TWI837781B - 學習裝置、資訊處理裝置、基板處理裝置、基板處理系統、學習方法、配方決定方法及學習程式 - Google Patents
學習裝置、資訊處理裝置、基板處理裝置、基板處理系統、學習方法、配方決定方法及學習程式 Download PDFInfo
- Publication number
- TWI837781B TWI837781B TW111131610A TW111131610A TWI837781B TW I837781 B TWI837781 B TW I837781B TW 111131610 A TW111131610 A TW 111131610A TW 111131610 A TW111131610 A TW 111131610A TW I837781 B TWI837781 B TW I837781B
- Authority
- TW
- Taiwan
- Prior art keywords
- substrate
- film thickness
- condition
- processing device
- learning
- Prior art date
Links
- 239000000758 substrate Substances 0.000 title claims abstract description 502
- 238000000034 method Methods 0.000 title claims description 179
- 230000010365 information processing Effects 0.000 title claims description 67
- 239000007788 liquid Substances 0.000 claims abstract description 358
- 239000007787 solid Substances 0.000 claims abstract description 157
- 230000008569 process Effects 0.000 claims description 143
- 238000011282 treatment Methods 0.000 claims description 73
- 230000002787 reinforcement Effects 0.000 claims description 25
- 238000005728 strengthening Methods 0.000 claims description 11
- 230000000704 physical effect Effects 0.000 claims description 5
- 238000004821 distillation Methods 0.000 claims description 4
- 238000001035 drying Methods 0.000 description 88
- 239000000126 substance Substances 0.000 description 21
- 238000010586 diagram Methods 0.000 description 17
- 230000006870 function Effects 0.000 description 15
- 239000007789 gas Substances 0.000 description 14
- 239000007921 spray Substances 0.000 description 14
- 238000000859 sublimation Methods 0.000 description 11
- 230000008022 sublimation Effects 0.000 description 11
- 238000002474 experimental method Methods 0.000 description 9
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 8
- 230000000694 effects Effects 0.000 description 8
- 239000002904 solvent Substances 0.000 description 8
- 230000008859 change Effects 0.000 description 7
- 230000007613 environmental effect Effects 0.000 description 6
- 239000011261 inert gas Substances 0.000 description 6
- 238000005507 spraying Methods 0.000 description 6
- 102220560241 Calcium/calmodulin-dependent protein kinase type IV_S13A_mutation Human genes 0.000 description 4
- 230000015572 biosynthetic process Effects 0.000 description 4
- 229910052757 nitrogen Inorganic materials 0.000 description 4
- 238000007711 solidification Methods 0.000 description 4
- 230000008023 solidification Effects 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 102220560218 Calcium/calmodulin-dependent protein kinase type IV_S12A_mutation Human genes 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 239000004065 semiconductor Substances 0.000 description 3
- 101000827703 Homo sapiens Polyphosphoinositide phosphatase Proteins 0.000 description 2
- 102100023591 Polyphosphoinositide phosphatase Human genes 0.000 description 2
- 101100012902 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) FIG2 gene Proteins 0.000 description 2
- 238000005401 electroluminescence Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 239000003990 capacitor Substances 0.000 description 1
- 239000000919 ceramic Substances 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 230000002209 hydrophobic effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000002244 precipitate Substances 0.000 description 1
- 230000001376 precipitating effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- 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
- 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
- H01L21/67011—Apparatus for manufacture or treatment
- H01L21/67017—Apparatus for fluid treatment
- H01L21/67028—Apparatus for fluid treatment for cleaning followed by drying, rinsing, stripping, blasting or the like
-
- 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
- H01L21/67011—Apparatus for manufacture or treatment
- H01L21/67017—Apparatus for fluid treatment
- H01L21/67028—Apparatus for fluid treatment for cleaning followed by drying, rinsing, stripping, blasting or the like
- H01L21/6704—Apparatus for fluid treatment for cleaning followed by drying, rinsing, stripping, blasting or the like for wet cleaning or washing
- H01L21/67051—Apparatus for fluid treatment for cleaning followed by drying, rinsing, stripping, blasting or the like for wet cleaning or washing using mainly spraying means, e.g. nozzles
-
- 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
- H01L21/67253—Process monitoring, e.g. flow or thickness monitoring
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Manufacturing & Machinery (AREA)
- Computer Hardware Design (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Power Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Cleaning Or Drying Semiconductors (AREA)
- Weting (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Spray Control Apparatus (AREA)
- Automation & Control Theory (AREA)
Abstract
本發明之學習裝置具備:實驗資料獲取部,其獲取基板上形成之固體之膜厚或液體之膜厚,該固體之膜厚或液體之膜厚係於第1條件下驅動基板處理裝置而獲得,該基板處理裝置於執行對基板供給液體,於基板上形成固體膜或液體膜之一系列處理之後,從基板去除固體膜或液體膜而使基板乾燥;及第1學習部,其使學習模型學習第1教學資料,該第1教學資料包含表示由實驗資料獲取部獲取之固體之膜厚或液體之膜厚之特性的膜厚特性、及第1條件。
Description
本發明係關於一種使學習模型進行學習之學習裝置、使學習完畢之學習模型進行推斷之資訊處理裝置、包含該資訊處理裝置之基板處理裝置、包含資訊處理裝置及基板處理裝置之基板處理系統、使學習模型進行學習之學習方法、使學習完畢之學習模型進行推斷之配方決定方法及使電腦執行該學習方法之學習程式。
近年來,由於形成於基板之圖案微細化而使得圖案強度有變弱之傾向。因此,於將基板上塗佈之液體乾燥之階段,形成於基板之圖案之表面與液體之間發揮作用之表面張力有時會造成圖案崩塌。對此,存在一種所謂之昇華乾燥技術,即,將塗佈於基板之形成有圖案之面上之液體轉換成固體,並從固體相變成氣體,以此來進行乾燥。
於應用該昇華乾燥技術之處理中,理想的是昇華前之固體之膜厚(以下,稱為「固化膜厚」)遍及整個基板均勻。若固化膜厚不均勻而存在較薄之部分與較厚之部分,則形成於基板之圖案有時會崩塌。因此,為了使固化膜厚均勻,理想的是使影響固化膜厚之參數最佳化。然而,影響昇華乾燥處理中之液體膜或固體膜之膜厚之參數種類較多,難以決定最佳值。
為了求出適當之參數,考慮使用模擬固化膜厚之模擬器,但模擬需要耗費大量時間。因此,無法於製程中即時地決定參數。
國際公開WO2020/049974號中記載有一種學習裝置,其獲取模擬器對圖像資料進行模擬之參數,將圖像資料與參數輸入至學習模型中,使學習模型進行學習,以使學習模型之輸出接近模擬器對圖像資料進行模擬之結果。
[專利文獻]
[專利文獻1]日本專利特開2013-016699號公報
[專利文獻2]日本專利特開2012-243869號公報
[專利文獻3]日本專利特開2013-258272號公報
[專利文獻4]日本專利特開2015-142069號公報
[專利文獻5]國際公開WO2020/049974號
然而,於國際公開WO2020/049974號所記載之學習裝置中,必須將用以輸入至模擬器之圖像資料準備與賦予給學習模型之教學資料相同之數量,於獲取有意義之數量之教學資料用於藉由機器學習來模型化之前,需要大量時間。
本發明之目的之一係提供一種能夠產生一種學習模型之學習裝置、學習方法及學習程式,該學習模型用以於從基板去除形成於基板之固體膜或液體膜而使基板乾燥之處理中,推斷表示基板上形成之固體之膜厚或液體之膜厚之特性的膜厚特性。
又,本發明之另一目的係提供一種容易產生學習模型之學習裝置及學習方法。
又,本發明之又一目的係提供一種能夠使用學習模型容易地求得用以驅動基板處理裝置之配方的資訊處理裝置及配方決定方法,。
根據本發明之某一態樣,學習裝置具備:實驗資料獲取部,其獲取基板上形成之固體之膜厚或液體之膜厚,上述固體之膜厚或液體之膜厚係於第1條件下驅動基板處理裝置而獲得,上述基板處理裝置於執行對基板供給液體,於基板上形成固體膜或液體膜之一系列處理之後,從基板去除固體膜或液體膜而使基板乾燥;以及學習部,其使學習模型學習第1教學資料,上述第1教學資料包含表示由實驗資料獲取部獲取之固體之膜厚或液體之膜厚之特性的膜厚特性及第1條件。
根據本發明之另一態樣,資訊處理裝置具備配方決定部,上述配方決定部使用學習模型來決定配方,上述學習模型根據驅動基板處理裝置之情形時之驅動條件,推斷表示於利用基板處理裝置進行之一系列處理完成之時間點形成於基板上之固體之膜厚或液體之膜厚之特性的膜厚特性,上述基板處理裝置於執行對基板供給液體,於基板上形成固體膜或液體膜之一系列處理之後,從基板去除固體膜或液體膜而使基板乾燥;驅動條件針對複數個項目分別設定了值,配方決定部於對學習模型賦予臨時條件作為驅動條件,且由學習模型推斷出之膜厚特性滿足容許條件之情形時,基於臨時條件決定配方,上述臨時條件係將複數個項目之一部分項目設定為規定值且將其他項目設定為任意值。
根據本發明之又一態樣,資訊處理裝置具備:中間處理狀態獲取部,其獲取由基板處理裝置完成一系列處理之前之時間點之中間處理狀態,上述基板處理裝置於執行對基板供給液體,於基板上形成固體膜或液體膜之一系列處理之後,從基板去除固體膜或液體膜而使基板乾燥;以及校正部,其使用學習模型來決定配方,上述學習模型根據驅動基板處理裝置之情形時之驅動條件及於驅動條件下進行驅動之基板處理裝置完成一系列處理之前之時間點之中間處理狀態,推斷表示於利用基板處理裝置進行之一系列處理完成之時間點形成於基板上之固體之膜厚或液體之膜厚之特性的膜厚特性;驅動條件針對複數個項目分別設定了值,校正部對學習模型賦予由中間處理狀態獲取部獲取之中間處理狀態、及臨時條件作為驅動條件,於學習模型推斷出之膜厚特性滿足容許條件之情形時,基於臨時條件決定新的配方,上述臨時條件係將複數個項目之一部分項目設定為規定值且將其他項目設定為任意值。
根據本發明之又一態樣,資訊處理裝置具備:配方決定部,其使用第1學習模型來決定配方,上述第1學習模型根據驅動基板處理裝置之情形時之驅動條件,推斷表示於利用基板處理裝置進行之一系列處理完成之時間點形成於基板上之固體之膜厚或液體之膜厚之特性的膜厚特性,上述基板處理裝置於執行對基板供給液體,於基板上形成固體膜或液體膜之一系列處理之後,從基板去除固體膜或液體膜而使基板乾燥;中間處理狀態獲取部,其獲取由基板處理裝置按照配方執行之一系列處理完成之前之時間點之中間處理狀態;以及校正部,其對第2學習模型賦予由中間處理狀態獲取部獲取之中間處理狀態,決定新的配方,上述第2學習模型根據驅動條件及由基板處理裝置按照配方執行之一系列處理完成之前之時間點之中間處理狀態,推斷表示於利用基板處理裝置進行之一系列處理完成之時間點形成於基板上之固體之膜厚或液體之膜厚之特性的膜厚特性。
根據本發明之又一態樣,學習方法使電腦執行如下步驟:實驗資料獲取步驟,其係獲取基板上形成之固體之膜厚或液體之膜厚,上述固體之膜厚或液體之膜厚係於第1條件下驅動基板處理裝置而獲得,上述基板處理裝置於執行對基板供給液體,於基板上形成固體膜或液體膜之一系列處理之後,從基板去除固體膜或液體膜而使基板乾燥;以及學習步驟,其係使學習模型學習第1教學資料,上述第1教學資料包含表示實驗資料獲取步驟中所獲取之膜厚之特性的膜厚特性及第1條件。
根據本發明之又一態樣,配方決定方法使電腦執行配方決定步驟,上述配方決定步驟係使用學習模型來決定配方,上述學習模型根據驅動基板處理裝置之情形時之驅動條件,推斷表示於利用基板處理裝置進行之一系列處理完成之時間點形成於基板上之固體之膜厚或液體之膜厚之特性的膜厚特性,上述基板處理裝置於執行對基板供給液體,於基板上形成固體膜或液體膜之一系列處理之後,從基板去除固體膜或液體膜而使基板乾燥;驅動條件針對複數個項目分別設定了值,配方決定步驟包含如下步驟:於對學習模型賦予臨時條件作為驅動條件,且由學習模型推斷出之膜厚特性滿足容許條件之情形時,基於臨時條件決定配方,上述臨時條件係將複數個項目之一部分項目設定為規定值且將其他項目設定為任意值。
根據本發明之又一態樣,配方決定方法使電腦執行如下步驟:中間處理狀態獲取步驟,其係獲取由基板處理裝置完成一系列處理之前之時間點之中間處理狀態,上述基板處理裝置於執行對基板供給液體,於基板上形成固體膜或液體膜之一系列處理之後,從基板去除固體膜或液體膜而使基板乾燥;以及校正步驟,其係使用學習模型來決定配方,上述學習模型根據驅動基板處理裝置之情形時之驅動條件及於驅動條件下進行驅動之基板處理裝置完成一系列處理之前之時間點之中間處理狀態,推斷表示於利用基板處理裝置進行之一系列處理完成之時間點形成於基板上之固體之膜厚或液體之膜厚之特性的膜厚特性;驅動條件針對複數個項目分別設定了值,校正步驟包含如下步驟:對學習模型賦予中間處理狀態獲取步驟中所獲取之中間處理狀態、及臨時條件作為驅動條件,於學習模型推斷出之膜厚特性滿足容許條件之情形時,基於臨時條件決定新的配方,上述臨時條件係將複數個項目之一部分項目設定為規定值且將其他項目設定為任意值。
根據本發明之又一態樣,學習程式使電腦執行如下步驟:實驗資料獲取步驟,其係獲取基板上形成之固體之膜厚或液體之膜厚,上述固體之膜厚或液體之膜厚係於第1條件下驅動基板處理裝置而獲得,上述基板處理裝置於執行對基板供給液體,於基板上形成固體膜或液體膜之一系列處理之後,從基板去除固體膜或液體膜而使基板乾燥;以及學習步驟,其係使學習模型學習第1教學資料,上述第1教學資料包含表示實驗資料獲取步驟中所獲取之膜厚之特性的膜厚特性及第1條件。
[第1實施方式]
(1)處理系統
以下,使用圖式對本發明之實施方式之處理系統進行說明。圖1係表示本發明之第1實施方式之處理系統之一構成例的圖。如圖1所示,處理系統300包含基板處理系統301、學習裝置200、及模擬器250。基板處理系統301包含資訊處理裝置100及基板處理裝置1。
學習裝置200、模擬器250及資訊處理裝置100係普通電腦。因此,基本上可由相同之硬體構成。此處,以資訊處理裝置為例進行說明。學習裝置200、模擬器250及資訊處理裝置100中安裝之程式不同。因此,學習裝置200、模擬器250及資訊處理裝置100相互執行之處理不同。
基板處理裝置1對基板進行處理。基板為半導體基板(半導體晶圓)、液晶顯示裝置或有機EL(Electro Luminescence,電致發光)顯示裝置等FPD(Flat Panel Display,平板顯示器)用基板、光碟用基板、磁碟用基板、磁光碟用基板、光罩用基板、陶瓷基板或太陽電池用基板等。
資訊處理裝置100、基板處理裝置1、學習裝置200、模擬器250分別連接於網路303,相互能夠收發資料。網路303例如使用區域網(LAN)或廣域網(WAN)。又,網路303亦可為網際網路。又,資訊處理裝置100與基板處理裝置1亦可藉由專用網路來代替網路303而連接。網路303之連接形態可為有線連接,亦可為無線連接。
再者,學習裝置200與模擬器250未必需要連接於網路303。於該情形時,亦可將模擬器250中產生之教學資料經由記錄媒體傳送至學習裝置200。又,亦可將學習裝置200中產生之學習模型經由記錄媒體傳送至資訊處理裝置100。
基板處理裝置1於執行對基板供給液體,於基板上形成固體膜或液體膜之一系列處理之後,從基板去除固體膜或液體膜而使基板乾燥。具體而言,基板處理裝置1執行以下一系列處理:將乾燥前處理液塗佈至形成有圖案之基板之表面之後,一面使基板旋轉一面使溶劑蒸發,藉此使昇華性物質於基板上析出,上述乾燥前處理液係昇華性物質溶解於溶劑中而得之特定濃度之混合液。其後,基板處理裝置1將惰性氣體吹送至基板使其昇華乾燥。
圖2係表示資訊處理裝置之一構成例之圖。參照圖2,資訊處理裝置100包括CPU(Central Processing Unit,中央運算處理裝置)101、RAM(Random Access Memory,隨機存取記憶體)102、ROM(Read Only Memory,唯讀記憶體)103、記憶裝置104、操作部105、顯示裝置106及輸入輸出I/F(interface,介面)107。CPU101、RAM102、ROM103、記憶裝置104、操作部105、顯示裝置106及輸入輸出I/F107連接於匯流排108。
RAM102用作CPU101之工作區。ROM103中記憶系統程式。記憶裝置104包含硬碟或半導體記憶體等記憶媒體,用以記憶程式。程式亦可記憶於ROM103或其他外部記憶裝置中。
操作部105係鍵盤、滑鼠或觸控面板等輸入器件。使用者可藉由對操作部105進行操作而對資訊處理裝置100賦予特定之指示。顯示裝置106係液晶顯示裝置等顯示器件,顯示用以受理使用者之指示之GUI(Graphical User Interface,圖形使用者介面)等。輸入輸出I/F107連接於網路303。
(2)處理系統之功能構成
圖3係表示第1本實施方式中之處理系統之一功能構成例之圖。參照圖3,模擬器250係藉由模擬器250所具備之CPU執行模擬程式而實現。模擬器250模擬基板處理裝置1中昇華性物質溶解於溶劑中而得之混合液於基板上之運動。模擬器250由物理模型構成。因此,模擬器250係再現基板處理裝置1執行之一系列處理之執行期間內之混合液之運動的物理模型。物理模型例如係使用流動分析程式等而實現,上述流動分析程式對混合液於基板上之流動進行分析。
學習裝置200所具有之功能係藉由學習裝置200所具備之CPU執行學習程式而實現。學習裝置200包含實驗資料獲取部251、第1學習部253、第1強化資料獲取部255、第1強化學習部257、及第1調整部259。
實驗資料獲取部251獲取實驗資料,並將所獲取之實驗資料輸出至第1學習部253及第1調整部259。實驗資料係藉由使基板處理裝置1執行一系列處理並測定基板上形成之液體膜或固體膜之膜厚而獲得。實驗資料包含第1條件、及作為實驗結果之膜厚。第1條件係驅動基板處理裝置1之驅動條件。驅動條件包含:為了使基板處理裝置1執行一系列處理而設定之配方、以及表示基板處理裝置1開始一系列處理之時間點之狀態的狀態條件。配方係規定為了控制基板處理裝置1而設定之值之資訊,且係針對各種設定項目分別規定了與該設定項目對應之設定值之資訊。狀態條件包含對塗佈至基板上之混合液之運動產生影響之資訊,且該等資訊於配方中未規定。具體而言,狀態條件包含表示作為處理對象之基板之配置環境之環境條件及混合液之特性資訊。環境條件例如包含供配置基板之處理室之溫度及壓力。混合液之特性資訊包含表示昇華性物質溶解於溶劑中而得之混合液之特性的資訊。
圖4係表示藉由實驗而獲得之膜厚之一例之圖。參照圖4,橫軸表示基板半徑方向之位置,縱軸表示膜厚。橫軸之原點表示基板之中心。藉由利用基板處理裝置1執行一系列處理,未必能遍及整個基板使液體膜或固體膜之膜厚均勻。膜厚特性係表示整個基板之液體膜或固體膜之膜厚之特性的值。
返回至圖3中,第1學習部253基於實驗資料而產生第1教學資料,並使第1學習模型學習第1教學資料。第1教學資料包含第1條件及膜厚特性。膜厚特性係表示基板上形成之液體膜或固體膜之膜厚之特性的資訊。膜厚特性包含:表示基板上形成之液體膜或固體膜之膜厚包含於容許範圍之值、以及表示基板上形成之液體膜或固體膜之膜厚不包含於容許範圍之值。
例如,於基板上形成之液體膜或固體膜之膜厚之最大值與最小值包含於預先規定之容許範圍內之情形時,將膜厚特性設為表示包含於容許範圍內之值,於膜厚範圍不包含於容許範圍內之情形時,將膜厚特性設為表示不包含於容許範圍內之值。容許範圍之最大值與最小值已決定。
又,表示基板上形成之液體膜或固體膜之膜厚包含於容許範圍內之值亦可具有複數個級別。例如,可基於膜厚區間(最大值與最小值之差)於容許範圍內所占之比率來劃分級別。於膜厚區間在容許範圍內所占之比率為50%以下之情形時,對膜厚特性分配A等級,於比率超過50%之情形時,對膜厚特性分配B等級。
第1教學資料較佳為被分類成與基板之表面狀態、形成於基板之圖案之形狀、及塗佈於基板之混合液之物性對應之複數個通道。藉由針對複數個通道分別產生第1學習模型,可提高第1學習模型之推斷精度。
第1調整部259基於實驗資料來調整模擬器250。實驗資料包含使基板處理裝置1執行一系列處理時之第1條件及膜厚。第1調整部259調整模擬器250,以使模擬器250於基板處理裝置1在實驗資料中包含之第1條件下執行一系列處理期間執行混合液於基板上之運動所得之結果接近實驗資料中包含之膜厚。
第1強化資料獲取部255獲取表示於第2條件下驅動模擬器250而獲得之液體之膜厚或固體之膜厚之特性的膜厚特性。第2條件之條件項目與實驗資料中包含之第1條件相同,且值不同。第1強化資料獲取部255按照預先規定之規則,產生第2條件。再者,第2條件亦可隨機產生。第1強化資料獲取部255藉由將模擬器250輸出之液體膜或固體膜之膜厚與預先規定之容許範圍進行比較,而決定膜厚特性。第1強化資料獲取部255將包含第2條件及膜厚特性之第2教學資料作為第1強化資料輸出至第1強化學習部257。
第1強化學習部257使藉由第1學習部253而進行了學習之學習完畢之第1學習模型學習作為第1強化資料之第2教學資料。由於藉由第1學習部253而進行了學習之學習完畢之第1學習模型係利用第2教學資料進一步學習,故無需藉由實驗來準備所需數量之第1教學資料用以使第1學習模型進行學習,容易產生第1學習模型。換言之,可利用模擬器250產生之第2教學資料來覆蓋用以使第1學習模型進行學習所需之數量之教學資料。第1強化學習部257將利用作為第1強化資料之第2教學資料進行了強化學習之學習完畢之第1學習模型輸出至資訊處理裝置100。
資訊處理裝置100所具有之功能係藉由資訊處理裝置100所具備之CPU101執行配方決定程式而實現。資訊處理裝置包含第1推斷部151及配方決定部153。
配方決定部153包含第1臨時條件決定部155。第1臨時條件決定部155決定第1臨時條件。第1臨時條件係用以輸入至第1學習模型之驅動條件。第1臨時條件決定部155基於為了驅動基板處理裝置1而設定之資訊及由基板處理裝置1所具備之各種感測器檢測出之感測器值,來決定狀態條件。第1臨時條件決定部155獲取表示對基板處理裝置1供給之混合液之特性的特性資訊。特性資訊可從基板處理裝置1獲取,亦可作為預先規定之值而獲取。
又,第1臨時條件決定部155設定隨機值作為配方之各設定項目之值。第1臨時條件決定部155決定第1臨時條件,該第1臨時條件包含各設定項目被設定了隨機值之配方及狀態條件。第1臨時條件決定部155將第1臨時條件輸出至第1推斷部151。
第1推斷部151使用由學習裝置200產生之學習完畢之第1學習模型,來推斷膜厚特性。第1推斷部151對第1學習模型賦予第1臨時條件,並將第1學習模型所推斷出之膜厚特性輸出至配方決定部153。
於從第1推斷部151輸入之膜厚特性係表示包含於容許範圍內之值之情形時,配方決定部153基於輸出至第1推斷部151之第1臨時條件來決定配方。第1臨時條件中設定之配方決定為用以驅動基板處理裝置1之配方。第1臨時條件決定部155反覆決定新的第1臨時條件,直至配方決定部153決定配方為止。配方決定部153對基板處理裝置1賦予已決定之配方,並按照該配方驅動基板處理裝置1。
(3)處理之流程
圖5係表示學習模型產生處理之流程之一例之流程圖。學習模型產生處理係藉由學習裝置200所具備之CPU執行學習程式,而由學習裝置200具備之CPU執行之處理。參照圖5,學習裝置200所具備之CPU獲取實驗資料(步驟S01),並使處理進入步驟S02。於從基板處理裝置1輸入實驗資料之情形時,獲取該實驗資料。又,於安裝有記錄著實驗資料之CD-ROM(Compact Disc-Read Only Memory,唯讀光碟)等記錄媒體之情形時,從該CD-ROM讀出實驗資料。實驗資料包含第1條件、及作為實驗結果之膜厚。
步驟S02中,決定第1教學資料,處理進入步驟S03。基於實驗資料中包含之液體之膜厚或固體之膜厚來決定膜厚特定,從而決定包含實驗資料中所包含之第1條件及膜厚特性之第1教學資料。例如,藉由將實驗資料中包含之液體之膜厚或固體之膜厚與預先規定之容許範圍進行比較,而決定膜厚特性。
步驟S03中,學習裝置200所具備之CPU使第1學習模型進行學習,處理進入步驟S04。對第1學習模型賦予第1教學資料,產生學習完畢之第1學習模型。
步驟S04中,決定第2條件,處理進入步驟S05。第2條件之條件項目與實驗資料中包含之第1條件相同,且值不同。此處,決定複數個第2條件。
步驟S05中,使模擬器模擬混合液之液體或固體之膜厚,處理進入步驟S06。將步驟S04中產生之第2條件輸入至模擬器,算出液體之膜厚或固體之膜厚。藉此,針對複數個第2條件分別算出液體之膜厚或固體之膜厚。
步驟S06中,決定第1強化資料,處理進入步驟S07。基於在步驟S05中針對複數個第2條件分別算出之液體之膜厚或固體之膜厚,針對複數個第2條件分別決定膜厚特性。藉由將液體之膜厚或固體之膜厚與預先規定之容許範圍進行比較,而決定膜厚特性。然後,決定包含第2條件及膜厚特性之第1強化資料(第2教學資料)。因此,決定與步驟S04中產生之第2條件之數量為相同數量之第1強化資料。
步驟S07中,學習裝置200所具備之CPU使第1學習模型強化學習,並結束處理。將第1強化資料賦予給步驟S03中已學習過之學習完畢之第1學習模型,使學習完畢之第1學習模型強化。
圖6係表示配方決定處理之流程之一例之流程圖。配方決定處理係藉由資訊處理裝置100所具備之CPU101執行配方決定程式,而由CPU101執行之處理。參照圖6,資訊處理裝置100所具備之CPU101獲取狀態條件(步驟S11),使處理進入步驟S12。狀態條件包含環境條件及混合液之特性資訊。環境條件係基於由基板處理裝置1所具備之感測器檢測出之值而決定。混合液之特性資訊係基於對基板處理裝置1設定之值、或由基板處理裝置1所具備之感測器檢測出之值而決定。
步驟S12中,決定任意值之臨時配方,處理進入步驟S13。決定之臨時配方中設定隨機值作為配方之各設定項目之值。
步驟S13中,決定第1臨時條件,處理進入步驟S14。決定包含步驟S11中所獲取之狀態條件、及步驟S12中決定之臨時配方的第1臨時條件。
步驟S14中,利用第1學習模型推斷膜厚特性。對第1學習模型賦予第1臨時條件,獲取利用第1學習模型推斷出之膜厚特性。
步驟S15中,判斷膜厚特性是否包含於容許範圍內。若步驟S14中推斷出之膜厚特性表示包含於容許範圍內,則處理進入步驟S16,否則處理返回至步驟S12。
步驟S16中,將步驟S13中決定之第1臨時條件中所包含之臨時配方決定為用以驅動基板處理裝置1之配方,處理進入步驟S17。於步驟S17中,以所決定之配方驅動基板處理裝置1,處理結束。
(4)基板處理裝置
圖7係水平觀察基板處理裝置所具備之處理單元之內部的模式圖。處理單元2由控制裝置3控制。控制裝置3能與資訊處理裝置100進行通信。處理單元2包含:箱型之腔室4;旋轉夾盤10,其於腔室4內將1片基板W水平保持並且繞穿過基板W之中央部之鉛直之旋轉軸線A1旋轉;以及筒狀之處理承杯21,其繞旋轉軸線A1包圍旋轉夾盤10。
旋轉夾盤10包含:圓板狀之旋轉基座12,其被以水平姿勢保持;複數個夾盤銷11,其等在旋轉基座12之上方將基板W以水平姿勢保持;旋轉軸13,其從旋轉基座12之中央部向下方延伸;以及旋轉馬達14,其藉由使旋轉軸13旋轉而使旋轉基座12及複數個夾盤銷11旋轉。
處理承杯21包含:複數個擋板24,其等接住從基板W向外側排出之處理液;複數個承杯23,其等接住被複數個擋板24引導至下方之處理液;以及圓筒狀之外壁構件22,其包圍複數個擋板24及複數個承杯23。複數個擋板24能夠藉由擋板升降單元27而個別地升降。
處理單元2包含:藥液噴嘴31,其噴出藥液;沖洗液噴嘴35,其噴出沖洗液;乾燥前處理液噴嘴39,其噴出乾燥前處理液;以及置換液噴嘴43,其噴出置換液。藥液噴嘴31、沖洗液噴嘴35、乾燥前處理液噴嘴39、及置換液噴嘴43能夠藉由與各自對應地設置之噴嘴移動單元34、38、42、46而於腔室4內獨立地水平移動。
乾燥前處理液噴嘴39連接於將處理液引導至乾燥前處理液噴嘴39之乾燥前處理液配管40。當打開插裝於乾燥前處理液配管40之乾燥前處理液閥41時,從乾燥前處理液噴嘴39之噴出口朝下方連續地噴出乾燥前處理液。乾燥前處理液係包含相當於溶質之昇華性物質、及與昇華性物質溶合之溶劑的混合液。
乾燥前處理液噴嘴39連接於噴嘴移動單元42。噴嘴移動單元42使乾燥前處理液噴嘴39沿鉛直方向及水平方向中之至少一方向移動。噴嘴移動單元42使乾燥前處理液噴嘴39於處理位置與待機位置之間水平移動,上述處理位置係從乾燥前處理液噴嘴39噴出之乾燥前處理液被供給至基板W之上表面之位置,上述待機位置係乾燥前處理液噴嘴39於俯視下位於處理承杯21周圍之位置。
處理單元2包含配置於旋轉夾盤10之上方之圓板狀遮斷構件51。遮斷構件51包含水平配置於旋轉夾盤10之上方之圓板部52。遮斷構件51由從圓板部52之中央部朝上方延伸之筒狀心軸53支持為水平。圓板部52之中心線配置於基板W之旋轉軸線A1上。圓板部52之下表面相當於遮斷構件51之下表面51L。遮斷構件51之下表面51L與基板W之上表面平行,具有基板W之直徑以上之外徑。
遮斷構件51連接於使遮斷構件51鉛直升降之遮斷構件升降單元54。遮斷構件升降單元54使遮斷構件51移動至上位置(圖7所示之位置)至下位置之任意位置。
於上下貫通遮斷構件51之中央部之貫通孔內配置中心噴嘴55。中心噴嘴55與遮斷構件51一起升降。中心噴嘴55連接於將惰性氣體引導至中心噴嘴55之上氣體配管56。基板處理裝置1具備將從中心噴嘴55噴出之惰性氣體加熱或冷卻之上溫度調節器59。當打開插裝於上氣體配管56之上氣體閥57時,以與變更惰性氣體之流量之流量調整閥58之開度對應之流量,從中心噴嘴55之噴出口朝下方連續地噴出惰性氣體。從中心噴嘴55噴出之惰性氣體為氮氣。
圖8係用以對基板處理裝置1進行之基板處理之一例進行說明之步序圖。於利用基板處理裝置1對基板W進行處理時,將基板W搬入腔室4內,利用旋轉夾盤10保持基板W。其後,擋板升降單元27使至少一個擋板24從下位置上升至上位置。基板W之表面係供形成電晶體或電容器等器件之面,形成有圖案。
步驟S51中,驅動旋轉馬達14,使基板W開始旋轉。接下來之步驟S52中,進行藥液供給步序,將藥液供給至基板W之上表面,形成覆蓋基板W之整個上表面之藥液之液膜。具體而言,使藥液噴嘴31從待機位置移動至處理位置,藥液噴嘴31於特定時間內噴出藥液,並移動至待機位置。從藥液噴嘴31噴出之藥液碰撞至正在旋轉之基板W之上表面之後,利用離心力沿著基板W之上表面朝外側流動。
步驟S53中,進行沖洗液供給步序,將作為沖洗液之一例之純水供給至基板W之上表面,沖洗掉基板W上之藥液。具體而言,沖洗液噴嘴35從待機位置移動至處理位置,沖洗液噴嘴35於特定時間內噴出沖洗液,並移動至待機位置。從沖洗液噴嘴35噴出之純水碰撞至正在旋轉之基板W之上表面之後,利用離心力沿著基板W之上表面朝外側流動。
步驟S54中,進行置換液供給步序,將與沖洗液及乾燥前處理液兩者溶合之置換液,供給至基板W之上表面,將基板W上之純水置換成置換液。具體而言,置換液噴嘴43從待機位置移動至處理位置,置換液噴嘴43於特定時間內噴出置換液,並移動至待機位置。從置換液噴嘴43噴出之置換液碰撞至基板W之上表面之後,利用離心力沿著基板W之上表面朝外側流動。基板W上之純水,被置換成從置換液噴嘴43噴出之置換液。藉此,形成覆蓋基板W之整個上表面之置換液之液膜。
步驟S55中,進行乾燥前處理液供給步序,將乾燥前處理液供給至基板W之上表面,於基板W上形成乾燥前處理液之液膜。具體而言,噴嘴移動單元42使乾燥前處理液噴嘴39從待機位置移動至處理位置。其後,打開乾燥前處理液閥41,乾燥前處理液噴嘴39開始噴出乾燥前處理液。於開始噴出乾燥前處理液之前,擋板升降單元27亦可使至少一個擋板24鉛直移動,以切換接住從基板W排出之液體之擋板24。乾燥前處理液閥41打開起經過特定時間後,關閉乾燥前處理液閥41,停止噴出乾燥前處理液。其後,噴嘴移動單元42使乾燥前處理液噴嘴39移動至待機位置。
從乾燥前處理液噴嘴39噴出之乾燥前處理液,碰撞至以液體供給速度旋轉之基板W之上表面之後,利用離心力沿著基板W之上表面朝外側流動。基板W上之置換液係被置換成從乾燥前處理液噴嘴39噴出之乾燥前處理液。藉此,形成覆蓋基板W之整個上表面之乾燥前處理液之液膜。於乾燥前處理液噴嘴39噴出乾燥前處理液時,噴嘴移動單元42以使乾燥前處理液相對於基板W之上表面之觸液位置通過中央部與外周部之方式,使觸液位置移動。
步驟S56中,進行膜厚減少步序,將基板W上之一部分乾燥前處理液去除,維持基板W之整個上表面被乾燥前處理液之液膜覆蓋之狀態,同時使基板W上之乾燥前處理液之膜厚(液膜之厚度)減少。具體而言,於遮斷構件51位於下位置之狀態下,旋轉馬達14使基板W旋轉。基板W上之乾燥前處理液於停止噴出乾燥前處理液之後,仍利用離心力從基板W朝外側排出。因此,基板W上之乾燥前處理液之液膜之厚度減少。當基板W上之乾燥前處理液被排出某程度後,每單位時間乾燥前處理液從基板W之排出量減少至零或大致為零。
步驟S57中,進行凝固體形成步序,使基板W上之乾燥前處理液凝固,於基板W上形成包含昇華性物質之凝固體。具體而言,於遮斷構件51位於下位置之狀態下,旋轉馬達14使基板W旋轉。進而,打開上氣體閥57,使中心噴嘴55開始噴出氮氣。於凝固體形成步序中,促進乾燥前處理液之蒸發,基板W上之一部分乾燥前處理液蒸發。因此,昇華性物質之濃度逐漸增加,同時乾燥前處理液之膜厚逐漸減少。
步驟S58中,進行昇華步序,使基板W上之凝固體昇華,而從基板W之上表面去除。具體而言,於遮斷構件51位於下位置之狀態下,旋轉馬達14使基板W旋轉。進而,打開上氣體閥57,使中心噴嘴55開始噴出氮氣。當昇華步序結束後,旋轉馬達14停止,從而基板W停止旋轉(步驟S59)。
(5)驅動條件之具體例
模擬器250模擬乾燥前處理液之運動,該乾燥前處理液係於執行基板處理裝置1中所執行之一系列處理期間噴出至基板W。該一系列處理包含圖8所示之置換液供給步序(步驟S54)、乾燥前處理液供給步序(步驟S55)、膜厚減少步序(步驟S56)、凝固體形成步序(步驟S57)。因此,液體膜之膜厚表示置換液或乾燥前處理液之膜之膜厚,固體膜之膜厚表示凝固體之膜之膜厚,該凝固體包含使溶劑從乾燥前處理液蒸發而析出之昇華性物質。
用以調整模擬器250之驅動條件及用以使第1學習模型進行學習之驅動條件包含:配方,其係為了使基板處理裝置1執行一系列處理而設定;以及狀態條件,其表示基板處理裝置1開始一系列處理之時間點之狀態。
<配方>
配方包含藥液流量、噴嘴噴出位置、噴嘴噴出直徑、噴嘴掃描速度、噴嘴掃描位置資訊(時間變化)、基板旋轉速度、處理時間、乾燥氣體(N
2)流量、乾燥氣體(N
2)噴出位置。
藥液流量係置換液每單位時間從置換液噴嘴43噴出之量。又,藥液流量係乾燥前處理液每單位時間從乾燥前處理液噴嘴39噴出之量,此處,以乾燥前處理液閥41之開度表示。對置換液之噴嘴噴出位置係置換液噴嘴43相對於基板W之高度方向之位置,由噴嘴移動單元46決定。對乾燥前處理液之噴嘴噴出位置係乾燥前處理液噴嘴39相對於基板W之高度方向之位置,由噴嘴移動單元42決定。對置換液之噴嘴噴出直徑係置換液噴嘴43之噴出口之內徑,由置換液噴嘴43決定。對乾燥前處理液之噴嘴噴出直徑係乾燥前處理液噴嘴39之噴出口之內徑,由乾燥前處理液噴嘴39決定。
對置換液之噴嘴掃描速度係置換液噴嘴43進行掃描移動之速度,由噴嘴移動單元46決定。對乾燥前處理液之噴嘴掃描速度係乾燥前處理液噴嘴39進行掃描移動之速度,由噴嘴移動單元42決定。對置換液之噴嘴掃描位置資訊(時間變化)係置換液噴嘴43相對於基板W之位置之時間變化,由噴嘴移動單元46決定。對乾燥前處理液之噴嘴掃描位置資訊(時間變化)係乾燥前處理液噴嘴39相對於基板W之位置之時間變化,由噴嘴移動單元42決定。
基板轉速係旋轉馬達14之旋轉速度。處理時間包含藥液噴出時間、藥液甩開時間、溶劑乾燥時間。藥液噴出時間係置換液供給步序中從置換液噴嘴43噴出置換液之時間、及乾燥前處理液供給步序中從乾燥前處理液噴嘴39噴出乾燥前處理液之時間。藥液甩開時間係膜厚減少步序中,於遮斷構件51位於下位置之狀態下,旋轉馬達14使基板W旋轉之時間。溶劑乾燥時間係凝固體形成步序中,於遮斷構件51位於下位置且從中心噴嘴55噴出氮氣之狀態下,旋轉馬達14使基板W旋轉之時間。
乾燥氣體(N
2)流量係乾燥氣體(N
2)每單位時間從中心噴嘴55噴出之量,此處,以流量調整閥58之開度表示。乾燥氣體(N
2)噴出位置係中心噴嘴55相對於基板W之位置,於本實施方式中係基板W之中心上方。
<狀態條件>
狀態條件包含藥液條件、基板條件、裝置構成、及環境條件。藥液條件係與置換液及乾燥前處理液相關之資訊,包含黏度、表面張力、溫度、濃度、相對於基板之接觸角、蒸氣壓、固化熱、飽和濃度、擴散係數。基板條件係與基板W相關之資訊,包含表面狀態(撥水、親水)、相對於乾燥前處理液之接觸角。裝置構成係與基板處理裝置1相關之資訊,包含處理承杯21相對於基板W之位置及形狀、旋轉夾盤10之位置及形狀、旋轉基座12之位置及形狀、乾燥前處理液噴嘴39之位置及形狀。環境條件係與處理基板W之環境相關之資訊,包含腔室4之內壓、腔室4內之溫度。
(6)效果
第1實施方式中之處理系統300中,學習裝置200獲取基板上形成之固體之膜厚或液體之膜厚,使學習模型學習第1教學資料,上述固體之膜厚或液體之膜厚係於第1條件下驅動基板處理裝置1而獲得,上述第1教學資料包含表示固體之膜厚或液體之膜厚之特性的膜厚特性及第1條件。因此,於應用參數相對較多之昇華乾燥技術之處理中,能夠產生用以推斷膜厚特性之學習模型,上述膜厚特性表示基板上形成之固體之膜厚或液體之膜厚之特性。
又,學習裝置200獲取表示基板上形成之固體之膜厚或液體之膜厚之特性的膜厚特性,上述膜厚特性係於與第1條件不同之第2條件下驅動模擬器250而獲得,且學習裝置200使學習模型進而學習包含第2條件及膜厚特性之第2教學資料。藉此,由於能夠容易地產生第2教學資料,故容易產生學習模型。
第1教學資料被分類成與基板之表面狀態、形成於基板之圖案之形狀、及液體之物性對應之複數個通道。因此,由於針對複數個通道分別產生學習模型,故學習模型之推斷精度提高。
資訊處理裝置100使用由學習裝置200產生之學習模型來決定配方。能夠容易地決定用以驅動基板處理裝置1之配方。
又,驅動條件針對複數個項目分別設定了值,資訊處理裝置100於對學習模型賦予臨時條件作為驅動條件且由學習模型推斷出之膜厚特性滿足容許條件之情形時,基於臨時條件來決定配方,上述臨時條件係將複數個項目之一部分項目設定為規定值且將其他項目設定為任意值。因此,於被賦予了臨時條件作為驅動條件之學習模型所推斷出之膜厚特性滿足容許條件之情形時,基於臨時條件來決定配方。因此,能夠使用學習模型容易地求得用以驅動基板處理裝置之配方。
[第2實施方式]
第2實施方式中之處理系統300係對第1實施方式中之處理系統300追加了以下功能而成:於基板處理裝置1執行一系列處理期間,基於由感測器檢測出之中間處理狀態,對配方進行校正。以下,主要對與第1實施方式中之處理系統300之不同點進行說明。
於第2實施方式中之處理系統300中,以將中間處理狀態設為腔室4內之壓力及溫度之情形為例進行說明。由配置於腔室4內之壓力感測器來檢測壓力,由配置於腔室4內之溫度感測器來檢測溫度。
圖9係表示第2本實施方式中之處理系統之一功能構成例之圖。參照圖9,與圖3所示之功能之不同點在於:於學習裝置200中,分別將第1調整部259變更為第2調整部259A,將第1強化資料獲取部255變更為第2強化資料獲取部255A,將第1學習部253變更為第2學習部253A,將第1強化學習部257變更為第2強化學習部257A,且追加了第1中間處理狀態獲取部261。又,於資訊處理裝置100中,將第1推斷部151變更為第2推斷部151A,將配方決定部153變更為配方決定部153A,且追加了校正部157。其他功能與圖3所示之功能相同,故此處省略說明。
第2實施方式中之學習裝置200所具有之第1中間處理狀態獲取部261藉由實驗獲取基板處理裝置1執行一系列處理期間之中間處理狀態。第1中間處理狀態獲取部261於基板處理裝置1開始執行一系列處理後經過特定時間之時機獲取中間處理狀態。具體而言,第1中間處理狀態獲取部261獲取由溫度感測器測得之腔室4內之溫度及由壓力感測器測得之腔室4內之壓力作為中間處理狀態。中間處理狀態與實驗資料中包含之第1條件成為一組。第1中間處理狀態獲取部261將中間處理狀態輸出至第2調整部259A及第2學習部253A。
第2學習部253A基於實驗資料及中間處理狀態產生第1教學資料,並使第2學習模型學習第1教學資料。第2實施方式中之第1教學資料包含第1條件、中間處理狀態、及膜厚特性。以下,將包含第1條件、中間處理狀態、及膜厚特性之第1教學資料稱作包含中間處理狀態之第1教學資料。膜厚特性係藉由將實驗資料中包含之液體之膜厚或固體之膜厚與容許範圍進行比較而求得。
包含中間處理狀態之第1教學資料較佳為被分類成與基板之表面狀態、形成於基板之圖案之形狀、及塗佈於基板之混合液之物性對應之複數個通道。藉由針對複數個通道分別產生第2學習模型,能夠提高第2學習模型之推斷精度。
第2調整部259A基於實驗資料及中間處理狀態來調整模擬器250。第2調整部259A使模擬器250於基板處理裝置1在實驗資料中包含之第1條件下執行一系列處理期間執行混合液於基板上之運動,且調整模擬器250,以使執行一系列處理過程中之腔室內之溫度及壓力接近中間處理狀態,且執行一系列處理所得之結果接近實驗資料中包含之液體膜或固體膜之膜厚。
第2強化資料獲取部255A獲取膜厚特性,該膜厚特性表示於第2條件下驅動模擬器250而獲得之中間處理狀態及液體之膜厚或固體之膜厚之特性。第2條件之條件項目與實驗資料中使用之第1條件相同,且值不同。第2強化資料獲取部255A按照預先規定之規則,產生第2條件。再者,第2條件亦可隨機產生。第2強化資料獲取部255A於在第2條件下驅動模擬器250而完成一系列處理之前之階段,獲取模擬器250算出之中間處理狀態。獲取中間處理狀態之時機與第1中間處理狀態獲取部261獲取中間處理狀態之時機相同。即,時機係於由基板處理裝置1開始執行一系列處理後經過特定時間時。第2強化資料獲取部255A藉由將模擬器250輸出之液體之膜厚或固體之膜厚與預先規定之容許範圍進行比較,而決定膜厚特性。第2強化資料獲取部255A將包含第2條件、中間處理狀態、及膜厚特性之第2強化資料(第2教學資料)輸出至第2強化學習部257A。
第2強化學習部257A使藉由第2學習部253A而進行了學習之學習完畢之第2學習模型學習第2強化資料。由於藉由第2學習部253A而進行了學習之學習完畢之第2學習模型係利用第2強化資料進一步學習,故無需藉由實驗來準備所需數量之包含中間處理狀態之第1教學資料用以使第2學習模型進行學習,容易產生第2學習模型。換言之,可利用模擬器250產生之包含中間處理狀態之第2教學資料來覆蓋用以使第2學習模型進行學習所需之數量之教學資料。第2強化學習部257A將學習完畢之第2學習模型輸出至資訊處理裝置100。
配方決定部153A包含中間處理狀態產生部156及第1臨時條件決定部155A。第1臨時條件決定部155A決定第2臨時條件。第2臨時條件包含驅動條件及中間處理狀態。第1臨時條件決定部155A決定驅動條件。第1臨時條件決定部155A基於為了驅動基板處理裝置1而設定之資訊及由基板處理裝置1所具備之各種感測器檢測出之感測器值,來決定狀態條件。第1臨時條件決定部155A獲取表示對基板處理裝置1供給之混合液之特性的特性資訊。又,第1臨時條件決定部155A設定隨機值作為配方之各設定項目之值。第1臨時條件決定部155A決定包含各設定項目被設定了隨機值之配方及狀態條件的驅動條件。第1臨時條件決定部155A將驅動條件輸出至中間處理狀態產生部156,並從中間處理狀態產生部156獲取中間處理狀態。
中間處理狀態產生部156於從第1臨時條件決定部155A輸入之驅動條件下驅動模擬器250,獲取模擬器250輸出之中間處理狀態。中間處理狀態產生部156將所獲取之中間處理狀態輸出至第1臨時條件決定部155A。模擬器250輸出中間處理狀態之時機較佳為與實驗資料中獲取中間處理狀態之時機相同。由於中間處理狀態係於基板處理裝置1完成一系列處理之前之階段獲取之資訊,故至模擬器250算出中間處理狀態為止之時間較至模擬器250算出基板處理裝置1所執行之一系列處理結束之時間點之膜厚為止之時間短。第1臨時條件決定部155A將包含驅動條件及由中間處理狀態產生部156產生之中間處理狀態的第2臨時條件輸出至第2推斷部151A。
第2推斷部151A使用由學習裝置200產生之學習完畢之第2學習模型,來推斷膜厚特性。第2推斷部151A對第2學習模型賦予第2臨時條件,將利用第2學習模型推斷出之膜厚特性輸出至配方決定部153A。
於從第2推斷部151A輸入之膜厚特性係表示包含於容許範圍內之值之情形時,配方決定部153A基於輸出至第2推斷部151A之第2臨時條件來決定配方。第2臨時條件中設定之配方決定為用以驅動基板處理裝置1之配方。第1臨時條件決定部155A反覆決定新的第2臨時條件,直至配方決定部153A決定配方為止。配方決定部153A對基板處理裝置1賦予已決定之配方,並按照該配方驅動基板處理裝置1。
校正部157包含第2臨時條件決定部159。第2臨時條件決定部159從基板處理裝置1獲取中間處理狀態,該基板處理裝置1正在按照由配方決定部153A決定之配方執行一系列處理。具體而言,第2臨時條件決定部159獲取由基板處理裝置1所具備之溫度感測器測得之腔室4內之溫度及由壓力感測器測得之腔室4內之壓力作為中間處理狀態。又,第2臨時條件決定部159決定驅動條件。第2臨時條件決定部159基於為了驅動基板處理裝置1而設定之資訊及由基板處理裝置1所具備之各種感測器檢測出之感測器值,來決定狀態條件。第2臨時條件決定部159獲取表示對基板處理裝置1供給之混合液之特性的特性資訊。又,第2臨時條件決定部159設定隨機值作為配方之各設定項目之值。第2臨時條件決定部159決定包含各設定項目被設定了隨機值之配方及狀態條件的驅動條件。第2臨時條件決定部159將包含從基板處理裝置1獲取之中間處理狀態、及驅動條件之第2臨時條件輸出至第2推斷部151A。
第2推斷部151A使用由學習裝置200產生之學習完畢之第2學習模型,來推斷膜厚特性。第2推斷部151A對第2學習模型賦予第2臨時條件,並將利用第2學習模型推斷出之膜厚特性輸出至配方決定部153A。
於從第2推斷部151A輸入之膜厚特性係表示包含於容許範圍內之值之情形時,校正部157基於輸出至第2推斷部151A之第2臨時條件來決定新的配方。第2臨時條件中設定之配方決定為用以驅動基板處理裝置1之新配方。第2臨時條件決定部159反覆決定新的第2臨時條件,直至校正部157決定新的配方為止。校正部157利用新的配方來更新配方決定部153A所決定之配方,並將更新後之配方賦予給基板處理裝置1,按照該配方驅動基板處理裝置1。
圖10係表示第2實施方式中之學習模型產生處理之流程之一例的流程圖。參照圖10,學習裝置200所具備之CPU獲取實驗資料(步驟S01A),並使處理進入步驟S02A。此處獲取之實驗資料包含中間處理狀態。於從基板處理裝置1輸入實驗資料之情形時,獲取該實驗資料。又,於安裝有記錄著實驗資料之CD-ROM等記錄媒體之情形時,從該CD-ROM讀出實驗資料。
步驟S02A中,決定包含中間處理狀態之第1教學資料,處理進入步驟S03A。基於實驗資料中包含之液體之膜厚或固體之膜厚來決定膜厚特性,從而決定包含中間處理狀態之第1教學資料。第2實施方式中之包含中間處理狀態之第1教學資料除了包含第1條件及膜厚特性以外,還包含中間處理狀態。膜厚特性係藉由將實驗資料中包含之液體之膜厚或固體之膜厚與預先規定之容許範圍進行比較而得以決定。根據實驗資料中包含之第1條件及中間處理狀態、與從實驗資料決定之膜厚特性,而決定包含中間處理狀態之第1教學資料。
步驟S03A中,學習裝置200所具備之CPU使第2學習模型進行學習,處理進入步驟S04A。對第2學習模型賦予包含中間處理狀態之第1教學資料,產生學習完畢之第2學習模型。
步驟S04A中,決定第2條件,處理進入步驟S05A。第2條件之條件項目與實驗資料中包含之第1條件相同,且值不同。此處,決定複數個第2條件。
步驟S05A中,使模擬器模擬中間處理狀態與膜厚,處理進入步驟S06A。將步驟S04中產生之第2條件輸入至模擬器中,算出中間處理狀態、及液體之膜厚或固體之膜厚。藉此,針對複數個第2條件分別算出中間處理狀態、及液體之膜厚或固體之膜厚。
步驟S06A中,決定第2強化資料,處理進入步驟S07A。基於在步驟S05A中針對複數個第2條件分別算出之液體之膜厚或固體之膜厚,針對複數個第2條件分別決定膜厚特性。藉由將液體之膜厚或固體之膜厚與預先規定之容許範圍進行比較,而決定膜厚特性。然後,決定包含第2條件、中間處理狀態、及膜厚特性之第2強化資料。因此,決定與步驟S04A中產生之第2條件中所包含之驅動條件之數量為相同數量之第2強化資料。
步驟S07A中,學習裝置200所具備之CPU使第2學習模型強化學習,並結束處理。對在步驟S03A中已學習過之第2學習模型賦予第2強化資料,使學習完畢之第2學習模型強化。
圖11係表示第2實施方式中之配方決定處理之流程之一例的流程圖。參照圖11,與圖6所示之處理之不同點在於:將步驟S13及S14變更為步驟S13A及S14A,於步驟S12與步驟S13A之間追加了步驟S12A,及於步驟S17之後追加了步驟S18。其他處理由於和圖6所示之處理相同,故此處省略說明。
資訊處理裝置100所具備之CPU101於步驟S12中設定了臨時配方之後,獲取中間處理狀態(步驟S12A)。於驅動條件下驅動模擬器250,獲取模擬器250輸出之中間處理狀態。從模擬器250獲取中間處理狀態之時機較佳為與實驗資料中獲取中間處理狀態之時機相同。驅動條件包含步驟S11中所獲取之狀態條件及步驟S12中所設定之臨時配方。
於接下來之步驟S13A中,決定第2臨時條件,處理進入步驟S14A。決定包含步驟S11中所獲取之狀態條件、步驟S12中所決定之臨時配方、及步驟S12A中所獲取之中間處理狀態的第2臨時條件。
步驟S14A中,利用第2學習模型推斷膜厚特性。對第2學習模型賦予第2臨時條件,獲取利用第2學習模型推斷出之膜厚特性。
步驟S15中,判斷膜厚特性是否包含於容許範圍內。若步驟S14A中推斷出之膜厚特性表示包含於容許範圍內,則處理進入步驟S16,否則處理返回至步驟S12。
步驟S16中,將於步驟S13A中決定之第2臨時條件中所包含之臨時配方決定為用以驅動基板處理裝置1之配方,處理進入步驟S17。於步驟S17中,以所決定之配方驅動基板處理裝置1,處理進入步驟S18。於步驟S18中,執行校正處理,處理結束。
圖12係表示第2實施方式中之校正處理之流程之一例的流程圖。參照圖12,校正處理中,資訊處理裝置100所具備之CPU101判斷是否為校正時機(步驟S21)。處於待機狀態直至當前時刻成為校正時機為止(步驟S21中為否),一旦當前時刻成為校正時機,處理就進入步驟S22。校正時機係預先規定之時機。校正時機較佳設為與實驗資料中測得中間處理狀態之時機相同之時機。
步驟S22中,獲取狀態條件,處理進入步驟S23。基於基板處理裝置1所具備之感測器之輸出值來決定狀態條件。步驟S23中,獲取中間處理狀態,處理進入步驟S24。基於基板處理裝置1所具備之感測器之輸出值來獲取中間處理狀態。中間處理狀態包含基於溫度感測器之輸出值而決定之腔室4內之溫度、以及基於壓力感測器之輸出值而決定之腔室4內之壓力。
步驟S24中,決定任意值之臨時配方,處理進入步驟S25。決定之臨時配方中設定隨機值作為配方之各設定項目之值。
步驟S25中,決定第2臨時條件,處理進入步驟S26。決定包含步驟S22中所獲取之狀態條件、步驟S24中所決定之臨時配方、及步驟S23中所獲取之中間處理狀態的第2臨時條件。
步驟S26中,利用第2學習模型推斷膜厚特性。對第2學習模型賦予第2臨時條件,獲取利用第2學習模型推斷出之膜厚特性。
步驟S27中,判斷膜厚特性是否包含於容許範圍內。若步驟S26中推斷出之膜厚特性表示包含於容許範圍內,則處理進入步驟S28,否則處理進入步驟S24。
步驟S28中,將於步驟S25中決定之第2臨時條件中所包含之臨時配方決定為用以驅動基板處理裝置1之新配方,處理進入步驟S29。步驟S29中,將於步驟S24中設定之臨時配方決定為用以驅動基板處理裝置1之新配方。步驟S29中,CPU101對基板處理裝置1賦予新的配方,並按照新的配方驅動基板處理裝置1,使處理返回至配方決定處理。
第2實施方式中之資訊處理裝置100亦可具有模擬器250所具有之功能。於該情形時,不需要模擬器250。
第2實施方式中之處理系統300除了發揮第1實施方式中之處理系統300所發揮之效果以外,還發揮以下效果。
學習裝置200獲取利用基板處理裝置進行之一系列處理完成之前之時間點之中間處理狀態,並使學習模型學習包含中間處理狀態之第1教學資料。因此,學習模型之推斷精度提高。
又,學習裝置200於與第1條件不同之第2條件下驅動模擬器而進一步獲取利用模擬器進行之一系列處理完成之前之時間點之中間處理狀態,並使學習模型學習包含中間處理狀態之第2教學資料。因此,由於能夠容易地產生第2教學資料,故容易產生學習模型。又,由於利用包含中間處理狀態之第2教學資料使學習模型強化學習,故容易產生提高了推斷精度之學習模型。
又,學習裝置使用第1條件、中間處理狀態、及藉由實驗而獲取之固體之膜厚或液體之膜厚中之任一者來調整模擬器。因此,能夠提高模擬器之精度。
又,資訊處理裝置100中,驅動條件進而包含由基板處理裝置1完成一系列處理之前之時間點之中間處理狀態,資訊處理裝置100獲取由基板處理裝置1按照配方執行之一系列處理完成之前之時間點之中間處理狀態,對學習模型賦予中間處理狀態及臨時條件作為驅動條件,於學習模型推斷出之膜厚特性滿足容許條件之情形時,基於臨時條件來決定新的配方,上述臨時條件係將複數個項目之一部分項目設定為規定值且將其他項目設定為任意值。因此,基於由基板處理裝置1按照配方執行之一系列處理完成之前之時間點之中間處理狀態來決定新的配方。因此,於基板處理裝置1正執行一系列處理時驅動條件發生變化之情形時,可使藉由基板處理裝置1而形成之固體膜或液體膜之膜厚之膜厚特性處於容許範圍內。
[第3實施方式]
於第2實施方式中,實驗資料包含中間處理狀態,但於第3實施方式中之處理系統300中,實驗資料不包含中間處理狀態。
圖13係表示第3本實施方式中之處理系統之一功能構成例之圖。參照圖13,與圖9所示之功能之不同點在於:將第1中間處理狀態獲取部261變更為第2中間處理狀態獲取部261A。其他功能由於和圖9所示之功能相同,故此處省略說明。
實驗資料獲取部251中所獲取之實驗資料不包含中間處理狀態。因此,第2中間處理狀態獲取部261A對模擬器250賦予實驗資料中包含之第1條件即驅動條件,使模擬器250進行模擬。然後,第2中間處理狀態獲取部261A獲取由模擬器250算出之中間處理狀態。第2中間處理狀態獲取部261A將中間處理狀態輸出至第2學習部253A及第2調整部259A。
第2實施方式中之處理系統300中,由於無需收集實驗資料中之中間處理狀態,故能夠簡化用以產生包含中間處理狀態之第1教學資料之實驗。
第3實施方式中之處理系統300除了發揮第2實施方式中之處理系統300所發揮之效果以外,還發揮以下效果。
第3實施方式中之處理系統300中,學習裝置200於第1條件下驅動模擬器,獲取利用模擬器進行之一系列處理完成之前之時間點之中間處理狀態,並使學習模型學習進而包含中間處理狀態之第1教學資料。由於藉由模擬器產生中間處理狀態,故能夠使模擬器算出藉由實驗無法測量之狀態。因此,藉由在第1教學資料中包含中間處理狀態,能夠提高學習模型之推斷精度。
又,學習裝置200於與第1條件不同之第2條件下驅動模擬器,獲取利用模擬器進行之一系列處理完成之前之時間點之中間處理狀態、及表示基板上形成之固體之膜厚或液體之膜厚之特性的膜厚特性,並使學習模型進而學習包含第2條件、中間處理狀態及膜厚特性之第2教學資料。因此,由於能夠容易地產生第2教學資料,故容易產生學習模型。又,由於利用包含中間處理狀態之第2教學資料使學習模型強化學習,故提高了推斷精度之學習模型之強化學習變得容易。
[第4實施方式]
第4實施方式中之處理系統300中,資訊處理裝置100使用學習裝置200所產生之第1學習模型於基板處理裝置1執行一系列處理之前之階段決定配方,於基板處理裝置1執行一系列處理期間使用學習裝置200所產生之第2學習模型對配方進行校正。
圖14係表示第4本實施方式中之處理系統之一功能構成例之圖。參照圖14,與圖3所示之功能之不同點在於:於學習裝置200中,將第1調整部259變更為第2調整部259A,且追加了第2學習部253A、第2強化資料獲取部255A、第2強化學習部257A及第1中間處理狀態獲取部261。又,於資訊處理裝置100中,追加了第2推斷部151A及校正部157。其他功能由於和圖3所示之功能相同,故此處省略說明。
又,學習裝置200中之第2調整部259A、第2學習部253A、第2強化資料獲取部255A、第2強化學習部257A及第1中間處理狀態獲取部261、以及資訊處理裝置100中之第2推斷部151A及校正部157與圖9中和它們標註有相同符號之功能相同。
學習裝置200中,實驗資料獲取部251獲取實驗資料,並將所獲取之實驗資料輸出至第1學習部253及第2調整部259A。
第1學習部253基於由實驗資料獲取部251獲取之實驗資料而產生第1教學資料,並使第1學習模型學習第1教學資料。藉此,產生學習完畢之第1學習模型。
又,第1強化學習部257使學習完畢之第1學習模型進而學習由第1強化資料獲取部255獲取之第1強化資料。藉此,第1學習模型利用第1強化資料而進一步進行學習。
又,第2調整部259A基於由實驗資料獲取部251獲取之實驗資料及由第1中間處理狀態獲取部261獲取之中間處理狀態來調整模擬器250。
第2學習部253A基於由實驗資料獲取部獲取之實驗資料及由第1中間處理狀態獲取部261獲取之中間處理狀態,產生包含中間處理狀態之第1教學資料,並使第2學習模型學習包含中間處理狀態之第1教學資料。包含中間處理狀態之第1教學資料包含第1條件、中間處理狀態、及膜厚特性。
第2強化學習部257A使藉由第2學習部253A而進行了學習之學習完畢之第2學習模型進而學習由第2強化資料獲取部255A獲取之第2強化資料。藉此,第2學習模型利用第2強化資料而進一步進行學習。
第4實施方式中之資訊處理裝置100中,配方決定部153決定包含設定為隨機值之配方之第1臨時條件,並將其輸出至第1推斷部151。第1推斷部151對第1學習模型賦予第1臨時條件,並將利用第1學習模型推斷出之膜厚特性輸出至配方決定部153。
於從第1推斷部151輸入之膜厚特性係表示包含於容許範圍內之值之情形時,配方決定部153基於該第1臨時條件來決定配方。
又,校正部157從基板處理裝置1獲取中間處理狀態,該基板處理裝置1正在按照由配方決定部153決定之配方執行一系列處理。又,校正部157決定包含設定為隨機值之配方之第2臨時條件,並將其輸出至第2推斷部151A。第2臨時條件包含配方、從基板處理裝置1獲取之中間處理狀態、及狀態條件。第2推斷部151A係對第2學習模型賦予第2臨時條件,並將利用第2學習模型推斷出之膜厚特性輸出至校正部157。
於從第2推斷部151A輸入之膜厚特性係表示包含於容許範圍內之值之情形時,校正部157基於輸出至第2推斷部151A之第2臨時條件來決定新的配方。第2臨時條件中設定之配方決定為用於驅動基板處理裝置1之新配方。
第4實施方式中之學習裝置200係執行圖5及圖10中分別所示之學習模型產生處理。藉此,產生第1學習模型與第2學習模型。
圖15係表示第4實施方式中之配方決定處理之流程之一例的流程圖。參照圖15,與圖6所示之處理之不同點在於追加了步驟S18。其他處理由於和圖6所示之處理相同,故此處省略說明。於步驟S18中,執行圖12所示之校正處理。
第4實施方式中之處理系統300,除了發揮第3實施方式中之處理系統300所發揮之效果以外,還發揮以下效果。
第4實施方式中之處理系統300中,資訊處理裝置100使用第1學習模型來決定配方,獲取由基板處理裝置1按照配方執行之一系列處理完成之前之時間點之中間處理狀態,對第2學習模型賦予中間處理狀態,決定新的配方。因此,於基板處理裝置開始執行一系列處理之前與執行一系列處理之過程中使用不同之學習模型,故能夠於各自之時機決定適當之配方。
[5]其他實施方式
學習裝置200亦可藉由使新的學習模型學習教學資料而產生蒸餾模型,該教學資料包含由資訊處理裝置100決定之配方及推斷出之膜厚特性。
基板處理裝置1所具備之控制裝置3亦可具有資訊處理裝置100所具有之功能。又,基板處理裝置1所具備之控制裝置3亦可具有資訊處理裝置100及學習裝置200各自所具有之功能。進而,基板處理裝置1所具備之控制裝置3亦可具有模擬器250、學習裝置200及資訊處理裝置100所具有之功能。
中間處理狀態並不限於腔室4內之壓力及溫度,亦可除其等以外或者與其等分開地使用以下至少一個條件:液膜之厚度、流動(速度、方向)、濃度、溫度及基板W上之氣流之流動(速度、方向)、分壓、溫度。關於該等中間處理狀態,於利用感測器等進行檢測之情形時,使用由該感測器檢測出之值,於利用感測器等無法檢測出之情形時,由模擬器250求得。
[6]關於技術方案之各構成要素與實施方式各部分之對應關係,以下,對技術方案之各構成要素與實施方式之各要素之對應例進行說明,但本發明並不限定於下述示例。亦能夠使用具有技術方案所記載之構成或功能之其他各種要素,作為技術方案之各構成要素。上述實施方式中,模擬器250係模擬器之示例,學習裝置200係學習裝置之示例,資訊處理裝置100係資訊處理裝置之示例,基板處理裝置1係基板處理裝置之示例。
實驗資料獲取部251係實驗資料獲取部之示例,第1學習部253及第2學習部253A係學習部之示例,第1中間處理狀態獲取部261係第1中間資料獲取部之示例,第2中間處理狀態獲取部261A係第2中間資料獲取部之示例,第1強化資料獲取部255及第2強化資料獲取部255A係強化資料獲取部之示例。第1強化學習部257及第2強化學習部257A係強化學習部之示例,第1調整部259及第2調整部259A係調整部之示例。
配方決定部153及配方決定部153A係配方決定部之示例,中間處理狀態產生部156及校正部157係中間處理狀態獲取部之示例,校正部157係校正部之示例,配方決定部153係使用第1學習模型來決定配方之配方決定部153之示例,配方決定部153A係使用第2學習模型來決定配方之配方決定部之示例。
[7]實施方式之總結
(項目1)
一種學習裝置,其具備:
實驗資料獲取部,其獲取基板上形成之固體之膜厚或液體之膜厚,該固體之膜厚或液體之膜厚係於第1條件下驅動基板處理裝置而獲得,該基板處理裝置於執行對上述基板供給液體,於上述基板上形成固體膜或液體膜之一系列處理之後,從上述基板去除固體膜或液體膜而使上述基板乾燥;及
學習部,其使學習模型學習第1教學資料,該第1教學資料包含表示由上述實驗資料獲取部獲取之固體之膜厚或液體之膜厚之特性的膜厚特性、及上述第1條件。
根據該態樣,於將基板上形成之固體膜或液體膜從基板去除並使基板乾燥之處理中,能夠產生學習模型,上述學習模型用於推斷表示基板上形成之固體之膜厚或液體之膜厚之特性的膜厚特性。
(項目2)
如項目1之學習裝置,其進而具備第1中間資料獲取部,該第1中間資料獲取部獲取利用上述基板處理裝置進行之一系列處理完成之前之時間點之中間處理狀態,
上述學習部使上述學習模型學習上述第1教學資料,該第1教學資料進而包含由上述第1中間資料獲取部獲取之中間處理狀態。
藉此,學習模型之推斷精度提高。
(項目3)
如項目1或2之學習裝置,其進而具備:
強化資料獲取部,其獲取表示上述基板上形成之固體之膜厚或液體之膜厚之特性的膜厚特性,上述膜厚特性係於與上述第1條件不同之第2條件下驅動模擬器而獲得,上述模擬器模擬形成於上述基板處理裝置之固體膜或液體膜;及
強化學習部,其使上述學習模型進而學習第2教學資料,該第2教學資料包含上述第2條件及由上述強化資料獲取部獲取之膜厚特性。
藉此,能夠容易地產生第2教學資料,故容易產生學習模型。
(項目4)
如項目3之學習裝置,其中上述強化資料獲取部進而獲取於與上述第1條件不同之第2條件下驅動上述模擬器,利用上述模擬器進行之上述一系列處理完成之前之時間點之中間處理狀態,
上述強化學習部使上述學習模型學習第2教學資料,該第2教學資料進而包含由上述強化資料獲取部獲取之中間處理狀態。
因此,利用包含中間處理狀態之第2教學資料使學習模型強化學習,故容易產生提高了推斷精度之學習模型。
(項目5)
如項目2之學習裝置,其進而具備對模擬器進行調整之調整部,上述模擬器使用上述第1條件、由上述第1中間資料獲取部獲取之中間處理狀態、及由上述實驗資料獲取部獲取之固體膜厚或液體膜厚中之任一者,來模擬形成於上述基板處理裝置之固體膜或液體膜。
因此,能夠提高模擬器之精度。
(項目6)
如項目1之學習裝置,其進而具備第2中間資料獲取部,該第2中間資料獲取部獲取於上述第1條件下驅動模擬器,利用上述模擬器進行之上述一系列處理完成之前之時間點之中間處理狀態,上述模擬器模擬形成於上述基板處理裝置之固體膜或液體膜;
上述學習部使上述學習模型學習上述第1教學資料,該第1教學資料進而包含由上述第2中間資料獲取部獲取之中間處理狀態。
根據該態樣,由於藉由模擬器產生中間處理狀態,故能夠使模擬器算出藉由實驗無法測量之狀態。因此,藉由在第1教學資料中包含中間處理狀態,能夠提高學習模型之推斷精度。
(項目7)
如項目6之學習裝置,其進而具備:
強化資料獲取部,其獲取於與上述第1條件不同之第2條件下驅動上述模擬器,利用上述模擬器進行之上述一系列處理完成之前之時間點之中間處理狀態、及表示上述基板上形成之固體之膜厚或液體之膜厚之特性的膜厚特性;及
強化學習部,其使上述學習模型進而學習第2教學資料,該第2教學資料包含上述第2條件、及由上述強化資料獲取部獲取之中間處理狀態及膜厚特性。
因此,利用包含中間處理狀態之第2教學資料使學習模型強化學習,故提高了推斷精度之學習模型之強化學習變得容易。
(項目8)
如項目3至7中任一項之學習裝置,其中上述模擬器係基於物理模型而構成。
(項目9)
如項目1至8中任一項之學習裝置,其中上述第1教學資料被分類成與基板之表面狀態、基板上所形成之圖案之形狀、及液體之物性對應之複數個通道。
藉此,針對複數個通道分別產生學習模型,故學習模型之推斷精度提高。
(項目10)
一種資訊處理裝置,其具備驅動條件決定部,上述驅動條件決定部使用由如項目1至9中任一項之學習裝置產生之上述學習模型來決定配方。
因此,能夠容易地決定用以驅動基板處理裝置之配方。
(項目11)
一種資訊處理裝置,其具備配方決定部,上述配方決定部使用學習模型來決定配方,該學習模型根據驅動基板處理裝置之情形時之驅動條件,推斷表示於利用上述基板處理裝置進行之一系列處理完成之時間點形成於基板上之固體之膜厚或液體之膜厚之特性的膜厚特性,該基板處理裝置於執行對上述基板供給液體,於上述基板上形成固體膜或液體膜之上述一系列處理之後,從上述基板去除固體膜或液體膜而使上述基板乾燥;
上述驅動條件針對複數個項目分別設定了值,
上述配方決定部於對上述學習模型賦予臨時條件作為上述驅動條件,且由上述學習模型推斷出之膜厚特性滿足容許條件之情形時,基於上述臨時條件決定上述配方,上述臨時條件係將上述複數個項目之一部分項目設定為規定值且將其他項目設定為任意值。
根據該態樣,於被賦予臨時條件作為驅動條件之學習模型所推斷出之膜厚特性滿足容許條件之情形時,基於臨時條件決定配方。因此,能夠使用學習模型容易地求得用以驅動基板處理裝置之配方。
(項目12)
如項目11之資訊處理裝置,其中上述驅動條件進而包含由上述基板處理裝置完成上述一系列處理之前之時間點之中間處理狀態,且
該資訊處理裝置進而具備:
中間處理狀態獲取部,其獲取由上述基板處理裝置按照上述配方執行之上述一系列處理完成之前之時間點之中間處理狀態;以及
校正部,其對上述學習模型賦予由上述中間處理狀態獲取部獲取之中間處理狀態、及臨時條件作為上述驅動條件,於上述學習模型推斷出之膜厚特性滿足容許條件之情形時,基於上述臨時條件決定新的配方,上述臨時條件係將上述複數個項目之一部分項目設定為規定值且將其他項目設定為任意值。
根據該態樣,基於由基板處理裝置按照配方執行之一系列處理完成之前之時間點之中間處理狀態來決定新的配方。因此,於基板處理裝置正執行一系列處理時驅動條件發生變化之情形時,可使藉由基板處理裝置而形成之固體膜或液體膜之膜厚之膜厚特性處於容許範圍內。
(項目13)
一種資訊處理裝置,其具備:
中間處理狀態獲取部,其獲取由基板處理裝置完成一系列處理之前之時間點之中間處理狀態,上述基板處理裝置於執行對基板供給液體,於上述基板上形成固體膜或液體膜之上述一系列處理之後,從上述基板去除固體膜或液體膜而使上述基板乾燥;以及
校正部,其使用學習模型來決定配方,上述學習模型根據驅動上述基板處理裝置之情形時之驅動條件及於上述驅動條件下進行驅動之上述基板處理裝置完成上述一系列處理之前之時間點之中間處理狀態,推斷表示於上述基板處理裝置進行之上述一系列處理完成之時間點形成於上述基板上之固體之膜厚或液體之膜厚之特性的膜厚特性;
上述驅動條件針對複數個項目分別設定了值,
上述校正部對上述學習模型賦予由上述中間處理狀態獲取部獲取之中間處理狀態、及臨時條件作為上述驅動條件,於上述學習模型推斷出之膜厚特性滿足容許條件之情形時,基於上述臨時條件決定新的配方,上述臨時條件係將上述複數個項目之一部分項目設定為規定值且將其他項目設定為任意值。
根據該態樣,基於由基板處理裝置完成一系列處理之前之時間點之中間處理狀態來決定新的配方。因此,於基板處理裝置正執行一系列處理時驅動條件發生變化之情形時,可使藉由基板處理裝置而形成之固體膜或液體膜之膜厚之膜厚特性處於容許範圍內。
(項目14)
一種資訊處理裝置,其具備:
配方決定部,其使用第1學習模型來決定配方,該第1學習模型根據驅動基板處理裝置時之驅動條件,推斷表示於利用上述基板處理裝置進行之一系列處理完成之時間點形成於基板上之固體之膜厚或液體之膜厚之特性的膜厚特性,該基板處理裝置於執行對上述基板供給液體,於上述基板上形成固體膜或液體膜之上述一系列處理之後,從上述基板去除固體膜或液體膜而使上述基板乾燥;
中間處理狀態獲取部,其獲取由上述基板處理裝置按照上述配方執行之上述一系列處理完成之前之時間點之中間處理狀態;以及
校正部,其對第2學習模型賦予由上述中間處理狀態獲取部獲取之中間處理狀態,決定新的配方,上述第2學習模型根據上述驅動條件及由上述基板處理裝置按照上述配方執行之上述一系列處理完成之前之時間點之中間處理狀態,推斷表示於上述基板處理裝置進行之上述一系列處理完成之時間點形成於上述基板上之固體之膜厚或液體之膜厚之特性的膜厚特性。
根據該態樣,基板處理裝置開始執行一系列處理之前之配方係使用第1學習模型而決定,基板處理裝置完成一系列處理之前之新的配方係使用第2學習模型而決定。因此,於基板處理裝置開始執行一系列處理之前與執行一系列處理之過程中使用不同之學習模型,故能夠於各自之時機決定適當之配方。
(項目15)
如項目1至9中任一項之學習裝置,其進而具備蒸餾部,該蒸餾部使新的學習模型學習教學資料,上述教學資料包含由如項目10至14中任一項之資訊處理裝置決定之配方及推斷出之膜厚特性。
(項目16)
一種基板處理裝置,其具備如項目10至14中任一項之資訊處理裝置。
(項目17)
如項目16之基板處理裝置,其進而具備如項目1至9及15中任一項之學習裝置。
(項目18)
一種基板處理系統,其具備如項目10至14中任一項之資訊處理裝置、及上述基板處理裝置。
(項目19)
一種學習方法,其使電腦執行如下步驟:
實驗資料獲取步驟,其係獲取基板上形成之固體之膜厚或液體之膜厚,該固體之膜厚或液體之膜厚係於第1條件下驅動基板處理裝置而獲得,該基板處理裝置於執行對上述基板供給液體,於上述基板上形成固體膜或液體膜之一系列處理之後,從上述基板去除固體膜或液體膜而使上述基板乾燥;及
學習步驟,其係使學習模型學習第1教學資料,該第1教學資料包含表示上述實驗資料獲取步驟中所獲取之膜厚之特性的膜厚特性、及上述第1條件。
(項目20)
如項目19之學習方法,其進而使上述電腦執行第1中間資料獲取步驟,上述第1中間資料獲取步驟係獲取利用上述基板處理裝置進行之一系列處理完成之前之時間點之中間處理狀態,
上述學習步驟中,使上述學習模型學習上述第1教學資料,該第1教學資料進而包含藉由上述第1中間資料獲取步驟所獲取之中間處理狀態。
(項目21)
如項目19或20之學習方法,其進而使上述電腦執行如下步驟:
強化資料獲取步驟,其係獲取表示上述基板上形成之固體之膜厚或液體之膜厚之特性的膜厚特性,上述膜厚特性係於與上述第1條件不同之第2條件下驅動模擬器而獲得,上述模擬器模擬形成於上述基板處理裝置之固體膜或液體膜;以及
強化學習步驟,其係使上述學習模型進而學習第2教學資料,該第2教學資料包含上述第2條件及上述強化資料獲取步驟中所獲取之膜厚特性。
(項目22)
如項目21之學習方法,其中上述強化資料獲取步驟中,進而於與上述第1條件不同之第2條件下驅動上述模擬器,獲取上述模擬器進行之上述一系列處理完成之前之時間點之中間處理狀態;
上述強化學習步驟中,使上述學習模型學習第2教學資料,該第2教學資料進而包含上述強化資料獲取步驟中所獲取之中間處理狀態。
(項目23)
如項目19至22中任一項之學習方法,其進而使上述電腦執行第2中間資料獲取步驟,上述第2中間資料獲取步驟係於上述第1條件下驅動模擬器,獲取上述模擬器進行之上述一系列處理完成之前之時間點之中間處理狀態,上述模擬器模擬形成於上述基板處理裝置之固體膜或液體膜;
上述學習步驟中,使上述學習模型學習上述第1教學資料,該第1教學資料進而包含上述第2中間資料獲取步驟中所獲取之中間處理狀態。
(項目24)
一種配方決定方法,其使電腦執行配方決定步驟,該配方決定步驟係使用學習模型來決定配方,該學習模型根據驅動基板處理裝置之情形時之驅動條件,推斷表示於利用上述基板處理裝置進行之一系列處理完成之時間點形成於基板上之固體之膜厚或液體之膜厚之特性的膜厚特性,該基板處理裝置於執行對上述基板供給液體,於上述基板上形成固體膜或液體膜之上述一系列處理之後,從上述基板去除固體膜或液體膜而使上述基板乾燥;
上述驅動條件針對複數個項目分別設定了值,
上述配方決定步驟包含如下步驟:於對上述學習模型賦予臨時條件作為上述驅動條件,且由上述學習模型推斷出之膜厚特性滿足容許條件之情形時,基於上述臨時條件決定上述配方,上述臨時條件係將上述複數個項目之一部分項目設定為規定值且將其他項目設定為任意值。
(項目25)
如項目24之配方決定方法,其中上述驅動條件進而包含由上述基板處理裝置完成上述一系列處理之前之時間點之中間處理狀態,且
該配方決定方法進而使上述電腦執行如下步驟:
中間處理狀態獲取步驟,其係獲取由上述基板處理裝置按照上述配方執行之上述一系列處理完成之前之時間點之中間處理狀態;以及
校正步驟,其係對上述學習模型賦予上述中間處理狀態獲取步驟中所獲取之中間處理狀態、及臨時條件作為上述驅動條件,於上述學習模型推斷出之膜厚特性滿足容許條件之情形時,基於上述臨時條件決定新的配方,上述臨時條件係將上述複數個項目之一部分項目設定為規定值且將其他項目設定為任意值。
(項目26)
一種配方決定方法,其使電腦執行如下步驟:
中間處理狀態獲取步驟,其係獲取由基板處理裝置完成一系列處理之前之時間點之中間處理狀態,上述基板處理裝置於執行對基板供給液體,於上述基板上形成固體膜或液體膜之上述一系列處理之後,從上述基板去除固體膜或液體膜而使上述基板乾燥;及
校正步驟,其係使用學習模型來決定配方,上述學習模型根據驅動上述基板處理裝置之情形時之驅動條件及於上述驅動條件下進行驅動之上述基板處理裝置完成上述一系列處理之前之時間點之中間處理狀態,推斷表示於上述基板處理裝置進行之上述一系列處理完成之時間點形成於上述基板上之固體之膜厚或液體之膜厚之特性的膜厚特性;
上述驅動條件針對複數個項目分別設定了值,
上述校正步驟包含如下步驟:對上述學習模型賦予上述中間處理狀態獲取步驟中所獲取之中間處理狀態、及臨時條件作為上述驅動條件,於上述學習模型推斷出之膜厚特性滿足容許條件之情形時,基於上述臨時條件決定新的配方,上述臨時條件係將上述複數個項目之一部分項目設定為規定值且將其他項目設定為任意值。
(項目27)
一種學習程式,其使電腦執行如下步驟:
實驗資料獲取步驟,其係獲取基板上形成之固體之膜厚或液體之膜厚,該固體之膜厚或液體之膜厚係於第1條件下驅動基板處理裝置而獲得,該基板處理裝置於執行對上述基板供給液體,於上述基板上形成固體膜或液體膜之一系列處理之後,從上述基板去除固體膜或液體膜而使上述基板乾燥;及
學習步驟,其係使學習模型學習第1教學資料,該第1教學資料包含表示上述實驗資料獲取步驟中所獲取之膜厚之特性的膜厚特性及上述第1條件。
<實施方式之效果>
於將基板上形成之固體膜或液體膜從基板去除而使基板乾燥之處理中,能夠產生學習模型,上述學習模型用以推斷表示基板上形成之固體之膜厚或液體之膜厚之特性的膜厚特性。
又,容易產生學習模型。
又,能夠使用學習模型而容易地求得用以驅動基板處理裝置之配方。
1:基板處理裝置
2:處理單元
3:控制裝置
4:腔室
10:旋轉夾盤
11:夾盤銷
12:旋轉基座
13:旋轉軸
14:旋轉馬達
21:處理承杯
22:外壁構件
23:承杯
24:擋板
27:擋板升降單元
31:藥液噴嘴
34:噴嘴移動單元
35:沖洗液噴嘴
38:噴嘴移動單元
39:乾燥前處理液噴嘴
40:乾燥前處理液配管
41:乾燥前處理液閥
42:噴嘴移動單元
43:置換液噴嘴
46:噴嘴移動單元
51:遮斷構件
51L:遮斷構件51之下表面
52:圓板部
53:心軸
54:遮斷構件升降單元
55:中心噴嘴
56:上氣體配管
57:上氣體閥
58:流量調整閥
59:上溫度調節器
100:資訊處理裝置
101:CPU
102:RAM
103:ROM
104:記憶裝置
105:操作部
106:顯示裝置
107:輸入輸出I/F
108:匯流排
151:第1推斷部
151A:第2推斷部
153:配方決定部
153A:配方決定部
155:第1臨時條件決定部
155A:第1臨時條件決定部
156:中間處理狀態產生部
157:校正部
159:第2臨時條件決定部
200:學習裝置
250:模擬器
251:實驗資料獲取部
253:第1學習部
253A:第2學習部
255:第1強化資料獲取部
255A:第2強化資料獲取部
257:第1強化學習部
257A:第2強化學習部
259:第1調整部
259A:第2調整部
261:第1中間處理狀態獲取部
261A:第2中間處理狀態獲取部
301:基板處理系統
303:網路
圖1係表示本發明之第1實施方式之處理系統之一構成例的圖。
圖2係表示資訊處理裝置之一構成例之圖。
圖3係表示第1實施方式中之處理系統之一功能構成例之圖。
圖4係表示藉由實驗而獲得之膜厚之一例之圖。
圖5係表示學習模型產生處理之流程之一例之流程圖。
圖6係表示配方決定處理之流程之一例之流程圖。
圖7係水平觀察基板處理裝置所具備之處理單元之內部的模式圖。
圖8係用以對基板處理裝置進行之基板處理之一例進行說明之步序圖。
圖9係表示第2本實施方式中之處理系統之一功能構成例之圖。
圖10係表示第2實施方式中之學習模型產生處理之流程之一例的流程圖。
圖11係表示第2實施方式中之配方決定處理之流程之一例的流程圖。
圖12係表示第2實施方式中之校正處理之流程之一例的流程圖。
圖13係表示第3本實施方式中之處理系統之一功能構成例之圖。
圖14係表示第4本實施方式中之處理系統之一功能構成例之圖。
圖15係表示第4實施方式中之配方決定處理之流程之一例的流程圖。
100:資訊處理裝置
151:第1推斷部
153:配方決定部
155:第1臨時條件決定部
200:學習裝置
250:模擬器
251:實驗資料獲取部
253:第1學習部
255:第1強化資料獲取部
257:第1強化學習部
259:第1調整部
Claims (27)
- 一種資訊處理裝置,其包含配方決定部,該配方決定部使用學習模型來決定配方,該學習模型根據驅動基板處理裝置之情形時之驅動條件,推斷表示於利用上述基板處理裝置進行之一系列處理完成之時間點形成於基板上之固體之膜厚或液體之膜厚之特性的膜厚特性,該基板處理裝置於執行對上述基板供給液體,於上述基板上形成固體膜或液體膜之上述一系列處理之後,從上述基板去除固體膜或液體膜而使上述基板乾燥;上述驅動條件針對複數個項目分別設定了值,上述配方決定部係於對上述學習模型賦予臨時條件作為上述驅動條件,且由上述學習模型推斷出之膜厚特性滿足容許條件之情形時,基於上述臨時條件決定上述配方,該臨時條件係將上述複數個項目之一部分項目設定為規定值且將其他項目設定為任意值。
- 如請求項1之資訊處理裝置,其中上述驅動條件進而包含由上述基板處理裝置完成上述一系列處理之前之時間點之中間處理狀態,且該資訊處理裝置進而包含:中間處理狀態獲取部,其獲取由上述基板處理裝置按照上述配方執行之上述一系列處理完成之前之時間點之中間處理狀態;以及校正部,其對上述學習模型賦予由上述中間處理狀態獲取部獲取之中間處理狀態、及臨時條件作為上述驅動條件,於上述學習模型推斷出之膜厚特性滿足容許條件之情形時,基於上述臨時條件決定新的配方,該臨時條件係將上述複數個項目之一部分項目設定為規定值且將其他項目設定 為任意值。
- 一種資訊處理裝置,其包含:中間處理狀態獲取部,其獲取由基板處理裝置完成一系列處理之前之時間點之中間處理狀態,該基板處理裝置於執行對基板供給液體,於上述基板上形成固體膜或液體膜之上述一系列處理之後,從上述基板去除固體膜或液體膜而使上述基板乾燥;及校正部,其使用學習模型來決定配方,該學習模型係根據驅動上述基板處理裝置之情形時之驅動條件及於上述驅動條件下進行驅動之上述基板處理裝置完成上述一系列處理之前之時間點之中間處理狀態,推斷表示於上述基板處理裝置進行之上述一系列處理完成之時間點形成於上述基板上之固體之膜厚或液體之膜厚之特性的膜厚特性;上述驅動條件針對複數個項目分別設定了值,上述校正部對上述學習模型賦予由上述中間處理狀態獲取部獲取之中間處理狀態、及臨時條件作為上述驅動條件,於上述學習模型推斷出之膜厚特性滿足容許條件之情形時,基於上述臨時條件決定新的配方,該臨時條件係將上述複數個項目之一部分項目設定為規定值且將其他項目設定為任意值。
- 一種資訊處理裝置,其包含:配方決定部,其使用第1學習模型來決定配方,該第1學習模型根據驅動基板處理裝置之情形時之驅動條件,推斷表示於利用上述基板處理裝置進行之一系列處理完成之時間點形成於基板上之固體之膜厚或液體之膜 厚之特性的膜厚特性,該基板處理裝置於執行對上述基板供給液體,於上述基板上形成固體膜或液體膜之上述一系列處理之後,從上述基板去除固體膜或液體膜而使上述基板乾燥;中間處理狀態獲取部,其獲取由上述基板處理裝置按照上述配方執行之上述一系列處理完成之前之時間點之中間處理狀態;及校正部,其對第2學習模型賦予由上述中間處理狀態獲取部獲取之中間處理狀態,決定新的配方,該第2學習模型根據上述驅動條件及由上述基板處理裝置按照上述配方執行之上述一系列處理完成之前之時間點之中間處理狀態,推斷表示於上述基板處理裝置進行之上述一系列處理完成之時間點形成於上述基板上之固體之膜厚或液體之膜厚之特性的膜厚特性。
- 一種學習裝置,其包含:實驗資料獲取部,其獲取基板上形成之固體之膜厚或液體之膜厚,該固體之膜厚或液體之膜厚係於第1條件下驅動基板處理裝置而獲得,該基板處理裝置於執行對上述基板供給液體,於上述基板上形成固體膜或液體膜之一系列處理之後,從上述基板去除固體膜或液體膜而使上述基板乾燥;及學習部,其使學習模型學習包含表示由上述實驗資料獲取部獲取之固體之膜厚或液體之膜厚之特性的膜厚特性、及上述第1條件的第1教學資料,且產生根據上述第1條件來推斷上述膜厚特性之學習模型。
- 如請求項5之學習裝置,其進而包含第1中間資料獲取部,該第1中間資料獲取部獲取利用上述基板處理裝置進行之一系列處理完成之前之時間 點之中間處理狀態,上述學習部使上述學習模型學習上述第1教學資料,該第1教學資料進而包含由上述第1中間資料獲取部獲取之中間處理狀態。
- 如請求項5之學習裝置,其進而包含:強化資料獲取部,其獲取表示上述基板上形成之固體之膜厚或液體之膜厚之特性的膜厚特性,該膜厚特性係於與上述第1條件不同之第2條件下驅動模擬器而獲得,該模擬器模擬形成於上述基板處理裝置之固體膜或液體膜;及強化學習部,其使上述學習模型進而學習第2教學資料,該第2教學資料包含上述第2條件及由上述強化資料獲取部獲取之膜厚特性。
- 如請求項7之學習裝置,其中上述強化資料獲取部進而獲取於與上述第1條件不同之第2條件下驅動上述模擬器,利用上述模擬器進行之上述一系列處理完成之前之時間點之中間處理狀態,上述強化學習部使上述學習模型學習:進而包含由上述強化資料獲取部獲取之中間處理狀態的上述第2教學資料。
- 如請求項6之學習裝置,其進而包含對模擬器進行調整之調整部,該模擬器使用上述第1條件、由上述第1中間資料獲取部獲取之中間處理狀態、及由上述實驗資料獲取部獲取之固體膜厚或液體膜厚中之任一者,來模擬形成於上述基板處理裝置之固體膜或液體膜。
- 如請求項5之學習裝置,其進而包含第2中間資料獲取部,該第2中間資料獲取部獲取於上述第1條件下驅動模擬器,利用上述模擬器進行之上述一系列處理完成之前之時間點之中間處理狀態,該模擬器模擬形成於上述基板處理裝置之固體膜或液體膜;上述學習部使上述學習模型學習上述第1教學資料,該第1教學資料進而包含由上述第2中間資料獲取部獲取之中間處理狀態。
- 如請求項10之學習裝置,其進而包含:強化資料獲取部,其獲取於與上述第1條件不同之第2條件下驅動上述模擬器,利用上述模擬器進行之上述一系列處理完成之前之時間點之中間處理狀態、及表示上述基板上形成之固體之膜厚或液體之膜厚之特性的膜厚特性;及強化學習部,其使上述學習模型進而學習第2教學資料,該第2教學資料包含上述第2條件、及由上述強化資料獲取部獲取之中間處理狀態及膜厚特性。
- 如請求項7至11中任一項之學習裝置,其中上述模擬器係基於物理模型而構成。
- 如請求項5至11中任一項之學習裝置,其中上述第1教學資料被分類成與上述基板之表面狀態、上述基板上所形成之圖案之形狀、及液體之物性對應之複數個通道。
- 如請求項5至13中任一項之學習裝置,其進而包含蒸餾部,該蒸餾部使新的學習模型學習教學資料,該教學資料包含由如請求項1至4中任一項之資訊處理裝置決定之配方及推斷出之膜厚特性。
- 一種資訊處理裝置,其包含驅動條件決定部,該驅動條件決定部使用由如請求項5至11中任一項之學習裝置產生之上述學習模型來決定配方。
- 一種基板處理裝置,其包含如請求項1至4中任一項之資訊處理裝置。
- 如請求項16之基板處理裝置,其進而包含如請求項5至14中任一項之學習裝置。
- 一種基板處理系統,其包含如請求項1至4中任一項之資訊處理裝置、及上述基板處理裝置。
- 一種學習方法,其使電腦執行如下步驟:實驗資料獲取步驟,其係獲取基板上形成之固體之膜厚或液體之膜厚,上述固體之膜厚或液體之膜厚係於第1條件下驅動基板處理裝置而獲得,該基板處理裝置於執行對上述基板供給液體,於上述基板上形成固體膜或液體膜之一系列處理之後,從上述基板去除固體膜或液體膜而使上述基板乾燥;及 學習步驟,其係使學習模型學習包含表示上述實驗資料獲取步驟中所獲取之膜厚之特性的膜厚特性及上述第1條件的第1教學資料,且產生根據上述第1條件來推斷上述膜厚特性之學習模型。
- 如請求項19之學習方法,其進而使上述電腦執行第1中間資料獲取步驟,該第1中間資料獲取步驟係獲取利用上述基板處理裝置進行之一系列處理完成之前之時間點之中間處理狀態,上述學習步驟係使上述學習模型學習上述第1教學資料,該第1教學資料進而包含藉由上述第1中間資料獲取步驟所獲取之中間處理狀態。
- 如請求項19之學習方法,其進而使上述電腦執行如下步驟:強化資料獲取步驟,其係獲取表示上述基板上形成之固體之膜厚或液體之膜厚之特性的膜厚特性,該膜厚特性係於與上述第1條件不同之第2條件下驅動模擬器而獲得,該模擬器模擬藉由上述基板處理裝置而形成之固體膜或液體膜;及強化學習步驟,其係使上述學習模型進而學習第2教學資料,該第2教學資料包含上述第2條件、及上述強化資料獲取步驟中所獲取之膜厚特性。
- 如請求項21之學習方法,其中上述強化資料獲取步驟係於與上述第1條件不同之第2條件下驅動上述模擬器,進而獲取上述模擬器進行之上述一系列處理完成之前之時間點之中間處理狀態;上述強化學習步驟係使上述學習模型學習:進而包含上述強化資料 獲取步驟中所獲取之中間處理狀態的上述第2教學資料。
- 如請求項19至22中任一項之學習方法,其進而使上述電腦執行第2中間資料獲取步驟,該第2中間資料獲取步驟係於上述第1條件下驅動模擬器,獲取上述模擬器進行之上述一系列處理完成之前之時間點之中間處理狀態,上述模擬器模擬形成於上述基板處理裝置之固體膜或液體膜;上述學習步驟係使上述學習模型學習上述第1教學資料,該第1教學資料進而包含上述第2中間資料獲取步驟中所獲取之中間處理狀態。
- 一種配方決定方法,其使電腦執行配方決定步驟,該配方決定步驟係使用學習模型來決定配方,該學習模型根據驅動基板處理裝置之情形時之驅動條件,推斷表示於利用上述基板處理裝置進行之一系列處理完成之時間點形成於基板上之固體之膜厚或液體之膜厚之特性的膜厚特性,該基板處理裝置於執行對上述基板供給液體,於上述基板上形成固體膜或液體膜之上述一系列處理之後,從上述基板去除固體膜或液體膜而使上述基板乾燥;上述驅動條件針對複數個項目分別設定了值,且上述配方決定步驟係包含如下步驟:於對上述學習模型賦予臨時條件作為上述驅動條件,且由上述學習模型推斷出之膜厚特性滿足容許條件之情形時,基於上述臨時條件決定上述配方,該臨時條件係將上述複數個項目之一部分項目設定為規定值且將其他項目設定為任意值。
- 如請求項24之配方決定方法,其中上述驅動條件進而包含由上述基 板處理裝置完成上述一系列處理之前之時間點之中間處理狀態,且該配方決定方法進而使上述電腦執行如下步驟:中間處理狀態獲取步驟,其係獲取由上述基板處理裝置按照上述配方執行之上述一系列處理完成之前之時間點之中間處理狀態;及校正步驟,其係對上述學習模型賦予上述中間處理狀態獲取步驟中所獲取之中間處理狀態、及臨時條件作為上述驅動條件,於上述學習模型推斷出之膜厚特性滿足容許條件之情形時,基於上述臨時條件決定新的配方,該臨時條件係將上述複數個項目之一部分項目設定為規定值且將其他項目設定為任意值。
- 一種配方決定方法,其使電腦執行如下步驟:中間處理狀態獲取步驟,其係獲取由基板處理裝置完成一系列處理之前之時間點之中間處理狀態,該基板處理裝置於執行對基板供給液體,於上述基板上形成固體膜或液體膜之上述一系列處理之後,從上述基板去除固體膜或液體膜而使上述基板乾燥;以及校正步驟,其係使用學習模型來決定配方,該學習模型根據驅動上述基板處理裝置之情形時之驅動條件及於上述驅動條件下進行驅動之上述基板處理裝置完成上述一系列處理之前之時間點之中間處理狀態,推斷表示於上述基板處理裝置進行之上述一系列處理完成之時間點形成於上述基板上之固體之膜厚或液體之膜厚之特性的膜厚特性;上述驅動條件針對複數個項目分別設定了值,且上述校正步驟係包含如下步驟:對上述學習模型賦予上述中間處理狀態獲取步驟中所獲取之中間處理狀態、及臨時條件作為上述驅動條件, 於上述學習模型推斷出之膜厚特性滿足容許條件之情形時,基於上述臨時條件決定新的配方,該臨時條件係將上述複數個項目之一部分項目設定為規定值且將其他項目設定為任意值。
- 一種學習程式,其使電腦執行如下步驟:實驗資料獲取步驟,其係獲取基板上形成之固體之膜厚或液體之膜厚,該固體之膜厚或液體之膜厚係於第1條件下驅動基板處理裝置而獲得,該基板處理裝置於執行對上述基板供給液體,於上述基板上形成固體膜或液體膜之一系列處理之後,從上述基板去除固體膜或液體膜而使上述基板乾燥;及學習步驟,其係使學習模型學習包含表示上述實驗資料獲取步驟中所獲取之膜厚之特性的膜厚特性及上述第1條件的第1教學資料,且產生根據上述第1條件來推斷上述膜厚特性之學習模型。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021154403A JP2023045817A (ja) | 2021-09-22 | 2021-09-22 | 学習装置、情報処理装置、基板処理装置、基板処理システム、学習方法、レシピ決定方法及び学習プログラム |
JP2021-154403 | 2021-09-22 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202314561A TW202314561A (zh) | 2023-04-01 |
TWI837781B true TWI837781B (zh) | 2024-04-01 |
Family
ID=85573635
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW111131610A TWI837781B (zh) | 2021-09-22 | 2022-08-23 | 學習裝置、資訊處理裝置、基板處理裝置、基板處理系統、學習方法、配方決定方法及學習程式 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20230090836A1 (zh) |
JP (1) | JP2023045817A (zh) |
KR (1) | KR20230042643A (zh) |
CN (1) | CN115859763A (zh) |
TW (1) | TWI837781B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7542134B2 (en) * | 2004-12-17 | 2009-06-02 | Lam Research Corporation | System, method and apparatus for in-situ substrate inspection |
TW201109846A (en) * | 2009-03-31 | 2011-03-16 | Tokyo Electron Ltd | Using electric-field directed post-exposure bake for double patterning (D-P) |
JP5021486B2 (ja) * | 2004-11-10 | 2012-09-05 | ユィロス・パテント・アクチボラグ | 液体検出および信頼度判定 |
TW202125618A (zh) * | 2019-12-27 | 2021-07-01 | 日商斯庫林集團股份有限公司 | 基板處理裝置、基板處理方法、基板處理系統以及學習用資料的生成方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5681560B2 (ja) | 2011-05-17 | 2015-03-11 | 東京エレクトロン株式会社 | 基板乾燥方法及び基板処理装置 |
JP5622675B2 (ja) | 2011-07-05 | 2014-11-12 | 株式会社東芝 | 基板処理方法及び基板処理装置 |
JP5806645B2 (ja) | 2012-06-12 | 2015-11-10 | 株式会社東芝 | 基板の乾燥方法、電子装置の製造方法及び基板の乾燥装置 |
JP6259299B2 (ja) | 2014-01-30 | 2018-01-10 | 株式会社Screenホールディングス | 基板処理方法および基板処理装置 |
KR102513707B1 (ko) | 2018-09-03 | 2023-03-23 | 가부시키가이샤 프리퍼드 네트웍스 | 학습 장치, 추론 장치, 학습 모델 생성 방법 및 추론 방법 |
-
2021
- 2021-09-22 JP JP2021154403A patent/JP2023045817A/ja active Pending
-
2022
- 2022-08-01 US US17/878,242 patent/US20230090836A1/en active Pending
- 2022-08-23 TW TW111131610A patent/TWI837781B/zh active
- 2022-09-14 KR KR1020220115682A patent/KR20230042643A/ko unknown
- 2022-09-14 CN CN202211114852.4A patent/CN115859763A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5021486B2 (ja) * | 2004-11-10 | 2012-09-05 | ユィロス・パテント・アクチボラグ | 液体検出および信頼度判定 |
US7542134B2 (en) * | 2004-12-17 | 2009-06-02 | Lam Research Corporation | System, method and apparatus for in-situ substrate inspection |
TW201109846A (en) * | 2009-03-31 | 2011-03-16 | Tokyo Electron Ltd | Using electric-field directed post-exposure bake for double patterning (D-P) |
TW202125618A (zh) * | 2019-12-27 | 2021-07-01 | 日商斯庫林集團股份有限公司 | 基板處理裝置、基板處理方法、基板處理系統以及學習用資料的生成方法 |
Also Published As
Publication number | Publication date |
---|---|
TW202314561A (zh) | 2023-04-01 |
JP2023045817A (ja) | 2023-04-03 |
CN115859763A (zh) | 2023-03-28 |
KR20230042643A (ko) | 2023-03-29 |
US20230090836A1 (en) | 2023-03-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105470109B (zh) | 基板处理方法以及基板处理装置 | |
US20070183775A1 (en) | Developing apparatus and developing method | |
TW200900881A (en) | Method and device for coating treatment, and computer-readable recording medium | |
TWI837781B (zh) | 學習裝置、資訊處理裝置、基板處理裝置、基板處理系統、學習方法、配方決定方法及學習程式 | |
JP4237184B2 (ja) | 半導体装置の製造方法 | |
JP6563762B2 (ja) | 基板処理装置及び基板処理方法 | |
WO2020095598A1 (ja) | 基板処理方法および基板処理装置 | |
US9575415B2 (en) | Wafer stage temperature control | |
TW202248758A (zh) | 感測器技術整合至塗佈軌道設備 | |
KR100809590B1 (ko) | 기판 처리 장치 및 이를 이용한 기판 처리 방법 | |
JP7421410B2 (ja) | 基板処理装置、基板処理方法、学習用データの生成方法、学習方法、学習装置、学習済モデルの生成方法、および、学習済モデル | |
JP6773495B2 (ja) | エッチング装置、基板処理装置、エッチング方法および基板処理方法 | |
US20180052394A1 (en) | Substrate treating method | |
JP7419163B2 (ja) | 基板処理装置、基板処理方法、学習用データの生成方法、学習方法、学習装置、学習済モデルの生成方法、および、学習済モデル | |
US11571709B2 (en) | Substrate treatment method and substrate treatment apparatus | |
US20130220382A1 (en) | Substrate processing method | |
WO2021145175A1 (ja) | 基板処理方法、記憶媒体、及び基板処理装置 | |
JP7281925B2 (ja) | 基板処理装置、基板処理方法および記憶媒体 | |
JP2023019657A (ja) | 基板処理方法及び基板処理装置 | |
KR102579155B1 (ko) | 기판 처리 방법 및 장치, 온도 제어 방법 | |
US20210202258A1 (en) | Substrate treatment apparatus, substrate treatment method, substrate treatment system, and learning data generation method | |
TWI847596B (zh) | 學習裝置、資訊處理裝置、基板處理裝置、基板處理系統、學習方法及處理條件決定方法 | |
WO2024070055A1 (ja) | 学習装置、情報処理装置、基板処理装置、基板処理システム、学習方法および処理条件決定方法 | |
US20230101475A1 (en) | Substrate processing method and substrate processing apparatus | |
JP2024027989A (ja) | 特徴量推定方法、推定プログラム、及び、特徴量推定装置 |