KR20210096155A - 가상 측정 장치, 가상 측정 방법 및 가상 측정 프로그램 - Google Patents

가상 측정 장치, 가상 측정 방법 및 가상 측정 프로그램 Download PDF

Info

Publication number
KR20210096155A
KR20210096155A KR1020217019299A KR20217019299A KR20210096155A KR 20210096155 A KR20210096155 A KR 20210096155A KR 1020217019299 A KR1020217019299 A KR 1020217019299A KR 20217019299 A KR20217019299 A KR 20217019299A KR 20210096155 A KR20210096155 A KR 20210096155A
Authority
KR
South Korea
Prior art keywords
processing
unit
series data
time series
data
Prior art date
Application number
KR1020217019299A
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 KR20210096155A publication Critical patent/KR20210096155A/ko

Links

Images

Classifications

    • 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
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • 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
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
    • G01B11/06—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material
    • G01B11/0616—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material of coating
    • G01B11/0658—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material of coating with measurement of emissivity or reradiation
    • 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]
    • 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
    • G06N3/045—Combinations of networks
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/02—Manufacture or treatment of semiconductor devices or of parts thereof
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/67—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
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
    • G01B11/06—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material
    • G01B11/0616—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material of coating
    • G01B11/0625—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material of coating with measurement of absorption or reflection
    • G01B11/0633—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material of coating with measurement of absorption or reflection using one or more discrete wavelengths
    • 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
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/4155—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by programme execution, i.e. part programme or machine function execution, e.g. selection of a programme
    • 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]
    • G05B19/4183—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 data acquisition, e.g. workpiece identification
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/45—Nc applications
    • G05B2219/45031—Manufacturing semiconductor wafers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Automation & Control Theory (AREA)
  • Manufacturing & Machinery (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Hardware Design (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Power Engineering (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Quality & Reliability (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • General Factory Administration (AREA)
  • Human Computer Interaction (AREA)

Abstract

정확도가 높은 가상 측정 처리를 실행할 수 있는 가상 측정 장치, 가상 측정 방법 및 가상 측정 프로그램을 제공한다. 가상 측정 장치는, 제조 프로세스의 소정 처리 단위에 있어 대상물의 처리에 수반하여 측정된 시계열 데이터군을 취득하는 취득부와, 취득된 상기 시계열 데이터군을 복수 개의 네트워크부를 이용하여 처리함으로써 출력된 각 출력 데이터의 합성 결과가, 상기 제조 프로세스의 상기 소정 처리 단위에서 상기 대상물을 처리했을 때의 결과물의 검사 데이터에 근접하도록, 상기 복수 개의 네트워크부에 대해 기계 학습을 실행하는 학습부를 포함한다.

Description

가상 측정 장치, 가상 측정 방법 및 가상 측정 프로그램
본 개시 내용은 가상 측정 장치, 가상 측정 방법 및 가상 측정 프로그램에 관한 것이다.
종래에 각종 제조 프로세스(예를 들어, 반도체 제조 프로세스)의 분야에서는, 가상 측정(VM: Virtual Metrology) 기술의 활용이 진행되어 왔다. 가상 측정 기술이라 함은, 각종 제조 프로세스에서 대상물(예를 들어, 웨이퍼)의 처리 중에 측정된 측정 데이터(복수 개 종류의 시계열 데이터의 데이터 세트, 이하에서는 "시계열 데이터군"이라 함)로부터 결과물의 검사 데이터를 추측하는 기술이다.
이 기술을 이용하여 모든 대상물에 대해 높은 정확도의 가상 측정 처리를 실행할 수 있다면, 결과물의 가상적인 전수 검사를 실현할 수가 있다.
일본국 공개특허공보 특개2009-282960호 일본국 공개특허공보 특개2010-267242호
본 개시 내용은, 높은 정확도의 가상 측정 처리를 실행할 수 있는 가상 측정 장치, 가상 측정 방법 및 가상 측정 프로그램을 제공한다.
본 개시 내용의 일 양태에 따른 가상 측정 장치는, 예를 들어, 이하와 같은 구성을 갖는다. 즉, 제조 프로세스의 소정 처리 단위에 있어 대상물의 처리에 수반하여 측정된 시계열 데이터군을 취득하는 취득부와, 취득된 상기 시계열 데이터군을 복수 개의 네트워크부를 이용하여 처리함으로써 출력된 각 출력 데이터의 합성 결과가, 상기 제조 프로세스의 상기 소정 처리 단위에서 상기 대상물을 처리했을 때의 결과물의 검사 데이터에 근접하도록, 상기 복수 개의 네트워크부에 대해 기계 학습을 실행하는 학습부를 포함한다.
본 개시 내용에 의하면, 높은 정확도의 가상 측정 처리를 실행할 수 있는 가상 측정 장치, 가상 측정 방법 및 가상 측정 프로그램을 제공할 수 있다.
도 1은 반도체 제조 프로세스와 가상 측정 장치를 포함하는 시스템의 전체 구성의 일 예를 나타내는 도면이다.
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 취득되는 시계열 데이터군의 일 예를 나타내는 도면이다.
도 5는 가상 측정 장치의 하드웨어 구성의 일 예를 나타내는 도면이다.
도 6은 학습부의 기능 구성의 일 예를 나타내는 도면이다.
도 7은 분기부의 처리의 구체예를 나타내는 제1 도이다.
도 8은 분기부의 처리의 구체예를 나타내는 제2 도이다.
도 9는 분기부의 처리의 구체예를 나타내는 제3 도이다.
도 10은 각 네트워크부에 포함되는 정규화부의 처리의 구체예를 나타내는 도면이다.
도 11은 분기부의 처리의 구체예를 나타내는 제4 도이다.
도 12는 추론부의 기능 구성의 일 예를 나타내는 도면이다.
도 13은 가상 측정 장치에 의한 가상 측정 처리의 흐름을 나타내는 플로우 챠트이다.
도 14는 시계열 데이터 취득 장치가 발광 분광 분석 장치인 반도체 제조 프로세스와 가상 측정 장치를 포함하는 시스템의 전체 구성의 일 예를 나타내는 도면이다.
도 15는 취득되는 OES 데이터의 일 예를 나타내는 도면이다.
도 16은 OES 데이터가 입력되는 각 네트워크부에 포함되는 정규화부의 처리의 구체예를 나타내는 도면이다.
도 17은 각 정규화부의 처리의 구체예를 나타내는 도면이다.
도 18은 풀링부의 처리의 구체예를 나타내는 도면이다.
도 19는 제5 네트워크부의 최종층에 포함되는 풀링부의 처리의 다른 구체예를 나타내는 도면이다.
도 20은 제6 네트워크부의 최종층에 포함되는 풀링부의 처리의 다른 구체예를 나타내는 도면이다.
도 21은 추론부에 의한 추론 결과의 정확도를 설명하기 위한 제1 도이다.
도 22는 추론부에 의한 추론 결과의 정확도를 설명하기 위한 제2 도이다.
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 가상 측정 장치를 포함하는 시스템의 전체 구성>
먼저, 제조 프로세스(여기에서는 반도체 제조 프로세스)와 가상 측정 장치를 포함하는 시스템의 전체 구성에 대해 설명한다. 도 1은 반도체 제조 프로세스와 가상 측정 장치를 포함하는 시스템(100)의 전체 구성의 일 예를 나타내는 도면이다. 도 1에 나타내는 바와 같이, 시스템(100)은 반도체 제조 프로세스, 시계열 데이터 취득 장치(140_1~140_n), 검사 데이터 취득 장치(150), 가상 측정 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)에서의 처리 전 웨이퍼(110) 처리에 수반하여 시계열 데이터를 측정하여 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 가상 측정 장치(160)의 학습용 데이터 저장부(163)에 저장된다.
검사 데이터 취득 장치(150)는, 처리 단위(120)에서 처리된 처리 후 웨이퍼(130)의 소정 검사 항목(예를 들어, ER(Etch Rate))을 검사하여 검사 데이터를 취득한다. 검사 데이터 취득 장치(150)에 의해 취득된 검사 데이터는, 학습용 데이터(정답 데이터)로서 가상 측정 장치(160)의 학습용 데이터 저장부(163)에 저장된다.
가상 측정 장치(160)에는 가상 측정 프로그램이 인스톨되어 있으며, 당해 프로그램이 실행됨으로써, 가상 측정 장치(160)는 학습부(161) 및 추론부(162)로서 기능한다.
학습부(161)는, 시계열 데이터 취득 장치(140_1~140_n)에서 취득된 시계열 데이터군과, 검사 데이터 취득 장치(150)에서 취득된 검사 데이터를 이용하여, 기계 학습을 실행한다. 구체적으로는, 학습부(161)가 갖는 복수 개의 네트워크부를 이용하여 검사 데이터에 근접하도록, 당해 복수 개의 네트워크부에 대해 기계 학습을 실행한다.
추론부(162)는, 기계 학습된 복수 개의 네트워크부에, 처리 단위(120)에서의 새로운 처리 전 웨이퍼의 처리에 수반하여 취득된 시계열 데이터군을 입력한다. 이로써, 추론부(162)는, 새로운 처리 전 웨이퍼의 처리에 수반하여 취득된 시계열 데이터에 기초하여, 처리 후 웨이퍼의 검사 데이터를 추론해서 가상 측정 데이터로서 출력한다.
이와 같이, 반도체 제조 프로세스의 소정 처리 단위(120)에 있어 대상물의 처리에 수반하여 측정된 시계열 데이터군을, 복수 개의 네트워크부를 이용하여 처리하는 구성으로 함으로써, 소정 처리 단위를 다면적으로 해석할 수 있게 된다. 그 결과, 하나의 네트워크부를 이용하여 처리하는 구성에 비해, 높은 추론 정확도를 실현하는 모델(추론부(162))을 생성할 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.
이 중에서 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 처리에 수반하여 측정되는 시계열 데이터군과, 챔버 B(제2 처리 공간)에서의 처리에 수반하여 측정되는 시계열 데이터군과, 챔버 C(제3 처리 공간)에서의 처리에 수반하여 측정되는 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 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 레시피(도 3(b)의 예에서는 "레시피III")의 처리를 처리 단위(120)로 정의한 경우를 나타내고 있다. 이 경우, 처리 전 웨이퍼(110)는 레시피 III의 처리가 행해지기 전의 웨이퍼(레시피 II의 처리가 행해진 후의 웨이퍼)를 가리키며, 처리 후 웨이퍼(130)는 레시피 III의 처리가 행해진 후의 웨이퍼(레시피 IV(미도시)의 처리가 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 레시피 III에 의한 처리 전 웨이퍼(110)의 웨이퍼 처리에 수반하여 측정되는 시계열 데이터군이 포함된다.
<시계열 데이터군의 구체예>
이어서, 시계열 데이터 취득 장치(140_1~140_n)에서 취득되는 시계열 데이터군의 구체예에 대해 설명한다. 도 4는 취득되는 시계열 데이터군의 일 예를 나타내는 도면이다. 한편, 도 4의 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 4의 (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 B에서의 처리에 수반하여 측정된 시계열 데이터를 취득한다. 또한, 시계열 데이터 취득 장치(140_1~140_n)는 서로 동일한 시간대에 측정된 시계열 데이터를 시계열 데이터군으로서 취득한다.
한편, 도 4의 (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 A에서의 웨이퍼의 처리에 수반하여 측정된 시계열 데이터군 1을 취득한다. 또한, 시계열 데이터 취득 장치(140_1~140_n-2)는, 예를 들어, 챔버 B에서의 당해 웨이퍼의 처리에 수반하여 측정된 시계열 데이터군 2를 취득한다. 또한, 시계열 데이터 취득 장치(140_1~140_n)는, 예를 들어, 챔버 C에서의 당해 웨이퍼의 처리에 수반하여 측정된 시계열 데이터군 3을 취득한다.
한편, 도 4의 (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, 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, 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, 레시피 III을 실행하는 중에 측정된 복수 개의 시계열 데이터를 시계열 데이터군 3으로서 취득할 수 있다.
<가상 측정 장치의 하드웨어 구성>
이어서, 가상 측정 장치(160)의 하드웨어 구성에 대해 설명한다. 도 5는 가상 측정 장치의 하드웨어 구성의 일 예를 나타내는 도면이다. 도 5에 나타내는 바와 같이, 가상 측정 장치(160)는 CPU(Central Processing Unit, 501), ROM(Read Only Memory, 502), RAM(Random Access Memory, 503)을 구비한다. 또한, 가상 측정 장치(160)는 GPU(Graphics Processing Unit, 504)를 구비한다. 한편, CPU(501), GPU(504) 등과 같은 프로세서(처리 회로, Processing Circuit, Processing Circuitry), ROM(502), RAM(503) 등의 메모리는, 이른바 컴퓨터를 형성한다.
또한, 가상 측정 장치(160)는 보조 기억 장치(505), 표시 장치(506), 조작 장치(507), I/F(Interface) 장치(508), 드라이브 장치(509)를 구비한다. 한편, 가상 측정 장치(160)의 각 하드웨어는 버스(510)를 통해 상호 접속된다.
CPU(501)는 보조 기억 장치(505)에 인스톨된 각종 프로그램(예를 들어, 가상 측정 프로그램 등)을 실행하는 연산 디바이스이다.
ROM(502)은 비휘발성 메모리이며, 주기억 장치로서 기능한다. ROM(502)은 보조 기억 장치(505)에 인스톨된 각종 프로그램을 CPU(501)가 실행시키기 위해 필요한 각종 프로그램, 데이터 등을 저장한다. 구체적으로, ROM(502)은 BIOS(Basic Input/Output System), EFI(Extensible Firmware Interface) 등과 같은 부팅 프로그램 등을 저장한다.
RAM(503)은 DRAM(Dynamic Random Access Memory), SRAM(Static Random Access Memory) 등과 같은 휘발성 메모리이며, 주기억 장치로서 기능한다. RAM(503)은 보조 기억 장치(505)에 인스톨된 각종 프로그램이 CPU(501)에 의해 실행될 때에 전개되는 작업 영역을 제공한다.
GPU(504)는 화상 처리용 연산 디바이스이며, CPU(501)에 의해 가상 측정 프로그램이 실행될 때에 각종 화상 데이터(본 실시형태에서는 시계열 데이터군)에 대해 병렬 처리에 의한 고속 연산을 실행한다. 한편, GPU(504)는 내부 메모리(GPU 메모리)를 탑재하고 있어서, 각종 화상 데이터에 대해 병렬 처리할 때에 필요한 정보를 일시적으로 저장한다.
보조 기억 장치(505)는 각종 프로그램, 각종 프로그램이 CPU(501)에 의해 실행될 때에 사용되는 각종 데이터 등을 저장한다.
표시 장치(506)는 가상 측정 장치(160)의 내부 상태를 표시하는 표시 디바이스이다. 조작 장치(507)는 가상 측정 장치(160)의 관리자가 가상 측정 장치(160)에 대해 각종 지시를 입력할 때에 사용하는 입력 디바이스이다. I/F 장치(508)는 네트워크(미도시)에 접속되어 통신을 행하기 위한 접속 디바이스이다.
드라이브 장치(509)는 기록 매체(520)를 세팅하기 위한 디바이스이다. 여기에서 말하는 기록 매체(520)에는, CD-ROM, 플렉시블 디스크, 광 자기 디스크 등과 같이 정보를 광학적, 전기적 또는 자기적으로 기록하는 매체가 포함된다. 또한, 기록 매체(520)에는, ROM, 플래쉬 메모리 등과 같이 정보를 전기적으로 기록하는 반도체 메모리 등이 포함될 수 있다.
한편, 보조 기억 장치(505)에 인스톨되는 각종 프로그램은, 예를 들어, 배부된 기록 매체(520)가 드라이브 장치(509)에 세팅되어 당해 기록 매체(520)에 기록된 각종 프로그램이 드라이브 장치(509)에 의해 읽어들여짐으로써 인스톨된다. 또는, 보조 기억 장치(505)에 인스톨되는 각종 프로그램은, 네트워크를 통해 다운로드됨으로써 인스톨될 수도 있다.
<학습부의 기능 구성>
이어서, 학습부(161)의 기능 구성에 대해 설명한다. 도 6은 학습부의 기능 구성의 일 예를 나타내는 도면이다. 학습부(161)는 분기부(610), 제1 네트워크부(620_1)~제M 네트워크부(620_M), 연결부(630), 비교부(640)를 구비한다.
분기부(610)는, 취득부의 일 예이며, 학습용 데이터 저장부(163)로부터 시계열 데이터군을 읽어들인다. 또한, 분기부(610)는, 읽어들인 시계열 데이터군이 제1 네트워크부(620_1)~제M 네트워크부(620_M)의 복수 개 네트워크부를 이용하여 처리되도록, 당해 시계열 데이터군을 처리한다.
제1 네트워크부(620_1)~제M 네트워크부(620_M)는, 컨볼루션 신경 네트워크(CNN: Convolutional Neural Network)를 베이스로 하여 구성되며, 복수 개의 층을 갖는다.
구체적으로, 제1 네트워크부(620_1)는 제1층(620_11)~제N층(620_1N)을 갖는다. 마찬가지로, 제2 네트워크부(620_2)는 제1층(620_21)~제N층(620_2N)을 갖는다. 그 이하에서도 마찬가지의 구성을 가져서, 제M 네트워크부(620_M)는 제1층(620_M1)~제N층(620_MN)을 갖는다.
제1 네트워크부(620_1)의 제1층(620_11)~제N층(620_1N)의 각 층에서는, 정규화 처리, 컨볼루션 처리, 활성화 처리, 풀링(pooling) 처리 등의 각종 처리가 행해진다. 또한, 제2 네트워크부(620_2)~제M 네트워크부(620_M)의 각 층에서도 마찬가지의 각종 처리가 행해진다.
연결부(630)는, 제1 네트워크부(620_1)의 제N층(620_1N)에서 출력된 출력 데이터로부터 제M 네트워크부(620_M)의 제N층(620_MN)에서 출력된 출력 데이터까지의 각 출력 데이터를 합성하고, 합성 결과를 비교부(640)에 출력한다.
비교부(640)는, 연결부(630)에서 출력된 합성 결과와, 학습용 데이터 저장부(163)로부터 읽어들인 검사 데이터(정답 데이터)를 비교하여, 오차를 산출한다. 학습부(161)에서는, 비교부(640)에 의해 산출된 오차가 소정 조건을 충족하도록, 제1 네트워크부(620_1)~제M 네트워크부(620_M) 및 연결부(630)에 대해 기계 학습을 행한다.
이로써 제1 네트워크부(620_1)~제M 네트워크부(620_M)의 제1층~제N층 각각의 모델 파라미터 및 연결부(630)의 모델 파라미터가 최적화된다.
<학습부의 각 부의 처리 상세>
이어서, 학습부(161)의 각 부의 처리에 대해, 구체예를 들어 상세하게 설명한다.
(1)분기부에 의한 처리의 상세 1
먼저, 분기부(610)의 처리에 대해 상세하게 설명한다. 도 7은 분기부 처리의 구체예를 나타내는 제1 도이다. 도 7의 경우, 분기부(610)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(620_1)에 입력한다.
또한, 분기부(610)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(620_2)에 입력한다.
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 7의 예에서는, 2종류의 기준에 따라 시계열 데이터군을 가공함으로써 2종류의 시계열 데이터군을 생성하는 경우에 대해 나타내었으나, 3종류 이상의 기준에 따라 시계열 데이터군을 가공함으로써 3종류 이상의 시계열 데이터군을 생성할 수도 있다.
(2)분기부에 의한 처리의 상세 2
이어서, 분기부(610)의 다른 처리에 대해 상세하게 설명한다. 도 8은 분기부 처리의 구체예를 나타내는 제2 도이다. 도 8의 경우, 분기부(610)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(610)는, 생성된 시계열 데이터군 1을 제3 네트워크부(620_3)에 입력하고, 생성된 시계열 데이터군 2를 제4 네트워크부(620_4)에 입력한다.
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 8의 예에서는, 시계열 데이터 취득 장치(140_1~140_n)의 차이에 따른 데이터 종류의 차이에 따라 시계열 데이터군을 그룹지었으나, 데이터가 취득된 시간 범위에 따라 시계열 데이터군을 그룹지을 수도 있다. 예를 들어, 시계열 데이터군이 복수 개의 레시피에 의한 처리에 수반하여 측정된 시계열 데이터군인 경우에는, 레시피마다의 시간 범위에 따라 시계열 데이터군을 그룹지을 수도 있다.
(3)분기부에 의한 처리의 상세 3
이어서, 분기부(610)에 의한 다른 처리에 대해 상세하게 설명한다. 도 9는 분기부 처리의 구체예를 나타내는 제3도이다. 도 9의 경우, 분기부(610)는, 시계열 데이터 취득 장치(140_1~140_n)에 의해 취득된 시계열 데이터군을 제5 네트워크부(620_5)와 제6 네트워크부(620_6) 양쪽에 입력한다. 그리고, 제5 네트워크부(620_5)와 제6 네트워크부(620_6)에서 같은 시계열 데이터군에 대해 서로 다른 처리(정규화 처리)를 한다.
도 10은 각 네트워크부에 포함되는 정규화부의 처리의 구체예를 나타내는 도면이다. 도 10에서 제1층에 대해 예시로 나타내는 바와 같이, 제5 네트워크부(620_5)의 각 층에는, 정규화부, 컨볼루션부, 활성화 함수부, 풀링부가 포함된다.
도 10의 예는, 제5 네트워크부(620_5)에 포함되는 각 층 중 제1층(620_51)에 정규화부(1001), 컨볼루션부(1002), 활성화 함수부(1003), 풀링부(1004)가 포함되는 것을 나타내고 있다.
이 중에서 정규화부(1001)에서는, 분기부(610)에 의해 입력된 시계열 데이터군에 대해 제1 정규화 처리를 행하여 정규화 시계열 데이터군 1(제1 시계열 데이터군)을 생성한다.
마찬가지로, 도 10의 예에서는, 제6 네트워크부(620_6)에 포함되는 각 층 중에서 제1층(620_61)에 정규화부(1011), 컨볼루션부(1012), 활성화 함수부(1013), 풀링부(1014)가 포함되는 것을 나타내고 있다.
이 중에서 정규화부(1011)에서는, 분기부(610)에 의해 입력된 시계열 데이터군에 대해 제2 정규화 처리를 행하여 정규화 시계열 데이터군 2(제2 시계열 데이터군)을 생성한다.
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(610)에 의한 다른 처리에 대해 상세하게 설명한다. 도 11은 분기부 처리의 구체예를 나타내는 제4 도이다. 도 11의 경우, 분기부(610)는, 시계열 데이터 취득 장치(140_1~140_n)에 의해 측정된 시계열 데이터군 중에서, 챔버 A에서의 처리에 수반하여 측정된 시계열 데이터군 1(제1 시계열 데이터군)을 제7 네트워크부(620_7)에 입력한다.
또한, 분기부(610)는, 시계열 데이터 취득 장치(140_1~140_n)에 의해 측정된 시계열 데이터군 중에서, 챔버 B에서의 처리에 수반하여 측정된 시계열 데이터군 2(제2 시계열 데이터군)을 제8 네트워크부(620_8)에 입력한다.
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 12는 추론부의 기능 구성의 일 예를 나타내는 도면이다. 도 12에 나타낸 바와 같이, 추론부(162)는 분기부(1210), 제1 네트워크부(1220_1)~제M 네트워크부(1220_M), 연결부(1230)를 구비한다.
분기부(1210)는 시계열 데이터 취득 장치(140_1~140_N)에 의해 새롭게 측정된 시계열 데이터군을 취득한다. 또한, 분기부(1210)는, 취득한 시계열 데이터군이 제1 네트워크부(1220_1)~제M 네트워크부(1220_M)를 이용하여 처리되도록 제어한다.
제1 네트워크부(1220_1)~제M 네트워크부(1220_M)는, 학습부(161)에 의해 기계 학습이 실행되어 제1 네트워크부(620_1)~제M 네트워크부(620_M)의 각 층의 모델 파라미터가 최적화됨으로써 형성된다.
연결부(1230)는, 학습부(161)에 의해 기계 학습이 실행되어 모델 파라미터가 최적화된 연결부(630)에 의해 형성된다. 연결부(1230)는, 제1 네트워크부(1220_1)의 제N층(1220_1N)으로부터 출력된 출력 데이터에서 제M 네트워크부(1220_M)의 제N층(1220_MN)으로부터 출력된 출력 데이터까지의 각 출력 데이터를 합성하여 가상 측정 데이터를 출력한다.
<가상 측정 처리의 흐름>
이어서, 가상 측정 장치(160)에 의한 가상 측정 처리의 전체 흐름에 대해 설명한다. 도 13은 가상 측정 장치에 의한 가상 측정 처리의 흐름을 나타내는 플로우 챠트이다.
단계 S1301에서, 학습부(161)는 학습용 데이터로서 시계열 데이터군과 검사 데이터를 취득한다.
단계 S1302에서, 학습부(161)는 취득된 학습용 데이터 중 시계열 데이터군을 입력 데이터로, 검사 데이터를 정답 데이터로 하여 기계 학습을 실행한다.
단계 S1303에서, 학습부(161)는 기계 학습을 계속할지 여부를 판정한다. 학습용 데이터를 추가로 취득하여 기계 학습을 계속하는 경우(단계 S1303에서 Yes인 경우)에는, 단계 S1301로 돌아간다. 한편, 기계 학습을 종료하는 경우(단계 S1303에서 No인 경우)에는, 단계 S1304로 진행한다.
단계 S1304에서, 추론부(162)는 기계 학습에 의해 최적화된 모델 파라미터를 반영함으로써 제1 네트워크부(1220_1)~제M 네트워크부(1220_M)를 생성한다.
단계 S1305에서, 추론부(162)는, 새로운 처리 전 웨이퍼의 처리에 수반하여 측정된 시계열 데이터군을 입력하여 가상 측정 데이터를 추론한다.
단계 S1306에서, 추론부(162)는 추론한 가상 측정 데이터를 출력한다.
<정리>
이상의 설명으로부터 알 수 있듯이, 제1 실시형태에 따른 가상 측정 장치는,
제조 프로세스의 소정 처리 단위에 있어 대상물의 처리에 수반하여 측정된 시계열 데이터군을 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, 복수 개의 네트워크부를 이용하여 처리함으로써, 출력된 각 출력 데이터를 합성하거나, 또는
취득된 시계열 데이터군을 서로 다른 수법으로 정규화하는 복수 개의 네트워크부에 각각 입력하고서 복수 개의 네트워크부를 이용하여 처리함으로써, 출력된 각 출력 데이터를 합성하며,
각 출력 데이터를 합성함으로써 얻은 합성 결과가 제조 프로세스의 소정 처리 단위에서 대상물을 처리한 후의 결과물의 검사 데이터에 근접하도록, 복수 개의 네트워크부에 대해 기계 학습을 실행하고,
새로운 대상물에 대해 취득된 시계열 데이터군을, 기계 학습된 복수 개의 네트워크부를 이용하여 처리하되, 당해 복수 개의 네트워크부로부터 출력된 각 출력 데이터의 합성 결과를, 새로운 대상물을 처리했을 때의 결과물의 검사 데이터로서 추론한다.
이와 같이, 시계열 데이터군을, 복수 개의 네트워크부를 이용하여 처리하는 구성으로 하고서, 기계 학습을 실행함으로써, 제조 프로세스의 소정 처리 단위를 다면적으로 해석할 수 있게 된다. 그 결과, 시계열 데이터군을, 하나의 네트워크부를 이용하여 처리하는 구성으로 한 경우에 비해, 높은 추론 정확도를 실현하는 모델을 생성할 수 있게 된다. 또한, 당해 모델을 이용하여 추론함으로써 정확도가 높은 가상 측정 처리를 실행할 수가 있다.
즉, 제1 실시형태에 의하면, 높은 정확도의 가상 측정 처리를 실행할 수 있는 가상 측정 장치를 제공할 수 있다.
[제2 실시형태]
상기 제1 실시형태에서는, 취득된 시계열 데이터군을 복수 개의 네트워크부를 이용하여 처리하는 구성으로서, 4가지의 구성에 대해 나타내었다. 이 중에서 제2 실시형태에서는, 서로 다른 수법으로 정규화 처리하는 정규화부를 각각에 포함하는 복수 개의 네트워크부를 이용하여 시계열 데이터군을 처리하는 구성에 있어, 시계열 데이터 취득 장치가 발광 분광 분석 장치이며, 시계열 데이터군이 OES(Optical Emission Spectroscopy) 데이터(발광 강도의 시계열 데이터가 파장 종류에 따른 갯수만큼 포함되는 데이터 세트)인 경우에 대해, 더 상세하게 설명한다. 한편, 이하에서는, 상기 제1 실시형태와 다른 점을 중심으로 하여 설명한다.
<반도체 제조 프로세스와 가상 측정 장치를 포함하는 시스템의 전체 구성>
먼저, 시계열 데이터 취득 장치가 발광 분광 분석 장치인 반도체 제조 프로세스와 가상 측정 장치를 포함하는 시스템의 전체 구성에 대해 설명한다. 도 14는 시계열 데이터 취득 장치가 발광 분광 분석 장치인 반도체 제조 프로세스와 가상 측정 장치를 포함하는 시스템의 전체 구성의 일 예를 나타내는 도면이다.
도 14에 나타내는 시스템(1400)에서, 발광 분광 분석 장치(1401)는, 발광 분광 분석 기술에 의해, 처리 단위(120)에서의 처리 전 웨이퍼(110) 처리에 수반하여 시계열 데이터군인 OES 데이터를 출력한다. 발광 분광 분석 장치(1401)로부터 출력된 OES 데이터는, 그 일부가 기계 학습을 행할 때의 학습용 데이터(입력 데이터)로서 가상 측정 장치(160)의 학습용 데이터 저장부(163)에 저장된다.
<시계열 데이터군의 구체예>
이어서, 발광 분광 분석 장치(1401)에서 취득되는 시계열 데이터군인 OES 데이터의 구체예에 대해 설명한다. 도 15는 취득되는 OES 데이터의 일 예를 나타내는 도면이다.
도 15에서 그래프(1510)는, 발광 분광 분석 장치(1401)에서 취득되는 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(1401)에서 측정된 OES 데이터의 시간 길이를 나타내고 있다.
그래프(1510)에 나타내는 바와 같이, 발광 분광 분석 장치(1401)에서 측정되는 OES 데이터는, 처리되는 웨이퍼마다 시간 길이가 다른 경우가 있다.
도 15의 예에서, 예를 들어, OES 데이터(1520)는, 웨이퍼 식별번호"745"의 처리 전 웨이퍼의 처리에 수반하여 측정된 OES 데이터를 나타내고 있다. OES 데이터(1520)의 세로 방향 데이터 크기는, 발광 분광 분석 장치(1401)에서 측정되는 파장의 범위에 의존한다. 제2 실시형태에서 발광 분광 분석 장치(1401)는 소정의 파장 범위의 발광 강도를 측정하므로, OES 데이터(1520)의 세로 방향 데이터 크기는, 예를 들어, 소정의 파장 범위에 포함되는 파장 갯수 "Nλ"로 된다.
한편, OES 데이터(1520)의 가로 방향 데이터 크기는, 발광 분광 분석 장치(1401)에서 측정되었을 때의 시간 길이에 의존한다. 도 15의 예에서, OES 데이터(1520)의 가로 방향 데이터 크기는 "LT"이다.
이와 같이 OES 데이터(1520)는, 각각의 파장이 소정의 시간 길이를 갖는 1차원 시계열 데이터가 소정의 파장 갯수만큼 모인 시계열 데이터군이라 할 수 있다.
한편, 분기부(610)에서는, OES 데이터(1520)를 제5 네트워크부(620_5) 및 제6 네트워크부(620_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(610)에 의해 OES 데이터(1520)가 각각 입력되는 제5 네트워크부(620_5) 및 제6 네트워크부(620_6)의 정규화부 처리의 구체예에 대해 설명한다.
도 16은 OES 데이터가 입력되는 각 네트워크부에 포함되는 정규화부의 처리의 구체예를 나타내는 도면이다. 도 16에 나타내는 바와 같이, 제5 네트워크부(620_5)에 포함되는 각 층 중에, 제1층(620_51)은 정규화부(1001)를 갖는다. 또한, 정규화부(1001)는, OES 데이터(1520)를 제1 수법(최대 발광 강도)으로 정규화함으로써 정규화 데이터(정규화 OES 데이터(1610))를 생성한다.
또한, 도 16에 나타내는 바와 같이, 제6 네트워크부(620_6)에 포함되는 각 층 중에 제1층(620_61)은 정규화부(1011)를 갖는다. 또한, 정규화부(1011)는, OES 데이터(1520)를 제2 수법(파장마다 최대 발광 강도)으로 정규화함으로써 정규화 데이터(정규화 OES 데이터(1620))를 생성한다.
도 17은 각 정규화부의 처리의 구체예를 나타내는 도면이다. 도 17의 (a)에 나타내는 바와 같이, 정규화부(1001)에서는, 리사이즈 처리된 OES 데이터(1520)에 기초하여, 제1 수법에 의해 데이터 크기가 파장 갯수(Nλ)×시간 길이(LT)인 1채널의 정규화 OES 데이터(1610)를 생성한다.
구체적으로, 정규화부(1001)에서는, 파장 전체에 대한 소정 시간 길이분의 발광 강도로부터 발광 강도의 평균 및 표준 편차를 산출하고, 산출된 값을 이용하여 정규화 처리를 함으로써 정규화 OES 데이터(1610)를 생성한다. 제1 수법에 의하면, 발광 강도의 절대적인 값은 소실되지만, 파장 간의 상대적 발광 강도는 남게 된다.
한편, 도 17의 (b)에 나타내는 바와 같이, 정규화부(1011)에서는, 리사이즈 처리된 OES 데이터(1520)에 기초하여, 제2 수법에 의해 데이터 크기가 파장 갯수(1)×시간 길이(LT)인 Nλ개 채널 분의 정규화 OES 데이터(1620)를 생성한다.
구체적으로, 정규화부(1011)에서는, 각각의 파장 내에서의 소정 시간 길이분의 발광 강도로부터 발광 강도의 평균 및 표준 편차를 산출하고, 산출된 값을 이용하여 파장마다 정규화 처리를 함으로써 정규화 OES 데이터(1620)를 생성한다. 제2 수법에 의하면, 같은 파장 내에 있어 소정 시간 길이에서의 상대적 발광 강도를 남길 수 있다.
이와 같이, 무엇을 기준으로 해서 발광 강도의 변화를 볼 것인지에 따라(즉, 해석 방식에 따라), 같은 시계열 데이터군이더라도 보이는 정보는 다르게 된다. 제2 실시형태에 따른 가상 측정 장치(160)에서는, 서로 다른 정규화 처리에 대해, 각각 서로 다른 네트워크부를 이용하여 같은 시계열 데이터군을 처리한다. 이와 같이 복수 개의 정규화 처리를 조합함으로써, 처리 단위(120)에서의 시계열 데이터군을 다면적으로 해석할 수 있게 된다. 그 결과, OES 데이터(1520)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.
<풀링부의 처리의 구체예>
이어서, 제5 네트워크부(620_5) 및 제6 네트워크부(620_6)의 최종층에 포함되는 풀링부의 처리의 구체예에 대해 설명한다. 도 18은 풀링부의 처리의 구체예를 나타내는 도면이다.
전술한 바와 같이, 웨이퍼마다 데이터 크기가 다른 OES 데이터는, 분기부(610)에서, 미니 배치 단위로 리사이즈 처리됨으로써 데이터 크기를 같게 한 후에 제5 네트워크(620_5) 및 제6 네트워크(620_6)로 입력된다.
바꾸어 말하면, 제5 네트워크(620_5) 및 제6 네트워크(620_6)로 입력되는 OES 데이터는, 미니 배치가 다르면 데이터 크기가 다르게 된다.
그러므로, 제5 네트워크(620_5) 및 제6 네트워크(620_6)의 최종층(제N층(620_5N,620_6N))에 포함되는 풀링부(1004,1014)에서는, 미니 배치 간에 고정된 길이의 데이터가 출력되도록 풀링 처리한다.
도 18은 풀링부의 처리의 구체예를 나타내는 도면이다. 도 18에 나타내는 바와 같이, 풀링부(1004,1014)에서는, 활성화 함수부(1003,1013)로부터 출력된 특징 데이터에 대해 GAP(Global Average Pooling) 처리를 한다.
도 18에서 특징 데이터(1911_1~1911_m)는, 제5 네트워크부(620_5)의 제N층(620_5N)의 풀링부(1004)에 입력되는 특징 데이터로서, 미니 배치 1에 속하는 OES 데이터에 기초하여 생성된 특징 데이터를 나타내고 있다. 특징 데이터(1911_1~1911_m)는 각각 1 채널분의 특징 데이터를 나타내고 있다.
또한, 특징 데이터(1912_1~1912_m)는, 제5 네트워크부(620_5)의 제N층(620_5N)의 풀링부(1004)에 입력되는 특징 데이터로서, 미니 배치 2에 속하는 OES 데이터에 기초하여 생성된 특징 데이터를 나타내고 있다. 특징 데이터(1912_1~1912_m)는 각각 1채널분의 특징 데이터를 나타내고 있다.
도 18로부터 알 수 있듯이, 특징 데이터(1911_1~1911_m)와 특징 데이터(1912_1~1912_m)은, 서로 다른 미니 배치에 속하므로, 데이터 크기가 서로 다르다.
마찬가지로, 특징 데이터(1931_1~1931_m)는, 제6 네트워크부(620_6)의 제N층(620_6N)의 풀링부(1014)에 입력되는 특징 데이터로서, 미니 배치 1에 속하는 OES 데이터에 기초하여 생성된 특징 데이터를 나타내고 있다. 한편, 특징 데이터(1931_1~1931_m)에는, 각각 Nλ채널분의 특징 데이터가 포함된다.
또한, 특징 데이터(1932_1~1932_m)는, 제6 네트워크부(620_6)의 제N층(620_6N)의 풀링부(1014)에 입력되는 특징 데이터로서, 미니 배치 2에 속하는 OES 데이터에 기초하여 생성된 특징 데이터를 나타내고 있다. 한편, 특징 데이터(1932_1~1932_m)에는, 각각 Nλ채널분의 특징 데이터가 포함된다.
도 18로부터 알 수 있듯이, 특징 데이터(1931_1~1931_m)와 특징 데이터(1932_1~1932_m)은, 서로 다른 미니 배치에 속하므로, 데이터 크기가 서로 다르다.
이 때 풀링부(1004,1014)에서는, 입력된 특징 데이터에 포함되는 각 특징량의 값에 대해 채널 단위로 평균값을 산출함으로써, 고정된 길이의 출력 데이터를 출력한다. 이로써, 풀링부(1004,1014)로부터 출력되는 데이터는, 미니 배치 간에 데이터 크기가 같아지도록 할 수 있다.
예를 들어, 제5 네트워크부(620_5)의 제N층(620_5N)의 풀링부(1004)에서는, 특징 데이터(1911_1)의 평균값(Avg1-1-1)을 산출하여 출력 데이터(1921_1)를 출력한다. 마찬가지로, 제5 네트워크부(620_5)의 제N층(620_5N)의 풀링부(1004)에서는, 특징 데이터(1912_1)의 평균값(Avg1-2-1)을 산출하여 출력 데이터(1922_1)를 출력한다.
이로써, 풀링부(1004)에서는, 예를 들어, 데이터 크기가 서로 다른 특징 데이터(1911_1,1912_1)에 대해, 고정된 길이의 출력 데이터(1921_1,1922_1)를 출력할 수 있다.
마찬가지로, 제6 네트워크부(620_6)의 제N층(620_6N)의 풀링부(1014)에서는, 특징 데이터(1931_1)에 대해 채널마다 평균값(Avg2-1-1-1~ Avg2-1-1-Nλ)을 산출하여 출력 데이터(1941_1)를 출력한다. 마찬가지로, 제6 네트워크부(620_6)의 제N층(620_6N)의 풀링부(1014)에서는, 특징 데이터(1932_1)에 대해 채널마다 평균값(Avg2-2-1-1~ Avg2-2-1-Nλ)을 산출하여 출력 데이터(1942_1)를 출력한다.
이로써, 풀링부(1014)에서는, 예를 들어, 데이터 크기가 서로 다른 특징 데이터(1931_1,1932_1)에 대해, 고정된 길이의 출력 데이터(1941_1,1942_1)를 출력할 수 있다.
<풀링부 처리의 다른 구체예>
이어서, 제5 네트워크부(620_5) 및 제6 네트워크부(620_6)의 최종층에 포함되는 풀링부의 처리의 다른 구체예에 대해 설명한다. 도 19는 제5 네트워크부의 최종층에 포함되는 풀링부의 처리의 다른 구체예를 나타내는 도면으로서, SPP 처리를 설명하기 위한 도면이다.
도 19에 나타내는 바와 같이, 풀링부(1004)에서는, 입력받은 특징 데이터를 분할하지 않고 평균값을 산출하며 또한 4분할 및 16분할로 하여 각 영역의 평균값을 산출함으로써, 분할 갯수에 따라 고정된 길이의 출력 데이터를 출력한다.
예를 들어, 제5 네트워크부(620_5)의 제N층(620_5N)의 풀링부(1004)에서는, 특징 데이터(1911_1)를 분할하지 않고서 특징 데이터(1911_1)의 평균값(Avg1-1-1-1/1)을 산출한다. 또한, 제5 네트워크부(620_5)의 제N층(620_5N)의 풀링부(1004)에서는, 특징 데이터(1911_1)를 4분할하고서 각 영역에 대해 평균값(Avg1-1-1-1/4~Avg1-1-1-4/4)을 산출한다. 또한, 제5 네트워크부(620_5)의 제N층(620_5N)의 풀링부(1004)에서는, 특징 데이터(1911_1)를 16분할하고서 각 영역에 대해 평균값(Avg1-1-1-1/16~Avg1-1-1-16/16)을 산출한다.
또한, 제5 네트워크부(620_5)의 제N층(620_5N)의 풀링부(1004)에서는, 특징 데이터(1912_1)를 분할하지 않고서 특징 데이터(1912_1)의 평균값(Avg1-2-1-1/1)을 산출한다. 또한, 제5 네트워크부(620_5)의 제N층(620_5N)의 풀링부(1004)에서는, 특징 데이터(1912_1)를 4분할하고서 각 영역에 대해 평균값(Avg1-2-1-1/4~Avg1-2-1-4/4)을 산출한다. 또한, 제5 네트워크부(620_5)의 제N층(620_5N)의 풀링부(1004)에서는, 특징 데이터(1912_1)를 16분할하고서 각 영역에 대해 평균값(Avg1-2-1-1/16~Avg1-2-1-16/16)을 산출한다.
이로써, 풀링부(1004)에서는, 예를 들어, 데이터 크기가 서로 다른 특징 데이터(1911_1,1912_1)에 대해, 고정된 길이의 출력 데이터(2010_1,2011_1)를 출력할 수 있다.
이어서, 제6 네트워크부(620_6)의 제N층(620_6N)에 포함되는 풀링부(1014)에 대해 상세하게 설명한다. 도 20은 제6 네트워크부의 최종층에 포함되는 풀링부의 처리의 다른 구체예를 나타내는 도면으로서, SPP 처리를 설명하기 위한 도면이다.
도 20에 나타내는 바와 같이, 풀링부(1014)에서는, 입력받은 특징 데이터의 각 채널을 분할하지 않고 평균값을 산출하며 또한 4분할 및 16분할로 하여 각 영역의 평균값을 산출함으로써, 분할 갯수에 따라 고정된 길이의 출력 데이터를 출력한다.
예를 들어, 제6 네트워크부(620_6)의 제N층(620_6N)의 풀링부(1014)에서는, 특징 데이터(1931_1)의 채널 1을 분할하지 않고서 특징 데이터(1931_1)의 채널 1의 평균값(Avg2-1-1-1-1/1)을 산출한다. 또한, 제6 네트워크부(620_6)의 제N층(620_6N)의 풀링부(1014)에서는, 특징 데이터(1931_1)의 채널 1을 4분할하고서 각 영역에 대해 평균값(Avg2-1-1-1-1/4~Avg2-1-1-1-4/4)을 산출한다. 또한, 제6 네트워크부(620_6)의 제N층(620_6N)의 풀링부(1014)에서는, 특징 데이터(1931_1)의 채널 1을 16분할하고서 각 영역에 대해 평균값(Avg2-1-1-1-1/16~Avg2-1-1-1-16/16)을 산출한다.
제6 네트워크부(620_6)의 제N층(620_6N)의 풀링부(1014)에서는, 이들 처리를 Nλ채널분에 대해 행함으로써 출력 데이터(2100_1)를 생성한다.
마찬가지로, 제6 네트워크부(620_6)의 제N층(620_6N)의 풀링부(1014)에서는, 특징 데이터(1932_1)의 채널 1을 분할하지 않고서 특징 데이터(1932_1)의 채널 1의 평균값(Avg2-2-1-1-1/1)을 산출한다. 또한, 제6 네트워크부(620_6)의 제N층(620_6N)의 풀링부(1014)에서는, 특징 데이터(1932_1)의 채널 1을 4분할하고서 각 영역에 대해 평균값(Avg2-2-1-1-1/4~Avg2-2-1-1-4/4)을 산출한다. 또한, 제6 네트워크부(620_6)의 제N층(620_6N)의 풀링부(1014)에서는, 특징 데이터(1932_1)의 채널 1을 16분할하고서 각 영역에 대해 평균값(Avg2-2-1-1-1/16~Avg2-2-1-1-16/16)을 산출한다.
제6 네트워크부(620_6)의 제N층(620_6N)의 풀링부(1014)에서는, 이들 처리를 Nλ채널분에 대해 행함으로써 출력 데이터(2101_1)를 생성한다.
이로써, 풀링부(1014)에서는, 예를 들어, 데이터 크기가 서로 다른 특징 데이터(1931_1,1932_1)에 대해, 고정된 길이의 출력 데이터(2100_1,2101_1)를 출력할 수 있다.
<가상 측정 데이터의 평가>
이어서, 추론부(162)로부터 출력되는 가상 측정 데이터(추론 결과)의 정확도에 대해 설명한다. 도 21은 추론부에 의한 추론 결과의 정확도를 설명하기 위한 제1 도이다. 한편, 도 21의 예는, 하나의 채널을 처리 단위(120)로서 정의한 경우에, 각 채널(여기에서는, 채널A~채널D의 4개 채널)에서 가상 측정 데이터와 검사 데이터를 대비한 것을 나타내고 있다.
한편, 검사 데이터는, 여기에서는, ER값으로 하여 설명한다. 또한, 도 21에 나타내는 각 그래프에서, 가로축은 가상 측정 데이터 값을, 세로축은 검사 데이터 값을 각각 나타내고 있다. 즉, 도 21에 나타내는 각 그래프에서 플로팅된 점이 기울기가 1인 직선에 가까울수록, 가상 측정 데이터 값과 검사 데이터 값이 더 일치함을 나타낸다. 그리고, 플로팅된 점이 기울기가 1인 직선으로부터 멀어질수록, 가상 측정 데이터 값과 검사 데이터 값의 차가 큼을 나타낸다.
이 중에서, 도 21의 (a)는, 처리 단위인 챔버 A에서 처리 전 웨이퍼(110)가 처리되어 처리 후 웨이퍼(130)를 검사함으로써 취득된 ER값과, 처리 단위인 챔버 A에서 처리 전 웨이퍼(110)의 처리에 수반하여 측정된 OES 데이터에 기초하여 추론된 가상 측정 데이터와의 관계를 플로팅한 것이다.
또한, 도 21의 (b)는, 처리 단위인 챔버 B에서 처리 전 웨이퍼(110)가 처리되어 처리 후 웨이퍼(130)를 검사함으로써 취득된 ER값과, 처리 단위인 챔버 B에서 처리 전 웨이퍼(110)의 처리에 수반하여 측정된 OES 데이터에 기초하여 추론된 가상 측정 데이터와의 관계를 플로팅한 것이다.
또한, 도 21의 (c)는, 처리 단위인 챔버 C에서 처리 전 웨이퍼(110)가 처리되어 처리 후 웨이퍼(130)를 검사함으로써 취득된 ER값과, 처리 단위인 챔버 C에서 처리 전 웨이퍼(110)의 처리에 수반하여 측정된 OES 데이터에 기초하여 추론된 가상 측정 데이터와의 관계를 플로팅한 것이다.
또한, 도 21의 (d)는, 처리 단위인 챔버 D에서 처리 전 웨이퍼(110)가 처리되어 처리 후 웨이퍼(130)를 검사함으로써 취득된 ER값과, 처리 단위인 챔버 D에서 처리 전 웨이퍼(110)의 처리에 수반하여 측정된 OES 데이터에 기초하여 추론된 가상 측정 데이터와의 관계를 플로팅한 것이다.
도 21의 (a)~(d)에 나타내는 바와 같이, 모든 점이 대략 기울기가 1인 직선에 가까운 위치에 있어서, 챔버에 관계 없이 양호한 결과가 얻어진다고 할 수 있다. 즉, 추론부(162)는 어떠한 챔버에도 적용할 수가 있어서, 종래와 같이 챔버마다 다른 모델을 생성할 필요가 없다는 잇점을 가진다.
도 21의 (a)~(d)는 모든 챔버에 적용할 수 있음을 나타낸 예이지만, 추론부(162)는, 서로 다른 챔버 뿐 아니라 동일한 챔버의 유지보수 전후에도 적용할 수가 있다. 즉, 추론부(162)는, 종래와 같이 챔버를 유지보수함에 따라 모델도 같이 유지보수할 필요가 없으므로, 모델의 관리 비용을 절감할 수 있다는 잇점을 가진다.
도 22는 추론부에 의한 추론 결과의 정확도를 설명하기 위한 제2 도이다. 도 22에서 부호 2310은, 일반적인 컨볼루션 신경 네트워크로 구성된 네트워크부를 갖는 추론부를 이용하여 추론한 경우의 가상 측정 데이터와, 검사 데이터 간의 오차를 평가한 평가값이다. 또한, 부호 2320은, 추론부(162)를 이용하여 추론한 경우의 가상 측정 데이터와 검사 데이터 간 오차를 평가한 평가값이다.
한편, 도 22의 예에서는, 평가값으로서 상관 계수의 제곱(결정 계수)과 MAPE(Mean Absolute Percentage Error: 평균 절대 백분율 오차)를 사용하고 있다. 또한, 도 22의 예에서는, 처리 단위인 챔버 A~D 전체의 플로팅에 대한 평가값과, 처리 단위인 챔버 A~D 각각의 플로팅에 대한 평가값을 산출하고 있다.
도 22에 나타내는 바와 같이, 일반적인 컨볼루션 신경 네트워크로 구성된 네트워크부를 갖는 추론부보다 추론부(162)가 모든 평가값에서 양호한 결과로 되어 있다. 즉, 추론부(162)에 의하면, 종래에 비해 정확도가 높은 가상 측정 처리를 실행할 수가 있다.
<정리>
이상의 설명으로부터 알 수 있듯이, 제2 실시형태에 따른 가상 측정 장치는,
제조 프로세스의 소정 처리 단위에 있어 대상물의 처리에 수반하여 발광 분광 분석 장치에서 측정된 시계열 데이터군인 OES 데이터를 취득하고,
취득된 OES 데이터를 서로 다른 수법으로 정규화하고서 각각 서로 다른 네트워크부를 이용하여 처리한 각 출력 데이터를 합성하며,
각 출력 데이터를 합성함으로써 얻은 합성 결과가, 제조 프로세스의 소정 처리 단위에서 대상물을 처리한 후의 결과물의 검사 데이터(ER값)에 근접하도록, 서로 다른 네트워크부에 대해 기계 학습을 실행한다.
이와 같이, OES 데이터를 서로 다른 네트워크부를 이용하여 처리하는 구성으로 하고서, 기계 학습을 실행함으로써, 제조 프로세스의 소정 처리 단위를 다면적으로 해석할 수 있게 된다. 그 결과, OES 데이터를 하나의 네트워크부를 이용하여 처리하는 구성으로 한 경우에 비해, 높은 추론 정확도를 실현하는 모델을 생성할 수 있게 된다.
즉, 제2 실시형태에 의하면, 높은 정확도의 가상 측정 처리를 실행할 수 있는 가상 측정 장치를 제공할 수 있다.
또한, 제2 실시형태에 따른 가상 측정 장치는,
서로 다른 네트워크부에 입력하는 OES 데이터에 대해 리사이즈 처리를 하여, 미니 배치 단위로 같은 데이터 크기의 OES 데이터를 생성하며,
네트워크부의 최종층에서 GAP 처리 또는 SPP 처리를 함으로써 미니 배치 간에 같은 데이터 크기로 하여 고정된 길이의 출력 데이터를 출력한다.
이로써, 제2 실시형태에 의하면, 가변 길이의 OES 데이터가 입력된 경우에도, 기계 학습 알고리즘에 의해 추론부를 생성하는 것이 가능해진다.
[그 밖의 실시형태]
상기 제2 실시형태에서는, 정규화부(1001)가 행하는 정규화 처리로서, 파장 전체에 대한 소정 시간 길이분의 발광 강도로부터 산출된 발광 강도의 평균 및 표준편차를 이용하여 행하는 정규화 처리와, 각각의 파장 내에서의 소정 시간 길이분의 발광 강도로부터 산출된 발광 강도의 평균 및 표준편차를 이용하여 행하는 정규화 처리를 예시하였다. 그러나, 정규화부(1001)가 정규화 처리를 할 때에 사용하는 통계값은 다양하며, 예를 들어, 발광 강도의 최대값과 표준 편차를 사용하여 정규화 처리할 수도 있으며, 그 밖의 통계값을 사용하여 정규화 처리할 수도 있다. 또한, 어떤 통계값을 사용하여 정규화 처리할지 선택 가능하도록 구성될 수도 있다.
또한, 상기 제2 실시형태에서는, 시계열 데이터군이 OES 데이터인 경우에 대해 설명하였다. 그러나, 상기 제2 실시형태에서 사용하는 시계열 데이터군은, OES 데이터에 한정되지 않으며, OES 데이터와 OES 데이터 이외의 시계열 데이터를 조합한 시계열 데이터군을 사용할 수도 있다.
또한, 상기 제2 실시형태에서는, 서로 다른 네트워크부 각각에 같은 시계열 데이터군을 입력하는 것으로 하여 설명하였으나, 서로 다른 네트워크부 각각에 입력하는 시계열 데이터군은, 같은 시계열 데이터군일 수도 있으며, 서로 다른 시계열 데이터군일 수도 있다. 또한, 일부가 서로 중복된 시계열 데이터군일 수도 있다. 같은 경향의 시계열 데이터가 각각의 시계열 데이터군에 포함되어 있는 경우, 비슷한 효과가 기대되기 때문이다.
또한, 상기 제2 실시형태에서는, 네트워크부의 최종층에서 GAP 처리 또는 SPP 처리를 하는 것으로서 설명하였으나, 이들 처리가 제1 실시형태에서 설명한 네트워크부의 최종층에서 행해지도록 구성할 수도 있다.
또한, 상기 제2 실시형태에서는, 풀링부(1014)가 SPP 처리를 할 때에 특징 데이터를 3가지의 분할 방법(분할 없음, 4분할, 16분할)으로 분할하는 것으로서 설명하였으나, 분할 방법은 3가지에 한정되지 않는다. 또한, 분할 갯수 역시 0, 4, 16에 한정되지는 않는다.
또한, 상기 제1 및 제2 실시형태에서는, 학습부(161)의 제1 네트워크부(620_1)~제M 네트워크부(620_M)의 기계 학습 알고리즘을, 컨볼루션 신경 네트워크를 베이스로 하여 구성하는 것으로 설명하였다. 그러나, 학습부(161)의 제1 네트워크부(620_1)~제M 네트워크부(620_M)의 기계 학습 알고리즘은, 컨볼루션 신경 네트워크에 한정되지 않으며, 다른 기계 학습 알고리즘을 베이스로 하여 구성할 수도 있다.
또한, 상기 제2 실시형태에서는, 검사 데이터로서 ER값을 사용하는 경우에 대해 설명하였으나, CD(Critical Dimension)값 등을 사용할 수도 있다.
또한, 상기 제1 및 제2 실시형태에서는, 가상 측정 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, 가상 측정 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.
본 출원은 일본국 특허청에 2018년 11월 30일자로 출원된 특허출원 2018-225676호에 기초하는 우선권을 주장하는 것이며, 그 전체 내용을 참조로써 본 출원에 원용한다.
100 시스템
110 처리 전 웨이퍼
120 처리 단위
130 처리 후 웨이퍼
140_1~140_n 시계열 데이터 취득 장치
150 검사 데이터 취득 장치
160 가상 측정 장치
161 학습부
162 추론부
200 반도체 제조 장치
610 분기부
620_1 제1 네트워크부
620_11~620_1N 제1층~제N층
620_2 제2 네트워크부
620_21~620_2N 제1층~제N층
620_M 제M 네트워크부
620_M1~620_MN 제1층~제N층
630 연결부
640 비교부
1001,1011 정규화부
1004,1014 풀링부
1210 분기부
1220_1 제1 네트워크부
1220_11~1220_1N 제1층~제N층
1220_2 제2 네트워크부
1220_21~1220_2N 제1층~제N층
1220_M 제M 네트워크부
1220_M1~1220_MN 제1층~제N층
1240 연결부
1250 비교부
1401 발광 분광 분석 장치
1520 OES 데이터
1610,1620 정규화 OES 데이터

Claims (18)

  1. 제조 프로세스의 소정 처리 단위에 있어 대상물의 처리에 수반하여 측정된 시계열 데이터군을 취득하는 취득부와,
    취득된 상기 시계열 데이터군을 복수 개의 네트워크부를 이용하여 처리함으로써 출력된 각 출력 데이터의 합성 결과가, 상기 제조 프로세스의 상기 소정 처리 단위에서 상기 대상물을 처리했을 때의 결과물의 검사 데이터에 근접하도록, 상기 복수 개의 네트워크부에 대해 기계 학습을 실행하는 학습부를 포함하는 가상 측정 장치.
  2. 제1항에 있어서,
    새로운 대상물에 대해 취득된 시계열 데이터군을, 기계 학습이 실행된 상기 복수 개의 네트워크부를 이용하여 처리함으로써, 출력된 각 출력 데이터의 합성 결과를, 상기 새로운 대상물을 처리했을 때의 결과물의 검사 데이터로서 추론하는 추론부를 더 포함하는 가상 측정 장치.
  3. 제조 프로세스의 소정 처리 단위에 있어 대상물의 처리에 수반하여 측정된 시계열 데이터군을 취득하는 취득부와,
    취득된 상기 시계열 데이터군을 복수 개의 네트워크부를 이용하여 처리하여, 당해 복수 개의 네트워크부로부터 출력된 각 출력 데이터의 합성 결과를, 상기 대상물을 처리했을 때의 결과물의 검사 데이터로서 추론하는 추론부를 포함하고,
    상기 복수 개의 네트워크부는, 미리 취득된 시계열 데이터군을 처리함으로써 출력된 각 출력 데이터의 합성 결과가, 제조 프로세스의 소정 처리 단위에서 대상물을 처리했을 때의 결과물의 검사 데이터에 근접하도록, 기계 학습된 것인 가상 측정 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 상기 제1 시계열 데이터군 및 상기 제2 시계열 데이터군을 서로 다른 네트워크부를 이용하여 처리함으로써 출력된 각 출력 데이터의 합성 결과가, 상기 제조 프로세스의 상기 소정 처리 단위에서 상기 대상물을 처리했을 때의 결과물의 검사 데이터에 근접하도록, 상기 서로 다른 네트워크부에 대해 기계 학습을 실행하는 것인 가상 측정 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, 기계 학습이 실행된 상기 서로 다른 네트워크부를 이용하여 처리함으로써 출력된 각 출력 데이터의 합성 결과를, 상기 새로운 대상물을 처리했을 때의 결과물의 검사 데이터로서 추론하는 추론부를 더 포함하는 가상 측정 장치.
  6. 제1항에 있어서,
    상기 학습부는, 취득된 상기 시계열 데이터군을 데이터 종류 또는 시간 범위에 따라 그룹화하고 각 그룹을 서로 다른 네트워크부를 이용하여 처리함으로써 출력된 각 출력 데이터의 합성 결과가, 상기 제조 프로세스의 상기 소정 처리 단위에서 상기 대상물을 처리했을 때의 결과물의 검사 데이터에 근접하도록, 상기 서로 다른 네트워크부에 대해 기계 학습을 실행하는 것인 가상 측정 장치.
  7. 제6항에 있어서,
    새로운 대상물에 대해 취득된 시계열 데이터군을 상기 데이터 종류 또는 상기 시간 범위에 따라 그룹화하고, 각 그룹을 기계 학습이 실행된 상기 서로 다른 네트워크부를 이용하여 처리함으로써 출력된 각 출력 데이터의 합성 결과를, 상기 새로운 대상물을 처리했을 때의 결과물의 검사 데이터로서 추론하는 추론부를 더 포함하는 가상 측정 장치.
  8. 제1항에 있어서,
    상기 학습부는, 취득된 상기 시계열 데이터군을, 서로 다른 수법으로 정규화하는 정규화부를 각각에 포함하는 서로 다른 네트워크부에 입력하고, 당해 서로 다른 네트워크부를 이용하여 처리함으로써 출력된 각 출력 데이터의 합성 결과가, 상기 제조 프로세스에서 상기 대상물을 처리했을 때의 결과물의 검사 데이터에 근접하도록, 상기 서로 다른 네트워크부에 대해 기계 학습을 실행하는 것인 가상 측정 장치.
  9. 제8항에 있어서,
    새로운 대상물에 대해 취득된 시계열 데이터군을, 기계 학습이 실행된 상기 서로 다른 네트워크부에 각각 입력하고, 기계 학습이 실행된 상기 서로 다른 네트워크부를 이용하여 처리함으로써, 출력된 각 출력 데이터의 합성 결과를, 상기 새로운 대상물을 처리했을 때의 결과물의 검사 데이터로서 추론하는 추론부를 더 포함하는 가상 측정 장치.
  10. 제1항에 있어서,
    상기 학습부는, 상기 소정 처리 단위 내의 제1 처리 공간에서의 상기 대상물의 처리에 수반하여 측정된 제1 시계열 데이터군과, 제2 처리 공간에서의 상기 대상물의 처리에 수반하여 측정된 제2 시계열 데이터군을, 서로 다른 네트워크부를 이용하여 처리함으로써 출력된 각 출력 데이터의 합성 결과가, 상기 제조 프로세스의 소정 처리 단위에서 상기 대상물을 처리했을 때의 결과물의 검사 데이터에 근접하도록, 상기 서로 다른 네트워크부에 대해 기계 학습을 실행하는 것인 가상 측정 장치.
  11. 제10항에 있어서,
    새로운 대상물에 대해, 상기 소정 처리 단위 내의 상기 제1 처리 공간에서의 처리에 수반하여 측정된 제1 시계열 데이터군과, 상기 제2 처리 공간에서의 처리에 수반하여 측정된 제2 시계열 데이터군을, 기계 학습이 실행된 상기 서로 다른 네트워크부를 이용하여 처리함으로써 출력된 각 출력 데이터의 합성 결과를, 상기 새로운 대상물을 처리했을 때의 결과물의 검사 데이터로서 추론하는 추론부를 더 포함하는 가상 측정 장치.
  12. 제1항에 있어서,
    상기 시계열 데이터군이 기판 처리 장치에서의 처리에 수반하여 측정된 데이터인 가상 측정 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 가상 측정 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 가상 측정 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 가상 측정 장치.
  16. 제8항에 있어서,
    상기 서로 다른 네트워크부의 각 층에 있어 최종층에 포함되는 풀링부는 GAP 처리 또는 SPP 처리를 행하는 것인 가상 측정 장치.
  17. 제조 프로세스의 소정 처리 단위에 있어 대상물의 처리에 수반하여 측정된 시계열 데이터군을 취득하는 취득 공정과,
    취득된 상기 시계열 데이터군을 복수 개의 네트워크부를 이용하여 처리함으로써 출력된 각 출력 데이터의 합성 결과가, 상기 제조 프로세스의 상기 소정 처리 단위에서 상기 대상물을 처리했을 때의 결과물의 검사 데이터에 근접하도록, 상기 복수 개의 네트워크부에 대해 기계 학습을 실행하는 학습 공정을 포함하는 가상 측정 방법.
  18. 제조 프로세스의 소정 처리 단위에 있어 대상물의 처리에 수반하여 측정된 시계열 데이터군을 취득하는 취득 공정과,
    취득된 상기 시계열 데이터군을 복수 개의 네트워크부를 이용하여 처리함으로써 출력된 각 출력 데이터의 합성 결과가, 상기 제조 프로세스의 상기 소정 처리 단위에서 상기 대상물을 처리했을 때의 결과물의 검사 데이터에 근접하도록, 상기 복수 개의 네트워크부에 대해 기계 학습을 실행하는 학습 공정을, 컴퓨터로 하여금 실행시키기 위한 가상 측정 프로그램.
KR1020217019299A 2018-11-30 2019-11-29 가상 측정 장치, 가상 측정 방법 및 가상 측정 프로그램 KR20210096155A (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JPJP-P-2018-225676 2018-11-30
JP2018225676 2018-11-30
PCT/JP2019/046869 WO2020111258A1 (ja) 2018-11-30 2019-11-29 仮想測定装置、仮想測定方法及び仮想測定プログラム

Publications (1)

Publication Number Publication Date
KR20210096155A true KR20210096155A (ko) 2021-08-04

Family

ID=70853036

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020217019299A KR20210096155A (ko) 2018-11-30 2019-11-29 가상 측정 장치, 가상 측정 방법 및 가상 측정 프로그램

Country Status (6)

Country Link
US (1) US20220011747A1 (ko)
JP (1) JP7118170B2 (ko)
KR (1) KR20210096155A (ko)
CN (1) CN113169036A (ko)
TW (1) TWI829807B (ko)
WO (1) WO2020111258A1 (ko)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7412150B2 (ja) * 2019-11-29 2024-01-12 東京エレクトロン株式会社 予測装置、予測方法及び予測プログラム
JP7452990B2 (ja) * 2019-11-29 2024-03-19 東京エレクトロン株式会社 異常検知装置、異常検知方法及び異常検知プログラム
JP7481956B2 (ja) * 2020-08-26 2024-05-13 株式会社東芝 推論装置、方法、プログラムおよび学習装置
KR102486461B1 (ko) * 2020-08-31 2023-01-09 (주)브릭 시계열 데이터의 특징값을 기반으로 예측값 및 시계열 구간별 특징 중요도 산출을 수행하는 가상 계측 방법 및 그를 위한 장치
KR102486462B1 (ko) * 2020-08-31 2023-01-09 (주)브릭 열화에 따른 패턴 학습을 이용한 이상 감지 방법 및 그를 위한 장치
KR102486460B1 (ko) * 2020-08-31 2023-01-09 (주)브릭 시계열 데이터의 특징값을 기반으로 예측값 및 특징 중요도 산출을 수행하는 가상 계측 방법 및 그를 위한 장치
KR102486463B1 (ko) * 2020-08-31 2023-01-09 (주)브릭 열화에 따른 시계열 데이터를 이용한 실시간 이상 감지 방법 및 그를 위한 장치
EP4334782A1 (en) * 2021-05-06 2024-03-13 ASML Netherlands B.V. Causal convolution network for process control
WO2022264599A1 (ja) * 2021-06-17 2022-12-22 東京エレクトロン株式会社 基板処理装置、データ処理方法及びデータ処理プログラム

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009282960A (ja) 2008-05-20 2009-12-03 National Cheng Kung Univ 自動バーチャル測定のシステムおよびその方法
JP2010267242A (ja) 2009-04-14 2010-11-25 Sharp Corp 出来映え予測装置、出来映え予測方法、出来映え予測プログラム、及び、プログラム記録媒体

Family Cites Families (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0886628A (ja) * 1994-09-16 1996-04-02 Rohm Co Ltd 神経回路網による半導体チップリード半田外観検査法
US7062411B2 (en) * 2003-06-11 2006-06-13 Scientific Systems Research Limited Method for process control of semiconductor manufacturing equipment
US20040267397A1 (en) * 2003-06-27 2004-12-30 Srinivas Doddi Optical metrology of structures formed on semiconductor wafer using machine learning systems
DE10339924B4 (de) * 2003-08-29 2011-05-05 Infineon Technologies Ag ESD-Testanordnung und Verfahren
TWI267012B (en) * 2004-06-03 2006-11-21 Univ Nat Cheng Kung Quality prognostics system and method for manufacturing processes
JP5157359B2 (ja) * 2006-10-10 2013-03-06 オムロン株式会社 時系列データ解析装置、時系列データ解析システム、時系列データ解析装置の制御方法、プログラム、および記録媒体
WO2009034967A1 (ja) * 2007-09-11 2009-03-19 Tokyo Electron Limited 情報処理装置、情報処理方法、及びプログラム
US8041451B2 (en) * 2009-04-21 2011-10-18 Taiwan Semiconductor Manufacturing Company, Ltd. Method for bin-based control
US8437870B2 (en) * 2009-06-05 2013-05-07 Taiwan Semiconductor Manufacturing Company, Ltd. System and method for implementing a virtual metrology advanced process control platform
JP2012004181A (ja) * 2010-06-14 2012-01-05 Sharp Corp 特性予測装置、特性予測方法、特性予測プログラムおよびプログラム記録媒体
CN101976045B (zh) * 2010-08-25 2012-05-23 江苏大学 用于tft-lcd蚀刻制程的面板品质虚拟量测方法与系统
CN101963802B (zh) * 2010-08-25 2012-08-15 江苏大学 批次制程的虚拟量测方法与系统
US8954184B2 (en) * 2011-01-19 2015-02-10 Tokyo Electron Limited Tool performance by linking spectroscopic information with tool operational parameters and material measurement information
JP5933985B2 (ja) * 2012-02-15 2016-06-15 株式会社日立ハイテクノロジーズ レシピ実行時間演算装置および半導体検査装置
JP6015282B2 (ja) * 2012-09-21 2016-10-26 オムロン株式会社 シミュレーション装置、シミュレーション方法、およびシミュレーションプログラム
US10242142B2 (en) * 2013-03-14 2019-03-26 Coventor, Inc. Predictive 3-D virtual fabrication system and method
US9183624B2 (en) * 2013-06-19 2015-11-10 Kla-Tencor Corp. Detecting defects on a wafer with run time use of design data
CN103617329A (zh) * 2013-12-12 2014-03-05 西安工业大学 一种基于人工神经网络和虚拟装配的装配时间评价方法
US20150332167A1 (en) * 2014-05-13 2015-11-19 Tokyo Electron Limited System and method for modeling and/or analyzing manufacturing processes
CN107004060B (zh) * 2014-11-25 2022-02-18 Pdf决策公司 用于半导体制造工艺的经改进工艺控制技术
JP6559433B2 (ja) * 2015-02-17 2019-08-14 Hoya株式会社 フォトマスクの製造方法、描画装置、フォトマスクの検査方法、フォトマスクの検査装置、及び表示装置の製造方法
JP6625914B2 (ja) * 2016-03-17 2019-12-25 ファナック株式会社 機械学習装置、レーザ加工システムおよび機械学習方法
KR101917006B1 (ko) * 2016-11-30 2018-11-08 에스케이 주식회사 머신 러닝 기반 반도체 제조 수율 예측 시스템 및 방법
JP2018105659A (ja) * 2016-12-23 2018-07-05 国立研究開発法人理化学研究所 識別装置、識別システム、学習装置、学習方法、識別プログラム、学習プログラム、記録媒体、及び集積回路
US11237119B2 (en) * 2017-01-10 2022-02-01 Kla-Tencor Corporation Diagnostic methods for the classifiers and the defects captured by optical tools
JP6964857B2 (ja) * 2017-03-28 2021-11-10 国立大学法人神戸大学 画像認識装置、画像認識方法、コンピュータプログラム、及び製品監視システム
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

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009282960A (ja) 2008-05-20 2009-12-03 National Cheng Kung Univ 自動バーチャル測定のシステムおよびその方法
JP2010267242A (ja) 2009-04-14 2010-11-25 Sharp Corp 出来映え予測装置、出来映え予測方法、出来映え予測プログラム、及び、プログラム記録媒体

Also Published As

Publication number Publication date
TWI829807B (zh) 2024-01-21
US20220011747A1 (en) 2022-01-13
JP7118170B2 (ja) 2022-08-15
WO2020111258A1 (ja) 2020-06-04
JPWO2020111258A1 (ja) 2021-11-11
TW202038034A (zh) 2020-10-16
CN113169036A (zh) 2021-07-23

Similar Documents

Publication Publication Date Title
KR20210096155A (ko) 가상 측정 장치, 가상 측정 방법 및 가상 측정 프로그램
KR20210067920A (ko) 예측 장치, 예측 방법 및 예측 프로그램
EP3114705B1 (en) Metrology system and method for compensating for overlay errors by the metrology system
CN109685199B (zh) 创建包含关于池化类型的信息的表的方法和装置及使用其的测试方法和测试装置
US7774153B1 (en) Computer-implemented methods, carrier media, and systems for stabilizing output acquired by an inspection system
US8452439B2 (en) Device performance parmeter tuning method and system
GB2522365B (en) Method for processing an image
US11550823B2 (en) Preprocessing for a classification algorithm
KR20210067909A (ko) 이상 검지 장치, 이상 검지 방법 및 이상 검지 프로그램
KR20220106999A (ko) 추론 장치, 추론 방법 및 추론 프로그램
US20160259871A1 (en) Model generation method and information processing apparatus
EP4080421A1 (en) System and method for reassignment clustering for defect visibility regression
US20220335287A1 (en) Systems and methods for dynamically updating a neural network having a plurality of kernels
US20210150712A1 (en) Image analysis device and image analysis method
CN113486869A (zh) 一种基于非监督特征提取的岩性识别方法、装置及介质
US20230065995A1 (en) Method and apparatus with data exploration
US20210143038A1 (en) Semiconductor process analysis device, semiconductor process analysis method, and storage medium
US11789731B2 (en) Tensor decomposition processing system, method and program
US20230359188A1 (en) Processor including modified radial basis function (rbf) neural network and method of providing the modified rbf neural network
EP4202416A1 (en) Spectrum analysis method, device and system
US20240210925A1 (en) Method and apparatus with operational control dependent on multiple processes
Gross et al. An approach to fully unsupervised hyperspectral unmixing
Yu et al. L n-norm multiple kernel learning and least squares support vector machines
KR20230081911A (ko) 선택적 인공 지능 엔진 기반 대상체 비파괴 검사 방법, 장치 및 시스템
CN117043585A (zh) 用于化合物的基于拉曼光谱的鉴定的方法和系统

Legal Events

Date Code Title Description
A201 Request for examination