TW202105107A - 裝置診斷裝置、電漿處理裝置及裝置診斷方法 - Google Patents
裝置診斷裝置、電漿處理裝置及裝置診斷方法 Download PDFInfo
- Publication number
- TW202105107A TW202105107A TW109122971A TW109122971A TW202105107A TW 202105107 A TW202105107 A TW 202105107A TW 109122971 A TW109122971 A TW 109122971A TW 109122971 A TW109122971 A TW 109122971A TW 202105107 A TW202105107 A TW 202105107A
- Authority
- TW
- Taiwan
- Prior art keywords
- probability distribution
- sensor
- plasma processing
- processing device
- aforementioned
- Prior art date
Links
- 238000012545 processing Methods 0.000 title claims abstract description 128
- 238000003745 diagnosis Methods 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims description 24
- 238000009826 distribution Methods 0.000 claims abstract description 160
- 238000005315 distribution function Methods 0.000 claims abstract description 37
- 238000003860 storage Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 9
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 230000006866 deterioration Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009832 plasma treatment Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
- H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
- H01J37/32—Gas-filled discharge tubes
- H01J37/32917—Plasma diagnostics
- H01J37/32935—Monitoring and controlling tubes by information coming from the object and/or discharge
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
- H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
- H01J37/32—Gas-filled discharge tubes
- H01J37/32917—Plasma diagnostics
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
- G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones
-
- 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
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic 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
- 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
- H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
- H01J2237/00—Discharge tubes exposing object to beam, e.g. for analysis treatment, etching, imaging
- H01J2237/245—Detection characterised by the variable being measured
- H01J2237/24571—Measurements of non-electric or non-magnetic variables
- H01J2237/24578—Spatial variables, e.g. position, distance
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Plasma & Fusion (AREA)
- Theoretical Computer Science (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Automation & Control Theory (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Manufacturing & Machinery (AREA)
- Computer Hardware Design (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Power Engineering (AREA)
- Drying Of Semiconductors (AREA)
Abstract
在對於電漿處理裝置之狀態進行診斷之裝置診斷裝置,使用藉由在第1電漿處理裝置處之第1感測器所取得的第1感測器值來將包含有機率分布函數之事先分布資訊針對前述第1感測器之各者而預先求取出來,並基於前述預先求取出來之事先分布資訊、和藉由在與前述第1電漿處理裝置相異之第2電漿處理裝置處之第2感測器所取得的第2感測器值,來推測出在與前述第1感測器之各者相對應的前述第2感測器之各者處之機率分布,並使用前述所推測出之機率分布來對於前述第2電漿處理裝置之狀態進行診斷。
Description
本發明,係有關於裝置診斷裝置、電漿處理裝置及裝置診斷方法。
在電漿處理裝置中,係在半導體之晶圓上形成微細之形狀。因此,係進行將物質電漿化並藉由該物質之作用來將晶圓上之物質除去的電漿處理。
在電漿處理裝置之製造時,於複數之裝置間所使用的共通零件,若是存在有個體差異(裝置間差異),則會產生裝置個體間之電漿狀態的差異。因此,係有著為了在從裝置製造工廠而將裝置出貨時的最終檢查中特定出原因之零件並進行交換或調整而需要耗費長時間的問題。又,在裝置出貨後,若是於半導體製造工廠處而產生有作了預期壽命以上之使用的消耗零件之劣化,則係同樣的可能會產生有裝置間差異。
若是產生裝置間差異,則係成為無法得到所期望的加工品質,並引發像是起因於零件交換所導致的非預期性之停機時間(downtime)等的問題。因此,為了使調整迅速化並降低非預期性之停機時間,係對於將裝置間差異推測出來並且進行對於裝置製造工程之反饋或者是零件劣化之診斷的裝置診斷技術有所需求。
作為此種裝置診斷技術,例如,係存在有專利文獻1。在專利文獻1中,係記載有「異常偵測裝置,係藉由對於將觀測值作了統整的摘要值而適用統計模型,來對於從摘要值而將雜訊作了除去後的狀態進行推測,並基於該推測來產生對於下一期之摘要值作了預測的預測值。異常偵測裝置,係基於預測值,來偵測出監視對象裝置之異常之有無」之內容。
[先前技術文獻]
[專利文獻]
[專利文獻1]WO2018/061842號公報
[發明所欲解決之問題]
在專利文獻1中,於裝置診斷中,由於一般而言係使用有診斷對象裝置之狀態感測器的測定值(感測器值)之機率分布,因此係需要機率分布推測技術。如同上述一般,在電漿處理裝置中,由於係可能會產生裝置間差異,因此,在專利文獻1之方法中,為了以高精確度來進行異常偵測,係需要針對各裝置之每一者而分別大量地取得資料。
但是,例如,當在既存之工程中而重新增設裝置或者是適用新穎之工程時,由於感測器值之大量取得係為困難,因此係需要以少量之感測器值來對於機率分布進行推測的方法。
本發明之目的,係在於在裝置診斷裝置中,以少量之感測器值來對於機率分布進行推測。
[用以解決問題之手段]
本發明之其中一個態樣之裝置診斷裝置,係為對於電漿處理裝置之狀態進行診斷之裝置診斷裝置,其特徵為,係使用藉由在第1電漿處理裝置處之第1感測器所取得的第1感測器值來將包含有機率分布函數之事先分布資訊針對前述第1感測器之各者而預先求取出來,並基於前述預先求取出來之事先分布資訊、和藉由在與前述第1電漿處理裝置相異之第2電漿處理裝置處之第2感測器所取得的第2感測器值,來推測出在與前述第1感測器之各者相對應的前述第2感測器之各者處之機率分布,並使用前述所推測出之機率分布來對於前述第2電漿處理裝置之狀態進行診斷。
本發明之其中一個態樣之裝置診斷裝置,係為對於電漿處理裝置之狀態進行診斷之裝置診斷裝置,其特徵為,係使用藉由在第1電漿處理裝置處之第1感測器所取得的第1感測器值來將包含有機率分布函數之事先分布資訊針對前述第1感測器之各者而預先求取出來,並基於前述預先求取出來之事先分布資訊、和藉由在與前述第1電漿處理裝置相異之第2電漿處理裝置處之第2感測器所取得的第2感測器值,來推測出在與前述第1感測器之各者相對應的前述第2感測器之各者處之機率分布,將身為相對於前述所推測出的機率分布之似然度之第1似然度與身為相對於常態分布之似然度之第2似然度作比較,當前述第1似然度為較前述第2似然度而更大的情況時,使用前述所推測出之機率分布來對於前述第2電漿處理裝置之狀態進行診斷,當前述第2似然度為較前述第1似然度而更大的情況時,使用前述常態分布來對於前述第2電漿處理裝置之狀態進行診斷。
本發明之其中一個態樣之電漿處理裝置,係具備有使試料被作電漿處理之處理室、和對於自身裝置之狀態進行診斷之裝置診斷裝置,其特徵為:前述裝置診斷裝置,係使用藉由在與自身裝置相異之電漿處理裝置處之第1感測器所取得的第1感測器值來將包含有機率分布函數之事先分布資訊針對前述第1感測器之各者而預先求取出來,並基於前述預先求取出來之事先分布資訊、和藉由在自身裝置處之第2感測器所取得的第2感測器值,來推測出在與前述第1感測器之各者相對應的前述第2感測器之各者處之機率分布,並使用前述所推測出之機率分布來對於前述自身裝置之狀態進行診斷。
本發明之其中一個態樣之裝置診斷方法,係為對於電漿處理裝置之狀態進行診斷之裝置診斷方法,其特徵為,係具備有:使用藉由在第1電漿處理裝置處之第1感測器所取得的第1感測器值來將包含有機率分布函數之事先分布資訊針對前述第1感測器之各者而預先求取出來之工程;和基於前述預先求取出來之事先分布資訊、和藉由在第2電漿處理裝置處之第2感測器所取得的第2感測器值,來推測出在與前述第1感測器之各者相對應的前述第2感測器之各者處之機率分布之工程;和使用前述所推測出之機率分布來對於前述第2電漿處理裝置之狀態進行診斷之工程。
[發明之效果]
若依據本發明之其中一個態樣,則係能夠在裝置診斷裝置中,以少量之感測器值來對於機率分布進行推測。
以下,參考圖面,針對實施例作說明。另外,在用以對實施例進行說明之全部圖中,針對相同的部份,原則上係附加相同之元件符號,並省略其之重複說明。
(1)電漿處理裝置
參照圖1,針對電漿處理裝置1之構成作說明。
如同圖1中所示一般,電漿處理裝置1,係具備有處理部10和記憶部11。處理部10,係依循於所設定了的加工條件,來在處理室104之內部使電漿101產生並對於晶圓(試料102)進行加工。
記憶部11,係具備有感測器值記憶部12和管理值記憶部13。感測器值記憶部12,係在晶圓加工中,將裝置之感測器103之測定值作為時間序列資料來在各個所設定了的加工步驟之每一者中分別作記憶。例如,感測器103,係構成狀態感測器群,並對於溫度和壓力作測定。
進而,感測器值記憶部12,係為了在裝置診斷中作使用,而根據時間序列資料來算出主要的統計值(例如,平均值和標準差)並作記憶。在本實施例中,係將本統計值作為感測器值而於後作使用。
參考圖2,針對儲存在感測器值記憶部12中之資料之例作說明。
在圖2中,作為統計值,係使用平均值。感測器值之各列,係對應於感測器之種類,各行係對應於1枚1枚之晶圓。與感測器值一同地,而亦被儲存有裝置ID和加工步驟ID、加工條件ID、晶圓ID等之資訊。裝置ID,係為對於進行了加工的電漿處理裝置1作特定之資訊。加工步驟ID、加工條件ID,係分別身為對於加工步驟、加工條件作特定之資訊,並使用於監視對象之指定中。在晶圓ID中,係儲存對於進行了加工的晶圓作特定之資訊。管理值記憶部13,係記憶加工日期時間和加工條件等之管理值。
(2)裝置診斷裝置
參照圖1,針對裝置診斷裝置2之構成作說明。
如同圖1中所示一般,裝置診斷裝置2,係身為具備有共通部20和個別控制部23以及記憶部26之計算機。裝置診斷裝置2與電漿處理裝置1之裝置群3,係經由網路而被作連接,並能夠相互進行資料通訊。
在本實施例中,裝置群3,係區分成使感測器值被作了多量的積蓄之既存之裝置群A、和基於裝置增設等之理由而並未被積蓄有多量的感測器值並身為裝置診斷對象之裝置群B,來作記載。
只要存在有成為基準之電漿處理裝置1,則裝置群A並非絕對需要具備有複數之電漿處理裝置1。又,身為診斷對象之裝置群B,亦並非絕對需要具備有複數之電漿處理裝置1。進而,係亦可採用存在有在裝置群A與裝置群B之間而相互重複的電漿處理裝置之構成。
共通部20,係具備有共通分布函數選擇部21和事先分布設定部22,在實施裝置群B之裝置診斷之前,係進行根據被積蓄在裝置群A中之感測器值來針對各感測器之每一者而分別抽出事先分布資訊並記憶在記憶部26所具備的事先分布記憶部27中之處理。關於共通部20之處理內容之例,係於後述之(3)共通部之處理中來作說明。
個別控制部23,係具備有機率分布推測部24和裝置狀態診斷部25。機率分布推測部24,係根據在裝置狀態診斷時所取得的裝置群B之各個的電漿處理裝置之感測器值、和已抽出之事先分布資訊,來將依循於各感測器103之機率分布作為事後分布而推測出來,並記憶在機率分布記憶部28中。
之後,基於所推測出的感測器值之機率分布,裝置狀態診斷部25係算出裝置間差異等之裝置狀態值,並記憶在裝置診斷值記憶部29中。關於個別處理部23之處理內容之例,係於後述之(4)個別處理部之處理中來作說明。
在裝置群3和裝置診斷裝置2處,係被連接有輸出部40和輸入部41。輸出部40,例如係身為顯示器或印表機等,並身為基於記憶部26之資訊來對於使用者而圖形性地將資訊作輸出之裝置。關於顯示例,係於後述之(5)由輸出部所致之顯示例中來作說明。輸入部41,例如係身為滑鼠或鍵盤等之受理由使用者之操作所致的資訊輸入之輸入裝置。
(3)共通部之處理
參照圖3,針對藉由裝置診斷裝置2之共通部20所進行的使用裝置群A之感測器值來對於事先分布作設定的處理之例作說明。
在實行共通部20之處理之前,係預先在裝置群A之各電漿處理裝置1處,將身為監視對象之在加工步驟中之電漿處理中之履歷的感測器值,預先儲存在感測器值記憶部12中。
作為監視對象之加工步驟,係指定用以使在複數之工程中而共通地進行的處理部10之狀態成為完成準備的電漿處理(例如,老化處理或清淨處理)。從裝置群A之感測器值記憶部12,來取得所指定了的加工步驟ID之感測器值。(S101)
藉由如此這般地而使用在複數之工程中所共通性地進行的電漿處理之感測器值,例如就算是在裝置群B之對於新的工程之適用時,亦能夠將裝置群A所積蓄了的感測器值使用在事先分布之設定中。
接著,事先分布設定部22,係對於各感測器103、各機率分布函數候補,而實行S103~S104之處理。於此,所謂機率分布函數候補,係為將依循於電漿處理裝置1之各感測器103所得到的機率分布函數預先作為候補來作了設定者。例如,係將常態分布、偏態分布、混合常態分布、柯西分布等,作為機率分布函數候補而預先作設定(S102)。
事先分布設定部22,係對於該感測器103之感測器值,而推測出該機率分布函數候補之機率分布參數。機率分布參數,例如,若是身為常態分布,則係身為相當於平均值與標準差之值,並於各機率分布函數之每一者而分別具有相異之種類。在機率分布參數之推測中,例如,係利用馬可夫鏈蒙地卡羅法(Markov Chain Monte Carlo method、MCMC法)。MCMC法,係身為將機率分布參數視為機率變數並且根據與機率分布參數之事後分布成正比的機率分布參數之事先分布與似然度之乘積,來大量地產生亂數樣本,並對於機率分布參數之事後分布進行推測的手法(S103)。
所推測出的機率分布參數,係作為機率分布而被得到,但是,例如係可根據事後機率會成為最大之值來一義性地制定值。使用此時之機率分布,事先分布設定部22係算出身為對於所得到的裝置群A之感測器值之相符程度的對數似然度(S104)。
最後,共通分布函數選擇部21,係針對各感測器103,而作為在裝置群A中所共通之機率分布函數,來從機率分布函數候補中選擇對數似然度成為了最大的機率分布函數。又,係將關連於所選擇了的機率分布函數之機率分布參數之推測值,作為在對於裝置群B之感測器值之機率分布進行推測時的事先分布,而儲存在事先分布記憶部27中。又,關連於常態分布之機率分布參數之推測值,亦係與對數似然度成為了最大的機率分布函數一同地,而儲存在事先分布記憶部27中(S105)。
參考圖4,針對儲存在事先分布記憶部27中之資料之例作說明。
如同圖4中所示一般,係成為針對各感測器之每一者而分別將事先分布之資訊作儲存的形態。機率分布函數之行,係儲存在圖3之S105處所選擇了的機率分布函數之名稱。機率分布參數之行,係儲存「使用在圖3之S103處所推測出的機率分布參數之事後分布所設定了的各機率分布參數」之事先分布。作為一例,係將具備有事後分布之平均與標準差的常態分布,作為各機率分布參數之事先分布而設定之。對數似然度之行,係儲存在圖3之S104處所算出的對數似然度。
如此這般,藉由將使用裝置群A之感測器值而將在裝置群中而共通性為最大的機率分布函數,作為事先分布資訊,係能夠抽出就算是對於裝置群B也能夠共通地作使用的事先分布,就算是身為非常態分布,也成為能夠進行以少量之感測器值所進行的機率分布推測。
(4)個別控制部之處理
參照圖5,針對藉由裝置診斷裝置2之個別控制部23所進行的機率分布之推測與裝置診斷之處理之例來作說明。
作為裝置群B之診斷對象的電漿處理裝置1之感測器值記憶部12,係取得在圖3之S101中所指定了的加工步驟ID之感測器值(S201)。
機率分布推測部24,係針對所取得的感測器值之各感測器,而實行S203~S205之處理(S202)。
首先,從事先分布記憶部27而取得對應於該感測器之事先分布資訊(S203)。
接著,將所取得了的事先分布資訊作為事先分布而設定之,並使用所取得了的感測器值而藉由MCMC法來對於機率分布參數之事後分布作推測。使用所取得了的機率分布參數,來與圖3之S104相同的而算出相對於感測器值之對數似然度。本處理,係對於在圖3之S105處所選擇了的機率分布函數的情況和常態分布的情況之雙方而實施之(S204)。
接著,針對藉由在圖3之S105處所選擇了的機率分布函數所推測出之機率分布、和藉由常態分布所推測出的機率分布,來比較對數似然度,並將對數似然度為大的機率分布,作為針對該感測器之推測結果,而儲存在機率分布記憶部28中(S205)。
如此這般,藉由針對裝置群B之感測器值而亦一併決定機率分布函數,係能夠提高推測結果之穩健性。
參考圖6A以及圖6B,針對在各感測器之機率分布決定前後的儲存在機率分布記憶部28中之資料之例作說明。
如同圖6A以及圖6B中所示一般,係針對在感測器名稱之各列中所標示的各感測器之每一者,而分別儲存機率分布資訊。所儲存的機率分布資訊,係與圖4相同的,而身為機率分布函數和機率分布參數以及對數似然度。
機率分布參數,係能夠與圖4相同的,而構成為儲存事後分布者,亦可如同圖6A與圖6B一般地,構成為儲存例如事後機率會成為最大之值一般地所一義性地制定之值。在將圖6A之在各感測器處的包含常態分布之2個的機率分布函數中之對數似然度為大的機率分布作了決定之後,係相當於圖6B。
最後,使用儲存在機率分布記憶部28中之資料,來算出裝置診斷值(S206)。例如,在將裝置間差異作為裝置診斷值而算出的情況時,首先,係從機率分布記憶部28而取得成為基準之電漿處理裝置1和診斷對象之電漿處理裝置1之機率分布資訊。將所取得了的機率分布間之距離,作為裝置間差異診斷值而儲存在裝置狀態診斷值記憶部29中。作為機率分布間之距離指標,係使用Kullback-Leibler散度或Jensen-Shannon散度等。
參考圖7,針對在將裝置間差異作為裝置診斷值而算出的情況時之儲存在裝置診斷值記憶部29中的資料之例作說明。
如同圖7中所示一般,在裝置ID行中,係儲存對於進行比較之2台的電漿處理裝置1作特定之ID。在裝置間差異診斷行中,係儲存針對各感測器之每一者所算出的裝置間差異診斷值。
(5)由輸出部所致之顯示例
輸出部40,係使用被儲存在記憶部11或記憶部26中之資訊,來顯示裝置狀態之診斷結果或機率分布之推測結果。
參照圖8,針對裝置間差異診斷結果的顯示畫面D100之例作說明。
如同圖8中所示一般,在D102處輸入所注目的裝置ID。藉由此,來取得被儲存在裝置狀態值記憶部29中的相符之裝置ID之裝置間差異診斷值,並如同D104一般地而針對各感測器來以圖表作顯示。其結果,係能夠判斷出與成為基準之電漿處理裝置1之間之裝置間差異為大的感測器,而能夠在調整等之中作利用。
感測器103,通常係能夠依據測定對象零件或測定對象項目等來分類為複數之群。預先作為感測器群來作登錄,並如同D103一般地,將隸屬於感測器群之各感測器的裝置間差異診斷值作積算,而針對各感測器群來分別顯示裝置間差異診斷值。藉由設為此種構成,調整對象之零件係成為明確。
藉由對於所有感測器的裝置間差異診斷值作積算,來如同D101一般地,亦將各電漿處理裝置1之間之比較作顯示。
參考圖9,針對對於感測器值之分布和被儲存在機率分布記憶部28中之機率分布之推測結果作確認的畫面D105之例作說明。
如同圖9中所示一般,在輸入裝置ID和感測器名稱並決定了進行確認的對象之後,將圖表作顯示。藉由輸入複數之裝置ID,係能夠進行比較顯示。直方圖係身為被儲存在感測器值記憶部12中的感測器值之測定值之直方圖,實線係身為被儲存在機率分布記憶部28中的機率分布推測結果。
例如,在圖9中,係顯示有裝置ID為C1、C4之裝置的感測器名稱X2之感測器值的直方圖與機率分布之推測結果。藉由此,使用者係能夠對於所推測出的機率分布是否為妥當一事進行確認。又,例如,係可如同若是在進行比較之2個的機率分布為有所平行移動的情況時則對於感測器103之初期化進行檢討等地,而在對於針對裝置診斷結果所採用的對策作考慮時作活用。
如此這般,如同在圖8以及圖9中所示一般,輸出部40,係作為電漿處理裝置1之狀態的診斷值,而輸出機率分布之電漿處理裝置間差異,並且亦輸出機率分布之歷時性之變遷幅度。
若依據上述實施例,則在電漿處理裝置中,就算是例如在裝置增設時或對於新的工程之適用時或者是出貨前之調整時的無法取得多量的診斷對象裝置之感測器值的情況時,亦能夠將在既存之裝置群之間而為共通的事先分布資訊抽出,之後與在診斷對象之裝置處所新取得的感測器值一同地來推測出包含有非常態分布的機率分布,藉由此,係成為能夠進行裝置診斷。
以上,雖係針對實施例而作了說明,但是本發明係並不被限定於上述之實施例,在不脫離本發明之要旨的範圍內,係能夠進行各種的變更。
例如,在圖1中,雖係針對將裝置診斷裝置2與電漿處理裝置1經由網路來作了連接的構成而作了展示,但是,本發明係並不被限定於上述之構成,亦可如同圖10中所示一般地,而成為使電漿處理裝置1具備有裝置診斷裝置2之構成。於此情況,電漿處理裝置1,係具備有使試料102被作電漿處理之處理室104、和對於自身裝置之狀態進行診斷的裝置診斷裝置2。
如同圖10中所示一般,電漿處理裝置1,係具備有圖1中所示之處理部10和記憶部11。處理部10,係依循於所設定了的加工條件,來在處理室104之內部使電漿101產生並對於晶圓(試料102)進行加工。
又,裝置診斷裝置2,係與圖1中所示之構成相同的,具備有共通部20和個別控制部23以及記憶部26。
1:電漿處理裝置
2:裝置診斷裝置
3:裝置群
10:處理部
11:記憶部
12:感測器值記憶部
13:管理值記憶部
20:共通部
21:共通分布函數選擇部
22:事先分布設定部
23:個別控制部
24:機率分布推測部
25:裝置狀態診斷部
26:記憶部
27:事先分布記憶部
28:機率分布記憶部
29:裝置診斷值記憶部
40:輸出部
41:輸入部
[圖1]係為實施例之電漿處理裝置之裝置診斷裝置之構成圖。
[圖2]係為對於被儲存在電漿處理裝置之感測器值記憶部中的資料之例作展示之圖。
[圖3]係為對於使用有裝置群A之感測器值的裝置診斷裝置之共通部之處理作展示之流程圖。
[圖4]係為對於被儲存在裝置診斷裝置之事先分布記憶部中的資料之例作展示之圖。
[圖5]係為對於裝置診斷裝置之個別控制部之處理作展示之流程圖。
[圖6A]係為對於在機率分布決定前之被儲存在裝置診斷裝置之機率分布記憶部中的資料之例作展示之圖。
[圖6B]係為對於在機率分布決定後之被儲存在裝置診斷裝置之機率分布記憶部中的資料之例作展示之圖。
[圖7]係為對於被儲存在裝置診斷裝置之裝置診斷值記憶部中的資料之例作展示之圖。
[圖8]係為對於裝置診斷結果之顯示畫面之例作展示之圖。
[圖9]係為對於機率分布推測結果之顯示畫面之例作展示之圖。
[圖10]係為實施例之電漿處理裝置之構成圖。
1:電漿處理裝置
2:裝置診斷裝置
3:裝置群
10:處理部
11:記憶部
12:感測器值記憶部
13:管理值記憶部
20:共通部
21:共通分布函數選擇部
22:事先分布設定部
23:個別控制部
24:機率分布推測部
25:裝置狀態診斷部
26:記憶部
27:事先分布記憶部
28:機率分布記憶部
29:裝置診斷值記憶部
40:輸出部
41:輸入部
101:電漿
102:試料
103:感測器
104:處理室
Claims (8)
- 一種裝置診斷裝置,係為對於電漿處理裝置之狀態進行診斷之裝置診斷裝置,其特徵為, 係使用藉由在第1電漿處理裝置處之第1感測器所取得的第1感測器值來將包含有機率分布函數之事先分布資訊針對前述第1感測器之各者而預先求取出來,並基於前述預先求取出來之事先分布資訊、和藉由在與前述第1電漿處理裝置相異之第2電漿處理裝置處之第2感測器所取得的第2感測器值,來推測出在與前述第1感測器之各者相對應的前述第2感測器之各者處之機率分布,並使用前述所推測出之機率分布來對於前述第2電漿處理裝置之狀態進行診斷。
- 如請求項1所記載之裝置診斷裝置,其中, 前述第1電漿處理裝置係為複數, 在前述第1感測器之各者處的預先所求取出之機率分布函數,係身為對於前述第1電漿處理裝置之各者所求取出的機率分布函數中之於最多的前述第1電漿處理裝置處所求取出之機率分布函數。
- 如請求項2所記載之裝置診斷裝置,其中, 在前述第1感測器之各者處的預先所求取出之機率分布函數,係從機率分布函數的候補之中基於似然度而被選擇。
- 一種裝置診斷裝置,係為對於電漿處理裝置之狀態進行診斷之裝置診斷裝置,其特徵為, 係使用藉由在第1電漿處理裝置處之第1感測器所取得的第1感測器值來將包含有機率分布函數之事先分布資訊針對前述第1感測器之各者而預先求取出來,並基於前述預先求取出來之事先分布資訊、和藉由第2電漿處理裝置處之第2感測器所取得的第2感測器值,來推測出在與前述第1感測器之各者相對應的前述第2感測器之各者處之機率分布,並且將身為相對於前述所推測出的機率分布之似然度之第1似然度與身為相對於常態分布之似然度之第2似然度作比較, 當前述第1似然度為較前述第2似然度而更大的情況時,使用前述所推測出之機率分布來對於前述第2電漿處理裝置之狀態進行診斷, 當前述第2似然度為較前述第1似然度而更大的情況時,使用前述常態分布來對於前述第2電漿處理裝置之狀態進行診斷。
- 如請求項1所記載之裝置診斷裝置,其中, 前述機率分布,係使用馬可夫鏈蒙地卡羅法(Markov chain Monte Carlo)而推測出來。
- 如請求項1所記載之裝置診斷裝置,其中, 係作為前述第2電漿處理裝置之狀態的診斷值,而輸出前述機率分布之電漿處理裝置間差異,並且亦輸出前述機率分布之歷時性之變遷幅度。
- 一種電漿處理裝置,係具備有使試料被作電漿處理之處理室、和對於自身裝置之狀態進行診斷之裝置診斷裝置,其特徵為: 前述裝置診斷裝置,係使用藉由在與自身裝置相異之電漿處理裝置處之第1感測器所取得的第1感測器值來將包含有機率分布函數之事先分布資訊針對前述第1感測器之各者而預先求取出來,並基於前述預先求取出來之事先分布資訊、和藉由在自身裝置處之第2感測器所取得的第2感測器值,來推測出在與前述第1感測器之各者相對應的前述第2感測器之各者處之機率分布,並使用前述所推測出之機率分布來對於前述自身裝置之狀態進行診斷。
- 一種裝置診斷方法,係為對於電漿處理裝置之狀態進行診斷之裝置診斷方法,其特徵為,係具備有: 使用藉由在第1電漿處理裝置處之第1感測器所取得的第1感測器值來將包含有機率分布函數之事先分布資訊針對前述第1感測器之各者而預先求取出來之工程;和 基於前述預先求取出來之事先分布資訊、和藉由在第2電漿處理裝置處之第2感測器所取得的第2感測器值,來推測出在與前述第1感測器之各者相對應的前述第2感測器之各者處之機率分布之工程;和 使用前述所推測出之機率分布來對於前述第2電漿處理裝置之狀態進行診斷之工程。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2019/029762 WO2020152889A1 (ja) | 2019-07-30 | 2019-07-30 | 装置診断装置、プラズマ処理装置及び装置診断方法 |
WOPCT/JP2019/029762 | 2019-07-30 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202105107A true TW202105107A (zh) | 2021-02-01 |
TWI738411B TWI738411B (zh) | 2021-09-01 |
Family
ID=71736287
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW109122971A TWI738411B (zh) | 2019-07-30 | 2020-07-08 | 裝置診斷裝置、電漿處理裝置及裝置診斷方法 |
Country Status (6)
Country | Link |
---|---|
US (1) | US20220157580A1 (zh) |
JP (1) | JP6841980B2 (zh) |
KR (1) | KR102425936B1 (zh) |
CN (1) | CN112585727B (zh) |
TW (1) | TWI738411B (zh) |
WO (1) | WO2020152889A1 (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113015308B (zh) * | 2021-03-17 | 2022-07-15 | 中国科学技术大学 | 一种等离子体电流计算方法及装置 |
WO2023286142A1 (ja) * | 2021-07-13 | 2023-01-19 | 株式会社日立ハイテク | 診断装置及び診断方法並びにプラズマ処理装置及び半導体装置製造システム |
WO2023148967A1 (ja) * | 2022-02-07 | 2023-08-10 | 株式会社日立ハイテク | 診断装置、診断方法、半導体製造装置システム及び半導体装置製造システム |
Family Cites Families (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6214119B1 (en) * | 1986-04-18 | 2001-04-10 | Applied Materials, Inc. | Vacuum substrate processing system having multiple processing chambers and a central load/unload chamber |
US5347460A (en) * | 1992-08-25 | 1994-09-13 | International Business Machines Corporation | Method and system employing optical emission spectroscopy for monitoring and controlling semiconductor fabrication |
JP2002270581A (ja) * | 2001-03-07 | 2002-09-20 | Hitachi Ltd | プラズマ処理装置及び処理方法 |
JP2003347275A (ja) * | 2002-05-30 | 2003-12-05 | Toshiba Corp | 半導体製造装置の管理値設定装置 |
JP4224454B2 (ja) * | 2002-06-05 | 2009-02-12 | 東京エレクトロン株式会社 | 処理装置の多変量解析モデル式作成方法,処理装置用の多変量解析方法,処理装置の制御装置,処理装置の制御システム |
US7072811B2 (en) * | 2002-07-15 | 2006-07-04 | Carnegie Mellon University | Method and system for identifying regeneration points in a Markov chain Monte Carlo simulation |
US6927076B2 (en) * | 2002-10-05 | 2005-08-09 | Taiwan Semiconductor Manufacturing Co., Ltd | Method for recovering a plasma process |
US7050880B2 (en) * | 2003-12-30 | 2006-05-23 | Sc Solutions | Chemical-mechanical planarization controller |
CN100359660C (zh) * | 2005-01-27 | 2008-01-02 | 北京北方微电子基地设备工艺研究中心有限责任公司 | 一种等离子体刻蚀工艺的终点检测方法 |
JP4170315B2 (ja) * | 2005-05-30 | 2008-10-22 | インターナショナル・ビジネス・マシーンズ・コーポレーション | 異常判断装置、制御方法、自動車およびプログラム |
US8366829B2 (en) * | 2005-08-05 | 2013-02-05 | Advanced Micro-Fabrication Equipment, Inc. Asia | Multi-station decoupled reactive ion etch chamber |
JP4754419B2 (ja) * | 2006-07-03 | 2011-08-24 | 学校法人立命館 | プラズマ異常放電診断方法、プラズマ異常放電診断システム及びコンピュータプログラム |
JP2008218898A (ja) * | 2007-03-07 | 2008-09-18 | Hitachi High-Technologies Corp | プラズマ処理装置 |
JP2010165949A (ja) * | 2009-01-16 | 2010-07-29 | Ritsumeikan | パーティクル汚染事象予測装置、パーティクル汚染事象予測方法、及び、パーティクル汚染事象予測プログラム |
JP5353265B2 (ja) * | 2009-01-26 | 2013-11-27 | パナソニック株式会社 | プラズマ処理装置 |
JP5363213B2 (ja) * | 2009-06-30 | 2013-12-11 | 東京エレクトロン株式会社 | 異常検出システム、異常検出方法、記憶媒体及び基板処理装置 |
KR101117928B1 (ko) * | 2010-06-07 | 2012-02-29 | 명지대학교 산학협력단 | 플라즈마 공정 진단 시스템 및 이에 있어서 종료점 검출 방법 및 장치 |
JP5436351B2 (ja) * | 2010-06-21 | 2014-03-05 | 日本電信電話株式会社 | 状態推定装置、状態推定方法、およびプログラム |
US8581217B2 (en) * | 2010-10-08 | 2013-11-12 | Advanced Ion Beam Technology, Inc. | Method for monitoring ion implantation |
JP5773613B2 (ja) * | 2010-10-25 | 2015-09-02 | 東京エレクトロン株式会社 | 異常原因分析方法及び異常分析プログラム |
JP5740246B2 (ja) * | 2011-08-15 | 2015-06-24 | 株式会社日立ハイテクノロジーズ | プラズマ処理装置およびプラズマ処理方法 |
JP5791555B2 (ja) * | 2012-03-23 | 2015-10-07 | 日本電信電話株式会社 | 状態追跡装置、方法、及びプログラム |
JP2014022695A (ja) * | 2012-07-24 | 2014-02-03 | Hitachi High-Technologies Corp | プラズマ処理装置及びその校正方法 |
JP2016103496A (ja) * | 2014-11-27 | 2016-06-02 | 株式会社日立ハイテクノロジーズ | プラズマ処理装置 |
US10043690B2 (en) * | 2015-03-31 | 2018-08-07 | Lam Research Corporation | Fault detection using showerhead voltage variation |
JP6462477B2 (ja) * | 2015-04-27 | 2019-01-30 | 東京エレクトロン株式会社 | 被処理体を処理する方法 |
US9892012B2 (en) * | 2015-12-30 | 2018-02-13 | International Business Machines Corporation | Detecting anomalous sensors |
US10817796B2 (en) * | 2016-03-07 | 2020-10-27 | D-Wave Systems Inc. | Systems and methods for machine learning |
WO2018061842A1 (ja) * | 2016-09-27 | 2018-04-05 | 東京エレクトロン株式会社 | 異常検知プログラム、異常検知方法および異常検知装置 |
-
2019
- 2019-07-30 US US16/971,255 patent/US20220157580A1/en active Pending
- 2019-07-30 KR KR1020207017597A patent/KR102425936B1/ko active IP Right Grant
- 2019-07-30 JP JP2020532826A patent/JP6841980B2/ja active Active
- 2019-07-30 WO PCT/JP2019/029762 patent/WO2020152889A1/ja active Application Filing
- 2019-07-30 CN CN201980007659.0A patent/CN112585727B/zh active Active
-
2020
- 2020-07-08 TW TW109122971A patent/TWI738411B/zh active
Also Published As
Publication number | Publication date |
---|---|
CN112585727B (zh) | 2023-09-29 |
KR102425936B1 (ko) | 2022-07-28 |
JP6841980B2 (ja) | 2021-03-10 |
WO2020152889A1 (ja) | 2020-07-30 |
TWI738411B (zh) | 2021-09-01 |
JPWO2020152889A1 (ja) | 2021-02-18 |
US20220157580A1 (en) | 2022-05-19 |
KR20210015741A (ko) | 2021-02-10 |
CN112585727A (zh) | 2021-03-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI738411B (zh) | 裝置診斷裝置、電漿處理裝置及裝置診斷方法 | |
JP5091604B2 (ja) | 分布の評価方法、製品の製造方法、分布の評価プログラム及び分布の評価システム | |
US7062411B2 (en) | Method for process control of semiconductor manufacturing equipment | |
US8295966B2 (en) | Methods and apparatus to predict etch rate uniformity for qualification of a plasma chamber | |
Rato et al. | Translation-invariant multiscale energy-based PCA for monitoring batch processes in semiconductor manufacturing | |
JP4615222B2 (ja) | ライン末端データマイニングとプロセスツールデータマイニングとの相関 | |
JP2006148070A (ja) | センサデータの補正方法及びインターロックシステムのインターロック評価方法 | |
WO2011002804A2 (en) | Methods and apparatus to predict etch rate uniformity for qualification of a plasma chamber | |
JP2006146459A (ja) | 半導体デバイスの製造方法および製造システム | |
WO2016121689A1 (ja) | 不具合診断方法及び不具合診断システム | |
CN112000081A (zh) | 基于多块信息提取和马氏距离的故障监测方法及系统 | |
JP4355193B2 (ja) | 半導体デバイスの製造方法及び半導体デバイス製造システム | |
JP6825753B1 (ja) | 高炉の異常判定装置、高炉の異常判定方法、及び高炉の操業方法 | |
KR101620850B1 (ko) | 가상다중센서 기술을 이용한 센서 건전성 평가 방법 및 시스템 | |
Yelverton et al. | Using Full Trace Analytics to Simplify Root Cause Analysis | |
JP2010224988A (ja) | 品質管理システム、品質管理方法、品質管理プログラム、および製品の製造方法 | |
RU2794126C1 (ru) | Устройство для определения неисправности доменной печи, способ определения неисправности доменной печи и способ эксплуатации доменной печи | |
JP2007079933A (ja) | 製造情報処理方法及びそれをコンピュータに実行させるためのプログラム並びに製造情報管理システム | |
JP7118313B2 (ja) | 状態判定装置 | |
JP7290484B2 (ja) | 異常検知装置、異常検知システム、及び異常検知方法 | |
Gan et al. | Optimizing Production Performance Through Trace-Level Chamber Analysis | |
CN117663353A (zh) | 核电通风空调系统的故障检测与诊断方法 | |
TW202333073A (zh) | 診斷裝置、診斷方法、半導體製造裝置系統及半導體裝置製造系統 | |
JP2013164720A (ja) | プラント監視装置およびプラント監視方法 | |
JP2009054766A (ja) | 製造プロセスの監視方法、監視装置及び監視プログラム並びに半導体装置の製造方法 |