해서 기계 학습을 행하여, 회귀식을 생성한다. 또한, 정보 처리 장치(100)는, 생성한 회귀식을 출력한다. 그 결과, 고정밀도이면서 고효율로 회귀식을 생성할 수 있다.
또한, 본 실시형태에 의하면, 전처리는, 발광 데이터에 대해서, 평활화 처리, 센서기 차의 조정 처리, 및 액티노메트리법에 있어서의 규격화 파장의 발광비로의 변환 처리 중, 1개 또는 복수의 처리이다. 그 결과, 발광 데이터로부터 노이즈 등을 제거할 수 있다.
또한, 본 실시형태에 의하면, 제약은, 변수 증가 비용, 목표 합치율, 및 최대 탐색 횟수 중, 1개 또는 복수의 제약이다. 그 결과, 기계 학습의 학습 시간을 단축할 수 있다.
또한, 본 실시형태에 의하면, 정보 처리 장치(100)는, 발광 데이터 중, 발광의 피크를 가지는 파장을 추출하고, 추출한 파장으로부터 발광 강도의 평균값이 제 1 임계값 이하, 또는, 제 2 임계값 이상인 파장을 제외한 파장을 선택한다. 그 결과, S/N비가 나쁜 파장이나, 포화되어서 프로세스 감도 변형이 되는 파장을 제외할 수 있다.
또한, 본 실시형태에 의하면, 정보 처리 장치(100)는, 다른 센서의 데이터에 기초하는 비선형항, 간섭항, 및 규격화항 중, 1개 또는 복수의 항을 생성하고, 생성한 항의 선택을 접수한다. 그 결과, 유저의 지견을 회귀식에 반영할 수 있다.
또한, 본 실시형태에 의하면, 회귀식은, 선형 다항식이다. 그 결과, 생성된 회귀식을 인간이 이해할 수 있다.
또한, 본 실시형태에 의하면, 정보 처리 장치(100)는, 스파스 모델링을 이용해서 기계 학습을 행한다. 그 결과, 소수의 파장에 의한 회귀식을 생성할 수 있다.
또한, 본 실시형태에 의하면, 스파스 모델링은, 유전적 프로그래밍법을 이용한다. 그 결과, 회귀식의 파장의 조합을 추출할 수 있다.
또한, 본 실시형태에 의하면, 스파스 모델링은, 요소의 수 또는 회귀 계수에 따라서 비용을 증대시킨다. 그 결과, 기계 학습의 학습 시간을 단축할 수 있다.
이번 개시된 실시형태는, 모든 점에서 예시이며, 제한적인 것은 아니라고 생각되어야 한다. 상기의 실시형태는, 첨부된 청구범위 및 그 주지를 일탈함이 없이, 다양한 형체로 생략, 치환, 변경되어도 된다.
또한, 상기한 실시형태에서는, 관리 장치(10)가 프로세스 제어나 이상 검출을 행했지만, 그 밖에도, 챔버 내의 디포지션(deposition)량을 발광 데이터의 변화량으로부터 추정하고, 디포지션에 기초하는 변화가 소정값 이하가 될 때까지 클리닝을 실시한다고 하는 이용을 행해도 된다. 또한, 관리 장치(10)는, 에칭 레이트 등에 기초해서, 포커스 링 등의 각종 부품(parts) 교환 시기를 알리도록 해도 된다.
1: 처리 시스템
10, 10a, 10b, 10c: 관리 장치
20, 20a, 20b, 20c: 플라즈마 처리 장치
100: 정보 처리 장치
110: 통신부
111: 표시부
112: 조작부
120: 기억부
121: 학습 데이터 기억부
122: 회귀식 기억부
130: 제어부
131: 전처리부
132: 설정부
133: 선택부
134: 접수부
135: 생성부
10, 10a, 10b, 10c: 관리 장치
20, 20a, 20b, 20c: 플라즈마 처리 장치
100: 정보 처리 장치
110: 통신부
111: 표시부
112: 조작부
120: 기억부
121: 학습 데이터 기억부
122: 회귀식 기억부
130: 제어부
131: 전처리부
132: 설정부
133: 선택부
134: 접수부
135: 생성부
Claims (11)
- 플라즈마 처리 장치의 챔버 내의 발광 데이터에 대해서 전처리를 행하는 것과,
상기 플라즈마 처리 장치에 있어서의 에칭 레이트와, 상기 발광 데이터의 관계를 나타내는 회귀식을 생성하는 기계 학습의 제약을 설정하는 것과,
전처리를 행한 상기 발광 데이터로부터 학습 대상의 파장을 선택하는 것과,
상기 발광 데이터와 상이한 다른 센서의 데이터의 선택을 접수하는 것과,
선택된 상기 파장과, 접수한 상기 다른 센서의 데이터와, 상기 에칭 레이트를 학습 데이터로 해서, 설정된 상기 제약에 기초해서 상기 기계 학습을 행하여, 상기 회귀식을 생성하는 것과,
생성한 상기 회귀식을 출력하는 것
을 갖는 학습 방법. - 제 1 항에 있어서,
상기 전처리는, 상기 발광 데이터에 대해서, 평활화 처리, 센서기 차의 조정 처리, 및 액티노메트리(actinometry)법에 있어서의 규격화 파장의 발광비로의 변환 처리 중, 1개 또는 복수의 처리인,
학습 방법. - 제 1 항 또는 제 2 항에 있어서,
상기 제약은, 변수 증가 비용, 목표 합치율, 및 최대 탐색 횟수 중, 1개 또는 복수의 제약인,
학습 방법. - 제 1 항 내지 제 3 항 중 어느 한 항에 있어서,
상기 선택하는 처리는, 상기 발광 데이터 중, 발광의 피크를 가지는 파장을 추출하고, 추출한 상기 파장으로부터 발광 강도의 평균값이 제 1 임계값 이하, 또는, 제 2 임계값 이상인 파장을 제외한 파장을 선택하는,
학습 방법. - 제 1 항 내지 제 4 항 중 어느 한 항에 있어서,
상기 접수하는 처리는, 상기 다른 센서의 데이터에 기초하는 비선형항, 간섭항, 및 규격화항 중, 1개 또는 복수의 항을 생성하고, 생성한 상기 항의 선택을 접수하는,
학습 방법. - 제 1 항 내지 제 5 항 중 어느 한 항에 있어서,
상기 회귀식은, 선형 다항식인,
학습 방법. - 제 1 항 내지 제 6 항 중 어느 한 항에 있어서,
상기 생성하는 처리는, 스파스 모델링(sparse modeling)을 이용해서 상기 기계 학습을 행하는,
학습 방법. - 제 7 항에 있어서,
상기 스파스 모델링은, 유전적 프로그래밍법을 이용하는,
학습 방법. - 제 7 항 또는 제 8 항에 있어서,
상기 스파스 모델링은, 요소의 수 또는 회귀 계수에 따라서 비용을 증대시키는,
학습 방법. - 회귀식을 이용해서 플라즈마 처리 장치를 관리하는 관리 장치로서,
상기 회귀식은,
상기 플라즈마 처리 장치의 챔버 내의 발광 데이터에 대해서 전처리를 행하는 것과,
상기 플라즈마 처리 장치에 있어서의 에칭 레이트와, 상기 발광 데이터의 관계를 나타내는 회귀식을 생성하는 기계 학습의 제약을 설정하는 것과,
전처리를 행한 상기 발광 데이터로부터 학습 대상의 파장을 선택하는 것과,
상기 발광 데이터와 상이한 다른 센서의 데이터의 선택을 접수하는 것과,
선택된 상기 파장과, 접수한 상기 다른 센서의 데이터와, 상기 에칭 레이트를 학습 데이터로 해서, 설정된 상기 제약에 기초해서 상기 기계 학습을 행하는 것에 의해 생성된 회귀식으로,
관리 시에 상기 플라즈마 처리 장치로부터 취득한 상기 발광 데이터를 상기 회귀식에 적용하는 것으로, 상기 플라즈마 처리 장치의 에칭 레이트를 추정하는 추정부와,
추정한 상기 에칭 레이트에 기초해서, 상기 플라즈마 처리 장치를 제어하는 제어부
를 갖는 관리 장치. - 회귀식을 이용해서 플라즈마 처리 장치를 관리하는 관리 프로그램으로서,
상기 회귀식은,
상기 플라즈마 처리 장치의 챔버 내의 발광 데이터에 대해서 전처리를 행하는 것과,
상기 플라즈마 처리 장치에 있어서의 에칭 레이트와, 상기 발광 데이터의 관계를 나타내는 회귀식을 생성하는 기계 학습의 제약을 설정하는 것과,
전처리를 행한 상기 발광 데이터로부터 학습 대상의 파장을 선택하는 것과,
상기 발광 데이터와 상이한 다른 센서의 데이터의 선택을 접수하는 것과,
선택된 상기 파장과, 접수한 상기 다른 센서의 데이터와, 상기 에칭 레이트를 학습 데이터로 해서, 설정된 상기 제약에 기초해서 상기 기계 학습을 행하는 것에 의해 생성된 회귀식으로,
관리 시에 상기 플라즈마 처리 장치로부터 취득한 상기 발광 데이터를 상기 회귀식에 적용하는 것으로, 상기 플라즈마 처리 장치의 에칭 레이트를 추정하는 것과,
추정한 상기 에칭 레이트에 기초해서, 상기 플라즈마 처리 장치를 제어하는 것의 각 처리를 관리 장치에 실행하게 하는 관리 프로그램.
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2019086216A JP2020181959A (ja) | 2019-04-26 | 2019-04-26 | 学習方法、管理装置および管理プログラム |
| JPJP-P-2019-086216 | 2019-04-26 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20200125491A true KR20200125491A (ko) | 2020-11-04 |
Family
ID=72917106
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200049146A KR20200125491A (ko) | 2019-04-26 | 2020-04-23 | 학습 방법, 관리 장치 및 관리 프로그램 |
Country Status (5)
| Country | Link |
|---|---|
| US (1) | US11556853B2 (ko) |
| JP (1) | JP2020181959A (ko) |
| KR (1) | KR20200125491A (ko) |
| CN (1) | CN111860859A (ko) |
| TW (1) | TW202044406A (ko) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115704110A (zh) * | 2021-08-06 | 2023-02-17 | 株式会社电装 | 碳化硅晶体制造设备、其控制装置及生成学习模型和控制其的方法 |
| CN117882170A (zh) * | 2021-08-31 | 2024-04-12 | 东京毅力科创株式会社 | 信息处理方法、信息处理装置、以及基板处理系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2014514727A (ja) | 2011-02-17 | 2014-06-19 | 東京エレクトロン株式会社 | 光学計測及びセンサ装置を用いるエッチングプロセス制御 |
| JP2017536584A (ja) | 2014-11-25 | 2017-12-07 | ストリーム モザイク，インコーポレイテッド | 半導体製造プロセスのための改善されたプロセス制御技術 |
Family Cites Families (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6582618B1 (en) * | 1999-09-08 | 2003-06-24 | Advanced Micro Devices, Inc. | Method of determining etch endpoint using principal components analysis of optical emission spectra |
| JP2004039952A (ja) * | 2002-07-05 | 2004-02-05 | Tokyo Electron Ltd | プラズマ処理装置の監視方法およびプラズマ処理装置 |
| JP4317701B2 (ja) * | 2003-03-12 | 2009-08-19 | 東京エレクトロン株式会社 | 処理結果の予測方法及び予測装置 |
| JP4686268B2 (ja) * | 2005-06-21 | 2011-05-25 | 株式会社東芝 | 工程制御システム、工程制御方法及び電子装置の製造方法 |
| JP2009049382A (ja) * | 2007-07-26 | 2009-03-05 | Panasonic Corp | ドライエッチング方法およびドライエッチング装置 |
| JP2010199126A (ja) * | 2009-02-23 | 2010-09-09 | Panasonic Corp | プラズマ処理方法およびプラズマ処理装置 |
| JP5688227B2 (ja) * | 2010-02-26 | 2015-03-25 | 株式会社日立ハイテクノロジーズ | エッチング装置、制御シミュレータ、及び半導体装置製造方法 |
| US9011202B2 (en) * | 2012-04-25 | 2015-04-21 | Applied Materials, Inc. | Fitting of optical model with diffraction effects to measured spectrum |
| US10361105B2 (en) * | 2014-12-03 | 2019-07-23 | Kla-Tencor Corporation | Determining critical parameters using a high-dimensional variable selection model |
| JP6310866B2 (ja) * | 2015-01-30 | 2018-04-11 | 株式会社日立ハイテクノロジーズ | プラズマ処理装置及びプラズマ処理方法並びに解析方法 |
| JP6643202B2 (ja) * | 2016-07-21 | 2020-02-12 | 株式会社日立ハイテクノロジーズ | プラズマ処理装置及びプラズマ処理データを解析する解析方法 |
| JP6875224B2 (ja) * | 2017-08-08 | 2021-05-19 | 株式会社日立ハイテク | プラズマ処理装置及び半導体装置製造システム |
| US11282695B2 (en) * | 2017-09-26 | 2022-03-22 | Samsung Electronics Co., Ltd. | Systems and methods for wafer map analysis |
-
2019
- 2019-04-26 JP JP2019086216A patent/JP2020181959A/ja active Pending
-
2020
- 2020-04-13 TW TW109112293A patent/TW202044406A/zh unknown
- 2020-04-17 CN CN202010305849.5A patent/CN111860859A/zh active Pending
- 2020-04-23 KR KR1020200049146A patent/KR20200125491A/ko unknown
- 2020-04-24 US US16/857,384 patent/US11556853B2/en active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2014514727A (ja) | 2011-02-17 | 2014-06-19 | 東京エレクトロン株式会社 | 光学計測及びセンサ装置を用いるエッチングプロセス制御 |
| JP2017536584A (ja) | 2014-11-25 | 2017-12-07 | ストリーム モザイク，インコーポレイテッド | 半導体製造プロセスのための改善されたプロセス制御技術 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2020181959A (ja) | 2020-11-05 |
| TW202044406A (zh) | 2020-12-01 |
| US11556853B2 (en) | 2023-01-17 |
| CN111860859A (zh) | 2020-10-30 |
| US20200342357A1 (en) | 2020-10-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116415691B (zh) | 用于构建器件的维度的空间分布的预测模型的方法和系统 | |
| Chen et al. | Nonnegative least-mean-square algorithm | |
| Carlo | Markov chain monte carlo and gibbs sampling | |
| KR101571928B1 (ko) | 분석 방법, 분석 장치 및 에칭 처리 시스템 | |
| JP7408653B2 (ja) | 非定常性機械性能の自動分析 | |
| KR102033438B1 (ko) | 플라즈마 처리 장치 및 플라즈마 처리 장치 상태 예측 방법 | |
| KR20200125491A (ko) | 학습 방법, 관리 장치 및 관리 프로그램 | |
| US11410836B2 (en) | Analysis method and semiconductor etching apparatus | |
| US9464936B2 (en) | Plasma processing apparatus and analyzing apparatus | |
| JP6650258B2 (ja) | プラズマ処理装置及びプラズマ処理装置の運転方法 | |
| KR101656745B1 (ko) | 플라즈마 처리 장치 및 플라즈마 처리 장치의 운전 방법 | |
| KR20210067920A (ko) | 예측 장치, 예측 방법 및 예측 프로그램 | |
| CN109040084B (zh) | 一种网络流量异常检测方法、装置、设备及存储介质 | |
| Lynn et al. | Virtual metrology for plasma etch using tool variables | |
| US20040200718A1 (en) | Plasma processing method and apparatus | |
| JP6643202B2 (ja) | プラズマ処理装置及びプラズマ処理データを解析する解析方法 | |
| Sogawa et al. | An experimental comparison of linear non-Gaussian causal discovery methods and their variants | |
| KR102330367B1 (ko) | 플라즈마 스펙트럼 데이터의 보정 방법 및 이를 위한 스마트센서 | |
| CN113491105B (zh) | 学习设备、学习方法、存储有控制程序的非暂时性计算机可读介质、以及估计设备 | |
| CN115201619B (zh) | 用于检测激光发射器稳定性的方法、设备和介质 | |
| US20220075358A1 (en) | Analysis device, plasma process control system, and recording medium | |
| JP7135025B2 (ja) | 情報処理装置、情報処理方法およびプログラム | |
| EP3806447A1 (en) | Imaging control device, imaging control method, and program | |
| Zvyagolska et al. | State evaluation of Non-Stationary telecommunication system | |
| CN111985673A (zh) | 预测装置、预测系统、预测方法以及记录介质 |