KR20230140547A - 장치 진단 시스템, 장치 진단 장치, 반도체 장치 제조 시스템 및 장치 진단 방법 - Google Patents

장치 진단 시스템, 장치 진단 장치, 반도체 장치 제조 시스템 및 장치 진단 방법 Download PDF

Info

Publication number
KR20230140547A
KR20230140547A KR1020237005520A KR20237005520A KR20230140547A KR 20230140547 A KR20230140547 A KR 20230140547A KR 1020237005520 A KR1020237005520 A KR 1020237005520A KR 20237005520 A KR20237005520 A KR 20237005520A KR 20230140547 A KR20230140547 A KR 20230140547A
Authority
KR
South Korea
Prior art keywords
semiconductor manufacturing
algorithm
data
state
health
Prior art date
Application number
KR1020237005520A
Other languages
English (en)
Inventor
나나코 다마리
마사히로 스미야
아키라 가고시마
사토루 마츠쿠라
유지 나가타니
Original Assignee
주식회사 히타치하이테크
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 주식회사 히타치하이테크 filed Critical 주식회사 히타치하이테크
Publication of KR20230140547A publication Critical patent/KR20230140547A/ko

Links

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
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • 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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • 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
    • H01L21/3065—Plasma etching; Reactive-ion etching
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/02—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
    • H01L21/31—Treatment of semiconductor bodies using processes or apparatus not provided for in groups H01L21/20 - H01L21/26 to form insulating layers thereon, e.g. for masking or by using photolithographic techniques; After treatment of these layers; Selection of materials for these layers
    • 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
    • H01L21/67253—Process monitoring, e.g. flow or thickness monitoring

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Automation & Control Theory (AREA)
  • Power Engineering (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Computer Hardware Design (AREA)
  • Manufacturing & Machinery (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Tourism & Hospitality (AREA)
  • Software Systems (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Plasma & Fusion (AREA)
  • Drying Of Semiconductors (AREA)
  • Semiconductor Integrated Circuits (AREA)
  • Testing Of Individual Semiconductor Devices (AREA)

Abstract

반도체 제조 장치의 상태를 진단하는 장치 진단 시스템은, 반도체 제조 장치로부터 수집된 센서 데이터를 입력으로 하여 제1 알고리즘에 의해 건전도 지표가 출력되고, 건전도 지표를 입력으로 하여 제2 알고리즘에 의해 반도체 제조 장치의 정상 시의 역치 공간 데이터가 출력되고, 건전도 지표와 역치 공간 데이터를 입력으로 하여 제3 알고리즘에 의해 반도체 제조 장치의 상태가 진단되는 장치 진단 장치를 구비한다. 건전도 지표는, 반도체 제조 장치의 상태의 건전도에 관한 지표이다.

Description

장치 진단 시스템, 장치 진단 장치, 반도체 장치 제조 시스템 및 장치 진단 방법
본 발명은, 장치 진단 시스템, 장치 진단 장치, 반도체 장치 제조 시스템 및 장치 진단 방법에 관한 것이다. 본 발명은, 특히, 플라스마 에칭 장치의 센서 데이터 및 그 밖의 장치 로그 데이터를 수집하고, 임의의 트리거와 임의의 해석 알고리즘을 사용해서, 당해의 데이터 군(君)을 해석 및 학습시킴에 의해, 플라스마 에칭 장치의 고장이나 열화에 관한 예조(豫兆) 진단 및 건전도 지표를 행하는 장치 진단 시스템에 관한 것이다.
반도체 제조 공장에 있어서의 제조 장치의 가동률의 향상 및 높은 수준에서의 유지는, 제조 공정에 있어서의 생산성 및 수율의 향상의 관점에서 중요 과제의 하나이다.
여기에서 제조 장치의 가동률의 향상 및 유지에는, 제조 장치 자체의 성능이나 제조 프로세스 성능의 개선에 더해, 장치 메인터넌스에 수반하는 장치 정지 시간(이하, 다운 타임)을 단축하는 것이 중요하다.
특히 장치 메인터넌스에 관해서는, 미리 상정되어 있는 정기 메인터넌스 이외에, 어떤 장치 불량에 의해 돌발적으로 생기는 비정상 메인터넌스 작업이 있다. 일반적으로 비정상 메인터넌스 작업에는 교환 파츠의 수배나 메인터넌스 인원 조정 등의 필요 리소스 조정에 기인하는 대기 시간이 발생하여, 정기 메인터넌스와 비교해서 현저히 긴 다운 타임을 요한다.
따라서, 장치 가동률의 향상에 대해서는, 비정상 메인터넌스 작업의 회피·방지가 효과적인 인자의 하나로 되어 있다.
또한, 정기 메인터넌스여도, 메인터넌스 작업의 과정에서 처음 예상 이상으로 장치 상태가 열화되어 있던 것이 판명되었을 경우 등은, 비정상 메인터넌스와 마찬가지로 리소스 조정이나 작업 효율 저하가 예상되고, 긴 다운 타임을 요한다.
이들에 대한 어프로치로서, 장치의 건전 상태를 상시 평가하고, 장치 상태의 이상이나 열화를 예조 진단함으로써, 장치의 다운 타임을 대폭 단축하는 방법을 들 수 있다. 여기에서 말하는 장치의 건전 상태의 상시 모니터링이란, 예를 들면 장치를 구성하는 컴포넌트의 상태량을 상시 자동으로 해석함으로써, 당해 컴포넌트의 건전도나 상태 변화를 상시 평가 및 예측하는 방법을 들 수 있다.
플라스마 에칭 장치에 있어서, 상기와 같은 방법으로 장치의 예방 보전을 행하는 기술로서는, 일본국 특개2000-259222호 공보 및 일본국 특개2006-324316호 공보가 알려져 있다.
일본국 특개2000-259222호 공보 일본국 특개2006-324316호 공보
반도체 디바이스 구조의 진화에 수반해서, 에칭 프로세스 기술 등의 생산 기술이나 장치를 구성하는 컴포넌트는 개선이나 치환이 빈번히 행해지기 때문에, 상기와 같은 예방 보전을 행하는 시스템도 그것에 추수(追隨)할 수 있는 유연한 교정일 필요가 있다.
예를 들면, 장치에 새로운 컴포넌트나, 새로운 상태량을 계측하는 센서가 추가된 경우여도, 그들의 데이터 수집·해석을 행하는데 있어서 시스템의 개수(改修)가 축차 필요해지는 것은 가동률의 관점에서 바람직하지 않다.
또한, 평가 대상의 컴포넌트 자체의 부하나 상태를 정확히 평가하는데 있어서, 예를 들면 당해 컴포넌트가 아무런 제어되어 있지 않은 상태에 있어서의 상태량이나, 처리실과 반송실 사이를 봉하는 게이트 밸브의 개폐 시 등, 프로세스 실시 중에 한정되지 않고 특정한 부하 이벤트에 있어서의 상태량이 필요해지는 장면이 있다.
그 관점에 있어서, 일본국 특개2000-259222호 공보는 고장 예지 알고리즘이 포함되어 있기 때문에, 예를 들면 종래 해석 대상으로 하고 있던 컴포넌트의 사양이 변경되었을 경우나 새로운 컴포넌트가 추가된 경우에, 시스템의 개수가 필요해진다. 일본국 특개2006-324316호 공보에서는, 해석 트리거가 레시피 정보뿐이기 때문에, 장치가 아이들 상태일 때 등 임의의 트리거에서 해석을 실행할 수 없다.
상기 과제는, 장치의 상태량을 해석하는 알고리즘에 대해, 시스템 상에서 교체나 삭제나 신규 등록을 행할 때 시스템의 프로그램의 개수를 수반하지 않고 당해의 교체나 삭제나 신규 등록 작업을 실시할 수 있고, 또한 임의의 이벤트 트리거에 의해 대상 컴포넌트의 상태량을 자동으로 해석할 수 있는 시스템에 의해 해결된다.
구체적으로는, 플라스마 에칭 장치에 있어서, 그것을 구성하는 컴포넌트의 상태량을 각종 센서로 계측한 센서 데이터를, 미리 정해진 장치 이벤트 트리거나 시간 간격 등 임의의 트리거로, 당해 센서 군으로부터 LAN(로컬 에어리어 네트워크) 등을 통해 수집한다. 그 수집한 센서 데이터를 입력으로 하여, 미리 당해 시스템에 등록되어 있는 단수 또는 복수의 해석 알고리즘을 실행하고, 상기 해석의 출력으로서, 장치의 모든 상태에 대한 각각의 건전도를 나타내는 지표를 산출시킨다. 그 건전도 지표를 데이터베이스나 파일 등에 축적하고, 필요에 따라 그 건전도 지표 군을 입력으로 하여 학습용 알고리즘을 실행해서 정상 가동 시의 기준 공간을 산출시킨다. 상기 건전도 지표 군과 기준 공간을 입력으로 하여, 해석 대상의 플라스마 에칭 장치의 예조 진단을 실시해서, 불량의 예방 보전을 행한다. 이 데이터 수집·해석 시스템은, 해석 알고리즘 및 학습용 알고리즘으로 하여 상술한 건전도 지표 군과 수집 데이터를 입력으로 하는 AI(인공지능)의 탑재가 가능한 시스템에 의해 달성된다.
또한, 여기에서 말하는 컴포넌트란, 플라스마 에칭 장치계를 구성하는 디바이스나 구조물 일체를 가리키고, 예를 들면 고주파 발생 회로 등의 디바이스에 한정되지 않고, 플라스마 처리실 등, 플라스마 에칭 장치계를 구성하는 구조물도 포함된다.
본 발명에 따르면, 컴포넌트의 건강 상태를 상시 모니터링하고, 컴포넌트의 이상 시나 이상에는 이르고 있지 않지만 이상이 예조될 경우는, 그 취지를 장치 관리원이나 작업자 등에 통지할 수 있다. 이에 의해, 비정상 메인터넌스에 빠지기 전에 적절한 처치를 행함으로써 비정상 메인터넌스 자체를 방지할 수 있다. 또한, 비정상 메인터넌스에 빠진 경우에도, 사전에 리소스를 조정할 수 있는 여지가 있기 때문에, 통상의 비정상 메인터넌스와 비교해서 다운 타임의 단축이 예상된다. 또한, 컴포넌트마다의 건전도 지표를 가시화 및 해석할 수 있다. 그 때문에, 차회(次回)의 정기 메인터넌스 시의 메인터넌스 방침을 장치마다 책정할 수 있다. 이에 의해, 정기 메인터넌스의 적확화(的確化) 및 효율화가 가능하고, 다운 타임의 단축에 기여할 수 있다.
도 1은 실시예에 따른 플라스마 에칭 장치의 예조 진단 및 건전도 지표의 평가를 행하는 장치 진단 시스템을 포함하는 반도체 장치 제조 시스템의 전체도.
도 2는 도 1의 플라스마 에칭 장치의 구성도.
도 3은 도 1의 장치 진단 장치인 에지 시스템의 구성도.
도 4는 도 1의 서버 시스템의 구성도.
본 발명의 실시형태를, 이하 도면을 참조해서 설명한다.
[실시예]
본 발명의 실시예에 대해 설명한다. 도 1은, 실시예에 따른 플라스마 에칭 장치의 예조 진단 및 건전도 지표의 평가를 행하는 장치 진단 시스템을 포함하는 반도체 장치 제조 시스템의 전체도이다. 도 2는, 도 1의 플라스마 에칭 장치의 구성도이다. 도 3은, 도 1의 장치 진단 시스템인 에지 시스템의 구성도이다. 도 4는, 도 1의 서버 시스템의 구성도이다. 도 2~도 4에 나타내는 화살표는, 본 발명의 실시예에 따른 데이터의 플로우를 나타내고 있다.
도 1에 나타내는 바와 같이, 반도체 장치 제조 시스템(100)은, 이 예에서는, 특별히 제한되지 않지만, 복수의 플라스마 에칭 장치(PEA)(101)와, 복수의 에지 시스템(EGS)(107)과, 서버 시스템(SVS)(121)과, 호스트 프로세서(HPR)(200)를 포함한다. 하나의 플라스마 에칭 장치(101)와 하나의 에지 시스템(107) 사이는, 예를 들면, LAN(로컬 에어리어 네트워크) 케이블이나 USB(유니버설 시리얼 버스) 케이블 등의 통신 케이블(108)을 사용한 네트워크 회선에 의해 접속되어 있다. 복수의 에지 시스템(107)과 서버 시스템(121) 사이는, 예를 들면, LAN 케이블이나 USB 케이블 등의 통신 케이블(220)을 사용한 네트워크 회선에 의해 접속되어 있다. 또한, 각 플라스마 에칭 장치(101)는, LAN 케이블이나 USB 케이블 등의 통신 케이블(210)을 사용한 네트워크 회선에 의해, 호스트 컴퓨터(200)에 접속되어 있다. 또한, LAN 케이블이나 USB 케이블 등의 유선의 통신 케이블 대신에, 무선을 사용한 네트워크 회선에 의해, 플라스마 에칭 장치(101), 에지 시스템(107) 및 서버 시스템(121)을 접속하는 것도 가능하다.
서버 시스템(121)은, 예를 들면, 반도체 디바이스의 제조 공장(반도체 디바이스 Fab이라 함) 내에 설치되어 있다. 혹은, 서버 시스템(121)은, 반도체 디바이스 Fab 외의 빌딩 등의 건물, 예를 들면, 반도체 디바이스의 설계동, 시험동이나 검사동 등의 건물 내에 설치되어 있다.
여기에서, 플라스마 에칭 장치(PEA)(101)는 반도체 디바이스를 제조하기 위한 반도체 제조 장치이다. 에지 시스템(107)은, 장치 진단 장치 또는 장치 진단 시스템으로 간주할 수 있다. 장치 진단 장치 또는 장치 진단 시스템은, 반도체 제조 장치(101)의 상태를 진단하기 위해 이용된다. 또한, 통신 케이블(108)로 접속된 서버 시스템(121)과 에지 시스템(107)을, 장치 진단 시스템으로 간주할 경우가 있다. 통신 케이블(108)로 접속된 반도체 제조 장치와 에지 시스템(107)은, 반도체 장치 제조 시스템(100)으로 간주할 수 있다. 또한, 통신 케이블(108)로 접속된 반도체 제조 장치와 에지 시스템(107)과 서버 시스템(121)을, 반도체 장치 제조 시스템(100)으로 간주할 경우가 있다.
에지 시스템(107)은, 예를 들면, 계산기인 퍼스널 컴퓨터로 구성할 수 있다. 에지 시스템(107)은, 예를 들면, 외부 인터페이스 회로, 프로세서, 메모리, 스토리지, 및, 표시 장치를 포함한다. 메모리는, 예를 들면, RAM(Random Access Memory) 등의 고속의 판독 또는 고속의 쓰기가 가능한 반도체 메모리에 의해 구성된다. 스토리지는, 예를 들면, HDD(Hard Disk Drive)나 SSD(Solid State Drive) 등의 대용량의 기억 장치에 의해 구성된다. 프로세서가, 예를 들면 스토리지에 저장된 에지 시스템(107)의 기능을 실현하는 소프트웨어 프로그램(애플리케이션 프로그램이라고도 함)을 실행함으로써, 퍼스널 컴퓨터에 의해 실현되도록 구성되어 있다. 즉, 도 3에 의해 설명되는 에지 시스템(107)의 기능은, 스토리지에 저장된 소프트웨어 프로그램과 스토리지에 저장된 각종 참조 데이터를 프로세서가 실행 및 참조함에 의해 실현된다. 도 3에 있어서, 데이터 처리 영역(310)은 퍼스널 컴퓨터의 프로세서가 소프트웨어 프로그램을 실행함으로써 실현되고, 데이터 스토리지 영역(300)은 퍼스널 컴퓨터의 메모리 또는 스토리지로 실현되고, 유저 인터페이스 영역(320)은 퍼스널 컴퓨터의 표시 장치로 실현된다.
이 의미에서, 도 1에 나타내는 반도체 장치 제조 시스템(100)은, 반도체 제조 장치(101)가 네트워크를 통해 접속되고, 반도체 제조 장치(101)의 상태를 진단하기 위한 장치 진단 장치(107)의 애플리케이션이 실장된 플랫폼을 구비한다고 간주할 수 있다.
우선, 플라스마 에칭 장치(PEA)(101) 내에서 취득되는 데이터 군(102, 103, 104)에 대해 설명한다.
본 실시예의 관점에 있어서, 도 2에 나타내는 바와 같이, 플라스마 에칭 장치(PEA)(101)의 생산 영역(PR)은, 시료인 웨이퍼에 대해 플라스마 에칭 처리 등을 실시하는 처리실(105)과, 웨이퍼 카세트로부터 처리실(105) 간에 있어서 웨이퍼를 반송하는 반송실(106)로 크게 분류할 수 있다. 각각의 계에는, 그 목적에 따라 다양한 제어용 컴포넌트(CNP)가 부착되어 있다. 예를 들면, 반송실(106)에 설치되는 제어용 컴포넌트(CNP1)로서는, 예를 들면, 웨이퍼를 반송하는 로봇이나, 대기와 진공의 전환을 행하는 퍼지용 밸브, 진공 펌프 등이 설치되어 있다. 처리실(105)에 설치되는 제어용 컴포넌트(CNP2)로서는, 예를 들면, 플라스마를 생성하기 위한 고주파 발진 회로, 처리실 내에 프로세스 가스를 도입하기 위한 가스 유량 제어 디바이스, 처리실 내의 배기를 행하는 진공 펌프 등이 설치되어 있다. 또한, 도시하지 않지만, 처리실(105)과 반송실(106) 사이에 설치되는 제어용 컴포넌트로서는, 양자(105와 106) 간을 봉하는 게이트 밸브 등이 설치되어 있다. 통상 이들 제어용 컴포넌트에는 센서가 부착되어 있어, 그 다양한 상태량이 계측되고 있다. 이 상태량을 이하 센서 데이터(SDA)(102)라 호칭한다. 당해 센서 데이터(102)는 데이터 스토리지 영역(DSR)에 보관된다.
또한, 센서 데이터(102)와는 별개로, 플라스마 에칭 장치(101)의 리얼 타임의 상태를 표현하는 장치 상태량(ESQ)(103)도 존재한다. 당해 장치 상태량(103)은 센서 데이터의 1종이지만, 밸브의 개폐 상태나 플라스마 에칭 장치(101) 내지는 각 컴포넌트의 가동 상태 및 정지 상태의 표현을 주목적으로 한, 플라스마 에칭 장치(101)의 이벤트에 특화한 값이고, 통상 부울(boole)값이나 그 밖의 정수값으로 나타난다. 이들도 데이터 스토리지 영역(DSR)에 보관되는 것 외에, 일부의 데이터는 보관되지 않고 커맨드 데이터로서 일정 시간 메모리에 유지된다.
또한, 상기 센서 데이터(102) 및 장치 상태량(103) 어느 것에도 포함되지 않는 데이터로서, 장치 로그(LOG)(104)도 존재한다. 장치 로그(LOG)(104)에는 장치(101)의 메인터넌스의 이력이나 실행된 프로세스 레시피의 정보 등, 장치 이벤트의 상세 데이터 등이 포함된다.
다음으로, 상기에서 설명한 데이터 군(102, 103, 104)에 대해, 이들을 수집, 축적, 상태 평가, 상태 판정을 행하는 에지 시스템(107)에 대해 설명한다.
도 1에 나타내는 바와 같이, 에지 시스템(107)은 복수의 플라스마 에칭 장치(101)에 대해 1대 접속해도 된다. 그러나, 당해 시스템과 같은 부가 설비는 설치 면적이 가능한 한 작은 것이 제조 현장상 바람직하다. 그 경우, 일반적으로 설치 면적이 작은 대신에 처리 능력 수준이 높지 않은 시스템이 선정되기 때문에, 1대의 플라스마 에칭 장치(101)에 대해 1대의 접속이 바람직하다. 따라서, 본 실시예에서는, 대표적인 예로서, 1대의 플라스마 에칭 장치(101)에 대해 1대의 에지 시스템(107)을 접속한 실시예에 대해 설명한다.
우선, 도 1에 나타내는 바와 같이, 플라스마 에칭 장치(101)와 에지 시스템(107)을 통신용 케이블(108)로 접속한다. 본 실시예에서는, 통신 케이블(108)로서 LAN 케이블을 사용하여, 스위칭 허브를 경유해서 플라스마 에칭 장치(101)와 에지 시스템(107)을 접속하고 있다.
이와 같이 플라스마 에칭 장치(101)와 에지 시스템(107)을 통신용 케이블(108)로 접속한 계에 있어서, 도 3에 나타내는 바와 같이, 우선 에지 시스템(107) 내의 데이터 수집 프로그램(109)이, 상술한 센서 데이터(102), 장치 로그 데이터(104) 중, 에지 시스템(107)에 당해 시점에서 카피한 실적이 없는 데이터를 에지 시스템(107)의 데이터 스토리지 영역(300)에 센서 데이터(110), 장치 로그 데이터(111)로서 카피한다. 센서 데이터(110)는, 예를 들면, 플라스마 에칭 장치(101)를 구성하는 각 컴포넌트(CNP1, CNP2 등)의 동작에 대응하는 트리거 또는 플라스마 에칭 장치(101)의 처리에 대응하는 트리거에 의해 데이터 수집 프로그램(109)에 의해 상술한 센서 데이터(102)로부터 수집되도록 구성하는 것이 바람직하다.
이 때, 당해 센서 데이터(110) 및 장치 로그 데이터(111)의 데이터의 형식은 원(元) 데이터의 형식으로 동일할 필요는 없고, 예를 들면 zip 등의 데이터 압축 포맷에 의해 데이터 사이즈를 삭감하거나, AI(인공지능)나 그 밖의 임의의 알고리즘으로 추출한 데이터의 특징 부분만을 보관하거나, 후의 상태 평가 및 판정 해석을 행할 때에 편리한 형식으로 변환해서 보관하거나, 파일 형식의 데이터를 데이터베이스의 레코드로서 기록 및 보관하거나 해도 된다.
또한, 장치 상태량(103)에 대해서는 에지 시스템(107)의 데이터 스토리지 영역(300)에 보관해도 된다. 그러나, 본 실시예에서는, 장치 상태량(103)을, 주로 후술하는 트리거 판정 목적으로 사용하기 때문에, 데이터 스토리지 영역(300)에는 보관은 하지 않고, 데이터 처리 영역(310)에 설치한 트리거 해석 프로그램(113)에 입력으로서 건네는 구성으로 되어 있다(데이터 플로우(112)를 참조).
다음으로 트리거 해석 프로그램(113)에 대해 설명한다. 여기에서 말하는 트리거란, 후술하는 해석 알고리즘(114)을 실행하기 위한 트리거(이하, 해석 트리거)를 가리킨다. 예를 들면, 특정한 프로세스 레시피가 플라스마 에칭 장치(101)에서 실시된 경우에, 그 레시피 실행 중의 센서 데이터(102)를 입력으로 하여 특정한 해석 알고리즘을 실행하고자 하는 경우는, 당해의 특정한 프로세스 레시피의 정보가 해석 트리거로 된다. 또한, 특정한 장치 이벤트, 예를 들면 처리실(105)과 반송실(106) 사이에 존재하는 게이트 밸브의 개폐 시 등이나, 특정한 실행 레시피나 장치 이벤트에 관계없이 특정한 시간 간격 등도 해석 트리거로서 설정 가능하다. 즉, 데이터 수집 프로그램(109)으로 수집된 데이터(110, 111, 103)에 포함되는 정보 및 시간 정보는 모두 해석 트리거로서 설정 가능하다.
트리거 해석 프로그램(113)은 장치 로그 데이터(111) 및 데이터 수집 프로그램(109)으로부터 데이터 플로우(112)에 의해 건네진 장치 상태량(103)에 대해, 미리 해석 트리거로서 설정되어 있는 항목이 포함되어 있는 지의 여부를 판정한다.
또한, 이 때 대상으로 되는 장치 로그 데이터(111)는, 트리거 해석 프로그램(113)이 당해 데이터 군을 읽어들인 시점에서 과거에 이미 판정을 행한 장치 로그 데이터(111) 이외의 데이터, 즉 장치 로그 데이터(111)의 차분 데이터 군에 대해서이다.
이 때, 차분 데이터 군에 대해, 미리 해석 트리거로서 설정되어 있는 항목이 포함되어 있었을 경우, 트리거 해석 프로그램(113)은, 바로 그 해석 트리거가 링크되어 있는 장치 건전도 지표 해석 알고리즘(114)을 실행한다. 장치 건전도 지표 해석 알고리즘(114)은, 제1 알고리즘이라 할 수 있다. 제1 알고리즘(114)은, 반도체 제조 장치(101)로부터 수집된 센서 데이터를 입력으로 하여, 후술하는 건전도 지표(116)를 출력한다.
또한, 여기에서 말하는 미리 해석 트리거로서 설정되어 있는 항목이란, 시스템의 유저 인터페이스 영역(320)에 있어서의 설정 화면(330)에서, 시스템의 유저, 통상은 생산 현장에 있어서의 필드 엔지니어 등이 해석 트리거로서 수동으로 설정한 것이나, 혹은 AI(인공지능)나 그 밖의 임의의 알고리즘에 의해 해석 트리거로서 미리 설정된 것을 가리킨다.
또한, 여기에서 말하는 해석 트리거가 링크되어 있는 장치 건전도 지표 해석 알고리즘(114)이란, 시스템의 유저 인터페이스 영역(320)에 있어서의 설정 화면(330)에서, 시스템의 유저, 통상은 생산 현장에 있어서의 필드 엔지니어 등이 당해 해석 트리거에 수동으로 링크된 장치 건전도 지표 해석 알고리즘이나, 혹은 AI나 그 밖의 임의의 알고리즘이 당해 해석 트리거에 링크된 장치 건전도 지표 해석 알고리즘을 가리킨다.
다음으로 장치 건전도 지표 해석 알고리즘(114)에 대해 설명한다.
당해 알고리즘(114)은, 상술한 데이터 수집 프로그램(109)에 의해 카피 및 필요에 따라 정형(整形)된 센서 데이터(110) 및 장치 로그(111)를 입력으로 하여, 상기 트리거 해석 프로그램(113)에 의해 실행된다.
이 때 트리거 해석 프로그램(113)이 당해 알고리즘(114)을 실행하기 위한 플랫폼의 요건을 만족하고 있는 한, 당해 알고리즘(114)을 기술하는 프로그래밍 언어는 상관없다. 또한, 상기 요건을 만족하고 있는 한, 당해 알고리즘(114)은 AI여도, 그 밖의 임의의 알고리즘이어도 상관없다. 또한, 당해 알고리즘(114)은, 에지 시스템(107)을 구성하고 있는 데이터 수집 프로그램(109)이나, 트리거 해석 프로그램(113)이나, 학습용 트리거 해석 프로그램(115)에 포함되어 있지 않은 것으로 하고, 본 실시예에서는 상기 조건을 만족하고 있는 dll 파일이나 그 밖의 스크립트 파일로 하고 있다. 이것은 장치 건전도 지표 해석 알고리즘(114)을, 에지 시스템(107) 상에 있어서 교체나 삭제나 신규 등록을 행할 때, 시스템의 프로그램의 개수를 수반하지 않고 실시할 수 있는 것을 목적으로 한 것이다.
이 때, 당해 알고리즘(114)에 의해 상술한 입력 데이터(센서 데이터(110), 장치 로그(111))가 해석되고, 출력으로서 장치 건전도 지표(116)가 얻어진다. 장치 건전도 지표(116)는 파일로서 보관되어도 된다. 그러나, 사후에 후술하는 기계 학습용의 학습 데이터 등으로서 사용할 때에 검색이나 추출을 용이하게 하기 위해, 본 실시예에서는, 장치 건전도 지표(116)는 데이터베이스 형식으로서 보관하고 있다. 건전도 지표(116)는, 반도체 제조 장치(101)의 상태의 건전도에 관한 지표이다. 장치 건전도 지표(116)는, 해석 알고리즘(114)에 의해 학습된 기계 학습을 사용해서 출력된다. 해석 알고리즘(114)은, 입력 데이터(센서 데이터(110), 장치 로그(111))에 대해 해석 및 기계 학습에 의해 학습하는 것도 가능하다.
또한, 이 때, 당해 알고리즘(114)은 단수가 아닌, 복수 개를 하나의 에지 시스템(107)에 등록하고 있어도 상관없다. 예를 들면 당해 알고리즘(114)을 장치의 컴포넌트마다 개별적으로 개발하고, 그들을 하나의 에지 시스템 상에서 각각 임의의 트리거로 실행하는 것도 가능하다. 즉, 당해 알고리즘(114)은, 예를 들면, 단수의 알고리즘 또는 복수의 알고리즘으로 구성할 수 있다.
다음으로, 학습용 트리거 해석 프로그램(115)에 대해 설명한다.
학습용 트리거 해석 프로그램(115)은, 장치 건전도 지표 해석 알고리즘(114)의 출력으로서 얻어진 장치 건전도 지표(116) 및 센서 데이터(110) 및 장치 로그(111)에 대해, 미리 학습용 트리거로서 설정되어 있는 조건을 만족시키는 데이터 군이 있는 지의 여부를 판정한다. 당해 조건을 만족시키는 데이터 군이 존재할 경우, 그들 데이터 군을 입력으로 하여, 학습 알고리즘(117)을 실행한다. 여기에서, 학습용 트리거로서는, 특정한 일시 등의 시간 범위나, 어느 특정 시기로부터의 생산 수 범위나, 특정한 이벤트가 임의 횟수 발생했을 때 등, 트리거 해석 프로그램(113)과 마찬가지로, 데이터 수집 프로그램(109)으로 수집된 데이터(110, 111, 103)에 포함되는 정보 및 시간 정보는 모두 설정 가능하다. 학습 알고리즘(117)은, 데이터 군에 대해 해석 및 기계 학습에 의해 학습하는 것도 가능하다.
또한, 당해 학습용 트리거는, 트리거 해석 프로그램(113)과 마찬가지로, 시스템의 유저 인터페이스 영역(320)에 있어서의 설정 화면(330)에서, 시스템의 유저, 통상은 생산 현장에 있어서의 필드 엔지니어 등이 해석 트리거로서 수동으로 설정한 것이나, 혹은 AI나 그 밖의 임의의 알고리즘에 의해 필터링 기준으로서 미리 설정되어 있는 것으로 한다.
다음으로, 학습용 알고리즘(117)에 대해 설명한다. 학습용 알고리즘(117)이란, 상술한 바와 같이 학습용 트리거 해석 프로그램에 의해, 센서 데이터(110), 장치 로그(111), 장치 건전도 지표(116)를 소정의 조건으로 필터링한 데이터 군을 입력으로 하여, 역치 공간 데이터(118)를 출력하는 것이다. 학습용 알고리즘(117)은, 제2 알고리즘이라 할 수 있다. 제2 알고리즘(117)은, 건전도 지표(116)를 입력으로 하여 반도체 제조 장치(101)의 정상 시의 역치 공간 데이터(118)를 출력한다. 역치 공간 데이터(118)는, 학습용 알고리즘(117)에 의해 학습된 기계 학습을 사용해서 출력된다.
여기에서, 역치 공간 데이터(118)란, 장치 건전도 지표 해석 알고리즘(114)에 의해 산출된 장치 건전도 지표(116)의 정상 및 이상을 판정하기 위한 역치 데이터이다. 당해 역치 공간 데이터(118)는 단수가 아니고, 통상 각 컴포넌트에 대해 존재한다. 구체적으로는, 예를 들면, 각 컴포넌트의 역치 공간 데이터(118)를 그것에 대응하는 좌표축에서 묘화하고, 그 위에, 대응하는 컴포넌트의 장치 건전도 지표(116)를 묘화한다. 이 경우, 당해의 장치 건전도 지표가 역치 공간 내에 묘화되면 정상이고, 당해의 장치 건전도 지표가 역치 공간 밖에 묘화되면 이상이라고 판정하도록 사용된다.
다음으로, 장치 건전 상태 판정 알고리즘(119)에 대해 설명한다. 장치 건전 상태 판정 알고리즘(119)이 실행된 시점에서 과거에 이미 판정을 행한 장치 건전도 지표(116) 데이터 이외의 데이터, 즉 장치 건전도 지표(116)의 차분 데이터 군 및, 당해의 건전도 지표 군 각각이 대응하는 컴포넌트의 역치 공간 데이터(118)를 입력으로 하여, 당해 건전도 지표(116)에 대응하는 컴포넌트가 정상인 지, 이상인 지의 판정을 행한다. 이 때, 출력으로서 장치 건전 상태 판정 결과(120)를 얻는다. 이 때, 장치 건전 상태 판정 결과란 「정상」「이상 예조 있음」을 나타내는 부울값인 것이 일반적이지만, 「정상」「이상 예조 있음」의 2값에 한정되지 않고, 예를 들면 「정상」「이상 예조」「이상」과 같은 지표여도 상관없다. 여기에서 얻어진 장치 건전 상태 판정 결과(120)는 데이터베이스 등의 스토리지에 보관하는 것 외에, 에칭 장치(101)를 통해, 당해 에칭 장치(101)를 통괄 및 감시하는 호스트 컴퓨터(200)에 송신할 수도 있고, 또한 이들 데이터는 후술하는 서버 시스템(121)에도 송신된다. 장치 건전 상태 판정 알고리즘(119)은, 제3 알고리즘이라 할 수 있다. 제3 알고리즘(119)은, 건전도 지표(116)와 역치 공간 데이터(118)를 입력으로 하여 당해 건전도 지표(116)에 대응하는 컴포넌트가 정상인 지, 이상인 지의 판정을 행함에 의해, 반도체 제조 장치(101)의 상태를 진단한다. 장치 건전 상태 판정 결과(120)로서의 반도체 제조 장치(101)의 상태의 진단은, 알고리즘(119)에 의해 학습된 기계 학습을 사용해서 진단된다. 알고리즘(119)은, 「정상」「이상 예조」「이상」 등의 지표에 대해, 건전도 지표(116)와 역치 공간 데이터(118)를 포함하는 입력 데이터의 해석 및 기계 학습에 의한 학습을 행하는 것도 가능하다.
여기에서, 반도체 제조 장치의 상태를 진단하는 장치 진단 방법에 대해서는, 이하와 같이 정리할 수 있다. 즉, 반도체 제조 장치(101)의 상태를 진단하는 장치 진단 방법은,
1) (건전도 지표의 출력 공정)：반도체 제조 장치(101)로부터 수집된 센서 데이터(110)를 입력으로 하여 제1 알고리즘(114)에 의해 건전도 지표(116)를 출력하는 공정과,
2) (역치 공간 데이터의 출력 공정)：건전도 지표(116)를 입력으로 하여 제2 알고리즘(117)에 의해 반도체 제조 장치(101)의 정상 시의 역치 공간 데이터(118)를 출력하는 공정과,
3) (진단 공정)：건전도 지표(116)와 역치 공간 데이터(118)를 입력으로 하여 제3 알고리즘(119)에 의해 반도체 제조 장치(101)의 상태를 진단하는 공정을 갖는다.
또한, 반도체 제조 장치(101)가 네트워크를 통해 접속되고, 반도체 제조 장치(101)의 상태를 진단하기 위한 애플리케이션이 실장된 플랫폼을 구비하는 반도체 장치 제조 시스템(100)에 대해서는, 이하와 같이 정리할 수 있다. 즉, 반도체 장치 제조 시스템(100)은,
1) (건전도 지표의 출력 스텝)：반도체 제조 장치(101)로부터 수집된 센서 데이터(110)를 입력으로 하여 제1 알고리즘(114)에 의해 건전도 지표(116)가 출력되는 제1 스텝과,
2) (역치 공간 데이터의 출력 스텝)：건전도 지표(116)를 입력으로 하여 제2 알고리즘(117)에 의해 반도체 제조 장치(101)의 정상 시의 역치 공간 데이터(118)가 출력되는 제2 스텝과,
3) (진단 스텝)：건전도 지표(116)와 역치 공간 데이터(118)를 입력으로 하여 제3 알고리즘(119)에 의해 반도체 제조 장치(101)의 상태가 진단되는 제3 스텝을 포함한다. 여기에서, 제1 스텝, 제2 스텝 및 제3 스텝은 반도체 제조 장치(101)의 상태를 진단하기 위한 애플리케이션에 의해 실행된다.
여기에서 특정한 컴포넌트에 대해, 그 상태가 이상 내지는 이상이 예조되는 상태이다는 통지를 호스트 컴퓨터(200) 내지는 서버 시스템(121)에서 수신했을 경우, 플라스마 에칭 장치(101)의 관리원 내지는 작업자가 바로 필요한 대응을 할 수 있어, 비정상 메인터넌스에 빠지기 전에 적절한 처치를 행함으로써 비정상 메인터넌스 자체를 방지할 수 있다. 또한, 비정상 메인터넌스에 빠진 경우에도 사전에 리소스를 조정할 수 있는 여지가 있기 때문에, 통상의 비정상 메인터넌스와 비교해서 다운 타임의 단축이 예상된다.
다음으로, 서버 시스템(121)에 대해 설명한다.
상술한 바와 같이, 본 실시예에서는 1대의 플라스마 에칭 장치(101)에 대해 1대의 에지 시스템(107)이 접속되기 때문에, 제조 현장에 있어서는 플라스마 에칭 장치(101)의 대수분의 에지 시스템(107)이 존재하게 된다.
서버 시스템(121)은 이들 복수의 에지 시스템(107)을 통괄해서 관리할 목적의 시스템이며, 주로 에지 시스템(107)으로부터 수집한 장치 로그(111), 장치 건전도 지표(116), 장치 건전도 상태 판정 결과(120)를 수집하여 모니터하거나, 장치 건전도 상태 판정 결과(120)의 통지를 에지 시스템(107)으로부터 수신하거나 하는 것을 목적으로 한다. 즉, 서버 시스템(121)은, 에지 시스템(107)으로부터의 데이터를 수집하고, 수집된 데이터를 바탕으로 플라스마 에칭 장치(101)의 고장의 예방 보전에 관한 해석 또는 메인터넌스 방법에 관한 해석을 행하기 위해 설치되어 있다.
다음으로, 서버 시스템(121)에 있어서의 데이터 수집 프로그램(122)에 대해 설명한다.
데이터 수집 프로그램(122)은, 에지 시스템(107)의 장치 로그(111), 장치 건전도 지표(116), 장치 건전도 상태 판정 결과(120)에 있어서, 당해 시점에서 에지 시스템(107)으로부터 서버 시스템(121)에 카피한 실적이 없는 데이터를 서버 시스템(121)의 데이터 스토리지 영역(400)에 장치 로그(123), 장치 건전도 지표(124), 장치 건전 상태 판정 결과(125)로서 카피하는 것이다.
이 때, 당해 장치 로그(111), 장치 건전도 지표(116), 장치 건전도 상태 판정 결과(120)의 데이터의 형식은 원 데이터의 형식으로 동일할 필요는 없고, 예를 들면 zip 등의 데이터 압축 포맷에 의해 데이터 사이즈를 삭감하거나, AI나 그 밖의 임의의 알고리즘으로 추출한 데이터의 특징 부분만을 보관하거나, 후의 상태 평가 및 판정 해석을 행할 때에 편리한 형식으로 변환해서 보관하거나, 파일 형식의 데이터를 데이터베이스의 레코드로서 기록·보관하거나 해도 된다.
다음으로, 가시화 프로그램(126)에 대해 설명한다. 가시화 프로그램(126)은, 데이터 수집 프로그램(122)에서 데이터 스토리지 영역(400)에 카피한 장치 로그(123), 장치 건전도 지표(124), 장치 건전 상태 판정 결과(125)에 대해, 예를 들면 그 트렌드나 현 시점에서의 상태를, 데이터 표시 영역(410)에 설치한 장치 상태 모니터(127)에 표시하기 위한 처리를 행하는 프로그램이다.
다음으로, 메인터넌스 플랜 책정 프로그램(128)에 대해 설명한다. 메인터넌스 플랜 책정 프로그램(128)은, 주로 데이터 수집 프로그램(122)에서 데이터 스토리지 영역(400)에 카피한 장치 건전도 지표(124)를 입력으로 하여, 각 컴포넌트의 열화 상태를 그것에 대응하는 장치 건전도 지표(124)로부터 평가한다. 메인터넌스 플랜 책정 프로그램(128)은, 이상 예조 상태까지는 이르지 않고 장치 건전 상태 판정에서는 정상으로 간주되고 있는 컴포넌트여도, 금후 이상 예조 상태로 발전할 가능성이 있고 차회(次回)의 정기 메인터넌스 시에 중점적으로 메인터넌스를 행해야 할 컴포넌트나, 또한 반대로 열화 상태가 경미하여 메인터넌스의 필요가 없거나, 혹은 경미한 메인터넌스로 문제없는 컴포넌트를 리스트화한다. 메인터넌스 플랜 책정 프로그램(128)은, 리스트화된 컴포넌트를, 데이터 표시 영역(410)에 설치한 메인터넌스 플랜 모니터(129)에 표시하는 것이다.
이에 의해, 정기 메인터넌스 작업의 적확화 및 효율화가 가능해져, 장치 다운 타임의 단축 및 리소스 비용의 삭감이 기대된다.
실시예에 따르면, 장치의 상태량을 해석하는 알고리즘(114, 117, 119)에 대해, 시스템(100) 상에서 교체나 삭제나 신규 등록을 행할 때 시스템(100)의 프로그램의 개수를 수반하지 않고 당해의 교체나 삭제나 신규 등록 작업을 실시할 수 있고, 또한 임의의 이벤트 트리거에 의해 대상 컴포넌트의 상태량을 자동으로 해석할 수 있는 시스템(100)을 제공할 수 있다.
구체적으로는, 플라스마 에칭 장치(101)에 있어서, 그것을 구성하는 컴포넌트(CNP1, CNP2 등)의 상태량을 각종 센서로 계측한 센서 데이터(102)를, 미리 정해진 장치 이벤트 트리거나 시간 간격 등 임의의 트리거로, 당해 센서 군으로부터 LAN 네트워크 등을 통해 수집한다. 그리고, 수집된 센서 데이터(수집 데이터)(110)를 입력으로 하여, 미리 당해 시스템(100)에 애플리케이션으로서 등록되어 있는 단수 또는 복수의 해석 알고리즘(114)을 실행한다. 해석 알고리즘(114)의 해석의 출력으로서, 장치(101)의 모든 상태에 대한 각각의 건전도를 나타내는 지표(116)가 산출된다. 그 건전도 지표(116)를 데이터베이스나 파일 등에 축적하고, 필요에 따라 그 건전도 지표(116) 군을 입력으로 하여 학습용 알고리즘(117)을 실행한다. 학습용 알고리즘(117)의 실행 결과로서, 정상 가동 시의 기준 공간(역치 공간 데이터(118))을 산출한다. 건전도 지표(116) 군과 기준 공간(118)을 입력으로 하여, 판정 알고리즘(119)을 실행함으로써, 해석 대상의 플라스마 에칭 장치(101)의 예조 진단을 실시한다. 이에 의해, 해석 대상의 플라스마 에칭 장치(101)의 불량의 예방 보전을 행한다. 시스템(100)에 있어서, 해석 알고리즘(114), 학습용 알고리즘(117), 및, 판정 알고리즘(119)은 AI(인공지능)에 의해 실시할 수 있다. 건전도 지표(116)나 기준 공간(118)은 AI(인공지능)의 기계 학습의 결과를 사용해서 출력된다. 또한, 플라스마 에칭 장치(101)의 상태도, AI(인공지능)의 기계 학습을 사용해서 진단된다.
또한, 컴포넌트란, 플라스마 에칭 장치(101)계를 구성하는 디바이스나 구조물 일체를 가리킨다. 컴포넌트에는, 예를 들면, 고주파 발생 회로 등의 디바이스에 한정되지 않고, 플라스마 처리실 등, 플라스마 에칭 장치계를 구성하는 구조물도 포함된다.
본 발명에 따르면, 플라스마 에칭 장치(101)의 컴포넌트의 건강 상태를 상시 모니터링한다. 그리고, 컴포넌트의 이상 시나 이상에는 이르고 있지 않지만 이상이 예조될 경우는, 그 취지를 장치 관리원이나 작업자 등에 통지한다. 이에 의해, 비정상 메인터넌스에 빠지기 전에 적절한 처치를 행함으로써, 비정상 메인터넌스 자체를 방지할 수 있다. 또한, 비정상 메인터넌스에 빠진 경우에도, 사전에 리소스를 조정할 수 있는 여지가 있기 때문에, 통상의 비정상 메인터넌스와 비교해서 다운 타임의 단축이 예상된다. 또한, 컴포넌트마다의 건전도 지표를 가시화 및 해석할 수 있다. 그 때문에, 차회의 정기 메인터넌스 시의 메인터넌스 방침을 장치마다 책정할 수 있다. 이에 의해, 정기 메인터넌스의 적확화 및 효율화가 가능하여, 다운 타임의 단축에 기여할 수 있다.
이상, 본 발명자에 의해 이루어진 발명을 실시예에 의거하여 구체적으로 설명했지만, 본 발명은, 상기 실시형태 및 실시예에 한정되는 것은 아니고, 여러가지 변경 가능한 것은 물론이다.
100：반도체 장치 제조 시스템, 101：플라스마 에칭 장치, 102：센서 데이터, 103：장치 상태량, 104：장치 로그, 105：처리실, 106：반송실, 107：에지 시스템, 108：통신용 케이블, 109：데이터 수집 프로그램, 110：센서 데이터, 111：장치 로그 데이터, 112：장치 상태량을 트리거 해석 프로그램에 입력으로서 건네는 데이터 플로우, 113：트리거 해석 프로그램, 114：장치 건전도 지표 해석 알고리즘, 115：학습용 트리거 해석 프로그램, 116：장치 건전도 지표, 117：학습 알고리즘, 118：역치 공간 데이터, 119：장치 건전 상태 판정 알고리즘, 120：장치 건전 상태 판정 결과, 121：서버 시스템, 122：서버 시스템에 있어서의 데이터 수집 프로그램, 123：장치 로그, 124：장치 건전도 지표, 125：장치 건전 상태 판정 결과, 126：가시화 프로그램, 127：장치 상태 모니터, 128：메인터넌스 플랜 책정 프로그램, 129：메인터넌스 플랜 모니터, 200：호스트 프로세서(HPR), 210：통신 케이블, 220：통신 케이블, 300：데이터 스토리지 영역, 310：데이터 처리 영역, 320：유저 인터페이스 영역, 330：설정 화면

Claims (12)

  1. 반도체 제조 장치의 상태를 진단하는 장치 진단 시스템에 있어서,
    상기 반도체 제조 장치로부터 수집된 센서 데이터를 입력으로 하여 제1 알고리즘에 의해 건전도 지표가 출력되고,
    상기 건전도 지표를 입력으로 하여 제2 알고리즘에 의해 상기 반도체 제조 장치의 정상 시의 역치 공간 데이터가 출력되고,
    상기 건전도 지표와 상기 역치 공간 데이터를 입력으로 하여 제3 알고리즘에 의해 상기 반도체 제조 장치의 상태가 진단되는 장치 진단 장치를 구비하고,
    상기 건전도 지표는, 상기 반도체 제조 장치의 상태의 건전도에 관한 지표인 것을 특징으로 하는 장치 진단 시스템.
  2. 서버가 네트워크를 통해 접속되고 반도체 제조 장치의 상태가 진단되는 장치 진단 장치를 구비하는 장치 진단 시스템에 있어서,
    상기 서버에 의해, 상기 장치 진단 장치로부터의 데이터가 수집됨과 함께 상기 수집된 데이터를 바탕으로 상기 반도체 제조 장치의 고장의 예방 보전에 관한 해석 또는 메인터넌스 방법에 관한 해석이 행해지는 것을 특징으로 하는 장치 진단 시스템.
  3. 제1항에 있어서,
    상기 건전도 지표 또는 상기 역치 공간 데이터가 기계 학습을 사용해서 출력되거나, 또는 상기 반도체 제조 장치의 상태가 기계 학습을 사용해서 진단되는 것을 특징으로 하는 장치 진단 시스템.
  4. 제1항에 있어서,
    상기 제1 알고리즘은, 단수의 알고리즘 또는 복수의 알고리즘인 것을 특징으로 하는 장치 진단 시스템.
  5. 제1항에 있어서,
    상기 반도체 제조 장치를 구성하는 컴포넌트의 동작에 대응하는 트리거 또는 상기 반도체 제조 장치의 처리에 대응하는 트리거에 의해 상기 센서 데이터가 수집되는 것을 특징으로 하는 장치 진단 시스템.
  6. 제1항에 있어서,
    상기 장치 진단 장치는, 퍼스널 컴퓨터인 것을 특징으로 하는 장치 진단 시스템.
  7. 제1항에 있어서,
    상기 장치 진단 장치로부터의 데이터가 수집됨과 함께 상기 수집된 데이터를 바탕으로 상기 반도체 제조 장치의 고장의 예방 보전에 관한 해석 또는 메인터넌스 방법에 관한 해석이 행해지는 서버를 더 구비하는 것을 특징으로 하는 장치 진단 시스템.
  8. 제2항에 있어서,
    상기 서버를 더 구비하는 것을 특징으로 하는 장치 진단 시스템.
  9. 제2항에 있어서,
    상기 서버는, 반도체 디바이스 Fab 내에 설치되어 있거나, 또는 상기 서버는, 반도체 디바이스 Fab 밖에 설치되어 있는 것을 특징으로 하는 장치 진단 시스템.
  10. 반도체 제조 장치의 상태가 진단되는 장치 진단 장치에 있어서,
    상기 반도체 제조 장치로부터 수집된 센서 데이터를 입력으로 하여 제1 알고리즘에 의해 건전도 지표가 출력되고,
    상기 건전도 지표를 입력으로 하여 제2 알고리즘에 의해 상기 반도체 제조 장치의 정상 시의 역치 공간 데이터가 출력되고,
    상기 건전도 지표와 상기 역치 공간 데이터를 입력으로 하여 제3 알고리즘에 의해 상기 반도체 제조 장치의 상태가 진단되고,
    상기 건전도 지표는, 상기 반도체 제조 장치의 상태의 건전도에 관한 지표인 것을 특징으로 하는 장치 진단 장치.
  11. 반도체 제조 장치가 네트워크를 통해 접속되고, 반도체 제조 장치의 상태를 진단하기 위한 애플리케이션이 실장된 플랫폼을 구비하는 반도체 장치 제조 시스템에 있어서,
    상기 반도체 제조 장치로부터 수집된 센서 데이터를 입력으로 하여 제1 알고리즘에 의해 건전도 지표가 출력되는 스텝과,
    상기 건전도 지표를 입력으로 하여 제2 알고리즘에 의해 상기 반도체 제조 장치의 정상 시의 역치 공간 데이터가 출력되는 스텝과,
    상기 건전도 지표와 상기 역치 공간 데이터를 입력으로 하여 제3 알고리즘에 의해 상기 반도체 제조 장치의 상태가 진단되는 스텝이 상기 애플리케이션에 의해 실행되고,
    상기 건전도 지표는, 상기 반도체 제조 장치의 상태의 건전도에 관한 지표인 것을 특징으로 하는 반도체 장치 제조 시스템.
  12. 반도체 제조 장치의 상태를 진단하는 장치 진단 방법에 있어서,
    상기 반도체 제조 장치로부터 수집된 센서 데이터를 입력으로 하여 제1 알고리즘에 의해 건전도 지표를 출력하는 공정과,
    상기 건전도 지표를 입력으로 하여 제2 알고리즘에 의해 상기 반도체 제조 장치의 정상 시의 역치 공간 데이터를 출력하는 공정과,
    상기 건전도 지표와 상기 역치 공간 데이터를 입력으로 하여 제3 알고리즘에 의해 상기 반도체 제조 장치의 상태를 진단하는 공정을 갖고,
    상기 건전도 지표는, 상기 반도체 제조 장치의 상태의 건전도에 관한 지표인 것을 특징으로 하는 장치 진단 방법.
KR1020237005520A 2022-03-24 2022-03-24 장치 진단 시스템, 장치 진단 장치, 반도체 장치 제조 시스템 및 장치 진단 방법 KR20230140547A (ko)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2022/014006 WO2023181265A1 (ja) 2022-03-24 2022-03-24 装置診断システム、装置診断装置、半導体装置製造システムおよび装置診断方法

Publications (1)

Publication Number Publication Date
KR20230140547A true KR20230140547A (ko) 2023-10-06

Family

ID=88100691

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020237005520A KR20230140547A (ko) 2022-03-24 2022-03-24 장치 진단 시스템, 장치 진단 장치, 반도체 장치 제조 시스템 및 장치 진단 방법

Country Status (4)

Country Link
JP (1) JPWO2023181265A1 (ko)
KR (1) KR20230140547A (ko)
CN (1) CN117121169A (ko)
WO (1) WO2023181265A1 (ko)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000259222A (ja) 1999-03-04 2000-09-22 Hitachi Ltd 機器監視・予防保全システム
JP2006324316A (ja) 2005-05-17 2006-11-30 Hitachi High-Technologies Corp プラズマ処理装置

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3660896B2 (ja) * 2001-07-26 2005-06-15 株式会社日立製作所 プラズマ処理装置のメンテナンス方法
US7289863B2 (en) * 2005-08-18 2007-10-30 Brooks Automation, Inc. System and method for electronic diagnostics of a process vacuum environment
JP5416443B2 (ja) * 2009-03-19 2014-02-12 大日本スクリーン製造株式会社 故障予知システムおよび故障予知方法
JP6990634B2 (ja) * 2018-08-21 2022-02-03 株式会社日立ハイテク 状態予測装置及び半導体製造装置
US11348813B2 (en) * 2019-01-31 2022-05-31 Applied Materials, Inc. Correcting component failures in ion implant semiconductor manufacturing tool
JP7227351B2 (ja) * 2019-03-19 2023-02-21 株式会社Kokusai Electric 半導体装置の製造方法、予兆検知プログラム、及び基板処理装置
WO2021065295A1 (ja) * 2019-09-30 2021-04-08 パナソニックＩｐマネジメント株式会社 プラズマ処理の異常判定システムおよび異常判定方法
WO2021240572A1 (ja) * 2020-05-25 2021-12-02 株式会社日立ハイテク 半導体装置製造システムおよび半導体装置製造方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000259222A (ja) 1999-03-04 2000-09-22 Hitachi Ltd 機器監視・予防保全システム
JP2006324316A (ja) 2005-05-17 2006-11-30 Hitachi High-Technologies Corp プラズマ処理装置

Also Published As

Publication number Publication date
TW202338627A (zh) 2023-10-01
JPWO2023181265A1 (ko) 2023-09-28
WO2023181265A1 (ja) 2023-09-28
CN117121169A (zh) 2023-11-24

Similar Documents

Publication Publication Date Title
US8594826B2 (en) Method and system for evaluating a machine tool operating characteristics
TWI287244B (en) Correlation of end-of-line data mining with process tool data mining
US20090048700A1 (en) Method for reporting the status of a control application in an automated manufacturing environment
KR20020019022A (ko) 반도체 처리 기술
EP1982301A1 (en) Method of condition monitoring
KR20100054816A (ko) 결함 패턴 매칭을 위한 퍼지 분류 접근
WO1997035337A1 (en) Process control system
JP2014507721A (ja) 大規模プロセスオートメーション制御システムを解析および診断する方法
KR102073810B1 (ko) 머신러닝을 이용하여 함정 추진 장비의 고장을 예측하는 방법 및 시스템
WO2014199177A1 (en) Early warning and prevention system
US8649990B2 (en) Method for detecting variance in semiconductor processes
KR20230125116A (ko) 머신러닝 클러스터링 알고리즘과 통계적 기법을 이용해 고장 데이터가 부재한 시스템의 결함 탐지 및 고장 진단 예측 방법
TW202235895A (zh) 基於包含感測器映射及經觸發之資料登錄的健康狀態而監測、評估及回應的基板處理系統工具
KR20230140547A (ko) 장치 진단 시스템, 장치 진단 장치, 반도체 장치 제조 시스템 및 장치 진단 방법
CN116955955A (zh) 一种管道缺陷模型预测方法、系统、终端设备及存储介质
TWI838134B (zh) 裝置診斷系統、裝置診斷裝置、半導體裝置製造系統及裝置診斷方法
KR102649453B1 (ko) 회전기계의 결함을 진단하는 방법 및 시스템
EP4273520A1 (en) Method and system for comprehensively diagnosing defect in rotating machine
KR20230061068A (ko) 반도체 장비의 실시간 공정 데이터를 매칭 및 분석하는 시스템 및 그 방법
KR102432291B1 (ko) 응답특성 기반 무기 체계의 고장 예측 장치 및 방법
US20100010763A1 (en) Method for detecting variance in semiconductor processes
TWM618947U (zh) 運用人工智慧之全異常定位分析平台
KR102672799B1 (ko) 반도체 장비의 실시간 공정 데이터를 매칭 및 분석하는 시스템 및 그 방법
CN112445632A (zh) 基于故障数据建模的hpc可靠性评估方法
Aggogeri et al. Design for Reliability of Robotic Systems Based on the Prognostic Approach