TW202305975A - 基板處理裝置及資訊處理系統 - Google Patents

基板處理裝置及資訊處理系統 Download PDF

Info

Publication number
TW202305975A
TW202305975A TW111120362A TW111120362A TW202305975A TW 202305975 A TW202305975 A TW 202305975A TW 111120362 A TW111120362 A TW 111120362A TW 111120362 A TW111120362 A TW 111120362A TW 202305975 A TW202305975 A TW 202305975A
Authority
TW
Taiwan
Prior art keywords
substrate
unit
learning model
aforementioned
machine learning
Prior art date
Application number
TW111120362A
Other languages
English (en)
Inventor
鈴木佑多
高橋広毅
中村顕
渡辺和英
松尾尚典
神子島隆仁
Original Assignee
日商荏原製作所股份有限公司
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 日商荏原製作所股份有限公司 filed Critical 日商荏原製作所股份有限公司
Publication of TW202305975A publication Critical patent/TW202305975A/zh

Links

Images

Classifications

    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/10—Measuring as part of the manufacturing process
    • H01L22/12—Measuring as part of the manufacturing process for structural parameters, e.g. thickness, line width, refractive index, temperature, warp, bond strength, defects, optical inspection, electrical measurement of structural dimensions, metallurgic measurement of diffusions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine 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
    • 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
    • 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
    • H01L21/67288—Monitoring of warpage, curvature, damage, defects or the like

Landscapes

  • Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Power Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Cleaning Or Drying Semiconductors (AREA)
  • Mechanical Treatment Of Semiconductor (AREA)

Abstract

本發明之基板處理裝置具備：在基板之研磨中及／或清洗中及／或乾燥中檢測對象之物理量的至少一個檢測器；對學習完成之機械學習模型，每個處理步驟將藉由前述檢測器所檢測之研磨中及／或清洗中及／或乾燥中的檢測值變換成特徵量之變換部；及藉由將包含前述特徵量之對象資料輸入學習完成的機械學習模型，而輸出對象之基板中的瑕疵數、瑕疵尺寸、瑕疵位置中之至少一個的預測值之推論部；前述學習完成之機械學習模型係使用將包含每個處理步驟變換在對象之生產線上或是與該對象之生產線同種的生產線上藉由檢測器所檢測之研磨中及／或清洗中的檢測值之特徵量作為輸入資料，且將基板中之瑕疵數、瑕疵尺寸、瑕疵位置之至少一個作為輸出資料的學習資料集而學習者。

Description

基板處理裝置及資訊處理系統
本發明關於一種基板處理裝置及資訊處理系統。
基板處理裝置（例如研磨裝置）之清洗性能，係藉由專用的瑕疵檢查裝置量測例如結束研磨、清洗、乾燥等處理而從裝置所排出的基板（具體而言係晶圓）來評估（例如，參照專利文獻1）。因為瑕疵檢查需要成本（主要為時間），所以在製造現場於基板處理（例如，研磨、清洗、乾燥）後全數進行檢查有困難，因而實施抽樣檢查。 ［先前技術文獻］ ［專利文獻］
[專利文獻1]日本特開2002—257533號公報
（發明所欲解決之問題）
但是，未被檢查之基板（具體而言係晶圓）因為清洗不足等亦有可能發生瑕疵品。
本發明係鑑於上述問題者，目的為提供一種不以瑕疵檢查裝置進行檢查，而可推斷基板處理後之基板是否為瑕疵品的基板處理裝置及資訊處理系統。 （解決問題之手段）
本發明一個樣態之基板處理裝置具備：至少一個檢測器，其係在基板之研磨中及／或清洗中及／或乾燥中檢測對象之物理量；變換部，其係對學習完成之機械學習模型，每個處理步驟將藉由前述檢測器所檢測之研磨中及／或清洗中及／或乾燥中的檢測值變換成特徵量；及推論部，其係藉由將包含前述特徵量之對象資料輸入學習完成的機械學習模型，而輸出對象之基板中的瑕疵數、瑕疵尺寸、瑕疵位置中之至少一個的預測值；前述學習完成之機械學習模型係使用將包含每個處理步驟變換在對象之生產線上或是與該對象之生產線同種的生產線上藉由檢測器所檢測之研磨中及／或清洗中的檢測值之特徵量作為輸入資料，且將基板中之瑕疵數、瑕疵尺寸、瑕疵位置之至少一個作為輸出資料的學習資料集而學習者。
採用該構成時，由於不以瑕疵檢查裝置進行檢查，而可獲得基板處理後之基板的瑕疵數、瑕疵尺寸、瑕疵位置中之至少一個的預測值，因此不以瑕疵檢查裝置進行檢查即可推斷基板處理後之基板是否為瑕疵品。
此外，上述基板處理裝置中，前述機械學習模型在學習時之輸入資料中，進一步含有基板處理裝置所含之每個單元所統計的滯留於該單元之滯留時間，該基板處理裝置所含之每個單元中進一步具備單元滯留時間統計部，其係統計滯留於該單元之滯留時間，輸入前述學習完成之機械學習模型的前述對象資料中，亦可進一步包含藉由前述單元滯留時間統計部對每個單元所統計之滯留於該單元的滯留時間。
此外，上述基板處理裝置中，前述機械學習模型在學習時之輸入資料中，進一步含有變換用於研磨或清洗之構件的位置之第二特徵量，前述變換部將用於研磨或清洗之構件的位置變換成第二特徵量，輸入前述學習完成之機械學習模型的前述對象資料中亦可進一步包含藉由前述變換部所變換之每個構件的第二特徵量。
此外，上述基板處理裝置中，前述機械學習模型在學習時之輸入資料中，進一步含有處理方案（Recipe）資訊，其係包含對基板處理裝置所含之單元的指令值，在輸入前述學習完成之機械學習模型的前述對象資料中亦可進一步包含處理方案資訊，其係包含進一步對該基板處理裝置所含之單元的指令值。
此外，上述基板處理裝置中具備：迴歸分析部，其係按照預先所決定之迴歸分析演算法，就複數個檢測值分別輸出在與瑕疵數、瑕疵尺寸、基板中之瑕疵位置的其中一個之間表示相關連的相關連參數；受理部，其係受理至少一個輸出成為機械學習模型之輸入資料所含的特徵量之基礎的檢測值之檢測器；及學習部，其係以變換前述受理之檢測器的檢測值之特徵量再度使前述機械學習模型學習；前述推論部亦可使用藉由前述學習部再學習後之機械學習模型輸出前述預測值。
本發明另外樣態之資訊處理系統具備：變換部，其係對學習完成之機械學習模型，將藉由基板處理裝置具備之檢測器所檢測的在基板之研磨中及／或清洗中及／或乾燥中的檢測值每個處理步驟變換成特徵量；及推論部，其係藉由輸入包含前述特徵量之對象資料，而輸出基板中之瑕疵數、瑕疵尺寸、基板中的瑕疵位置中之至少一個的預測值；前述學習完成之機械學習模型係使用將包含每個處理步驟變換在對象之生產線上或是與該對象之生產線同種的生產線上藉由檢測器所檢測之研磨中及／或清洗中的檢測值之特徵量作為輸入資料，且將基板中之瑕疵數、瑕疵尺寸、瑕疵位置之至少一個作為輸出資料的學習資料集而學習者。 （發明之效果）
採用本發明一個樣態時，由於不以瑕疵檢查裝置進行檢查，而可獲得基板處理後之基板的瑕疵數、瑕疵尺寸、瑕疵位置中之至少一個的預測值，因此，不以瑕疵檢查裝置進行檢查即可推斷基板處理後之基板是否為瑕疵品。
以下，參照圖式說明各種實施形態。但是，無必要時會省略詳細之說明。例如，省略已經習知之事項的詳細說明及對實質相同之構成的重複說明。這是為了避免以下之說明不必要的冗長，並讓熟悉本技術之業者容易理解。本實施形態係說明對基板W之表面進行化學機械研磨（CMP：Chemical Mechanical Polishing）而成平坦的研磨裝置，作為基板處理裝置之一例。
圖1係顯示本實施形態之基板處理裝置的概略構成之一例的圖。如圖1所示，基板處理裝置1係對矽晶圓（以下，亦簡稱為晶圓）等之基板W的表面進行化學機械研磨（CMP：Chemical Mechanical Polishing）而成平坦的研磨裝置。
如圖1所示，基板處理裝置1例如具備矩形箱狀之機架2。機架2於俯視時形成概略長方形。機架2在其中央具備在長度方向延伸之基板搬送路徑3。基板搬送路徑3在長度方向之一端部配置有裝載／卸載部10。在基板搬送路徑3之寬度方向，亦即俯視時在與長度方向正交的方向之一方側配置有研磨部20，並在另一方側配置有清洗部30。在基板搬送路徑3上設有搬送基板W之基板搬送部40。此外，基板處理裝置1具備統一控制裝載／卸載部10、研磨部20、清洗部30及基板搬送部40之動作的控制部50。
裝載／卸載部10具備收容基板W之前裝載部11。在機架2之長度方向的一方側之側面設有複數個前裝載部11。複數個前裝載部11排列於機架2的寬度方向。前裝載部11例如搭載有開放式匣盒、SMIF（晶舟承載（Standard Manufacturing Interface））盒或FOUP（前開式晶圓傳送盒（Front Opening Unified Pod））。SMIF及FOUP皆為在內部收納基板W之匣盒，並以分隔壁覆蓋之密閉容器，且可保持與外部空間獨立的環境。
此外，裝載／卸載部10具備：從前裝載部11搬出搬入基板W之二台搬送機器人12；及使各搬送機器人12沿著前裝載部11之排列而行駛的行駛機構13。各搬送機器人12在上下備有二隻手臂，而在基板W之處理前與基板W的處理後分開使用此等二隻手臂。例如，各搬送機器人12在將基板W送回前裝載部11情況下使用上側的手臂，從前裝載部11取出處理前之基板W情況下使用下側的手臂。
研磨部20具備研磨基板W之複數個研磨裝置21（21A、21B、21C、21D）。複數個研磨裝置21排列在基板搬送路徑3之長度方向。研磨裝置21具備：使具有研磨面之研磨墊22旋轉的研磨台23；用於保持基板W，且將基板W按壓於研磨台23上之研磨墊22，同時進行研磨的上方環形轉盤24；用於在研磨墊22上供給研磨液、修整液等之研磨液供給噴嘴25；用於進行研磨墊22之研磨面的修整之修整器26；及將純水等之液體與氮氣等之氣體的混合流體或純水等之液體形成霧狀而噴射於研磨面的霧化器27。
研磨裝置21從研磨液供給噴嘴25供給研磨液至研磨墊22上，而且藉由上方環形轉盤24將基板W按壓於研磨墊22，藉由使上方環形轉盤24與研磨台23相對移動來研磨基板W，而將基板W表面形成平坦。此外，上方環形轉盤24具備配置成同心圓狀之複數個加減壓區域（例如氣囊）。上方環形轉盤24藉由調整此等複數個加減壓區域內之壓力，來調整對研磨墊22按壓基板W之程度。
修整器26在與研磨墊22接觸之前端的旋轉部上固定鑽石粒子或陶瓷粒子等硬質的粒子，藉由使該旋轉部旋轉並搖動，來均勻地修整研磨墊22之整個研磨面，而形成平坦的研磨面。
霧化器27藉由高壓流體沖洗殘留於研磨墊22之研磨面的研磨屑、研磨粒等，來執行研磨面之淨化及及藉由修整器26進行研磨面之修整作業，亦即執行研磨面之重現。
清洗部30具備清洗基板W之複數個清洗裝置31（31A、31B）；及使清洗後之基板W乾燥的基板乾燥裝置32。複數個清洗裝置31及基板乾燥裝置32排列於基板搬送路徑3之長度方向。在清洗裝置31A與清洗裝置31B之間設有第一搬送室33。第一搬送室33中設有在基板搬送部40、清洗裝置31A及清洗裝置31B之間搬送基板W的搬送機器人35。
搬送機器人35在上下備有二個手臂，基板W在清洗裝置31A中清洗前與基板W在清洗裝置31A中清洗後，分開使用此等二個手臂。例如，搬送機器人35在從後述之暫放台（亦稱為晶圓站）47取出清洗前的基板W，而搬送至清洗裝置31A情況下使用下側的手臂，清洗後，從清洗裝置31A取出基板W並搬送至清洗裝置31情況下使用上側的手臂。
此外，在清洗裝置31B與基板乾燥裝置32之間設有第二搬送室34。第二搬送室34中設有在清洗裝置31B與基板乾燥裝置32之間搬送基板W的搬送機器人36。
清洗裝置31具備滾筒海綿（以下，亦稱為滾筒）型之清洗模組，使用該清洗模組來清洗基板W。另外，清洗裝置31A及清洗裝置31B亦可係相同類型，亦可係不同類型之清洗模組。此外，清洗裝置31A及清洗裝置31B亦可取代滾筒海綿型之清洗模組，而具備例如鉛筆海綿（以下，亦稱為筆）型之清洗模組、雙流體噴射型之清洗模組。此處，雙流體噴射型之清洗模組時，雙流體例如係氮（N 2）與純水的混合。
基板乾燥裝置32具備例如執行氮氣（N 2）乾燥，或使用異丙醇（IPA：Iso-Propyl Alcohol）之Rotagoni乾燥的乾燥模組。基板W執行Rotagoni乾燥後，打開設於基板乾燥裝置32與裝載／卸載部10之間的分隔壁之快門1a，而藉由搬送機器人12從基板乾燥裝置32搬出。
基板搬送部40具備：升降機41、第一線性傳輸機42、第二線性傳輸機43、及搖擺傳輸機44。基板搬送路徑3中，從裝載／卸載部10側起依序設有第一搬送位置TP1、第二搬送位置TP2、第三搬送位置TP3、第四搬送位置TP4、第五搬送位置TP5、第六搬送位置TP6、第七搬送位置TP7。
升降機41係在第一搬送位置TP1上下搬送基板W之機構。升降機41在第一搬送位置TP1從裝載／卸載部10之搬送機器人12接收基板W。而後，升降機41將從搬送機器人12所接收的基板W送交第一線性傳輸機42。在第一搬送位置TP1與裝載／卸載部10之間的分隔壁上設有快門1b，搬送基板W時打開快門1b，而從搬送機器人12將基板W送交升降機41。
第一線性傳輸機42係在第一搬送位置TP1、第二搬送位置TP2、第三搬送位置TP3及第四搬送位置TP4中的二個之間搬送基板W的機構。第一線性傳輸機42具備：複數個搬送手臂45（45A、45B、45C、45D）；與使各搬送手臂45在複數個高度水平方向移動之直線導軌機構46。
搬送手臂45A藉由直線導軌機構46而在第一搬送位置TP1至第四搬送位置TP4之間移動。搬送手臂45A係用於從升降機41接收基板W，並將該基板W送交第二線性傳輸機43的通過手臂（Pass Hand）。
搬送手臂45B藉由直線導軌機構46而在第一搬送位置TP1與第二搬送位置TP2之間移動。搬送手臂45B在第一搬送位置TP1從升降機41接收基板W，並在第二搬送位置TP2將基板W送交研磨裝置21A。搬送手臂45B中設有升降驅動部，將基板W送交研磨裝置21A之上方環形轉盤24時上升，將基板W送交上方環形轉盤24後下降。另外，搬送手臂45C及搬送手臂45D中亦設有同樣之升降驅動部。
搬送手臂45C藉由直線導軌機構46而在第一搬送位置TP1與第三搬送位置TP3之間移動。搬送手臂45C在第一搬送位置TP1從升降機41接收基板W，並在第三搬送位置TP3將基板W送交研磨裝置21B。此外，搬送手臂45C亦發揮在第二搬送位置TP2從研磨裝置21A之上方環形轉盤24接收基板W，並在第三搬送位置TP3將基板W送交研磨裝置21B之存取手臂的功能。
搬送手臂45D藉由直線導軌機構46而在第二搬送位置TP2與第四搬送位置TP4之間移動。搬送手臂45D發揮用於在第二搬送位置TP2或第三搬送位置TP3從研磨裝置21A或研磨裝置21B之上方環形轉盤24接收基板W，並在第四搬送位置TP4將基板W送交搖擺傳輸機44之存取手臂的功能。
搖擺傳輸機44具有可在第四搬送位置TP4與第五搬送位置TP5之間移動的手臂，並從第一線性傳輸機42將基板W送交第二線性傳輸機43。此外，搖擺傳輸機44將被研磨部20所研磨之基板W送交清洗部30。在搖擺傳輸機44之側方設有基板W之暫放台47。搖擺傳輸機44將在第四搬送位置TP4或第五搬送位置TP5所接收的基板W上下反轉，而裝載於暫放台47。裝載於暫放台47之基板W藉由清洗部30之搬送機器人35搬送至第一搬送室33。
第二線性傳輸機43係在第五搬送位置TP5、第六搬送位置TP6及第七搬送位置TP7中的二個之間搬送基板W的機構。第二線性傳輸機43具備：複數個搬送手臂48（48A、48B、48C）；與使各搬送手臂45以複數個高度而水平方向移動之直線導軌機構49。搬送手臂48A藉由直線導軌機構49而在第五搬送位置TP5至第六搬送位置TP6之間移動。搬送手臂45A發揮從搖擺傳輸機44接收基板W，並將該基板W送交研磨裝置21C之存取手臂的功能。
搬送手臂48B在第六搬送位置TP6與第七搬送位置TP7之間移動。搬送手臂48B發揮從研磨裝置21C接收基板W，並將該基板W送交研磨裝置21D之存取手臂的功能。搬送手臂48C在第七搬送位置TP7與第五搬送位置TP5之間移動。搬送手臂48C發揮用於在第六搬送位置TP6或第七搬送位置TP7從研磨裝置21C或研磨裝置21D之上方環形轉盤24接收基板W，並在第五搬送位置TP5將基板W送交搖擺傳輸機44之存取手臂的功能。另外，搬送手臂48送交基板W時之動作與上述之第一線性傳輸機42的動作相同，因而省略說明。
基板處理裝置1具備在基板（例如晶圓）之研磨中及／或清洗中及／或乾燥中，檢測對象之物理量的至少一個檢測器（無圖示）。對象之物理量，例如於研磨中時係如下。 ‧研磨台23之轉數及／或轉矩 ‧上方環形轉盤24之轉數及／或轉矩 ‧上方環形轉盤24之氣囊壓力 ‧修整器26之轉數及／或負荷 ‧漿液／水之流量 ‧霧化器27之流量 ‧霧化器27中之氮（N 2）的流量
對象之物理量，例如於清洗中時係如下。 ‧滾筒轉數及／或轉矩及／或負荷 ‧筆轉數及／或轉矩及／或負荷 ‧藥液／水之流量 ‧晶圓轉數 ‧氮（N 2）之流量
對象之物理量，例如於乾燥中時係如下。 ‧氮（N 2）之流量 ‧異丙醇（IPA）之流量
基板處理裝置1作為上述檢測器之一例亦可具備：檢測工作台轉數及／或轉矩之檢測器；檢測上方環形轉盤轉數及／或轉矩之檢測器；檢測上方環形轉盤氣囊壓力之檢測器；檢測修整器轉數及／或負荷之檢測器；檢測漿液／水之流量的檢測器。 此外，基板處理裝置1亦可具備：檢測清洗裝置31之滾筒轉數及／或轉矩及／或負荷的檢測器；檢測清洗裝置31之筆轉數及／或轉矩及／或負荷的檢測器；檢測清洗裝置31之藥液／水的流量之檢測器；檢測清洗裝置31之晶圓轉數的檢測器。 此外，基板處理裝置1亦可具備：檢測氮（N 2）之流量的檢測器；檢測異丙醇（IPA）之流量的檢測器。
以下，將構成裝載／卸載部10、研磨部20、清洗部30及基板搬送部40之構件分別稱為單元。
圖2係顯示本實施形態之控制部的概略構成之一例的方塊圖。如圖2所示，控制部50具備：單元控制部51、處理器6、記憶部7。 單元控制部51統一控制裝載／卸載部10、研磨部20、清洗部30及基板搬送部40之各單元的動作。
記憶部7中記憶有學習完成之機械學習模型71。該學習完成之機械學習模型71係使用將包含每個處理步驟變換在對象之生產線上或是與該對象之生產線同種的生產線上藉由檢測器所檢測之研磨中及／或清洗中的檢測值之特徵量作為輸入資料，且將基板中之瑕疵數、瑕疵尺寸、瑕疵位置之至少一個作為輸出資料的學習資料集而學習者。本實施形態中，學習資料集之輸出資料的一例係說明基板中之瑕疵數者。此處，特徵量係檢測器之時間序列值的平均、最大、最小、合計、中央值、標準偏差、分散、陡度或偏斜度，或是檢測值之微分值的時間序列資料之平均、最大、最小、合計、中央值、標準偏差、分散、陡度或偏斜度。
處理器6藉由從記憶部7讀取指定之程式來執行，而發揮單元滯留時間統計部61、變換部62、學習部63、推論部64、迴歸分析部65、受理部66之功能。
變換部62對學習完成之機械學習模型，將藉由前述檢測器所檢測之研磨中及／或清洗中及／或乾燥中的檢測值每個處理步驟變換成特徵量。
學習部63使用將包含每個處理步驟變換在對象之生產線上或是與該對象之生產線同種的生產線上藉由檢測器所檢測之研磨中及／或清洗中的檢測值之特徵量作為輸入資料，且將基板中之瑕疵數、瑕疵尺寸、瑕疵位置之至少一個作為輸出資料的學習資料集，而使機械學習模型71學習。
推論部64藉由將包含前述特徵量之對象資料輸入學習完成的機械學習模型，而輸出對象基板中之瑕疵數、瑕疵尺寸、瑕疵位置中的至少一個的預測值。
迴歸分析部65按照預先決定之迴歸分析演算法，分別就複數個檢測值輸出在與瑕疵數、瑕疵尺寸、基板中之瑕疵位置的其中一個之間表示相關連的相關連參數（例如相關連係數）。此處，該迴歸分析演算法亦可係LASSO（least absolute shrinkage and selection operator : LASSO）迴歸、Ridge迴歸、SVR迴歸（Support Vector Regression : SVR）、RFR迴歸（random forest Regression : RFR）、或Light GBM。迴歸分析部65亦可將該相關連參數（例如相關連係數）顯示於顯示裝置8。藉此，基板處理裝置1之作業員或是使用者可確認相關連參數（例如相關連係數）。
受理部66例如由確認了前述所輸出之相關連參數（例如相關連係數）的作業員或使用者至少受理一個輸出成為機械學習模型之輸入資料中包含的特徵量之基礎的檢測值之檢測器。此時，作業員或使用者例如由使用者輸入或選擇輸出成為相關連高之特徵量的基礎之檢測值。而後，學習部63以變換了前述所受理之檢測器的檢測值之特徵量再度使前述機械學習模型71學習。推論部64使用藉由學習部63再學習後的機械學習模型輸出前述預測值。採用該構成時，藉由受理部66受理作業員或使用者例如輸出成為相關連高之特徵量的基礎之檢測值的檢測器，可使機械學習模型71再學習後之預測精度提高。
本實施形態之一例為前述機械學習模型學習時的輸入資料中進一步含有統計基板處理裝置中包含之每個單元的在該單元中滯留之滯留時間。將此作為前提，單元滯留時間統計部61對每個該基板處理裝置1中包含的單元統計在該單元中滯留之滯留時間。本實施形態之一例為輸入前述學習完成之機械學習模型的前述對象資料中進一步包含藉由前述單元滯留時間統計部對每個單元所統計之滯留於該單元的滯留時間。
本實施形態之一例為前述機械學習模型學習時之輸入資料中進一步含有變換用於研磨或清洗之構件位置的第二特徵量。將此作為前提，變換部62將用於研磨或清洗之構件的位置變換成第二特徵量。此時，輸入前述學習完成之機械學習模型的前述對象資料中進一步含有藉由變換部62所變換之每個構件的第二特徵量。
本實施形態之一例為前述機械學習模型學習時的輸入資料中進一步含有包含對基板處理裝置中包含之單元的指令值之處理方案資訊。該指令值係上述對象物理量（例如研磨台23之轉數等）的設定值，且對象之物理量的設定值分別係每個處理步驟為1個值。將此作為前提，輸入前述學習完成之機械學習模型的前述對象資料中進一步含有包含對該基板處理裝置中包含之單元的指令值之處理方案資訊。
繼續使用圖3說明基板在各單元之滯留時間。圖3係顯示本實施形態在各單元中的滯留時間之例的曲線圖。圖3之曲線圖中，縱軸係處理步驟編號，橫軸係時間。圖3表示在以下處理中各單元之滯留時間。亦即，搬送機器人12將基板送交升降機41，然後第一線性傳輸機42之搬送手臂45A從升降機41取出基板，搬送手臂45A在第二搬送位置TP2將基板W送交研磨裝置21A。而後，經研磨裝置21A研磨後，第一線性傳輸機42之搬送手臂45D從研磨裝置21A接收基板，並在第四搬送位置TP4將基板W送交搖擺傳輸機44，搖擺傳輸機44將接收之基板上下反轉並裝載於暫放台47。然後，搬送機器人35下側之手臂接收基板W而搬送至清洗裝置31A。而後，經清洗裝置31A清洗後，搬送機器人35上側之手臂從清洗裝置31A取出基板W而搬送至清洗裝置31B。而後，經清洗裝置31B清洗後，搬送機器人36之手臂從清洗裝置31B取出基板W，並搬送至基板乾燥裝置32。而後，經基板乾燥裝置32乾燥後，搬送機器人12從基板乾燥裝置32取出基板。
圖3中，TRBDs係在研磨工序前基板於搬送機器人12之手臂的滯留時間，TLFT係基板在升降機41中的滯留時間，TLTP1係基板在第一線性傳輸機42之搬送手臂45A中的滯留時間，TPoliA係基板在研磨裝置21A中之滯留時間。基板在該研磨裝置21A中之滯留時間TPoliA中，除了研磨工序的時間之外還含有等待時間。該等待時間亦可進一步用作機械學習模型之學習及推論的輸入資料。TLTP3係基板在第一線性傳輸機42之搬送手臂45D中的滯留時間，TSTP係基板在搖擺傳輸機44中之滯留時間，TWS1係基板在暫放台中之滯留時間，TRB1L係基板在搬送機器人35之下側手臂中的滯留時間，TCL1A係基板在清洗裝置31A中的滯留時間，TRB1LU係基板在搬送機器人35之上側手臂中的滯留時間，TCL3A係基板在清洗裝置31B中之滯留時間，TRB3係基板在搬送機器人36之手臂中的滯留時間，TCL4A係基板在基板乾燥裝置32中之滯留時間，TRBDe係乾燥後基板在搬送機器人12之手臂中的滯留時間。
如圖3所示，研磨工序中有複數個處理步驟，第一清洗工序中亦有複數個處理步驟，第二清洗工序中亦有複數個處理步驟，乾燥工序中亦有複數個處理步驟。此等分別在處理步驟中，以處理步驟可以識別之方式而分配處理步驟編號。此處，係將此等處理步驟設為第1～N（亦即處理步驟編號為1～N，N係自然數）並說明如下。
繼續，使用圖4及圖5說明輸入機械學習模型之輸入資料中包含的特徵量之資料構造的一例。此處，係說明在基板處理裝置1中有檢測器D1～檢測器DM之M個（M係自然數）檢測器者。圖4係輸入機械學習模型之輸入資料中包含的特徵量之資料構造的一例。如圖4所示，檢測器D1之值的特徵量係以具有處理步驟1～N之特徵量分別作為要素的排列（或向量）來表示。同樣地，檢測器D2之值的特徵量係以具有處理步驟1～N之特徵量分別作為要素的排列（或向量）來表示，檢測器DM之值的特徵量係以具有處理步驟1～N之特徵量分別作為要素的排列（或向量）來表示。如此，輸入機械學習模型之輸入資料中包含的檢測器Di（i係1至M的整數）之值的特徵量係以具有處理步驟1～N之特徵量分別作為要素的排列（或向量）來表示。
此處，係將上述基板處理裝置1具備之構件分別稱為構件U1～UL（L係自然數）者作說明。處理器6例如係將基板處理裝置1具備之構件1～L的位置以時間序列記憶於記憶部7。該構件U1～UL之位置亦可以預先決定的換算公式而從單元控制部51對構件U1～UL指示動作之指令信號算出，亦可從指令信號與位置已知的對應關係作決定，亦可係檢測器所檢知的位置。如圖4所示，構件U1之位置的特徵量係以具有處理步驟1～N之特徵量分別作為要素的排列（或向量）來表示。同樣地，構件U2之位置的特徵量係以具有處理步驟1～N之特徵量分別作為要素的排列（或向量）來表示。同樣地，構件UN之位置的特徵量係以具有處理步驟1～N之特徵量分別作為要素的排列（或向量）來表示。如此，輸入機械學習模型之輸入資料中包含的構件Uj（j係1至L的整數）之位置的特徵量，係以具有處理步驟1～N之特徵量分別作為要素的排列（或向量）來表示。
圖5係輸入機械學習模型之輸入資料中包含的每個單元之滯留時間的資料構造之一例。如圖5所示，輸入機械學習模型之輸入資料中包含的每個單元之滯留時間，係以具有基板在上述每個單元之滯留時間分別作為要素的排列（或向量）來表示。
繼續，使用圖6A及圖6B說明機械學習模型71之學習工序與推論工序的一例。圖6A係用於說明機械學習模型之學習工序的一例之模式圖。圖6B係用於說明機械學習模型之推論工序的一例之模式圖。如圖6A所示，學習工序係機械學習模型71使用將在圖4上述之每個處理步驟的特徵量之排列1個以上、處理方案資訊、及每個單元之滯留時間的排列作為輸入資料，並將基板之瑕疵數作為輸出資料的學習資料集來學習。如圖6B所示，推論工序係就對象之基板，將每個處理步驟之特徵量的排列1個以上、處理方案資訊、及每個單元之滯留時間的排列輸入機械學習模型71時，輸出對象基板之瑕疵數。此處，該推論工序之特徵量係與學習工序的特徵量同種者。
另外，係將每個處理步驟之特徵量的排列1個以上、處理方案資訊、及每個單元之滯留時間的排列作為機械學習之輸入資料，不過亦可係任何一個，亦可係任何二個的組合。
圖7係比較瑕疵數之實測值與瑕疵數的預測值之曲線圖的一例。圖7中，縱軸係瑕疵數之預測值，橫軸係瑕疵數的實測值，並將每個研磨裝置21A、21B、21C、21D改變標繪之濃淡來標繪。標繪群之分布愈接近虛線L1，瑕疵數的預測精度愈高。如圖7所示，顯示出任何一個研磨裝置之標繪群的分布皆接近虛線L1，任何一個研磨裝置對瑕疵數的預測精度皆高。
如以上，本實施形態之基板處理裝置1具備：在基板之研磨中及／或清洗中及／或乾燥中檢測對象之物理量的至少一個檢測器；對學習完成之機械學習模型，將藉由前述檢測器所檢測之研磨中及／或清洗中及／或乾燥中的檢測值，每個處理步驟變換成特徵量之變換部62；及藉由將包含前述特徵量之對象資料輸入學習完成的機械學習模型71，而輸出基板中之瑕疵數的預測值之推論部64。該學習完成之機械學習模型71係使用將包含每個處理步驟變換在對象之生產線上或是與該對象之生產線同種的生產線上藉由檢測器所檢測之研磨中及／或清洗中的檢測值之特徵量作為輸入資料，且將基板中之瑕疵數作為輸出資料的學習資料集而學習者。
採用該構成時，由於不以瑕疵檢查裝置進行檢查，而可獲得基板處理後之基板的瑕疵數、瑕疵尺寸、瑕疵位置中之至少一個的預測值，因此不以瑕疵檢查裝置進行檢查，即可推斷基板處理後之基板是否為瑕疵品。 ＜機械學習模型之修改例1＞
繼續使用圖8A及圖8B說明機械學習模型71之學習工序與推論工序的修改例1。圖8A係用於說明機械學習模型之學習工序的修改例1之模式圖。圖8B係用於說明機械學習模型之推論工序的修改例1之模式圖。如圖8A所示，學習工序係機械學習模型71使用將在圖4上述之每個處理步驟的特徵量之排列1個以上、處理方案資訊、及每個單元之滯留時間的排列作為輸入資料，並將基板之瑕疵數及基板之瑕疵尺寸作為輸出資料的學習資料集來學習。如圖8B所示，推論工序係就對象之基板，將每個處理步驟之特徵量的排列1個以上、處理方案資訊、及每個單元之滯留時間的排列輸入機械學習模型71時，輸出對象基板之瑕疵數及對象基板之瑕疵尺寸。該推論工序之特徵量係與學習工序的特徵量同種者。 ＜機械學習模型之修改例2＞
繼續使用圖9A及圖9B說明機械學習模型71之學習工序與推論工序的修改例2。圖9A係用於說明機械學習模型之學習工序的修改例2之模式圖。圖9B係用於說明機械學習模型之推論工序的修改例2之模式圖。如圖9A所示，學習工序係機械學習模型71使用將在圖4上述之每個處理步驟的特徵量之排列1個以上、處理方案資訊、及每個單元之滯留時間的排列作為輸入資料，並將基板之瑕疵數及基板之瑕疵位置作為輸出資料的學習資料集來學習。如圖9B所示，推論工序係就對象之基板，將每個處理步驟之特徵量的排列1個以上、處理方案資訊、及每個單元之滯留時間的排列輸入機械學習模型71時，輸出對象基板之瑕疵數及對象基板之瑕疵位置。此處，該推論工序之特徵量係與學習工序的特徵量同種者。 ＜機械學習模型之修改例3＞
繼續使用圖10A及圖10B說明機械學習模型71之學習工序與推論工序的修改例3。圖10A係用於說明機械學習模型之學習工序的修改例3之模式圖。圖10B係用於說明機械學習模型之推論工序的修改例3之模式圖。如圖10A所示，學習工序係機械學習模型71使用將在圖4上述之每個處理步驟的特徵量之排列1個以上、處理方案資訊、及每個單元之滯留時間的排列作為輸入資料，並將基板之瑕疵數、基板之瑕疵尺寸及基板之瑕疵位置作為輸出資料的學習資料集來學習。如圖10B所示，推論工序係就對象之基板，將每個處理步驟之特徵量的排列1個以上、處理方案資訊、及每個單元之滯留時間的排列輸入機械學習模型71時，輸出對象基板中之瑕疵數、對象基板中之瑕疵尺寸及及對象基板中之瑕疵位置。此處，該推論工序之特徵量係與學習工序的特徵量同種者。
另外，不僅限於修改例1～3之輸出資料的組合，推論部64亦可輸出對象基板中之瑕疵數、瑕疵尺寸、瑕疵位置中的一個，或是任何2個。如此，推論部64藉由將包含前述特徵量之對象資料輸入學習完成之機械學習模型，亦可輸出對象基板中之瑕疵數、瑕疵尺寸、瑕疵位置中的至少一個之預測值。
本實施形態之基板處理裝置1係具備：處理器6與記憶部7，不過並非限於此者。 ＜本實施形態之修改例1＞ 圖11A係本實施形態之修改例1的概略構成圖。如圖11A所示，具備可與基板處理裝置1交換資訊而連接之資訊處理系統S1，資訊處理系統S1具有：處理器6與記憶有機械學習模型71之記憶部7，該處理器6藉由從記憶部7讀取程式來執行，亦可發揮單元滯留時間統計部61、變換部62、學習部63、推論部64、迴歸分析部65、受理部66之功能。 ＜本實施形態之修改例2＞
圖11B係本實施形態之修改例2的概略構成圖。如圖11B所示，具備經由通信電路網CN可與基板處理裝置1交換資訊而連接之資訊處理系統S1，資訊處理系統S1具有：處理器6與記憶有機械學習模型71之記憶部7，該處理器6藉由從記憶部7讀取指定之程式來執行，亦可發揮單元滯留時間統計部61、變換部62、學習部63、推論部64、迴歸分析部65、受理部66之功能。 ＜本實施形態之修改例3＞
圖12A係本實施形態之修改例3的概略構成圖。如圖12A所示，具備經由通信電路網CN可與基板處理裝置1交換資訊而連接之伺服器70，基板處理裝置1具有：處理器6與記憶有指定之程式的記憶部7a，伺服器70亦可具有記憶有機械學習模型71之記憶部7b。此時，基板處理裝置1之處理器6藉由從記憶部7a讀取指定之程式來執行，而發揮單元滯留時間統計部61、變換部62、學習部63、推論部64、迴歸分析部65、受理部66之功能，推論部64藉由在伺服器70的學習完成之機械學習模型71中輸入包含前述特徵量之對象資料，亦可輸出對象基板中之瑕疵數、瑕疵尺寸、瑕疵位置中的至少一個之預測值。 ＜本實施形態之修改例4＞
圖12B係本實施形態之修改例4的概略構成圖。如圖12B所示，亦可係具備基板處理裝置1與資訊處理系統S3之構成，資訊處理系統S3亦可具有：可與基板處理裝置1交換資訊而連接之資訊處理裝置60；與經由通信電路網CN可與資訊處理裝置60交換資訊而連接之伺服器70。此時，資訊處理裝置60具有：處理器6與記憶有指定之程式的記憶部7a，伺服器70亦可具有記憶有機械學習模型71之記憶部7b。此處，資訊處理裝置60之處理器6藉由從記憶部7a讀取指定之程式來執行，而發揮單元滯留時間統計部61、變換部62、學習部63、推論部64、迴歸分析部65、受理部66之功能，推論部64藉由在伺服器70的學習完成之機械學習模型71中輸入包含前述特徵量之對象資料，亦可輸出對象基板中之瑕疵數、瑕疵尺寸、瑕疵位置中的至少一個之預測值。
如此，資訊處理系統S1、S2、S3亦可具備：對學習完成之機械學習模型，將藉由基板處理裝置1具備之檢測器所檢測的基板之研磨中及／或清洗中及／或乾燥中的檢測值每個處理步驟變換成特徵量之變換部62；及藉由輸入包含前述特徵量之對象資料，而輸出基板中之瑕疵數、瑕疵尺寸、基板中之瑕疵位置中的至少一個之預測值的推論部64。此處，該學習完成之機械學習模型係使用將包含每個處理步驟變換在對象之生產線上或是與該對象之生產線同種的生產線上藉由檢測器所檢測之研磨中及／或清洗中的檢測值之特徵量作為輸入資料，且將基板中之瑕疵數、瑕疵尺寸、瑕疵位置之至少一個作為輸出資料的學習資料集而學習者。
採用該構成時，由於不以瑕疵檢查裝置進行檢查，而可獲得基板處理後之基板的瑕疵數、瑕疵尺寸、瑕疵位置中之至少一個的預測值，因此不以瑕疵檢查裝置進行檢查即可推斷基板處理後之基板是否為瑕疵品。
另外，上述實施形態所說明之資訊處理系統S1、S2、S3或是處理器6的至少一部分功能亦可由硬體構成，亦可由軟體構成。以軟體構成情況下，亦可將實現資訊處理系統S1、S2、S3或處理器6之至少一部分功能的程式收納於電腦可讀取之記錄媒體，供電腦讀入來執行。記錄媒體不限於磁碟、光碟等可裝卸者，亦可係硬碟裝置或記憶體等固定型的記錄媒體。
此外，亦可經由網際網路等之通信線路（亦包含無線通信）來分發實現資訊處理系統S1、S2、S3或處理器6之至少一部分功能的程式。再者，亦可將該程式加密，或是加以變調，以壓縮之狀態經由網際網路等有線線路或無線線路，或是收納於記錄媒體來分發。
再者，亦可藉由一個或複數個資訊設備使資訊處理系統S1、S2、S3發揮功能。使用複數個資訊設備時，將其中1個作為電腦，藉由該電腦執行指定之程式，亦可作為資訊處理系統S1、S2、S3之至少1個手段而發揮功能。
如以上，本發明並非限定於按照上述實施形態者，實施階段在不脫離其要旨之範圍內可修改構成元件而具體化。此外，藉由上述實施形態所揭示之複數個構成元件的適當組合，可形成各種發明。例如，亦可從實施形態所示之全部構成元件刪除一些構成元件。再者，亦可將不同實施形態中之構成元件適當組合。
1:基板處理裝置 1a:快門 1b:快門 2:機架 3:基板搬送路徑 6:處理器 7:記憶部 7a:記憶部 7b:記憶部 8:顯示裝置 10:裝載／卸載部 11:前裝載部 12:搬送機器人 13:行駛機構 20:研磨部 21（21A,21B,21C,21D）:研磨裝置 22:研磨墊 23:研磨台 24:上方環形轉盤 25:研磨液供給噴嘴 26:修整器 27:霧化器 30:清洗部 31（31A,31B）:清洗裝置 32:基板乾燥裝置 33:第一搬送室 34:第二搬送室 35:搬送機器人 36:搬送機器人 40:基板搬送部 41:升降機 42:第一線性傳輸機 43:第二線性傳輸機 44:搖擺傳輸機 45（45A,45B,45C,45D）:搬送手臂 46:直線導軌機構 47:暫放台 48（48A,48B,48C）:搬送手臂 49:直線導軌機構 50:控制部 51:單元控制部 60:資訊處理裝置 61:單元滯留時間統計部 62:變換部 63:學習部 64:推論部 65:迴歸分析部 66:受理部 70:伺服器 71:機械學習模型 CN:通信電路網 S1,S2,S3:資訊處理系統 TP1～TP7:第一～第七搬送位置 W:基板
圖1係顯示本實施形態之基板處理裝置的概略構成之一例的圖。 圖2係顯示本實施形態之控制部的概略構成之一例的方塊圖之一例。 圖3係顯示本實施形態在各單元中的滯留時間之例的曲線圖。 圖4係輸入機械學習模型之輸入資料中包含的特徵量之資料構造的一例。 圖5係輸入機械學習模型之輸入資料中包含的每個單元之滯留時間的資料構造之一例。 圖6A係用於說明機械學習模型之學習工序的一例之模式圖。 圖6B係用於說明機械學習模型之推論工序的一例之模式圖。 圖7係比較瑕疵數之實測值與瑕疵數的預測值之曲線圖的一例。 圖8A係用於說明機械學習模型之學習工序的修改例1之模式圖。 圖8B係用於說明機械學習模型之推論工序的修改例1之模式圖。 圖9A係用於說明機械學習模型之學習工序的修改例2之模式圖。 圖9B係用於說明機械學習模型之推論工序的修改例2之模式圖。 圖10A係用於說明機械學習模型之學習工序的修改例3之模式圖。 圖10B係用於說明機械學習模型之推論工序的修改例3之模式圖。 圖11A係本實施形態之修改例1的概略構成圖。 圖11B係本實施形態之修改例2的概略構成圖。 圖12A係本實施形態之修改例3的概略構成圖。 圖12B係本實施形態之修改例4的概略構成圖。
6:處理器
7:記憶部
8:顯示裝置
50:控制部
51:單元控制部
61:單元滯留時間統計部
62:變換部
63:學習部
64:推論部
65:迴歸分析部
66:受理部
71:機械學習模型

Claims (6)

  1. 一種基板處理裝置，係具備： 至少一個檢測器，其係在基板之研磨中及／或清洗中及／或乾燥中檢測對象之物理量； 變換部，其係對學習完成之機械學習模型，每個處理步驟將藉由前述檢測器所檢測之研磨中及／或清洗中及／或乾燥中的檢測值變換成特徵量；及 推論部，其係藉由將包含前述特徵量之對象資料輸入學習完成的機械學習模型，而輸出對象之基板中的瑕疵數、瑕疵尺寸、瑕疵位置中之至少一個的預測值； 前述學習完成之機械學習模型係使用將包含每個處理步驟變換在對象之生產線上或是與該對象之生產線同種的生產線上藉由檢測器所檢測之研磨中及／或清洗中的檢測值之特徵量作為輸入資料，且將基板中之瑕疵數、瑕疵尺寸、瑕疵位置之至少一個作為輸出資料的學習資料集而學習者。
  2. 如請求項1之基板處理裝置，其中前述機械學習模型在學習時之輸入資料中，進一步含有基板處理裝置所含之每個單元所統計的滯留於該單元之滯留時間， 該基板處理裝置所含之每個單元中進一步具備單元滯留時間統計部，其係統計滯留於該單元之滯留時間， 輸入前述學習完成之機械學習模型的前述對象資料中，進一步包含藉由前述單元滯留時間統計部對每個單元所統計之滯留於該單元的滯留時間。
  3. 如請求項1或2之基板處理裝置，其中前述機械學習模型在學習時之輸入資料中，進一步含有變換用於研磨或清洗之構件的位置之第二特徵量， 前述變換部將用於研磨或清洗之構件的位置變換成第二特徵量， 輸入前述學習完成之機械學習模型的前述對象資料中進一步包含藉由前述變換部所變換之每個構件的第二特徵量。
  4. 如請求項1或2之基板處理裝置，其中前述機械學習模型在學習時之輸入資料中，進一步含有處理方案（Recipe）資訊，其係包含對基板處理裝置所含之單元的指令值， 在輸入前述學習完成之機械學習模型的前述對象資料中進一步包含處理方案資訊，其係包含進一步對該基板處理裝置所含之單元的指令值。
  5. 如請求項1或2之基板處理裝置，其中具備： 迴歸分析部，其係按照預先所決定之迴歸分析演算法，就複數個檢測值分別輸出在與瑕疵數、瑕疵尺寸、基板中之瑕疵位置的其中一個之間表示相關連的相關連參數； 受理部，其係受理至少一個輸出成為機械學習模型之輸入資料所含的特徵量之基礎的檢測值之檢測器；及 學習部，其係以變換前述受理之檢測器的檢測值之特徵量再度使前述機械學習模型學習； 前述推論部使用藉由前述學習部再學習後之機械學習模型輸出前述預測值。
  6. 一種資訊處理系統，係具備： 變換部，其係對學習完成之機械學習模型，將藉由基板處理裝置具備之檢測器所檢測的在基板之研磨中及／或清洗中及／或乾燥中的檢測值每個處理步驟變換成特徵量；及 推論部，其係藉由輸入包含前述特徵量之對象資料，而輸出基板中之瑕疵數、瑕疵尺寸、基板中的瑕疵位置中之至少一個的預測值； 前述學習完成之機械學習模型係使用將包含每個處理步驟變換在對象之生產線上或是與該對象之生產線同種的生產線上藉由檢測器所檢測之研磨中及／或清洗中的檢測值之特徵量作為輸入資料，且將基板中之瑕疵數、瑕疵尺寸、瑕疵位置之至少一個作為輸出資料的學習資料集而學習者。
TW111120362A 2021-06-15 2022-06-01 基板處理裝置及資訊處理系統 TW202305975A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2021-099286 2021-06-15
JP2021099286A JP2022190829A (ja) 2021-06-15 2021-06-15 基板処理装置及び情報処理システム

Publications (1)

Publication Number Publication Date
TW202305975A true TW202305975A (zh) 2023-02-01

Family

ID=84526159

Family Applications (1)

Application Number Title Priority Date Filing Date
TW111120362A TW202305975A (zh) 2021-06-15 2022-06-01 基板處理裝置及資訊處理系統

Country Status (5)

Country Link
JP (1) JP2022190829A (zh)
KR (1) KR20240021250A (zh)
CN (1) CN117501414A (zh)
TW (1) TW202305975A (zh)
WO (1) WO2022264753A1 (zh)

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4230674B2 (ja) 2001-03-01 2009-02-25 株式会社日立製作所 欠陥検査装置およびその方法
JP5661564B2 (ja) * 2011-06-10 2015-01-28 株式会社荏原製作所 洗浄性能予測方法及び基板洗浄方法
JP5815361B2 (ja) * 2011-10-07 2015-11-17 シャープ株式会社 基板処理制御装置および基板処理制御方法、制御プログラム、可読記憶媒体
JP2020013918A (ja) * 2018-07-19 2020-01-23 株式会社荏原製作所 基板の周縁部を研磨するための研磨装置および研磨方法
JP2020053550A (ja) * 2018-09-27 2020-04-02 株式会社荏原製作所 研磨装置、研磨方法、及び機械学習装置
JP2020150155A (ja) * 2019-03-14 2020-09-17 株式会社荏原製作所 基板を研磨するための研磨装置を制御するための制御システム、および研磨方法
JP6860727B2 (ja) * 2020-04-24 2021-04-21 キオクシア株式会社 半導体装置の製造方法および半導体製造装置

Also Published As

Publication number Publication date
KR20240021250A (ko) 2024-02-16
CN117501414A (zh) 2024-02-02
JP2022190829A (ja) 2022-12-27
WO2022264753A1 (ja) 2022-12-22

Similar Documents

Publication Publication Date Title
JP5511190B2 (ja) 基板処理装置の運転方法
US5616063A (en) Polishing apparatus
US6887124B2 (en) Method of polishing and cleaning substrates
KR101629627B1 (ko) 기판 처리 시스템, 기판 처리 방법 및 컴퓨터 기억 매체
TWI749207B (zh) 基板清洗裝置及基板處理裝置
KR101585144B1 (ko) 연마방법 및 연마장치, 및 연마장치 제어용 프로그램
KR102110290B1 (ko) 티칭 장치 및 티칭 방법
US20220130662A1 (en) Substrate processing device, substrate processing method, and storage medium storing program for causing computer to execute method for controlling substrate processing device
TW201601875A (zh) 基板處理裝置
TW202243758A (zh) 半導體裝置製造設備
JP2020021863A (ja) 基板処理方法および基板処理装置
TW202305975A (zh) 基板處理裝置及資訊處理系統
CN110534405B (zh) 处理工件的工作站及方法
US11004701B2 (en) Break-in apparatus, break-in system and storage media
JP2019216152A (ja) 基板搬送システムのためのティーチング装置およびティーチング方法
JP2021136258A (ja) 基板処理装置、および基板処理方法
TWI773798B (zh) 記錄了畫面控制程序的非暫態電腦可讀取記錄媒介及半導體製造裝置
KR101066596B1 (ko) 기판 연마 장치
JP2022146217A (ja) 基板処理装置
KR101743492B1 (ko) 기판처리장치 및 방법
JP2022124016A (ja) 基板洗浄装置、基板洗浄装置の異常判定方法、基板洗浄装置の異常判定プログラム
TW202410183A (zh) 資訊處理裝置、機器學習裝置、資訊處理方法以及機器學習方法