KR20210118128A - 정보 처리 시스템, 정보 처리 방법, 프로그램 및 기판 처리 장치 - Google Patents

정보 처리 시스템, 정보 처리 방법, 프로그램 및 기판 처리 장치 Download PDF

Info

Publication number
KR20210118128A
KR20210118128A KR1020217026411A KR20217026411A KR20210118128A KR 20210118128 A KR20210118128 A KR 20210118128A KR 1020217026411 A KR1020217026411 A KR 1020217026411A KR 20217026411 A KR20217026411 A KR 20217026411A KR 20210118128 A KR20210118128 A KR 20210118128A
Authority
KR
South Korea
Prior art keywords
parameter
value
learning
processing apparatus
values
Prior art date
Application number
KR1020217026411A
Other languages
English (en)
Inventor
게이스케 나미키
마코토 후쿠시마
오사무 나베야
Original Assignee
가부시키가이샤 에바라 세이사꾸쇼
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 가부시키가이샤 에바라 세이사꾸쇼 filed Critical 가부시키가이샤 에바라 세이사꾸쇼
Publication of KR20210118128A publication Critical patent/KR20210118128A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/02—Manufacture or treatment of semiconductor devices or of parts thereof
    • H01L21/04—Manufacture or treatment of semiconductor devices or of parts thereof the devices having potential barriers, e.g. a PN junction, depletion layer or carrier concentration layer
    • H01L21/18—Manufacture or treatment of semiconductor devices or of parts thereof the devices having potential barriers, e.g. a PN junction, depletion layer or carrier concentration layer the devices having semiconductor bodies comprising elements of Group IV of the Periodic Table or AIIIBV compounds with or without impurities, e.g. doping materials
    • H01L21/30—Treatment of semiconductor bodies using processes or apparatus not provided for in groups H01L21/20 - H01L21/26
    • H01L21/302—Treatment of semiconductor bodies using processes or apparatus not provided for in groups H01L21/20 - H01L21/26 to change their surface-physical characteristics or shape, e.g. etching, polishing, cutting
    • H01L21/306—Chemical or electrical treatment, e.g. electrolytic etching
    • H01L21/30625—With simultaneous mechanical treatment, e.g. mechanico-chemical polishing
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B24—GRINDING; POLISHING
    • B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
    • B24B37/00—Lapping machines or devices; Accessories
    • B24B37/005—Control means for lapping machines or devices
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/15—Correlation function computation including computation of convolution operations
    • 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
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/02—Manufacture or treatment of semiconductor devices or of parts thereof
    • H01L21/04—Manufacture or treatment of semiconductor devices or of parts thereof the devices having potential barriers, e.g. a PN junction, depletion layer or carrier concentration layer
    • H01L21/18—Manufacture or treatment of semiconductor devices or of parts thereof the devices having potential barriers, e.g. a PN junction, depletion layer or carrier concentration layer the devices having semiconductor bodies comprising elements of Group IV of the Periodic Table or AIIIBV compounds with or without impurities, e.g. doping materials
    • H01L21/30—Treatment of semiconductor bodies using processes or apparatus not provided for in groups H01L21/20 - H01L21/26
    • H01L21/302—Treatment of semiconductor bodies using processes or apparatus not provided for in groups H01L21/20 - H01L21/26 to change their surface-physical characteristics or shape, e.g. etching, polishing, cutting
    • H01L21/304—Mechanical treatment, e.g. grinding, polishing, cutting

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Medical Informatics (AREA)
  • Mechanical Engineering (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Power Engineering (AREA)
  • Molecular Biology (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Health & Medical Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • General Factory Administration (AREA)
  • Mechanical Treatment Of Semiconductor (AREA)
  • Complex Calculations (AREA)
  • Finish Polishing, Edge Sharpening, And Grinding By Specific Grinding Devices (AREA)

Abstract

기판 처리 장치의 복수의 파라미터를 기판 처리 장치의 성능값이 향상되도록 조절한다. 서로 파라미터 종별의 조합이 다른 파라미터의 조를 입력값으로 하고 대응하는 기판 처리 장치의 성능값을 출력값으로 하는 복수의 제1 학습 데이터 세트 각각에 대하여 학습하고, 학습 후에, 복수의 검증용 데이터 세트이며 학습 시와 파라미터 종별의 조합이 공통되는 복수의 검증용 데이터 세트 각각을 입력으로 하여, 성능값을 예측하는 제1 인공지능부와, 당해 예측의 성능값의 정답의 비율을 나타내는 값, 당해 학습에 걸리는 시간 및 당해 제1 인공지능부가 성능값의 예측에 요하는 시간 중 적어도 하나를 사용하여, 당해 복수의 검증용 데이터 세트에 포함되는 복수의 파라미터 종별의 조 중에서 하나의 파라미터 종별의 조를 선택하는 선택부와, 당해 선택된 파라미터 종별의 조로 구성되는 과거의 파라미터값 조를 입력값으로 하고 대응하는 과거의 성능값을 출력값으로 하는 복수의 제2 학습 데이터 세트를 사용하여 학습하고, 학습 후에, 당해 선택된 파라미터 종별의 조로 구성되는 파라미터 중 기판 처리 장치마다 필연적으로 정해져버리는 고정 파라미터를 입력으로 하여, 당해 선택된 파라미터 종별의 조로 구성되는 파라미터 중 가변의 파라미터를 변화시킨 경우에 당해 기판 처리 장치의 성능값을 예측하고, 예측된 성능값 중, 당해 성능값이 추출 기준을 충족하는 파라미터값의 조합을 출력하는 제2 인공지능부를 갖는다.

Description

정보 처리 시스템, 정보 처리 방법, 프로그램 및 기판 처리 장치
본 발명은, 정보 처리 시스템, 정보 처리 방법, 프로그램 및 기판 처리 장치에 관한 것이다.
근년, 반도체 디바이스의 고집적화가 진행됨에 따라서 회로의 배선이 미세화하고, 배선 간 거리도 보다 좁혀져 가고 있다. 반도체 디바이스의 제조에서는, 기판 처리 장치가, 기판(예를 들어 웨이퍼)에 대하여 다양한 처리를 실행한다. 기판 처리 장치의 일례인, 화학 기계 연마(CMP)를 행하는 연마 장치(CMP 장치라고도 함)는, 웨이퍼의 표면을 평탄화하는 하나의 수단으로서 사용된다. 연마 장치에 의해 웨이퍼의 표면을 평탄하게 함으로써, 반도체 디바이스의 제조에 있어서, 웨이퍼의 위에 많은 종류의 재료가 막형으로 반복해서 형성되었을 때, 균일한 적층 구조를 형성할 수 있다.
이러한 종류의 연마 장치는, 일반적으로, 연마 패드가 설치된 턴테이블(연마 테이블이라고도 함)과, 웨이퍼를 보유 지지하는 톱링(연마 헤드라고도 함)과, 연마액을 연마 패드 위에 공급하는 노즐을 구비하고 있다. 노즐로부터 연마액(슬러리라고도 함)을 연마 패드 위에 공급하면서, 톱링에 의해 웨이퍼를 연마 패드에 압박하고, 또한 톱링과 턴테이블을 상대 이동시킴으로써, 웨이퍼를 연마하여 그 표면을 평탄하게 한다.
이와 같은 연마 장치에 있어서, 연마 중의 웨이퍼와 연마 패드 사이의 상대적인 압박력이 웨이퍼의 전체면에 걸쳐 균일하지 않은 경우에는, 웨이퍼의 각 부분에 부여되는 압박력에 따라서 연마 부족이나 과연마가 발생해버린다. 웨이퍼에 대한 압박력을 균일화하기 위해서, 톱링의 하부에 탄성막(멤브레인)으로 형성되는 복수의 압력실을 마련하고, 이 복수의 압력실에 가압 공기 등의 유체를 각각 공급함으로써 탄성막을 통한 유체압에 의해 웨이퍼를 연마 패드에 압박해서 연마하는 것이 행해지고 있다.
또한 톱링은, 웨이퍼를 연마면에 대하여 압박하는 톱링 본체와, 웨이퍼의 외주연을 보유 지지해서 웨이퍼가 톱링으로부터 튀어나오지 않도록 하는 리테이너 링으로 기본적으로 구성되어 있다. 또한, 연마 공정을 장시간 행하고 있으면, 연마 패드의 절삭 부스러기나 슬러리가 연마 패드의 미세한 구멍에 들어가 눈 막힘을 일으켜, 연마 속도가 현저하게 저하되기 때문에, 드레서라고 불리는 장치를 사용하여 연마 패드의 날세움(드레싱)이 행해진다.
일본 특허 공개 제2001-160544호 공보
대표적인 CMP 장치는, 연마 레시피, 즉 일련의 연마 스텝(각 스텝은, 연마 압력, 턴테이블 회전수 등, 미리 설정된 1조의 파라미터를 사용하여 실행됨)에 따르는 소프트웨어에 의해 제어된다. 이 1조의 파라미터 설정은, 시행 착오를 통해 작성되므로, 시간이 걸려 곤란하다.
이에 반하여, 특허문헌 1에는, 복수의 연마 파라미터 세트를 사용하여 복수의 테스트 기판을 연마하는 스텝과, 복수의 테스트 기판의 연마 프로파일을 각각 측정하는 스텝과, 예측 기판 프로파일과 원하는 기판 프로파일 간의 차를 최소로 하는 각 연마 파라미터 세트에 대하여 연마 시간을 계산하는 스텝을 포함하는, 연마 레시피의 결정 방법이 개시되어 있다.
그러나, 여전히, 기판 처리 장치(예를 들어 연마 장치)에 있어서, 복수의 파라미터를 기판 처리 장치의 성능값이 향상되도록 조절하는 것은 어렵다는 문제가 있다.
본 발명은, 상기 문제를 감안하여 이루어진 것으로, 기판 처리 장치의 복수의 파라미터를 기판 처리 장치의 성능값이 향상되도록 조절하는 것을 용이화하는 것을 가능하게 하는 정보 처리 시스템, 정보 처리 방법, 프로그램 및 기판 처리 장치를 제공하는 것을 목적으로 한다.
본 발명의 제1 형태에 따른 정보 처리 시스템은, 기판 처리 장치의 파라미터값의 조합을 제공하는 정보 처리 시스템이며, 서로 파라미터 종별의 조합이 다른 파라미터의 조를 입력값으로 하고 대응하는 상기 기판 처리 장치의 성능값을 출력값으로 하는 복수의 제1 학습 데이터 세트 각각에 대하여 학습하고, 학습 후에, 복수의 검증용 데이터 세트이며 학습 시와 파라미터 종별의 조합이 공통되는 복수의 검증용 데이터 세트 각각을 입력으로 하여, 성능값을 예측하는 제1 인공지능부와, 상기 예측의 성능값의 정답의 비율을 나타내는 값, 당해 학습에 걸리는 시간, 및 상기 성능값의 예측에 요하는 시간 중 적어도 하나를 사용하여, 상기 복수의 검증용 데이터 세트에 포함되는 복수의 파라미터 종별의 조 중에서 하나의 파라미터 종별의 조를 선택하는 선택부와, 상기 선택된 파라미터 종별의 조로 구성되는 과거의 파라미터값의 조를 입력값으로 하고 대응하는 과거의 성능값을 출력값으로 하는 복수의 제2 학습 데이터 세트를 사용하여 학습하고, 학습 후에, 상기 선택된 파라미터 종별의 조로 구성되는 파라미터 중 대상의 기판 처리 장치에서 필연적으로 정해져버리는 고정 파라미터를 입력으로 하여, 상기 선택된 파라미터 종별의 조로 구성되는 파라미터 중 가변의 파라미터를 변화시킨 경우에 상기 대상의 기판 처리 장치의 성능값을 예측하고, 예측된 성능값 중, 당해 성능값이 추출 기준을 충족하는 파라미터값의 조합을 출력하는 제2 인공지능부를 구비한다.
이 구성에 의하면, 일단, 지표를 사용하여, 파라미터 종별을 선택하고 나서, 선택된 파라미터 종별의 파라미터로 학습함으로써, 성능값의 예측 정밀도가 향상된다. 그리고, 예측 정밀도가 향상된 성능값이 추출 기준을 충족하는 파라미터값의 조합을 출력하므로, 기판 처리 장치의 복수의 파라미터를 기판 처리 장치의 성능값이 향상되도록 할 수 있다. 따라서, 기판 처리 장치의 복수의 파라미터를 기판 처리 장치의 성능값이 향상되도록 조절하는 것을 용이화할 수 있다.
본 발명의 제2 형태에 따른 정보 처리 시스템은, 제1 형태에 따른 정보 처리 시스템이며, 상기 기판 처리 장치의 복수의 파라미터값 각각과 성능값 사이의 상관을 결정하고, 결정된 복수의 상관을 사용하여, 상기 제1 인공지능부가 입력값으로서 사용하는 복수의 파라미터의 파라미터 종별을 결정하는 결정부를 더 구비한다.
이 구성에 의하면, 성능값과 상관이 높은 복수의 파라미터를 선택할 수 있어, 제2 인공지능부에서 성능값과 상관이 높은 복수의 파라미터를 사용하여 성능값을 예측할 수 있으므로, 제2 인공지능부가, 더 높은 성능값의 파라미터값의 조합을 출력할 수 있다.
본 발명의 제3 형태에 따른 정보 처리 시스템은, 제2 형태에 따른 정보 처리 시스템이며, 상기 결정부는, 상기 기판 처리 장치의 복수의 파라미터값 각각의 사이의 상호 상관을 각각 결정하고, 결정된 상호 상관을 사용하여, 상기 제2 인공지능부가 입력값으로서 사용하는 복수의 파라미터의 파라미터 종별을 추가 또는 일부 혹은 전부 교체한다.
이 구성에 의하면, 제2 인공지능부에서 학습 및 예측에 사용되고 있던 파라미터와 상관이 높은 파라미터가 추가 또는 교체되므로, 제2 인공지능부에서 성능값과 상관이 높은 복수의 파라미터를 사용하여 성능값을 예측할 수 있으므로, 제2 인공지능부가, 더 높은 성능값의 파라미터값의 조합을 출력할 수 있다.
본 발명의 제4 형태에 따른 정보 처리 시스템은, 제1 내지 3 중 어느 형태에 따른 정보 처리 시스템이며, 상기 기판 처리 장치의 하나의 파라미터값과 성능값 사이의 상관식을 결정하고, 당해 상관식을 사용하여, 이상값을 배제하는 기준을 결정하는 배제 기준 결정부를 더 구비하고, 상기 선택부는, 상기 결정된 기준을 충족하는 파라미터를 제외하고, 상기 파라미터 종별의 조를 선택한다.
이 구성에 의하면, 성능값과 상관이 없는 파라미터를 학습 대상으로부터 제외함으로써, 제2 인공지능부가, 보다 성능값이 높은 파라미터값의 조합을 출력할 가능성을 향상시킬 수 있으므로, 제2 인공지능부가, 더 높은 성능값의 파라미터값의 조합을 출력할 수 있다.
본 발명의 제5 형태에 따른 정보 처리 시스템은, 제1 내지 4 중 어느 형태에 따른 정보 처리 시스템이며, 상기 제2 인공지능부는, 대상의 기판 처리 장치가 사용하고 있는 복수의 파라미터값과 그 때의 성능값의 조를, 상기 제2 학습 데이터 세트에 추가 또는 기존의 상기 제2 학습 데이터 세트에 포함되는 데이터와 치환하여 더 학습하고, 학습 후에, 상기 선택된 파라미터 종별의 조로 구성되는 파라미터를 포함하는 복수의 검증용 데이터 세트를 입력으로 하여, 상기 기판 처리 장치의 성능값을 예측하고, 예측된 성능값 중 당해 성능값이 상기 추출 기준을 충족하는 파라미터값의 조합을 출력한다.
이 구성에 의하면, 더욱 성능값이 높은 파라미터값의 조합을 출력할 수 있을 가능성이 있다.
본 발명의 제6 양태에 따른 정보 처리 방법은, 기판 처리 장치의 파라미터값의 조합을 제공하는 정보 처리 방법이며, 서로 파라미터 종별의 조합이 다른 파라미터의 조를 입력값으로 하고 대응하는 상기 기판 처리 장치의 성능값을 출력값으로 하는 복수의 제1 학습 데이터 세트 각각에 대하여 학습하고, 학습 후에, 복수의 검증용 데이터 세트이며 학습 시와 파라미터 종별의 조합이 공통되는 복수의 검증용 데이터 세트 각각을 입력으로 하여, 성능값을 예측하는 스텝과, 상기 예측의 성능값의 정답의 비율을 나타내는 값, 당해 학습에 걸리는 시간, 및 상기 성능값의 예측에 요하는 시간 중 적어도 하나를 사용하여, 상기 복수의 검증용 데이터 세트에 포함되는 복수의 파라미터 종별의 조 중에서 하나의 파라미터 종별의 조를 선택하는 스텝과, 상기 선택된 파라미터 종별의 조로 구성되는 과거의 파라미터값의 조를 입력으로 하고 대응하는 과거의 성능값을 출력값으로 하는 복수의 제2 학습 데이터 세트를 사용하여 학습하고, 학습 후에, 상기 선택된 파라미터 종별의 조로 구성되는 파라미터를 포함하는 복수의 검증용 데이터 세트를 입력으로 하여, 상기 기판 처리 장치의 성능값을 예측하고, 예측된 성능값의 값, 당해 성능값이 추출 기준을 충족하는 파라미터값의 조합을 출력하는 스텝을 갖는다.
이 구성에 의하면, 일단, 지표를 사용하여, 파라미터 종별을 선택하고 나서, 선택된 파라미터 종별의 파라미터로 학습함으로써, 성능값의 예측 정밀도가 향상된다. 그리고, 예측 정밀도가 향상된 성능값이 추출 기준을 충족하는 파라미터값의 조합을 출력하므로, 기판 처리 장치의 복수의 파라미터를 기판 처리 장치의 성능값이 향상되도록 할 수 있다. 따라서, 기판 처리 장치의 복수의 파라미터를 기판 처리 장치의 성능값이 향상되도록 조절하는 것을 용이화할 수 있다.
본 발명의 제7 형태에 따른 프로그램은, 제1 내지 5 중 어느 형태에 따른 정보 처리 시스템에서 사용되는 컴퓨터를, 서로 파라미터 종별의 조합이 다른 파라미터의 조를 입력값으로 하고 대응하는 상기 기판 처리 장치의 성능값을 출력값으로 하는 복수의 제1 학습 데이터 세트 각각에 대하여 학습하고, 학습 후에, 복수의 검증용 데이터 세트이며 학습 시와 파라미터 종별의 조합이 공통되는 복수의 검증용 데이터 세트 각각을 입력으로 하여, 성능값을 예측하는 제1 인공 지능부로서 기능시키기 위한 프로그램이다.
이 구성에 의하면, 예측의 성능값의 정답의 비율을 나타내는 값, 당해 학습에 걸리는 시간, 및 상기 성능값의 예측에 요하는 시간 중 적어도 하나를 사용하여, 파라미터 종별을 선택할 수 있다.
본 발명의 제8 양태에 따른 정보 처리 시스템은, 제1 내지 ５ 중 어느 양태에 따른 정보 처리 시스템에서 사용되는 컴퓨터를, 상기 선택된 파라미터 종별의 조로 구성되는 과거의 파라미터값의 조를 입력값으로 하고 대응하는 과거의 성능값을 출력값으로 하는 복수의 제2 학습 데이터 세트를 사용하여 학습하고, 학습 후에, 상기 선택된 파라미터 종별의 조로 구성되는 파라미터 중 대상의 기판 처리 장치에서 필연적으로 정해져버리는 고정 파라미터를 입력으로 하여, 상기 선택된 파라미터 종별의 조로 구성되는 파라미터 중 가변의 파라미터를 변화시킨 경우에 상기 대상의 기판 처리 장치의 성능값을 예측하고, 예측된 성능값 중, 당해 성능값이 추출 기준을 충족하는 파라미터값의 조합을 출력하는 제2 인공지능부로서 기능시키기 위한 프로그램이다.
이 구성에 의하면, 선택된 파라미터 종별의 파라미터로 학습함으로써, 성능값의 예측 정밀도가 향상된다. 그리고, 예측 정밀도가 향상된 성능값이 추출 기준을 충족하는 파라미터값의 조합을 출력하므로, 기판 처리 장치의 복수의 파라미터를 기판 처리 장치의 성능값이 향상되도록 할 수 있다. 따라서, 기판 처리 장치의 복수의 파라미터를 기판 처리 장치의 성능값이 향상되도록 조절하는 것을 용이화할 수 있다.
본 발명의 제9 형태에 따른 기판 처리 장치는, 기판 처리 장치이며, 선택 완료의 파라미터 종별의 조로 구성되는 파라미터값의 조와 성능값의 관계성을 기계 학습한 제2 인공지능부이며, 당해 선택 완료의 파라미터 종별의 조로 구성되는 파라미터 중 당해 기판 처리 장치에서 필연적으로 정해져버리는 고정 파라미터를 입력으로 하여, 상기 선택 완료의 파라미터 종별의 조로 구성되는 파라미터 중 가변의 파라미터를 변화시킨 경우에 당해 기판 처리 장치의 성능값을 예측하고, 예측된 성능값 중, 당해 성능값이 추출 기준을 충족하는 파라미터값의 조합을 출력하는 제2 인공지능부를 구비하고, 상기 출력된 파라미터값의 조합을 사용하여 기판을 처리한다.
이 구성에 의하면, 학습 완료의 제2 인공지능부를 사용하여, 추출 기준을 충족하는 파라미터값의 조합을 출력하고, 이 파라미터값의 조합으로 기판을 처리하므로, 기판 처리 장치의 성능을 향상시킬 수 있다.
본 발명의 일 양태에 의하면, 일단, 지표를 사용하여, 파라미터 종별을 선택하고 나서, 선택된 파라미터 종별의 파라미터로 학습함으로써, 성능값의 예측 정밀도가 향상된다. 그리고, 예측 정밀도가 향상된 성능값이 추출 기준을 충족하는 파라미터값의 조합을 출력하므로, 기판 처리 장치의 복수의 파라미터를 기판 처리 장치의 성능값이 향상되도록 할 수 있다. 따라서, 기판 처리 장치의 복수의 파라미터를 기판 처리 장치의 성능값이 향상되도록 조절하는 것을 용이화할 수 있다.
도 1은 제1 실시 형태에 따른 CMP 시스템의 일례의 개략 구성도이다.
도 2는 제1 실시 형태에 따른 기억 매체에 기억되어 있는 테이블의 일례이다.
도 3은 제1 실시 형태에 따른 정보 처리 시스템 S1의 개략 구성도이다.
도 4는 제1 실시 형태에 따른 정보 처리 시스템의 전처리의 흐름의 일례를 나타내는 흐름도이다.
도 5는 제1 실시 형태에 따른 정보 처리 시스템의 실행의 흐름의 일례를 나타내는 흐름도이다.
도 6은 제2 실시 형태에 따른 CMP 시스템의 일례의 개략 구성도이다.
도 7은 제3 실시 형태에 따른 CMP 시스템의 일례의 개략 구성도이다.
도 8은 제4 실시 형태에 따른 CMP 시스템의 일례의 개략 구성도이다.
도 9는 제5 실시 형태에 따른 CMP 시스템의 일례의 개략 구성도이다.
도 10은 제6 실시 형태에 따른 CMP 시스템의 일례의 개략 구성도이다.
도 11은 제7 실시 형태에 따른 CMP 시스템의 일례의 개략 구성도이다.
이하, 각 실시 형태에 대하여, 도면을 참조하면서 설명한다. 단, 필요 이상으로 상세한 설명은 생략하는 경우가 있다. 예를 들어, 이미 잘 알려진 사항의 상세 설명이나 실질적으로 동일한 구성에 대한 중복 설명을 생략하는 경우가 있다. 이것은, 이하의 설명이 불필요하게 길어지는 것을 피하여, 당업자의 이해를 용이하게 하기 위해서이다. 각 실시 형태에서는, 기판 처리 장치의 일례로서 CMP 장치를 예로 하여 설명한다.
<제1 실시 형태>
도 1은, 제1 실시 형태에 따른 CMP 시스템의 일례의 개략 구성도이다. 도 1에 도시한 바와 같이, 제1 실시 형태에 따른 CMP 시스템 C1에 있어서, 반도체 제조를 위한 제1 공장(이하, 단순히 제1 공장이라고 함)에 CMP 장치(1 내지 3)가 마련되고, 외부 기기(21)가 마련되어 있다. 또한, 제1 실시 형태에 따른 CMP 시스템 C1에 있어서, 반도체 제조를 위한 제2 공장(이하, 단순히 제2 공장이라고 함)에 CMP 장치(4 내지 6)가 마련되고, 외부 기기(22)가 마련되어 있다. 제1 공장 및 제2 공장 내의 외부 기기(21 및 22)는, 예를 들어 웨이퍼 검사·측정기(막 두께 측정기, 파티클 측정기 등)이다.
또한, 본 실시 형태에서는, 설명을 간단하게 하기 위해서, 일례로서 공장이 2개 있고, 각 공장에는 CMP 장치가 3대 있는 것으로서 설명하지만, 이것으로 한정되는 것은 아니고, 공장은 1개여도 3개 이상 있어도 되며, 또한 각 공장에 있어서의 CMP 장치의 대수는 동수일 필요는 없으며, 각 공장에 있어서의 CMP 장치의 수는 2개 이하여도 되고, 4개 이상이어도 된다.
제1 실시 형태에 따른 CMP 시스템 C1에 있어서, 제1 공장 및 제2 공장의 밖에는, 외부 기기(23)가 마련되어 있다. 이 외부 기기(23)는 예를 들어, 소모 부재 메이커의 검사·측정기, 및 그것들이 저장된 기억 매체 등이다.
분석 센터에는, 정보 처리 시스템 S1이 마련되어 있다. 정보 처리 시스템 S1은, 제1 인공지능부(11), 선택부(12), 제2 인공지능부(13), 및 기억 매체(14)를 구비한다.
도 2는, 제1 실시 형태에 따른 기억 매체에 기억되어 있는 테이블의 일례이다. 도 2에 있어서, 레코드를 식별하는 레코드 ID와, 파라미터(예를 들어 연마 압력, 턴테이블 회전수 등)와, 당해 파라미터의 조로 CMP 장치를 동작시켰을 때의 성능값(예를 들어, 연마 레이트)과, 성능값이 기준을 충족시키지 못한 요인의 조의 레코드가 축적되어 있다. 이와 같이, 기억 매체(14)에는, 도 2에 도시한 바와 같이, 각 CMP 장치의 과거의 파라미터의 조와, 당해 파라미터의 조로 CMP 장치를 동작시켰을 때의 성능값이 관련지어져 기억되어 있다. 기억 매체(14)에는 예를 들어, 이들 데이터가 대량으로 기억되어 있으며, 소위 빅 데이터로서 기억되어 있다. 기억 매체(14)는 예를 들어 하드 디스크이다.
<파라미터>
본 실시 형태에 따른 파라미터에 대하여 설명한다. 파라미터는, 이하의 것 중 적어도 하나이다.
연마 파라미터(예를 들어, 연마 압력, 턴테이블 회전수, 헤드 회전수, 연마 시간, 연마 온도 등), 순수 연마 파라미터(예를 들어, 연마 압력, 턴테이블 회전수, 헤드 회전수, 연마 시간, 순수 유량, 순수 온도 등)
패드 드레스 파라미터(예를 들어, 드레서 압박압, 드레서 회전수, 드레서 요동 속도, 드레스 시간, 턴테이블 회전수, 드레스액 유량, 드레서 소모도 등)
세정 파라미터(예를 들어, 세정 부재 압박압, 세정 부재 회전수, 웨이퍼 회전수, 세정 시간, 세정액 종류, 세정액 유량 등)
웨이퍼 건조 파라미터(예를 들어, 웨이퍼 회전수, 웨이퍼 회전 가속도, 건조 시간 등)
웨이퍼 파라미터(예를 들어, 외경 치수, 휨, 평면도, 두께, 베벨 형상, 연마면 거칠기 등)
막 조건(예를 들어, 막종, 이니셜 막 두께 분포, 표면 자연 산화막층 두께 등)
슬러리 파라미터(예를 들어, 유량, 프리로드양, 패드 위의 액막 분포, 지립 재질, 입경, 입경 분포, 지립 농도, pH, 온도, 첨가 약액 종류, 첨가 약액 농도, 첨가 약액 pH, 첨가 약액 혼합비 등)
패드 파라미터(예를 들어, 재질, 두께, 패드 공극률, 압축 탄성률, 압축 회복률, 경도, 굽힘 강도, 표면 홈 형상, 두께 프로파일, 표면 거칠기, 표면 부착물 유무, 슬러리 잔사 퇴적 유무, 내부에 대한 물의 스며듦 면적, 웨이퍼 처리 매수 등)
멤브레인 파라미터(예를 들어, 고무 종류, 고무 경도, 외경 치수, 고무 물성 검사 데이터, 재료 로트, 제조 로트, 웨이퍼 처리 매수 등)
리테이너 링 파라미터(예를 들어, 재료 종류, 재료 물성 검사 데이터, 재료 로트, 제조 로트, 두께, 홈의 형상·치수, 웨이퍼 처리 매수 등)
하드웨어 파라미터(예를 들어, 턴테이블 토크, 헤드 회전 토크, 헤드 요동 토크, 드레서 회전로 토크, 드레서 요동 토크, 멤브레인 압력 상승·하강, 멤브레인 압력 라인 유량 변동, 리테이너 링 에어백 압력 상승·하강, 리테이너 링 에어백 압력 라인 유량 변동 등)
<CMP 장치의 성능값>
다음에 CMP 장치의 성능값은, 연마 레이트, 웨이퍼 내 면내 균일성(연마 레이트, 잔막량), 웨이퍼 간 균일성(연마 레이트, 잔막량), 패턴 단차 해소성, 또는 결함(스크래치, 티끌, 부식, 워터마크 등) 등이다. 워터마크는, 건조 프로세스 특유의 오염물이며, 얼룩, 물때와 같은 것이다.
<데이터 수집 방법>
도 1에 도시한 바와 같이, CMP 장치(1 내지 6)와 기억 매체(14)가 네트워크 NW로 연결되어 있으며, CMP 장치(1 내지 6) 내부에 설치되어 있는 계측기나 기기에서 취득한 다음의 정보 및 데이터가, 기억 매체(14)에 축적된다.
연마 파라미터(연마 압력, 턴테이블 회전수, 헤드 회전수, 연마 시간, 연마 온도)
순수 연마 파라미터(연마 압력, 턴테이블 회전수, 헤드 회전수, 연마 시간, 순수 유량, 순수 온도)
패드 드레스 파라미터(드레서 압박압, 드레서 회전수, 드레서 요동 속도, 드레스 시간, 턴테이블 회전수, 드레스액 유량, 드레서 소모도)
세정 파라미터(세정 부재 압박압, 세정 부재 회전수, 웨이퍼 회전수, 세정 시간, 세정액 종류, 세정액 유량)
웨이퍼 건조 파라미터(웨이퍼 회전수, 웨이퍼 회전 가속도, 건조 시간), 슬러리 파라미터(유량, 프리로드양, 패드 위의 액막 분포)
패드 파라미터(두께 프로파일, 표면 거칠기, 표면 부착물 유무, 슬러리 잔사 퇴적 유무, 내부에 대한 물의 스며듦 면적, 웨이퍼 처리 매수)
멤브레인 파라미터(웨이퍼 처리 매수), 리테이너 링 파라미터(두께, 웨이퍼 처리 매수)
하드웨어 파라미터(턴테이블 토크, 헤드 회전 토크, 헤드 요동 토크, 드레서 회전로 토크, 드레서 요동 토크, 멤브레인 압력 상승·하강, 멤브레인 압력 라인 유량 변동, 리테이너 링 에어백 압력 상승·하강, 리테이너 링 에어백 압력 라인 유량 변동)
도 1에 도시한 바와 같이, 제1 공장 및 제2 공장 내의 CMP 장치(1 내지 6)의 외부에 있는 외부 기기(21, 22)(예를 들어, 계측기 및/또는 기기)와 기억 매체(14)가 네트워크 NW로 접속되어 있다. 이에 의해, 외부 기기(21, 22)에서 취득한 다음의 정보 및 데이터가, 기억 매체(14)에 축적된다.
초기 웨이퍼 막 두께 분포, 연마 레이트, 웨이퍼 내 면내 균일성(Removal, Remaining), 웨이퍼 간 균일성(Removal, Remaining), 패턴 단차 해소성, 결함, 웨이퍼 로트 정보, 막종, 슬러리 파라미터(pH, 온도, 첨가 약액 종류, 첨가 약액 농도, 첨가 약액 pH, 첨가 약액 혼합비 등)
여기서, Removal은 연마된 막 두께, Remain은 연마 후에 남은 막 두께를 의미한다.
공장 외부에서 계측된 다음의 정보 및 데이터는, 서플라이어로부터 정보 및 데이터를 모으고, 예를 들어 당해 정보 처리 시스템의 관리자가, 이들 모은 정보 및 데이터를 통합해서 기억 매체(14)에 축적해도 된다. 또는, 서플라이어의 단말 장치(도시생략)와 기억 매체(14)가 네트워크 NW를 통해 접속되어 있으며, 당해 정보 및 데이터의 취득 후, 당해 서플라이어의 단말 장치로부터 기억 매체(14)로 이들 데이터가 송신되어 기억 매체(14)로 축적되어도 된다.
웨이퍼 파라미터(Lot ID, S/N, 외경 치수, 휨, 평면도, 두께, 베벨 형상, 연마면 거칠기), 슬러리 파라미터(Lot ID, S/N, 지립 재질, 입경, 입경 분포, 지립 농도), 패드 파라미터(Lot ID, S/N, 재질, 두께, 패드 공극률, 압축 탄성률, 압축 회복률, 경도, 굽힘 강도, 표면 홈 형상, 두께 프로파일, 표면 거칠기), 멤브레인 파라미터(Lot ID, S/N, 고무 종류, 고무 경도, 외경 치수, 고무 물성 검사 데이터, 재료 Lot, 제조 Lot), 리테이너 링 파라미터(Lot ID, S/N, 재료 종류, 재료 물성 검사 데이터, 재료 Lot, 제조 로트, 두께, 홈의 형상·치수)
도 3은, 제1 실시 형태에 따른 정보 처리 시스템 S1의 개략 구성도이다. 도 3에 도시한 바와 같이, 제1 실시 형태에 따른 정보 처리 시스템 S1은, 제1 인공지능부(11)와, 선택부(12)와, 제2 인공지능부(13)와, 기억 매체(14)를 구비한다. 제1 인공지능부(11)는 일례로서, AI 실행부(110)와, 결정부(15)와, 배제 기준 결정부(16)를 구비한다. 여기서, AI 실행부(110)는 예를 들어, AI(인공지능)(111, 112, 113)를 갖고, 각각의 AI(111 내지 113)가 병렬 처리한다. 또한, AI 실행부(110)는, 하나의 AI만을 내장하여, 시리얼로 처리를 실행해도 되고, 2개의 AI를 가져도, 4개 이상의 AI를 가져도 된다. 또한, 결정부(15)와, 배제 기준 결정부(16)는, 제1 인공지능부(11)의 외부에 마련되어 있어도 된다.
결정부(15)는, 보다 효율적으로 CMP 성능 예측을 행하기 위해서, 기억 매체(14)에 기억된 정보에 대하여, CMP의 성능값과 파라미터 사이의 상관 분석 또는 파라미터와 다른 파라미터의 상관 분석 등을 행한다. 결정부(15)는, 예를 들어 CMP의 성능값과 파라미터 사이의 상관 분석을 실행하고(예를 들어 상관 계수를 산출하고), CMP의 성능값의 사이에서 상관(예를 들어, 상관 계수)이 기준보다 높은 파라미터의 종별을 복수 선택하고, 선택된 파라미터의 종별의 조를 제1 인공지능부(11)로 출력한다. 이와 같이, 결정부(15)는, 기판 처리 장치(여기서는 일례로서 CMP 장치)의 복수의 파라미터값 각각과 성능값 사이의 상관을 결정하고, 결정된 복수의 상관을 사용하여, 제1 인공지능부(11)가 입력값으로서 사용하는 복수의 파라미터의 파라미터 종별을 결정한다. 이에 의해, 성능값과 상관이 높은 복수의 파라미터를 선택할 수 있고, 제2 인공지능부(13)에서 성능값과 상관이 높은 복수의 파라미터를 사용하여 성능값을 예측할 수 있으므로, 제2 인공지능부(13)가, 더 높은 성능값의 파라미터값의 조합을 출력할 수 있다.
또한, 기억 매체(14)에 정보가 축적됨에 따라서, 특이점의 요인이 해명되고, 새로운 파라미터와의 상관이 밝혀진 경우, 결정부(15)는, 제2 인공지능부(13)에 학습시킬 때의 파라미터를 추가, 또는 교체를 행하여, 필터링 룰의 갱신을 정기적으로 행해도 된다. 이와 같이, 결정부(15)는, 기판 처리 장치(여기서는 일례로서 CMP 장치)의 복수의 파라미터값 각각의 사이의 상호 상관을 각각 결정하고, 결정된 상호 상관을 사용하여, 제2 인공지능부(13)가 입력값으로서 사용하는 복수의 파라미터의 파라미터 종별을 추가 또는 일부 혹은 전부 교체해도 된다.
이에 의해, 제2 인공지능부(13)에서 학습 및 예측에 사용되고 있던 파라미터와 상관이 높은 파라미터가 추가 또는 교체되므로, 제2 인공지능부(13)에서 성능값과 상관이 높은 복수의 파라미터를 사용하여 성능값을 예측할 수 있으므로, 제2 인공지능부(13)가, 더 높은 성능값의 파라미터값의 조합을 출력할 수 있다.
제1 인공지능부(11)의 AI 실행부(110)는, 결정부(15)에 의해 결정된 복수의 파라미터 종별 중, 서로 파라미터 종별의 조합이 다른 파라미터의 조를 입력값으로 하고 대응하는 기판 처리 장치(여기서는 일례로서 CMP 장치)의 성능값을 출력값으로 하는 복수의 제1 학습 데이터 세트 각각에 대하여 학습한다. 이 학습은 예를 들어, 기계 학습이며, 구체적으로는 예를 들어 지도 학습이다. 이 기계 학습으로서는, 뉴럴 네트워크의 지도 학습(예를 들어, 딥 러닝의 지도 학습)이어도, 패턴 인식 모델을 사용한 지도 학습(예를 들어, 서포트 벡터 머신의 지도 학습)이어도 되며, 확률 모델을 사용한 지도 학습(예를 들어, 단순 베이즈 분류기의 지도 학습)이어도 된다.
예를 들어, 결정부(15)에 의해 결정된 복수의 파라미터 종별이 A, B, C의 3종류의 경우를 상정한다. 파라미터의 조 P1은, 파라미터 종별 A의 파라미터와 파라미터 종별 B의 파라미터의 조합이다. 파라미터의 조 P2는, 파라미터 종별 A의 파라미터와 파라미터 종별 C의 파라미터의 조합이다. 파라미터의 조 P3은, 파라미터 종별 B의 파라미터와 파라미터 종별 C의 파라미터의 조합이다.
AI(111)는, 파라미터의 조 P1을 입력값으로 하고, 그 파라미터의 조 P1일 때의 CMP 장치의 성능값 E1을 출력값으로 하는 학습 데이터 세트를 복수 사용하여, 학습한다.
AI(112)는, 파라미터의 조 P2를 입력값으로 하고, 그 파라미터의 조 P1일 때의 CMP 장치의 성능값 E2를 출력값으로 하는 학습 데이터 세트를 복수 사용하여, 학습한다.
AI(113)는, 파라미터의 조 P3을 입력값으로 하고, 그 파라미터의 조 P1일 때의 CMP 장치의 성능값 E3을 출력값으로 하는 학습 데이터 세트를 복수 사용하여, 학습한다.
제1 인공지능부(11)는, 학습 후에, 복수의 검증용 데이터 세트이며 학습 시와 파라미터 종별의 조합이 공통되는 복수의 검증용 데이터 세트 각각을 입력으로 하여 성능값을 예측한다.
구체적으로는, 검증용 파라미터의 조 Q1은, 파라미터 종별 A의 파라미터와 파라미터 종별 B의 파라미터의 조합이다. 학습 후의 AI(111)는, 검증용 파라미터의 조 Q1을 입력했을 때, 예측의 성능값을 출력한다. 즉, 학습 시와 동일한 파라미터 종별의 조합 검증용 파라미터가 입력된다.
마찬가지로, 검증용 파라미터의 조 Q2는, 파라미터 종별 A의 파라미터와 파라미터 종별 C의 파라미터의 조합이다. 학습 후의 AI(112)는, 검증용 파라미터의 조 Q2를 입력했을 때, 예측의 성능값을 출력한다. 즉, 학습 시와 동일한 파라미터 종별의 조합 검증용 파라미터가 입력된다.
마찬가지로, 검증용 파라미터의 조 Q3은, 파라미터 종별 B의 파라미터와 파라미터 종별 C의 파라미터의 조합이다. 학습 후의 AI(112)는, 검증용 파라미터의 조 Q3을 입력했을 때, 예측의 성능값을 출력한다. 즉, 학습 시와 동일한 파라미터 종별의 조합 검증용 파라미터가 입력된다.
AI(111, 112, 113)의 각각은, 예측의 성능값의 정답의 비율을 나타내는 값(예를 들어 정답률), 당해 학습에 걸리는 시간(이하, 학습 시간이라고도 함), 및 제1 인공지능부(11)가 성능값의 예측에 요하는 시간(이하, 예측 시간이라고도 함)을 선택부(12)로 출력한다.
선택부(12)는, 예측의 성능값의 정답의 비율을 나타내는 값(예를 들어 정답률), 당해 학습에 걸리는 시간, 및 상기 제1 인공지능부가 성능값의 예측에 요하는 시간 중 적어도 하나를 사용하여, 복수의 검증용 데이터 세트에 포함되는 복수의 파라미터 종별의 조 중에서 하나의 파라미터 종별의 조를 선택한다. 선택부(12)는 예를 들어, 학습 시간, 예측 시간 및 정답률의 밸런스를 기초로, 파라미터 종별의 조를 선택해도 된다. 구체적으로는 예를 들어 선택부(12)는, 학습 시간이 제1 기준 시간보다 짧고, 또한 예측 시간이 제2 기준 시간보다 짧은 것 중에서, 가장 정답률이 높은 것을 파라미터 종별의 조를 선택해도 된다. 이에 의해, 학습 시간 및 예측 시간이 허용 범위에 들어가는 것 중에서, 가장 정답률이 높은 파라미터 종별의 조를 선택할 수 있다.
또한, AI(111, 112, 113)로부터 출력되는 정답률 중, AI(111)로부터 출력되는 정답률이 가장 높은 경우, 선택부(12)는, 파라미터 종별 A와 파라미터 종별 B의 조를 선택해도 된다.
배제 기준 결정부(16)는, 파라미터값 중 이상값을 배제하기 위한 이상값 배제 조건을 결정한다. 구체적으로는 예를 들어, 배제 기준 결정부(16)는, 기판 처리 장치(여기서는 예를 들어 CMP 장치)의 하나의 파라미터값과 성능값 사이의 상관식을 결정하고, 당해 상관식을 사용하여, 이상값을 배제하는 기준(예를 들어, 상관식으로부터 임계값을 초과해 벗어난 점을 배제하는 등)을 결정한다. 그리고 선택부(12)는 예를 들어, 배제 기준 결정부(16)에 의해 결정된 기준을 충족하는 파라미터를 제외하고, 파라미터 종별의 조를 선택한다. 이 구성에 의하면, 성능값과 상관이 없는 파라미터를 학습 대상으로부터 제외함으로써, 제2 인공지능부(13)가, 보다 성능값이 높은 파라미터값의 조합을 출력할 가능성을 향상시킬 수 있으므로, 제2 인공지능부(13)가, 더 높은 성능값의 파라미터값의 조합을 출력할 수 있다.
또한 제1 인공지능부(11)는, CMP 장치의 레시피 이외의 파라미터, 예를 들어 사용하는 소모 부재의 종류 및 조합, 재료, 물성의 경향 등의 최적 조건의 제안도 행하고, 여기서 얻어진 정보는 프로세스 개발이나 소모 부재의 개발, 개선에도 사용할 수 있다. 제1 인공지능부(11)에 있어서의 알고리즘에는 뉴럴 네트워크 등을 사용해도 된다.
<제2 인공지능부(13)의 학습 시>
제2 인공지능부(13)는, 선택부(12)에 의해 선택된 파라미터 종별의 조로 구성되는 과거의 파라미터의 조 및 대응하는 과거의 성능값을, 기억 매체(14)로부터 판독한다. 그리고, 제2 인공지능부(13)는, 판독한 과거의 파라미터의 조를 입력값으로 하고 대응하는 과거의 성능값을 출력값으로 하는 복수의 제2 학습 데이터 세트를 사용하여 학습한다.
이와 같이, 제2 인공지능부(13)는, 선택부(12)에 의해 선택된 파라미터 종별의 조로 구성되는 과거의 파라미터값의 조를 입력값으로 하고 대응하는 과거의 성능값을 출력값으로 하는 학습 데이터를 사용하여 학습한다. 이 학습은 예를 들어, 기계 학습이며, 구체적으로는 예를 들어 지도 학습이다. 이 기계 학습으로서는, 뉴럴 네트워크의 지도 학습(예를 들어, 딥 러닝의 지도 학습)이어도, 패턴 인식 모델을 사용한 지도 학습(예를 들어, 서포트 벡터 머신의 지도 학습)이어도 되며, 확률 모델을 사용한 지도 학습(예를 들어, 단순 베이즈 분류기의 지도 학습)이어도 된다.
<제2 인공지능부(13)의 검증 시>
제2 인공지능부(13)는, 학습 후에, 선택부(12)에 의해 선택된 파라미터 종별의 조로 구성되는 파라미터 중, CMP 장치(1 내지 6)마다 필연적으로 정해져버리는 고정 파라미터를 대상의 CMP 장치(1 내지 6)에 요구한다.
제2 인공지능부(13)는, 이 요구에 따라서, CMP 장치(i)(i는 1 내지 6의 정수)로부터 송신된 고정 파라미터의 조 Ui(i는 1 내지 6의 정수)를 수신한다.
제2 인공지능부(13)는, 대상의 CMP 장치(i)에 대하여, 수신한 고정 파라미터의 조 Ui(i는 1 내지 6의 정수)를 입력으로 하여, 선택부(12)에 의해 선택된 파라미터 종별 중 가변의 파라미터에 대하여 파라미터의 값을 변경한(변화시킨) 경우에, 각각의 CMP 장치(i)의 성능값을 예측한다. 그리고, 제2 인공지능부(13)는, CMP 장치(i)에 대하여 예측된 성능값 중, 당해 성능값이 추출 기준을 충족하는 파라미터값의 조합을 출력한다. 구체적으로는 예를 들어, 제2 인공지능부(13)는, CMP 장치(i)에 대하여 예측된 성능값 중, 당해 성능값이 가장 좋은 파라미터값의 조합을 출력한다. 제2 인공지능부(13)는, 이들 일련의 처리를, CMP 장치(1 내지 6)의 각각마다 행한다.
이와 같이, 제2 인공지능부(13)는, 학습 후에, 선택부(12)에 의해 선택된 파라미터 종별의 조로 구성되는 파라미터 중 대상의 기판 처리 장치(여기서는 일례로서 CMP 장치)에서 필연적으로 정해져버리는 고정 파라미터를 입력으로 하여, 상기 선택된 파라미터 종별의 조로 구성되는 파라미터 중 가변의 파라미터를 변화시킨 경우에 당해 대상의 기판 처리 장치(여기서는 일례로서 CMP 장치)의 성능값을 예측한다. 그리고, 제2 인공지능부(13)는, 예측된 성능값 중, 당해 성능값이 추출 기준을 충족하는 파라미터값의 조합을 출력한다.
제2 인공지능부(13)는, 추출 기준을 충족하는 파라미터값의 조합을, 파라미터의 조 Xi(i는 1 내지 6의 정수)로서, 대응하는 CMP 장치(i)(i는 1 내지 6의 정수)로 출력한다. 제2 인공지능부(13)는, 이 처리를, CMP 장치(1 내지 6) 각각마다 행한다. 즉, 파라미터의 조 X1은, CMP 장치(1)로 출력되고, 파라미터의 조 X2는, CMP 장치(2)로 출력되고, 파라미터의 조 X3은, CMP 장치(3)로 출력되고, 파라미터의 조 X4는, CMP 장치(4)로 출력되고, 파라미터의 조 X5는, CMP 장치(5)로 출력되며, 파라미터의 조 X6은, CMP 장치(6)로 출력된다. 이에 의해, CMP 장치(i)는, 파라미터의 조 Xi(i는 1 내지 6의 정수)를 사용하여 동작하므로, 어느 CMP 장치(1 내지 6)도 성능값이 성능 기준을 충족시킬 수 있다.
그 후, 제2 인공지능부(13)는, 대상의 기판 처리 장치가 사용하고 있는 복수의 파라미터값과 그 때의 성능값의 조를, 제2 학습 데이터 세트에 추가 또는 기존의 제2 학습 데이터 세트에 포함되는 데이터와 치환하여 더욱 학습해도 된다. 이에 의해, 더욱 성능값이 높은 파라미터값의 조합을 출력할 수 있을 가능성이 있다.
계속해서, 도 4를 사용하여 제1 인공지능부(11)의 학습, 검증, 제2 인공지능부(13)의 학습 처리에 대하여 설명한다. 도 4는, 제1 실시 형태에 따른 정보 처리 시스템의 전처리의 흐름의 일례를 나타내는 흐름도이다.
(스텝 S11) 우선, 결정부(15)는 예를 들어, CMP 장치의 복수의 파라미터값 각각과 성능값 사이의 상관을 결정하고, 결정된 복수의 상관을 사용하여, 제1 인공지능부(11)의 입력값으로서 사용하는 복수의 파라미터의 파라미터 종별을 결정한다. 구체적으로는 예를 들어, 결정부(15)는, CMP의 성능값과 파라미터 사이의 상관 분석을 실행하고(예를 들어 상관 계수를 산출하고), CMP의 성능값의 사이에서 상관(예를 들어, 상관 계수)이 기준보다 높은 파라미터의 종별을 결정한다.
(스텝 S12) 다음으로, 제1 인공지능부(11)는 예를 들어, 스텝 S11에서 결정된 파라미터 종별의 파라미터와, 당해 파라미터일 때의 CMP 장치의 성능값을 기억 매체(14)로부터 판독한다.
(스텝 S13) 다음으로, 제1 인공지능부(11)는 예를 들어, 파라미터의 조를 입력값으로 하고 대응하는 CMP 장치의 성능값을 출력값으로 하는 복수의 제1 학습 데이터 세트 각각에 대하여 학습한다.
(스텝 S14) 다음으로, 제1 인공지능부(11)는 예를 들어, 복수의 검증용 데이터 세트이며 학습 시와 파라미터 종별의 조합이 공통되는 복수의 검증용 데이터 세트 각각을 입력으로 하여, 성능값을 예측한다.
(스텝 S15) 다음으로, 선택부(12)는 예를 들어, 정답률, 학습 시간 및 예측 시간 중 적어도 하나를 사용하여, 복수의 검증용 데이터 세트에 포함되는 복수의 파라미터 종별의 조 중에서 하나의 파라미터 종별의 조를 선택한다.
(스텝 S16) 다음으로, 제2 인공지능부(13)는, 선택부(12)에 의해 선택된 파라미터 종별의 조로 구성되는 과거의 파라미터의 조 및 대응하는 과거의 성능값을, 기억 매체로부터 판독한다.
(스텝 S17) 다음으로, 제2 인공지능부(13)는, 판독한 과거의 파라미터의 조를 입력값으로 하고 대응하는 과거의 성능값을 출력값으로 하는 복수의 제2 학습 데이터 세트를 사용하여 학습한다. 이상으로, 본 흐름도의 처리가 종료된다.
계속해서, 도 5를 사용하여 제2 인공지능부(13)의 실행 처리에 대하여 설명한다. 도 5는, 제1 실시 형태에 따른 정보 처리 시스템의 실행의 흐름의 일례를 나타내는 흐름도이다.
(스텝 S21) 우선, 제2 인공지능부(13)는, 선택부(12)에서 선택된 파라미터 종별의 조로 구성되는 파라미터 중, CMP 장치마다 필연적으로 정해져버리는 고정 파라미터, 예를 들어 대상으로 되는 CMP 장치에서 사용하고 있는 소모 부재 종류(슬러리, 패드 종류 등), 소모 부재의 상태를 나타내는 것(물성, 성상, 치수, 사용 시간, 소모도 등), 연마 대상 막종, 가동 중인 CMP 장치의 상태를 나타내는 것(연마 온도, 회전부 토크 등)을 대상의 CMP 장치에 요구하고, 대상의 CMP 장치는 이들 데이터나 정보를 제2 인공지능부(13)로 보낸다.
(스텝 S22) 다음으로, 제2 인공지능부(13)는, 대상의 CMP 장치로부터 보내진 고정 파라미터를 입력으로 하여, CMP 장치의 설정 변경 등으로 가변의 파라미터(레시피 등)에 대하여 파라미터 변경을 행하고, 파라미터 변경 후의 각각의 데이터 세트에서 예측된 CMP 장치의 성능값 중, 성능값이 가장 좋은 파라미터값의 조합을 출력하여, 대상의 CMP 장치로 보낸다.
(스텝 S23) 다음으로, 대상의 CMP 장치는, 제2 인공지능부(13)로부터 받은 파라미터값의 조합으로 웨이퍼를 처리한다.
(스텝 S24) 외부 기기(21 또는 22)로 웨이퍼를 측정하고, 얻어진 성능값을 웨이퍼 ID와 당해 파라미터의 조와 관련지어, 기억 매체(14)로 보낸다. 기억 매체(14)는, 이 성능값을 웨이퍼 ID와 당해 파라미터의 조와 관련지어 기억한다.
이상으로, 본 흐름도의 처리가 종료된다. 이와 같이, 제2 인공지능부(13)가 학습을 완료한 후, 선택된 파라미터 종별의 조 중에서, 우선, 대상의 CMP 장치에 있어서의 고유값을 CMP 장치로부터 현재의 정보를 인출하여, 고정 파라미터(예를 들어, 그 CMP 장치에서 사용하고 있는 소모 부재 종류, 연마 대상 막종, 가동 중인 CMP 장치의 상태량, 소모 부재의 상태량)로서 제2 인공지능부(13)에 입력 후, 레시피 등 CMP 장치의 설정으로 바뀌는 가변 파라미터에 대하여, 소정의 범위에서 파라미터를 변경하고(복수의 파라미터를 동시에 변경하여 라운드 로빈법을 행함), 성능값이 가장 좋은 경우의 가변 파라미터의 각각의 값을 출력한다. 이것은 소모품 등 공장이나 CMP마다 다른 환경 파라미터(고정 파라미터)하에서, 레시피 등의 가변 파라미터를 최적화하는 것이 목적이다. 또는, CMP 장치로부터 현재의 정보를 인출한 후, 최적화할 파라미터를 지정하여(통상적으로는 CMP 장치의 레시피를 구성하고 있는 파라미터), 조건 변경을 행해도 된다.
<불량 시의 대처 방법>
제2 인공지능부(13)의 예측 성능과 실제의 성능에 미리 정해진 기준 이상의 괴리가 보인 경우에는, 제2 인공지능부(13)는, CMP 장치에 대하여 웨이퍼의 처리를 정지하도록 요구해도 된다. 이 경우, 제2 인공지능부(13)는, CMP 장치로부터 경고를 발보하도록 CMP 장치에 대하여 요구해도 되고, CMP 장치가 웨이퍼의 처리를 정지하도록 요구된 경우에 CMP 장치의 컨트롤러가 경고를 발보하도록 제어해도 된다.
성능 예측에 사용하고 있는 파라미터에 대하여, 예측 성능과 실제의 성능에 일정 괴리가 보였을 때의 실제의 파라미터값(실제값이라고도 함)에 이상이 없는 지 여부를 확인해도 된다. 예를 들어, 슬러리 유량이 파라미터로서 사용되고 있는 경우, 갑작스런 CMP 장치의 문제 등의 원인으로, 성능 예측 시에 제2 인공지능부(13)가 CMP로부터 수취한 슬러리 유량과, CMP 장치가 실제로 웨이퍼를 처리했을 때의 슬러리 유량이 괴리가 있는 경우 등이 있다. 이 때문에, CMP 장치로부터 경고를 받은 경우, 예측 성능과 실제의 성능에 일정 괴리가 보였을 때의 실제 슬러리 유량 등의 파라미터값에 이상이 없는지 여부를 확인해도 된다.
만약 웨이퍼가 이상 처리되어버렸을 때의 실제 파라미터값(실제값)에 이상이 있으면, 직전에 이상값을 학습해버려, 제2 인공지능부(13)의 예측 정밀도가 악화될 가능성이 있으므로, 제1 인공지능부(11)에서, 이상값을 배제하는 기준(예를 들어, 이상값 검출의 임계값)을 변경하여(필터링 조건을 바꿔서) 학습시켰을 때의 예측 성능과 실제의 성능의 괴리를 검증하여, 새로운 이상값을 배제하는 기준을 결정하여, 배제 기준 결정부(16)에 있어서의 이상값 배제 조건을 갱신해도 된다.
이상, 본 실시 형태에 따른 정보 처리 시스템 S1은, 기판 처리 장치의 파라미터값의 조합을 제공하는 정보 처리 시스템이다. 정보 처리 시스템 S1은, 서로 파라미터 종별의 조합이 다른 파라미터의 조를 입력값으로 하고 대응하는 상기 기판 처리 장치의 성능값을 출력값으로 하는 복수의 제1 학습 데이터 세트 각각에 대하여 학습하는 제1 인공지능부(11)를 구비한다. 제1 인공지능부(11)는, 학습 후에, 복수의 검증용 데이터 세트이며 학습 시와 파라미터 종별의 조합이 공통되는 복수의 검증용 데이터 세트 각각을 입력으로 하여, 성능값을 예측한다. 또한 정보 처리 시스템 S1은, 상기 예측의 성능값의 정답의 비율을 나타내는 값, 당해 학습에 걸리는 시간, 및 상기 제1 인공지능부가 성능값의 예측에 요하는 시간 중 적어도 하나를 사용하여, 상기 복수의 검증용 데이터 세트에 포함되는 복수의 파라미터 종별의 조 중에서 하나의 파라미터 종별의 조를 선택하는 선택부(12)를 구비한다. 또한 정보 처리 시스템 S1은, 상기 선택된 파라미터 종별의 조로 구성되는 과거의 파라미터값 조를 입력값으로 하고 대응하는 과거의 성능값을 출력값으로 하는 복수의 제2 학습 데이터 세트를 사용하여 학습하는 제2 인공지능부(13)를 구비한다. 제2 인공지능부(13)는, 학습 후에, 상기 선택된 파라미터 종별의 조로 구성되는 파라미터를 포함하는 복수의 검증용 데이터 세트를 입력으로 하여, 상기 기판 처리 장치의 성능값을 예측하고, 예측된 성능값 중, 당해 성능값이 추출 기준을 충족하는 파라미터값의 조합을 출력한다.
이 구성에 의하면, 일단, 지표를 사용하여, 파라미터 종별을 선택하고 나서, 선택된 파라미터 종별의 파라미터로 학습함으로써, 성능값의 예측 정밀도가 향상된다. 그리고, 예측 정밀도가 향상된 성능값이 추출 기준을 충족하는 파라미터값의 조합을 출력하므로, 기판 처리 장치의 복수의 파라미터를 기판 처리 장치의 성능값이 향상되도록 할 수 있다. 따라서, 기판 처리 장치의 복수의 파라미터를 기판 처리 장치의 성능값이 향상되도록 조절하는 것을 용이화할 수 있다.
<제2 실시 형태>
계속해서 제2 실시 형태에 대하여 설명한다. 도 6은, 제2 실시 형태에 따른 CMP 시스템의 일례의 개략 구성도이다. 제1 실시 형태의 CMP 시스템 C1에서는, 도 1에 도시한 바와 같이, 제1 인공지능부(11), 선택부(12), 제2 인공지능부(13), 기억 매체(14)가 모두 분석 센터에 마련되어 있었다. 한편, 제2 실시 형태의 CMP 시스템 C2에서는, 도 6에 도시한 바와 같이, 제1 인공지능부(11), 선택부(12), 기억 매체(14)는 분석 센터에 마련되어 있지만, 제2 인공지능부(13)는, 제1 공장, 제2 공장에 각각 마련되어 있다. 도 6에 도시한 바와 같이, 제2 실시 형태에 따른 정보 처리 시스템은, 제1 인공지능부(11), 선택부(12), 기억 매체(14) 및 2개의 제2 인공지능부(13)를 구비한다.
<제3 실시 형태>
계속해서 제3 실시 형태에 대하여 설명한다. 도 7은, 제3 실시 형태에 따른 CMP 시스템의 일례의 개략 구성도이다. 제1 실시 형태의 CMP 시스템 C1에서는, 도 1에 도시한 바와 같이, 제1 인공지능부(11), 선택부(12), 제2 인공지능부(13), 기억 매체(14)가 모두 분석 센터에 마련되어 있었다. 한편, 제3 실시 형태의 CMP 시스템 C3에서는, 도 7에 도시한 바와 같이, 제1 인공지능부(11), 선택부(12), 기억 매체(14)는 분석 센터에 마련되어 있지만, 제2 인공지능부(13)는, CMP 장치(1 내지 6)마다 마련되어 있다. 도 7에 도시한 바와 같이, 제3 실시 형태에 따른 정보 처리 시스템 S3은, 제1 인공지능부(11), 선택부(12), 기억 매체(14) 및 6개의 제2 인공지능부(13)를 구비한다.
<제4 실시 형태>
계속해서 제4 실시 형태에 대하여 설명한다. 도 8은, 제4 실시 형태에 따른 CMP 시스템의 일례의 개략 구성도이다. 제1 실시 형태의 CMP 시스템 C1에서는, 도 1에 도시한 바와 같이, 제1 인공지능부(11), 선택부(12), 제2 인공지능부(13), 기억 매체(14)가 모두 분석 센터에 마련되어 있었다. 한편, 제4 실시 형태의 CMP 시스템 C4에서는, 도 8에 도시한 바와 같이, 각 공장에, 제1 인공지능부(11), 선택부(12), 제2 인공지능부(13) 및 기억 매체(14)를 구비하는 분석 센터가 마련되어 있다. 도 8에 도시한 바와 같이, 제4 실시 형태에 따른 정보 처리 시스템 S4-1, S4-2는 각각, 제1 인공지능부(11), 선택부(12), 제2 인공지능부(13), 및 기억 매체(14)를 구비한다.
<제5 실시 형태>
계속해서 제5 실시 형태에 대하여 설명한다. 도 9는, 제5 실시 형태에 따른 CMP 시스템의 일례의 개략 구성도이다. 제1 실시 형태의 CMP 시스템 C1에서는, 도 1에 도시한 바와 같이, 제1 인공지능부(11), 선택부(12), 제2 인공지능부(13), 기억 매체(14)가 모두 분석 센터에 마련되어 있었다. 한편, 제5 실시 형태의 CMP 시스템 C5에서는, 도 9에 도시한 바와 같이, 각 공장에, 제1 인공지능부(11), 선택부(12) 및 기억 매체(14)를 구비하는 분석 센터가 마련되어 있고, 또한 제2 인공지능부(13)는, CMP 장치(1 내지 6)마다 마련되어 있다. 도 9에 도시한 바와 같이, 제5 실시 형태에 따른 정보 처리 시스템 S5-1, S5-2는 각각, 제1 인공지능부(11), 선택부(12), 3개의 제2 인공지능부(13) 및 기억 매체(14)를 구비한다.
<제6 실시 형태>
계속해서 제6 실시 형태에 대하여 설명한다. 도 10은, 제6 실시 형태에 따른 CMP 시스템의 일례의 개략 구성도이다. 제1 실시 형태의 CMP 시스템 C1에서는, 도 1에 도시한 바와 같이, 제1 인공지능부(11), 선택부(12), 제2 인공지능부(13), 기억 매체(14)가 모두 분석 센터에 마련되어 있었다. 한편, 제6 실시 형태의 CMP 시스템 C6에서는, 도 10에 도시한 바와 같이, 제1 인공지능부(11), 선택부(12), 제2 인공지능부(13) 및 기억 매체(14)가, CMP 장치(1 내지 6)마다 마련되어 있다. 도 10에 도시한 바와 같이, 제6 실시 형태에 따른 정보 처리 시스템 S6-1 내지 S6-6은 각각, 제1 인공지능부(11), 선택부(12), 제2 인공지능부(13), 및 기억 매체(14)를 구비한다.
<제7 실시 형태>
계속해서 제7 실시 형태에 대하여 설명한다. 도 11은, 제7 실시 형태에 따른 CMP 시스템의 일례의 개략 구성도이다. 제1 실시 형태의 CMP 시스템 C1에서는, 도 1에 도시한 바와 같이, 제1 인공지능부(11), 선택부(12), 제2 인공지능부(13), 기억 매체(14)가 모두 분석 센터에 마련되어 있었다. 한편, 제7 실시 형태의 CMP 시스템 C7에서는, 도 11에 도시한 바와 같이, 제1 인공지능부(11), 선택부(12), 제2 인공지능부(13) 및 제2 기억 매체(14b)가, CMP 장치(1 내지 6)마다 마련되어 있고, 제1 기억 매체(14a)가 공장마다 마련되어 있다. 여기서, 제1 기억 매체(14a)는, CMP 장치(1 내지 6)의 외부의 정보를 저장하고 있으며, 제2 기억 매체(14b)는, 대응하는 CMP 장치의 내부 정보 및 CMP 외부의 정보를 저장하고 있다. 도 11에 도시한 바와 같이, 제7 실시 형태에 따른 정보 처리 시스템 S7-1 내지 S7-6은 각각, 제1 인공지능부(11), 선택부(12), 제2 인공지능부(13), 제1 기억 매체(14a) 및 제2 기억 매체(14b)를 구비한다.
또한, 각 실시 형태에 있어서, 기판 처리 장치는, 선택 완료의 파라미터 종별의 조로 구성되는 파라미터값의 조와 성능값의 관계성을 학습한 제2 인공지능부(13)를 구비해도 된다. 여기서 학습은 예를 들어 기계 학습이다. 그 경우, 제2 인공지능부(13)는, 당해 선택 완료의 파라미터 종별의 조로 구성되는 파라미터 중 당해 기판 처리 장치에서 필연적으로 정해져버리는 고정 파라미터를 입력으로 하여, 상기 선택 완료의 파라미터 종별의 조로 구성되는 파라미터 중 가변의 파라미터를 변화시킨 경우에 당해 기판 처리 장치의 성능값을 예측하고, 예측된 성능값 중, 당해 성능값이 추출 기준을 충족하는 파라미터값의 조합을 출력한다. 그 경우, 당해 기판 처리 장치는, 당해 출력된 파라미터값의 조합으로 기판을 처리한다. 이 구성에 의하면, 학습 완료의 제2 인공지능부(13)를 사용하여, 추출 기준을 충족하는 파라미터값의 조합을 출력하고, 이 파라미터값의 조합을 사용하여 기판을 처리하므로, 기판 처리 장치의 성능을 향상시킬 수 있다.
또한, 상술한 실시 형태에서 설명한 정보 처리 시스템 S1 내지 S7 중 적어도 일부는, 하드웨어로 구성해도 되고, 소프트웨어로 구성해도 된다. 하드웨어로 구성하는 경우에는, 정보 처리 시스템 S1 내지 S7 중 적어도 일부의 기능을 실현하는 프로그램을 플렉시블 디스크나 CD-ROM 등의 컴퓨터 판독 가능한 기록 매체에 수납하고, 컴퓨터에 읽어들이게 하여 실행시켜도 된다. 기록 매체는, 자기 디스크나 광 디스크 등의 착탈 가능한 것으로 한정되지 않고, 하드 디스크 장치나 메모리 등의 고정형의 기록 매체여도 된다.
또한, 정보 처리 시스템 S1 내지 S7 중 적어도 일부의 기능을 실현하는 프로그램을, 인터넷 등의 통신 회선(무선 통신도 포함함)을 통해 반포해도 된다. 또한, 동 프로그램을 암호화하거나, 변조를 걸거나, 압축한 상태에서, 인터넷 등의 유선 회선이나 무선 회선을 통하거나, 혹은 기록 매체에 수납하여 반포해도 된다.
또한, 하나 또는 복수의 정보 처리 장치에 의해 정보 처리 시스템 S1 내지 S7을 기능시켜도 된다. 복수의 정보 처리 장치를 사용하는 경우, 정보 처리 장치 중 하나를 컴퓨터로 하고, 당해 컴퓨터가 소정의 프로그램을 실행함으로써 정보 처리 시스템 S1 내지 S7 중 적어도 하나의 수단으로서 기능이 실현되어도 된다.
또한, 방법의 발명에 있어서는, 모든 공정(스텝)을 컴퓨터에 의해 자동 제어로 실현하도록 해도 된다. 또한, 각 공정을 컴퓨터에 실시시키면서, 공정 간의 진행 제어를 사람의 손에 의해 실시하도록 해도 된다. 또한, 나아가서는, 전체 공정 중 적어도 일부를 사람의 손에 의해 실시하도록 해도 된다.
이상, 본 발명은 상기 실시 형태 그대로 한정되는 것은 아니며, 실시 단계에서는 그 요지를 일탈하지 않는 범위에서 구성 요소를 변형하여 구체화할 수 있다. 또한, 상기 실시 형태에 개시되어 있는 복수의 구성 요소의 적절한 조합에 의해, 다양한 발명을 형성할 수 있다. 예를 들어, 실시 형태에 나타내어지는 전체 구성 요소로부터 몇몇 구성 요소를 삭제해도 된다. 또한, 다른 실시 형태에 따른 구성 요소를 적절히 조합해도 된다.
1 내지 6: CMP 장치
11: 제1 인공지능부
110: AI 실행부
111: AI
112: AI
113: AI
12: 선택부
13: 제2 인공지능부
14: 기억 매체
15: 결정부
16: 배제 기준 결정부
21 내지 23: 외부 기기
C1 내지 C7: CMP 시스템
S1 내지 S3, S4-1, S4-2, S5-1, S5-2, S6-1 내지 S6-6, S7-1 내지 S7-6: 정보 처리 시스템

Claims (9)

  1. 기판 처리 장치의 파라미터값의 조합을 제공하는 정보 처리 시스템이며,
    서로 파라미터 종별의 조합이 다른 파라미터의 조를 입력값으로 하고 대응하는 상기 기판 처리 장치의 성능값을 출력값으로 하는 복수의 제1 학습 데이터 세트 각각에 대하여 학습하고, 학습 후에, 복수의 검증용 데이터 세트이며 학습 시와 파라미터 종별의 조합이 공통되는 복수의 검증용 데이터 세트 각각을 입력으로 하여, 성능값을 예측하는 제1 인공지능부와,
    상기 예측의 성능값의 정답의 비율을 나타내는 값, 당해 학습에 걸리는 시간, 및 상기 성능값의 예측에 요하는 시간 중 적어도 하나를 사용하여, 상기 복수의 검증용 데이터 세트에 포함되는 복수의 파라미터 종별의 조 중에서 하나의 파라미터 종별의 조를 선택하는 선택부와,
    상기 선택된 파라미터 종별의 조로 구성되는 과거의 파라미터값의 조를 입력값으로 하고 대응하는 과거의 성능값을 출력값으로 하는 복수의 제2 학습 데이터 세트를 사용하여 학습하고, 학습 후에, 상기 선택된 파라미터 종별의 조로 구성되는 파라미터 중 대상의 기판 처리 장치에서 필연적으로 정해져버리는 고정 파라미터를 입력으로 하여, 상기 선택된 파라미터 종별의 조로 구성되는 파라미터 중 가변의 파라미터를 변화시킨 경우에 상기 대상의 기판 처리 장치의 성능값을 예측하고, 예측된 성능값 중, 당해 성능값이 추출 기준을 충족하는 파라미터값의 조합을 출력하는 제2 인공지능부
    를 구비하는 정보 처리 시스템.
  2. 제1항에 있어서,
    상기 기판 처리 장치의 복수의 파라미터값 각각과 성능값 사이의 상관을 결정하고, 결정된 복수의 상관을 사용하여, 상기 제1 인공지능부가 입력값으로서 사용하는 복수의 파라미터의 파라미터 종별을 결정하는 결정부를 더 구비하는
    정보 처리 시스템.
  3. 제2항에 있어서,
    상기 결정부는, 상기 기판 처리 장치의 복수의 파라미터값 각각의 사이의 상호 상관을 각각 결정하고, 결정된 상호 상관을 사용하여, 상기 제2 인공지능부가 입력값으로서 사용하는 복수의 파라미터의 파라미터 종별을 추가 또는 일부 혹은 전부 교체하는
    정보 처리 시스템.
  4. 제1항 내지 제3항 중 어느 한 항에 있어서,
    상기 기판 처리 장치의 하나의 파라미터값과 성능값 사이의 상관식을 결정하고, 당해 상관식을 사용하여, 이상값을 배제하는 기준을 결정하는 배제 기준 결정부를 더 구비하고,
    상기 선택부는, 상기 결정된 기준을 충족하는 파라미터를 제외하고, 상기 파라미터 종별의 조를 선택하는
    정보 처리 시스템.
  5. 제1항 내지 제4항 중 어느 한 항에 있어서,
    상기 제2 인공지능부는, 대상의 기판 처리 장치가 사용하고 있는 복수의 파라미터값과 그 때의 성능값의 조를, 상기 제2 학습 데이터 세트에 추가 또는 기존의 상기 제2 학습 데이터 세트에 포함되는 데이터와 치환하여 더욱 학습하고, 학습 후에, 상기 선택된 파라미터 종별의 조로 구성되는 파라미터를 포함하는 복수의 검증용 데이터 세트를 입력으로 하여, 상기 기판 처리 장치의 성능값을 예측하고, 예측된 성능값 중 당해 성능값이 상기 추출 기준을 충족하는 파라미터값의 조합을 출력하는
    정보 처리 시스템.
  6. 기판 처리 장치의 파라미터값의 조합을 제공하는 정보 처리 방법이며,
    서로 파라미터 종별의 조합이 다른 파라미터의 조를 입력값으로 하고 대응하는 상기 기판 처리 장치의 성능값을 출력값으로 하는 복수의 제1 학습 데이터 세트 각각에 대하여 학습하고, 학습 후에, 복수의 검증용 데이터 세트이며 학습 시와 파라미터 종별의 조합이 공통되는 복수의 검증용 데이터 세트 각각을 입력으로 하여, 성능값을 예측하는 스텝과,
    상기 예측의 성능값의 정답의 비율을 나타내는 값, 당해 학습에 걸리는 시간, 및 상기 성능값의 예측에 요하는 시간 중 적어도 하나를 사용하여, 상기 복수의 검증용 데이터 세트에 포함되는 복수의 파라미터 종별의 조 중에서 하나의 파라미터 종별의 조를 선택하는 스텝과,
    상기 선택된 파라미터 종별의 조로 구성되는 과거의 파라미터값 조를 입력값으로 하고 대응하는 과거의 성능값을 출력값으로 하는 복수의 제2 학습 데이터 세트를 사용하여 학습하고, 학습 후에, 상기 선택된 파라미터 종별의 조로 구성되는 파라미터를 포함하는 복수의 검증용 데이터 세트를 입력으로 하여, 상기 기판 처리 장치의 성능값을 예측하고, 예측된 성능값 중, 당해 성능값이 추출 기준을 충족하는 파라미터값의 조합을 출력하는 스텝
    을 갖는 정보 처리 방법.
  7. 제1항 내지 제5항 중 어느 한 항에 기재된 정보 처리 시스템에서 사용되는 컴퓨터를,
    서로 파라미터 종별의 조합이 다른 파라미터의 조를 입력값으로 하고 대응하는 상기 기판 처리 장치의 성능값을 출력값으로 하는 복수의 제1 학습 데이터 세트 각각에 대하여 학습하고, 학습 후에, 복수의 검증용 데이터 세트이며 학습 시와 파라미터 종별의 조합이 공통되는 복수의 검증용 데이터 세트 각각을 입력으로 하여, 성능값을 예측하는 제1 인공지능부
    로서 기능시키기 위한 프로그램.
  8. 제1항 내지 제5항 중 어느 한 항에 기재된 정보 처리 시스템에서 사용되는 컴퓨터를,
    상기 선택된 파라미터 종별의 조로 구성되는 과거의 파라미터값의 조를 입력값으로 하고 대응하는 과거의 성능값을 출력값으로 하는 복수의 제2 학습 데이터 세트를 사용하여 학습하고, 학습 후에, 상기 선택된 파라미터 종별의 조로 구성되는 파라미터 중 대상의 기판 처리 장치에서 필연적으로 정해져버리는 고정 파라미터를 입력으로 하여, 상기 선택된 파라미터 종별의 조로 구성되는 파라미터 중 가변의 파라미터를 변화시킨 경우에 상기 대상의 기판 처리 장치의 성능값을 예측하고, 예측된 성능값 중, 당해 성능값이 추출 기준을 충족하는 파라미터값의 조합을 출력하는 제2 인공지능부
    로서 기능시키기 위한 프로그램.
  9. 기판 처리 장치이며,
    선택 완료의 파라미터 종별의 조로 구성되는 파라미터값의 조와 성능값의 관계성을 학습한 제2 인공지능부이며, 당해 선택 완료의 파라미터 종별의 조로 구성되는 파라미터 중 당해 기판 처리 장치에서 필연적으로 정해져버리는 고정 파라미터를 입력으로 하여, 상기 선택된 파라미터 종별의 조로 구성되는 파라미터 중 가변의 파라미터를 변화시킨 경우에 당해 기판 처리 장치의 성능값을 예측하고, 예측된 성능값 중, 당해 성능값이 추출 기준을 충족하는 파라미터값의 조합을 출력하는 제2 인공지능부를 구비하고,
    상기 출력된 파라미터값의 조합을 사용하여 기판을 처리하는 기판 처리 장치.
KR1020217026411A 2019-01-24 2019-12-04 정보 처리 시스템, 정보 처리 방법, 프로그램 및 기판 처리 장치 KR20210118128A (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JPJP-P-2019-010209 2019-01-24
JP2019010209A JP7220573B2 (ja) 2019-01-24 2019-01-24 情報処理システム、情報処理方法、プログラム及び基板処理装置
PCT/JP2019/047317 WO2020153001A1 (ja) 2019-01-24 2019-12-04 情報処理システム、情報処理方法、プログラム及び基板処理装置

Publications (1)

Publication Number Publication Date
KR20210118128A true KR20210118128A (ko) 2021-09-29

Family

ID=71736336

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020217026411A KR20210118128A (ko) 2019-01-24 2019-12-04 정보 처리 시스템, 정보 처리 방법, 프로그램 및 기판 처리 장치

Country Status (7)

Country Link
US (1) US20220093409A1 (ko)
JP (1) JP7220573B2 (ko)
KR (1) KR20210118128A (ko)
CN (1) CN113329845B (ko)
SG (1) SG11202107874TA (ko)
TW (1) TW202042963A (ko)
WO (1) WO2020153001A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230137613A (ko) 2022-03-22 2023-10-05 사회복지법인 삼성생명공익재단 대퇴골 x-레이 영상을 이용한 학습 모델 기반의 종양 분류 방법 및 분석장치

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020131353A (ja) * 2019-02-19 2020-08-31 パナソニックＩｐマネジメント株式会社 研磨加工システム、学習装置、学習装置の学習方法
KR20230028552A (ko) * 2020-12-18 2023-02-28 어플라이드 머티어리얼스, 인코포레이티드 적응형 슬러리 분배 시스템
WO2022138272A1 (ja) * 2020-12-25 2022-06-30 東京エレクトロン株式会社 管理システム、管理方法及び管理プログラム
JP2022162709A (ja) * 2021-04-13 2022-10-25 株式会社Ｓｃｒｅｅｎホールディングス 基板処理装置、基板処理システム、及びデータ処理方法
WO2022270345A1 (ja) * 2021-06-22 2022-12-29 株式会社荏原製作所 研磨方法および研磨装置
WO2023166991A1 (ja) * 2022-03-01 2023-09-07 株式会社荏原製作所 情報処理装置、推論装置、機械学習装置、情報処理方法、推論方法、及び、機械学習方法
WO2023230517A1 (en) * 2022-05-27 2023-11-30 Onto Innovation Inc. Performance management of semiconductor substrate tools
JP2024015933A (ja) * 2022-07-25 2024-02-06 株式会社荏原製作所 情報処理装置、機械学習装置、情報処理方法、及び、機械学習方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001160544A (ja) 1999-10-12 2001-06-12 Applied Materials Inc 研磨機制御方法

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5664066A (en) * 1992-11-09 1997-09-02 The United States Of America As Represented By The United States Department Of Energy Intelligent system for automatic feature detection and selection or identification
TWI264043B (en) 2002-10-01 2006-10-11 Tokyo Electron Ltd Method and system for analyzing data from a plasma process
US7001243B1 (en) * 2003-06-27 2006-02-21 Lam Research Corporation Neural network control of chemical mechanical planarization
JP5353443B2 (ja) 2009-05-25 2013-11-27 株式会社Ｊｖｃケンウッド データ分類器作成装置、データ分類装置、データ分類器作成方法、データ分類方法、データ分類器作成プログラム、データ分類プログラム
JP2012074574A (ja) 2010-09-29 2012-04-12 Hitachi Ltd 加工装置制御システムおよび加工装置制御方法
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
EP2890951A4 (en) * 2012-08-15 2016-05-18 Nova Measuring Instr Ltd OPTICAL METROLOGY FOR IN-SITU MEASUREMENTS
US10386828B2 (en) 2015-12-17 2019-08-20 Lam Research Corporation Methods and apparatuses for etch profile matching by surface kinetic model optimization
SG11201902651QA (en) * 2016-10-18 2019-05-30 Ebara Corp Substrate processing control system, substrate processing control method, and program
US10262910B2 (en) 2016-12-23 2019-04-16 Lam Research Corporation Method of feature exaction from time-series of spectra to control endpoint of process

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001160544A (ja) 1999-10-12 2001-06-12 Applied Materials Inc 研磨機制御方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230137613A (ko) 2022-03-22 2023-10-05 사회복지법인 삼성생명공익재단 대퇴골 x-레이 영상을 이용한 학습 모델 기반의 종양 분류 방법 및 분석장치

Also Published As

Publication number Publication date
JP7220573B2 (ja) 2023-02-10
JP2020120004A (ja) 2020-08-06
CN113329845B (zh) 2023-07-25
US20220093409A1 (en) 2022-03-24
CN113329845A (zh) 2021-08-31
WO2020153001A1 (ja) 2020-07-30
TW202042963A (zh) 2020-12-01
SG11202107874TA (en) 2021-08-30

Similar Documents

Publication Publication Date Title
KR20210118128A (ko) 정보 처리 시스템, 정보 처리 방법, 프로그램 및 기판 처리 장치
US6567718B1 (en) Method and apparatus for monitoring consumable performance
JP4880512B2 (ja) モデル予測制御を用いた、半導体製作における個別部品の生産を制御するための方法およびコントローラ装置
Agarwal Optimizing machining parameters to combine high productivity with high surface integrity in grinding silicon carbide ceramics
JP4163145B2 (ja) ウェハの研磨方法
KR102218204B1 (ko) 버프 연마 처리에 있어서의 연마량의 시뮬레이션 방법 및 버프 연마 장치
US7175505B1 (en) Method for adjusting substrate processing times in a substrate polishing system
CN100556620C (zh) 使用垫调节装置的传感信号来控制化学机械研磨的方法及系统
KR20210122819A (ko) 시나리오에 의한 페인트 보수 프로세스
WO2020235581A1 (ja) 基板処理システム
WO2014173781A1 (en) Method for controlling a manufacturing device used in an optical lens manufacturing process
US7097534B1 (en) Closed-loop control of a chemical mechanical polisher
TWI826943B (zh) 用於對保持環評估拋光及優化拋光的方法以及包括執行該方法的電腦程式編碼的非瞬態電腦可讀媒體
KR102276869B1 (ko) 화학적 기계적 연마 자동화된 레시피 생성
JP2018067609A (ja) 局所研磨装置、局所研磨方法およびプログラム
US11958166B2 (en) Dressing estimation device and controller
KR102279045B1 (ko) 공정 제어정보 생성 장치, 방법 및 이를 포함하는 공정 제어장치
JP2004153229A (ja) 加工形状の予測方法、加工条件の決定方法、加工量予測方法、加工形状予測システム、加工条件決定システム、加工システム、加工形状予測計算機プログラム、加工条件決定計算機プログラム、プログラム記録媒体、及び半導体デバイスの製造方法
JP2005252036A (ja) 化学的機械的研磨方法、化学的機械的研磨システム、及び半導体装置の製造方法
JP2006186131A (ja) 化学的機械的研磨方法
JP2007281026A (ja) 半導体装置の研磨方法
WO2022256175A1 (en) Methods of modeling and controlling pad wear
Morisawa et al. Consumption Optimization in CMP Processes
Rhoades CMP Process Development Techniques for New Materials
KR20050073891A (ko) 화학적 기계적 연마 시스템 및 그 방법