TW202203294A - 資訊處理方法及資訊處理裝置 - Google Patents

資訊處理方法及資訊處理裝置 Download PDF

Info

Publication number
TW202203294A
TW202203294A TW110122326A TW110122326A TW202203294A TW 202203294 A TW202203294 A TW 202203294A TW 110122326 A TW110122326 A TW 110122326A TW 110122326 A TW110122326 A TW 110122326A TW 202203294 A TW202203294 A TW 202203294A
Authority
TW
Taiwan
Prior art keywords
series data
mentioned
time
information processing
statistical
Prior art date
Application number
TW110122326A
Other languages
English (en)
Inventor
米道仁史
Original Assignee
日商東京威力科創股份有限公司
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 日商東京威力科創股份有限公司 filed Critical 日商東京威力科創股份有限公司
Publication of TW202203294A publication Critical patent/TW202203294A/zh

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/30—Circuit design
    • G06F30/36—Circuit design at the analogue level
    • G06F30/367—Design verification, e.g. using simulation, simulation program with integrated circuit emphasis [SPICE], direct methods or relaxation 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
    • G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
    • G05B23/0235—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions based on a comparison with predetermined threshold or range, e.g. "classical methods", carried out during normal operation; threshold adaptation or choice; when or how to compare with the threshold
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Automation & Control Theory (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本發明提供一種可提高重複處理時測定之時間序列資料群之特徵量之擷取精度的資訊處理方法等。 本發明之資訊處理方法係獲取針對基板之循環處理中測定之時間序列資料群。資訊處理方法針對獲取之時間序列資料群中所包含之每一時間序列資料，算出循環處理之各循環之統計值。資訊處理方法產生基於算出之統計值之統計資料。資訊處理方法將產生之統計資料或時間序列資料分割為規定區間。資訊處理方法基於所分割之統計資料或時間序列資料，針對每一區間算出代表值。

Description

資訊處理方法及資訊處理裝置
本發明係關於一種資訊處理方法及資訊處理裝置。
於半導體裝置之製造步驟中，有原子層沈積法(ALD：Atomic Layer Deposition)，該原子層沈積法係切換複數種處理氣體，對基板重複進行幾乎為單分子層之較薄之單位膜之積層。又，有原子層蝕刻(Atomic Layer Etching，ALE)，其針對成膜於基板上之膜，重複進行幾乎為單分子層之較薄之單位膜之蝕刻。於ALD及ALE中，藉由對1片基板重複實施相同之處理，而進行規定之製程處理。 [先前技術文獻] [專利文獻]
[專利文獻1]日本專利特開2012-209593號公報
[發明所欲解決之問題]
本發明提供一種可提高重複處理時測定之時間序列資料群之特徵量之擷取精度的資訊處理方法及資訊處理裝置。 [解決問題之技術手段]
本發明之一形態之資訊處理方法獲取針對基板之循環處理中測定之時間序列資料群。資訊處理方法針對獲取之時間序列資料群中所包含之每一時間序列資料，算出循環處理之各循環之統計值。資訊處理方法產生基於算出之統計值之統計資料。資訊處理方法將產生之統計資料或時間序列資料分割為規定區間。資訊處理方法基於所分割之統計資料或時間序列資料，針對每一區間算出代表值。 [發明之效果]
根據本發明，可提高重複處理時測定之時間序列資料群之特徵量之擷取精度。
以下，基於圖式對揭示之資訊處理方法及資訊處理裝置之實施方式進行詳細說明。再者，揭示之技術並不受以下實施方式限定。
於ALD及ALE等進行重複處理之製程中，因於短時間內將處理氣體之投入、熱等能量之投入所引起的反應以及處理氣體之沖洗循環重複幾百次，故表示製程之刻點(Tick)之時間序列資料之量會變得極大。因此，對於時間序列資料，因具有類似傾向之循環極為精細地重複，故即便直接參照時間序列資料，亦難以擷取對製程不良或完成結果等重要特性有貢獻之部分。例如，於專利文獻1中，在重複執行子製程配方時，藉由使用子製程配方之執行次數中之特定次數之資料，而從時間序列資料中擷取特徵量。然而，擷取之特徵量並非為針對整個重複處理之特徵量。因此，於重複幾百次相同循環之情形時，難以擷取準確反映了處理狀況之特徵量。又，對於重複進行幾百次之處理，難以判斷使用第幾次處理資料。即，特徵量之擷取精度較低，因此，進行與製程有關之設定則要求豐富知識及時間。因此，期待提高重複處理時測定之時間序列資料群之特徵量之擷取精度。
[資訊處理系統1之構成] 圖1係表示本發明之一實施方式中的資訊處理系統之一例之方塊圖。圖1所示之資訊處理系統1具有基板處理裝置10、結果資料獲取裝置20、及資訊處理裝置100。再者，基板處理裝置10、結果資料獲取裝置20及資訊處理裝置100亦可分別為複數個。
基板處理裝置10例如係構成為對作為處理對象之基板(半導體晶圓，以下稱為晶圓)進行ALD(Atomic Layer Deposition)或ALE(Atomic Layer Etching)製程之成膜裝置或蝕刻裝置。基板處理裝置10進行針對晶圓之製程處理，將該處理中所測定之時間序列資料群發送至資訊處理裝置100。
結果資料獲取裝置20對在基板處理裝置10中完成處理之基板進行規定之檢查(例如成膜速度)，獲取結果資料。其結果資料獲取裝置20將獲取之結果資料作為模型製作用資料發送至資訊處理裝置100。
資訊處理裝置100從基板處理裝置10接收時間序列資料群，從結果資料獲取裝置20接收結果資料。資訊處理裝置100基於接收之時間序列資料群等各種資訊而擷取特徵量，並且產生用以輸出與製程結果有關之預測結果之模型。又，資訊處理裝置100從基板處理裝置10接收新的時間序列資料群，並基於接收之新的時間序列資料群，輸出與基板處理裝置10中之製程結果有關之預測結果。預測結果例如可例舉製程之異常檢測資訊、晶圓或基板處理裝置中之各種預測資訊等。
[資訊處理裝置100之硬體構成] 圖2係表示本發明之一實施方式中的資訊處理裝置之硬體構成之一例之方塊圖。如圖2所示，資訊處理裝置100具有CPU(Central Processing Unit，中央處理單元)101、ROM(Read Only Memory，唯讀記憶體)102、RAM(Random Access Memory，隨機存取記憶體)103。再者，CPU101等處理器(處理電路、Processing Circuit、Processing Circuitry)、及ROM102、RAM103等記憶體形成所謂電腦。
進而，資訊處理裝置100具有輔助記憶裝置104、顯示裝置105、操作裝置106、I/F(Interface，介面)裝置107、驅動裝置108。再者，資訊處理裝置100之各硬體經由匯流排109相互連接。
CPU101係執行輔助記憶裝置104中所安裝之各種程式(例如預測程式等)之運算器件。
ROM102係非揮發性記憶體，作為主記憶裝置發揮作用。ROM102儲存用以使CPU101執行輔助記憶裝置104中安裝之各種程式所需之各種程式、資料等。具體而言，ROM102儲存BIOS(Basic Input/Output System，基本輸出入系統)或EFI(Extensible Firmware Interface，可延伸韌體介面)等啟動程式等。
RAM103係DRAM(Dynamic Random Access Memory，動態隨機存取記憶體)或SRAM(Static Random Access Memory，靜態隨機存取記憶體)等揮發性記憶體，作為主記憶裝置發揮作用。RAM103提供於由CPU101執行輔助記憶裝置104中安裝之各種程式時供展開該各種程式之作業區域。
輔助記憶裝置104儲存各種程式、及由CPU101執行各種程式時所使用之各種資料等。例如，下述時間序列資料群記憶部於輔助記憶裝置104中實現。
顯示裝置105係顯示資訊處理裝置100之內部狀態之顯示器件。操作裝置106係資訊處理裝置100之管理者對資訊處理裝置100輸入各種指示時所使用之輸入器件。I/F裝置107係用以與未圖示之網路連接而進行通信之連接器件。
驅動裝置108係用以安放記錄介質110之器件。此處所說的記錄介質110包括如CD-ROM(Compact Disc-Read Only Memory，唯讀光碟)、軟碟、磁光碟等將資訊進行光學性、電性或磁性記錄之介質。又，記錄介質110亦可包括如ROM、快閃記憶體等將資訊進行電性記錄之半導體記憶體等。
再者，輔助記憶裝置104中安裝之各種程式例如藉由如下方式安裝，即，將分發之記錄介質110安放於驅動裝置108中，藉由驅動裝置108讀出該記錄介質110中所記錄之各種程式，藉此安裝各種程式。或者，輔助記憶裝置104中安裝之各種程式亦可經由未圖示之網路下載，藉此進行安裝。
[資訊處理裝置100之功能構成] 圖3係表示本發明之一實施方式的資訊處理裝置之功能構成之一例之功能方塊圖。資訊處理裝置100具有記憶部220、及控制部230。
記憶部220例如藉由RAM103、快閃記憶體等半導體記憶體元件、硬碟或光碟等記憶裝置而實現。記憶部220具有時間序列資料群記憶部221、及結果資料記憶部222。又，記憶部220記憶用於控制部230中之處理之資訊。
時間序列資料群記憶部221記憶各個時間序列資料群，上述各個時間序列資料群係於對基板處理裝置10中之複數個晶圓進行循環處理之製程中所測定者。時間序列資料群記憶部221例如記憶基板處理裝置10之高頻電源之電壓(RF Vpp)等資訊作為時間序列資料群中所包含之時間序列資料。圖4係表示時間序列資料之一例之圖。圖4所示之曲線圖150係將與製程之時間經過即循環處理對應之高頻電源之電壓製成曲線圖作為時間序列資料之一例者。
圖5係表示將時間序列資料之一部分加以放大之一例之圖。圖5所示之曲線圖151係將圖4之曲線圖150之一部分加以放大之圖。如曲線圖151所示，可知高頻電源之電壓重複著具有峰值之循環。再者，與各晶圓對應之各個時間序列資料群係與晶圓No.建立對應關係而記憶於時間序列資料群記憶部221中。
回到圖3之說明。其結果資料記憶部222記憶與針對各晶圓之製程之結果有關之結果資料。其結果資料例如可使用膜厚等與製程完成後之晶圓之完成結果有關之測量資料等各種測量資料。其結果資料記憶從操作裝置106或I/F裝置107輸入之資料。
記憶部220此外還記憶統計資料、區間之資訊、模型等。統計資料係將針對每一時間序列資料所算出之循環處理之各循環的統計值按時間序列排列之資料。即，藉由統計資料會容易掌握時間序列資料整體之傾向。區間之資訊係用以將統計資料或時間序列資料分割為規定區間之資訊。於區間之分割中，藉由調整分割方法，可準確地掌握製程之特徵。又，藉由使用基於恰當分割之區間之統計資料或時間序列資料之代表值，可提高模型之精度。模型係基於統計資料或時間序列資料，進行多變量解析或機器學習而產生之模型。模型之產生亦可使用結果資料。模型例如使用基於資料之常態分佈之3σ之馬氏距離而產生。例如，於異常檢測之情形時，可使用當馬氏距離連續超過閾值時檢測出異常之模型。又，模型亦可使用利用PLS(Partial Least Squares，部分最小平方)回歸所產生之線性回歸模型等其他模型。
例如藉由CPU101、MPU(Micro Processing Unit，微處理單元)、GPU(Graphics Processing Unit，圖形處理單元)等，以RAM103為作業區域執行內部之記憶裝置中所記憶之程式，藉此實現控制部230。又，控制部230例如亦可藉由ASIC(Application Specific Integrated Circuit，特殊應用積體電路)或FPGA(Field Programmable Gate Array，場可程式化閘陣列)等積體電路實現。
控制部230具有獲取部231、第1算出部232、第1產生部233、分割部234、第2算出部235、第2產生部236、及預測部237，實現或執行以下所說明之資訊處理之功能、作用。再者，控制部230之內部構成不限於圖3所示之構成，只要為進行下述資訊處理之構成則亦可為其他構成。
獲取部231於特徵量擷取處理之情形時，從基板處理裝置10獲取與各晶圓對應之各個時間序列資料群。又，獲取部231亦可從結果資料獲取裝置20獲取檢查資料等基板之製程處理之結果資料。進而，獲取部231於預測處理之情形時，從基板處理裝置10獲取與作為被預測對象之新的晶圓對應之時間序列資料群。獲取部231將獲取之時間序列資料群記憶於時間序列資料群記憶部221中，將獲取之結果資料記憶於結果資料記憶部222中。
第1算出部232參照時間序列資料群記憶部221，針對時間序列資料群中所包含之每一時間序列資料，算出循環處理之各循環之統計值。統計值例如可使用平均值、最小值、最大值、方差及斜率等值。第1算出部232將算出之每一時間序列資料之統計值之集合輸出至第1產生部233。再者，於特徵量擷取處理中，針對複數個晶圓之時間序列資料群之各者，同樣算出每一時間序列資料之統計值。又，於以下說明中，在針對複數個晶圓之時間序列資料群內之各時間序列資料、或1片晶圓之時間序列資料群內之各時間序列資料進行各處理部中之處理的情形時，以1個時間序列資料為代表進行說明，對其他時間序列資料則省略說明。此處，使用圖6對統計值之算出進行說明。
圖6係表示根據時間序列資料算出統計值之一例之圖。如圖6所示，第1算出部232例如從時間序列資料之曲線圖150中擷取特定之循環152。第1算出部232針對擷取之循環152，例如算出最大值152a、中央值152b、平均值152c、最小值152d等值作為統計值。
又，第1算出部232亦可針對時間序列資料中所包含之每一循環，去掉從統計值之算出中排除之資料。排除之資料例如可為循環內之步驟之切換部分等之資料。例如，第1算出部232亦可針對循環152，於步驟之切換時點僅取出第2個步驟區間152-2，排除其他資料而算出統計值。
回到圖3之說明。當從第1算出部232輸入每一時間序列資料之統計值之集合時，第1產生部233針對每一時間序列資料，基於統計值之集合而產生統計資料。第1產生部233例如藉由將統計值按時間序列排列，而產生與時間序列資料對應之統計資料。第1產生部233將產生之統計資料輸出至分割部234。再者，第1產生部233亦可與第1算出部232合併。
當從第1產生部233輸入統計資料時，分割部234將輸入之統計資料分割為1個以上之區間。再者，分割部234於欲避免因重複統計處理而導致精度下降之情形時，亦可參照時間序列資料群記憶部221，將時間序列資料群中所包含之時間序列資料分割為1個以上之區間。分割部234於特徵量擷取處理之情形時，基於預先決定之區間之分割方法，將統計資料或時間序列資料分割為區間。又，分割部234於由第2產生部236指示變更區間之分割方法之情形時，例如變更分割之比例或分割數量等，將統計資料或時間序列資料分割為區間。分割部234例如將統計資料或時間序列資料於前半製程分割為2個區間，於中間製程分割為1個區間，於後半製程分割為2個區間。於此情形時，例如將區間I1設為製程之開頭1個循環，將區間I2設為開頭側第2循環至第10循環。將區間I3設為開頭側第11循環至末尾側第11循環。即，區間I3係包含構成製程之幾百個循環之大部分之區間。將區間I4設為末尾側第2循環至第10循環，將區間I5設為最末尾1個循環。於此種區間之分割中，藉由調整分割方法，可準確地掌握製程之特徵。分割部234於預測處理之情形時，基於記憶部220中記憶之區間之資訊，將統計資料或時間序列資料分割為區間。分割部234將所分割之統計資料或時間序列資料輸出至第2算出部235。
再者，分割部234於使用藉由貝葉斯優化預先求得之區間作為用以分割統計資料或時間序列資料之區間之資訊的情形時，參照時間序列資料群記憶部221及結果資料記憶部222而預先算出該區間。此處，使用圖7及圖8，對藉由貝葉斯優化所進行之區間之設定進行說明。
圖7係表示藉由貝葉斯優化所設定之區間之一例之圖。如圖7所示，時間序列資料群170分別與晶圓No.相同之測量資料群171建立對應關係。即，時間序列資料170a,170b,170c,170d,…與測量資料171a,171b,171c,171d,…分別建立對應關係。時間序列資料群170及測量資料群171進而使用複數片晶圓之資料群，例如3片至幾十片晶圓之資料群。分割部234將時間序列資料群170設為說明函數，將測量資料群171設為目的函數而進行貝葉斯優化。
分割部234例如將擷取之循環之範圍(區間)作為參數進行貝葉斯優化。分割部234與下述第2算出部235同樣地算出區間之代表值。分割部234例如使用決定係數R2 判定所算出之區間之代表值與測量資料之關係。再者，決定係數R2 取0～1之範圍。
圖8係表示區間之代表值與測量資料之關係之一例之圖。於圖8所示之圖173之例中，決定係數R2 設為0.7955。於此情形時，分割部234例如使上述參數變化而進行探索，直至決定係數R2 變為0.8以上、或滿足預先設定之次數或算出時間為止。即，分割部234以模型之預測誤差變少之方式設定規定區間。再者，區間之代表值與測量資料之關係除了使用決定係數R2 以外，亦可使用RMSE(Root Mean Square Error，均方根誤差)或PLS。
分割部234進行貝葉斯優化之結果，例如可求出圖7所示之區間172作為用以分割統計資料或時間序列資料之區間資訊。分割部234將算出之區間172記憶於記憶部220中。即，於區間172之例中，與上述區間I1～I5相比，可將模型中之預測對象從5個減少至1個。即，藉由使用貝葉斯優化，可縮短探索時間。再者，分割部234亦可使用其他參數探索方法來代替貝葉斯優化，求出用以分割統計資料或時間序列資料之區間。
回到圖3之說明。當從分割部234輸入所分割之統計資料或時間序列資料時，第2算出部235基於所分割之統計資料或時間序列資料，針對每一區間算出代表值(彙總(summary))。第2算出部235例如算出平均值、最小值、最大值、方差、及斜率等值作為每一區間之代表值。例如，第2算出部235於統計資料或時間序列資料被分割為上述區間I1～I5之情形時，針對每一區間I1～I5算出平均值作為代表值。第2算出部235將算出之每一區間之代表值於特徵量擷取處理中輸出至第2產生部236，於預測處理中輸出至預測部237。
此處，使用圖9對根據時間序列資料求出統計資料之區間之代表值之情形進行說明。圖9係表示根據時間序列資料求出統計資料之區間之代表值的情形之一例之圖。如圖9所示，資訊處理裝置100根據時間序列資料之曲線圖150算出基於各循環之統計值之統計資料190。繼而，資訊處理裝置100例如針對與上述區間I1～I5對應之區間181～185而算出代表值191～195。於圖9之例中，在統計資料190中，代表值191與其他代表值192～195相比為較低值。此表示代表值191之區間181，即製程之開頭1個循環之高頻電源之電壓較低，電漿之上升較差。即，統計資料190之晶圓被於電漿之上升異常之製程中處理，因此製品不良，由此於此種情形時會檢測出異常。
回到圖3之說明。第2產生部236於特徵量擷取處理中從第2算出部235輸入每一區間之代表值。第2產生部236根據基於統計資料或時間序列資料之每一區間之代表值，進行多變量解析而產生模型。模型例如為預測函數f(x)。再者，預測函數f(x)例如係使用了馬氏距離或PLS回歸等之函數。又，第2產生部236於使用結果資料之情形時，參照結果資料記憶部222，根據基於統計資料或時間序列資料之每一區間之代表值、及結果資料，進行多變量解析而產生模型。第2產生部236將作為特徵量之每一區間之代表值設為x輸入至所產生之模型即預測函數f(x)，求出y＝f(x)。y表示預測結果。第2產生部236對預測結果使用例如RMSE等評價函數，判定預測精度是否為閾值以上。第2產生部236於判定預測精度不為閾值以上之情形時，指示分割部234變更區間之分割方法。第2產生部236於判定預測精度為閾值以上之情形時，將區間之資訊及模型記憶於記憶部220中。
預測部237於預測處理中從第2算出部235輸入每一區間之代表值。預測部237將作為特徵量之每一區間之代表值設為x輸入至預測函數f(x)，求出預測結果即y＝f(x)，上述預測函數f(x)係擷取記憶部220中記憶之特徵量時所使用之模型。預測部237對預測結果是否為閾值以上進行判定。預測部237於判定預測結果為閾值以上之情形時，輸出預測結果，執行預先設定之動作，例如基板處理裝置10中之製程配方之設定值之變更、針對基板處理裝置10之警報之通知、針對作業人員之郵件發送等。預測部237於判定預測結果不為閾值以上之情形時，輸出預測結果，不執行預先設定之動作。
根據所使用之模型，預測結果可例舉製程之異常檢測資訊、與製程之結果有關之預測資訊、基板處理裝置10之維護時期之預測資訊、基板處理裝置10之設定值之修正資訊、及製程之設定值之修正資訊等資訊。又，亦可輸出將製程之異常加以分類之資訊作為預測結果。再者，預測結果可用於各種用途，例如，記憶於記憶部220中用於統計處理等其他處理，或是發送至基板處理裝置10用於設定值之修正等。
此處，使用圖10對預測結果之一例進行說明。圖10係表示製程之異常檢測中與先前相比較之一例之圖。如圖10所示，例如，於使用製程之異常檢測資訊作為預測結果之情形時，與先前之根據全體時間序列資料產生之彙總196相比，本實施方式中產生之預測結果即彙總197可檢測出第2片及第7片晶圓脫離母集團而產生異常。
[特徵量擷取方法] 繼而，對本實施方式之資訊處理裝置100之動作進行說明。首先，使用圖11對特徵量擷取處理進行說明。圖11係表示本實施方式中之特徵量擷取處理之一例之流程圖。再者，於圖11中，將對統計資料進行區間分割之情形作為一例進行說明。
資訊處理裝置100之獲取部231從基板處理裝置10獲取與各晶圓對應之各個時間序列資料群(步驟S1)。再者，獲取部231於使用結果資料之情形時，從結果資料獲取裝置20獲取針對各晶圓之結果資料。獲取部231將獲取之時間序列資料群記憶於時間序列資料群記憶部221中，將獲取之結果資料記憶於結果資料記憶部222中。
第1算出部232參照時間序列資料群記憶部221，針對時間序列資料群中所包含之每一時間序列資料，算出循環處理之各循環之統計值(步驟S2)。第1算出部232將算出之每一時間序列資料之統計值之集合輸出至第1產生部233。
當從第1算出部232輸入每一時間序列資料之統計值之集合時，第1產生部233針對每一時間序列資料，基於統計值之集合而產生統計資料(步驟S3)。第1產生部233將產生之統計資料輸出至分割部234。
當從第1產生部233輸入統計資料時，分割部234將輸入之統計資料分割為1個以上之區間(步驟S4)。分割部234將所分割之統計資料輸出至第2算出部235。
當從分割部234輸入所分割之統計資料時，第2算出部235基於所分割之統計資料，算出每一區間之代表值(步驟S5)。第2算出部235將算出之每一區間之代表值輸出至第2產生部236。
當從第2算出部235輸入每一區間之代表值時，第2產生部236基於每一區間之代表值，進行多變量解析而產生模型(預測函數f(x))(步驟S6)。再者，第2產生部236於使用結果資料之情形時，參照結果資料記憶部222，基於每一區間之代表值及結果資料，進行多變量解析而產生模型。第2產生部236向產生之模型(f(x))中輸入每一區間之代表值(特徵量x)，求出預測結果。即，求出y＝f(x)(步驟S7)。
第2產生部236針對預測結果，使用例如RMSE等評價函對預測精度是否為閾值以上進行判定(步驟S8)。第2產生部236於判定預測精度不為閾值以上之情形(步驟S8：否)時，返回至步驟S4，從區間分割開始重新進行處理。第2產生部236於判定預測精度為閾值以上之情形(步驟S8：是)時，將區間之資訊及模型記憶於記憶部220中，完成特徵量擷取處理。藉此，資訊處理裝置100可提高重複處理時測定之時間序列資料群之特徵量之擷取精度。
[預測方法] 繼而，使用圖12對預測處理進行說明。圖12係表示本實施方式中之預測處理之一例之流程圖。再者，於圖12中，將對統計資料進行區間分割之情形作為一例進行說明。
資訊處理裝置100之獲取部231從基板處理裝置10獲取與晶圓對應之時間序列資料群(步驟S11)。獲取部231將獲取之時間序列資料群記憶於時間序列資料群記憶部221中。
第1算出部232參照時間序列資料群記憶部221，針對時間序列資料群中所包含之每一時間序列資料，藉由與擷取特徵量時相同之方法算出循環處理之各循環之統計值(步驟S12)。第1算出部232將算出之每一時間序列資料之統計值之集合輸出至第1產生部233。
第1產生部233當從第1算出部232輸入每一時間序列資料之統計值之集合時，針對每一時間序列資料，基於統計值之集合而產生統計資料(步驟S13)。第1產生部233將產生之統計資料輸出至分割部234。
分割部234將輸入之統計資料分割為與擷取特徵量時相同之區間(步驟S14)。分割部234將所分割之統計資料輸出至第2算出部235。
當從分割部234輸入所分割之統計資料時，第2算出部235基於所分割之統計資料，藉由與擷取特徵量時相同之方法算出每一區間之代表值(步驟S15)。第2算出部235將算出之每一區間之代表值(特徵量x)輸出至預測部237。
預測部237當從第2算出部235輸入每一區間之代表值時，向擷取特徵量時使用之模型中輸入每一區間之代表值，而求出預測結果(步驟S16)。即，向y＝f(x)中代入特徵量x。預測部237對預測結果是否為閾值以上進行判定(步驟S17)。預測部237於判定預測結果為閾值以上之情形(步驟S17：是)時，執行預先設定之動作(步驟S18)，完成預測處理。再者，預先設定之動作可例舉基板處理裝置10中之製程配方之設定值之變更、針對基板處理裝置10之警報之通知、針對作業人員之郵件發送等。另一方面，預測部237於判定出預測結果不為閾值以上之情形(步驟S17：否)時，不特別執行動作而完成預測處理。藉此，資訊處理裝置100可提高重複處理時測定之時間序列資料群之特徵量之擷取精度，使用預測結果進行異常檢測或預測等。
以上，根據本實施方式，資訊處理裝置100獲取針對基板於循環處理中測定之時間序列資料群。又，資訊處理裝置100針對獲取之時間序列資料群中所包含之每一時間序列資料，算出循環處理之各循環之統計值。又，資訊處理裝置100產生基於算出之統計值之統計資料。又，資訊處理裝置100將產生之統計資料或時間序列資料分割為規定區間。又，資訊處理裝置100基於所分割之統計資料或時間序列資料，針對每一區間算出代表值。算出之代表值表示針對基板之循環處理中的製程之特徵。其結果，可提高重複處理時測定之時間序列資料群之特徵量之擷取精度。
又，根據本實施方式，資訊處理裝置100進而獲取與針對基板之製程之結果有關之結果資料。又，資訊處理裝置100基於算出之每一區間之代表值、及結果資料而產生模型。其結果，可產生提高重複處理時測定之時間序列資料群之特徵量之擷取精度的模型。
又，根據本實施方式，資訊處理裝置100以模型之預測誤差變少之方式設定規定區間。其結果，可進一步提高時間序列資料群之特徵量之擷取精度。
又，根據本實施方式，資訊處理裝置100將統計資料或時間序列資料至少分割為前半、中間及後半之各區間。其結果，可精度佳地擷取時間序列資料之開頭或最末尾之特徵量。
又，根據本實施方式，資訊處理裝置100藉由貝葉斯優化而求出區間。其結果，可在不依賴於先前知識見解之情況下求出區間。
又，根據本實施方式，資訊處理裝置100使用多變量解析或神經網路中之至少1個。其結果，可進一步提高時間序列資料群之特徵量之擷取精度。
又，根據本實施方式，統計值係各個循環中之平均值、最小值、最大值、方差及斜率中之任一者。其結果，可根據時間序列資料之特性擷取特徵量，因此可進一步提高精度。
又，根據本實施方式，代表值係規定區間中之平均值、最小值、最大值、方差及斜率中之任一者。其結果，可根據時間序列資料之特性擷取特徵量，因此可進一步提高精度。
又，根據本實施方式，資訊處理裝置100獲取針對新的基板之循環處理中測定之時間序列資料群。又，資訊處理裝置100針對獲取之時間序列資料群中所包含之每一時間序列資料，算出循環處理之各循環之統計值。又，資訊處理裝置100產生基於算出之統計值之統計資料。又，資訊處理裝置100將產生之統計資料或時間序列資料分割為規定區間。又，資訊處理裝置100基於所分割之統計資料或時間序列資料，針對每一區間算出代表值。又，資訊處理裝置100將算出之每一區間之代表值輸入至模型中而輸出預測結果。其結果，可精度更佳地進行預測。
又，根據本實施方式，預測結果係製程之異常檢測資訊、與製程之結果有關之預測資訊、基板處理裝置10之維護時期之預測資訊、基板處理裝置10之設定值之修正資訊、及製程之設定值之修正資訊中的1個或複數個。其結果，可檢測製程中之異常。又，可容易地制定晶圓之處理計劃。又，可容易地知曉基板處理裝置10之維護時期。又，可修正基板處理裝置10或製程之設定值。
應當認為，本次揭示之實施方式於所有方面均為例示，並非限制性者。上述實施方式於不脫離隨附之申請專利範圍及其主旨之情況下，亦可以各種形式進行省略、置換、變更。
又，於上述實施方式中，舉出了基板處理裝置10之高頻電源之電壓作為時間序列資料之一例，但並不限定於此。例如，亦可將處理氣體之流量、腔室內之壓力等與針對晶圓之完成結果相關之資訊作為時間序列資料。
又，於上述實施方式中，使用多變量解析產生模型，但並不限定於此。例如，若為異常檢測，則亦可將複數個統計資料、測量資料、及異常或正常資訊之組作為訓練資料，藉由CNN(Convolutional Neural Network，卷積類神經網路)等機器學習而產生學習完畢模型，使用產生之學習完畢模型作為模型來檢測異常。進而，亦可組合利用趨向圖所進行之異常檢測，該趨向圖著眼於1個測量資料。
又，於上述實施方式中，關於分割統計資料之規定區間，對預先設定之情形、及藉由貝葉斯優化求出之情形進行了說明，但並不限定於此。例如，亦可於各種製程中，將統計資料及藉由貝葉斯優化求出之區間之組作為訓練資料，藉由CNN等機器學習而產生學習完畢模型，使用產生之學習完畢模型，決定新的製程之統計資料中之規定區間。
又，於上述實施方式中，藉由從基板處理裝置10獲取時間序列資料之資訊處理裝置100進行特徵量擷取處理及預測處理等資料處理，但並不限定於此。例如，亦可藉由基板處理裝置10之控制部進行上述特徵量擷取處理及預測處理等各種資料處理。
又，於上述實施方式中，將半導體晶圓作為基板處理裝置10中之處理對象之基板之一例進行了說明，但並不限定於此。例如，亦可從將FPD(Flat Panel Display，平板顯示器)等基板作為處理對象之基板處理裝置獲取時間序列資料。
進而，由各裝置進行之各種處理功能亦可於CPU(或MPU、MCU(Micro Controller Unit，微控制器單元)等微電腦)上執行其全部或任意一部分。又，各種處理功能當然亦可於由CPU(或MPU、MCU等微電腦)解析執行之程式上、或佈線邏輯之硬體上執行其全部或任意一部分。
1:資訊處理系統 10:基板處理裝置 20:結果資料獲取裝置 100:資訊處理裝置 101:CPU 102:ROM 103:RAM 104:輔助記憶裝置 105:顯示裝置 106:操作裝置 107:I/F裝置 108:驅動裝置 109:匯流排 110:記錄介質 150:曲線圖 151:曲線圖 152:循環 152-2:步驟區間 152a:最大值 152b:中央值 152c:平均值 152d:最小值 170:時間序列資料群 170a,170b,170c,170d:時間序列資料 171:測量資料群 171a,171b,171c,171d:測量資料 172:區間 173:曲線圖 181,182,183,184,185:區間 190:統計資料 191,192,193,194,195:代表值 196:彙總 197:彙總 220:記憶部 221:時間序列資料群記憶部 222:結果資料記憶部 230:控制部 231:獲取部 232:第1算出部 233:第1產生部 234:分割部 235:第2算出部 236:第2產生部 237:預測部 I1,I2,I3,I4,I5:區間
圖1係表示本發明之一實施方式中的資訊處理系統之一例之方塊圖。 圖2係表示本發明之一實施方式中的資訊處理裝置之硬體構成之一例之方塊圖。 圖3係表示本發明之一實施方式中的資訊處理裝置之功能構成之一例之功能方塊圖。 圖4係表示時間序列資料之一例之圖。 圖5係表示將時間序列資料之一部分加以放大之一例之圖。 圖6係表示根據時間序列資料算出統計值之一例之圖。 圖7係表示藉由貝葉斯優化所設定之區間之一例之圖。 圖8係表示區間之代表值與測量資料的關係之一例之圖。 圖9係表示根據時間序列資料求出統計資料之區間之代表值的情形之一例之圖。 圖10係表示製程之異常檢測中與先前相比較之一例之圖。 圖11係表示本實施方式中之特徵量擷取處理之一例之流程圖。 圖12係表示本實施方式中之預測處理之一例之流程圖。
100:資訊處理裝置
220:記憶部
221:時間序列資料群記憶部
222:結果資料記憶部
230:控制部
231:獲取部
232:第1算出部
233:第1產生部
234:分割部
235:第2算出部
236:第2產生部
237:預測部

Claims (16)

  1. 一種資訊處理方法，其具有： 獲取針對基板之循環處理中測定之時間序列資料群； 針對獲取之上述時間序列資料群中所包含之每一時間序列資料，算出上述循環處理之各循環之統計值； 產生基於算出之上述統計值之統計資料； 將產生之上述統計資料或上述時間序列資料分割為規定區間；以及 基於所分割之上述統計資料或上述時間序列資料，針對每一上述區間算出代表值。
  2. 如請求項1之資訊處理方法，其中 上述進行獲取之處理進而獲取與針對上述基板之製程之結果有關之結果資料， 基於算出之每一上述區間之上述代表值、及上述結果資料而產生模型。
  3. 如請求項1或2之資訊處理方法，其中 上述進行分割之處理係以模型之預測誤差變少之方式設定上述規定區間。
  4. 如請求項1至3中任一項之資訊處理方法，其中 上述進行分割之處理係將上述統計資料或上述時間序列資料至少分割為前半、中間及後半之各區間。
  5. 如請求項1至4中任一項之資訊處理方法，其中 上述進行分割之處理係藉由貝葉斯優化而求出上述區間。
  6. 如請求項2之資訊處理方法，其中 產生上述模型之處理係使用多變量解析或神經網路中之至少1個。
  7. 如請求項1至6中任一項之資訊處理方法，其中 上述統計值係各個上述循環中之平均值、最小值、最大值、方差及斜率中之任一者。
  8. 如請求項1至7中任一項之資訊處理方法，其中 上述代表值係上述規定區間中之平均值、最小值、最大值、方差及斜率中之任一者。
  9. 一種資訊處理方法，其具有： 獲取針對新的基板之循環處理中測定之時間序列資料群； 針對獲取之上述時間序列資料群中所包含之每一時間序列資料，算出上述循環處理之各循環之統計值； 產生基於算出之上述統計值之統計資料； 將產生之上述統計資料或上述時間序列資料分割為規定區間； 基於所分割之上述統計資料或上述時間序列資料，針對每一上述區間算出代表值；以及 將算出之每一上述區間之上述代表值輸入至模型中而輸出預測結果。
  10. 如請求項9之資訊處理方法，其中 上述預測結果係製程之異常檢測資訊、與上述製程之結果有關之預測資訊、基板處理裝置之維護時期之預測資訊、上述基板處理裝置之設定值之修正資訊、及上述製程之設定值之修正資訊中的1個或複數個。
  11. 一種資訊處理裝置，其具有： 獲取部，其獲取針對基板之循環處理中測定之時間序列資料群； 第1算出部，其針對獲取之上述時間序列資料群中所包含之每一時間序列資料，算出上述循環處理之各循環之統計值； 第1產生部，其產生基於算出之上述統計值之統計資料； 分割部，其將產生之上述統計資料或上述時間序列資料分割為規定區間；以及 第2算出部，其基於所分割之上述統計資料或上述時間序列資料，針對每一上述區間算出代表值。
  12. 如請求項11之資訊處理裝置，其中 上述獲取部進而獲取與針對上述基板之製程之結果有關之結果資料； 上述資訊處理裝置具有第2產生部，該第2產生部基於算出之每一上述區間之上述代表值、及上述結果資料而產生模型。
  13. 如請求項11或12之資訊處理裝置，其中 上述分割部係以模型之預測誤差變少之方式設定上述規定區間。
  14. 如請求項11至13中任一項之資訊處理裝置，其中 上述分割部將上述統計資料或上述時間序列資料至少分割為前半、中間及後半之各區間。
  15. 一種資訊處理裝置，其具有： 獲取部，其獲取針對新的作為被預測對象之基板之循環處理中測定之時間序列資料群； 第1算出部，其針對獲取之上述時間序列資料群中所包含之每一時間序列資料，算出上述循環處理之各循環之統計值； 產生部，其產生基於算出之上述統計值之統計資料； 分割部，其將產生之上述統計資料或上述時間序列資料分割為規定區間； 第2算出部，其基於所分割之上述統計資料或上述時間序列資料，針對每一上述區間算出代表值；以及 預測部，其將算出之每一上述區間之上述代表值輸入至模型中而輸出預測結果。
  16. 如請求項15之資訊處理裝置，其中 上述預測結果係製程之異常檢測資訊、與上述製程之結果有關之預測資訊、基板處理裝置之維護時期之預測資訊、上述基板處理裝置之設定值之修正資訊、及上述製程之設定值之修正資訊中的1個或複數個。
TW110122326A 2020-07-02 2021-06-18 資訊處理方法及資訊處理裝置 TW202203294A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2020-114579 2020-07-02
JP2020114579 2020-07-02

Publications (1)

Publication Number Publication Date
TW202203294A true TW202203294A (zh) 2022-01-16

Family

ID=79316094

Family Applications (1)

Application Number Title Priority Date Filing Date
TW110122326A TW202203294A (zh) 2020-07-02 2021-06-18 資訊處理方法及資訊處理裝置

Country Status (6)

Country Link
US (1) US20230138127A1 (zh)
JP (1) JP7246576B2 (zh)
KR (1) KR20230035051A (zh)
CN (1) CN115803849A (zh)
TW (1) TW202203294A (zh)
WO (1) WO2022004419A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024090428A1 (ja) * 2022-10-26 2024-05-02 東京エレクトロン株式会社 情報処理方法、コンピュータプログラム及び情報処理装置
WO2024090433A1 (ja) * 2022-10-26 2024-05-02 東京エレクトロン株式会社 情報処理方法、コンピュータプログラム及び情報処理装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5453494B2 (ja) 2012-07-19 2014-03-26 東京エレクトロン株式会社 サーバ装置およびプログラム
JP6833048B2 (ja) * 2017-09-04 2021-02-24 株式会社Ｋｏｋｕｓａｉ Ｅｌｅｃｔｒｉｃ 基板処理装置、基板処理装置の異常監視方法、及びプログラム

Also Published As

Publication number Publication date
US20230138127A1 (en) 2023-05-04
CN115803849A (zh) 2023-03-14
WO2022004419A1 (ja) 2022-01-06
JPWO2022004419A1 (zh) 2022-01-06
KR20230035051A (ko) 2023-03-10
JP7246576B2 (ja) 2023-03-27

Similar Documents

Publication Publication Date Title
KR102144373B1 (ko) 탐색 장치 및 탐색 방법
US20200328101A1 (en) Search apparatus and search method
US20190295827A1 (en) Search device, search method and plasma processing apparatus
TW202203294A (zh) 資訊處理方法及資訊處理裝置
TWI391840B (zh) 使用處理資料及良率資料之處理控制
JP6785993B2 (ja) プロセスフィンガープリントのセットを維持する方法
JP7270489B2 (ja) 性能算出方法および処理装置
CN1623225B (zh) 用于确定半导体晶片制造过程的均匀性度量值的方法和系统
JP6754878B2 (ja) 探索装置および探索方法
Gill Development of virtual metrology in semiconductor manufacturing
CN114417737B (zh) 用于晶圆刻蚀工艺的异常检测方法和装置
TW531823B (en) Multi-variable monitoring method for semiconductor processing
US20240045399A1 (en) Analysis of multi-run cyclic processing procedures
TWI832403B (zh) 用於多維動態部件平均測試之方法、設備及非暫時性電腦可讀媒體
US20240184283A1 (en) Time-Series Segmentation and Anomaly Detection
JP2010028097A (ja) 半導体製造装置および半導体製造システム
TW202338537A (zh) 用於使用物理為基模型的基板製造腔室的診斷方法
TW202422742A (zh) 產生用於半導體處理的模型學習的指示
TW202139072A (zh) 預測裝置及預測方法
CN118511264A (zh) 处理腔室校准