TWI829807B - 製造製程之假想測定裝置、假想測定方法及假想測定程式 - Google Patents
製造製程之假想測定裝置、假想測定方法及假想測定程式 Download PDFInfo
- Publication number
- TWI829807B TWI829807B TW108141756A TW108141756A TWI829807B TW I829807 B TWI829807 B TW I829807B TW 108141756 A TW108141756 A TW 108141756A TW 108141756 A TW108141756 A TW 108141756A TW I829807 B TWI829807 B TW I829807B
- Authority
- TW
- Taiwan
- Prior art keywords
- processing
- unit
- time series
- data
- mentioned
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 74
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 65
- 238000000691 measurement method Methods 0.000 title claims 2
- 238000005259 measurement Methods 0.000 title description 23
- 238000012545 processing Methods 0.000 claims abstract description 248
- 238000007689 inspection Methods 0.000 claims abstract description 42
- 238000011176 pooling Methods 0.000 claims description 48
- 238000010801 machine learning Methods 0.000 claims description 37
- 238000004458 analytical method Methods 0.000 claims description 18
- 238000000295 emission spectrum Methods 0.000 claims description 18
- 239000000758 substrate Substances 0.000 claims description 7
- 230000015572 biosynthetic process Effects 0.000 claims description 4
- 238000003786 synthesis reaction Methods 0.000 claims description 4
- 239000002131 composite material Substances 0.000 claims 3
- 238000004148 unit process Methods 0.000 claims 2
- 235000012431 wafers Nutrition 0.000 description 79
- 238000001636 atomic emission spectroscopy Methods 0.000 description 57
- 238000010586 diagram Methods 0.000 description 45
- 239000004065 semiconductor Substances 0.000 description 22
- 230000006870 function Effects 0.000 description 14
- 238000010606 normalization Methods 0.000 description 10
- 238000011156 evaluation Methods 0.000 description 9
- 230000015654 memory Effects 0.000 description 8
- 230000004913 activation Effects 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 7
- 238000007781 pre-processing Methods 0.000 description 6
- 238000013500 data storage Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000004020 luminiscence type Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000002194 synthesizing effect Effects 0.000 description 2
- 241000605059 Bacteroidetes Species 0.000 description 1
- 238000012993 chemical processing Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
-
- 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
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
- G01B11/06—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material
- G01B11/0616—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material of coating
- G01B11/0658—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material of coating with measurement of emissivity or reradiation
-
- 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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
-
- 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
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of 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
-
- 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
- H01L21/67276—Production flow monitoring, e.g. for increasing throughput
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
- G01B11/06—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material
- G01B11/0616—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material of coating
- G01B11/0625—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material of coating with measurement of absorption or reflection
- G01B11/0633—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material of coating with measurement of absorption or reflection using one or more discrete wavelengths
-
- 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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/4155—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by programme execution, i.e. part programme or machine function execution, e.g. selection of a programme
-
- 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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/4183—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by data acquisition, e.g. workpiece identification
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/45—Nc applications
- G05B2219/45031—Manufacturing semiconductor wafers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Automation & Control Theory (AREA)
- Manufacturing & Machinery (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Power Engineering (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Quality & Reliability (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- General Factory Administration (AREA)
- Human Computer Interaction (AREA)
Abstract
本發明提供一種可執行高精度之假想測定處理之假想測定裝置、假想測定方法及假想測定程式。假想測定裝置具有:獲取部,其獲取於製造製程之特定處理單元中進行對象物之處理過程中所測得之時間序列資料群;及學習部,其以藉由使用複數個網路部處理所獲取之上述時間序列資料群而輸出之各輸出資料之合成結果接近在上述製造製程之上述特定處理單元中處理上述對象物時之結果物之檢查資料的方式,使上述複數個網路部進行機械學習。
Description
本發明係關於一種假想測定裝置、假想測定方法及假想測定程式。
先前以來,於各種製造製程(例如,半導體製造製程)之領域中,假想測定技術(VM:Virtual Metrology)之運用不斷發展。所謂假想測定技術係根據於各種製造製程中對象物(例如晶圓)之處理中所測得之測定資料(複數種時間序列資料之資料集,以下稱為時間序列資料群)推測結果物之檢查資料之技術。
只要可使用該技術對所有對象物執行高精度之假想測定處理,便可實現結果物之假想之全數檢查。
[專利文獻1]日本專利特開2009-282960號公報
[專利文獻2]日本專利特開2010-267242號公報
本發明提供一種可執行高精度之假想測定處理之假想測定裝置、假想測定方法及假想測定程式。
本發明之一態樣之假想測定裝置例如具有如下構成。即,具有:獲取部,其獲取於製造製程之特定處理單元中進行對象物之處理過程中所測得之時間序列資料群;及學習部,其以藉由使用複數個網路部處理所獲取之上述時間序列資料群而輸出之各輸出資料之合成結果接近在上述製造製程之上述特定處理單元中處理上述對象物時之結果物之檢查資料的方式,使上述複數個網路部進行機械學習。
根據本發明,能夠提供一種可執行高精度之假想測定處理之假想測定裝置、假想測定方法及假想測定程式。
100:系統
110:處理前晶圓
120:處理單元
130:處理後晶圓
140_1~140_n:時間序列資料獲取裝置
150:檢查資料獲取裝置
160:假想測定裝置
161:學習部
162:推論部
163:學習用資料存儲部
200:半導體製造裝置
501:CPU
502:ROM
503:RAM
504:GPU
505:輔助記憶裝置
506:顯示裝置
507:操作裝置
508:I/F裝置
509:驅動裝置
510:匯流排
520記錄媒體
610:分支部
620_1:第1網路部
620_11~620_1N:第1層~第N層
620_2:第2網路部
620_21~620_2N:第1層~第N層
620_3:第3網路部
620_31~620_3N:第1層~第N層
620_4:第4網路部
620_41~620_4N:第1層~第N層
620_5:第5網路部
620_51~620_5N:第1層~第N層
620_6:第6網路部
620_61~620_6N:第1層~第N層
620_7:第7網路部
620_71~620_7N:第1層~第N層
620_8:第8網路部
620_81~620_8N:第1層~第N層
620_M:第M網路部
620_M1~620_MN:第1層~第N層
630:連結部
640:比較部
1001:標準化部
1002:卷積部
1003:活性化函數部
1004:池化部
1011:標準化部
1012:卷積部
1013:活性化函數部
1014:池化部
1210:分支部
1220_1:第1網路部
1220_11~1220_1N:第1層~第N層
1220_2:第2網路部
1220_21~1220_2N:第1層~第N層
1220_M:第M網路部
1220_M1~1220_MN:第1層~第N層
1230:連結部
1240:連結部
1250:比較部
1401:發射光譜分析裝置
1510:圖表
1520:OES資料
1610:標準化OES資料
1620:標準化OES資料
1911_1~1911_m:特徵資料
1912_1~1912_m:特徵資料
1921_1:輸出資料
1922_1:輸出資料
1931_1~1931_m:特徵資料
1932_1~1932_m:特徵資料
1941_1:輸出資料
1942_1:輸出資料
2100_1:輸出資料
2101_1:輸出資料
2010_1:輸出資料
2011_1:輸出資料
2310:評價值
2320:評價值
圖1係表示包含半導體製造製程與假想測定裝置之系統之整體構成之一例的圖。
圖2係表示半導體製造製程之特定處理單元之一例之第1圖。
圖3係表示半導體製造製程之特定處理單元之一例之第2圖。
圖4係表示所獲取之時間序列資料群之一例之圖。
圖5係表示假想測定裝置之硬體構成之一例之圖。
圖6係表示學習部之功能構成之一例之圖。
圖7係表示分支部之處理之具體例之第1圖。
圖8係表示分支部之處理之具體例之第2圖。
圖9係表示分支部之處理之具體例之第3圖。
圖10係表示各網路部所包含之標準化部之處理之具體例的圖。
圖11係表示分支部之處理之具體例之第4圖。
圖12係表示推論部之功能構成之一例之圖。
圖13係表示藉由假想測定裝置進行之假想測定處理之流程之流程圖。
圖14係表示時間序列資料獲取裝置為發射光譜分析裝置之包含半導體製造製程與假想測定裝置的系統之整體構成之一例之圖。
圖15係表示所獲取之OES資料之一例之圖。
圖16係表示被輸入OES資料之各網路部所包含之標準化部之處理之具體例的圖。
圖17係表示各標準化部之處理之具體例之圖。
圖18係表示池化部之處理之具體例之圖。
圖19係表示第5網路部之最終層所包含之池化部之處理之另一具體例的圖。
圖20係表示第6網路部之最終層所包含之池化部之處理之另一具體例的圖。
圖21係用以說明藉由推論部獲得之推論結果之精度之第1圖。
圖22係用以說明藉由推論部獲得之推論結果之精度之第2圖。
以下,一面參照隨附圖式一面對各實施形態進行說明。再者,於本說明書及圖式中,對實質上具有相同功能構成之構成要素標註相同符號,藉此省略重複說明。
首先,對包含製造製程(此處為半導體製造製程)與假想測定裝置之系統之整體構成進行說明。圖1係表示包含半導體製造製程與假想測定裝置之系統100之整體構成之一例的圖。如圖1所示,系統100具有半導體製造製程、時間序列資料獲取裝置140_1~140_n、檢查資料獲取裝置150及假想測定裝置160。
於半導體製造製程中,於特定處理單元120中,處理對象物(處理前晶圓110)並產生結果物(處理後晶圓130)。再者,此處所謂處理單元120係抽象概念,詳情後述。又,所謂處理前晶圓110係指於處理單元120中進行處理前之晶圓(基板),所謂處理後晶圓130係指於處理單元120中進行處理後之晶圓(基板)。
時間序列資料獲取裝置140_1~140_n分別對在處理單元120中進行處理過程中之處理前晶圓110進行測定並獲取時間序列資料。時間序列資料獲取裝置140_1~140_n係對互不相同之種類之測定項目進行測定者。
再者,時間序列資料獲取裝置140_1~140_n各自所測定之測定項目之數量可為1個,亦可為複數個。
藉由時間序列資料獲取裝置140_1~140_n獲取之時間序列資料群作為學習用資料(輸入資料)存儲至假想測定裝置160之學習用資料存儲部163。
檢查資料獲取裝置150檢查於處理單元120中進行處理後之處理後晶圓130之特定檢查項目(例如ER(Etch Rate,蝕刻速率))並獲取檢查資料。藉由檢查資料獲取裝置150獲取之檢查資料作為學習用資料(指導資料)存儲至假想測定裝置160之學習用資料存儲部163。
於假想測定裝置160中安裝有假想測定程式,假想測定裝置160藉由執行該程式而作為學習部161及推論部162發揮功能。
學習部161使用由時間序列資料獲取裝置140_1~140_n所獲取之時間序列資料群及由檢查資料獲取裝置150所獲取之檢查資料進行機械學習。具體而言,以藉由使用學習部161所具有之複數個網路部處理時間序列資料群而輸出之各輸出資料之合成結果接近檢查資料的方式,使該複數個網路部進行機械學習。
推論部162將時間序列資料群輸入至進行了機械學習之複數個網路部中,該時間序列資料群係藉由對在處理單元120中進行處理過程中之新的
對象物(處理前晶圓)進行測定而獲取。藉此,推論部162對處理過程中之新的處理前晶圓推論處理後晶圓之檢查資料,並將其作為假想測定資料輸出。
如此一來,製成使用複數個網路部處理於半導體製造製程之特定處理單元120中進行對象物之處理過程中所測得之時間序列資料群之構成,藉此可多方面地解析特定處理單元。其結果,與使用1個網路部進行處理之構成相比,可產生實現較高之推論精度之模型(推論部162)。
其次,對半導體製造製程之特定處理單元120進行說明。圖2係表示半導體製造製程之特定處理單元之一例之第1圖。如圖2所示,作為基板處理裝置之一例之半導體製造裝置200具有複數個腔室(複數個處理空間之一例;於圖2之例中為“腔室A”~“腔室C”),於各腔室中處理晶圓。
其中,2a表示將複數個腔室定義為處理單元120之情形。於該情形時,所謂處理前晶圓110係指於腔室A中進行處理前之晶圓,所謂處理後晶圓130係指於腔室C中進行處理後之晶圓。
又,於2a之處理單元120中進行處理前晶圓110之處理過程中所測定之時間序列資料群中包含:‧於腔室A(第1處理空間)中進行處理過程中所測定之時間序列資料群;
‧於腔室B(第2處理空間)中進行處理過程中所測定之時間序列資料群;‧於腔室C(第3處理空間)中進行處理過程中所測定之時間序列資料群。
另一方面,2b表示將1個腔室(於2b之例中為“腔室B”)定義為處理單元120之情形。於該情形時,所謂處理前晶圓110係指於腔室B中進行處理前之晶圓(於腔室A中進行處理後之晶圓),所謂處理後晶圓130係指於腔室B中進行處理後之晶圓(於腔室C中進行處理前之晶圓)。
又,於2b之處理單元120中進行處理前晶圓110之處理過程中所測定之時間序列資料群中,包含在腔室B中進行處理前晶圓110之處理過程中所測定之時間序列資料群。
圖3係表示半導體製造製程之特定處理單元之一例之第2圖。與圖2相同,半導體製造裝置200具有複數個腔室,於各腔室中處理晶圓。
其中,3a表示將腔室B之處理內容中之除預處理及後處理以外之處理(稱為“晶圓處理”)定義為處理單元120之情形。於該情形時,所謂處理前晶圓110係指進行晶圓處理前之晶圓(進行預處理後之晶圓),所謂處理後晶圓130係指進行晶圓處理後之晶圓(進行後處理前之晶圓)。
又,於3a之處理單元120中進行處理前晶圓110之處理過程中所測定
之時間序列資料群中,包含在腔室B中進行處理前晶圓110之晶圓處理過程中所測定之時間序列資料群。
另一方面,3b表示將腔室B之處理內容中之晶圓處理所包含之1個程序(於3b之例中為“程序III”)之處理定義為處理單元120之情形。於該情形時,所謂處理前晶圓110係指進行程序III之處理前之晶圓(進行程序II之處理後之晶圓),所謂處理後晶圓130係指進行程序III之處理後之晶圓(進行程序IV之處理前之晶圓)。
又,於3a之處理單元120中進行處理前晶圓110之處理過程中所測定之時間序列資料群中,包含在腔室B中對處理前晶圓110進行程序III之晶圓處理過程中所測定之時間序列資料群。
其次,對在時間序列資料獲取裝置140_1~140_n中獲取之時間序列資料群之具體例進行說明。圖4係表示所獲取之時間序列資料群之一例之圖。再者,於圖4之例中,為了簡化說明,設為時間序列資料獲取裝置140_1~140_n分別測定一維資料,但亦可1個時間序列資料獲取裝置測定二維資料(兩種一維資料之資料集)。
其中,4a表示以2b、3a、3b之任一者定義處理單元120之情形時之時間序列資料群。於該情形時,時間序列資料獲取裝置140_1~140_n分別獲取於腔室B中進行處理過程中所測得之時間序列資料。又,時間序列資
料獲取裝置140_1~140_n相互獲取同一時段所測得之時間序列資料作為時間序列資料群。
另一方面,4b表示以2a定義處理單元120之情形時之時間序列資料群。於該情形時,時間序列資料獲取裝置140_1~140_3例如獲取於腔室A中進行晶圓之處理過程中所測得之時間序列資料群1。又,時間序列資料獲取裝置140_n-2例如獲取於腔室B中進行該晶圓之處理過程中所測得之時間序列資料群2。又,時間序列資料獲取裝置140_n-1~140_n例如獲取於腔室C中進行該晶圓之處理過程中所測得之時間序列資料群3。
其次,對假想測定裝置160之硬體構成進行說明。圖5係表示假想測定裝置之硬體構成之一例之圖。如圖5所示,假想測定裝置160具有CPU(Central Processing Unit,中央處理單元)501、ROM(Read Only Memory,唯讀記憶體)502、及RAM(Random Access Memory,隨機存取記憶體)503。又,假想測定裝置160具有GPU(Graphics Processing Unit,圖形處理單元)504。再者,CPU501、GPU504等處理器(處理電路、Processing Circuit、Processing Circuitry)與ROM502、RAM503等記憶體形成所謂電腦。
進而,假想測定裝置160具有輔助記憶裝置505、顯示裝置506、操作裝置507、I/F(Interface,介面)裝置508、及驅動裝置509。再者,假想測定裝置160之各硬體經由匯流排510相互連接。
CPU501係執行安裝於輔助記憶裝置505之各種程式(例如假想測定程式等)之運算元件。
ROM502係非揮發性記憶體,作為主記憶裝置發揮功能。ROM502存儲CPU501執行輔助記憶裝置505中所安裝之各種程式所需之各種程式、資料等。具體而言,ROM502存儲BIOS(Basic Input/Output System,基本輸入/輸出系統)或EFI(Extensible Firmware Interface,可延伸韌體介面)等啟動程式等。
RAM503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功能。RAM503提供藉由CPU501執行輔助記憶裝置505中所安裝之各種程式時所展開之作業區域。
GPU504係圖像處理用運算元件,於藉由CPU501執行假想測定程式時,對各種圖像資料進行藉由並行處理實現之高速運算。再者,GPU504搭載有內部記憶體(GPU記憶體),從而暫時保存對各種圖像資料進行並行處理時所需之資訊。
輔助記憶裝置505存儲各種程式或藉由CPU501執行各種程式時所使用之各種資料等。
顯示裝置506係顯示假想測定裝置160之內部狀態之顯示元件。操作裝置507係假想測定裝置160之管理者對假想測定裝置160輸入各種指示時所使用之輸入元件。I/F裝置508係用以與未圖示之網路連接而進行通信之連接元件。
驅動裝置509係用以設置記錄媒體520之元件。此處所謂記錄媒體520中包括如CD-ROM(compact disc read only memory,唯讀光碟)、軟碟、磁光碟等般光學、電性或磁性地記錄資訊之媒體。又,記錄媒體520中亦可包括如ROM、快閃記憶體等般電性地記錄資訊之半導體記憶體等。
再者,輔助記憶裝置505中所安裝之各種程式例如藉由將所分配之記錄媒體520設置於驅動裝置509並利用驅動裝置509讀出記錄於該記錄媒體520之各種程式而安裝。或者,輔助記憶裝置505中所安裝之各種程式亦可藉由經由網路下載而安裝。
其次,對學習部161之功能構成進行說明。圖6係表示學習部之功能構成之一例之圖。學習部161具有分支部610、第1網路部620_1~第M網路部620_M、連結部630及比較部640。
分支部610係獲取部之一例,自學習用資料存儲部163讀出時間序列資料群。又,分支部610以使用第1網路部620_1至第M網路部620_M之複
數個網路部處理所讀出之時間序列資料群之方式處理該時間序列資料群。
第1網路部620_1~第M網路部620_M以卷積神經網路(CNN:Convolutional Neural Network)為基礎而構成,具有複數層。
具體而言,第1網路部620_1具有第1層620_11~第N層620_1N。同樣地,第2網路部620_2具有第1層620_21~第N層620_2N。以下,第M網路部620_M具備同樣之構成而具有第1層620_M1~第N層620_MN。
於第1網路部620_1之第1層620_11~第N層620_1N之各層中,進行標準化處理、或卷積處理、活性化處理、池化處理等各種處理。又,於第2網路部620_2~第M網路部620_M之各層中,亦進行同樣之各種處理。
連結部630將自第1網路部620_1之第N層620_1N輸出之輸出資料至自第M網路部620_M之第N層620_MN輸出之輸出資料之各輸出資料合成,並將合成結果輸出至比較部640。
比較部640將自連結部630輸出之合成結果與自學習用資料存儲部163讀出之檢查資料(指導資料)進行比較,並算出誤差。於學習部161中,以藉由比較部640算出之誤差滿足特定條件之方式,使第1網路部620_1~第M網路部620_M及連結部630進行機械學習。
藉此,將第1網路部620_1~第M網路部620_M之第1層~第N層各自
之模型參數及連結部630之模型參數最佳化。
其次,列舉具體例對學習部161之各部分之處理之詳細情況進行說明。
首先,對分支部610之處理之詳細情況進行說明。圖7係表示分支部之處理之具體例之第1圖。於圖7之情形時,分支部610根據第1基準對藉由時間序列資料獲取裝置140_1~140_n測得之時間序列資料群進行加工,藉此產生時間序列資料群1(第1時間序列資料群),並將其輸入至第1網路部620_1。
又,分支部610根據第2基準對藉由時間序列資料獲取裝置140_1~140_n測得之時間序列資料群進行加工,藉此產生時間序列資料群2(第2時間序列資料群),並將其輸入至第2網路部620_2。
以此方式,製成根據不同基準對時間序列資料群進行加工並分別分給不同網路部進行處理之構成後,進行機械學習,藉此可多方面地解析處理單元120。其結果,與製成使用1個網路部處理時間序列資料群之構成之情形相比,可產生實現較高之推論精度之模型(推論部162)。
其次,對分支部610之另一處理之詳細情況進行說明。圖8係表示分支部之處理之具體例之第2圖。於圖8之情形時,分支部610根據資料種類將藉由時間序列資料獲取裝置140_1~140_n測得之時間序列資料群分組,藉此產生時間序列資料群1(第1時間序列資料群)與時間序列資料群2(第2時間序列資料群)。又,分支部610將所產生之時間序列資料群1輸入至第3網路部620_3,並將所產生之時間序列資料群2輸入至第4網路部620_4。
以此方式,製成根據資料種類將時間序列資料群分為複數組並使用不同網路部進行處理之構成後,進行機械學習,藉此可多方面地解析處理單元120。其結果,與將時間序列資料群輸入至1個網路部而進行機械學習之情形相比,可產生實現較高之推論精度之模型(推論部162)。
再者,於圖8之例中,根據基於時間序列資料獲取裝置140_1~140_n之差異之資料種類之差異,將時間序列資料群分組,但亦可根據獲取資料之時間範圍,將時間序列資料群分組。例如,於時間序列資料群為複數個程序之處理中所測得之時間序列資料群之情形時,可根據每個程序之時間範圍,將時間序列資料群分組。
其次,對藉由分支部610進行之另一處理之詳細情況進行說明。圖9係表示分支部之處理之具體例之第3圖。於圖9之情形時,分支部610將藉由時間序列資料獲取裝置140_1~140_n獲取之時間序列資料群輸入至第5
網路部620_5及第6網路部620_6兩者。繼而,藉由第5網路部620_5與第6網路部620_6,對相同時間序列資料群實施不同處理(標準化處理)。
圖10係表示各網路部所包含之標準化部之處理之具體例的圖。如圖10所示,第5網路部620_5之各層中包含標準化部、卷積部、活性化函數部及池化部。
圖10之例示出第5網路部620_5所包含之各層中之第1層620_51中包含標準化部1001、卷積部1002、活性化函數部1003及池化部1004。
其中,於標準化部1001中,對藉由分支部610輸入之時間序列資料群進行第1標準化處理,而產生標準化時間序列資料群1(第1時間序列資料群)。
同樣地,圖10之例示出第6網路部620_6所包含之各層中之第1層620_61中包含標準化部1011、卷積部1012、活性化函數部1013及池化部1014。
其中,於標準化部1011中,對藉由分支部610輸入之時間序列資料群進行第2標準化處理,而產生標準化時間序列資料群2(第2時間序列資料群)。
以此方式,製成使用分別包含利用不同方法進行標準化處理之標準
化部之複數個網路部處理時間序列資料群之構成後,進行機械學習,藉此可多方面地解析處理單元120。其結果,與製成使用1個網路部對時間序列資料群執行1個標準化處理之構成之情形相比,可產生實現較高之推論精度之模型(推論部162)。
其次,對藉由分支部610進行之另一處理之詳細情況進行說明。圖11係表示分支部之處理之具體例之第4圖。於圖11之情形時,分支部610將藉由時間序列資料獲取裝置140_1~140_n測得之時間序列資料群中之於腔室A中進行處理過程中所測得之時間序列資料群1(第1時間序列資料群)輸入至第7網路部620_7。
又,分支部610將藉由時間序列資料獲取裝置140_1~140_n測得之時間序列資料群中之於腔室B中進行處理過程中所測得之時間序列資料群2(第2時間序列資料群)輸入至第8網路部620_8。
以此方式,製成使用不同網路部對在不同腔室(第1處理空間、第2處理空間)中進行處理過程中所測得之各時間序列資料群進行處理之構成後,進行機械學習,藉此可多方面地解析處理單元120。其結果,與製成使用1個網路部處理各時間序列資料群之構成之情形相比,可產生實現較高之推論精度之模型(推論部162)。
其次,對推論部162之功能構成進行說明。圖12係表示推論部之功能構成之一例之圖。如圖12所示,推論部162具有分支部1210、第1網路部1220_1至第M網路部1220_M及連結部1230。
分支部1210獲取藉由時間序列資料獲取裝置140_1~140_N新測得之時間序列資料群。又,分支部1210以使用第1網路部1220_1~第M網路部1220_M處理所獲取之時間序列資料群之方式進行控制。
第1網路部1220_1~第M網路部1220_M藉由利用學習部161進行機械學習而各層之模型參數最佳化之第1網路部620_1~第M網路部620_M形成。
連結部1230藉由利用學習部161進行機械學習而模型參數最佳化之連結部630形成。連結部1230將自第1網路部1220_1之第N層1220_1N輸出之輸出資料至自第M網路部1220_M之第N層1220_MN輸出之輸出資料之各輸出資料合成,並輸出假想測定資料。
其次,對藉由假想測定裝置160進行之假想測定處理整體之流程進行說明。圖13係表示藉由假想測定裝置進行之假想測定處理之流程之流程圖。
於步驟S1301中,學習部161獲取時間序列資料群及檢查資料作為學
習用資料。
於步驟S1302中,學習部161將所獲取之學習用資料中之時間序列資料群作為輸入資料並將檢查資料作為指導資料而進行機械學習。
於步驟S1303中,學習部161判定是否繼續機械學習。於進一步獲取學習用資料而繼續機械學習之情形時(於步驟S1303中為是(Yes)之情形時),返回步驟S1301。另一方面,於結束機械學習之情形時(於步驟S1303中為否(No)之情形時),進入步驟S1304。
於步驟S1304中,推論部162反映藉由機械學習而最佳化之模型參數,藉此產生第1網路部1220_1~第M網路部1220_M。
於步驟S1305中,推論部162輸入新的處理前晶圓之處理過程中所測得之時間序列資料群,並推論假想測定資料。
於步驟S1306中,推論部162輸出所推論出之假想測定資料。
由以上之說明可知,第1實施形態之假想測定裝置:
‧獲取於製造製程之特定處理單元中進行對象物之處理過程中所測得之時間序列資料群。
‧對所獲取之時間序列資料群,
‧根據第1及第2基準進行處理,藉此產生第1時間序列資料群及第2時間序列資料群,或者
‧根據資料種類或時間範圍進行分組,
並使用複數個網路部進行處理,將藉此輸出之各輸出資料合成,或者
‧將所獲取之時間序列資料群分別輸入至利用不同方法進步標準化之複數個網路部中,並使用複數個網路部進行處理,將藉此輸出之各輸出資料合成。
‧以藉由合成各輸出資料而獲得之合成結果接近在製造製程之特定處理單元中處理對象物後之結果物之檢查資料的方式,使複數個網路部進行機械學習。
‧使用進行了機械學習之複數個網路部處理對新的對象物獲取之時間序列資料群,並將自該複數個網路部輸出之各輸出資料之合成結果推論為處理新的對象物時之結果物之檢查資料。
以此方式,製成使用複數個網路部處理時間序列資料群之構成後,進行機械學習,藉此可多方面地解析製造製程之特定處理單元。其結果,與製成使用1個網路部處理時間序列資料群之構成之情形相比,可產生實現較高之推論精度之模型。又,藉由使用該模型進行推論,可執行高精度之假想測定處理。
即,根據第1實施形態,能夠提供一種可執行高精度之假想測定處理之假想測定裝置。
於上述第1實施形態中,示出4種構成作為使用複數個網路部處理所獲取之時間序列資料群之構成。其中,於第2實施形態中,關於使用分別包含利用不同方法進行標準化處理之標準化部之複數個網路部處理時間序列資料群之構成,對於如下情形進一步進行詳細說明:
‧時間序列資料獲取裝置為發射光譜分析裝置,
‧時間序列資料群為OES(Optical Emission Spectroscopy,光發射光譜)資料(僅包含與波長之種類相應之數量之發光強度之時間序列資料的資料集)。
再者,以下以與上述第1實施形態不同之方面為中心進行說明。
首先,對時間序列資料獲取裝置為發射光譜分析裝置之包含半導體製造製程與假想測定裝置之系統之整體構成進行說明。圖14係表示時間序列資料獲取裝置為發射光譜分析裝置之包含半導體製造製程與假想測定裝置之系統之整體構成之一例的圖。
於圖14所示之系統1400中,發射光譜分析裝置1401藉由發射光譜分析技術,於在處理單元120中進行處理前晶圓110之處理過程中,輸出作為時間序列資料群之OES資料。由發射光譜分析裝置1401輸出之OES資料之一部分作為進行機械學習時之學習用資料(輸入資料)存儲至假想測定裝置160之學習用資料存儲部163。
其次,對在發射光譜分析裝置1401中所獲取之時間序列資料群即OES資料之具體例進行說明。圖15係表示所獲取之OES資料之一例之圖。
於圖15中,圖表1510係表示在發射光譜分析裝置1401中所獲取之時間序列資料群即OES資料之特性的圖表,橫軸表示用以識別於處理單元120中進行處理之各處理前晶圓110之晶圓識別編號。又,縱軸表示處理各處理前晶圓110時於發射光譜分析裝置1401中所測得之OES資料之時間長度。
如圖表1510所示,存在如下情形:發射光譜分析裝置1401中所測定之OES資料係針對每個被處理之晶圓時間長度不同。
於圖15之例中,例如OES資料1520表示對於晶圓識別編號=“770”之處理前晶圓於處理中所測得之OES資料。OES資料1520之縱向之資料尺寸依存於發射光譜分析裝置1401中所測定之波長之範圍。於第2實施形態中,發射光譜分析裝置1401測定特定波長範圍之發光強度,故而OES資料1520之縱向之資料尺寸例如為特定波長範圍中所包含之波長數“Nλ”。
另一方面,OES資料1520之橫向之資料尺寸依存於發射光譜分析裝置1401中進行測定時之時間長度。於圖15之例中,OES資料1520之橫向之資料尺寸為“LT”。
如此一來,OES資料1520可謂為各波長具有特定時間長度之一維時間序列資料彙集特定波長數之量而成的時間序列資料群。
再者,於分支部610中,以將OES資料1520輸入至第5網路部620_5及第6網路部620_6時資料尺寸與其他晶圓識別編號之OES資料相同之方式,以小批量單位進行調整尺寸處理。
其次,對藉由分支部610分別被輸入OES資料1520之第5網路部620_5及第6網路部620_6之標準化部之處理的具體例進行說明。
圖16係表示被輸入OES資料之各網路部所包含之標準化部之處理之具體例的圖。如圖16所示,第5網路部620_5所包含之各層中之第1層620_51具有標準化部1001。又,標準化部1001藉由第1方法(最大發光強度)將OES資料1520標準化,藉此產生標準化資料(標準化OES資料1610)。
又,如圖16所示,第6網路部620_6所包含之各層中之第1層620_61具有標準化部1011。又,標準化部1011藉由第2方法(每個波長之最大發光強度)將OES資料1520標準化,藉此產生標準化資料(標準化OES資料1620)。
圖17係表示各標準化部之處理之具體例之圖。如17a所示,於標準化部1001中,基於經調整尺寸處理之OES資料1520,藉由第1方法,產生資料尺寸為波長數(Nλ)×時間長度(LT)且1通道之標準化OES資料1610。
具體而言,於標準化部1001中,自相對於波長整體之特定時間長度量之發光強度中,抽選最大發光強度,並以所抽選之最大發光強度作為基準進行標準化處理,而產生標準化OES資料1610。根據第1方法,發光強度之絕對值消失,但可殘留波長間之相對發光強度。
另一方面,如17b所示,於標準化部1011中,基於經調整尺寸處理之OES資料1520,藉由第2方法,產生資料尺寸為波長數(1)×時間長度(LT)且Nλ通道量之標準化OES資料1620。
具體而言,於標準化部1011中,自各波長內之特定時間長度量之發光強度中,抽選最大發光強度,並以所抽選之最大發光強度作為基準,針對每個波長進行標準化處理,而產生標準化OES資料1620。根據第2方法,可殘留相同波長內之特定時間長度之相對發光強度。
如此一來,根據以何為基準觀察發光強度之變化(即,根據解析之方法),即便為相同時間序列資料群,所能觀察之資訊亦發生變化。於第2實施形態之假想測定裝置160中,對於不同標準化處理,分別使用不同網路部對相同時間序列資料群進行處理。藉由以此方式組合複數個標準化處理,可多方面地解析處理單元120中之時間序列資料群。其結果,與製成
使用1個網路部對OES資料1520執行1個標準化處理之構成之情形相比,可產生實現較高之推論精度之模型(推論部162)。
其次,對第5網路部620_5及第6網路部620_6之最終層所包含之池化部之處理的具體例進行說明。圖18係表示池化部之處理之具體例之圖。
如上所述,針對每個晶圓不同之資料尺寸之OES資料藉由利用分支部610以小批量單位進行調整尺寸處理,而成為相同資料尺寸後,輸入至第5網路部620_5及第6網路部620_6。
換言之,輸入至第5網路部620_5及第6網路部620_6之OES資料若小批量不同,則資料尺寸不同。
因此,於第5網路部620_5及第6網路部620_6之最終層(第N層620_5N、第N層620_6N)所包含之池化部1004、1014中,以於小批量間輸出固定長度之資料之方式進行池化處理。
圖18係表示池化部之處理之具體例之圖。如圖18所示,於池化部1004、1014中,對由活性化函數部1003、1013輸出之特徵資料進行GAP(Global Average Pooling,全域平均池化)處理。
於圖18中,特徵資料1911_1~1911_m係輸入至第5網路部620_5之第
N層620_5N之池化部1004之特徵資料,且表示基於屬於小批量1之OES資料而產生之特徵資料。特徵資料1911_1~1911_m分別表示1通道量之特徵資料。
又,特徵資料1912_1~1912_m係輸入至第5網路部620_5之第N層620_5N之池化部1004之特徵資料,且表示基於屬於小批量2之OES資料而產生之特徵資料。特徵資料1912_1~1912_m分別表示1通道量之特徵資料。
由圖18可知,特徵資料1911_1~1911_m與特徵資料1912_1~1912_m屬於不同小批量,故而資料尺寸不同。
同樣地,特徵資料1931_1~1931_m係輸入至第6網路部620_6之第N層620_6N之池化部1014之特徵資料,且表示基於屬於小批量1之OES資料而產生之特徵資料。再者,特徵資料1931_1~1931_m中分別包含Nλ通道量之特徵資料。
又,特徵資料1932_1~1932_m係表示輸入至第6網路部620_6之第N層620_6N之池化部1014之特徵資料,且表示基於屬於小批量2之OES資料而產生之特徵資料。再者,特徵資料1932_1~1932_m中分別包含Nλ通道量之特徵資料。
由圖18可知,特徵資料1931_1~1931_m與特徵資料1932_1~
1932_m屬於不同小批量,故而資料尺寸不同。
此處,於池化部1004、1014中,對所輸入之特徵資料所包含之各特徵量之值以通道單位算出平均值,藉此輸出固定長度之輸出資料。藉此,可於小批量間使資料尺寸相同。
例如,於第5網路部620_5之第N層620_5N之池化部1004中,算出特徵資料1911_1之平均值Avg1-1-1,且將輸出資料1921_1輸出。同樣地,於第5網路部620_5之第N層620_5N之池化部1004中,算出特徵資料1912_1之平均值Avg1-2-1,且將輸出資料1922_1輸出。
藉此,於池化部1004中,例如對於資料尺寸不同之特徵資料1911_1與特徵資料1912_1,可輸出固定長度之輸出資料1921_1及輸出資料1922_1。
同樣地,於第6網路部620_6之第N層620_6N之池化部1014中,對於特徵資料1931_1,針對每個通道算出平均值Avg2-1-1-1~Avg2-1-1-Nλ,且將輸出資料1941_1輸出。同樣地,於第6網路部620_6之第N層620_6N之池化部1014中,對於特徵資料1932_1,針對每個通道算出平均值Avg2-2-1-1~Avg2-2-1-Nλ,且將輸出資料1942_1輸出。
藉此,於池化部1014中,例如對於資料尺寸不同之特徵資料1931_1與特徵資料1932_1,可輸出固定長度之輸出資料1941_1及輸出資料
1942_1。
其次,對第5網路部620_5及第6網路部620_6之最終層所包含之池化部之處理的另一具體例進行說明。圖19係表示第5網路部之最終層所包含之池化部之處理之另一具體例的圖,且係用以說明SPP(Shared processor pool,共享處理器池)處理之圖。
如圖19所示,於池化部1004中,不分割所輸入之特徵資料而算出平均值,並且分割成4個部分及分割成16個部分而算出各區域之平均值,藉此輸出與分割數相應之固定長度之輸出資料。
例如,於第5網路部620_5之第N層620_5N之池化部1004中,不分割特徵資料1911_1而算出特徵資料1911_1之平均值Avg1-1-1-1/1。又,於第5網路部620_5之第N層620_5N之池化部1004中,將特徵資料1911_1分割成4個部分,對各區域算出平均值Avg1-1-1-1/4~Avg1-1-1-4/4。進而,於第5網路部620_5之第N層620_5N之池化部1004中,將特徵資料1911_1分割成16個部分,對各區域算出平均值Avg1-1-1-1/16~Avg1-1-1-16/16。
又,於第5網路部620_5之第N層620_5N之池化部1004中,不分割特徵資料1912_1而算出特徵資料1912_1之平均值Avg1-2-1-1/1。又,於第5網路部620_5之第N層620_5N之池化部1004中,將特徵資料1912_1分割
成4個部分,對各區域算出平均值Avg1-2-1-1/4~Avg1-2-1-4/4。進而,於第5網路部620_5之第N層620_5N之池化部1004中,將特徵資料1912_1分割成16個部分,對各區域算出平均值Avg1-2-1-1/16~Avg1-2-1-16/16。
藉此,於池化部1004,例如對於資料尺寸不同之特徵資料1911_1與特徵資料1912_1,可輸出固定長度之輸出資料2010_1及輸出資料2011_1。
其次,對第6網路部620_6之第N層620_6N所包含之池化部1014之詳細情況進行說明。圖20係表示第6網路部之最終層所包含之池化部之處理之另一具體例的圖,且係用以說明SPP處理之圖。
如圖20所示,於池化部1014中,不分割所輸入之特徵資料之各通道而算出平均值,並且分割成4個部分及分割成16個部分而算出各區域之平均值,藉此輸出與分割數相應之固定長度之輸出資料。
例如,於第6網路部620_6之第N層620_6N之池化部1014中,不分割特徵資料1931_1之通道1而算出特徵資料1931_1之通道1之平均值Avg2-1-1-1-1/1。又,於第6網路部620_6之第N層620_6N之池化部1014中,將特徵資料1931_1之通道1分割成4個部分,對各區域算出平均值Avg2-1-1-1-1/4~Avg2-1-1-1-4/4。進而,於第6網路部620_6之第N層620_6N之池化部1014中,將特徵資料1931_1之通道1分割成16個部分,對各區域算出平
均值Avg2-1-1-1-1/16~Avg2-1-1-1-16/16。
於第6網路部620_6之第N層620_6N之池化部1014中,對Nλ通道量進行該等處理,藉此產生輸出資料2100_1。
同樣地,於第6網路部620_6之第N層620_6N之池化部1014中,不分割特徵資料1932_1之通道1而算出特徵資料1932_1之通道1之平均值Avg2-2-1-1-1/1。又,於第6網路部620_6之第N層620_6N之池化部1014中,將特徵資料1932_1之通道1分割成4個部分,對各區域算出平均值Avg2-2-1-1-1/4~Avg2-2-1-1-4/4。進而,於第6網路部620_6之第N層620_6N之池化部1014中,將特徵資料1932_1之通道1分割成16個部分,對各區域算出平均值Avg2-2-1-1-1/16~Avg2-2-1-1-16/16。
於第6網路部620_6之第N層620_6N之池化部1014中,對Nλ通道量進行該等處理,藉此產生輸出資料2101_1。
藉此,於池化部1014中,例如對於資料尺寸不同之特徵資料1931_1與特徵資料1932_1,可輸出固定長度之輸出資料2100_1及輸出資料2101_1。
其次,對由推論部162輸出之假想測定資料(推論結果)之精度進行說明。圖21係用以說明藉由推論部獲得之推論結果之精度之第1圖。再者,
圖21之例示出如下情況:於將1個腔室定義為處理單元120之情形時,於各腔室(此處為腔室A~腔室D之4個腔室)中,將假想測定資料與檢查資料進行對比。
再者,此處將檢查資料設為ER值而進行說明。又,於圖21所示之各圖表中,橫軸表示假想測定資料之值,縱軸表示檢查資料之值。即,於圖21所示之各圖表中所繪製之點越接近斜率為“1”之直線,則越表示假想測定資料之值與檢查資料之值一致。另一方面,所繪製之點越遠離斜率為“1”之直線,則越表示假想測定資料之值與檢查資料之值之差較大。
其中,21a係將
‧藉由在作為處理單元之腔室A中對處理前晶圓110進行處理並檢查處理後晶圓130而獲取之ER值與
‧基於在作為處理單元之腔室A中進行處理前晶圓110之處理過程中所測得之OES資料而推論出的假想測定資料
之關係進行繪製而成者。
又,21b係將
‧藉由在處理單元之腔室B中對處理前晶圓110進行處理並檢查處理後晶圓130而獲取之ER值與
‧基於在處理單元之腔室B中進行處理前晶圓110之處理過程中所測得之OES資料而推論出的假想測定資料
之關係進行繪製而成者。
又,21c係將
‧藉由在處理單元之腔室C中對處理前晶圓110進行處理並檢查處理後晶圓130而獲取之ER值與
‧基於在處理單元之腔室C中進行處理前晶圓110之處理過程中所測得之OES資料而推論出的假想測定資料
之關係進行繪製而成者。
又,21d係將
‧藉由在處理單元之腔室D中對處理前晶圓110進行處理並檢查處理後晶圓130而獲取之ER值與
‧基於在處理單元之腔室D中進行處理前晶圓110之處理過程中所測得之OES資料而推論出的假想測定資料
之關係進行繪製而成者。
如21a~21d所示,任一曲線均大致處於接近斜率為1之直線之位置,從而無論哪個腔室均可獲得良好之結果。即,推論部162可適用於任一腔室,從而具有無需如先前般針對每個腔室產生不同模型之優點。
再者,21a~21d係表示可適用於任一腔室之例,但推論部162不僅可適用於不同腔室,亦可適用於同一腔室之維護前後。即,推論部162無需如先前般伴隨著腔室之維護而維護模型,故而具有可降低模型之管理成本之優點。
圖22係用以說明藉由推論部獲得之推論結果之精度之第2圖。於圖22中,符號2310係評價使用如下推論部進行推論時之假想測定資料與檢查資料之誤差而得之評價值,該推論部具有由一般之卷積神經網路構成之網路部。又,符號2320係評價使用推論部162進行推論時之假想測定資料與檢查資料之誤差而得之評價值。
再者,於圖22之例中,使用相關係數之平方(決定係數)及MAPE(Mean Absolute Percentage Error:平均絕對百分比誤差)作為評價值。又,於圖22之例中,算出關於作為處理單元之腔室A~D所有腔室之曲線之評價值、及關於作為處理單元之腔室A~D各自之曲線之評價值。
如圖22所示,相較於具有由一般之卷積神經網路構成之網路部之推論部,推論部162之任一評價值均為更良好之結果。即,根據推論部162,可相較於先前執行更高精度之假想測定處理。
由以上說明可知,第2實施形態之假想測定裝置:
‧獲取於製造製程之特定處理單元中進行對象物之處理過程中利用發射光譜分析裝置所測得之時間序列資料群即OES資料。又,利用不同方法將所獲取之OES資料標準化,並分別使用不同網路部進行處理,將所得之各輸出資料合成。
‧以藉由合成各輸出資料而獲得之合成結果接近在製造製程之特定
處理單元中處理對象物後之結果物之檢查資料(ER值)的方式,使不同網路部進行機械學習。
以此方式,製成使用不同網路部處理OES資料之構成後,進行機械學習,藉此可多方面地解析製造製程之特定處理單元。其結果,與製成使用1個網路部處理OES資料之構成之情形相比,可產生實現較高之推論精度之模型。
即,根據第2實施形態,能夠提供一種可執行高精度之假想測定處理之假想測定裝置。
又,第2實施形態之假想測定裝置:
‧對輸入至不同網路部之OES資料進行調整尺寸處理,並以小批量單位產生資料尺寸相同之OES資料。
‧藉由在網路部之最終層中,進行GAP處理或SPP處理,而於小批量間成為相同資料尺寸,從而輸出固定長度之輸出資料。
藉此,根據第2實施形態,即便在被輸入可變長度之OES資料之情形時,亦可藉由機械學習演算法產生推論部。
於上述第2實施形態中,作為標準化部1001所進行之標準化處理,例示出:
‧以自相對於波長整體之特定時間長度量之發光強度中抽選之最大發光強度作為基準而進行之標準化處理、‧以自各波長內之特定時間長度量之發光強度中抽選之最大發光強度作為基準而進行之標準化處理。
然而,標準化部1001進行標準化處理時所使用之基準各種各樣,亦可構成為使用其他任意基準進行標準化處理。
又,於上述第2實施形態中,對時間序列資料群為OES資料之情形進行了說明。然而,上述第2實施形態中所使用之時間序列資料群並不限定於OES資料,亦可使用將OES資料與除OES資料以外之時間序列資料組合而成之時間序列資料群。
又,於上述第2實施形態中,設為將相同時間序列資料群輸入至不同網路部之各者而進行了說明,但輸入至不同網路部之各者之時間序列資料群可為相同時間序列資料群,亦可為不同時間序列資料群。又,亦可為一部分相互重疊之時間序列資料群。其原因在於:於相同傾向之時間序列資料包含於各時間序列資料群之情形時,可預見同樣之效果。
又,於上述第2實施形態中,設為於網路部之最終層中進行GAP處理或SPP處理而進行了說明,但亦可構成為該等處理於第1實施形態中所說明之網路部之最終層中進行。
又,於上述第2實施形態中,設為池化部1014進行SPP處理時利用3
種分割方法(不分割、分割成4個部分、分割成16個部分)分割特徵資料而進行了說明,但分割方法並不限定於3種。又,分割數亦不限定於0、4、16。
又,於上述第1及第2實施形態中,設為以卷積神經網路為基礎構成學習部161之第1網路部620_1~第M網路部620_M之機械學習演算法而進行了說明。然而,學習部161之第1網路部620_1~第M網路部620_M之機械學習演算法並不限定於卷積神經網路,亦能以其他機械學習演算法為基礎而構成。
又,於上述第2實施形態中,對使用ER值作為檢查資料之情形進行了說明,但亦可使用CD(Critical Dimension,臨界尺寸)值等作為檢查資料。
又,於上述第1及第2實施形態中,設為假想測定裝置160作為學習部161及推論部162發揮功能而進行了說明。然而,作為學習部161發揮功能之裝置與作為推論部162發揮功能之裝置無需為一體,亦可分開地構成。即,假想測定裝置160可作為不具有推論部162之學習部161發揮功能,亦可作為不具有學習部161之推論部162發揮功能。
再者,本發明並不限定於上述實施形態所列舉之構成等、與其他要素之組合等此處所示之構成。關於該等方面,可於不脫離本發明之主旨之範圍內進行變更,可根據其應用形態適當地決定。
本申請係基於2018年11月30日所申請之日本專利申請第2018-22576號主張其優先權者,將該日本專利申請之全部內容藉由參照援用於本申請。
100:系統
110:處理前晶圓
120:處理單元
130:處理後晶圓
140_1~140_n:時間序列資料獲取裝置
150:檢查資料獲取裝置
160:假想測定裝置
161:學習部
162:推論部
163:學習用資料存儲部
Claims (18)
- 一種製造製程之假想測定裝置,其具有:獲取部,其獲取於製造製程之特定處理單元中進行對象物之處理過程中所測得之時間序列資料群;及學習部,其以藉由使用複數個網路部處理所獲取之上述時間序列資料群而輸出之各輸出資料之合成結果接近在上述製造製程之上述特定處理單元中處理上述對象物時之結果物之檢查資料的方式,使上述複數個網路部進行機械學習。
- 如請求項1之製造製程之假想測定裝置,其進而具有推論部,該推論部將藉由使用進行了機械學習之上述複數個網路部處理對新的對象物獲取之時間序列資料群而輸出之各輸出資料的合成結果推論為處理上述新的對象物時之結果物之檢查資料。
- 如請求項1之製造製程之假想測定裝置,其中上述學習部藉由根據第1基準及第2基準分別處理所獲取之上述時間序列資料群,產生第1時間序列資料群及第2時間序列資料群,並使用不同網路部處理所產生之上述第1時間序列資料群及上述第2時間序列資料群,以藉此輸出之各輸出資料之合成結果接近在上述製造製程之上述特定處理單元中處理上述對象物時之結果物之檢查資料的方式,使上述不同網路部進行機械學習。
- 如請求項3之製造製程之假想測定裝置,其進而具有推論部,該推論部藉由根據上述第1基準及上述第2基準分別處理對新的對象物獲取之時間序列資料群,產生第1時間序列資料群及第2時間序列資料群,並使用進行了機械學習之上述不同網路部進行處理,將藉此輸出之各輸出資料之合成結果推論為處理上述新的對象物時之結果物之檢查資料。
- 如請求項1之製造製程之假想測定裝置,其中上述學習部根據資料種類或時間範圍將所獲取之上述時間序列資料群分組,並使用不同網路部對各組進行處理,以藉此輸出之各輸出資料之合成結果接近在上述製造製程之上述特定處理單元中處理上述對象物時之結果物之檢查資料的方式,使上述不同網路部進行機械學習。
- 如請求項5之製造製程之假想測定裝置,其進而具有推論部,該推論部根據上述資料種類或上述時間範圍將對新的對象物獲取之時間序列資料群分組,並使用進行了機械學習之上述不同網路部對各組進行處理,將藉此輸出之各輸出資料之合成結果推論為處理上述新的對象物時之結果物之檢查資料。
- 如請求項1之製造製程之假想測定裝置,其中上述學習部將所獲取之上述時間序列資料群輸入至分別包含利用不同方法進行標準化之標準化部之不同網路部,並使用該不同網路部進行處理,以藉此輸出之各輸出資料之合成結果接近在上述製造製程中處理上述對象物時之結果物之檢查資料的方式,使上述不同網路部進行機械學習。
- 如請求項7之製造製程之假想測定裝置,其進而具有推論部,該推論部將對新的對象物獲取之時間序列資料群分別輸入至進行了機械學習之上述不同網路部,並使用進行了機械學習之上述不同網路部進行處理,將藉此輸出之各輸出資料之合成結果推論為處理上述新的對象物時之結果物之檢查資料。
- 如請求項1之製造製程之假想測定裝置,其中上述學習部使用不同網路部,處理於上述特定處理單元內之第1處理空間中進行上述對象物之處理過程中所測得之第1時間序列資料群、及於第2處理空間中進行上述對象物之處理過程中所測得之第2時間序列資料群,以藉此輸出之各輸出資料之合成結果接近在上述製造製程之特定處理單元中處理上述對象物時之結果物之檢查資料的方式,使上述不同網路部進行機械學習。
- 如請求項9之製造製程之假想測定裝置,其進而具有推論部,該推論部對於新的對象物使用進行了機械學習之上述不同網路部,處理於上述特定處理單元內之上述第1處理空間中進行處理過程中所測得之第1時間序列資料群、及於上述第2處理空間中進行處理過程中所測得之第2時間序列資料群,將藉此輸出之各輸出資料之合成結果推論為處理上述新的對象物時之結果物之檢查資料。
- 如請求項1之製造製程之假想測定裝置,其中上述時間序列資料群係 於基板處理裝置中進行基板之處理過程中所測得之資料。
- 如請求項7之製造製程之假想測定裝置,其中上述時間序列資料群表示在基板處理裝置中進行基板之處理過程中藉由發射光譜分析裝置測得之資料,且係表示在各時間所測得之各波長之發光強度之資料。
- 如請求項12之製造製程之假想測定裝置,其中上述不同網路部中之第1網路部所包含之上述標準化部基於上述時間序列資料群,產生表示各波長之特定時間長度之量之發光強度的1通道之資料,並對所產生之1通道之資料進行標準化。
- 如請求項12之製造製程之假想測定裝置,其中上述不同網路部中之第2網路部所包含之上述標準化部基於上述時間序列資料群,產生與波長之數量相應之通道的表示1個波長之特定時間長度之量之發光強度的資料,並對所產生之各通道之資料進行標準化。
- 如請求項7之製造製程之假想測定裝置,其中上述不同網路部之各層中之最終層所包含之池化部進行GAP處理或SPP處理。
- 一種製造製程之假想測定裝置,其具有:獲取部,其獲取於製造製程之特定處理單元中進行對象物之處理過程中所測得之時間序列資料群;及推論部,其使用複數個網路部處理所獲取之上述時間序列資料群, 並將自該複數個網路部輸出之各輸出資料之合成結果推論為處理上述對象物時之結果物之檢查資料;且上述複數個網路部以藉由處理預先獲取之時間序列資料群而輸出之各輸出資料之合成結果接近在製造製程之特定處理單元中處理對象物時之結果物之檢查資料的方式,進行機械學習。
- 一種製造製程之假想測定方法,其包括:獲取步驟,其獲取於製造製程之特定處理單元中進行對象物之處理過程中所測得之時間序列資料群;及學習步驟,其以藉由使用複數個網路部處理所獲取之上述時間序列資料群而輸出之各輸出資料之合成結果接近在上述製造製程之上述特定處理單元中處理上述對象物時之結果物之檢查資料的方式,使上述複數個網路部進行機械學習。
- 一種製造製程之假想測定程式,其用以使電腦執行如下步驟:獲取步驟,其獲取於製造製程之特定處理單元中進行對象物之處理過程中所測得之時間序列資料群;及學習步驟,其以藉由使用複數個網路部處理所獲取之上述時間序列資料群而輸出之各輸出資料之合成結果接近在上述製造製程之上述特定處理單元中處理上述對象物時之結果物之檢查資料的方式,使上述複數個網路部進行機械學習。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018225676 | 2018-11-30 | ||
JP2018-225676 | 2018-11-30 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202038034A TW202038034A (zh) | 2020-10-16 |
TWI829807B true TWI829807B (zh) | 2024-01-21 |
Family
ID=70853036
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW108141756A TWI829807B (zh) | 2018-11-30 | 2019-11-18 | 製造製程之假想測定裝置、假想測定方法及假想測定程式 |
Country Status (6)
Country | Link |
---|---|
US (1) | US20220011747A1 (zh) |
JP (1) | JP7118170B2 (zh) |
KR (1) | KR20210096155A (zh) |
CN (1) | CN113169036A (zh) |
TW (1) | TWI829807B (zh) |
WO (1) | WO2020111258A1 (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7412150B2 (ja) * | 2019-11-29 | 2024-01-12 | 東京エレクトロン株式会社 | 予測装置、予測方法及び予測プログラム |
JP7452990B2 (ja) * | 2019-11-29 | 2024-03-19 | 東京エレクトロン株式会社 | 異常検知装置、異常検知方法及び異常検知プログラム |
JP7481956B2 (ja) * | 2020-08-26 | 2024-05-13 | 株式会社東芝 | 推論装置、方法、プログラムおよび学習装置 |
KR102486463B1 (ko) * | 2020-08-31 | 2023-01-09 | (주)브릭 | 열화에 따른 시계열 데이터를 이용한 실시간 이상 감지 방법 및 그를 위한 장치 |
KR102486460B1 (ko) * | 2020-08-31 | 2023-01-09 | (주)브릭 | 시계열 데이터의 특징값을 기반으로 예측값 및 특징 중요도 산출을 수행하는 가상 계측 방법 및 그를 위한 장치 |
KR102486462B1 (ko) * | 2020-08-31 | 2023-01-09 | (주)브릭 | 열화에 따른 패턴 학습을 이용한 이상 감지 방법 및 그를 위한 장치 |
KR102486461B1 (ko) * | 2020-08-31 | 2023-01-09 | (주)브릭 | 시계열 데이터의 특징값을 기반으로 예측값 및 시계열 구간별 특징 중요도 산출을 수행하는 가상 계측 방법 및 그를 위한 장치 |
WO2022233562A1 (en) * | 2021-05-06 | 2022-11-10 | Asml Netherlands B.V. | Causal convolution network for process control |
CN117461040A (zh) * | 2021-06-17 | 2024-01-26 | 东京毅力科创株式会社 | 基板处理装置、数据处理方法及数据处理程序 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101872173A (zh) * | 2009-04-21 | 2010-10-27 | 台湾积体电路制造股份有限公司 | 半导体产品级别控制的方法与系统 |
CN101963802A (zh) * | 2010-08-25 | 2011-02-02 | 江苏大学 | 批次制程的虚拟量测方法与系统 |
CN101976045A (zh) * | 2010-08-25 | 2011-02-16 | 江苏大学 | 用于tft-lcd蚀刻制程的面板品质虚拟量测方法与系统 |
JP2012004181A (ja) * | 2010-06-14 | 2012-01-05 | Sharp Corp | 特性予測装置、特性予測方法、特性予測プログラムおよびプログラム記録媒体 |
CN103617329A (zh) * | 2013-12-12 | 2014-03-05 | 西安工业大学 | 一种基于人工神经网络和虚拟装配的装配时间评价方法 |
JP2014507801A (ja) * | 2011-01-19 | 2014-03-27 | 東京エレクトロン株式会社 | ツール操作パラメータ及び材料測定と分光情報を関連付けることによるツール性能の改良 |
TW201511154A (zh) * | 2013-06-19 | 2015-03-16 | Kla Tencor Corp | 以運行時設計資料之使用偵測晶圓上之缺陷 |
US20160148850A1 (en) * | 2014-11-25 | 2016-05-26 | Stream Mosaic, Inc. | Process control techniques for semiconductor manufacturing processes |
WO2018101722A2 (ko) * | 2016-11-30 | 2018-06-07 | 에스케이 주식회사 | 머신 러닝 기반 반도체 제조 수율 예측 시스템 및 방법 |
Family Cites Families (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0886628A (ja) * | 1994-09-16 | 1996-04-02 | Rohm Co Ltd | 神経回路網による半導体チップリード半田外観検査法 |
US7062411B2 (en) * | 2003-06-11 | 2006-06-13 | Scientific Systems Research Limited | Method for process control of semiconductor manufacturing equipment |
US20040267397A1 (en) * | 2003-06-27 | 2004-12-30 | Srinivas Doddi | Optical metrology of structures formed on semiconductor wafer using machine learning systems |
DE10339924B4 (de) * | 2003-08-29 | 2011-05-05 | Infineon Technologies Ag | ESD-Testanordnung und Verfahren |
TWI267012B (en) * | 2004-06-03 | 2006-11-21 | Univ Nat Cheng Kung | Quality prognostics system and method for manufacturing processes |
JP5157359B2 (ja) * | 2006-10-10 | 2013-03-06 | オムロン株式会社 | 時系列データ解析装置、時系列データ解析システム、時系列データ解析装置の制御方法、プログラム、および記録媒体 |
JPWO2009034967A1 (ja) * | 2007-09-11 | 2010-12-24 | 東京エレクトロン株式会社 | 情報処理装置、情報処理方法、及びプログラム |
TWI349867B (en) | 2008-05-20 | 2011-10-01 | Univ Nat Cheng Kung | Server and system and method for automatic virtual metrology |
JP4568790B1 (ja) * | 2009-04-14 | 2010-10-27 | シャープ株式会社 | 出来映え予測装置、出来映え予測方法、出来映え予測プログラム、及び、プログラム記録媒体 |
US8437870B2 (en) * | 2009-06-05 | 2013-05-07 | Taiwan Semiconductor Manufacturing Company, Ltd. | System and method for implementing a virtual metrology advanced process control platform |
JP5933985B2 (ja) * | 2012-02-15 | 2016-06-15 | 株式会社日立ハイテクノロジーズ | レシピ実行時間演算装置および半導体検査装置 |
JP6015282B2 (ja) * | 2012-09-21 | 2016-10-26 | オムロン株式会社 | シミュレーション装置、シミュレーション方法、およびシミュレーションプログラム |
US10242142B2 (en) * | 2013-03-14 | 2019-03-26 | Coventor, Inc. | Predictive 3-D virtual fabrication system and method |
US20150332167A1 (en) * | 2014-05-13 | 2015-11-19 | Tokyo Electron Limited | System and method for modeling and/or analyzing manufacturing processes |
JP6559433B2 (ja) * | 2015-02-17 | 2019-08-14 | Hoya株式会社 | フォトマスクの製造方法、描画装置、フォトマスクの検査方法、フォトマスクの検査装置、及び表示装置の製造方法 |
JP6625914B2 (ja) * | 2016-03-17 | 2019-12-25 | ファナック株式会社 | 機械学習装置、レーザ加工システムおよび機械学習方法 |
JP2018105659A (ja) * | 2016-12-23 | 2018-07-05 | 国立研究開発法人理化学研究所 | 識別装置、識別システム、学習装置、学習方法、識別プログラム、学習プログラム、記録媒体、及び集積回路 |
US11237119B2 (en) * | 2017-01-10 | 2022-02-01 | Kla-Tencor Corporation | Diagnostic methods for the classifiers and the defects captured by optical tools |
JP6964857B2 (ja) * | 2017-03-28 | 2021-11-10 | 国立大学法人神戸大学 | 画像認識装置、画像認識方法、コンピュータプログラム、及び製品監視システム |
JP6860406B2 (ja) * | 2017-04-05 | 2021-04-14 | 株式会社荏原製作所 | 半導体製造装置、半導体製造装置の故障予知方法、および半導体製造装置の故障予知プログラム |
-
2019
- 2019-11-18 TW TW108141756A patent/TWI829807B/zh active
- 2019-11-29 WO PCT/JP2019/046869 patent/WO2020111258A1/ja active Application Filing
- 2019-11-29 KR KR1020217019299A patent/KR20210096155A/ko active Search and Examination
- 2019-11-29 JP JP2020557874A patent/JP7118170B2/ja active Active
- 2019-11-29 CN CN201980076426.6A patent/CN113169036A/zh active Pending
- 2019-11-29 US US17/294,509 patent/US20220011747A1/en active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101872173A (zh) * | 2009-04-21 | 2010-10-27 | 台湾积体电路制造股份有限公司 | 半导体产品级别控制的方法与系统 |
JP2012004181A (ja) * | 2010-06-14 | 2012-01-05 | Sharp Corp | 特性予測装置、特性予測方法、特性予測プログラムおよびプログラム記録媒体 |
CN101963802A (zh) * | 2010-08-25 | 2011-02-02 | 江苏大学 | 批次制程的虚拟量测方法与系统 |
CN101976045A (zh) * | 2010-08-25 | 2011-02-16 | 江苏大学 | 用于tft-lcd蚀刻制程的面板品质虚拟量测方法与系统 |
JP2014507801A (ja) * | 2011-01-19 | 2014-03-27 | 東京エレクトロン株式会社 | ツール操作パラメータ及び材料測定と分光情報を関連付けることによるツール性能の改良 |
TW201511154A (zh) * | 2013-06-19 | 2015-03-16 | Kla Tencor Corp | 以運行時設計資料之使用偵測晶圓上之缺陷 |
CN103617329A (zh) * | 2013-12-12 | 2014-03-05 | 西安工业大学 | 一种基于人工神经网络和虚拟装配的装配时间评价方法 |
US20160148850A1 (en) * | 2014-11-25 | 2016-05-26 | Stream Mosaic, Inc. | Process control techniques for semiconductor manufacturing processes |
WO2018101722A2 (ko) * | 2016-11-30 | 2018-06-07 | 에스케이 주식회사 | 머신 러닝 기반 반도체 제조 수율 예측 시스템 및 방법 |
Also Published As
Publication number | Publication date |
---|---|
US20220011747A1 (en) | 2022-01-13 |
CN113169036A (zh) | 2021-07-23 |
TW202038034A (zh) | 2020-10-16 |
KR20210096155A (ko) | 2021-08-04 |
JPWO2020111258A1 (ja) | 2021-11-11 |
WO2020111258A1 (ja) | 2020-06-04 |
JP7118170B2 (ja) | 2022-08-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI829807B (zh) | 製造製程之假想測定裝置、假想測定方法及假想測定程式 | |
JP7412150B2 (ja) | 予測装置、予測方法及び予測プログラム | |
RU2497173C2 (ru) | Обнаружение аномалий в авиационном двигателе | |
KR101848958B1 (ko) | 분광 정보를 툴 동작 파라미터 및 재료 측정치와 연결하는 것에 의한 툴 성능의 개선 | |
JP5765336B2 (ja) | 障害分析装置、障害分析方法およびプログラム | |
TW202026959A (zh) | 學習裝置、推估裝置及學習完成模型 | |
US11550823B2 (en) | Preprocessing for a classification algorithm | |
US20170132352A1 (en) | Wafer point by point analysis and data presentation | |
CN115443474A (zh) | 学习装置、学习方法及推断装置 | |
JP7354421B2 (ja) | エラー要因の推定装置及び推定方法 | |
KR20220123301A (ko) | 물리적 모델링과 머신 학습 결합 | |
EP3839680A1 (en) | Method and device for controlling a machine using principal component analysis | |
KR20210067909A (ko) | 이상 검지 장치, 이상 검지 방법 및 이상 검지 프로그램 | |
CN114556350A (zh) | 无需晶粒级输入数据的晶粒级产品建模 | |
TWI798314B (zh) | 資料處理裝置、資料處理方法及資料處理程式 | |
US20230054159A1 (en) | Method and device for predicting defects | |
TW202123057A (zh) | 推論裝置、推論方法及推論程式 | |
US11372741B2 (en) | Information processing apparatus configured to perform debug analysis based on a distributed representation vector for lines of a debug log, method, and non-transitory recording medium | |
JP7433648B2 (ja) | 異常検出方法 | |
JP7427788B2 (ja) | データ処理装置、データ処理システム、データ処理方法及びデータ処理プログラム | |
US11469122B2 (en) | Semiconductor process analysis device, semiconductor process analysis method, and storage medium | |
US20220215210A1 (en) | Information processing apparatus, non-transitory computer-readable storage medium, and information processing method | |
US20230128023A1 (en) | Factor analysis device, factor analysis method, and non-transitory computer-readable storage medium | |
JP2023077615A (ja) | 分析装置、分析方法、及び分析プログラム | |
CN117232569A (zh) | 关于光电特性参数的处理方法、装置、设备、介质及产品 |