KR20210067920A - 예측 장치, 예측 방법 및 예측 프로그램 - Google Patents

예측 장치, 예측 방법 및 예측 프로그램 Download PDF

Info

Publication number
KR20210067920A
KR20210067920A KR1020200161842A KR20200161842A KR20210067920A KR 20210067920 A KR20210067920 A KR 20210067920A KR 1020200161842 A KR1020200161842 A KR 1020200161842A KR 20200161842 A KR20200161842 A KR 20200161842A KR 20210067920 A KR20210067920 A KR 20210067920A
Authority
KR
South Korea
Prior art keywords
unit
processing
series data
state information
data group
Prior art date
Application number
KR1020200161842A
Other languages
English (en)
Inventor
다쿠로 츠츠이
Original Assignee
도쿄엘렉트론가부시키가이샤
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 도쿄엘렉트론가부시키가이샤 filed Critical 도쿄엘렉트론가부시키가이샤
Publication of KR20210067920A publication Critical patent/KR20210067920A/ko

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
    • G05B19/4187—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow by tool management
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/80—Management or planning

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Manufacturing & Machinery (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Primary Health Care (AREA)
  • Medical Informatics (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • General Factory Administration (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

본 개시 내용의 일 양태에서는, 제조 프로세스에서 대상물의 처리에 수반하여 측정된 시계열 데이터군을 이용한 예측 장치, 예측 방법 및 예측 프로그램을 제공하는데, 예를 들어, 예측 장치는, 제조 프로세스의 소정 처리 단위에 있어 대상물의 처리에 수반하여 측정된 시계열 데이터군과, 당해 대상물을 처리했을 때에 취득된 장치 상태 정보를 취득하는 취득부와, 취득된 상기 시계열 데이터군 및 상기 장치 상태 정보를 처리하는 복수 개의 네트워크부와 당해 복수 개의 네트워크부를 이용하여 처리함으로써 출력된 각 출력 데이터를 합성하는 연결부를 포함하며, 상기 연결부로부터 출력된 합성 결과가 상기 제조 프로세스의 상기 소정 처리 단위에서 상기 대상물을 처리했을 때에 취득된 상기 제조 프로세스 내 상태를 나타내는 품질 지표값에 근접하도록 상기 복수 개의 네트워크부 및 상기 연결부에 대해 기계 학습을 실행하는 학습부를 포함한다.

Description

예측 장치, 예측 방법 및 예측 프로그램{PREDICTING APPARATUS, PREDICTING METHOD, AND PREDICTING PROGRAM}
본 개시 내용은 예측 장치, 예측 방법 및 예측 프로그램에 관한 것이다.
종래에 각종 제조 프로세스의 분야에서는, 대상물의 처리 갯수, 처리 시간 등의 적산값을 관리함으로써, 제조 프로세스 내 장치 등의 추정 항목에 대해 추정이 행해지고 있다. 또한, 이들 추정 결과에 기초하여 각 부품의 교환 시기, 프로세스의 유지보수 시기 등에 관한 예측이 이루어지고 있다.
한편, 제조 프로세스에서는, 대상물의 처리에 수반하여 여러 데이터가 측정되는데, 측정된 데이터 세트(복수 개 종류의 시계열 데이터의 데이터 세트, 이하에서는, "시계열 데이터군"이라 함)에는 상기의 각 추정 항목과 관련된 데이터도 포함된다.
일본국 공개특허공보 특개2011-100211호
본 개시 내용은, 제조 프로세스에서 대상물의 처리에 수반하여 측정된 시계열 데이터군을 이용한 예측 장치, 예측 방법 및 예측 프로그램을 제공한다.
본 개시 내용의 일 양태에 따른 예측 장치는, 예를 들어, 이하와 같은 구성을 갖는다. 즉, 제조 프로세스의 소정 처리 단위에 있어 대상물의 처리에 수반하여 측정된 시계열 데이터군과 당해 대상물을 처리했을 때에 취득된 장치 상태 정보를 취득하는 취득부와, 취득된 상기 시계열 데이터군 및 상기 장치 상태 정보를 처리하는 복수 개의 네트워크부와 당해 복수 개의 네트워크부를 이용하여 처리함으로써 출력된 각 출력 데이터를 합성하는 연결부를 포함하며, 상기 연결부로부터 출력된 합성 결과가 상기 제조 프로세스의 상기 소정 처리 단위에서 상기 대상물을 처리했을 때에 취득된 상기 제조 프로세스 내 상태를 나타내는 품질 지표값에 근접하도록 상기 복수 개의 네트워크부 및 상기 연결부에 대해 기계 학습을 실행하는 학습부를 포함한다.
본 개시 내용에 의하면, 제조 프로세스에서 대상물의 처리에 수반하여 측정된 시계열 데이터군을 이용한 예측 장치, 예측 방법 및 예측 프로그램을 제공할 수 있다.
도 1은 반도체 제조 프로세스와 예측 장치를 포함하는 시스템의 전체 구성의 일 예를 나타내는 제1 도이다.
도 2는 반도체 제조 프로세스의 소정 처리 단위의 일 예를 나타내는 제1도이다.
도 3은 반도체 제조 프로세스의 소정 처리 단위의 일 예를 나타내는 제2도이다.
도 4는 예측 장치의 하드웨어 구성의 일 예를 나타내는 도면이다.
도 5는 학습용 데이터의 일 예를 나타내는 제1 도이다.
도 6은 시계열 데이터군의 일 예를 나타내는 도면이다.
도 7은 학습부의 기능 구성의 일 예를 나타내는 제1 도이다.
도 8은 분기부의 처리의 구체예를 나타내는 제1 도이다.
도 9는 분기부의 처리의 구체예를 나타내는 제2 도이다.
도 10은 분기부의 처리의 구체예를 나타내는 제3 도이다.
도 11은 각 네트워크부에 포함되는 정규화부의 처리의 구체예를 나타내는 도면이다.
도 12는 분기부의 처리의 구체예를 나타내는 제4 도이다.
도 13은 추론부의 기능 구성의 일 예를 나타내는 제1 도이다.
도 14는 예측 처리의 흐름을 나타내는 제1 플로우 챠트이다.
도 15는 반도체 제조 프로세스와 예측 장치를 포함하는 시스템의 전체 구성의 일 예를 나타내는 제2 도이다.
도 16은 학습용 데이터의 일 예를 나타내는 제2 도이다.
도 17은 OES 데이터의 일 예를 나타내는 도면이다.
도 18은 OES 데이터가 입력되는 각 네트워크부에 포함되는 정규화부의 처리의 구체예를 나타내는 도면이다.
도 19는 각 정규화부의 처리의 구체예를 나타내는 도면이다.
도 20은 풀링부의 처리의 구체예를 나타내는 도면이다.
도 21은 추론부의 기능 구성의 일 예를 나타내는 제2 도이다.
도 22는 예측 처리의 흐름을 나타내는 제2 플로우 챠트이다.
이하에서는, 첨부 도면을 참조하여 각 실시형태에 대해 설명한다. 한편, 본 명세서 및 도면에 있어, 실질적으로 동일한 기능 구성을 갖는 구성 요소에 대해서는, 동일한 부호를 붙임으로써 중복되는 설명을 생략한다.
[제1 실시형태]
<반도체 제조 프로세스와 예측 장치를 포함하는 시스템의 전체 구성>
먼저, 제조 프로세스(여기에서는 반도체 제조 프로세스)와 예측 장치를 포함하는 시스템의 전체 구성에 대해 설명한다. 도 1은 반도체 제조 프로세스와 예측 장치를 포함하는 시스템의 전체 구성의 일 예를 나타내는 제1 도이다. 도 1에 나타내는 바와 같이, 시스템(100)은 반도체 제조 프로세스, 시계열 데이터 취득 장치(140_1~140_n), 예측 장치(160)를 구비한다.
반도체 제조 프로세스에서는, 소정의 처리 단위(120)에 있어 대상물(처리 전 웨이퍼(110))를 처리하여 결과물(처리 후 웨이퍼(130))을 생성한다. 한편, 여기에서 말하는 처리 단위(120)는 추상적 개념이며, 상세하게는 후술하기로 한다. 또한, 처리 전 웨이퍼(110)는 처리 단위(120)에 있어 처리되기 전의 웨이퍼(기판)를 가리키며, 처리 후 웨이퍼(130)는 처리 단위(120)에 있어 처리된 후의 웨이퍼(기판)를 가리킨다.
시계열 데이터 취득 장치(140_1~140_n)는 각각, 처리 단위(120)에 있어 처리 전 웨이퍼(110)의 처리에 수반하여 측정된 시계열 데이터를 취득한다. 시계열 데이터 취득 장치(140_1~140_n)는 서로 다른 종류의 측정 항목에 대해 측정하는 것으로 한다. 한편, 시계열 데이터 취득 장치(140_1~140_n) 각각이 측정하는 측정 항목의 갯수는 1개일 수도 있으며 복수 개일 수도 있다. 또한, 처리 전 웨이퍼(110)의 처리에 수반하여 측정된 시계열 데이터에는, 처리 전 웨이퍼(110)의 처리 중에 측정된 시계열 데이터 외에도, 처리 전 웨이퍼(110)의 처리 전후에 이루어지는 전처리, 후처리시에 측정된 시계열 데이터도 포함된다. 이들 처리에는, 웨이퍼(기판)가 없는 상태에서 행해지는 전처리, 후처리가 포함될 수도 있다.
시계열 데이터 취득 장치(140_1~140_n)에 의해 취득된 시계열 데이터군은 학습용 데이터(입력 데이터)로서 예측 장치(160)의 학습용 데이터 저장부(163)에 저장된다.
한편, 처리 단위(120)에 있어 처리 전 웨이퍼(110)가 처리됐을 때에는 장치 상태 정보가 취득되며, 시계열 데이터군에 대응지어져 학습용 데이터(입력 데이터)로서 예측 장치(160)의 학습용 데이터 저장부(163)에 저장된다.
장치 상태 정보에는, 적산 데이터, 반도체 제조 프로세스 내 부품(예를 들어, F/R, C/R, 셀, 전극 등)의 열화를 나타내는 정보, 반도체 제조 프로세스의 처리 공간(예를 들어, 챔버) 내의 벽 등과 같은 부재의 열화를 나타내는 정보, 반도체 제조 프로세스 내 부품에 퇴적되는 데포(depo) 막의 두께 등에 관한 정보 등이 포함된다. 여기에서, 적산 데이터는, 예를 들어, 반도체 제조 프로세스에서의 처리 갯수 적산값, 반도체 제조 프로세스에서의 처리 시간 적산값(포커스 링(F/R), 커버 링(C/R), 셀, 전극 등 소정 부품의 사용 시간 적산값), 반도체 제조 프로세스에서 성막된 막 두께 적산값, 유지보수를 관리하기 위한 누적값 등일 수 있다. 한편, 장치 상태 정보는, 부품의 교환, 클리닝 등을 실시함으로써 리셋되며 대상마다 개별적으로 처리되는 정보이다.
또한, 처리 단위(120)에서 처리 전 웨이퍼(110)가 처리되었을 때에는 품질 지표값이 취득되는데, 시계열 데이터군에 대응지어 학습용 데이터(정답 데이터)로서 예측 장치(160)의 학습용 데이터 취득부(163)에 저장된다. 품질 지표값은 반도체 제조 프로세스 내의 상태를 나타내는 정보(에칭율, CD, 막두께, 막질, 파티클 수 등과 같이 처리 공간 내의 상태가 반영된 임의의 값)이다. 품질 지표값은, 직접 계측되는 값일 수도 있으며, 간접적으로 산출되는 추정값일 수도 있다.
예측 장치(160)에는 예측 프로그램이 인스톨되어 있으며, 당해 프로그램이 실행됨으로써, 예측 장치(160)는 학습부(161) 및 추론부(162)로서 기능한다.
학습부(161)는 학습용 데이터(시계열 데이터 취득 장치(140_1~140_n)에서 취득된 시계열 데이터군 및 당해 시계열 데이터군에 대응지어진 장치 상태 정보와, 품질 지표값)을 이용하여 기계 학습을 실행한다.
구체적으로, 학습부(161)는, 복수 개의 네트워크부를 이용하여 시계열 데이터군 및 장치 상태 정보(입력 데이터)를 처리하여 출력된 각 출력 데이터의 합성 결과가 품질 지표값(정답 데이터)에 근접하도록, 당해 복수 개의 네트워크부에 대해 기계 학습을 실행한다.
추론부(162)는, 기계 학습된 복수 개의 네트워크부에, 처리 단위(120)에서의 새로운 대상물(처리 전 웨이퍼)의 처리에 수반하여 시계열 데이터 취득 장치(140_1~140_n)에서 취득된 시계열 데이터군 및 장치 상태 정보를 입력한다. 이로써, 추론부(162)는 새로운 처리 전 웨이퍼 처리에 수반하여 취득된 시계열 데이터 및 장치 상태 정보에 기초하여 품질 지표값을 추론한다.
한편, 추론부(162)는 장치 상태 정보를 바꾸어 가며 시계열 데이터군을 반복 입력하여 장치 상태 정보마다 품질 지표값을 추론한다. 그리고, 추론부(162)는 품질 지표값이 소정 역치에 도달할 때의 장치 상태 정보를 특정한다. 이로써 추론부(162)에 의하면, 반도체 제조 프로세스 내 부품의 교환 시기, 반도체 제조 프로세스의 유지보수 시기 등을 적확하게 예측할 수 있다.
이와 같이, 본 실시형태에 따른 예측 장치(160)에서는, 대상물의 처리에 수반하여 취득된 시계열 데이터군 및 대상물을 처리했을 때에 취득된 품질 지표값을 추정하고서, 각 부품의 교환 시기, 반도체 제조 프로세스의 유지보수 시기 등을 예측한다. 이로써, 대상물의 처리 갯수, 처리 시간 등의 적산값만으로부터 각 부품의 교환 시기, 반도체 제조 프로세스의 유지보수 시기 등을 예측하는 경우에 비해, 예측 정확도를 향상시킬 수 있다.
또한, 본 실시형태에 따른 예측 장치(160)에서는, 대상물의 처리에 수반하여 취득된 시계열 데이터군을, 복수 개의 네트워크부를 이용하여 처리한다. 이로써, 소정 처리 단위의 시계열 데이터군을 다면적으로 해석할 수 있게 되어, 예를 들어, 1개의 네트워크부를 이용하여 처리하는 구성에 비해, 높은 추론 정확도를 실현할 수 있게 된다.
<반도체 제조 프로세스의 소정 처리 단위>
이어서, 반도체 제조 프로세스의 소정 처리 단위(120)에 대해 설명한다. 도 2는 반도체 제조 프로세스의 소정 처리 단위의 일 예를 나타내는 제1 도이다. 도 2에 나타내는 바와 같이, 기판 처리 장치의 일 예인 반도체 제조 장치(200)는 복수 개의 챔버(복수 개의 처리 공간의 일 예이며, 도 2의 예에서는 "챔버A"~"챔버C")를 구비하며, 각 챔버에서 웨이퍼가 처리된다.
도 2의 (a)는 복수 개의 챔버를 처리 단위(120)로 정의한 경우를 나타내고 있다. 이 경우, 처리 전 웨이퍼(110)는 챔버 A에서 처리되기 전의 웨이퍼를 가리키며, 처리 후 웨이퍼(130)는 챔버 C에서 처리된 후의 웨이퍼를 가리킨다.
또한, 도 2의 (a)의 처리 단위(120)에 있어, 처리 전 웨이퍼(110)의 처리에 수반하여 측정되는 시계열 데이터군에는, 챔버 A(제1 처리 공간)에서의 웨이퍼 처리에 수반하여 출력되는 시계열 데이터군과, 챔버 B(제2 처리 공간)에서의 웨이퍼 처리에 수반하여 출력되는 시계열 데이터군과, 챔버 C(제3 처리 공간)에서의 웨이퍼 처리에 수반하여 출력되는 시계열 데이터군이 포함된다.
한편, 도 2의 (b)는 하나의 챔버(도 2의 (b)의 예에서는 "챔버 B")를 처리 단위(120)로 정의한 경우를 나타내고 있다. 이 경우, 처리 전 웨이퍼(110)는 챔버 B에서 처리되기 전의 웨이퍼(챔버 A에서 처리된 후의 웨이퍼)를 가리키며, 처리 후 웨이퍼(130)는 챔버 B에서 처리된 후의 웨이퍼(챔버 C에서 처리되기 전의 웨이퍼)를 가리킨다.
또한, 도 2의 (b)의 처리 단위(120)에 있어, 처리 전 웨이퍼(110)의 처리에 수반하여 측정되는 시계열 데이터군에는, 챔버 B에서 처리 전 웨이퍼(110)의 처리에 수반하여 측정되는 시계열 데이터군이 포함된다.
도 3은 반도체 제조 프로세스의 소정 처리 단위의 일 예를 나타내는 제2 도이다. 도 2와 마찬가지로, 반도체 제조 장치(200)는 복수 개의 챔버를 구비하며 각 챔버에서 복수 개의 처리 내용에 따라 웨이퍼가 처리된다.
이 중에서 도 3의 (a)는, 챔버 B에서의 처리 내용 중 전처리와 후처리를 제외한 처리("웨이퍼 처리"라 함)를 처리 단위(120)로 정의한 경우를 나타내고 있다. 이 경우, 처리 전 웨이퍼(110)는 웨이퍼 처리가 행해지기 전의 웨이퍼(전처리가 행해진 후의 웨이퍼)를 가리키며, 처리 후 웨이퍼(130)는 웨이퍼 처리가 행해진 후의 웨이퍼(후처리가 행해지기 전의 웨이퍼)를 가리킨다.
또한, 도 3의 (a)의 처리 단위(120)에 있어, 처리 전 웨이퍼(110)의 처리에 수반하여 측정되는 시계열 데이터군에는, 챔버 B에서 처리 전 웨이퍼(110)의 처리에 수반하여 측정되는 시계열 데이터군이 포함된다.
한편, 도 3의 (a)의 예에서는, 동일 챔버 내(챔버 B 내)에서 전처리, 웨이퍼 처리(본처리), 후처리가 행해지는 경우의 웨이퍼 처리를 처리 단위(120)로 한 경우에 대해 나타내었다. 그러나, 예를 들어, 챔버 A 내에서 전처리, 챔버 B 내에서 웨이퍼 처리, 챔버 C 내에서 후처리가 행해지는 경우와 같이, 서로 다른 챔버에서 각각의 처리가 행해지는 경우에서는, 챔버마다의 각각의 처리를 처리 단위(120)로 할 수도 있다.
한편, 도 3의 (b)는, 챔버 B에서의 처리 내용 중에서, 웨이퍼 처리에 포함되는 하나의 프로세스 레시피(도 3(b)의 예에서는 "프로세스 레시피III")의 처리를 처리 단위(120)로 정의한 경우를 나타내고 있다. 이 경우, 처리 전 웨이퍼(110)는 프로세스 레시피 III의 처리가 행해지기 전의 웨이퍼(프로세스 레시피 II의 처리가 행해진 후의 웨이퍼)를 가리킨다. 또한, 처리 후 웨이퍼(130)는 프로세스 레시피 III의 처리가 행해진 후의 웨이퍼(프로세스 레시피 IV(미도시)의 처리가 행해지기 전의 웨이퍼)를 가리킨다.
또한, 도 3의 (b)의 처리 단위(120)에 있어, 처리 전 웨이퍼(110)의 처리에 수반하여 측정되는 시계열 데이터군에는, 챔버 B에서 프로세스 레시피 III에 의한 처리에 수반하여 측정되는 시계열 데이터군이 포함된다.
<예측 장치의 하드웨어 구성>
이어서, 예측 장치(160)의 하드웨어 구성에 대해 설명한다. 도 4는 예측 장치의 하드웨어 구성의 일 예를 나타내는 도면이다. 도 4에 나타내는 바와 같이, 예측 장치(160)는 CPU(Central Processing Unit, 401), ROM(Read Only Memory, 402), RAM(Random Access Memory, 403)을 구비한다. 또한, 예측 장치(160)는 GPU(Graphics Processing Unit, 404)를 구비한다. 한편, CPU(401), GPU(404) 등과 같은 프로세서(처리 회로, Processing Circuit, Processing Circuitry), ROM(402), RAM(403) 등의 메모리는, 이른바 컴퓨터를 형성한다.
또한, 예측 장치(160)는 보조 기억 장치(405), 표시 장치(406), 조작 장치(407), I/F(Interface) 장치(408), 드라이브 장치(409)를 구비한다. 한편, 예측 장치(160)의 각 하드웨어는 버스(410)를 통해 상호 접속된다.
CPU(401)는 보조 기억 장치(405)에 인스톨된 각종 프로그램(예를 들어, 예측 프로그램 등)을 실행하는 연산 디바이스이다.
ROM(402)은 비휘발성 메모리이며, 주기억 장치로서 기능한다. ROM(402)은 보조 기억 장치(405)에 인스톨된 각종 프로그램을 CPU(401)가 실행시키기 위해 필요한 각종 프로그램, 데이터 등을 저장한다. 구체적으로, ROM(402)은 BIOS(Basic Input/Output System), EFI(Extensible Firmware Interface) 등과 같은 부팅 프로그램 등을 저장한다.
RAM(403)은 DRAM(Dynamic Random Access Memory), SRAM(Static Random Access Memory) 등과 같은 휘발성 메모리이며, 주기억 장치로서 기능한다. RAM(403)은 보조 기억 장치(405)에 인스톨된 각종 프로그램이 CPU(401)에 의해 실행될 때에 전개되는 작업 영역을 제공한다.
GPU(404)는 화상 처리용 연산 디바이스이며, CPU(401)에 의해 예측 프로그램이 실행될 때에 각종 화상 데이터(본 실시형태에서는 시계열 데이터군)에 대해 병렬 처리에 의한 고속 연산을 실행한다. 한편, GPU(404)는 내부 메모리(GPU 메모리)를 탑재하고 있어서, 각종 화상 데이터에 대해 병렬 처리할 때에 필요한 정보를 일시적으로 저장한다.
보조 기억 장치(405)는 각종 프로그램, 각종 프로그램이 CPU(401)에 의해 실행될 때에 사용되는 각종 데이터 등을 저장한다. 예를 들어, 학습용 데이터 저장부(163)는 보조 기억 장치(405)에서 실현된다.
표시 장치(406)는 예측 장치(160)의 내부 상태를 표시하는 표시 디바이스이다. 조작 장치(407)는 예측 장치(160)의 관리자가 예측 장치(160)에 대해 각종 지시를 입력할 때에 사용하는 입력 디바이스이다. I/F 장치(408)는 네트워크(미도시)에 접속되어 통신을 행하기 위한 접속 디바이스이다.
드라이브 장치(409)는 기록 매체(420)를 세팅하기 위한 디바이스이다. 여기에서 말하는 기록 매체(420)에는, CD-ROM, 플렉시블 디스크, 광 자기 디스크 등과 같이 정보를 광학적, 전기적 또는 자기적으로 기록하는 매체가 포함된다. 또한, 기록 매체(420)에는, ROM, 플래쉬 메모리 등과 같이 정보를 전기적으로 기록하는 반도체 메모리 등이 포함될 수 있다.
한편, 보조 기억 장치(405)에 인스톨되는 각종 프로그램은, 예를 들어, 배부된 기록 매체(420)가 드라이브 장치(409)에 세팅되어 당해 기록 매체(420)에 기록된 각종 프로그램이 드라이브 장치(409)에 의해 읽어들여짐으로써 인스톨된다. 또는, 보조 기억 장치(405)에 인스톨되는 각종 프로그램은, 네트워크(미도시)를 통해 다운로드됨으로써 인스톨될 수도 있다.
<학습용 데이터의 구체예>
이어서, 학습부(161)가 기계 학습을 실행할 때에 학습용 데이터 저장부(163)로부터 읽어들이는 학습용 데이터에 대해 설명한다. 도 5는 학습용 데이터의 일 예를 나타내는 제1 도이다. 도 5에 나타내는 바와 같이, 학습용 데이터(500)에는 정보의 항목으로서 "장치", "레시피 종류", "시계열 데이터군", "장치 상태 정보", "품질 지표값"이 포함된다. 한편, 여기에서는 소정의 처리 단위(120)가 하나의 프로그램 레시피 처리인 경우에 대해 설명한다.
"장치"에는, 품질 지표값을 감시하는 대상이 되는 반도체 제조 장치(예를 들어, 반도체 제조 장치(200))를 나타내는 식별자가 저장된다. "레시피 종류"에는, 대응하는 반도체 제조 장치(예를 들어, EqA)에서 실행되는 프로세스 레시피 중, 시계열 데이터군이 측정되었을 때에 실행된 프로세스 레시피의 종류를 나타내는 식별자(예를 들어, 프로세스 레시피 I)가 저장된다.
"시계열 데이터군"은, "장치"에 의해 특정되는 반도체 제조 장치에서 "레시피 종류"에 의해 특정되는 프로세스 레시피의 처리가 실행되었을 때에, 시계열 데이터 취득 장치(140_1~140_n)에 의해 측정된 시계열 데이터군이 저장된다.
"장치 상태 정보"에는, 시계열 데이터 취득 장치(140_1~140_n)에 의해, 대응하는 시계열 데이터군(예를 들어, 시계열 데이터군 1)이 측정된 후에, 취득된 장치 상태 정보가 저장된다.
"품질 지표값"에는, 시계열 데이터 취득 장치(140_1~140_n)에 의해, 대응하는 시계열 데이터군(예를 들어, 시계열 데이터군 1)이 측정된 후에, 취득된 품질 지표값이 저장된다.
<시계열 데이터군의 구체예>
이어서, 시계열 데이터 취득 장치(140_1~140_n)에 의해 측정되는 시계열 데이터군의 구체예에 대해 설명한다. 도 6은 시계열 데이터군의 일 예를 나타내는 도면이다. 한편, 도 6의 예에서는, 설명의 간략화를 위해, 시계열 데이터 취득 장치(140_1~140_n)가 각각 1차원 데이터를 측정하는 것으로 하고 있으나, 하나의 시계열 데이터 취득 장치가 2차원 데이터(복수 개 종류의 1차원 데이터의 데이터 세트)를 측정할 수도 있다.
이 중, 도 6의 (a)는 처리 단위(120)가 도 2의 (b), 도 3의 (a), (b) 중에서 정의된 경우의 시계열 데이터군을 나타내고 있다. 이 경우, 시계열 데이터 취득 장치(140_1~140_n)는 각각 챔버 B에서 처리 전 웨이퍼(110)의 처리에 수반하여 측정된 시계열 데이터를 취득한다. 또한, 시계열 데이터 취득 장치(140_1~140_n)는 서로 동일한 시간 범위에서 측정된 시계열 데이터를 시계열 데이터군으로서 취득한다.
한편, 도 6의 (b)는 처리 단위(120)가 도 2의 (a)에서 정의된 경우의 시계열 데이터군을 나타내고 있다. 이 경우, 시계열 데이터 취득 장치(140_1~140_3)는, 예를 들어, 챔버 A에서 처리 전 웨이퍼의 처리에 수반하여 측정된 시계열 데이터군 1을 취득한다. 또한, 시계열 데이터 취득 장치(140_1~140_n-2)는, 예를 들어, 챔버 B에서 당해 웨이퍼 처리에 수반하여 측정된 시계열 데이터군 2를 취득한다. 또한, 시계열 데이터 취득 장치(140_1~140_n)는, 예를 들어, 챔버 C에서 당해 웨이퍼 처리에 수반하여 측정된 시계열 데이터군 3을 취득한다.
한편, 도 6의 (a)에서 시계열 데이터 취득 장치(140_1~140_n)는, 챔버 B에서 처리 전 웨이퍼의 처리에 수반하여 측정된, 동일 시간 범위의 시계열 데이터를, 시계열 데이터군으로서 취득하는 경우에 대해 나타내었다. 그러나, 시계열 데이터 취득 장치(140_1~140_n)는, 챔버 B에서 처리 전 웨이퍼의 처리에 수반하여 측정된, 서로 다른 시간 범위의 시계열 데이터를, 시계열 데이터군으로서 취득할 수도 있다.
구체적으로, 시계열 데이터 취득 장치(140_1~140_n)는, 전처리를 실행하는 중에 측정된 복수 개의 시계열 데이터를 시계열 데이터군 1로서 취득할 수 있다. 또한, 시계열 데이터 취득 장치(140_1~140_n)는, 웨이퍼 처리를 실행하는 중에 측정된 복수 개의 시계열 데이터를 시계열 데이터군 2로서 취득할 수 있다. 또한, 시계열 데이터 취득 장치(140_1~140_n)는, 후처리를 실행하는 중에 측정된 복수 개의 시계열 데이터를 시계열 데이터군 3으로서 취득할 수 있다.
마찬가지로, 시계열 데이터 취득 장치(140_1~140_n)는, 프로세스 레시피 I을 실행하는 중에 측정된 복수 개의 시계열 데이터를 시계열 데이터군 1로서 취득할 수 있다. 또한, 시계열 데이터 취득 장치(140_1~140_n)는, 프로세스 레시피 II를 실행하는 중에 측정된 복수 개의 시계열 데이터를 시계열 데이터군 2로서 취득할 수 있다. 또한, 시계열 데이터 취득 장치(140_1~140_n)는, 프로세스 레시피 III을 실행하는 중에 측정된 복수 개의 시계열 데이터를 시계열 데이터군 3으로서 취득할 수 있다.
<학습부의 기능 구성>
이어서, 학습부(161)의 기능 구성에 대해 설명한다. 도 7은 학습부의 기능 구성의 일 예를 나타내는 제1 도이다. 학습부(161)는 분기부(710), 제1 네트워크부(720_1)~제M 네트워크부(720_M), 연결부(730), 비교부(740)를 구비한다.
분기부(710)는, 취득부의 일 예이며, 학습용 데이터 저장부(163)로부터 시계열 데이터군과 당해 시계열 데이터군에 대응지어진 장치 상태 정보를 읽어들인다.
또한, 분기부(710)는, 시계열 데이터군 및 장치 상태 정보가 제1 네트워크부(720_1)~제M 네트워크부(720_M)의 복수 개의 네트워크부에 의해 처리되도록, 복수 개의 네트워크부로의 입력을 제어한다.
제1 네트워크부(720_1)~제M 네트워크부(720_M)는, 컨볼루션 신경 네트워크(CNN: Convolutional Neural Network)를 베이스로 하여 구성되며, 복수 개의 층을 갖는다.
구체적으로, 제1 네트워크부(720_1)는 제1층(720_11)~제N층(720_1N)을 갖는다. 마찬가지로, 제2 네트워크부(720_2)는 제1층(720_21)~제N층(720_2N)을 갖는다. 그 이하에서도 마찬가지의 구성을 가져서, 제M 네트워크부(720_M)는 제1층(720_M1)~제N층(720_MN)을 갖는다.
제1 네트워크부(720_1)의 제1층(720_11)~제N층(720_1N)의 각 층에서는, 정규화 처리, 컨볼루션 처리, 활성화 처리, 풀링(pooling) 처리 등의 각종 처리가 행해진다. 또한, 제2 네트워크부(720_2)~제M 네트워크부(720_M)의 각 층에서도 마찬가지의 각종 처리가 행해진다.
연결부(730)는, 제1 네트워크부(720_1)의 제N층(720_1N)에서 출력된 출력 데이터로부터 제M 네트워크부(720_M)의 제N층(720_MN)에서 출력된 출력 데이터까지의 각 출력 데이터를 합성하고, 합성 결과를 비교부(740)에 출력한다.
비교부(740)는 연결부(730)에서 출력된 합성 결과와, 학습용 데이터 저장부(163)로부터 읽어들인 품질 지표값(정답 데이터)를 비교하여, 오차를 산출한다. 학습부(161)에서는, 비교부(740)에 의해 산출된 오차가 소정 조건을 충족하도록 오차를 역 전파하여, 제1 네트워크부(720_1)~제M 네트워크부(720_M) 및 연결부(730)에 대해 기계 학습을 행한다.
이로써 제1 네트워크부((720_1)~제M 네트워크부(720_M)의 제1층~제N층 각각의 모델 파라미터 및 연결부(730)의 모델 파라미터가 최적화된다.
<학습부의 각 부의 처리 상세>
이어서, 학습부(161)의 각 부(여기에서는, 특히, 분기부)의 처리에 대해, 구체예를 들어 상세하게 설명한다.
(1)분기부에 의한 처리의 상세 1
먼저, 분기부(710)의 처리에 대해 상세하게 설명한다. 도 8은 분기부 처리의 구체예를 나타내는 제1 도이다. 도 8의 경우, 분기부(710)는, 시계열 데이터 취득 장치(140_1~140_n)에 의해 측정된 시계열 데이터군을 제1 기준에 따라 가공함으로써 시계열 데이터군 1(제1 시계열 데이터군)을 생성하여, 제1 네트워크부(720_1)에 입력한다.
또한, 분기부(710)는, 시계열 데이터 취득 장치(140_1~140_n)에 의해 측정된 시계열 데이터군을 제2 기준에 따라 가공함으로써 시계열 데이터군 2(제2 시계열 데이터군)을 생성하여, 제2 네트워크부(720_2)에 입력한다.
또한, 분기부(710)는 장치 상태 정보를 제1 네트워크부(720_1)의 제1층(720_11)~제N층(720_1N) 중의 어느 층에 입력한다. 분기부(710)에 의해 입력된 층 내에서, 장치 상태 정보는 컨볼루션 처리되는 신호와 결합된다. 한편, 장치 상태 정보는, 제1 네트워크부(720_1)에서 첫번째 층으로 입력되어 첫번째 층 내에서 컨볼루션 처리되는 신호와 결합되면 보다 바람직하다.
또한, 분기부(710)는 장치 상태 정보를 제2 네트워크부(720_2)의 제1층(720_21)~제N층(720_2N) 중의 어느 층에 입력한다. 분기부(710)에 의해 입력된 층 내에서, 장치 상태 정보는 컨볼루션 처리되는 신호와 결합된다. 한편, 장치 상태 정보는, 제2 네트워크부(720_2)에서 첫번째 층으로 입력되어 첫번째 층 내에서 컨볼루션 처리되는 신호와 결합되면 보다 바람직하다.
이와 같이 시계열 데이터군을 서로 다른 기준에 따라 가공하고서 각각 다른 네트워크부에 나누어 처리하는 구성으로 하여 기계 학습을 실행함으로써, 처리 단위(120)를 다면적으로 해석할 수 있게 된다. 그 결과, 시계열 데이터군을 하나의 네트워크부를 이용하여 처리하는 구성으로 한 경우에 비해, 높은 추론 정확도를 실현하는 모델(추론부(162))을 생성할 수 있게 된다.
한편, 도 8의 예에서는, 2종류의 기준에 따라 시계열 데이터군을 가공함으로써 2종류의 시계열 데이터군을 생성하는 경우에 대해 나타내었다. 그러나, 3종류 이상의 기준에 따라 시계열 데이터군을 가공함으로써 3종류 이상의 시계열 데이터군을 생성할 수도 있다.
(2)분기부에 의한 처리의 상세 2
이어서, 분기부(710)의 다른 처리에 대해 상세하게 설명한다. 도 9는 분기부 처리의 구체예를 나타내는 제2 도이다. 도 9의 경우, 분기부(710)는, 시계열 데이터 취득 장치(140_1~140_n)에 의해 측정된 시계열 데이터군을 데이터 종류에 따라 그룹지음으로써, 시계열 데이터군 1(제1 시계열 데이터군)과 시계열 데이터군 2(제2 시계열 데이터군)을 생성한다. 또한, 분기부(710)는, 생성된 시계열 데이터군 1을 제3 네트워크부(720_3)에 입력하고, 생성된 시계열 데이터군 2를 제4 네트워크부(720_4)에 입력한다.
또한, 분기부(710)는 장치 상태 정보를 제3 네트워크부(720_3)의 제1층(720_31)~제N층(720_3N) 중의 어느 층에 입력한다. 분기부(710)에 의해 입력된 층 내에서, 장치 상태 정보는 컨볼루션 처리되는 신호와 결합된다. 한편, 장치 상태 정보는, 제3 네트워크부(720_3)에서 첫번째 층으로 입력되어 첫번째 층 내에서 컨볼루션 처리되는 신호와 결합되면 보다 바람직하다.
또한, 분기부(710)는 장치 상태 정보를 제4 네트워크부(720_4)의 제1층(720_41)~제N층(720_4N) 중의 어느 층에 입력한다. 분기부(710)에 의해 입력된 층 내에서, 장치 상태 정보는 컨볼루션 처리되는 신호와 결합된다. 한편, 장치 상태 정보는, 제4 네트워크부(720_4)에서 첫번째 층으로 입력되어 첫번째 층 내에서 컨볼루션 처리되는 신호와 결합되면 보다 바람직하다.
이와 같이 시계열 데이터군을 데이터 종류에 따라 복수 개의 그룹으로 분류하고 서로 다른 네트워크부를 이용하여 처리하는 구성으로 하여 기계 학습을 실행함으로써, 처리 단위(120)를 다면적으로 해석할 수 있게 된다. 그 결과, 시계열 데이터군을 하나의 네트워크부에 입력하여 기계 학습을 하는 경우에 비해, 높은 추론 정확도를 실현하는 모델(추론부(162))을 생성할 수 있게 된다.
한편, 도 9의 예에서는, 시계열 데이터 취득 장치(140_1~140_n)의 차이에 따른 데이터 종류의 차이에 따라, 시계열 데이터군을 그룹지었다. 그러나, 데이터가 취득된 시간 범위에 따라 시계열 데이터군을 그룹지을 수도 있다. 예를 들어, 시계열 데이터군을 복수 개의 프로세스 레시피(프로세스 레시피 I~III)에 의한 처리에 수반하여 측정된 시계열 데이터군(시계열 데이터군 1~3)이라고 하자. 이 경우에는, 프로세스 레시피별 시간 범위에 따라 시계열 데이터군을 3개로 그룹지을 수도 있다.
(3)분기부에 의한 처리의 상세 3
이어서, 분기부(710)에 의한 다른 처리에 대해 상세하게 설명한다. 도 10은 분기부 처리의 구체예를 나타내는 제3도이다. 도 10의 경우, 분기부(710)는, 시계열 데이터 취득 장치(140_1~140_n)에 의해 취득된 시계열 데이터군을 제5 네트워크부(720_5)와 제6 네트워크부(720_6) 양쪽에 입력한다. 그리고, 제5 네트워크부(720_5)와 제6 네트워크부(720_6)에서 같은 시계열 데이터군에 대해 서로 다른 처리(정규화 처리)를 한다.
도 11은 각 네트워크부에 포함되는 정규화부의 처리의 구체예를 나타내는 도면이다. 도 11에서 제1층에 대해 예시로 나타내는 바와 같이, 제5 네트워크부(720_5)의 각 층에는, 정규화부, 컨볼루션부, 활성화 함수부, 풀링부가 포함된다.
도 11의 예는, 제5 네트워크부(720_5)에 포함되는 각 층 중 제1층(720_51)에 정규화부(1101), 컨볼루션부(1102), 활성화 함수부(1103), 풀링부(1104)가 포함되는 것을 나타내고 있다.
이 중에서 정규화부(1101)에서는, 분기부(710)에 의해 입력된 시계열 데이터군에 대해 제1 정규화 처리를 행하여 정규화 시계열 데이터군 1(제1 시계열 데이터군)을 생성한다. 정규화 시계열 데이터군 1은 분기부(710)에 의해 입력된 장치 상태 정보와 결합되어 컨볼루션부(1102)로 입력된다. 한편, 정규화부(1101)에 의한 제1 정규화 처리와, 정규화 시계열 데이터군 1과 장치 상태 정보의 결합은, 제1층(720_51) 이외의 다른 층 내에서 이루어질 수도 있다. 다만, 제5 네트워크부(720_5)의 첫번째 층 내에서 이루어지면 보다 바람직하다.
마찬가지로, 도 11의 예에서는, 제6 네트워크부(720_6)에 포함되는 각 층 중에서 제1층(720_61)에 정규화부(1111), 컨볼루션부(1112), 활성화 함수부(1113), 풀링부(1114)가 포함되는 것을 나타내고 있다.
이 중에서 정규화부(1111)에서는, 분기부(710)에 의해 입력된 시계열 데이터군에 대해 제2 정규화 처리를 행하여 정규화 시계열 데이터군 2(제2 시계열 데이터군)을 생성한다. 정규화 시계열 데이터군 2는 분기부(710)에 의해 입력된 장치 상태 정보와 결합되어 컨볼루션부(1112)로 입력된다. 한편, 정규화부(1111)에 의한 제2 정규화 처리와, 정규화 시계열 데이터군 2와 장치 상태 정보의 결합은, 제1층(720_61) 이외의 다른 층 내에서 이루어질 수도 있다. 다만, 제6 네트워크부(720_6)의 첫번째 층 내에서 이루어지면 보다 바람직하다.
이와 같이 서로 다른 수법으로 정규화 처리를 행하는 정규화부를 각각에 포함하는 복수 개의 네트워크부를 이용하여 시계열 데이터군을 처리하는 구성으로 하여 기계 학습을 실행함으로써, 처리 단위(120)를 다면적으로 해석할 수 있게 된다. 그 결과, 시계열 데이터군을 하나의 네트워크부를 이용하여 하나의 정규화 처리를 실행하는 구성으로 한 경우에 비해, 높은 추론 정확도를 실현하는 모델(추론부(162))을 생성할 수 있게 된다.
(4)분기부에 의한 처리의 상세 4
이어서, 분기부(710)에 의한 다른 처리에 대해 상세하게 설명한다. 도 12는 분기부 처리의 구체예를 나타내는 제4 도이다. 도 12의 경우, 분기부(710)는, 시계열 데이터 취득 장치(140_1~140_n)에 의해 측정된 시계열 데이터군 중에서, 챔버 A에서의 웨이퍼의 처리에 수반하여 측정된 시계열 데이터군 1(제1 시계열 데이터군)을 제7 네트워크부(720_7)에 입력한다.
또한, 분기부(710)는, 시계열 데이터 취득 장치(140_1~140_n)에 의해 측정된 시계열 데이터군 중에서, 챔버 B에서의 당해 웨이퍼의 처리에 수반하여 측정된 시계열 데이터군 2(제2 시계열 데이터군)을 제8 네트워크부(720_8)에 입력한다.
또한, 분기부(710)는 챔버 A에서 웨이퍼가 처리되었을 때에 취득된 장치 상태 정보를 제7 네트워크부(720_7)의 제1층(720_71)~제N층(720_7N) 중의 어느 층에 입력한다. 분기부(710)에 의해 입력된 층 내에서, 장치 상태 정보는 컨볼루션 처리되는 신호와 결합된다. 한편, 장치 상태 정보는, 제7 네트워크부(720_7)에서 첫번째 층으로 입력되어 첫번째 층 내에서 컨볼루션 처리되는 신호와 결합되면 보다 바람직하다.
또한, 분기부(710)는 챔버 B에서 웨이퍼가 처리되었을 때에 취득된 장치 상태 정보를 제8 네트워크부(720_8)의 제1층(720_81)~제N층(720_8N) 중의 어느 층에 입력한다. 분기부(710)에 의해 입력된 층 내에서, 장치 상태 정보는 컨볼루션 처리되는 신호와 결합된다. 한편, 장치 상태 정보는, 제8 네트워크부(720_8)에서 첫번째 층으로 입력되어 첫번째 층 내에서 컨볼루션 처리되는 신호와 결합되면 보다 바람직하다.
이와 같이 서로 다른 챔버(제1 처리 공간, 제2 처리 공간)에서의 처리에 수반하여 측정된, 각각의 시계열 데이터군을, 서로 다른 네트워크부를 이용하여 처리하는 구성으로 하여 기계 학습을 실행함으로써, 처리 단위(120)를 다면적으로 해석할 수 있게 된다. 그 결과, 각각의 시계열 데이터군을 하나의 네트워크부를 이용하여 처리하는 구성으로 한 경우에 비해, 높은 추론 정확도를 실현하는 모델(추론부(162))을 생성할 수 있게 된다.
<추론부의 기능 구성>
이어서, 추론부(162)의 기능 구성에 대해 설명한다. 도 13은 추론부의 기능 구성의 일 예를 나타내는 제1 도이다. 도 13에 나타낸 바와 같이, 추론부(162)는 분기부(1310), 제1 네트워크부(1320_1)~제M 네트워크부(1320_M), 연결부(1330), 감시부(1340), 예측부(1350)를 구비한다.
분기부(1310)는 시계열 데이터 취득 장치(140_1~140_N)에 의해 새롭게 측정된 시계열 데이터군과 장치 상태 정보를 취득한다. 또한, 분기부(1310)는, 시계열 데이터군 및 장치 상태 정보가 제1 네트워크부(1320_1)~제M 네트워크부(1320_M)에서 처리되도록 제어한다. 또한, 장치 상태 정보는 바꿀 수 있으며, 분기부(1310)에서는 장치 상태 정보를 바꾸어 가며 시계열 데이터군을 반복해서 입력한다.
제1 네트워크부(1320_1)~제M 네트워크부(1320_M)는, 학습부(161)에 의해 기계 학습이 실행되어 제1 네트워크부(720_1)~제M 네트워크부(720_M)의 각 층의 모델 파라미터가 최적화됨으로써 형성된다.
연결부(1330)는, 학습부(161)에 의해 기계 학습이 실행되어 모델 파라미터가 최적화된 연결부(730)에 의해 형성된다. 연결부(1330)는, 제1 네트워크부(1320_1)의 제N층(1320_1N)으로부터 출력된 출력 데이터에서 제M 네트워크부(1320_M)의 제N층(1320_MN)으로부터 출력된 출력 데이터까지의 각 출력 데이터를 합성한다. 이로써, 연결부(1330)에서는 각각의 장치 상태 정보에 대해 추론 결과(품질 지표값)를 출력한다.
감시부(1340)는, 연결부(1330)에서 출력된 각각의 품질 지표값과, 대응하는 장치 상태 정보를 취득한다. 또한, 감시부(1340)는, 장치 상태 정보를 가로축으로 하고 품질 지표값을 세로축으로 하는 그래프에, 취득된 각각의 품질 지표값과, 대응하는 장치 상태 정보를 플로팅한다. 도 13에서 그래프(1341)는 감시부(1340)에 의해 생성된 그래프의 일 예이다.
예측부(1350)는, 장치 상태 정보마다 취득된 품질 지표값이 소정의 역치(1352)를 처음 초과한 점(도 13의 예에서는 점(1351))의 장치 상태 정보를 특정한다. 또한, 예측부(1350)는, 특정된 장치 상태 정보와 현재의 장치 상태 정보에 기초하여, 반도체 제조 프로세스 내 각 부품의 교환 시기 또는 반도체 제조 프로세스의 유지보수 시기를 예측한다.
한편, 소정의 역치(1352)는, 반도체 제조 프로세스의 유지보수가 필요하게 되는 품질 지표값으로 설정되도록 한다. 또는 소정의 역치(1352)는, 반도체 제조 프로세스 내의 부품 교환이 필요하게 되는 품질 지표값으로 설정되도록 한다.
이와 같이, 추론부(162)는, 소정 처리 단위(120)의 시계열 데이터군을 다면적으로 해석하는 학습부(161)에 의해 기계 학습이 실행됨으로써 생성된다. 그러므로, 추론부(162)는 서로 다른 프로세스 레시피, 서로 다른 챔버, 서로 다른 장치에도 적용할 수가 있다. 또한, 추론부(162)는 동일한 챔버의 유지보수 전후에도 적용할 수 있다. 즉, 본 실시형태에 따른 추론부(162)에 의하면, 예를 들어, 종래와 같이 챔버를 유지보수함에 따라 모델도 같이 유지보수하거나 재학습시킬 필요 등이 없게 된다.
<예측 처리의 흐름>
이어서, 예측 장치(160)에 의한 예측 처리의 전체 흐름에 대해 설명한다. 도 14는 예측 처리의 흐름을 나타내는 제1 플로우 챠트이다.
단계 S1401에서, 학습부(161)는 학습용 데이터로서 시계열 데이터군, 장치 상태 정보, 품질 지표값을 취득한다.
단계 S1402에서, 학습부(161)는 취득된 학습용 데이터 중 시계열 데이터군과 장치 상태 정보를 입력 데이터로, 품질 지표값을 정답 데이터로 하여 기계 학습을 실행한다.
단계 S1403에서, 학습부(161)는 기계 학습을 계속할지 여부를 판정한다. 학습용 데이터를 추가로 취득하여 기계 학습을 계속하는 경우(단계 S1403에서 Yes인 경우)에는, 단계 S1401로 돌아간다. 한편, 기계 학습을 종료하는 경우(단계 S1403에서 No인 경우)에는, 단계 S1404로 진행한다.
단계 S1404에서, 추론부(162)는 기계 학습에 의해 최적화된 모델 파라미터를 반영함으로써 제1 네트워크부(1320_1)~제M 네트워크부(1320_M)를 생성한다.
단계 S1405에서, 추론부(162)는 장치 상태 정보에 초기값을 설정한다.
단계 S1406에서, 추론부(162)는, 새로운 처리 전 웨이퍼의 처리에 수반하여 측정된 시계열 데이터군과 새로운 처리 전 웨이퍼가 처리되었을 때에 취득된 장치 상태 정보를 입력함으로써, 품질 지표값을 추론한다.
단계 S1407에서, 추론부(162)는, 추론한 품질 지표값이 소정의 역치를 초과했는지 여부를 판정한다. 단계 S1407에서, 추론된 품질 지표값이 소정의 역치를 초과하지 않았다고 판정한 경우(단계 S1407에서 No인 경우)에는, 단계 S1408로 진행한다.
단계 S1408에서, 추론부(162)는, 장치 상태 정보를 소정 정도만큼 더한 후에 단계 S1406으로 돌아간다. 추론부(162)에서는, 추론한 품질 지표값이 소정의 역치를 초과했다고 판정될 때까지 장치 상태 정보를 계속해서 더해 간다.
한편, 단계 S1407에서 추론된 품질 지표값이 소정의 역치를 초과했다고 판정된 경우(단계 S1407에서 Yes인 경우)에는, 단계 S1409로 진행한다.
단계 S1409에서, 추론부(162)는 소정의 역치를 초과했을 때의 장치 상태 정보를 특정한다. 또한, 추론부(162)는 특정된 장치 상태 정보에 기초하여 부품의 교환 시기 또는 유지보수 시기를 예측하여 출력한다.
<정리>
이상의 설명으로부터 알 수 있듯이, 제1 실시형태에 따른 예측 장치는,
제조 프로세스의 소정 처리 단위에 있어 대상물의 처리에 수반하여 측정된 시계열 데이터군과 대상물을 처리했을 때에 취득된 장치 상태 정보를 취득하고,
취득된 시계열 데이터군을, 제1 및 제2 기준에 따라 처리함으로써 제1 시계열 데이터군과 제2 시계열 데이터군을 생성하거나, 또는 데이터 종류 또는 시간 범위에 따라 그룹짓고서, 장치 상태 정보와 함께 복수 개의 네트워크부를 이용하여 처리함으로써, 출력된 각 출력 데이터를 합성하거나, 또는
취득된 시계열 데이터군을 서로 다른 수법으로 정규화하는 복수 개의 네트워크부에 각각 입력하고서, 장치 상태 정보와 함께 복수 개의 네트워크부를 이용하여 처리함으로써, 출력된 각 출력 데이터를 합성하며,
각 출력 데이터를 합성함으로써 얻은 합성 결과가 제조 프로세스의 소정 처리 단위에서 대상물을 처리했을 때에 취득된 품질 지표값에 근접하도록, 복수 개의 네트워크부에 대해 기계 학습을 실행하고,
새로운 대상물의 처리에 수반하여 시계열 데이터 취득 장치에 의해 측정된 시계열 데이터군을, 장치 상태 정보를 바꾸어가며 기계 학습된 복수 개의 네트워크부를 이용하여 처리하되, 장치 상태 정보를 바꿀 때마다 복수 개의 네트워크부로부터 출력된 각 출력 데이터의 합성 결과로서 품질 지표값을 추론하며,
장치 상태 정보를 바꾸어 가며 추론한 품질 지표값이 소정 조건을 충족하는지 여부를 판정하고, 소정 조건을 충족한다고 판정했을 때의 장치 상태 정보를 이용하여 부품의 교환 시기 또는 유지보수 시기를 예측한다.
이와 같이, 제1 실시형태에 의하면, 반도체 제조 프로세스에 있어서 대상물의 처리에 수반하여 측정된 시계열 데이터군과 대상물을 처리했을 때에 취득된 장치 상태 정보를 이용한 예측 장치를 제공할 수 있다.
[제2 실시형태]
상기 제1 실시형태에 따른 예측 장치(160)에서는, 취득된 시계열 데이터군 및 장치 상태 정보를 복수 개의 네트워크부를 이용하여 처리하는 구성으로서, 4가지의 구성에 대해 나타내었다. 이에 대해, 제2 실시형태에서는, 이들 4가지의 구성 중에서, 서로 다른 수법으로 정규화 처리하는 정규화부를 각각에 포함하는 복수 개의 네트워크부를 이용하여 시계열 데이터군 및 장치 상태 정보를 처리하는 구성에 대해, 상세하게 추가로 설명한다. 한편, 설명에 있어서는, 시계열 데이터 취득 장치는 발광 분광 분석 장치이고, 시계열 데이터군은 OES(Optical Emission Spectroscopy) 데이터(발광 강도의 시계열 데이터가 파장 종류에 따른 갯수만큼 포함되는 데이터 세트)인 것을 전제로 한다. 이하에서, 제2 실시형태에 대해, 상기 제1 실시형태와의 차이점을 중심으로 설명한다.
<반도체 제조 프로세스와 예측 장치를 포함하는 시스템의 전체 구성>
먼저, 시계열 데이터 취득 장치가 발광 분광 분석 장치인 경우의, 반도체 제조 프로세스와 예측 장치를 포함하는 시스템의 전체 구성에 대해 설명한다. 도 15는 반도체 제조 프로세스와 예측 장치를 포함하는 시스템의 전체 구성의 일 예를 나타내는 제2 도이다. 도 15에 나타내는 바와 같이, 시스템(1500)은 반도체 제조 프로세스, 발광 분광 분석 장치(1501), 예측 장치(160)를 구비한다.
도 15에 나타내는 시스템(1500)에서, 발광 분광 분석 장치(1501)는, 발광 분광 분석 기술에 의해, 처리 단위(120)에서의 처리 전 웨이퍼(110) 처리에 수반하여 시계열 데이터군인 OES 데이터를 측정한다. 발광 분광 분석 장치(1501)에 의해 측정된 OES 데이터는, 그 일부가 기계 학습을 행할 때의 학습용 데이터(입력 데이터)로서 예측 장치(160)의 학습용 데이터 저장부(163)에 저장된다.
<학습용 데이터의 구체예>
이어서, 학습부(161)가 기계 학습을 실행할 때에 학습용 데이터 저장부(163)로부터 읽어들이는 학습용 데이터에 대해 설명한다. 도 16은 학습용 데이터의 일 예를 나타내는 제2 도이다. 도 16에 나타내는 바와 같이, 학습용 데이터(1600)에는, 정보 항목으로서, 도 5에 나타낸 학습용 데이터(500)의 정보 항목과 마찬가지의 정보 항목이 포함된다. 도 5와의 차이점은, 정보 항목으로서 "시계열 데이터군"이 아니라 "OES 데이터"가 포함되어, 발광 분광 분석 장치(1501)에 의해 측정된 OES 데이터가 저장되어 있는 점이다.
<OES 데이터의 구체예>
이어서, 발광 분광 분석 장치(1501)에서 측정되는 OES 데이터의 구체예에 대해 설명한다. 도 17은 OES 데이터의 일 예를 나타내는 도면이다.
도 17에서 그래프(1710)는, 발광 분광 분석 장치(1501)에서 측정되는 시계열 데이터군인 OES 데이터의 특성을 나타낸 그래프인데, 가로축은 처리 단위(120)에서 처리된 각 처리 전 웨이퍼(110)를 식별하기 위한 웨이퍼 식별 번호를 나타내고 있다. 또한, 세로축은 각 처리 전 웨이퍼(110)의 처리에 수반하여 발광 분광 분석 장치(1501)에서 측정된 OES 데이터의 시간 길이를 나타내고 있다.
그래프(1710)에 나타내는 바와 같이, 발광 분광 분석 장치(1501)에서 측정되는 OES 데이터는, 처리되는 웨이퍼마다 시간 길이가 다르다.
도 17의 예에서, 예를 들어, OES 데이터(1720)는, 웨이퍼 식별번호"745"의 처리 전 웨이퍼의 처리에 수반하여 측정된 OES 데이터를 나타내고 있다. OES 데이터(1720)의 세로 방향 데이터 크기는, 발광 분광 분석 장치(1501)에서 측정되는 파장의 범위에 의존한다. 제2 실시형태에서 발광 분광 분석 장치(1501)는 소정의 파장 범위의 발광 강도를 측정하므로, OES 데이터(1720)의 세로 방향 데이터 크기는, 예를 들어, 소정의 파장 범위에 포함되는 파장 갯수 "Nλ"로 된다.
한편, OES 데이터(1720)의 가로 방향 데이터 크기는, 발광 분광 분석 장치(1501)에서 측정되었을 때의 시간 길이에 의존한다. 도 17의 예에서, OES 데이터(1720)의 가로 방향 데이터 크기는 "LT"이다.
이와 같이 OES 데이터(1720)는, 파장마다 소정의 시간 길이를 갖는 1차원 시계열 데이터가 소정의 파장 갯수만큼 모인 시계열 데이터군이라 할 수 있다.
한편, 분기부(710)에서는, OES 데이터(1720)를 제5 네트워크부(720_5) 및 제6 네트워크부(720_6)에 입력할 때에, 다른 웨이퍼 식별 번호의 OES 데이터와 데이터 크기가 같아지도록 미니 배치(batch) 단위로 리사이즈(resize) 처리를 하는 것으로 한다.
<정규화부의 처리의 구체예>
이어서, 분기부(710)에 의해 OES 데이터(1720)가 각각 입력되는 제5 네트워크부(720_5) 및 제6 네트워크부(720_6)의 정규화부 처리의 구체예에 대해 설명한다.
도 18은 OES 데이터가 입력되는 각 네트워크부에 포함되는 정규화부의 처리의 구체예를 나타내는 도면이다. 도 18에 나타내는 바와 같이, 제5 네트워크부(720_5)에 포함되는 각 층 중에, 제1층(720_51)은 정규화부(1101)를 갖는다. 또한, 정규화부(1101)는, OES 데이터(1720)를 제1 수법(파장 전체에 대해 발광 강도의 평균과 표준 편차)으로 정규화함으로써 정규화 데이터(정규화 OES 데이터(1810))를 생성한다. 한편, 정규화 OES 데이터(1810)는 분기부(710)에 의해 입력된 장치 상태 정보와 결합되어 컨볼루션부(1102)로 입력된다.
또한, 도 18에 나타내는 바와 같이, 제6 네트워크부(720_6)에 포함되는 각 층 중에 제1층(720_61)은 정규화부(1111)를 갖는다. 또한, 정규화부(1111)는, OES 데이터(1720)를 제2 수법(파장마다 발광 강도의 평균과 표준 편차)으로 정규화함으로써 정규화 데이터(정규화 OES 데이터(1820))를 생성한다. 한편, 정규화 OES 데이터(1820)는 분기부(710)에 의해 입력된 장치 상태 정보와 결합되어 컨볼루션부(1112)로 입력된다.
도 19는 각 정규화부의 처리의 구체예를 나타내는 도면이다. 도 19의 (a)에 나타내는 바와 같이, 정규화부(1101)에서는, 파장 전체에 대해 발광 강도의 평균과 표준 편차를 이용하여 정규화한다. 한편, 도 19의 (b)에 나타내는 바와 같이, 정규화부(1111)에서는, 파장마다 발광 강도의 평균과 표준 편차를 이용하여 정규화한다.
이와 같이, 무엇을 기준으로 해서 발광 강도의 변화를 볼 것인지에 따라(즉, 해석 방식에 따라), 같은 OES 데이터(1720)이더라도 보이는 정보는 다르게 된다. 제2 실시형태에 따른 예측 장치(160)에서는, 서로 다른 정규화 처리에 대해, 각각 서로 다른 네트워크부를 이용하여, 같은 OES 데이터(1720)를 처리한다. 이와 같이 복수 개의 정규화 처리를 조합함으로써, 처리 단위(120)에서의 OES 데이터(1720)를 다면적으로 해석할 수 있게 된다. 그 결과, OES 데이터(1720)에 대해 하나의 네트워크부를 이용하여 하나의 정규화 처리를 실행하는 구성으로 한 경우에 비해, 높은 추론 정확도를 실현하는 모델(추론부(162))을 생성할 수 있게 된다.
한편, 상기 구체예에서는, 발광 강도의 평균과 표준 편차를 이용하여 정규화하는 경우에 대해 설명하였으나, 정규화할 때에 사용하는 통계값은 이에 한정되지 않는다. 예를 들어, 발광 강도의 최대값과 표준 편차를 이용하여 정규화할 수도 있으며, 그 밖의 통계값을 사용하여 정규화할 수도 있다. 또한, 어떤 통계값을 사용하여 정규화할지 선택할 수 있도록 구성될 수도 있다.
<풀링부의 처리의 구체예>
이어서, 제5 네트워크부(720_5) 및 제6 네트워크부(720_6)의 최종층에 포함되는 풀링부의 처리의 구체예에 대해 설명한다. 도 20은 풀링부의 처리의 구체예를 나타내는 도면이다.
미니 배치 간에는 데이터 크기가 서로 다르므로, 제5 네트워크부(720_5) 및 제6 네트워크부(720_6)의 최종층에 포함되는 풀링부(1104,1114)에서는, 미니 배치 간에 고정된 길이의 데이터가 출력되도록 풀링 처리를 한다.
도 20은 풀링부의 처리의 구체예를 나타내는 도면이다. 도 20에 나타내는 바와 같이, 풀링부(1104,1114)에서는, 활성화 함수부(1103,1113)로부터 출력된 특징 데이터에 대해 GAP(Global Average Pooling) 처리를 한다.
도 20에서 특징 데이터(2011_1~2011_m)는, 제5 네트워크부(720_5)의 제N층(720_5N)의 풀링부(1104)에 입력되는 특징 데이터로서, 미니 배치 1에 속하는 OES 데이터에 기초하여 생성된 특징 데이터를 나타내고 있다. 특징 데이터(2011_1~2011_m)는 각각 1 채널분의 특징 데이터를 나타내고 있다.
또한, 특징 데이터(2012_1~2012_m)는, 제5 네트워크부(720_5)의 제N층(720_5N)의 풀링부(1104)에 입력되는 특징 데이터로서, 미니 배치 2에 속하는 OES 데이터에 기초하여 생성된 특징 데이터를 나타내고 있다. 특징 데이터(2012_1~2012_m)는 각각 1채널분의 특징 데이터를 나타내고 있다.
또한, 특징 데이터(2031_1~2031_m, 2032_1~2032_m)도 특징 데이터(2011_1~2011_m, 2012_1~2012_m)와 마찬가지이다(다만, 각각이 Nλ 채널분의 특징 데이터이다).
여기에서 풀링부(1104,1114)에서는, 입력된 특징 데이터에 포함되는 각 특징량의 값에 대해 채널 단위로 평균값을 산출함으로써 고정된 길이의 출력 데이터를 출력한다. 이로써 풀링부(1104,1114)로부터 출력되는 데이터는, 미니 배치 간에 데이터 크기가 같아지도록 할 수 있다.
<추론부의 기능 구성>
이어서, 추론부(162)의 기능 구성에 대해 설명한다. 도 21은 추론부의 기능 구성의 일 예를 나타내는 제2도이다. 도 21에 나타내는 바와 같이, 추론부(162)는 분기부(1310), 제5 네트워크부(1320_5) 및 제6 네트워크부(1320_6), 연결부(133)를 갖는다.
분기부(1310)는 발광 분광 분석 장치(1501)로부터 새롭게 측정된 OES 데이터와 장치 상태 정보를 취득한다. 또한, 분기부(1310)는 OES 데이터 및 장치 상태 정보가 제5 네트워크부(1320_5) 및 제6 네트워크부(1320_6)에서 처리되도록 제어한다. 한편, 장치 상태 정보는 바꿀 수 있으며, 분기부(1310)에서는 장치 상태 정보를 바꾸어 가며 시계열 데이터군을 반복해서 입력한다.
제5 네트워크부(1320_5) 및 제6 네트워크부(1320_6)는, 학습부(161)에 의해 기계 학습이 실행되어 제5 네트워크부(720_5) 및 제6 네트워크부(720_6)의 각 층의 모델 파라미터가 최적화됨으로써 형성된다.
연결부(1330)는, 학습부(161)에 의해 기계 학습이 실행되어 모델 파라미터가 최적화된 연결부(730)에 의해 형성된다. 연결부(1330)는, 제5 네트워크부(1320_5)의 제N층(1320_5N)으로부터 출력된 출력 데이터와, 제6 네트워크부(1320_6)의 제N층(1320_6N)으로부터 출력된 출력 데이터를 합성한다. 이로써, 연결부(1330)에서는 각각의 장치 상태 정보에 대해 추론 결과(품질 지표값)를 출력한다.
한편, 감시부(1340) 및 예측부(1350)는, 도 13에 나타낸 감시부(1340) 및 예측부(1350)와 같으므로, 여기에서는 설명을 생략한다.
이와 같이, 추론부(162)는, 소정의 처리 단위(120)의 OES 데이터를 다면적으로 해석하는 학습부(161)에 의해 기계 학습이 실행됨으로써 생성된다. 그러므로, 추론부(162)는 서로 다른 프로세스 레시피, 서로 다른 챔버, 서로 다른 장치에도 적용할 수가 있다. 또한, 추론부(162)는 동일한 챔버의 유지보수 전후에도 적용할 수 있다. 즉, 본 실시형태에 따른 추론부(162)에 의하면, 예를 들어, 종래와 같이 챔버를 유지보수함에 따라 모델도 같이 유지보수하거나 재학습시킬 필요 등이 없게 된다.
<예측 처리의 흐름>
이어서, 예측 장치(160)에 의한 예측 처리의 전체 흐름에 대해 설명한다. 도 22는 예측 처리의 흐름을 나타내는 제2 플로우 챠트이다. 도 14를 이용하여 설명한 제1 플로우 챠트와 다른 점은 단계 S2201~S2202, S2203이다.
단계 S2201에서, 학습부(161)는 학습용 데이터로서 OES 데이터, 장치 상태 정보, 품질 지표값을 취득한다.
단계 S2202에서, 학습부(161)는 취득된 학습용 데이터 중 OES 데이터와 장치 상태 정보를 입력 데이터로, 품질 지표값을 정답 데이터로 하여 기계 학습을 실행한다.
단계 S2203에서, 추론부(162)는, 새로운 처리 전 웨이퍼의 처리에 수반하여 측정된 OES 데이터와 새로운 처리 전 웨이퍼가 처리되었을 때에 취득된 장치 상태 정보를 입력함으로써, 품질 지표값을 추론한다.
<정리>
이상의 설명으로부터 알 수 있듯이, 제2 실시형태에 따른 예측 장치는,
제조 프로세스의 소정 처리 단위에 있어 대상물의 처리에 수반하여 발광 분광 분석 장치에 의해 측정된 OES 데이터와 대상물을 처리했을 때에 취득된 장치 상태 정보를 취득하고,
취득된 OES 데이터 및 장치 상태 정보를 서로 다른 수법으로 정규화하는 2개의 네트워크부에 각각 입력하고 2개의 네트워크부로부터 출력된 각 출력 데이터를 합성하며,
각 출력 데이터를 합성함으로써 얻은 합성 결과가 제조 프로세스의 소정 처리 단위에서 대상물을 처리했을 때에 취득된 품질 지표값에 근접하도록, 2개의 네트워크부에 대해 기계 학습을 실행하고,
새로운 대상물의 처리에 수반하여 발광 분광 분석 장치에 의해 측정된 OES 데이터를, 장치 상태 정보를 바꾸어 가며, 기계 학습된 2개의 네트워크부를 이용하여 처리하되, 장치 상태 정보를 바꿀 때마다 당해 2개의 네트워크부로부터 출력된 각 출력 데이터의 합성 결과로서 품질 지표값을 추론하며,
장치 상태 정보를 바꾸어 가며 추론한 품질 지표값이 소정 조건을 충족하는지 여부를 판정하고, 소정 요건을 충족한다고 판정했을 때의 장치 상태 정보를 이용하여 부품의 교환 시기 또는 유지보수 시기를 예측한다.
이와 같이 제2 실시형태에 의하면, 반도체 프로세스에서 대상물의 처리에 수반하여 측정된 시계열 데이터군인 OES 데이터와 대상물을 처리했을 때에 취득된 장치 상태 정보를 이용한 예측 장치를 제공할 수 있다.
[그 밖의 실시형태]
상기 제2 실시형태에서는, 시계열 데이터 취득 장치의 일 예로서 발광 분광 분석 장치를 예로 들었지만, 제1 실시형태에서 설명한 시계열 데이터 취득 장치는 발광 분광 분석 장치에 한정되지 않는다.
예를 들어, 제1 실시형태에서 설명한 시계열 데이터 취득 장치에는, 온도 데이터, 압력 데이터, 가스 유량 데이터 등과 같은 각종의 프로세스 데이터를 1차원의 시계열 데이터로서 취득하는 프로세스 데이터 취득 장치가 포함될 수도 있다. 또는, 제1 실시형태에서 설명한 시계열 데이터 취득 장치에는, 고주파 전원 전압 데이터 등과 같은 각종의 RF 데이터를 1차원의 시계열 데이터로서 취득하는 플라즈마용 고주파 전원 장치가 포함될 수도 있다.
또한, 상기 제1 및 제2 실시형태에서는, 학습부(161)의 각 네트워크부의 기계 학습 알고리즘을, 컨볼루션 신경 네트워크를 베이스로 하여 구성하는 것으로 설명하였다. 그러나, 학습부(161)의 각 네트워크부의 기계 학습 알고리즘은, 컨볼루션 신경 네트워크에 한정되지 않으며, 다른 기계 학습 알고리즘을 베이스로 하여 구성할 수도 있다.
또한, 상기 제1 및 제2 실시형태에서는, 예측 장치(160)가 학습부(161) 및 추론부(162)로서 기능하는 것으로 설명하였다. 그러나, 학습부(161)로서 기능하는 장치와, 추론부(162)로서 기능하는 장치가 일체로 되어 있을 필요는 없고, 별체로 구성될 수도 있다. 즉, 예측 장치(160)를, 추론부(162)를 갖지 않는 학습부(161)로서 기능시킬 수도 있으며, 학습부(161)를 갖지 않는 추론부(162)로서 기능시킬 수도 있다.
한편, 상기 실시형태에서 설명한 구성 등에 다른 요소를 조합시킨 경우 등과 같이, 본 발명이 여기에서 나타낸 구성으로 한정되는 것은 아니다. 이러한 점에 관해서는, 본 발명의 취지를 일탈하지 않는 범위에서 변경할 수 있으며, 그 응용 형태에 따라 적절하게 정할 수가 있다.
본원은 일본 특허청에 2019년 11월 29일에 출원된 특허출원 2019-217440호에 기초하는 우선권을 주장하는 것이며, 그 전체 내용을 참조로써 여기에 원용한다.

Claims (18)

  1. 제조 프로세스의 소정 처리 단위에 있어 대상물의 처리에 수반하여 측정된 시계열 데이터군과, 당해 대상물을 처리했을 때에 취득된 장치 상태 정보를 취득하는 취득부와,
    취득된 상기 시계열 데이터군 및 상기 장치 상태 정보를 처리하는 복수 개의 네트워크부와, 당해 복수 개의 네트워크부를 이용하여 처리함으로써 출력된 각 출력 데이터를 합성하는 연결부를 포함하며, 상기 연결부로부터 출력된 합성 결과가 상기 제조 프로세스의 상기 소정 처리 단위에서 상기 대상물을 처리했을 때에 취득된 상기 제조 프로세스 내 상태를 나타내는 품질 지표값에 근접하도록, 상기 복수 개의 네트워크부 및 상기 연결부에 대해 기계 학습을 실행하는 학습부를 포함하는 예측 장치.
  2. 제1항에 있어서,
    새로운 대상물에 대해 취득된 시계열 데이터군을, 장치 상태 정보를 바꾸어 가며, 기계 학습이 실행된 상기 복수 개의 네트워크부에 반복해서 입력하고, 기계 학습이 실행된 당해 복수 개의 네트워크부를 이용하여 처리함으로써, 기계 학습이 실행된 상기 연결부로부터 출력된 합성 결과를, 상기 새로운 대상물을 처리했을 때의 품질 지표값으로서 장치 상태 정보마다 추론하고,
    상기 장치 상태 정보마다 추론된 상기 품질 지표값 중에서 소정 조건을 충족하는 품질 지표값에 대응하는 장치 상태 정보를 특정하며,
    특정된 장치 상태 정보에 기초하여 상기 제조 프로세스 내 부품의 교환 시기 또는 상기 제조 프로세스 내 유지보수 시기를 예측하는 추론부를 더 포함하는 예측 장치.
  3. 제조 프로세스의 소정 처리 단위에 있어 대상물의 처리에 수반하여 측정된 시계열 데이터군을 취득하는 취득부와,
    장치 상태 정보를 바꾸어 가며, 취득된 상기 시계열 데이터군을 반복해서 입력받고, 입력받은 상기 시계열 데이터군을 처리하는 복수 개의 네트워크부와, 당해 복수 개의 네트워크부를 이용하여 처리함으로써 출력된 각 출력 데이터를 합성하는 연결부를 포함하며, 상기 연결부로부터 출력된 합성 결과를, 상기 대상물을 처리했을 때의 상기 제조 프로세스 내 상태를 나타내는 품질 지표값으로서 장치 상태 정보마다 추론하고, 상기 장치 상태 정보마다 추론된 상기 품질 지표값 중에서 소정 조건을 충족하는 품질 지표값에 대응하는 장치 상태 정보를 특정하며, 특정된 장치 상태 정보에 기초하여 상기 제조 프로세스 내 부품의 교환 시기 또는 상기 제조 프로세스 내 유지보수 시기를 예측하는 추론부를 포함하고,
    상기 복수 개의 네트워크부 및 상기 연결부는, 미리 취득된 시계열 데이터군 및 장치 상태 정보를, 상기 복수 개의 네트워크부를 이용하여 처리함으로써, 상기 연결부로부터 출력된 합성 결과가, 상기 제조 프로세스의 상기 소정 처리 단위에서 상기 대상물을 처리했을 때에 취득된 품질 지표값에 근접하도록, 기계 학습이 실행된 것인 예측 장치.
  4. 제1항에 있어서,
    상기 학습부는, 취득된 상기 시계열 데이터군을 제1 기준 및 제2 기준에 따라 각각 처리함으로써 제1 시계열 데이터군과 제2 시계열 데이터군을 생성하고, 생성된 각 시계열 데이터군과 상기 장치 상태 정보를 서로 다른 네트워크부를 이용하여 처리함으로써, 상기 연결부로부터 출력된 합성 결과가 상기 제조 프로세스의 상기 소정 처리 단위에서 상기 대상물을 처리했을 때에 취득된 상기 품질 지표값에 근접하도록, 상기 서로 다른 네트워크부 및 상기 연결부에 대해 기계 학습을 실행하는 것인 예측 장치.
  5. 제4항에 있어서,
    새로운 대상물에 대해 취득된 시계열 데이터군을 상기 제1 기준 및 상기 제2 기준에 따라 각각 처리함으로써 제1 시계열 데이터군과 제2 시계열 데이터군을 생성하고, 생성된 각 시계열 데이터군을, 장치 상태 정보를 바꾸어 가며, 기계 학습이 실행된 상기 서로 다른 네트워크부에 반복해서 입력하고, 기계 학습이 실행된 당해 서로 다른 네트워크부를 이용하여 처리함으로써, 기계 학습이 실행된 상기 연결부로부터 출력된 합성 결과를, 상기 새로운 대상물을 처리했을 때의 품질 지표값으로서 장치 상태 정보마다 추론하고,
    상기 장치 상태 정보마다 추론된 상기 품질 지표값 중에서 소정 조건을 충족하는 품질 지표값에 대응하는 장치 상태 정보를 특정하며,
    특정된 장치 상태 정보에 기초하여 상기 제조 프로세스 내 부품의 교환 시기 또는 상기 제조 프로세스 내 유지보수 시기를 예측하는 추론부를 더 포함하는 예측 장치.
  6. 제1항에 있어서,
    상기 학습부는, 취득된 상기 시계열 데이터군을 데이터 종류 또는 시간 범위에 따라 그룹화하고 각 그룹 및 상기 장치 상태 정보를 서로 다른 네트워크부를 이용하여 처리함으로써 상기 연결부로부터 출력된 합성 결과가, 상기 제조 프로세스의 상기 소정 처리 단위에서 상기 대상물을 처리했을 때에 취득된 상기 품질 지표값에 근접하도록, 상기 서로 다른 네트워크부 및 상기 연결부에 대해 기계 학습을 실행하는 것인 예측 장치.
  7. 제6항에 있어서,
    새로운 대상물에 대해 취득된 시계열 데이터군을 상기 데이터 종류 또는 상기 시간 범위에 따라 그룹화하고, 각 그룹을, 장치 상태 정보를 바꾸어 가며, 기계 학습이 실행된 상기 서로 다른 네트워크부에 반복해서 입력하고, 기계 학습이 실행된 당해 서로 다른 네트워크부를 이용하여 처리함으로써, 기계 학습이 실행된 상기 연결부로부터 출력된 합성 결과를, 상기 새로운 대상물을 처리했을 때의 품질 지표값으로서 장치 상태 정보마다 추론하며,
    상기 장치 상태 정보마다 추론된 상기 품질 지표값 중에서 소정 조건을 충족하는 품질 지표값에 대응하는 장치 상태 정보를 특정하고,
    특정된 장치 상태 정보에 기초하여 상기 제조 프로세스 내 부품의 교환 시기 또는 상기 제조 프로세스 내 유지보수 시기를 예측하는 추론부를 더 포함하는 예측 장치.
  8. 제1항에 있어서,
    상기 학습부는, 취득된 상기 시계열 데이터군과 상기 장치 상태 정보를, 서로 다른 수법으로 정규화하는 정규화부를 각각에 포함하는 서로 다른 네트워크부에 입력하고, 당해 서로 다른 네트워크부를 이용하여 처리함으로써, 상기 연결부로부터 출력된 합성 결과가, 상기 제조 프로세스의 상기 소정 처리 단위에서 상기 대상물을 처리했을 때에 취득된 상기 품질 지표값에 근접하도록, 상기 서로 다른 네트워크부 및 상기 연결부에 대해 기계 학습을 실행하는 것인 예측 장치.
  9. 제8항에 있어서,
    새로운 대상물에 대해 취득된 시계열 데이터군을, 장치 상태 정보를 바꾸어 가며, 기계 학습이 실행된 상기 서로 다른 네트워크부에 반복해서 입력하고, 기계 학습이 실행된 당해 서로 다른 네트워크부를 이용하여 처리함으로써, 기계 학습이 실행된 상기 연결부로부터 출력된 합성 결과를, 상기 새로운 대상물을 처리했을 때의 품질 지표값으로서 장치 상태 정보마다 추론하고,
    상기 장치 상태 정보마다 추론된 상기 품질 지표값 중에서 소정 조건을 충족하는 품질 지표값에 대응하는 장치 상태 정보를 특정하며,
    특정된 장치 상태 정보에 기초하여 상기 제조 프로세스 내 부품의 교환 시기 또는 상기 제조 프로세스 내 유지보수 시기를 예측하는 추론부를 더 포함하는 예측 장치.
  10. 제1항에 있어서,
    상기 학습부는, 상기 소정 처리 단위 내의 제1 처리 공간에서의 상기 대상물의 처리에 수반하여 측정된 제1 시계열 데이터군 및 당해 대상물을 처리했을 때에 취득된 장치 상태 정보와, 상기 소정 처리 단위 내의 제2 처리 공간에서의 상기 대상물의 처리에 수반하여 측정된 제2 시계열 데이터군 및 당해 대상물을 처리했을 때에 취득된 장치 상태 정보를, 서로 다른 네트워크부를 이용하여 처리함으로써, 상기 연결부로부터 출력된 합성 결과가, 상기 제조 프로세스의 소정 처리 단위에서 상기 대상물을 처리했을 때에 취득된 상기 품질 지표값에 근접하도록, 상기 서로 다른 네트워크부 및 상기 연결부에 대해 기계 학습을 실행하는 것인 예측 장치.
  11. 제10항에 있어서,
    새로운 대상물에 대해, 상기 소정 처리 단위 내의 상기 제1 처리 공간에서의 처리에 수반하여 측정된 제1 시계열 데이터군과, 상기 소정 처리 단위 내의 상기 제2 처리 공간에서의 처리에 수반하여 측정된 제2 시계열 데이터군을, 장치 상태 정보를 바꾸어 가며, 기계 학습이 실행된 상기 서로 다른 네트워크부에 반복해서 입력하고, 기계 학습이 실행된 당해 서로 다른 네트워크부를 이용하여 처리함으로써, 기계 학습이 실행된 상기 연결부로부터 출력된 합성 결과를, 상기 새로운 대상물을 처리했을 때의 품질 지표값으로서 장치 상태 정보마다 추론하며,
    상기 장치 상태 정보마다 추론된 상기 품질 지표값 중에서 소정 조건을 충족하는 품질 지표값에 대응하는 장치 상태 정보를 특정하고,
    특정된 장치 상태 정보에 기초하여 상기 제조 프로세스 내 부품의 교환 시기 또는 상기 제조 프로세스 내 유지보수 시기를 예측하는 추론부를 더 포함하는 예측 장치.
  12. 제1항에 있어서,
    상기 시계열 데이터군이 기판 처리 장치에서의 처리에 수반하여 측정된 데이터인 예측 장치.
  13. 제8항에 있어서,
    상기 시계열 데이터군은, 기판 처리 장치에서의 처리에 수반하여 발광 분광 분석 장치에 의해 측정된 데이터로서 각 시간에 측정된 각 파장의 발광 강도를 나타내는 데이터인 예측 장치.
  14. 제13항에 있어서,
    상기 서로 다른 네트워크부 중의 제1 네트워크부에 포함되는 상기 정규화부는, 상기 시계열 데이터군에 기초하여 각 파장의 소정 시간 길이분의 발광 강도를 나타내는 1채널 데이터를 생성하고, 생성된 1채널 데이터에 대해 정규화하는 것인 예측 장치.
  15. 제13항에 있어서,
    상기 서로 다른 네트워크부 중의 제2 네트워크부에 포함되는 상기 정규화부는, 상기 시계열 데이터군에 기초하여 하나의 파장의 소정 시간 길이분의 발광 강도를 나타내는 데이터를 파장 갯수에 상응하는 채널만큼 생성하고, 생성된 각 채널 데이터에 대해 정규화하는 것인 예측 장치.
  16. 제8항에 있어서,
    상기 서로 다른 네트워크부의 각 층에 있어 최종층에 포함되는 풀링부는 GAP 처리를 행하는 것인 예측 장치.
  17. 제조 프로세스의 소정 처리 단위에 있어 대상물의 처리에 수반하여 측정된 시계열 데이터군과, 당해 대상물을 처리했을 때에 취득된 장치 상태 정보를 취득하는 취득 공정과,
    취득된 상기 시계열 데이터군 및 상기 장치 상태 정보를 처리하는 복수 개의 네트워크부와, 당해 복수 개의 네트워크부를 이용하여 처리함으로써 출력된 각 출력 데이터를 합성하는 연결부를 포함하는 학습부에서, 상기 연결부로부터 출력된 합성 결과가, 상기 제조 프로세스의 상기 소정 처리 단위에서 상기 대상물을 처리했을 때에 취득된 상기 제조 프로세스 내 상태를 나타내는 품질 지표값에 근접하도록, 상기 복수 개의 네트워크부 및 상기 연결부에 대해 기계 학습을 실행하는 학습 공정을 포함하는 예측 방법.
  18. 제조 프로세스의 소정 처리 단위에 있어 대상물의 처리에 수반하여 측정된 시계열 데이터군과, 당해 대상물을 처리했을 때에 취득된 장치 상태 정보를 취득하는 취득 공정과,
    취득된 상기 시계열 데이터군 및 상기 장치 상태 정보를 처리하는 복수 개의 네트워크부와, 당해 복수 개의 네트워크부를 이용하여 처리함으로써 출력된 각 출력 데이터를 합성하는 연결부를 포함하는 학습부에서, 상기 연결부로부터 출력된 합성 결과가, 상기 제조 프로세스의 상기 소정 처리 단위에서 상기 대상물을 처리했을 때에 취득된 상기 제조 프로세스 내 상태를 나타내는 품질 지표값에 근접하도록, 상기 복수 개의 네트워크부 및 상기 연결부에 대해 기계 학습을 실행하는 학습 공정을,
    컴퓨터로 하여금 실행시키기 위한 예측 프로그램으로서, 컴퓨터 판독 가능한 매체에 기록된 예측 프로그램.
KR1020200161842A 2019-11-29 2020-11-27 예측 장치, 예측 방법 및 예측 프로그램 KR20210067920A (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2019217440A JP7412150B2 (ja) 2019-11-29 2019-11-29 予測装置、予測方法及び予測プログラム
JPJP-P-2019-217440 2019-11-29

Publications (1)

Publication Number Publication Date
KR20210067920A true KR20210067920A (ko) 2021-06-08

Family

ID=76043105

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200161842A KR20210067920A (ko) 2019-11-29 2020-11-27 예측 장치, 예측 방법 및 예측 프로그램

Country Status (5)

Country Link
US (1) US20210166121A1 (ko)
JP (1) JP7412150B2 (ko)
KR (1) KR20210067920A (ko)
CN (1) CN112884193A (ko)
TW (1) TW202139072A (ko)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11688616B2 (en) 2020-07-22 2023-06-27 Applied Materials, Inc. Integrated substrate measurement system to improve manufacturing process performance
WO2023032636A1 (ja) * 2021-08-31 2023-03-09 東京エレクトロン株式会社 情報処理方法、情報処理装置、及び基板処理システム
US20230163002A1 (en) * 2021-11-23 2023-05-25 Applied Materials, Inc. Accelerating preventative maintenance recovery and recipe optimizing using machine-learning based algorithm
US20230236569A1 (en) * 2022-01-25 2023-07-27 Applied Materials, Inc. Estimation of chamber component conditions using substrate measurements
WO2023180784A1 (en) * 2022-03-21 2023-09-28 Applied Materials, Inc. Method of generating a computational model for improving parameter settings of one or more display manufacturing tools, method of setting parameters of one or more display manufacturing tools, and display manufacturing fab equipment
CN114841378B (zh) * 2022-07-04 2022-10-11 埃克斯工业(广东)有限公司 晶圆特征参数预测方法、装置、电子设备及可读存储介质
TW202406412A (zh) * 2022-07-15 2024-02-01 日商東京威力科創股份有限公司 電漿處理系統、支援裝置、支援方法及支援程式
US20240071838A1 (en) * 2022-08-24 2024-02-29 Applied Materials, Inc. Substrate placement optimization using substrate measurements

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011100211A (ja) 2009-11-04 2011-05-19 Sharp Corp 異常判定装置、異常判定方法、異常判定プログラム、および、このプログラムを記録したプログラム記録媒体

Family Cites Families (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1168024C (zh) * 2000-02-16 2004-09-22 西默股份有限公司 光刻制版激光器的处理监视系统
US20070282480A1 (en) * 2003-11-10 2007-12-06 Pannese Patrick D Methods and systems for controlling a semiconductor fabrication process
TWI267012B (en) * 2004-06-03 2006-11-21 Univ Nat Cheng Kung Quality prognostics system and method for manufacturing processes
JP4972277B2 (ja) * 2004-11-10 2012-07-11 東京エレクトロン株式会社 基板処理装置の復帰方法、該装置の復帰プログラム、及び基板処理装置
JP2011221898A (ja) * 2010-04-13 2011-11-04 Toyota Motor Corp 型摩耗予測装置及び生産管理システム
JP2012060097A (ja) * 2010-06-25 2012-03-22 Mitsubishi Chemicals Corp 白色半導体発光装置
CN102693452A (zh) * 2012-05-11 2012-09-26 上海交通大学 基于半监督回归学习的多模型软测量方法
KR102083369B1 (ko) * 2013-01-29 2020-03-03 삼성디스플레이 주식회사 공정 모니터링 방법 및 공정 모니터링 장치
US9601130B2 (en) * 2013-07-18 2017-03-21 Mitsubishi Electric Research Laboratories, Inc. Method for processing speech signals using an ensemble of speech enhancement procedures
JP6610278B2 (ja) 2016-01-18 2019-11-27 富士通株式会社 機械学習装置、機械学習方法及び機械学習プログラム
JP6280997B1 (ja) * 2016-10-31 2018-02-14 株式会社Ｐｒｅｆｅｒｒｅｄ Ｎｅｔｗｏｒｋｓ 疾患の罹患判定装置、疾患の罹患判定方法、疾患の特徴抽出装置及び疾患の特徴抽出方法
KR101917006B1 (ko) * 2016-11-30 2018-11-08 에스케이 주식회사 머신 러닝 기반 반도체 제조 수율 예측 시스템 및 방법
CN110785716B (zh) * 2017-06-30 2023-03-31 三菱电机株式会社 不稳定检测装置、不稳定检测系统以及不稳定检测方法
CN107609395B (zh) * 2017-08-31 2020-10-13 中国长江三峡集团公司 一种数值融合模型构建方法及装置
TW201915727A (zh) * 2017-09-18 2019-04-16 元智大學 多元感測器之錯誤偵測與分類方法
US11065707B2 (en) * 2017-11-29 2021-07-20 Lincoln Global, Inc. Systems and methods supporting predictive and preventative maintenance
JP6525044B1 (ja) * 2017-12-13 2019-06-05 オムロン株式会社 監視システム、学習装置、学習方法、監視装置及び監視方法
CN108229338B (zh) * 2017-12-14 2021-12-21 华南理工大学 一种基于深度卷积特征的视频行为识别方法
DE102017131372A1 (de) * 2017-12-28 2019-07-04 Homag Plattenaufteiltechnik Gmbh Verfahren zum Bearbeiten von Werkstücken, sowie Werkzeugmaschine
CN108614548B (zh) * 2018-04-03 2020-08-18 北京理工大学 一种基于多模态融合深度学习的智能故障诊断方法
WO2019208773A1 (ja) * 2018-04-27 2019-10-31 三菱日立パワーシステムズ株式会社 プラントの運転支援装置、プラントの運転支援方法、プラントの学習モデルの作成方法、プラントの運転支援プログラム、プラントの運転支援プログラムを記録した記録媒体、プラントの学習モデルの作成プログラム、及びプラントの学習モデルの作成プログラムを記録した記録媒体
CN108873830A (zh) * 2018-05-31 2018-11-23 华中科技大学 一种生产现场数据在线采集分析及故障预测系统
CN109447235B (zh) * 2018-09-21 2021-02-02 华中科技大学 基于神经网络的进给系统模型训练和预测方法及其系统
TWI829807B (zh) * 2018-11-30 2024-01-21 日商東京威力科創股份有限公司 製造製程之假想測定裝置、假想測定方法及假想測定程式
CN110059775A (zh) * 2019-05-22 2019-07-26 湃方科技(北京)有限责任公司 旋转型机械设备异常检测方法及装置
CN110351244A (zh) * 2019-06-11 2019-10-18 山东大学 一种基于多卷积神经网络融合的网络入侵检测方法及系统

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011100211A (ja) 2009-11-04 2011-05-19 Sharp Corp 異常判定装置、異常判定方法、異常判定プログラム、および、このプログラムを記録したプログラム記録媒体

Also Published As

Publication number Publication date
JP7412150B2 (ja) 2024-01-12
CN112884193A (zh) 2021-06-01
JP2021086572A (ja) 2021-06-03
TW202139072A (zh) 2021-10-16
US20210166121A1 (en) 2021-06-03

Similar Documents

Publication Publication Date Title
KR20210067920A (ko) 예측 장치, 예측 방법 및 예측 프로그램
EP3114705B1 (en) Metrology system and method for compensating for overlay errors by the metrology system
JP7118170B2 (ja) 仮想測定装置、仮想測定方法及び仮想測定プログラム
KR102039394B1 (ko) 탐색 장치 및 탐색 방법
US9110461B2 (en) Semiconductor manufacturing equipment
US8223329B2 (en) Endpoint detection device for realizing real-time control of plasma reactor, plasma reactor with endpoint detection device, and endpoint detection method
US20230245872A1 (en) Control of Processing Equipment
JP2024072841A (ja) 異常検知装置、異常検知方法及び異常検知プログラム
EP4195105A1 (en) System and method of using neuroevolution-enhanced multi-objective optimization for mixed-precision quantization of deep neural networks
US11556853B2 (en) Learning method, management device, and management program
US20230004837A1 (en) Inference device, inference method and inference program
EP3971663A1 (en) System and method for performing tree-based multimodal regression
KR101665476B1 (ko) 반도체 프로세싱 장비에서의 편위 분류를 위한 방사형 기저 함수 네트워크들 및 하이퍼-큐브들의 사용
WO2020083473A1 (en) System and method for a quantized neural network
US20230377313A1 (en) State detection apparatus
TW202409764A (zh) 用於基板處理設備的多維感測器資料的整體分析

Legal Events

Date Code Title Description
A201 Request for examination