TWI782360B - 探索裝置、探索程式及電漿處理裝置 - Google Patents
探索裝置、探索程式及電漿處理裝置 Download PDFInfo
- Publication number
- TWI782360B TWI782360B TW109142567A TW109142567A TWI782360B TW I782360 B TWI782360 B TW I782360B TW 109142567 A TW109142567 A TW 109142567A TW 109142567 A TW109142567 A TW 109142567A TW I782360 B TWI782360 B TW I782360B
- Authority
- TW
- Taiwan
- Prior art keywords
- value
- parameter
- processing
- parameter value
- input parameter
- Prior art date
Links
- 238000012545 processing Methods 0.000 title claims abstract description 264
- 238000007906 compression Methods 0.000 claims description 30
- 230000006835 compression Effects 0.000 claims description 29
- 239000000463 material Substances 0.000 claims description 12
- 238000009832 plasma treatment Methods 0.000 claims 1
- 238000000034 method Methods 0.000 description 81
- 239000004065 semiconductor Substances 0.000 description 26
- 238000010586 diagram Methods 0.000 description 18
- 230000008569 process Effects 0.000 description 16
- 238000011156 evaluation Methods 0.000 description 14
- 238000005530 etching Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 11
- 238000000465 moulding Methods 0.000 description 11
- 239000000243 solution Substances 0.000 description 10
- 238000004519 manufacturing process Methods 0.000 description 8
- 238000003754 machining Methods 0.000 description 7
- 239000007789 gas Substances 0.000 description 6
- 239000000758 substrate Substances 0.000 description 6
- 238000012217 deletion Methods 0.000 description 4
- 230000037430 deletion Effects 0.000 description 4
- 238000001020 plasma etching Methods 0.000 description 4
- 238000004140 cleaning Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000009472 formulation Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 238000005229 chemical vapour deposition Methods 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 238000010894 electron beam technology Methods 0.000 description 2
- 239000012634 fragment Substances 0.000 description 2
- 238000011221 initial treatment Methods 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 238000005468 ion implantation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000013138 pruning Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000001312 dry etching Methods 0.000 description 1
- 230000005672 electromagnetic field Effects 0.000 description 1
- 238000009616 inductively coupled plasma Methods 0.000 description 1
- 238000001746 injection moulding Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000010884 ion-beam technique Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000001459 lithography Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 239000011347 resin Substances 0.000 description 1
- 229920005989 resin Polymers 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000004544 sputter deposition Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
- 238000004506 ultrasonic cleaning Methods 0.000 description 1
- 238000007740 vapor deposition Methods 0.000 description 1
- 238000001039 wet etching Methods 0.000 description 1
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
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
-
- 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
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
-
- 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
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N99/00—Subject matter not provided for in other groups of this subclass
-
- H—ELECTRICITY
- H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
- H05H—PLASMA TECHNIQUE; PRODUCTION OF ACCELERATED ELECTRICALLY-CHARGED PARTICLES OR OF NEUTRONS; PRODUCTION OR ACCELERATION OF NEUTRAL MOLECULAR OR ATOMIC BEAMS
- H05H1/00—Generating plasma; Handling plasma
- H05H1/24—Generating plasma
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Automation & Control Theory (AREA)
- Plasma & Fusion (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Drying Of Semiconductors (AREA)
- Chemical Vapour Deposition (AREA)
Abstract
參數壓縮部是將第1輸入參數值壓縮成參數復原部可復原,產生削減了控制參數數的第1壓縮完了輸入參數值,
模型學習部是藉由學習資料來學習預測模型,該學習資料為:第1壓縮完了輸入參數值、及以第1輸入參數值作為複數的控制參數給予處理裝置而取得的處理結果的第1輸出參數值之組合,
處理條件探索部是利用預測模型來推定對應於目標輸出參數值的第2壓縮完了輸入參數值。
Description
本發明是有關具有探索最適解的探索裝置,探索程式及進行處理的最適化的機能之電漿處理裝置。
近年,為了提升半導體裝置的性能,在半導體裝置導入新材料,同時半導體裝置的構造立體化・複雜化。並且,在現在的尖端半導體裝置的加工中,被要求奈米級的精度。為此,半導體處理裝置是需要將多種的材料極高精度地加工成各種的形狀,必然形成具備多數的控制參數(輸入參數)的裝置。
隨之,為了完全發揮半導體處理裝置的性能,需要決定數種到數十種的控制參數。因此,隨著裝置的性能提升,裝置複雜化,越來越難以查明可取得所望的加工結果的控制參數的組合。這引起裝置開發的長期化,成為開發成本增大的原因。為此,半自動地探索最適的控制參數,求取使裝置的性能容易發揮的機能或裝置。
專利文獻1是揭示一種與蝕刻裝置及加工形狀評價裝置連動,經由模型(model)的學習來自律地探索給予所望的加工形狀的加工條件之方法及裝置。
另一方面,掌握控制參數的探索作為最適解探索問題時,效率的探索是需要探索參數數少或縮小探索範圍。專利文獻2、專利文獻3、專利文獻4是揭示削減模型參數數的方法。專利文獻5、專利文獻6是揭示縮小探索範圍的方法。
先前技術文獻
專利文獻
專利文獻1:日本特開2019-040984號公報
專利文獻2:日本特開2019-046380號公報
專利文獻3:日本特開2015-162113號公報
專利文獻4:日本特開2019-079214號公報
專利文獻5:日本特開2017-157112號公報
專利文獻6:日本特開2017-102619號公報
(發明所欲解決的課題)
專利文獻1的方法是準備由少數個的加工條件與加工結果的組合所組成的學習資料組,使學習模型後,利用學習完了模型來倒算給予所望的加工結果的加工條件。若加工條件參數數為10個程度,則數分鐘可取得加工條件。進行對於探索的加工條件的驗證實驗,若未能取得所望的結果,則將實驗結果追加於學習資料組,重複模型的學習。由於多次重複模型的學習,加工條件推定,根據實驗的驗證,因此加工條件推定所要的時間是需要與實驗所要的時間同程度(最長也要1小時左右)。
另一方面,現在的蝕刻裝置的處理條件(以下稱為處方)是隨著加工的材料的複合化,加工形狀的微細化・複雜化,而形成多步驟型。多步驟型是邊按每個步驟改變蝕刻裝置的處理條件邊進行加工。步驟數是達10~30,且每1步驟的控制參數是數十個,因此必須決定的控制參數數是全部達數百。在專利文獻1揭示使用隨機搜索法作為加工條件探索方法,但現在的計算機能力是不可能以實用的計算時間求取數百次元的參數空間的最適解。
專利文獻2為了使模型形成小型,將模型設為2段,壓縮前段的模型的輸出,作為後段的輸入參數,藉此使後段的模型形成小型,但原本的輸入參數數未削減。
專利文獻3是削除模型參數的重複,謀求模型的小型化,但未削減輸入參數數。
專利文獻4是使用主成分分析等的次元削減方法,但為模型的超參數數的削減,未形成輸入參數的削減。
專利文獻5及專利文獻6是為了縮小控制參數的探索範圍,利用模擬裝置的模擬器,但在模擬器不存在時是無法適用。
如此,哪個先前技術文獻都未揭示對於具有膨大的探索參數的模型可有效率地探索最適解的方法。本發明是以對於具有膨大的探索參數的模型,也可以實用的時間來探索最適解之探索裝置,探索程式作為目的。
(用以解決課題的手段)
本發明之一形態的探索裝置,係以處理裝置所進行的預定的處理的處理結果會符合目標輸出參數值之方式,探索給予設定於處理裝置的複數的控制參數之輸入參數值,
其特徵為具有:
處理器;
記憶體;及
探索程式,其係被儲存於記憶體,藉由被實行於處理器來探索符合目標輸出參數值的輸入參數值,
探索程式,係具有:參數壓縮部、模型學習部、處理條件探索部、參數復原部及收斂判定部,
參數壓縮部,係將第1輸入參數值壓縮成參數復原部可復原,產生削減了控制參數數的第1壓縮完了輸入參數值,
模型學習部,係藉由學習資料來學習預測模型,該學習資料為:第1壓縮完了輸入參數值、及以第1輸入參數值作為複數的控制參數給予處理裝置而取得的處理結果的第1輸出參數值之組合,
處理條件探索部,係利用預測模型來推定對應於目標輸出參數值的第2壓縮完了輸入參數值,
參數復原部,係從第2壓縮完了輸入參數值追加在參數壓縮部削除的控制參數的值而產生第2輸入參數值,
收斂判定部,係判定以第2輸入參數值作為複數的控制參數給予處理裝置而取得的處理結果的第2輸出參數值是否收斂於目標輸出參數值的預定的範圍內。
[發明的效果]
即使是具有膨大的參數的加工條件,也可短時間進行最適化。前述以外的課題、構成及效果是可由以下的實施例的說明明確得知。
發明者們舉以蝕刻裝置為對象的多步驟型處方為例進行檢討時,全樣品存在未使用或固定值的參數。有關該等的參數是不需要探索。並且,在第奇數個步驟及第偶數個步驟可見控制參數值交替地替換的週期性的情形多。如此的特徵是例如在邊交替地進行蝕刻步驟及側壁保護步驟邊使形成所望的形狀之類的工程中可見。因此,全參數數膨大,但未必全參數被獨立分派,因此可根據該等的特徵,將控制參數數的削減進行至某程度為止。
然而,僅此是亦有依然參數數多,探索困難的情況。此情況是優先藉由近似的探索方法來進行高速的探索。對於作為數理解析的最適化問題,有各種的手法被提案,在具有膨大的參數的課題中也可適用的手法存在。若為進行1次參數探索而可得解結束的課題,則探索即使花費數日也可容許。但,在處方的探索這樣的課題中,如專利文獻1的自律的探索方法般,由於從少數的學習資料構築模型預測處方,因此需要好幾次重複資料的追加及模型的更新。又,由於是從少數的學習資料作成的模型,因此對於大幅度偏離學習資料點的參數值,模型的預測精度低,無詳細探索如此的領域的意義。所以,比起花費時間探索最適解,對於精度低的模型,即使是近似解,也優先縮短探索時間。
基於以上情形,進行資料的削減,作為作成學習資料的前處理,更在最適解的探索中使用近似的探索方法,藉此即是具有膨大的參數的處方,也可以實用的時間來探索最適解。以下,根據附圖說明本發明的實施形態。
實施例1
圖1是表示半導體製造系統的系統構成例的圖。半導體製造系統10是具有:探索裝置100、輸入裝置103、輸出裝置114、處理裝置111及評價裝置112。
處理裝置111是處理半導體或包含半導體的半導體裝置的裝置。處理裝置111的處理的內容是不被特別加以限定。例如,包含微影蝕刻裝置、成膜裝置、圖案加工裝置、離子注入裝置、洗淨裝置。微影蝕刻裝置是例如包含曝光裝置、電子線描繪裝置、X線描繪裝置。成膜裝置是例如包含CVD(Chemical Vapor Deposition)、PVD(Physical apor Deposition)、蒸鍍裝置、濺射裝置、熱氧化裝置。圖案加工裝置是例如包含溼蝕刻裝置、乾蝕刻裝置、電子束加工裝置、雷射加工裝置。離子注入裝置是例如包含電漿摻雜裝置、離子束摻雜裝置。洗淨裝置是例如包含液體洗淨裝置、超音波洗淨裝置。
處理裝置111是根據從探索裝置100輸入的處理條件(輸入參數值)進行半導體或半導體裝置的處理,交給評價裝置112。評價裝置112是計測在處理裝置111被處理的半導體或半導體裝置,取得處理結果(輸出參數值)。評價裝置112是包含使用光學式監視器、電子顯微鏡的加工尺寸計測裝置。亦可取出在處理裝置111被處理的半導體或半導體裝置的一部分作為片斷,將該片斷搬運至評價裝置112而計測。
探索裝置100是具有:中央處理部104、資料庫105、參數壓縮部106、模型學習部107、處理條件探索部108、參數復原部109、裝置控制部110及收斂判定部113。有關各個的方塊的內容是利用流程圖後述。
輸入裝置103是具備GUI等的輸入介面與讀卡機等記憶媒體讀出裝置,將資料輸入至探索裝置100。又,不只來自使用者,來自評價裝置112的實測值也可同樣地接受,輸入至探索裝置100。輸入裝置103是例如包含鍵盤、滑鼠、觸控面板、記憶媒體讀出裝置等。
輸出裝置114是以從探索裝置100交付的處理條件作為最適處理條件102顯示給使用者。作為顯示的手段,有顯示至顯示器、或寫出至檔案等。輸出裝置114是例如包含顯示器、列表機、記憶媒體寫出裝置等。
在圖2表示探索裝置100的硬體構成的方塊圖。探索裝置100是探索實現從輸入裝置103輸入的目標輸出參數值(目標處理結果)的處理裝置111的輸入參數值(處理條件)。探索裝置100是具有:處理器116、通訊介面115、ROM117及RAM118。通訊介面115是連接處理器116、外部的輸入裝置103、輸出裝置114及處理裝置111。處理器116是連接通訊介面115、ROM117及RAM118。在ROM117儲存有:表示對於處理裝置111的輸入參數的設定可能範圍的表、對於參數的限制條件、收斂判定條件、及在處理器116實行的處理程式。在RAM118儲存有在探索過程產生的學習資料或學習模型等。
另外,就與圖1的對應而言,資料庫105是作為ROM117及RAM118被安裝,探索裝置的各方塊是作為被儲存於ROM117的程式(探索程式)被安裝。
圖3是在半導體製造系統10中,探索裝置100所實行的從目標處理結果(目標輸出參數值)決定處理裝置的最適處理條件的流程圖。
首先,針對處理裝置111的進行的處理,將作為目標的目標處理結果(目標輸出參數值)及作為控制處理裝置的參數選擇的初期處理條件(初期輸入參數值)、及目標參數數與部分探索參數數101,從輸入裝置103交接給中央處理部104(步驟S100)。有關目標參數數與部分探索參數數後述。
其次,中央處理部104是將受理的目標處理結果及被選擇的初期處理條件儲存於資料庫105,且將被選擇的初期處理條件交給裝置控制部110(步驟S101)。
裝置控制部110是將初期處理條件轉送至處理裝置111。或亦可將裝置控制部110所輸出的初期處理條件由使用者輸入至處理裝置111。處理裝置111是按照被輸入的初期處理條件來進行處理,以評價裝置112評價,將取得的處理結果(初期處理結果、初期輸出參數值)輸入至輸入裝置103。中央處理部104是從輸入裝置103交接初期處理結果(步驟S102)。中央處理部104是將初期處理條件及初期處理結果交給收斂判定部113。
收斂判定部113是將初期處理結果與目標處理結果作比較,判定是否在預定的精度內收斂於目標處理結果(步驟S103)。若收斂,則將收斂於目標處理結果的初期處理條件交給輸出裝置114,輸出裝置114作為最適處理條件102輸出(步驟S111)。
輸出參數值(處理結果)的收斂性的判定是可使用以(數學式1)所給予的有關使用的全輸出參數的輸出參數值與目標輸出參數值的誤差的平方和。
另一方面,若未收斂,則繼續處理的命令會從收斂判定部113送往中央處理部104。中央處理部104將初期處理條件送往參數壓縮部106,參數壓縮部106壓縮初期處理條件(步驟S104)。有關參數的壓縮方法是利用具體例後述。然後,中央處理部104在資料庫105中,作成由壓縮完了初期處理條件(壓縮完了初期輸入參數值)及初期處理結果所組成的學習資料(步驟S105)。
其次,中央處理部104是從資料庫105讀進學習資料,送往模型學習部107。模型學習部107是學習將壓縮完了處理條件(壓縮完了輸入參數值)與處理結果(輸出參數值)建立關係的預測模型(步驟S106)。預測模型是可使用人工神經網路、支持向量機、核心法等。學習後的預測模型是交給處理條件探索部108。
其次,處理條件探索部108是使用從模型學習部107交接的預測模型及從資料庫105讀出的對輸入參數的限制條件,探索對於從資料庫105讀出的目標處理結果之處理條件(步驟S107)。由於預測模型是成為處理條件輸入,處理結果輸出,因此為了從處理結果相反地求取處理條件,進行根據隨機搜索法的部分空間探索。有關部分空間探索法是利用具體例後述。處理條件探索部108是將探索後的處理條件(壓縮完了追加輸入參數值)交給參數復原部109。
其次,參數復原部109是將藉由參數壓縮部106所被削除的控制參數的值復原而追加於被交接的處理條件(步驟S108),將復原後的處理條件(追加輸入參數值)交接給裝置控制部110,且經由中央處理部104來儲存至資料庫105。
裝置控制部110是將被交付的處理條件(追加輸入參數值)轉送至處理裝置111。或,亦可將裝置控制部110所輸出的處理條件由使用者輸入至處理裝置111。處理裝置111是按照被輸入的處理條件來進行處理,以評價裝置112評價,將取得的處理結果(追加輸出參數值)輸入至輸入裝置103。中央處理部104是從輸入裝置103交接處理結果(步驟S109)。中央處理部104是將處理條件(追加輸入參數值)及處理結果(追加輸出參數值)交給收斂判定部113。
收斂判定部113是將處理結果(追加輸出參數值(實績值))與目標處理結果(目標輸出參數值)作比較,判定是否在預定的精度內收斂至目標處理結果(步驟S110)。若收斂,則將收斂至目標處理結果的處理條件交給輸出裝置114,輸出裝置114是當作最適處理條件102輸出(步驟S111)。
另一方面,若未收斂,則繼續處理的命令會從收斂判定部113送往中央處理部104,中央處理部104是在資料庫105的學習資料組中追加保存處理條件(追加輸入參數值)與處理結果(追加輸出參數值(實績值))的組合,且交給參數壓縮部106,在參數壓縮部106壓縮學習資料組的處理條件(輸入參數值)(步驟S104)。然後,中央處理部104是藉由在資料庫105作成由壓縮完了處理條件(壓縮完了輸入參數值)及處理結果(輸出參數值)所組成的學習資料,更新學習資料組(步驟S105)。
以下,將參數壓縮(S104)~收斂判定(S110)的推定製程重複至處理結果(實績值)被收斂至目標處理結果為止。如此,自律地探索實現目標處理結果的最適處理條件。
其次,利用圖4A來說明參數壓縮部106的輸入參數的壓縮方法。在圖4A的第1段(最上段)舉例說明處理條件400。就此例而言,輸入參數是S~Y的7個,步驟數是step1~2的2個,因此輸入參數數的合計是形成14。又,樣品數是#1~#3的3個。作為資料壓縮方法,例如可思考以下般的方法A~D。
方法A是全樣品消除未使用或固定值的參數的方法。在圖4A的第2段顯示將方法A適用於處理條件400的壓縮完了處理條件401。此情況,在全樣品,輸入參數T為未使用,輸入參數U為固定值,因此step1,2的輸入參數T,U會被削除,壓縮完了處理條件401的輸入參數數是形成10。削除後的控制參數的值是以參數復原部109可復原的方式保存。
方法B是全樣品的參數值在複數步驟形成相同者之中,以少數個(典型的是1個)作為代表留下,消除重複部分的方法。在圖4A的第3段顯示將方法B適用於處理條件400的壓縮完了處理條件402。此情況,在全樣品中,輸入參數S,V,X是在step1,2為相同,因此重複的step2的輸入參數S,V,X會被削除,壓縮完了處理條件401的輸入參數數是形成11。削除後的參數的值是以參數復原部109可復原的方式,保存比例係數a與切片b。
本實施例的復原方法是如圖4B所示般,針對輸入參數α的輸入參數值v與輸入參數β的輸入參數值w,藉由保存w=av+b的關係,從有關輸入參數α的各樣品的輸入參數值(v1
,v2
,v3
),將有關輸入參數β的各樣品的輸入參數值(w1
,w2
,w3
)復原(樣品數為3個的情況)。圖4B是將復原方法一般化而顯示者,方法B是輸入參數α限定於step1的參數,輸入參數β限定於step2的參數者,成為比例係數a=1,切片b=0。
方法C是以處於比例關係的輸入參數群之中少數個(典型的是1個)作為代表留下,將其他削除的方法。在圖4A的第4段顯示將方法C適用於處理條件400的壓縮完了處理條件403。此情況,相對於step1的輸入參數S(10,20,20),step1的輸入參數V(10,20,20),X(20,40,40),Y(15,30,30)及step2的輸入參數S(10,20,20),V(10,20,20),X(20,40,40)處於正比例關係(切片0),step2的Y(20,30,30)處於比例關係(切片10)。又,相對於step1的輸入參數U(100,100,100),step2的輸入參數U(150,150,150)處於正比例關係。其結果,step1,2的輸入參數V、X、Y及step2的輸入參數S,U會被削除,壓縮完了處理條件403的輸入參數數是形成6。以參數復原部109可復原削除後的參數的值之方式,保存比例係數a與切片b。
方法D是方法C的變形,與無比例關係但具有高的相關(比有相關係數的臨界值更大)的輸入參數群之中少數個(典型的是1個)作為代表留下,將其他削除的方法。在圖4A的第5段顯示將方法D適用於處理條件400的壓縮完了處理條件404。此情況,除在方法C被削除的參數之外,step1的輸入參數W也被削除,壓縮完了處理條件404的輸入參數數是形成5。以參數復原部109可復原削除後的參數的值之方式,保存藉由最小平方法來直線地擬合(fitting)後的比例係數a與切片b。
如此,最初的參數數14是藉由方法A來削減至10,藉由方法B來削減至11,藉由方法C來削減至6,藉由方法D來削減至5。而且,如圖4A的第6段(最下段)所示般,若組合方法A及方法D,則可將參數數削減至2。
在本實施例中,若輸入參數數不為使用者的指定的目標參數數M以下,則實行參數數的削減處理。例如,若輸入資料為單一步驟型,則適用方法A,若為多步驟型,則併用方法A及方法B而適用。在該段階若輸入參數數為M以下,則適用方法C。方法C的適用後也未被削減至目標參數數M以下,則適用方法D。此時,相關係數的臨界值是以適用方法D時的輸入參數數會形成目標參數數M以下的方式自動設定。
若利用壓縮完了處理條件來探索處理條件,則對於被探索的壓縮完了處理條件,按照適用的一連串的參數壓縮方法,依序復原削除後的輸入參數的值。亦即,有關藉由方法A所削除後的輸入參數,只要將被保存的值復原即可,有關藉由方法B~D所削除後的參數,只要利用被保存的比例係數及切片來將代表值復原成原來即可。但,方法D的情況,由於近似進入壓縮,因此參數的復原是成為近似值的復原。
其次,利用圖5來說明有關處理條件探索部108的探索高速化的方法。將進行探索的對象的輸入參數的個數設為M(就圖5的例子而言,輸入參數是X1~X5的5個,因此M=5)。在本實施例中,為了高速地進行探索,不是同時地探索M個的輸入參數,而是只針對少數個(部分探索參數數N,N<M)的輸入參數,以隨機搜索進行探索,有關除此以外的輸入參數((M-N)個)是固定於學習資料之中的最佳樣品的參數的值。就圖5的例子而言,N=2,在剩下的3個的輸入參數是設定最佳樣品的參數的值。在圖5中,在使用最佳樣品的值的輸入參數是附上*來表示。有關N個的輸入參數是設為選擇M個的輸入參數的所有的組合者。因此,針對M
CN
(=M!/(M-N)!N!)種的組合進行探索。就此例而言,5
C2
=10種。
成為探索對象的N個的參數的值是以按照正規分布(另外,設為平均=最佳樣品時的參數的值,分散=全樣品的分散)的隨機數來給予。若將對於選擇的N個的參數之探索試行次數設為S,則每1個參數的探索點數X是XN
=S,因此X=S1/N
,總探索數T是使表示為T=S・M
CN
。
在圖6顯示設為M=40,X=3時的總探索數T與部分探索參數數N的關係。針對全參數以各3水準總體探索時,總探索數是340
≒1019
,但若設為N=4,則總探索數是7×106
程度完了,則可將總探索數縮小12位數。部分探索參數數N的值越大,可取得接近最適解的值的可能性越高,但由計算時間的觀點,最好設為N=4~5程度。另外,如圖6所示般,總探索數是在N=17~39比總體(N=40)的情況更差。這是因為發生重複的探索所致。
藉由此探索法所取得的輸入參數之中(M-N)個是形成與既存的學習資料的最佳樣品的參數的值相同,因此在M=40、N=4時作為進行探索的對象的參數的1成會被設定為新的值。並且,為了提高自律的探索的效率,在探索時處方的候補(追加輸入參數值)是使推定複數候補(典型的是5~10個)。
以下,舉處理裝置111為蝕刻裝置的情況為例進行說明。圖7是本例的輸出參數,各輸出參數是表示加工後的剖面形狀。加工後的剖面形狀是使用電子顯微鏡(評價裝置112)來讀取而取得。就此例而言,使用5個的輸出參數:上部寬度平均值Y1、中間部寬度最小值Y2、中間部寬度最大值Y3、下部寬度平均值Y4、溝深度Y5來記述加工後的剖面形狀。
圖8是被輸入至輸入裝置103的目標輸出參數值的例子,可給予對於圖7所示的5個的輸出參數Y1~Y5的目標值(尺寸)。另外,圖8的目標輸出參數值所示的目標形狀是相當於寬度20nm、深度200nm的垂直溝構造。
圖9是預先被儲存於資料庫105的表示蝕刻裝置111的輸入參數的最大值・最小值的表的摘錄,依照使用的工程師的事前設定或裝置的規格來決定。就此例而言,可設定72個的輸入參數。參數是包含各種氣體的流量、氣體壓力、微波(MW)電力、高頻(RF)電力、溫度、蝕刻時間等。
圖10是1樣品份的初期處理條件(初期處方)的1例。初期處理條件是依照工程師來設定。就此例而言,樣品數全部為16,其中7樣品是4步驟、9樣品是由7步驟所組成的多步驟型的處理條件。如以,在初期處理條件中亦可混在步驟數不同的多步驟的處理條件。此情況,對於4步驟的樣品,藉由將5~7步驟的全參數設為0,可視為7步驟處理。如在圖9說明般,由於每1步驟的輸入參數數是72,因此最終應設定的控制參數合計數是504。
圖11是對於按照圖10所示的初期處理條件來使加工處理進行於蝕刻裝置111而取得的16的樣品,藉由評價裝置112來計測處理結果後的輸出參數值(實績值)。哪個的樣品都未達圖8的目標形狀,但其中的最佳樣品是樣品12。
於是,參數壓縮部106是進行初期處理條件的壓縮。在圖12顯示對於初期處理條件,依序適用參數壓縮方法A~D的結果。作為參數的壓縮處理的目標參數數M是設定40。藉由將方法D的相關係數的臨界值設為0.95,可最終將初期存在的504個的參數削減至40個,約成為92%的削減效果。在圖13顯示削減後的40個的輸入參數。壓縮後的初期處理條件的壓縮完了初期輸入參數值(圖13)與對應的初期處理結果(圖11)的組合(本例因為16樣品,所以16組)會構成初期學習資料。
在圖14顯示藉由處理條件探索部108來探索的10個的處方候補(壓縮完了追加輸入參數值)。在探索中作為部分探索參數數N是設定4。在圖14中斜字體來記載與最佳樣品不同的值,全處方皆各4參數存在以斜字體記載的參數。探索所要時間是在PC(Personal Computer)約1小時半,能以實用的時間探索。
參數復原部109是對於圖14的壓縮完了追加輸入參數值,將被削除的控制參數的值復原,而將由504的參數數所成的處理條件(追加輸入參數值)復原。蝕刻裝置111是按照被輸入的處理條件來進行處理,以評價裝置112評價,取得處理結果(追加輸出參數值)。在圖15顯示對於圖14的10個的處方候補之輸出預測值,供參考。依圖11所示的初期資料,雖改善,但尚未到達圖8的目標形狀。當實績值的處理結果(追加輸出參數值)被判定成未收斂至目標處理結果時,藉由追加按照圖3的流程新取得的10組的處理條件(追加輸入參數值)與處理結果(追加輸出參數值)的組合,更新學習資料組,再度從模型的學習進行。
作為實施例1的變形例,亦可在處理裝置所具有的控制裝置搭載探索裝置的機能。在圖16中顯示具有最適處理條件探索機能的電漿蝕刻裝置的概略圖,作為處理裝置的例子。具備電漿產生用的天線56及使高頻電壓施加於彼的高頻電源51以及第1高頻整合器52。為了在反應器60內導入複數的氣體種類,設有第1流路61、第2流路62。另外,在此是只圖示2系統,但不是特別限定流路數。藉由使在天線56中產生的高頻的交替電磁場作用於被導入的混合氣體,使從反應粒子產生被感應耦合的電漿63。又,裝置是具備基板電壓產生器54及第2高頻整合器53,該等是用以使藉由被產生的電漿63之加工進行。又,具備可監視在加工加工對象的基板(試料)59時產生的電漿的變動之終點判定裝置55,持有將由終點判定裝置55取得的訊號反餽給第1質量流控制器57及第2質量流控制器58的機構。按照終點判定裝置55的訊號,第1質量流控制器57可調整第1流路61的氣體流量,第2質量流控制器58可調整第2流路62的氣體流量。
電漿蝕刻裝置的控制裝置70是控制裝置的高頻電源51、基板電壓產生器54、終點判定裝置55等的電漿產生裝置,對於基板59實施蝕刻處理,且藉由安裝被儲存於探索裝置的ROM117(圖2)之相當於用以實行探索處理的探索程式的處理程式,可實施作為實施例1說明的探索處理。電漿蝕刻裝置的輸入裝置71、輸出裝置72是進行探索處理時,分別實現相當於探索裝置(圖1)的輸入裝置103、輸出裝置114的機能。如此,不是對於處理裝置111獨立設置探索裝置100,可作為處理裝置111的一機能,搭載探索處理,依據探索後的輸入參數值來控制電漿產生裝置,進行蝕刻處理。
實施例2
在實施例1是以包含處理裝置的半導體製造系統為例說明有關本發明,該處理裝置是處理半導體或包含半導體的半導體裝置,但可適用本發明的探索裝置或探索方法者是不限於半導體製造系統。實施例2是說明有關對於具有射出成形機的加工成形系統適用探索裝置或探索方法的例子。另外,有關具有與實施例1實質上相同的機能的構成要素是附上相同的符號省略詳細的說明,以不同的部分為中心進行說明。
圖17是表示加工成形系統的系統構成例的圖。加工成形系統20是具有:探索裝置100、輸入裝置103、輸出裝置114、成形裝置211及計測裝置212。
成形裝置211是將塑膠材料等各種的材料成形的裝置。成形裝置211是以從探索裝置100輸入的處理條件(輸入參數值)為基礎進行材料的成形,被成形的物質是交給計測裝置212。計測裝置212是測定被成形於成形裝置211的物質的尺寸,取得加工形狀資料(輸出參數值)。
在實施例2中也是按照圖3的流程,進行最適處理條件的探索處理。目標處理結果是作為表示成形裝置211所成形的成形品的形狀的目標尺寸(目標輸出參數值)給予。
被輸入至輸入裝置103的使用於目標尺寸的指定的輸出參數是與圖8同樣地,藉由使用複數的參數來記述成形品的形狀而進行。
在資料庫105中預先儲存有表示成形裝置211的輸入參數的最大值・最小值的表。此表是具有與圖9同樣的資料構造,依照成形裝置的規格來決定參數及其最大值、最小值。例如,若成形裝置211的成形為以可塑化、射出、保壓、冷卻的4製程來形成1循環,予以重複進行數循環,則需要針對各製程設定控制參數(輸入參數)。例如,有可塑化製程的汽缸溫度、馬達旋轉數、汽缸壓、射出製程的螺旋速度、保壓製程的樹脂壓力、冷卻製程的金屬模溫度等的控制參數,針對該等定義最大值及最小值。
圖18是1樣品份的初期處理條件(初期處方)的1例。初期處理條件是藉由工程師來設定。就此例而言,循環數是3,1循環的參數數是6,參數合計數全部是18。樣品數全部為10,設定10種的初期處理條件,使處理進行於成形裝置211,藉由計測裝置212來取得表示處理結果的輸出參數值(實績值、初期處理結果)。
與實施例1同樣,對於初期處理條件,依序適用參數壓縮方法A~D,將18的輸入參數壓縮至成為目標參數數M以下為止。例如,目標參數數M=10,取得圖19所示般的壓縮完了初期輸入參數值,以壓縮完了初期輸入參數值與對應的初期處理結果的組合作為初期學習資料,進行預測模型的學習。
此情況,由於壓縮完了初期輸入參數為10,因此亦可以全參數作為對象進行探索,但為了更高速地求取,最好與實施例1同樣,設定部分探索參數數N,進行部分空間探索。
以上,根據實施例說明了本發明。另外,本發明是不被限定於前述的實施例,包含各種的變形例及同等的構成。例如,前述的實施例是為了容易理解本發明而詳細說明者,本發明未必被限定於具備說明的全部的構成者。又,亦可將某實施例的構成的一部分置換成其他的實施例的構成。又,亦可在某實施例的構成中追加其他的實施例的構成。又,亦可針對各實施例的構成的一部分實施其他的構成的追加、削除或置換。
又,前述的各構成、機能、處理部、處理手段等是亦可將該等的一部分或全部,例如藉由積體電路設計等來以硬體實現,或亦可藉由處理器解釋實行各自的機能的程式來以軟體實現。實現各機能的程式、表、檔案等的資訊是可儲存於記憶體、硬碟、SSD(Solid State Drive)等的記憶裝置、或IC(Integrated Circuit)卡、SD卡、DVD(Digital Versatile Disc)的記錄媒體。
又,控制線或資訊線是顯示說明上必要者,不限顯示安裝上必要的所有控制線或資訊線。實際上幾乎全部的構成可想像互相連接。
10:半導體製造系統
20:加工成形系統
51:高頻電源
52:第1高頻整合器
53:第2高頻整合器
54:基板電壓產生器
55:終點判定裝置
56:天線
57:第1質量流控制器
58:第2質量流控制器
59:基板
60:反應器
61:第1流路
62:第2流路
63:電漿
70:控制裝置
71:輸入裝置
72:輸出裝置
100:探索裝置
103:輸入裝置
104:中央處理部
105:資料庫
106:參數壓縮部
107:模型學習部
108:處理條件探索部
109:參數復原部
110:裝置控制部
111:處理裝置
112:評價裝置
113:收斂判定部
114:輸出裝置
115:介面
116:處理器
117:ROM
118:RAM
211:成形裝置
212:計測裝置
[圖1]是表示半導體製造系統的系統構成例的圖。
[圖2]是表示探索裝置的硬體構成的方塊圖。
[圖3]是從目標處理結果決定最適處理條件的流程圖。
[圖4A]是用以說明壓縮輸入參數的方法的圖。
[圖4B]是用以說明輸入參數的復原方法的圖。
[圖5]是用以說明進行部分參數探索的方法的圖。
[圖6]是表示部分探索參數數與總探索次數的關係的圖。
[圖7]是表示輸出參數的意義的圖。
[圖8]是目標輸出值。
[圖9]是輸入參數所被容許的最大值・最小值的圖。
[圖10]是表示初期輸入參數的例子(1樣品份)的圖。
[圖11]是表示對於初期輸入參數的輸出參數值(處理結果)的圖。
[圖12]是表示進行參數壓縮時的參數數的推移的圖。
[圖13]是表示進行參數壓縮後的輸入參數(壓縮完了輸入參數)的圖。
[圖14]是表示探索後的處方候補的值的圖。
[圖15]是表示對於探索後的處方候補的輸出預測值的圖。
[圖16]是具有最適處理條件探索機能的電漿蝕刻裝置的概略圖。
[圖17]是表示加工成形系統的系統構成例的圖。
[圖18]是表示初期輸入參數的例子(1樣品份)的圖。
[圖19]是表示進行參數壓縮後的輸入參數(壓縮完了輸入參數)的圖。
10:半導體製造系統
100:探索裝置
101:目標處理結果,初期處理條件,目標參數數,部分探索參數
102:最適處理條件
103:輸入裝置
104:中央處理部
105:資料庫
106:參數壓縮部
107:模型學習部
108:處理條件探索部
109:參數復原部
110:裝置控制部
111:處理裝置
112:評價裝置
113:收斂判定部
114:輸出裝置
Claims (15)
- 一種探索裝置,係以處理裝置所進行的預定的處理的處理結果會符合目標輸出參數值之方式,探索給予設定於前述處理裝置的複數的控制參數之輸入參數值, 其特徵為具有: 處理器; 記憶體;及 探索程式,其係被儲存於前述記憶體,藉由被實行於前述處理器來探索符合前述目標輸出參數值的前述輸入參數值, 前述探索程式,係具有:參數壓縮部、模型學習部、處理條件探索部、參數復原部及收斂判定部, 前述參數壓縮部,係將第1輸入參數值壓縮成前述參數復原部可復原,產生削減了控制參數數的第1壓縮完了輸入參數值, 前述模型學習部,係藉由學習資料來學習預測模型,該學習資料為:前述第1壓縮完了輸入參數值、及以前述第1輸入參數值作為前述複數的控制參數給予前述處理裝置而取得的處理結果的第1輸出參數值之組合, 前述處理條件探索部,係利用前述預測模型來推定對應於前述目標輸出參數值的第2壓縮完了輸入參數值, 前述參數復原部,係從前述第2壓縮完了輸入參數值追加在前述參數壓縮部削除的控制參數的值而產生第2輸入參數值, 前述收斂判定部,係判定以前述第2輸入參數值作為前述複數的控制參數給予前述處理裝置而取得的處理結果的第2輸出參數值是否收斂於前述目標輸出參數值的預定的範圍內。
- 如請求項1記載的探索裝置,其中,當前述收斂判定部判斷成前述第2輸出參數值未收斂於前述目標輸出參數值的預定的範圍內時,前述探索程式,係將前述第2輸入參數值與前述第2輸出參數值的組合追加於前述第1輸入參數值與前述第1輸出參數值的組合,而進行前述預測模型的更新。
- 如請求項1記載的探索裝置,其中, 前述預定的處理,係包含複數個給予前述複數的控制參數的值為不同的步驟, 前述探索程式,係探索前述複數的步驟的前述複數的控制參數的值,作為前述輸入參數值。
- 如請求項1記載的探索裝置,其中,前述處理條件探索部,係利用前述預測模型來推定複數的前述第2壓縮完了輸入參數值。
- 如請求項1記載的探索裝置,其中,前述參數壓縮部,係以前述第1輸入參數值的控制參數數會形成目標參數數以下的方式,消除前述第1輸入參數值的一部分的控制參數的值。
- 如請求項5記載的探索裝置,其中,前述參數壓縮部,係前述第1輸入參數值之中,消除未使用或成為固定值的控制參數的值,保存削除後的控制參數的值。
- 如請求項5記載的探索裝置,其中,前述參數壓縮部,係前述第1輸入參數值之中,留下第1控制參數的值v,消除第2控制參數的值w,保存w=av+b的係數a與切片b的值。
- 如請求項7記載的探索裝置,其中,前述第2控制參數的值w係與前述第1控制參數的值v成比例、或前述第1控制參數的值v與前述第2控制參數的值w係具有比預定的臨界值更大的相關係數。
- 一種探索裝置,係以處理裝置所進行的預定的處理的處理結果會符合目標輸出參數值之方式,探索給予設定於前述處理裝置的複數的控制參數之輸入參數值, 其特徵為具有: 處理器; 記憶體;及 探索程式,其係被儲存於前述記憶體,藉由被實行於前述處理器來探索符合前述目標輸出參數值的前述輸入參數值, 前述探索程式,係具有:模型學習部、處理條件探索部及收斂判定部, 前述模型學習部,係藉由學習資料來學習預測模型,該學習資料為:第1輸入參數值、及以前述第1輸入參數值作為前述複數的控制參數給予前述處理裝置而取得的處理結果的第1輸出參數值之組合, 前述處理條件探索部,係利用前述預測模型來推定對應於前述目標輸出參數值的第2輸入參數值, 前述收斂判定部,係判定以前述第2輸入參數值作為前述複數的控制參數給予前述處理裝置而取得的處理結果的第2輸出參數值是否收斂於前述目標輸出參數值的預定的範圍內, 前述處理條件探索部,係使前述第1輸出參數值的一部分的控制參數的值變化,將其他的控制參數的值固定於前述學習資料的預定的控制參數的值而探索近似解。
- 如請求項9記載的探索裝置,其中,前述處理條件探索部,係將前述其他的控制參數的值固定成前述學習資料之中給予最適解的學習資料的控制參數的值。
- 一種探索程式,係以處理裝置所進行的預定的處理的處理結果會符合目標輸出參數值之方式,探索給予設定於前述處理裝置的複數的控制參數之輸入參數值, 其特徵為具有: 第1步驟,其係可復原地壓縮第1輸入參數值,產生削減了控制參數數的第1壓縮完了輸入參數值; 第2步驟,其係藉由學習資料來學習預測模型,該學習資料為:前述第1壓縮完了輸入參數值、及以前述第1輸入參數值作為前述複數的控制參數給予前述處理裝置而取得的處理結果的第1輸出參數值之組合; 第3步驟,其係利用前述預測模型來推定對應於前述目標輸出參數值的第2壓縮完了輸入參數值; 第4步驟,其係從前述第2壓縮完了輸入參數值追加在前述第1步驟削除的控制參數的值而產生第2輸入參數值; 第5步驟,其係判定以前述第2輸入參數值作為前述複數的控制參數給予前述處理裝置而取得的處理結果的第2輸出參數值是否收斂於前述目標輸出參數值的預定的範圍內。
- 如請求項11記載的探索程式,其中,在前述第5步驟中,當判斷成前述第2輸出參數值未收斂於前述目標輸出參數值的預定的範圍內時,將前述第2輸入參數值與前述第2輸出參數值的組合追加於前述第1輸入參數值與前述第1輸出參數值的組合,而進行前述預測模型的更新。
- 如請求項11記載的探索程式,其中,以在前述第1步驟中前述第1輸入參數值的控制參數數會形成目標參數數以下的方式,消除前述第1輸入參數值的一部分的控制參數的值。
- 如請求項11記載的探索程式,其中,在前述第3步驟中使前述第1壓縮完了輸出參數值的一部分的控制參數的值變化,將其他的控制參數的值固定成前述學習資料之中給予最適解的學習資料的控制參數的值,而探索近似解。
- 一種電漿處理裝置,係使用電漿來電漿處理試料,其特徵係具有: 處理室; 電漿產生裝置,其係使電漿產生於前述處理室內;及 控制裝置,其係控制前述電漿產生裝置,使實行請求項11記載的探索程式,探索給予符合前述目標輸出參數值的設定於前述電漿處理裝置的前述複數的控制參數之輸入參數值,依據探索後的輸入參數值來進行被載置於前述處理室內的前述試料的電漿處理。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2019/047126 WO2021111511A1 (ja) | 2019-12-03 | 2019-12-03 | 探索装置、探索プログラム及びプラズマ処理装置 |
WOPCT/JP2019/047126 | 2019-12-03 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202137267A TW202137267A (zh) | 2021-10-01 |
TWI782360B true TWI782360B (zh) | 2022-11-01 |
Family
ID=76221499
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW109142567A TWI782360B (zh) | 2019-12-03 | 2020-12-03 | 探索裝置、探索程式及電漿處理裝置 |
Country Status (6)
Country | Link |
---|---|
US (1) | US11747774B2 (zh) |
JP (1) | JP7148644B2 (zh) |
KR (1) | KR102531077B1 (zh) |
CN (1) | CN113287123A (zh) |
TW (1) | TWI782360B (zh) |
WO (1) | WO2021111511A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20230012173A1 (en) * | 2021-07-08 | 2023-01-12 | Hitachi High-Tech Corporation | Process recipe search apparatus, etching recipe search method and semiconductor device manufacturing system |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040076944A1 (en) * | 2002-08-22 | 2004-04-22 | Ibex Process Technology, Inc. | Supervised learning in the presence of null data |
JP2012074007A (ja) * | 2010-08-31 | 2012-04-12 | Fuji Electric Co Ltd | プラントの運転条件最適化システム、プラントの運転条件最適化方法、プラントの運転条件最適化プログラム |
TW201245918A (en) * | 2011-03-28 | 2012-11-16 | Tokyo Electron Ltd | Adaptive recipe selector |
WO2016000035A1 (en) * | 2014-06-30 | 2016-01-07 | Evolving Machine Intelligence Pty Ltd | A system and method for modelling system behaviour |
US20190051502A1 (en) * | 2017-08-08 | 2019-02-14 | Hitachi High-Technologies Corporation | Plasma processing apparatus and plasma processing system |
TW201939364A (zh) * | 2018-03-14 | 2019-10-01 | 日商日立全球先端科技股份有限公司 | 探索裝置、探索方法及電漿處理裝置 |
Family Cites Families (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR920002268A (ko) | 1990-07-17 | 1992-02-28 | 유끼노리 가까즈 | 인텔리젠트가공장치 |
JPH10301979A (ja) | 1997-04-30 | 1998-11-13 | Oki Electric Ind Co Ltd | モデルパラメータ抽出方法およびモデルパラメータ抽出装置 |
JP3086794B2 (ja) | 1997-09-19 | 2000-09-11 | 豊田工機株式会社 | 数値制御研削盤 |
JP4215454B2 (ja) | 2001-07-12 | 2009-01-28 | 株式会社日立製作所 | 試料の凹凸判定方法、及び荷電粒子線装置 |
US6941301B2 (en) | 2002-01-18 | 2005-09-06 | Pavilion Technologies, Inc. | Pre-processing input data with outlier values for a support vector machine |
US6844582B2 (en) * | 2002-05-10 | 2005-01-18 | Matsushita Electric Industrial Co., Ltd. | Semiconductor device and learning method thereof |
AU2003290932A1 (en) | 2002-11-15 | 2004-06-15 | Applied Materials, Inc. | Method, system and medium for controlling manufacture process having multivariate input parameters |
JP4175296B2 (ja) * | 2004-06-25 | 2008-11-05 | キャタピラージャパン株式会社 | 建設機械のデータ処理装置及び建設機械のデータ処理方法 |
JP4868171B2 (ja) * | 2005-12-27 | 2012-02-01 | 日本電気株式会社 | データ圧縮方法及び装置、データ復元方法及び装置ならびにプログラム |
US20080279434A1 (en) | 2007-05-11 | 2008-11-13 | William Cassill | Method and system for automated modeling |
US8396582B2 (en) | 2008-03-08 | 2013-03-12 | Tokyo Electron Limited | Method and apparatus for self-learning and self-improving a semiconductor manufacturing tool |
US8190543B2 (en) | 2008-03-08 | 2012-05-29 | Tokyo Electron Limited | Autonomous biologically based learning tool |
KR101571994B1 (ko) * | 2012-04-02 | 2015-11-25 | 미쓰비시덴키 가부시키가이샤 | 파라미터 설정 장치 |
TWI549007B (zh) | 2013-02-07 | 2016-09-11 | 先知科技股份有限公司 | 製程參數的搜尋與分析方法及其電腦程式產品 |
US9396443B2 (en) | 2013-12-05 | 2016-07-19 | Tokyo Electron Limited | System and method for learning and/or optimizing manufacturing processes |
JP6101650B2 (ja) * | 2014-02-27 | 2017-03-22 | 日本電信電話株式会社 | システムパラメタ学習装置、情報処理装置、方法、及びプログラム |
JP6187977B2 (ja) * | 2014-06-20 | 2017-08-30 | 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International Business Machines Corporation | 解析装置、解析方法及びプログラム |
US9711327B2 (en) | 2015-07-16 | 2017-07-18 | Applied Materials Israel, Ltd. | Method and system for optimizing configurable parameters of inspection tools |
JP2017102619A (ja) | 2015-11-30 | 2017-06-08 | オムロン株式会社 | 制御パラメータ調整装置、制御パラメータ調整方法、制御パラメータ調整プログラム |
JP6650786B2 (ja) | 2016-03-03 | 2020-02-19 | 三菱日立パワーシステムズ株式会社 | 制御パラメータ自動調整装置、制御パラメータ自動調整方法、及び制御パラメータ自動調整装置ネットワーク |
JP6778666B2 (ja) | 2017-08-24 | 2020-11-04 | 株式会社日立製作所 | 探索装置及び探索方法 |
JP6883787B2 (ja) | 2017-09-06 | 2021-06-09 | パナソニックIpマネジメント株式会社 | 学習装置、学習方法、学習プログラム、推定装置、推定方法、及び推定プログラム |
JP6974712B2 (ja) | 2017-10-24 | 2021-12-01 | 富士通株式会社 | 探索方法、探索装置および探索プログラム |
US10922696B2 (en) * | 2017-11-14 | 2021-02-16 | Sap Se | Smart agent services using machine learning technology |
JP7137943B2 (ja) * | 2018-03-20 | 2022-09-15 | 株式会社日立ハイテク | 探索装置、探索方法及びプラズマ処理装置 |
-
2019
- 2019-12-03 CN CN201980048551.6A patent/CN113287123A/zh active Pending
- 2019-12-03 JP JP2020568572A patent/JP7148644B2/ja active Active
- 2019-12-03 WO PCT/JP2019/047126 patent/WO2021111511A1/ja active Application Filing
- 2019-12-03 KR KR1020217001392A patent/KR102531077B1/ko active IP Right Grant
- 2019-12-03 US US17/272,479 patent/US11747774B2/en active Active
-
2020
- 2020-12-03 TW TW109142567A patent/TWI782360B/zh active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040076944A1 (en) * | 2002-08-22 | 2004-04-22 | Ibex Process Technology, Inc. | Supervised learning in the presence of null data |
JP2012074007A (ja) * | 2010-08-31 | 2012-04-12 | Fuji Electric Co Ltd | プラントの運転条件最適化システム、プラントの運転条件最適化方法、プラントの運転条件最適化プログラム |
TW201245918A (en) * | 2011-03-28 | 2012-11-16 | Tokyo Electron Ltd | Adaptive recipe selector |
WO2016000035A1 (en) * | 2014-06-30 | 2016-01-07 | Evolving Machine Intelligence Pty Ltd | A system and method for modelling system behaviour |
US20190051502A1 (en) * | 2017-08-08 | 2019-02-14 | Hitachi High-Technologies Corporation | Plasma processing apparatus and plasma processing system |
TW201939364A (zh) * | 2018-03-14 | 2019-10-01 | 日商日立全球先端科技股份有限公司 | 探索裝置、探索方法及電漿處理裝置 |
Also Published As
Publication number | Publication date |
---|---|
WO2021111511A1 (ja) | 2021-06-10 |
TW202137267A (zh) | 2021-10-01 |
JP7148644B2 (ja) | 2022-10-05 |
KR102531077B1 (ko) | 2023-05-09 |
US20220291646A1 (en) | 2022-09-15 |
US11747774B2 (en) | 2023-09-05 |
JPWO2021111511A1 (ja) | 2021-12-02 |
CN113287123A (zh) | 2021-08-20 |
KR20210071935A (ko) | 2021-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7121506B2 (ja) | 探索装置、探索方法及びプラズマ処理装置 | |
KR102039394B1 (ko) | 탐색 장치 및 탐색 방법 | |
Aich et al. | Modeling of EDM responses by support vector machine regression with parameters selected by particle swarm optimization | |
JP4472637B2 (ja) | 電気的製造制御に対する確率制約最適化 | |
US8050900B2 (en) | System and method for using first-principles simulation to provide virtual sensors that facilitate a semiconductor manufacturing process | |
US20050071038A1 (en) | System and method for using first-principles simulation to control a semiconductor manufacturing process | |
JP2023511122A (ja) | 半導体製造プロセスのための性能予測子 | |
US20050071037A1 (en) | System and method for using first-principles simulation to analyze a process performed by a semiconductor processing tool | |
JP2003108972A (ja) | 最適フィッティングパラメータ決定方法および装置、並びに最適フィッティングパラメータ決定プログラム | |
WO2005036591A2 (en) | System and method for using first-principles simulation to facilitate a semiconductor manufacturing process | |
TWI782360B (zh) | 探索裝置、探索程式及電漿處理裝置 | |
CN111024484A (zh) | 纤维增强复合材料随机力学性能预测方法 | |
JP5163472B2 (ja) | パラメタ空間を分割してモデル化する設計支援装置、方法、及びプログラム | |
JP2003288579A (ja) | 最適フィッティングパラメータ決定方法および装置、並びに最適フィッティングパラメータ決定プログラム | |
CN111144569A (zh) | 一种基于遗传算法的良率提升适用模型的优化方法 | |
Lang et al. | Modeling and optimizing the impact of process and equipment parameters in sputtering deposition systems using a Gaussian process machine learning framework | |
JP6754878B2 (ja) | 探索装置および探索方法 | |
CN111611761B (zh) | 生成电路版图图案的方法、设备和计算机可读存储介质 | |
CN115812207A (zh) | 产生半导体制造设备的数字孪生体 | |
JP3139867B2 (ja) | 半導体生産システム | |
TWI734390B (zh) | 自資料集中提取特徵 | |
Wang et al. | A Robust and Efficient Probabilistic Approach for Challenging Industrial Applications with High-dimensional and Non-monotonic Design Spaces | |
Hassan et al. | Optimisation of inspection stations by using simulated annealing | |
CN117787390A (zh) | 存储介质、流程生成方法和信息处理设备 | |
Cucina et al. | Meta-heuristic Methods for Outliers Detection in Multivariate Time Series |