WO2020179729A1 - 基板処理装置の製造プロセス判定装置、基板処理システム、基板処理装置の製造プロセス判定方法、学習モデル群、学習モデル群の生成方法及びプログラム - Google Patents

基板処理装置の製造プロセス判定装置、基板処理システム、基板処理装置の製造プロセス判定方法、学習モデル群、学習モデル群の生成方法及びプログラム Download PDF

Info

Publication number
WO2020179729A1
WO2020179729A1 PCT/JP2020/008659 JP2020008659W WO2020179729A1 WO 2020179729 A1 WO2020179729 A1 WO 2020179729A1 JP 2020008659 W JP2020008659 W JP 2020008659W WO 2020179729 A1 WO2020179729 A1 WO 2020179729A1
Authority
WO
WIPO (PCT)
Prior art keywords
determination
substrate processing
learning model
manufacturing process
learning
Prior art date
Application number
PCT/JP2020/008659
Other languages
English (en)
French (fr)
Inventor
花田 克司
佑揮 藤原
Original Assignee
Sppテクノロジーズ株式会社
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Sppテクノロジーズ株式会社 filed Critical Sppテクノロジーズ株式会社
Priority to CN202080004996.7A priority Critical patent/CN112655077B/zh
Priority to KR1020217003991A priority patent/KR20210134298A/ko
Priority to EP20766387.3A priority patent/EP3819930A4/en
Priority to US17/265,857 priority patent/US20220114484A1/en
Priority to JP2021504075A priority patent/JP7504863B2/ja
Publication of WO2020179729A1 publication Critical patent/WO2020179729A1/ja

Links

Images

Classifications

    • HELECTRICITY
    • H01ELECTRIC ELEMENTS
    • H01LSEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/20Sequence of activities consisting of a plurality of measurements, corrections, marking or sorting steps
    • H01L22/26Acting in response to an ongoing measurement without interruption of processing, e.g. endpoint detection, in-situ thickness measurement
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00Machine learning
    • CCHEMISTRY; METALLURGY
    • C23COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; CHEMICAL SURFACE TREATMENT; DIFFUSION TREATMENT OF METALLIC MATERIAL; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL; INHIBITING CORROSION OF METALLIC MATERIAL OR INCRUSTATION IN GENERAL
    • C23CCOATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; SURFACE TREATMENT OF METALLIC MATERIAL BY DIFFUSION INTO THE SURFACE, BY CHEMICAL CONVERSION OR SUBSTITUTION; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL
    • C23C16/00Chemical coating by decomposition of gaseous compounds, without leaving reaction products of surface material in the coating, i.e. chemical vapour deposition [CVD] processes
    • C23C16/44Chemical coating by decomposition of gaseous compounds, without leaving reaction products of surface material in the coating, i.e. chemical vapour deposition [CVD] processes characterised by the method of coating
    • C23C16/50Chemical coating by decomposition of gaseous compounds, without leaving reaction products of surface material in the coating, i.e. chemical vapour deposition [CVD] processes characterised by the method of coating using electric discharges
    • CCHEMISTRY; METALLURGY
    • C23COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; CHEMICAL SURFACE TREATMENT; DIFFUSION TREATMENT OF METALLIC MATERIAL; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL; INHIBITING CORROSION OF METALLIC MATERIAL OR INCRUSTATION IN GENERAL
    • C23CCOATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; SURFACE TREATMENT OF METALLIC MATERIAL BY DIFFUSION INTO THE SURFACE, BY CHEMICAL CONVERSION OR SUBSTITUTION; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL
    • C23C16/00Chemical coating by decomposition of gaseous compounds, without leaving reaction products of surface material in the coating, i.e. chemical vapour deposition [CVD] processes
    • C23C16/44Chemical coating by decomposition of gaseous compounds, without leaving reaction products of surface material in the coating, i.e. chemical vapour deposition [CVD] processes characterised by the method of coating
    • C23C16/52Controlling or regulating the coating process
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00Machine learning
    • G06N20/10Machine learning using kernel methods, e.g. support vector machines [SVM]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00Machine learning
    • G06N20/20Ensemble learning
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/045Combinations of networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • HELECTRICITY
    • H01ELECTRIC ELEMENTS
    • H01LSEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/67Apparatus 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
    • H01L21/67005Apparatus not specifically provided for elsewhere
    • H01L21/67011Apparatus for manufacture or treatment
    • H01L21/67017Apparatus for fluid treatment
    • H01L21/67063Apparatus for fluid treatment for etching
    • H01L21/67069Apparatus for fluid treatment for etching for drying etching
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/21Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214Generating training patterns; Bootstrap methods, e.g. bagging or boosting

Definitions

  • a manufacturing process determination device for a substrate processing device that makes a determination related to the manufacturing process of the substrate processing device, a substrate processing system provided with the determination device, a manufacturing process determination method for the substrate processing device, a learning model group, and a learning model group generation.
  • the present invention relates to a manufacturing process determination device for a substrate processing apparatus, a substrate processing system, a manufacturing process determination method for the substrate processing apparatus, a learning model group, a learning model group generation method and a program, which can easily suppress a decrease in determination accuracy.
  • a manufacturing process determination device for a substrate processing apparatus that makes a determination related to the manufacturing process of the substrate processing device, a substrate processing system provided with the determination device, a manufacturing process determination method for the substrate processing device, a learning model group, and a learning model group generation.
  • Patent Documents 1 to 3 Conventionally, as an apparatus for making a determination related to a manufacturing process of a substrate processing apparatus such as a semiconductor manufacturing apparatus, for example, the apparatus described in Patent Documents 1 to 3 has been proposed.
  • Patent Document 1 determines (predicts) a film thickness profile (specifically, etching depth) of a substrate by using a learning model (neural network) generated by performing machine learning. It is a device.
  • the device described in Patent Document 2 is a device that predicts the etching depth of a substrate by using a learning model (neural network) generated by performing machine learning, and eventually determines (detects) the end point of etching. ..
  • the apparatus described in Patent Document 3 uses a learning model (support vector machine) generated by performing machine learning to detect a failure of the substrate processing apparatus (specifically, an abnormal site and a predicted time until the failure). This is a device for making judgments (predictions).
  • the learning model is generated by performing machine learning using predetermined teacher data in the initial state (for example, before the substrate processing device is shipped). Will be done. Then, after the initial state elapses (for example, after the substrate processing apparatus is shipped), the learning model is machine-learned (re-learned) again using or adding new teacher data for the purpose of improving the determination accuracy. Is commonly done.
  • the learning model in the initial state (learning model before re-learning) is used
  • the determination accuracy may decrease. Even if the determination accuracy is lowered, the already relearned learning model cannot be restored. Therefore, it is necessary to repeat the relearning until the desired determination accuracy is obtained, which requires a great deal of time and effort.
  • the accuracy of the learning model determination before re-learning and the accuracy of the learning model determination after re-learning may change. That is, for certain operating conditions, the judgment accuracy may be higher when the learning model before re-learning is used, and for other operating conditions, the judgment accuracy may be higher when the re-learned learning model is used. ..
  • the determination accuracy of the retrained learning model deteriorates, the learning model that has already been retrained cannot be restored. Must be repeated, which requires a lot of trouble.
  • Patent Documents 1 to 3 do not disclose any means for solving the above-mentioned problem in re-learning of the learning model.
  • a spectroscope is provided as an apparatus that determines (detects) the end point of etching of the substrate. Judgment devices are known. Specifically, the determination device as described in Patent Document 4 guides the light generated in the chamber included in the substrate processing device to a spectroscope installed outside the chamber, and the spectroscope is used to guide the light having a predetermined wavelength. It is a device that determines (detects) the end point of etching on the substrate by measuring the intensity.
  • the intensity of light having the emission wavelength of SiF, which is a reaction product of Si becomes equal to or less than the reference value. It is judged (detected) as the etching end point.
  • a determination provided with a spectroscope is also performed when determining (detecting) the end point of etching of the film composition adhering to the inside of the chamber by the film forming process.
  • the device is being used.
  • the determination device for example, when the film composition is etched using C 4 F 8 gas as the processing gas, the time when the intensity of the light having the emission wavelength of F becomes equal to or higher than the reference value is set as the end point of etching. Judged (detected).
  • the present invention has been made to solve the above-mentioned problems of the prior art, and is a manufacturing process of a substrate processing apparatus capable of easily suppressing a decrease in determination accuracy.
  • An object of the present invention is to provide a determination method, a learning model group, a method for generating a learning model group, and a program.
  • the present invention is an apparatus for making a determination related to a manufacturing process of a substrate processing apparatus, based on a process log acquisition unit for acquiring process log data of the substrate processing apparatus and the process log data.
  • the determination unit includes a determination unit that creates input data and makes a determination related to the manufacturing process of the substrate processing apparatus based on the input data, and the determination unit receives the input data and determines the determination related to the manufacturing process.
  • a plurality of learning models for outputting the results are provided, and the plurality of learning models are generated by performing machine learning using different teacher data, and the determination unit is used for the plurality of learnings.
  • a manufacturing process determination device for a substrate processing apparatus characterized in that it is possible to switch which learning model of the models is used for determination.
  • a determination unit that makes a determination related to the manufacturing process of the substrate processing apparatus includes a plurality of learning models, and these plurality of learning models are generated by performing machine learning using different teacher data. Has been done. Then, the determination unit can switch which of the plurality of learning models is used for the determination. Therefore, for example, by evaluating the determination accuracy of each of the plurality of learning models at an appropriate timing such as when the operating condition of the substrate processing apparatus is changed, by switching to use the learning model with the highest determination accuracy, It is possible to easily suppress a decrease in determination accuracy.
  • the determination unit evaluates the determination accuracy of each of the plurality of learning models by using the determination accuracy evaluation data, and performs the subsequent determination using the learning model with the highest determination accuracy.
  • the determination unit automatically evaluates the determination accuracy of each of the plurality of learning models and automatically switches to the learning model having the highest determination accuracy, so that the decrease in determination accuracy is efficient. Can be suppressed.
  • the timing for evaluating the determination accuracy of the learning model may be set in advance depending on time or the like, or may be manually instructed.
  • the determination accuracy of each of a plurality of learning models is evaluated, and the learning model having the highest determination accuracy is used to perform the subsequent determination, the determination accuracy of the determination accuracy can be improved. Although the decrease can be suppressed, it takes time and effort to prepare the determination accuracy evaluation data. In order to save this trouble, it is preferable to use the majority vote of the judgment results of a plurality of learning models as the final judgment result.
  • the determination unit outputs a majority decision of the determination results of the plurality of learning models as a final determination result.
  • the final judgment result is judged without frequently evaluating the judgment accuracy of each learning model. It is possible to make the accuracy reliable. If the plurality of learning models are even number, the number of learning models that output the same determination result may be the same. When the numbers are the same, it is considered that a predetermined determination result is output as the final determination result. For example, when the determination unit includes four learning models and determines which is before or after the end point of etching as in the first embodiment of the present invention described later, any two learning models are etched. If it is determined that the model is before the end point of etching and the remaining two learning models are determined to be after the end point of etching, the numbers are the same, so that the final determination result is before the end point of etching. You just have to decide.
  • the plurality of learning models includes a learning model generated by performing machine learning using only teacher data obtained in the initial state of the substrate processing apparatus, and an initial state progress of the substrate processing apparatus. Both a learning model generated by performing machine learning using teacher data including teacher data obtained later and a learning model are included.
  • a determination of a learning model after the lapse of the initial state for example, a learning model generated by performing machine learning using teacher data including teacher data obtained after shipment of the substrate processing apparatus.
  • the initial state It is possible to switch to and use the learning model. Further, even if the superiority or inferiority between the judgment accuracy of the learning model in the initial state and the judgment accuracy of the learning model after the lapse of the initial state changes due to a change in the operating conditions of the substrate processing device, whichever judgment accuracy is obtained. It is possible to switch to a higher learning model and use it.
  • the present invention is also provided as a substrate processing system including a substrate processing apparatus and the manufacturing process determination apparatus according to any one of the above.
  • the present invention creates input data based on the process log acquisition step of acquiring the process log data of the board processing apparatus and the process log data acquired by the process log acquisition step, and inputs the input data.
  • a determination step for making a determination related to the manufacturing process of the substrate processing apparatus based on the data is included, and in the determination step, a plurality of learning models generated by performing machine learning using different teacher data are used. Prepare, use at least one of the plurality of learning models, input the input data to the at least one learning model, and use the at least one learning model. It is also provided as a method for determining a manufacturing process of a substrate processing apparatus, which is characterized by outputting a determination result related to the manufacturing process.
  • the present invention is different from each other in that input data created based on the process log data of the substrate processing apparatus is input and determination results related to the manufacturing process of the substrate processing apparatus are output. It is also provided as a learning model group composed of a plurality of learning models generated by performing machine learning using teacher data.
  • a plurality of input data created based on the process log data of the board processing device are input, and a plurality of determination results related to the manufacturing process of the board processing device are output.
  • a method of generating a learning model group composed of learning models which is characterized in that a plurality of learning models are generated by performing machine learning using different teacher data. Also provided as a method.
  • the present invention is also provided as a program for causing a computer (CPU) to execute the process log acquisition step and the determination step included in the manufacturing process determination method of the substrate processing apparatus. It is also possible to provide a storage medium that stores the above program and can be read by a computer (CPU).
  • FIG. 7 It is a figure which shows typically the schematic structure of the substrate processing system which concerns on 1st Embodiment of this invention. It is explanatory drawing explaining the operation
  • the manufacturing process determination device and the substrate processing system provided with the manufacturing process determination device according to the embodiment of the present invention will be described with reference to the attached drawings.
  • the substrate processing apparatus is a plasma processing apparatus and the end point of etching is detected as a determination related to the manufacturing process in the substrate processing apparatus will be described as an example.
  • determination related to the manufacturing process of the substrate processing apparatus means detection and prediction related to the manufacturing process of the substrate processing apparatus (meaning of the manufacturing process of the substrate in the substrate processing apparatus).
  • the manufacturing process of the substrate processing apparatus means a process performed in the substrate processing apparatus during the processing of the substrate and before and after the processing. Therefore, the determination related to the manufacturing process of the substrate processing apparatus does not include the determination related to the inspection of the substrate after processing (in particular, the inspection of the substrate carried out of the substrate processing apparatus after the processing in the substrate processing apparatus). ..
  • an abnormality detection in the manufacturing process of the substrate processing device detection of the etching end point in the manufacturing process of the substrate processing device that executes the etching process, prediction of the etching shape / depth, and a substrate processing device that executes the film forming process.
  • the prediction of the quality of the formed film in the manufacturing process can be exemplified. Since the manufacturing process determination device according to the present embodiment makes a determination related to the manufacturing process of the substrate processing apparatus, the determination result directly improves the performance of the substrate and the non-defective rate after processing by the substrate processing apparatus. Can contribute.
  • the "process log data of the substrate processing apparatus” means the history of various measured values and set values related to the processing of the substrate in the substrate processing apparatus, and is sequentially obtained during the operation of the substrate processing apparatus. Things are common.
  • the process log data may include measurement values related to the inspection of the processed substrate (inspection of the substrate carried out of the substrate processing apparatus).
  • the inspection result of the substrate may change depending on the quality of the processing of the substrate, so that the measured value related to the inspection of the substrate after the processing can be said to be the measured value related to the processing of the substrate in the substrate processing apparatus.
  • the "learning model” various configurations such as a neural network and a support vector machine can be adopted as long as they can be generated by using machine learning.
  • the "teacher data” means a known combination of input / output to the learning model, and the "teacher data different from each other” is not limited to the case where the combination of input / output is completely different. It means that there is no case where some combinations are duplicated.
  • the learning model is switched to any one of the learning models, and any one of the switched learning models is used. It does not mean that the judgment is limited to using only the model. For example, it means switching to two learning models out of three learning models and making a judgment using these two learning models, or making a judgment using all a plurality of learning models. ..
  • the "judgment accuracy evaluation data” means a combination of known input / output to the learning model
  • the "judgment accuracy” means that the judgment result output by the learning model is the judgment accuracy evaluation. It means the degree that matches the output of the data (true judgment result).
  • "outputting the majority vote of the judgment results of a plurality of learning models as the final judgment result” means that when the number of learning models that output the same judgment result becomes the same, it is predetermined. This is a concept including the case where one of the determined determination results is output as the final determination result.
  • FIG. 1 is a diagram schematically showing a schematic configuration of the substrate processing system according to the first embodiment.
  • FIG. 1A is an overall configuration diagram of a substrate processing system.
  • FIG. 1B is a block diagram showing a schematic configuration of a manufacturing process determination device.
  • FIG. 1C is a diagram schematically showing a display example of a monitor screen of a computer constituting a manufacturing process determination device. Note that, in FIG. 1A, the parameter to be measured is shown surrounded by a dashed rectangle.
  • the substrate processing system 100 according to the first embodiment includes a substrate processing apparatus 10 and a manufacturing process determination apparatus 20.
  • the substrate processing apparatus 10 of the first embodiment is an apparatus that includes a chamber 1 and a mounting table 2 arranged in the chamber 1, and performs plasma processing on the substrate W mounted on the mounting table 2. More specifically, the substrate processing apparatus 10 of the first embodiment is an inductively coupled plasma (ICP) type plasma etching apparatus that etches the substrate W as plasma processing. When etching the substrate W in the substrate processing apparatus 10, it is important to determine (detect) the end point of etching so that the substrate W is not excessively etched.
  • ICP inductively coupled plasma
  • a processing gas for generating plasma is supplied from a gas supply source (not shown) into the chamber 1 of the substrate processing apparatus 10.
  • a gas supply source not shown
  • the gas No. 1 to gas No. The configuration is shown in which 6 types of processing gases up to 6 can be supplied.
  • the etching process is not limited to the case where all six types of processing gases are used, and the etching process can be performed using any one or more types of processing gases.
  • the flow rate of each processed gas to be supplied is measured by a mass flow controller (Mass Flow Controller, MFC) 11 provided in the flow path from the gas supply source to the chamber 1.
  • MFC Mass Flow Controller
  • the chamber 1 is provided with heaters (not shown) for heating the wall surface of the chamber 1 at appropriate locations, and the temperature of the heater at each location (Temperature No. 1-1 shown in FIG. No. 1-4) are measured by a known measuring device (not shown) such as a thermocouple. Further, the pressure inside the chamber 1 is measured by the vacuum gauge 12.
  • the substrate processing apparatus 10 includes a coil 3 arranged in the chamber 1 so as to surround the chamber 1 (in FIG. 1A, only a cross section of the coil 3 located on the left side is illustrated for convenience).
  • High-frequency power (upper high-frequency power) is applied to the coil 3 from the upper high-frequency power supply 4 via the upper matching unit 5.
  • the upper high-frequency power applied by the upper high-frequency power source 4 and the matching position of the upper matching unit 5 are each known measuring devices (not shown). ) Is measured.
  • High-frequency power (lower high-frequency power) is applied to the mounting table 2 from the lower high-frequency power supply 6 via the lower matching unit 7.
  • a bias potential is applied between the mounting table 2 and the plasma in the chamber 1 to accelerate the ions in the plasma to the substrate W mounted on the mounting table 2.
  • Pull in. As a result, the substrate W is etched.
  • the lower high-frequency power applied by the lower high-frequency power source 6 and the matching position of the lower matching unit 7 are each known measuring devices (not shown). ) Is measured.
  • the mounting table 2 is cooled by the chiller 8.
  • the temperature of the chiller 8 is measured by a known measuring device (not shown) such as a thermocouple.
  • He gas is supplied to the back surface of the substrate W, and the substrate W is cooled by this He gas.
  • the pressure/flow rate of the supplied He gas is measured by a pressure/flow meter 9 provided in the flow path from the He gas supply source (not shown) to the back surface of the substrate W (upper surface of the mounting table 2).
  • the reaction products and the like generated in the chamber 1 by executing the plasma treatment are exhausted to the outside of the chamber 1 through the exhaust pipe 17 communicating with the chamber 1.
  • the exhaust pipe 17 has an automatic pressure controller (APC) 13 that controls the pressure in the chamber 1 by adjusting the valve opening, and a first pump (turbo molecule) for exhausting reaction products.
  • a pump 14 and a second pump (dry pump, rotary pump, etc.) 15 that assists the first pump 14 are provided.
  • the temperature of the automatic pressure control device 13 temperature No. 1-5 shown in FIG. 1A
  • the temperature of the first pump 14 temperature No. 1-6 shown in FIG. 1A
  • a known measuring device not shown
  • the exhaust pipe 17 is provided with a heater (not shown) for heating the exhaust pipe 17 at an appropriate position (for example, between the first pump 14 and the second pump 15), and a heater at each position.
  • a heater for heating the exhaust pipe 17 at an appropriate position (for example, between the first pump 14 and the second pump 15), and a heater at each position.
  • Tempotures No. 1-7 and No. 1-8 shown in FIG. 1 (a) are measured by a known measuring instrument (not shown) such as a thermoelectric pair.
  • the valve opening degree (APC opening degree) of the automatic pressure control device 13 is measured by a known measuring instrument (not shown) such as an encoder.
  • the pressure (foreline pressure) in the exhaust pipe 17 located between the first pump 14 and the second pump 15 is measured by the vacuum gauge 16.
  • the manufacturing process determination device 20 of the first embodiment is an apparatus that is electrically connected to the substrate processing apparatus 10 having the above configuration and determines (detects) the end point of etching applied to the substrate W in the substrate processing apparatus 10. is there.
  • the manufacturing process determination device 20 includes a process log acquisition unit 21 and a determination unit 22, and is configured by, for example, a computer.
  • the process log acquisition unit 21 is electrically connected to a measuring instrument (for example, the mass flow controller 11) that measures each measurement value described above with reference to FIG. 1A in a wired or wireless manner (see FIG. ), for convenience, shows a state in which only the pressure/flow meter 9, the mass flow controller 11, and the vacuum gauge 12 are connected by wire), and the measurement data sequentially input from each measuring device is stored in a predetermined sampling cycle ( For example, it has a function of acquiring (A/D conversion) in 1 second.
  • a measuring instrument for example, the mass flow controller 11
  • the process log acquisition unit 21 is stored in, for example, an A/D conversion board installed in a computer, a memory such as a ROM or a RAM included in the computer, or the memory, and the operation of the process log acquisition unit 21 is performed by the CPU. It is composed of programs to be executed.
  • the program may be stored in the hard disk 27, which is an external storage medium included in the manufacturing process determination device 20, and may be read from the hard disk 27 into the RAM.
  • the acquired measured values and the respective set values corresponding to the measured values are used as the process log data for detecting the etching end point in the determination unit 22.
  • the process log data used in the first embodiment does not include measurement values related to the light generated in the chamber 1 (light generated according to the processing gas supplied into the chamber 1 and the components of the substrate W). .. That is, the measured value of light intensity using a conventional spectroscope is excluded. In other words, it is not necessary to use a spectroscope when detecting the etching end point. Further, the process log data used in the first embodiment does not include measured values and set values related to the position of the substrate W outside the substrate processing apparatus 10.
  • all the measured values shown in FIG. 1A are used as the process log data for detecting the etching end point, but the present invention is not limited to this. However, it is preferable to use at least the foreline pressure or the APC opening and the matching position of the upper matching unit 5 and/or the lower matching unit 7. According to the results of intensive studies by the present inventors, among various process log data, the pressure in the exhaust pipe 17 (foreline pressure), the valve opening degree (APC opening degree) of the automatic pressure control device 13, The matching position of the upper matching unit 5 and the matching position of the lower matching unit 7 are particularly liable to change before and after the end point of etching.
  • the manufacturing process determination device 20 also has a function as a control device generally used for controlling the operation of the substrate processing device 10 (when the control device is also used as the manufacturing process determination device 20).
  • Each setting value constituting the process log data is stored in advance in the manufacturing process determination device 20 (process log acquisition unit 21).
  • each set value stored in advance in the control device is the manufacturing process determination device 20 (process log acquisition unit). It will be transmitted to 21).
  • the manufacturing process determination device 20 is directly connected to each measuring device is illustrated, but the above control device and each measuring device are directly connected, and each measurement acquired by the control device is illustrated. It is also possible to adopt a configuration in which the value is transmitted to the manufacturing process determination device 20.
  • the determination unit 22 creates input data from the process log data sequentially (for example, every one second) acquired by the process log acquisition unit 21, and determines (detects) the etching end point in the substrate processing apparatus 10 based on the input data. ) Is the part to do.
  • the determination unit 22 is composed of, for example, a memory such as a ROM or RAM provided in the computer, or a program stored in the memory and causing the CPU to execute the operation as the determination unit 22. This program may also be stored in the hard disk 27 and read from the hard disk 27 into the RAM.
  • the determination unit 22 includes a plurality of learning models 25.
  • the determination unit 22 includes two first learning models 25a and second learning models 25b, but the present invention is not limited to this, and three or more learning models. It is also possible to provide 25.
  • the first learning model 25a and the second learning model 25b have the same configuration, but are generated by performing machine learning using different teacher data.
  • the first learning model 25a is generated by performing machine learning using only the teacher data obtained before the shipment of the substrate processing apparatus 10
  • the second learning model 25b is generated before the shipment of the substrate processing apparatus 10. It is generated by performing machine learning using teacher data obtained after shipping.
  • the “before shipping” described in the present specification is not limited to the state in which the substrate processing apparatus 10 exists on the manufacturer side of the substrate processing apparatus 10. After the substrate processing apparatus 10 is handed over from the manufacturer side to the user side, when the manufacturer side goes to the user side and adjusts the start-up of the substrate processing apparatus 10, the concept includes the start-up adjustment period. is there.
  • the determination unit 22 can switch which of the first learning model 25a and the second learning model 25b is used for the determination.
  • the learning model 25 used for the determination may be switched by manually instructing the determination unit 22 or by the determination unit 22 as described later.
  • FIG. 1B a state in which the first learning model 25a is selected, the later-described imaging unit 24 and the first learning model 25a are connected, and determination is performed using the first learning model 25a is performed. Illustrated. For example, the teacher data obtained after shipping may not be appropriate due to different utility specifications or different clean room environments before and after shipping.
  • the determination unit 22 can also include three or more learning models.
  • teacher data obtained after the same shipment but different from each other are prepared, and these post-shipment It is preferable to generate a plurality of learning models 25 by performing machine learning using different teacher data.
  • the determination unit 22 of the first embodiment further includes a normalization unit 23 and an imaging unit 24 as a preferable configuration.
  • the normalization unit 23, the imaging unit 24, and the learning model 25 are also stored in, for example, a memory such as a ROM or a RAM included in a computer, or a program stored in the memory and causing the CPU to execute the operations of the units 23 to 25. Composed. This program may also be stored in the hard disk 27 and read from the hard disk 27 into the RAM.
  • FIG. 2 is an explanatory diagram illustrating the operations of the normalization unit 23 and the imaging unit 24.
  • FIG. 2A is a diagram illustrating the operation of the normalization unit 23
  • FIGS. 2B and 2C are diagrams illustrating the operation of the imaging unit 24.
  • the left figure of FIG. 2A is a diagram schematically showing the process log data acquired by the process log acquisition unit 21.
  • Parameters 1 to N shown in FIG. 2A are, for example, gas No. 1 measured by the mass flow controller 11 shown in FIG. 1 and the parameter N is the temperature No. 1 shown in FIG. It means the type of process log data, such as 1-8.
  • X 11 is the value of the process log data acquired when the process time is 1 [sec] for the parameter 1
  • X NM is acquired when the process time is M [sec] for the parameter N. This is the value of the process log data.
  • the normalization unit 23 previously calculates the maximum value MAX i and the minimum value MIN i of the process log data for all process times (1 to M [sec]) for each type of process log data (each parameter i).
  • the maximum value for parameter 1 is MAX 1
  • the minimum value is MIN 1
  • the maximum value for parameter N is MAX N
  • the minimum value is MIN N.
  • the maximum value MAX i and the minimum value MIN i are not calculated using the process log data acquired when etching one substrate W, but at the time of learning of the learning model 25 described later, It is preferable to calculate in advance using the process log data acquired for the plurality of substrates W etched by the same recipe (condition of plasma processing).
  • the calculated maximum value MAX i and minimum value MIN i for each type of process log data (for each parameter i) are stored in the normalization unit 23.
  • the normalization unit 23 normalizes the process log data X ij sequentially acquired by the process log acquisition unit 21 such that the maximum value is 1 and the minimum value is 0 for each type of process log data (each parameter i).
  • the value of the process log data X ij, the pressure, temperature, flow rate, etc. vary greatly depending on the type of process log data X ij. Also, the value varies depending on the unit used. Therefore, when determining (detecting) the end point of etching, if the values of the process log data X ij of each type are used as they are, the determination accuracy may be affected. In order to avoid this, it is preferable to perform normalization as described above so that the values of each type of process log data Y ij after normalization vary within a certain range.
  • the imaging unit 24 creates input data for the learning model 25 based on the process log data after normalization. Specifically, the imaging unit 24, based on the normalized process log data shown in the left diagram of FIG. 2B, as shown in the right diagram of FIG. ) Is the type of process log data (parameters 1 to N) in the example shown on the right, and the other axis (vertical axis in the example shown on the right in FIG. 2B) is normal. Image data obtained by imaging a graph (bar graph) which is the value Y ij of the process log data after conversion is sequentially created (for example, every one second).
  • the type of image data is not limited to the monochrome grayscale image as shown in the right figure of FIG. 2B, and arbitrary image data such as a binarized image and a color image can be created.
  • the imaging unit 24 calculates an average density value for each color image, and all of them are input data to the learning model 25. Used. Further, in the first embodiment, an example in which the imaging unit 24 divides the image data into pixel regions is shown, but the present invention is not limited to this, and the density value of each pixel constituting the image data is learned as it is. It can also be used as input data to the model 25.
  • FIG. 3 is a diagram schematically showing the schematic configuration and operation of the learning model 25 (first learning model 25a, second learning model 25b).
  • FIG. 4 is a flowchart showing an operation procedure of the learning model 25 at the time of learning and determination.
  • FIG. 4A shows an operation procedure at the time of learning
  • FIG. 4B shows an operation procedure at the time of determination.
  • the learning model 25 of the first embodiment is composed of a neural network having an input layer, an intermediate layer and an output layer.
  • FIG. 3 illustrates a configuration having two intermediate layers, the neural network that can be used as the learning model of the present invention is not limited to this, and a configuration having an arbitrary number of intermediate layers is used. Can be adopted.
  • the number of nodes in each layer shown in FIG. 3 (the portion indicated by “ ⁇ ” in FIG. 3) is merely an example, and the number of nodes in the neural network that can be used as the learning model of the present invention is limited to the illustrated one. Absent.
  • the substrate This is a configuration generated by machine learning so that whether the etching is before or after the end point of etching in the processing apparatus 10 is output from the output layer (output value OUT is output).
  • the first learning model 25a and the second learning model 25b use different teacher data, but the machine learning method is the same.
  • the teacher data D1 for the first learning model 25a is prepared, and the first learning model 25a is trained using the teacher data D1.
  • the teacher data D2 for the second learning model 25b different from the teacher data D1 is prepared, and the second learning model 25b is learned using this teacher data D2.
  • the first learning model 25a and the second learning model 25b are not limited to those generated by performing machine learning once. If necessary, new learning data is used to re-learn the first learning model 25a and the second learning model 25b, or new learning data is added to the conventional learning data to add the first learning model 25a and the first learning model 25a.
  • the two-learning model 25b It is also possible to re-learn the two-learning model 25b. Whether or not to relearn the first learning model 25a and the second learning model 25b is determined on the monitor screen of the computer constituting the manufacturing process determination device 20, for example, as shown in FIG. 1 (c).
  • the execution buttons 20c for re-learning the model 25a and the second learning model 25b may be displayed respectively. Then, by clicking each execution button 20c using a keyboard or mouse, or by touching each execution button 20c with a finger when the monitor is a touch panel type, the learning model 25 corresponding to each execution button 20c can be relearned. It may be configured to be executed.
  • the teacher data may be acquired using the spectroscope. Specifically, whether the process log data, which is the basis of the input data used as the teacher data, is acquired before the end point of etching or after the end point of etching is determined by the spectroscope. The determination may be made by measuring the intensity of light having a wavelength. That is, the end point of etching is detected using a spectroscope, and the end point of etching detected by this spectroscope is set to be true, and the process log data is acquired before the true end point, or the true end point. The teacher data may be determined by determining whether it is acquired later.
  • the teacher data may be acquired using another substrate processing apparatus including the spectroscope. That is, the learning model 25 is generated by machine learning using another substrate processing apparatus provided with a spectroscope, and the learning model 25 is used in the manufacturing process determination apparatus 20 applied to the substrate processing apparatus 10 of the first embodiment. Is also possible. Further, when the substrate processing apparatus 10 includes a plurality of chambers 1 for performing etching processing, the manufacturing process determination apparatus 20 is applied to each chamber 1, and only a part of the chambers 1 is provided with a spectroscope, the spectroscope The teacher data may be acquired using another chamber 1 provided with the above.
  • a learning model 25 by machine learning using another chamber 1 equipped with a spectroscope, and use this learning model 25 for a manufacturing process determination device 20 for a chamber 1 not equipped with a spectroscope. ..
  • This aspect is particularly effective when etching processes are performed in parallel in a plurality of chambers 1 with the same recipe.
  • it is not necessarily limited to the case of acquiring teacher data using a spectroscope. For example, when acquiring teacher data, the surface of the substrate W being etched is observed, and the process log data is determined whether the process log data is before or after the end point of etching from the difference in color of the surface of the substrate W according to before and after the end point of etching. It is also possible to judge and acquire teacher data.
  • the learning model 25 determines (detects) the end point of etching based on the input data sequentially input
  • the input data image data
  • the output value OUT is output from the output layer of the learning model 25.
  • the output value OUT at the time of determination is 0 ⁇ OUT ⁇ 1.
  • the determination unit 22 switches which of the first learning model 25a and the second learning model 25b is used for the determination.
  • the first learning model 25a is selected
  • the input data is sequentially input to the input layer of the first learning model 25a and the determination is performed.
  • the second learning model 25b is selected, the input data is sequentially input to the input layer of the second learning model 25b, and the determination is performed.
  • the input data (image data) is sequentially input to the input layer of the first learning model 25a, and the first learning model 25a
  • the output value OUT is output from the output layer.
  • the second learning model 25b input data (image data) is sequentially input to the input layer of the second learning model 25b, and the output value OUT is output from the output layer of the second learning model 25a. It will be.
  • the determination unit 22 of the first embodiment determines that it is before the end point of etching, and 0.5 ⁇ OUT.
  • the manufacturing process determination device 20 having the configuration described above sequentially determines (detects) the end points of etching applied to the substrate W in the substrate processing apparatus 10.
  • the determination accuracy evaluation data (a known combination of input and output to and from the learning model 25) obtained in the same manner as the teacher data is stored in the determination unit 22 in advance.
  • the determination unit 22 uses the determination accuracy evaluation data to evaluate the determination accuracy of each of the first learning model 25a and the second learning model 25b. Then, the determination unit 22 may be configured to perform the subsequent determination using the learning model 25 having the higher determination accuracy.
  • the timing for evaluating the determination accuracy of each learning model 25 may be set in advance according to time or the like, or manually instructed (for example, the keyboard, mouse, touch panel, or the like provided in the manufacturing process determination device 20 is used to instruct the start of evaluation). May be.
  • the determination unit 22 is manually instructed to switch which of the first learning model 25a and the second learning model 25b is used for the determination, for example, the determination accuracy evaluation similar to the above is performed. Data (however, in this case, it is not necessary to store the determination accuracy evaluation data in the determination unit 22), the determination accuracy of the first learning model 25a and the determination accuracy of the second learning model 25b are manually determined. It suffices to manually instruct the switching to the learning model 25 that has been evaluated and has a higher determination accuracy.
  • the learning model 25 used for the determination is displayed on the monitor screen of the computer constituting the manufacturing process determination device 20.
  • a selection button for the first learning model 25a and the second learning model 25b. 20b are respectively displayed on the monitor.
  • the selected learning model 25 becomes another learning model. It is possible to adopt a mode in which it is displayed so as to be distinguishable from 25. For example, in the example shown in FIG.
  • the display field 20a of the selected learning model 25 (first learning model 25a) is lit up on the monitor. Not limited to the lighting display, various modes such as blinking display and color display can be adopted as long as the selected learning model 25 can be identified. Further, when the determination unit 22 automatically switches the learning model 25, for example, as in the example shown in FIG. 1C (however, in this case, the selection button 20b is unnecessary), all learning is performed. Of the display fields 20a of the model 25, the display field 20a of the selected learning model 25 (first learning model 25a or the second learning model 25b) can be lit and displayed on the monitor to distinguish it from other learning models 25. The mode can be adopted. Alternatively, it is possible to display only the display column 20a of the selected learning model 25 on the monitor (the display column 20a of the learning model 25 not selected is not displayed).
  • the configuration in which the learning model 25 used for the determination is displayed is effective, for example, when analyzing the determination result (for example, when investigating the cause of the decrease in the determination accuracy).
  • the determination unit 22 automatically switches the learning model 25, if the learning model 25 used for the determination is not displayed, it is not possible to tell at a glance which learning model 25 is used for the determination. Since the box is displayed, it is effective to use the configuration shown above.
  • the learning model 25 used for the determination is linked with the process log data (including teacher data) and the determination result applied to the learning model 25 used for the determination, for example. It is also effective to store in the hard disk 27.
  • the determination unit 22 includes two first learning models 25a and a second learning model 25b, and for example, one of them based on the evaluation result of determination accuracy.
  • the learning model 25 is switched to and the determination is performed using only one of the switched learning models 25, the present invention is not limited to this.
  • FIG. 5 is a diagram showing a modification of the manufacturing process determination device.
  • FIG. 5A is a block diagram showing a schematic configuration of a manufacturing process determination device according to a modified example.
  • FIG. 5B is a diagram schematically showing a display example of a monitor screen of a computer constituting the manufacturing process determination device according to the modified example. Similar to the manufacturing process determination device 20 shown in FIG. 1B, the manufacturing process determination device 20A according to the modification shown in FIG. 5A also includes a process log acquisition unit 21 and a determination unit 22A, for example. , Composed of a computer. Since the configuration of the process log acquisition unit 21 is the same as that of the manufacturing process determination device 20 shown in FIG. 1B, the description thereof will be omitted.
  • the determination unit 22A shown in FIG. 5A also includes a normalization unit 23, an imaging unit 24, and a plurality of learning models 25, similarly to the determination unit 22 shown in FIG. 1B. However, the determination unit 22A uses three or more odd-numbered learning models 25 as the plurality of learning models 25 (in the example shown in FIG. 5A, the three first learning models 25a and the second learning model 25b). The third learning model 25c) is different from the determination unit 22. Further, the determination unit 22A is different from the determination unit 22 in that it includes a majority decision unit 26.
  • the normalization unit 23, the imaging unit 24, the learning model 25, and the majority decision unit 26 are stored in, for example, a memory such as a ROM or a RAM included in a computer or the memory, and the operations of the units 23 to 26 are performed by the CPU. It is composed of a program to be executed by.
  • the program may be stored in the hard disk 27, which is an external storage medium included in the manufacturing process determination device 20A, and may be read from the hard disk 27 into the RAM. Since the configurations of the normalization unit 23 and the imaging unit 24 are the same as those of the manufacturing process determination device 20 shown in FIG. 1 (b), the description thereof will be omitted.
  • the determination unit 22A of the manufacturing process determination device 20A is configured to perform determination using all of the first learning model 25a, the second learning model 25b, and the third learning model 25c. Therefore, for example, as shown in FIG. 5B, all the display fields 20a of the selected learning model 25 (first learning model 25a to third learning model 25c) are lit and displayed on the monitor. Specifically, the output value OUT is output from all of the first learning model 25a to the third learning model 25c, and is input to the majority decision unit 26. Then, the majority decision deciding unit 26 outputs the majority decision of the decision results of the first learning model 25a to the third learning model 25c as the final decision result.
  • the output value OUT of the first learning model 25a is 0 ⁇ OUT ⁇ 0.5 (determined before the end point of etching)
  • the output value OUT of the second learning model 25b is 0 ⁇ OUT ⁇ 0.5 (etching).
  • the majority decision determination unit 26 determines the final judgment result. As a result, it is output that the etching is before the end point.
  • the determination is performed using all of the three learning models 25 of the first learning model 25a to the third learning model 25c, but the present invention is not limited to this.
  • a mode is adopted in which a judgment is made by selecting and using a part of the learning models 25 so that the judgment is made using three of the learning models 25.
  • the final determination result is output using the majority decision unit 26, or as in the manufacturing process determination device 20 shown in FIG. 1 (b)
  • any learning model 25 is used without using the majority decision unit 26. It is also possible to adopt a mode in which it is possible to switch between the case where the determination result is output using the above.
  • the substrate W is etched by the substrate processing apparatus 10 of the substrate processing system 100 according to the first embodiment, and only the first learning model 25a of the manufacturing process determination apparatus 20 (only the teacher data obtained before the shipment of the substrate processing apparatus 10).
  • An example of the result of a test in which the end point of etching is determined (detected) by a learning model 25) generated by performing machine learning using the above will be described.
  • Input data (image data) to the first training model 25a was created every 1 second sampling cycle (50 seconds). Regarding the input data of each sampling cycle, it is the input data created from the process log data acquired before the end point of etching or the input data created from the process log data acquired after the end point of etching.
  • the determination was made based on whether or not the intensity of light having the emission wavelength of SiF measured by this spectroscope was equal to or less than the reference value.
  • the first learning model 25a was machine-learned using the teacher data collected as described above. When the input data of the same teacher data is input to the learned first learning model 25a and it is determined whether it is before or after the etching end point, the accuracy rate as the accuracy of determination (the number of correct answers/the number of determinations ⁇ 100) is It was 99.89%.
  • the manufacturing process determination device 20 Since the time required for one determination in the first learning model 25a was sufficiently shorter than the overetching time, the manufacturing process determination device 20 detected the end point of etching (determined to be after the end point of etching). It can be said that no problems will occur even if the etching is completed after that.
  • FIG. 6 shows the results of the above test. “0” shown in FIG. 6 is determined by the manufacturing process determination device 20 to be before the end point of etching, and “1” is determined by the manufacturing process determination device 20 to be after the end point of etching. is there.
  • the hatched column surrounded by a thick line is determined to be after the end point of etching by using a spectroscope.
  • FIG. 7 is a diagram schematically showing a schematic configuration of the substrate processing system according to the second embodiment. Note that in FIG. 7 as well, as in the case of FIG. 1A described above, the parameters to be measured are shown surrounded by a broken-line rectangle. In FIG. 7, the illustration of the configuration corresponding to the above-mentioned FIG. 1B is omitted.
  • the substrate processing system 200 according to the second embodiment includes a substrate processing apparatus 10A and a manufacturing process determination apparatus 20.
  • the differences from the substrate processing system 100 according to the first embodiment will be mainly described, and the same components as those of the substrate processing system 100 according to the first embodiment are designated by the same reference numerals and the description thereof will be omitted.
  • a substrate processing apparatus 10A according to the second embodiment is an apparatus that includes a chamber 1 and a mounting table 2 arranged in the chamber 1, and performs a plasma process on a substrate W mounted on the mounting table 2. More specifically, the substrate processing apparatus 10A of the second embodiment is a capacitively coupled plasma (CCP) type plasma film forming apparatus that forms a film on a substrate W as plasma processing. For this reason, unlike the substrate processing apparatus 10 of the first embodiment, an upper electrode 18 is provided in the chamber 1 instead of the coil 3 (see FIG. 1A) so as to face the mounting table 2 in parallel. ..
  • CCP capacitively coupled plasma
  • the film composition adhered to the inside of the chamber 1 by the film forming process is removed by cleaning.
  • the film composition attached inside the chamber 1 is removed by etching using plasma. Also for the etching performed during the cleaning, it is important to determine (detect) the end point of the etching (end point of the cleaning) in order to prevent excessive supply of the processing gas that generates plasma.
  • a processing gas for generating plasma is supplied from a gas supply source (not shown) into the chamber 1 of the substrate processing apparatus 10A.
  • a gas supply source not shown
  • FIG. 7 the gas No. 1 to gas No.
  • the configuration is shown in which 6 types of processing gases up to 6 can be supplied. However, it is not limited to the case where all of the six kinds of processing gases are used when performing the film forming process or when cleaning the film composition that has adhered to the chamber 1 after the film forming process. It is possible to perform film formation processing and cleaning using processing gases of more than one type.
  • High frequency power (upper high frequency power) is applied to the upper electrode 18 from the upper high frequency power supply 4 via the upper matching unit 5. Further, high frequency power (lower high frequency power) is applied to the mounting table 2 from the lower high frequency power supply 6 via the lower matching unit 7. As a result, the processing gas supplied into the chamber 1 is turned into plasma, and the generated plasma moves toward the mounting table 2 to form a film on the substrate W mounted on the mounting table 2. .. When the film composition is cleaned after the film forming process, the generated plasma moves toward the inner surface of the chamber 1, so that the film composition adhering to the inside of the chamber 1 is removed by etching.
  • the substrate processing apparatus 10A of the second embodiment does not include the chiller 8, the pressure/flow meter 9, the first pump (turbo molecular pump) 14 and the vacuum gauge 16.
  • the flow rate of each processing gas to be supplied is measured by the mass flow controller 11 provided in the flow path from the gas supply source to the chamber 1. Further, the temperature of the heater (not shown) provided at an appropriate position on the wall surface of the chamber 1 (temperature No. 2-1 to No. 2-3 shown in FIG. 7) is a known measuring device such as a thermocouple ( (Not shown). Further, the pressure inside the chamber 1 is measured by the vacuum gauge 12. Further, the upper high-frequency power applied by the upper high-frequency power source 4 and the matching position of the upper matching unit 5 (constants such as a variable capacitor and a variable coil included in the upper matching unit 5) are each known measuring devices (not shown). ) Is measured.
  • the lower high-frequency power applied by the lower high-frequency power source 6 and the matching position of the lower matching unit 7 are each known measuring devices (not shown). ) Is measured. Further, the temperature of the automatic pressure control device 13 (temperature No. 2-5 shown in FIG. 7) and the temperature of a heater (not shown) provided at an appropriate position in the exhaust pipe 17 (temperature No. 2 shown in FIG. 7). 2-4, No. 2-6, No. 2-7) are measured by a known measuring device (not shown) such as a thermocouple. Further, the APC opening degree of the automatic pressure control device 13 is measured by a known measuring instrument (not shown) such as an encoder.
  • the manufacturing process determination device 20 included in the substrate processing system 200 according to the second embodiment has the same configuration as that of the first embodiment, and is a measuring instrument (for example, for example) that measures each of the above-mentioned measured values with reference to FIG. It is electrically connected to the mass flow controller 11) by wire or wirelessly.
  • the manufacturing process determination device 20 acquires measurement data sequentially input from each measuring instrument at a predetermined sampling cycle (for example, 1 second), and each acquired measurement value and each set value corresponding to each measurement value are set. It is used as process log data to detect the end point of etching.
  • the process log data used in the second embodiment does not include measured values or set values related to the position of the substrate W outside the substrate processing apparatus 10A.
  • all the measured values shown in FIG. 7 are used for determination as process log data, but the present invention is not limited to this. However, it is preferable to use at least the APC opening degree and the matching position of the upper matching unit 5 and / or the lower matching unit 7.
  • the end point of etching determined (detected) by the manufacturing process determination device 20 of the second embodiment is different from that of the first embodiment, and after forming a film on the substrate W, the film composition adhering to the inside of the chamber 1 is removed. Is the end point of the etching performed for.
  • the manufacturing process determination device 20A according to the modification shown in FIG. 5 can be adopted as in the first embodiment.
  • etching cleaning
  • the end point of etching is determined by the first learning model 25a of the manufacturing process determination device 20 (learning model 25 generated by performing machine learning using only the teacher data obtained before the shipment of the substrate processing apparatus 10A) ( An example of the result of the test for detecting) will be described.
  • Input data (image data) to the first learning model 25a was created for each sampling period of 1 second (for about 150 seconds until the time).
  • the input data of each sampling cycle it is the input data created from the process log data acquired before the end point of etching or the input data created from the process log data acquired after the end point of etching.
  • the substrate processing device 10A used in the test is provided with a spectroscope, it was determined by whether or not the intensity of light having an emission wavelength of F measured by this spectroscope was equal to or higher than the reference value.
  • the first learning model 25a was machine-learned using the teacher data collected as described above. When the input data of the same teacher data was input to the first learning model 25a after learning and the determination was made, the accuracy rate as the determination accuracy was 99.39%. Since the time required for one determination in the first learning model 25a was sufficiently shorter than the overetching time, the manufacturing process determination device 20 detected the end point of etching (determined to be after the end point of etching). It can be said that there is no problem even if the etching is completed after that.
  • the inside of the chamber 1 was cleaned using C 4 F 8 gas 5 times (No. 2-1 to No. 2-5) at different timings with the same recipe, and the etching time of each cleaning was changed.
  • Input data (image data) to the first learning model 25a was created for each sampling cycle of 1 second.
  • the prepared input data is input to the first learning model 25a after learning, and it is determined whether it is before or after the etching end point.
  • the input data of each sampling period is either before the etching end point or after the etching end point. It was judged whether there was.
  • FIG. 8 shows the results of the above test. “0” shown in FIG. 8 is determined by the manufacturing process determination device 20 to be before the end point of etching, and “1” is determined by the manufacturing process determination device 20 to be after the end point of etching. is there.
  • the hatched area and the box surrounded by a thick line are those determined by a spectroscope to be after the end point of etching.
  • the judgment that is different from the judgment using the spectroscope is No. No. 2-1 of the judgment at the time of 35 to 39 seconds of the cleaning of No. 2-1. The judgment at the time of 3 seconds of the cleaning of 2-3, and No.
  • the configuration in which the determination unit 22 includes the normalization unit 23 is described as an example, but the present invention is not limited to this. It is also possible that the determination unit 22 does not include the normalization unit 23, and the process log data acquired by the process log acquisition unit 21 is used as it is without normalization to create input data.
  • the configuration in which the determination unit 22 includes the imaging unit 24 has been described as an example, but the present invention is not limited to this.
  • the determination unit 22 does not include the imaging unit 24, and the process log data acquired by the process log acquisition unit 21 can be used as input data to the learning model 25 without being imaged after being used as it is or after being normalized. is there.
  • the input data (image data) created at a predetermined sampling period (for example, 1 second) is used as the input data to the learning model 25 both during learning and during determination.
  • a predetermined sampling period for example, 1 second
  • the present invention is not limited to this.
  • a graph showing changes in process log data acquired in a predetermined sampling cycle within a predetermined time is imaged, and this image data is used as input data to the learning model 25. It is also possible to use. Any of the above image data will include a graph created from process log data that spans before and after the end point of etching.
  • the first learning model 25a is generated by performing machine learning using only the teacher data obtained before shipment of the substrate processing apparatus 10 or 10A.
  • the learning model 25b has been described by taking as an example the configuration generated by performing the machine learning using the teacher data obtained before and after the shipment of the substrate processing apparatuses 10 and 10A, but the present invention is not limited to this. It is not limited.
  • the second learning model 25b may be generated by performing machine learning using only the teacher data obtained after shipping the substrate processing apparatuses 10 and 10A.
  • the present invention is not limited to using the teacher data before and after shipment, and the first learning model 25a and the second learning model 25b may be generated using different teacher data.
  • the substrate processing apparatus 10 or 10A includes a single chamber 1 that performs an etching process, and includes a pair of the first learning model 25a and the second learning model 25b.
  • the present invention is not limited to this.
  • the substrate processing devices 10 and 10A are provided with a plurality of chambers 1 and a determination related to a manufacturing process is performed for each chamber 1, a first learning model 25a and a second learning model 25b are provided for each chamber 1. It is possible to adopt a configuration that switches and uses.
  • the first learning model 25a and the second learning model 25b are provided for each recipe and these are switched and used.
  • 25 machine learning has been described as an example, the present invention is not limited to this.
  • the learning model 25 is a classification model (classifier).
  • the present invention is not limited to this.
  • the determination target is a continuous value such as a predicted value of the etching depth
  • the output of the learning model 25 is a continuous value (for example, a value normalized to a range of 0 to 1). It is also possible to perform machine learning (that is, generate the learning model 25 that is a regression model).
  • the case where the majority decision unit 26 outputs the majority decision of the decision results of the first learning model 25a to the third learning model 25c as the final decision result has been described as an example. Is not limited to this.
  • the determination target is a continuous value such as a predicted value of the etching depth
  • an average value calculation unit is provided instead of the majority decision unit 26, and the average value calculation unit calculates the continuous value. It is also possible to adopt a mode in which an average value of the outputs of the first learning model 25a to the third learning model 25c configured to output is calculated, and the calculated average value is output as the final determination result. ..
  • the manufacturing process determination device 20 of the first embodiment and the second embodiment it is not always necessary to provide a spectroscope on the substrate processing devices 10 and 10A to which the manufacturing process determination device 20 is applied. Even if it is provided, it should be used only when learning the learning model 25. The spectroscope may be removed after learning. Therefore, the manufacturing cost and the labor required for maintenance are reduced as compared with the conventional determination device described in Patent Document 4 that always requires a spectroscope when detecting the etching end point.
  • the present invention is not limited to the mode in which the spectroscope is used during learning of the learning model 25.
  • an optical window made of a transparent material such as quartz glass is provided on the side wall of the chamber 1.
  • the optical window may be etched by the plasma in the chamber 1 to be roughened, or may be clouded due to the deposition of reaction products in the chamber 1.
  • the optical window becomes cloudy, the amount of light detected by the spectroscope decreases, which may reduce the accuracy of the etching end point detection by the spectroscope.
  • the etching end point detection by the manufacturing process determination device 20 is assisted by the etching end point detection by the spectroscope (for example,). It is also possible to adopt a mode used as an alarm (use for issuing an alarm).
  • the mounting table 2 of the substrate processing devices 10 and 10A is provided with an electrostatic chuck (not shown in FIGS. 1 and 7) for electrostatically adsorbing the substrate W during plasma processing.
  • an electrostatic chuck not shown in FIGS. 1 and 7 for electrostatically adsorbing the substrate W during plasma processing.
  • the substrate W is pushed up by the elevating mechanism, and the substrate W is to be detached from the electrostatic chuck, the residual electrostatic force may cause the substrate W to be detached poorly.
  • the manufacturing process determination device 20 of the first embodiment and the second embodiment can also be applied when determining (detecting) such a lifting abnormality.
  • the manufacturing process determination device 20 for determining an elevation abnormality for example, a sensor or the like that detects the substrate W is used for the substrate W that is transported toward the outside of the chamber 1 after being detached from the electrostatic chuck to determine a predetermined timing. It is also possible to detect whether or not a conveyance abnormality has occurred at a predetermined position, and use the process log data when there is no conveyance abnormality (normal) to create teacher data. That is, machine learning of the learning model 25 may be performed using only the teacher data in which the output of the learning model 25 is normal.
  • the present invention can be applied to a sacrifice layer etching apparatus using anhydrous HF gas and alcohol, which has been conventionally capable of performing only time etching (etching performed for a predetermined fixed time), and a sacrifice layer etching apparatus using XeF 2 gas. Is.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Mechanical Engineering (AREA)
  • Metallurgy (AREA)
  • Materials Engineering (AREA)
  • Organic Chemistry (AREA)
  • General Chemical & Material Sciences (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Manufacturing & Machinery (AREA)
  • Computer Hardware Design (AREA)
  • Power Engineering (AREA)
  • Plasma & Fusion (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Drying Of Semiconductors (AREA)
  • Chemical Vapour Deposition (AREA)

Abstract

【課題】判定精度の低下を容易に抑制可能な基板処理装置の製造プロセス判定装置等を提供する。 【解決手段】製造プロセス判定装置20は、基板処理装置10のプロセスログデータを取得するプロセスログ取得部21と、プロセスログデータに基づき入力データを作成し、入力データに基づき、基板処理装置の製造プロセスに関わる判定を行う判定部22と、を備える。判定部は、入力データがそれぞれ入力され、製造プロセスに関わる判定結果をそれぞれ出力する複数個の学習モデル25を具備し、複数個の学習モデルは、互いに異なる教師データを用いた機械学習を行うことで生成されている。判定部は、複数個の学習モデルのうち何れの学習モデルを用いて判定を行うかを切り替え可能である。

Description

基板処理装置の製造プロセス判定装置、基板処理システム、基板処理装置の製造プロセス判定方法、学習モデル群、学習モデル群の生成方法及びプログラム
 本発明は、基板処理装置の製造プロセスに関わる判定を行う基板処理装置の製造プロセス判定装置、これを備えた基板処理システム、基板処理装置の製造プロセス判定方法、学習モデル群、学習モデル群の生成方法及びプログラムに関する。特に、本発明は、判定精度の低下を容易に抑制可能な基板処理装置の製造プロセス判定装置、基板処理システム、基板処理装置の製造プロセス判定方法、学習モデル群、学習モデル群の生成方法及びプログラムに関する。
 従来、半導体製造装置等の基板処理装置の製造プロセスに関わる判定を行う装置として、例えば、特許文献1~3に記載の装置が提案されている。
 特許文献1に記載の装置は、機械学習を行うことで生成された学習モデル(ニューラルネットワーク)を用いて、基板のフィルム厚さプロファイル(具体的には、エッチング深さ)を判定(予測)する装置である。
 特許文献2に記載の装置は、機械学習を行うことで生成された学習モデル(ニューラルネットワーク)を用いて、基板のエッチング深さを予測し、ひいてはエッチングの終点を判定(検出)する装置である。
 特許文献3に記載の装置は、機械学習を行うことで生成された学習モデル(サポートベクターマシン)を用いて基板処理装置の故障(具体的には、異常発生部位及び故障までの予測時間)を判定(予知)する装置である。
 特許文献1~3に記載のような学習モデルを具備する判定装置では、初期状態(例えば、基板処理装置の出荷前)において、所定の教師データを用いて機械学習を行うことで学習モデルが生成される。その後、初期状態経過後(例えば、基板処理装置の出荷後)において、判定精度を高めることを目的として、新たな教師データを用いて又は追加して、学習モデルを再度機械学習(再学習)させることが一般的に行われている。
 しかしながら、初期状態経過後に学習モデルを再学習させる際、例えば、新たに用いる又は追加する教師データが適切なものでない場合、初期状態の学習モデル(再学習させる前の学習モデル)を用いるときよりも判定精度が低下することがある。判定精度が低下しても、既に再学習済みの学習モデルを元に戻すことができないため、所望する判定精度が得られるまで再学習を繰り返す必要があり、多大な手間を要する。
 また、基板処理装置の稼働条件の変更等に伴い、再学習前の学習モデルの判定精度と再学習後の学習モデルの判定精度との優劣が変化する場合もある。すなわち、ある稼働条件については、再学習前の学習モデルを用いた方が判定精度が高く、別の稼働条件については、再学習済の学習モデルを用いた方が判定精度が高くなる場合がある。
 しかしながら、このような場合にも、再学習済みの学習モデルの判定精度が低下しても、既に再学習済みの学習モデルを元に戻すことができないため、所望する判定精度が得られるまで再学習を繰り返す必要があり、多大な手間を要する。
 特許文献1~3には、上記のような学習モデルの再学習における問題を解決する手段について何ら開示されていない。
 なお、特許文献4に示すように、学習モデルを用いるものではないが、基板にエッチング処理を実行する基板処理装置において、基板に対するエッチングの終点を判定(検出)する装置として、分光器を備えた判定装置が知られている。具体的には、特許文献4に記載のような判定装置は、基板処理装置が備えるチャンバ内に生じた光をチャンバ外に設置した分光器に導き、この分光器で所定の波長を有する光の強度を測定することで、基板に対するエッチングの終点を判定(検出)する装置である。例えば、特許文献4に記載の判定装置では、処理ガスとしてSFガスを用いてSi基板をエッチングする場合、Siの反応生成物であるSiFの発光波長を有する光の強度が基準値以下となった時点をエッチングの終点として判定(検出)している。
 上記と同様に、基板に成膜処理を実行する基板処理装置において、成膜処理によってチャンバ内に付着した膜組成物に対するエッチングの終点を判定(検出)する際にも、分光器を備えた判定装置が用いられている。このような判定装置では、例えば、処理ガスとしてCガスを用いて膜組成物をエッチングする場合、Fの発光波長を有する光の強度が基準値以上となった時点をエッチングの終点として判定(検出)している。
特表2009-534854号公報 特開2017-195365号公報 特開2018-178157号公報 特許第4101280号公報
 本発明は、上記従来技術の問題点を解決するためになされたものであり、判定精度の低下を容易に抑制可能な基板処理装置の製造プロセス判定装置、基板処理システム、基板処理装置の製造プロセス判定方法、学習モデル群、学習モデル群の生成方法及びプログラムを提供することを課題とする。
 前記課題を解決するため、本発明は、基板処理装置の製造プロセスに関わる判定を行う装置であって、前記基板処理装置のプロセスログデータを取得するプロセスログ取得部と、前記プロセスログデータに基づき入力データを作成し、前記入力データに基づき、前記基板処理装置の製造プロセスに関わる判定を行う判定部と、を備え、前記判定部は、前記入力データがそれぞれ入力され、前記製造プロセスに関わる判定結果をそれぞれ出力する複数個の学習モデルを具備し、前記複数個の学習モデルは、互いに異なる教師データを用いた機械学習を行うことで生成されており、前記判定部は、前記複数個の学習モデルのうち何れの学習モデルを用いて判定を行うかを切り替え可能である、ことを特徴とする基板処理装置の製造プロセス判定装置を提供する。
 本発明によれば、基板処理装置の製造プロセスに関わる判定を行う判定部が複数個の学習モデルを具備し、これら複数個の学習モデルが互いに異なる教師データを用いた機械学習を行うことで生成されている。そして、判定部は、複数個の学習モデルのうち何れの学習モデルを用いて判定を行うかを切り替え可能である。このため、例えば、基板処理装置の稼働条件を変更したとき等の適宜のタイミングで複数個の学習モデルの判定精度をそれぞれ評価し、最も判定精度の高かった学習モデルを用いるように切り替えることで、判定精度の低下を容易に抑制可能である。
 本発明において、複数個の学習モデルの判定精度の評価や、判定部への学習モデルの切り替え指示を手動で行うことも可能である。しかしながら、これらを自動的に行う方が効率的であり好ましい。
 したがい、好ましくは、前記判定部は、判定精度評価用データを用いて前記複数個の学習モデルの判定精度をそれぞれ評価し、最も判定精度の高かった学習モデルを用いて、その後の判定を行う。
 上記の好ましい構成によれば、判定部が、複数個の学習モデルの判定精度をそれぞれ自動で評価し、最も判定精度の高かった学習モデルに自動で切り替えることになるため、判定精度の低下を効率的に抑制可能である。
 上記の好ましい構成において、学習モデルの判定精度を評価するタイミングは、時間等によって予め設定しても良いし、手動で指示してもよい。
 本発明において、上記の好ましい構成のように、複数個の学習モデルの判定精度をそれぞれ評価し、最も判定精度の高かった学習モデルを用いて、その後の判定を行うようにすれば、判定精度の低下を抑制可能であるものの、判定精度評価用データを用意する手間が掛かる。この手間を省くには、複数個の学習モデルの判定結果の多数決を最終的な判定結果とすることが好ましい。
 したがい、好ましくは、前記判定部は、前記複数個の学習モデルの判定結果の多数決を最終的な判定結果として出力する。
 上記の好ましい構成によれば、複数個の学習モデルの判定結果の多数決を最終的な判定結果とするため、各学習モデルの判定精度を頻繁に評価しなくても、最終的な判定結果の判定精度に信頼性をもたせることが可能である。
 なお、複数個の学習モデルが偶数個の学習モデルである場合、同じ判定結果を出力する学習モデルの個数が同数になる可能性がある。同数になった場合には、予め決めた判定結果を最終的な判定結果として出力することが考えられる。例えば、判定部が4個の学習モデルを具備し、後述の本発明の第1実施形態のようにエッチングの終点前後の何れであるかを判定する場合に、何れか2個の学習モデルがエッチングの終点前であると判定し、残りの2個の学習モデルがエッチングの終点後であると判定した場合には、同数であるため、最終的な判定結果をエッチングの終点前とすることを予め決めておけばよい。
 好ましくは、前記複数個の学習モデルには、前記基板処理装置の初期状態に得られた教師データのみを用いた機械学習を行うことで生成された学習モデルと、前記基板処理装置の初期状態経過後に得られた教師データを含む教師データを用いた機械学習を行うことで生成された学習モデルと、の双方が含まれる。
 上記の好ましい構成によれば、初期状態経過後の学習モデル(例えば、基板処理装置の出荷後に得られた教師データを含む教師データを用いた機械学習を行うことで生成された学習モデル)の判定精度が、初期状態の学習モデル(例えば、基板処理装置の出荷前に得られた教師データのみを用いた機械学習を行うことで生成された学習モデル)の判定精度よりも低い場合に、初期状態の学習モデルに切り替えて用いることが可能である。
 また、基板処理装置の稼働条件の変更等に伴い、初期状態の学習モデルの判定精度と初期状態経過後の学習モデルの判定精度との優劣が変化した場合であっても、いずれか判定精度の高い学習モデルに切り替えて用いることが可能である。
 また、前記課題を解決するため、本発明は、基板処理装置と、前記の何れかに記載の製造プロセス判定装置と、を備えることを特徴とする基板処理システムとしても提供される。
 また、前記課題を解決するため、本発明は、基板処理装置のプロセスログデータを取得するプロセスログ取得工程と、前記プロセスログ取得工程によって取得したプロセスログデータに基づき入力データを作成し、前記入力データに基づき、前記基板処理装置の製造プロセスに関わる判定を行う判定工程と、を含み、前記判定工程では、互いに異なる教師データを用いた機械学習を行うことで生成された複数個の学習モデルを用意し、前記複数個の学習モデルのうち少なくとも何れか1個の学習モデルを用いて、前記少なくとも何れか1個の学習モデルに前記入力データを入力し、前記少なくとも何れか1個の学習モデルから前記製造プロセスに関わる判定結果を出力する、ことを特徴とする基板処理装置の製造プロセス判定方法としても提供される。
 また、前記課題を解決するため、本発明は、基板処理装置のプロセスログデータに基づき作成された入力データがそれぞれ入力され、前記基板処理装置の製造プロセスに関わる判定結果をそれぞれ出力する、互いに異なる教師データを用いた機械学習を行うことで生成された複数個の学習モデルから構成される学習モデル群としても提供される。
 また、前記課題を解決するため、本発明は、基板処理装置のプロセスログデータに基づき作成された入力データがそれぞれ入力され、前記基板処理装置の製造プロセスに関わる判定結果をそれぞれ出力する複数個の学習モデルから構成される学習モデル群を生成する方法であって、互いに異なる教師データを用いた機械学習を行うことで前記複数個の学習モデルを生成する、ことを特徴とする学習モデル群の生成方法としても提供される。
 さらに、前記課題を解決するため、本発明は、前記基板処理装置の製造プロセス判定方法が含む前記プロセスログ取得工程及び前記判定工程をコンピュータ(CPU)に実行させるためのプログラムとしても提供される。
 なお、上記のプラグラムを記憶させた、コンピュータ(CPU)で読み取り可能な記憶媒体として提供することも可能である。
 本発明によれば、判定精度の低下を容易に抑制可能である。
本発明の第1実施形態に係る基板処理システムの概略構成を模式的に示す図である。 図1に示す正規化部及び画像化部の動作を説明する説明図である。 図1に示す学習モデルの概略構成及び動作を模式的に示す図である。 図1に示す学習モデルの学習時及び判定時の動作手順を示すフロー図である。 図1に示す製造プロセス判定装置の変形例を示すブロック図である。 図1に示す基板処理システムを用いた試験の結果を示す。 本発明の第2実施形態に係る基板処理システムの概略構成を模式的に示す図である。 図7に示す基板処理システムを用いた試験の結果を示す。
 以下、添付図面を参照しつつ、本発明の実施形態に係る製造プロセス判定装置及びこれを備えた基板処理システムについて説明する。本実施形態では、基板処理装置がプラズマ処理装置であり、基板処理装置における製造プロセスに関わる判定としてエッチングの終点を検出する場合を例に挙げて説明する。
 最初に、本明細書で用いる語句の意味について説明する。
 本明細書において、「基板処理装置の製造プロセスに関わる判定」とは、基板処理装置の製造プロセス(基板処理装置における基板の製造プロセスの意味)に関わる検出や予測を意味する。基板処理装置の製造プロセスとは、基板処理装置内で、基板を処理する間及び処理の前後に行われるプロセスを意味する。したがい、基板処理装置の製造プロセスに関わる判定には、処理後の基板の検査(特に、基板処理装置内での処理後に基板処理装置外に搬出された基板の検査)に関わる判定は含まれない。具体的には、基板処理装置の製造プロセスにおける異常検出、エッチング処理を実行する基板処理装置の製造プロセスにおけるエッチング終点の検出、エッチング形状・深さの予測、成膜処理を実行する基板処理装置の製造プロセスにおける成膜した膜質の予測などを例示できる。なお、本実施形態に係る製造プロセス判定装置は、基板処理装置の製造プロセスに関わる判定を行うため、その判定結果が、基板処理装置で処理した後の基板の性能向上や良品率向上などに直接寄与し得る。これに対し、処理後の基板の検査に関わる判定を行っても、検査した基板自体の良否等を判定できるに過ぎないため、その判定結果が、基板処理装置で処理した後の基板の性能向上や良品率向上などに直接寄与するものではない。
 また、本明細書において、「基板処理装置のプロセスログデータ」とは、基板処理装置における基板の処理に関わる各種の測定値や設定値の履歴を意味し、基板処理装置の稼働時に逐次得られるものが一般的である。ただし、プロセスログデータには、処理後の基板の検査(基板処理装置外に搬出された基板の検査)に関わる測定値が含まれてもよい。基板の処理の良否に応じて基板の検査結果も変わり得るため、処理後の基板の検査に関わる測定値も、基板処理装置における基板の処理に関わる測定値といえるからである。
 また、本明細書において、「学習モデル」としては、ニューラルネットワークやサポートベクターマシンなど、機械学習を用いて生成できる限りにおいて種々の構成を採用可能である。
 また、本明細書において、「教師データ」とは、学習モデルへの既知の入出力の組み合わせを意味し、「互いに異なる教師データ」とは、完全に入出力の組み合わせが異なる場合に限るものではなく、一部の組み合わせが重複する場合も含む意味である。
 また、本明細書において、「複数個の学習モデルのうち何れの学習モデルを用いて判定を行うかを切り替え可能」とは、何れか1つの学習モデルに切り替え、この切り替えた何れか1つの学習モデルのみを用いて判定を行うことに限る意味ではない。例えば、3個の学習モデルのうち2個の学習モデルに切り替え、これら2個の学習モデルを用いて判定を行ったり、複数個の全ての学習モデルを用いて判定を行うことも含む意味である。
 また、本明細書において、「判定精度評価用データ」とは、学習モデルへの既知の入出力の組み合わせを意味し、「判定精度」とは、学習モデルが出力する判定結果が、判定精度評価用データの出力(真の判定結果)と合致する程度を意味する。
 さらに、本明細書において、「複数個の学習モデルの判定結果の多数決を最終的な判定結果として出力する」とは、同じ判定結果を出力する学習モデルの個数が同数になった場合に、予め決めた何れか一方の判定結果を最終的な判定結果として出力する場合を含む概念である。
 <第1実施形態>
 図1は、第1実施形態に係る基板処理システムの概略構成を模式的に示す図である。図1(a)は、基板処理システムの全体構成図である。図1(b)は、製造プロセス判定装置の概略構成を示すブロック図である。図1(c)は、製造プロセス判定装置を構成するコンピュータのモニタ画面の表示例を模式的に示す図である。なお、図1(a)では、測定するパラメータを破線の矩形で囲って図示している。
 図1(a)に示すように、第1実施形態に係る基板処理システム100は、基板処理装置10と、製造プロセス判定装置20と、を備えている。
 第1実施形態の基板処理装置10は、チャンバ1と、チャンバ1内に配置された載置台2と、を具備し、載置台2に載置された基板Wにプラズマ処理を施す装置である。より具体的には、第1実施形態の基板処理装置10は、基板Wにプラズマ処理としてのエッチングを施す誘導結合プラズマ(ICP)方式のプラズマエッチング装置である。基板処理装置10において基板Wにエッチングを施す際には、基板Wが過剰にエッチングされないように、エッチングの終点を判定(検出)することが重要である。
 基板処理装置10のチャンバ1内には、ガス供給源(図示せず)からプラズマを生成するための処理ガスが供給される。図1(a)では、ガスNo.1~ガスNo.6までの6種類の処理ガスを供給可能とした構成が図示されている。しかしながら、エッチング処理を実行する際、6種類の処理ガスの全てを使用する場合に限るものではなく、何れか1種類以上の処理ガスを用いてエッチングを行うことが可能である。なお、供給する各処理ガスの流量は、ガス供給源からチャンバ1までの流路に設けられたマスフローコントローラ(Mass Flow Controller、MFC)11によって測定される。また、チャンバ1には、チャンバ1の壁面を加熱するヒータ(図示せず)が適宜の箇所に設けられており、各箇所のヒータの温度(図1(a)に示す温度No.1-1~No.1-4)が、熱電対等の公知の測定器(図示せず)によって測定される。さらに、チャンバ1内の圧力が、真空計12によって測定される。
 基板処理装置10は、チャンバ1を囲うようにチャンバ1に配置されたコイル3を具備する(図1(a)では、便宜上、左側に位置するコイル3の断面のみを図示している)。コイル3には、上部高周波電源4から上部マッチングユニット5を介して高周波電力(上部高周波電力)が印加される。コイル3に上部高周波電力を印加することで、チャンバ1内に供給された処理ガスがプラズマ化される。なお、上部高周波電源4が印加する上部高周波電力と、上部マッチングユニット5の整合位置(上部マッチングユニット5が具備する可変コンデンサや可変コイルなどの定数)とが、それぞれ公知の測定器(図示せず)によって測定される。
 載置台2には、下部高周波電源6から下部マッチングユニット7を介して高周波電力(下部高周波電力)が印加される。載置台2に下部高周波電力を印加することで、載置台2とチャンバ1内のプラズマとの間にバイアス電位を与え、プラズマ中のイオンを加速して載置台2に載置された基板Wに引き込む。これにより、基板Wにエッチングが施される。なお、下部高周波電源6が印加する下部高周波電力と、下部マッチングユニット7の整合位置(下部マッチングユニット7が具備する可変コンデンサや可変コイルなどの定数)とが、それぞれ公知の測定器(図示せず)によって測定される。
 プラズマ処理の実行中、載置台2は、チラー8によって冷却される。チラー8の温度が、熱電対等の公知の測定器(図示せず)によって測定される。また、プラズマ処理の実行中、基板Wの裏面にHeガスが供給され、このHeガスによって基板Wが冷却される。この際、供給するHeガスの圧力・流量が、Heガス供給源(図示せず)から基板Wの裏面(載置台2の上面)までの流路に設けられた圧力・流量計9によって測定される。
 プラズマ処理を実行することでチャンバ1内に生成された反応生成物等は、チャンバ1内に連通する排気管17を通じてチャンバ1外に排気される。排気管17には、バルブ開度を調整することにより、チャンバ1内の圧力を制御する自動圧力制御装置(Auto Pressure Controller,APC)13、反応生成物を排気するための第1ポンプ(ターボ分子ポンプ)14、及び、第1ポンプ14を補助する第2ポンプ(ドライポンプやロータリーポンプなど)15が設けられている。なお、自動圧力制御装置13の温度(図1(a)に示す温度No.1-5)と、第1ポンプ14の温度(図1(a)に示す温度No.1-6)とが、熱電対等の公知の測定器(図示せず)によって測定される。また、排気管17には、排気管17を加熱するヒータ(図示せず)が適宜の箇所(例えば、第1ポンプ14と第2ポンプ15との間)に設けられており、各箇所のヒータの温度(図1(a)に示す温度No.1-7、No.1-8)が、熱電対等の公知の測定器(図示せず)によって測定される。また、自動圧力制御装置13のバルブ開度(APC開度)が、エンコーダ等の公知の測定器(図示せず)によって測定される。さらに、第1ポンプ14と第2ポンプ15との間に位置する排気管17内の圧力(フォアライン圧力)が、真空計16によって測定される。
 第1実施形態の製造プロセス判定装置20は、上記の構成を有する基板処理装置10に電気的に接続されており、基板処理装置10において基板Wに施すエッチングの終点を判定(検出)する装置である。
 図1(b)に示すように、製造プロセス判定装置20は、プロセスログ取得部21と、判定部22と、を備え、例えば、コンピュータから構成されている。
 プロセスログ取得部21は、図1(a)を参照して前述した各測定値を測定する測定器(例えば、マスフローコントローラ11)と有線又は無線で電気的に接続されており(図1(a)では、便宜上、圧力・流量計9、マスフローコントローラ11及び真空計12だけに有線で接続されている状態を図示している)、各測定器から逐次入力された測定データを所定のサンプリング周期(例えば、1秒)で取得(A/D変換)する機能を有する。プロセスログ取得部21は、例えば、コンピュータに搭載されたA/D変換ボードや、コンピュータが具備するROM、RAM等のメモリや、該メモリに記憶され、プロセスログ取得部21としての動作をCPUに実行させるプログラムによって構成される。プログラムは、製造プロセス判定装置20が備える外付けの記憶媒体であるハードディスク27に記憶され、ハードディスク27からRAMに読み込む態様であってもよい。この取得された各測定値及び各測定値に対応する各設定値が、プロセスログデータとして、判定部22でのエッチングの終点検出に用いられる。
 なお、第1実施形態で用いるプロセスログデータには、チャンバ1内に生じた光(チャンバ1内に供給する処理ガスや基板Wの成分に応じて生じた光)に関わる測定値は含まれない。すなわち、従来の分光器を用いた光の強度測定値等は除外される。換言すれば、エッチングの終点を検出する際に分光器を用いる必要がない。また、第1実施形態で用いるプロセスログデータには、基板処理装置10外での基板Wの位置に関わる測定値や設定値は含まれない。
 また、第1実施形態では、図1(a)に示す全ての測定値をプロセスログデータとしてエッチングの終点検出に用いているが、本発明はこれに限るものではない。ただし、少なくとも、フォアライン圧力又はAPC開度と、上部マッチングユニット5及び/又は下部マッチングユニット7の整合位置と、を用いることが好ましい。
 本発明者らの鋭意検討した結果によれば、各種のプロセスログデータのうち、排気管17内の圧力(フォアライン圧力)と、自動圧力制御装置13のバルブ開度(APC開度)と、上部マッチングユニット5の整合位置と、下部マッチングユニット7の整合位置とが、エッチングの終点前後で特に変化し易い。エッチングが終了すれば、基板Wにおけるエッチング対象の層が無くなるため、プラズマの状態が変化するからである。このため、エッチングの終点を判定(検出)するには、上記のように、少なくともこれらのプロセスログデータを用いることが好ましい。ただし、フォアライン圧力とAPC開度とはほぼ連動して変化するため、何れか一方だけを用いてもよいと考えられる。
 なお、製造プロセス判定装置20が基板処理装置10の稼働を制御するために一般的に用いられる制御装置としての機能も有する場合(制御装置が製造プロセス判定装置20としても兼用される場合)には、プロセスログデータを構成する各設定値は、予め製造プロセス判定装置20(プロセスログ取得部21)に記憶されている。製造プロセス判定装置20が上記の制御装置と別体であり、両者が電気的に接続されている場合には、制御装置に予め記憶された各設定値が製造プロセス判定装置20(プロセスログ取得部21)に送信されることになる。また、第1実施形態では、製造プロセス判定装置20が各測定器と直接接続されている場合を例示したが、上記の制御装置と各測定器とが直接接続され、制御装置で取得した各測定値を製造プロセス判定装置20に送信する構成を採用することも可能である。
 判定部22は、プロセスログ取得部21によって逐次(例えば、1秒毎に)取得したプロセスログデータから入力データを作成し、この入力データに基づき、基板処理装置10におけるエッチングの終点を判定(検出)する部分である。判定部22は、例えば、コンピュータが具備するROM、RAM等のメモリや、該メモリに記憶され、判定部22としての動作をCPUに実行させるプログラムによって構成される。このプログラムも、ハードディスク27に記憶され、ハードディスク27からRAMに読み込む態様であってもよい。
 判定部22は、複数個の学習モデル25を具備する。図1(b)に示す例では、判定部22は、2個の第1学習モデル25a及び第2学習モデル25bを具備するが、本発明はこれに限るものではなく、3個以上の学習モデル25を具備することも可能である。第1学習モデル25a及び第2学習モデル25bは、構成は同じであるが、互いに異なる教師データを用いた機械学習を行うことで生成されている。例えば、第1学習モデル25aは、基板処理装置10の出荷前に得られた教師データのみを用いた機械学習を行うことで生成され、第2学習モデル25bは、基板処理装置10の出荷前と出荷後に得られた教師データを用いた機械学習を行うことで生成されている。なお、本明細書に記載の「出荷前」とは、基板処理装置10の製造者側に基板処理装置10が存在する状態に限るものではない。製造者側から使用者側に基板処理装置10が引き渡された後、製造者側が使用者側に出向いて基板処理装置10の立ち上げ調整を行う場合には、その立ち上げ調整期間も含む概念である。
 そして、判定部22は、第1学習モデル25a及び第2学習モデル25bのうち何れの学習モデルを用いて判定を行うかを切り替え可能になっている。判定に用いる学習モデル25の切り替えは、判定部22に手動で切り替え指示を行ってもよいし、後述のように判定部22が自動的に行ってもよい。
 図1(b)に示す例では、第1学習モデル25aが選択されて、後述の画像化部24と第1学習モデル25aとが接続され、第1学習モデル25aを用いて判定を行う状態を図示している。
 例えば、出荷前後で、ユーティリティ仕様が異なったり、クリーンルーム環境が異なることで、出荷後に得られた教師データが適切なものでない場合がある。また、出荷後であっても、基板処理装置では、デバイスの性能向上・製造プロセス改善や、用途変更により、基板Wの材質やサイズが異なったり、プラズマを生成するための処理ガスが異なる場合がある。このような場合には、出荷前に得られた教師データのみを用いて学習させた第1学習モデル25aを用いる方が判定精度が高い可能性がある。
 なお、前述のように、判定部22は、3個以上の学習モデルを具備することも可能である。特に、上記のような出荷後の基板処理装置におけるデバイスの性能向上・製造プロセス改善、用途変更等に応じて、同じ出荷後に得られたものではあるが互いに異なる教師データを用意し、これら出荷後の異なる教師データをそれぞれ用いた機械学習を行うことで複数個の学習モデル25を生成することが好ましい。
 第1実施形態の判定部22は、好ましい構成として、更に、正規化部23と、画像化部24と、を具備する。これら正規化部23、画像化部24及び学習モデル25も、例えば、コンピュータが具備するROM、RAM等のメモリや、該メモリに記憶され、各部23~25としての動作をCPUに実行させるプログラムによって構成される。このプログラムも、ハードディスク27に記憶され、ハードディスク27からRAMに読み込む態様であってもよい。
 図2は、正規化部23及び画像化部24の動作を説明する説明図である。図2(a)は正規化部23の動作を説明する図であり、図2(b)、(c)は画像化部24の動作を説明する図である。
 図2(a)の左図は、プロセスログ取得部21によって取得したプロセスログデータを模式的に示す図である。図2(a)に示すパラメータ1~Nは、例えば、パラメータ1が図1(a)に示すマスフローコントローラ11で測定したガスNo.1の流量であり、パラメータNが図1(a)に示す温度No.1-8である等、プロセスログデータの種類を意味する。図2(a)の左図に示すXij(i=1~N、j=1~M)は、パラメータiについてプロセス時間(エッチング開始からの経過時間)がj[sec]のときに取得されたプロセスログデータの値を意味する。例えば、X11は、パラメータ1についてプロセス時間が1[sec]のときに取得されたプロセスログデータの値であり、XNMは、パラメータNについてプロセス時間がM[sec]のときに取得されたプロセスログデータの値である。
 正規化部23は、プロセスログデータの種類毎(パラメータi毎)に、全プロセス時間(1~M[sec])でのプロセスログデータの最大値MAX、最小値MINを予め算出する。例えば、パラメータ1についての最大値はMAX、最小値はMINであり、パラメータNについての最大値はMAX、最小値はMINである。なお、これらの最大値MAX及び最小値MINは、1つの基板Wをエッチングする際に取得されたプロセスログデータを用いて算出するのではなく、後述の学習モデル25の学習時等において、同等のレシピ(プラズマ処理の条件)でエッチングされた複数の基板Wについて取得されたプロセスログデータを用いて予め算出しておくことが好ましい。算出したプロセスログデータの種類毎(パラメータi毎)の最大値MAX及び最小値MINは、正規化部23に記憶される。
 そして、正規化部23は、プロセスログ取得部21によって逐次取得したプロセスログデータXijに対して、プロセスログデータの種類毎(パラメータi毎)に最大値が1となり最小値が0となる正規化を行う。
 具体的には、以下の式(1)に基づき、図2(a)の右図に示すように、正規化後のプロセスログデータYijを算出する。
 Yij=(Xij-MIN)/(MAX-MIN) ・・・(1)
 上記の式(1)において、i=1~Mであり、j=1~Nである。
 上記の式(1)から、Xij=MAXのとき、Yij=1となり、Xij=MINのとき、Yij=0となるように正規化されることは明らかである。
 プロセスログデータXijの値は、圧力、温度、流量など、プロセスログデータXijの種類に応じて大きく異なる。また、どのような単位で表すかによっても異なる値となる。このため、エッチングの終点を判定(検出)するに際し、各種類のプロセスログデータXijの値をそのまま用いると、判定精度に影響を及ぼす可能性がある。これを避けるには、上記のように正規化して、正規化後の各種類のプロセスログデータYijの値が何れも一定の範囲内で変動するようにすることが好ましい。
 画像化部24は、正規化後のプロセスログデータに基づき、学習モデル25への入力データを作成する。
 具体的には、画像化部24は、図2(b)の左図に示す正規化後のプロセスログデータに基づき、図2(b)の右図に示すように、一軸(図2(b)の右図に示す例では横軸)がプロセスログデータの種類(パラメータ1~N)であり、一軸に直交する他軸(図2(b)の右図に示す例では縦軸)が正規化後のプロセスログデータの値Yijであるグラフ(棒グラフ)を画像化した画像データを逐次(例えば、1秒毎に)作成する。
 画像データの種類としては、図2(b)の右図に示すようなモノクロ濃淡画像に限るものではなく、2値化画像やカラー画像など、任意の画像データを作成可能である。
 次に、第1実施形態の画像化部24は、作成した画像データを複数の画素から構成される所定の画素領域に分割する。
 具体的には、図2(c)に示すように、画像化部24は、画像データを一軸(横軸)方向及び他軸(縦軸)方向にそれぞれK分割して画素領域Aij(i=1~K、j=1~K)を作成する。そして、画像化部24は、画素領域Aij毎に平均濃度値(画素領域Aijを構成する複数の画素の濃度値の平均値)Iave(Aij)(i=1~K、j=1~K)を算出する。この平均濃度値Iave(Aij)が、学習モデル25への入力データとして用いられる。
 なお、画像化部24がカラー画像(RGB3色のカラー画像)を作成する場合には、画像化部24は各色の画像について平均濃度値を算出し、それら全てが学習モデル25への入力データとして用いられる。
 また、第1実施形態では、画像化部24が画像データを画素領域に分割する例を示したが、本発明はこれに限るものではなく、画像データを構成する各画素の濃度値をそのまま学習モデル25への入力データとして用いることも可能である。
 図3は、学習モデル25(第1学習モデル25a、第2学習モデル25b)の概略構成及び動作を模式的に示す図である。
 図4は、学習モデル25の学習時及び判定時の動作手順を示すフロー図である。図4(a)は学習時の動作手順を、図4(b)は判定時の動作手順を示す。
 図3に示すように、第1実施形態の学習モデル25は、入力層、中間層及び出力層を有するニューラルネットワークから構成されている。図3では、2層の中間層を有する構成を例示しているが、本発明の学習モデルとして用いることのできるニューラルネットワークはこれに限るものではなく、任意の層数の中間層を有する構成を採用可能である。また、図3に示す各層のノード(図3において「〇」で示す部分)の個数は単なる例示であり、本発明の学習モデルとして用いることのできるニューラルネットワークにおけるノードの個数は図示したものに限らない。
 学習モデル25は、入力データとして画像化部24で作成した画像データ(具体的には、各画素領域Aijの平均濃度値Iave(Aij))が入力層に入力された場合に、基板処理装置10におけるエッチングの終点前後の何れであるかを出力層から出力する(出力値OUTを出力する)ように、機械学習によって生成された構成である。
 具体的には、学習モデル25の学習時には、教師データの入力として、エッチングの終点前に取得したプロセスログデータから作成された入力データ(画像データ)を与える。また、前記入力と組み合わされる教師データの出力として、エッチングの終点前であること(第1実施形態では、OUT=0)を与える。そして、前記入力を入力層に入力した場合に、出力層からOUT=0が出力されるように、機械学習を行う。
 また、教師データの入力として、エッチングの終点後に取得したプロセスログデータから作成された入力データ(画像データ)を与える。また、前記入力と組み合わされる教師データの出力として、エッチングの終点後であること(第1実施形態では、OUT=1)を与える。そして、前記入力を入力層に入力した場合に、出力層からOUT=1が出力されるように、機械学習を行う。
 前述のように、第1学習モデル25aと第2学習モデル25bとでは、互いに異なる教師データを用いるが、機械学習の方法は同じである。具体的には、図4(a)に示すように、第1学習モデル25a用の教師データD1を準備し、この教師データD1を用いて第1学習モデル25aを学習させる。また、教師データD1と異なる第2学習モデル25b用の教師データD2を準備し、この教師データD2を用いて第2学習モデル25bを学習させる。
 なお、第1学習モデル25a及び第2学習モデル25bは、一度の機械学習を行うことで生成されたものに限られない。必要に応じて、新たな教師データを用いて第1学習モデル25a及び第2学習モデル25bの再学習を行ったり、従来の教師データに新たな教師データを追加して第1学習モデル25a及び第2学習モデル25bの再学習を行うことも可能である。第1学習モデル25a及び第2学習モデル25bの再学習を行うか否かは、例えば、図1(c)に示すように、製造プロセス判定装置20を構成するコンピュータのモニタ画面に、第1学習モデル25a及び第2学習モデル25bの再学習を行うための実行ボタン20cをそれぞれ表示させればよい。そして、各実行ボタン20cをキーボードやマウスを使ってクリックしたり、モニタがタッチパネル式の場合には指で各実行ボタン20cに触れることで、各実行ボタン20cに対応する学習モデル25の再学習が実行されるように構成すればよい。
 なお、基板処理装置10が分光器を備える場合には、その分光器を用いて教師データを取得すればよい。具体的には、教師データとして用いる入力データの基になるプロセスログデータがエッチングの終点前に取得したものであるか、或いは、エッチングの終点後に取得したものであるかは、分光器で所定の波長を有する光の強度を測定することで判定すればよい。すなわち、分光器を用いてエッチングの終点を検出し、この分光器で検出したエッチングの終点を真として、プロセスログデータがその真の終点より前に取得したものであるか、或いは、真の終点より後に取得したものであるかを判定して、教師データとすればよい。
 また、基板処理装置10が分光器を備えない場合には、分光器を備えた他の基板処理装置を用いて教師データを取得すればよい。すなわち、分光器を備えた他の基板処理装置を用いた機械学習によって学習モデル25を生成し、この学習モデル25を第1実施形態の基板処理装置10に適用する製造プロセス判定装置20に用いることも可能である。
 また、基板処理装置10がエッチング処理を実行する複数のチャンバ1を備え、チャンバ1毎に製造プロセス判定装置20が適用され、一部のチャンバ1にしか分光器を備えない場合には、分光器を備えた他のチャンバ1を用いて教師データを取得すればよい。すなわち、分光器を備えた他のチャンバ1を用いた機械学習によって学習モデル25を生成し、この学習モデル25を分光器を備えないチャンバ1用の製造プロセス判定装置20に用いることも可能である。この態様は、複数のチャンバ1において、同種のレシピでエッチング処理を並行して実行する場合に特に有効である。
 さらに、必ずしも分光器を用いて教師データを取得する場合に限るものではない。例えば、教師データを取得する際にエッチング中の基板Wの表面を観察し、エッチングの終点前後に応じた基板W表面の色の違いから、プロセスログデータがエッチングの終点前後の何れであるかを判定して教師データを取得することも考えられる。
 上記のようにして学習した後の学習モデル25により、逐次入力される入力データに基づきエッチングの終点を判定(検出)する判定時には、学習モデル25の入力層に入力データ(画像データ)が逐次入力され、学習モデル25の出力層から出力値OUTが出力される。学習時と異なり、判定時の出力値OUTの値は、0≦OUT≦1となる。
 具体的には、図4(b)に示すように、判定部22が、第1学習モデル25a及び第2学習モデル25bのうち何れの学習モデル25を用いて判定を行うかを切り替える。第1学習モデル25aが選択された場合には、第1学習モデル25aの入力層に入力データが逐次入力されて判定が行われる。第2学習モデル25bが選択された場合には、第2学習モデル25bの入力層に入力データが逐次入力されて判定が行われる。
 なお、図1(b)に示す例では、第1学習モデル25aが選択されているため、第1学習モデル25aの入力層に入力データ(画像データ)が逐次入力され、第1学習モデル25aの出力層から出力値OUTが出力されることになる。第2学習モデル25bが選択されている場合には、第2学習モデル25bの入力層に入力データ(画像データ)が逐次入力され、第2学習モデル25aの出力層から出力値OUTが出力されることになる。
 第1実施形態の判定部22は、0≦OUT<0.5のとき(小数点1桁で四捨五入して0になるとき)には、エッチングの終点前であると判定し、0.5≦OUT≦1のとき(小数点1桁で四捨五入して1になるとき)には、エッチングの終点後であると判定するように構成されている。換言すれば、第1実施形態の判定部22は、出力値OUTを所定のしきい値(上記の例では、しきい値=0.5)と比較し、出力値OUTがしきい値より小さければ、エッチングの終点前であると判定し、出力値OUTがしきい値以上であれば、エッチングの終点後であると判定するように構成されている。
 以上に説明した構成を有する製造プロセス判定装置20により、基板処理装置10において基板Wに施すエッチングの終点が逐次判定(検出)される。
 なお、第1学習モデル25a及び第2学習モデル25bのうちの何れの学習モデル25を用いて判定を行うかの切り替えは、例えば、以下のようにして自動的に行うことが可能である。すなわち、教師データと同様にして取得した判定精度評価用データ(学習モデル25への既知の入出力の組み合わせ)を予め判定部22に記憶しておく。次に、判定部22がこの判定精度評価用データを用いて、第1学習モデル25a及び第2学習モデル25bの判定精度をそれぞれ評価する。そして、判定部22が、判定精度の高かった方の学習モデル25を用いて、その後の判定を行うように構成すればよい。各学習モデル25の判定精度を評価するタイミングは、時間等によって予め設定しても良いし、手動で指示(例えば、製造プロセス判定装置20が備えるキーボードやマウスやタッチパネル等で評価開始を指示)してもよい。
 第1学習モデル25a及び第2学習モデル25bのうちの何れの学習モデル25を用いて判定を行うかの切り替えを判定部22に手動で指示する場合には、例えば、上記と同様の判定精度評価用データを用いて(ただし、この場合には、判定部22に判定精度評価用データを記憶しておく必要はない)、手動で第1学習モデル25a及び第2学習モデル25bの判定精度をそれぞれ評価し、判定精度の高かった方の学習モデル25への切り替えを手動で指示すればよい。
 第1実施形態では、製造プロセス判定装置20を構成するコンピュータのモニタ画面に、判定に用いる学習モデル25が表示されるように構成されている。具体的には、判定部22への学習モデル25の切り替え指示を手動で行う場合には、例えば、図1(c)に示すように、第1学習モデル25a及び第2学習モデル25bの選択ボタン20bがそれぞれモニタに表示される。そして、キーボードやマウスを使って何れかの選択ボタン20bを選んだり、モニタがタッチパネル式の場合には指で何れかの選択ボタン20bを選ぶことで、選択された学習モデル25が他の学習モデル25と識別可能に表示される態様を採用可能である。例えば、図1(c)に示す例では、選択された学習モデル25(第1学習モデル25a)の表示欄20aがモニタに点灯表示されている。点灯表示に限らず、点滅表示やカラー表示など、選択された学習モデル25を識別可能な限り、種々の態様を採用可能である。
 また、判定部22が学習モデル25の切り替えを自動的に行う場合には、例えば、図1(c)に示す例と同様に(ただし、この場合は、選択ボタン20bは不要)、全ての学習モデル25の表示欄20aのうち、選択された学習モデル25(第1学習モデル25a又は第2学習モデル25b)の表示欄20aをモニタに点灯表示等することによって、他の学習モデル25と識別可能にする態様を採用可能である。或いは、選択された学習モデル25の表示欄20aのみをモニタに表示(選択されていない学習モデル25の表示欄20aは非表示)することも可能である。
 上記のように、判定に用いる学習モデル25が表示される構成にすることで、例えば、判定結果を解析するとき(例えば、判定精度が低下した原因を調査するとき)等に有効である。特に、判定部22が学習モデル25の切り替えを自動的に行う場合には、判定に用いる学習モデル25が表示されないと、どの学習モデル25を用いて判定しているかが一見しただけでは分からないブラックボックスの状態になるため、上記のように表示される構成にすることが有効である。
 また、判定結果を解析する上で、判定に用いた学習モデル25と、この判定に用いた学習モデル25に適用したプロセスログデータ(教師データも含む)や判定結果とを紐付けて、例えば、ハードディスク27に記憶させることも有効である。
 なお、図1(b)に示す製造プロセス判定装置20では、判定部22が2個の第1学習モデル25a及び第2学習モデル25bを具備し、例えば判定精度の評価結果に基づき何れか一方の学習モデル25に切り替え、この切り替えた何れか一方の学習モデル25のみを用いて判定を行うことを説明したが、本発明はこれに限るものではない。
 図5は、製造プロセス判定装置の変形例を示す図である。図5(a)は、変形例に係る製造プロセス判定装置の概略構成を示すブロック図である。図5(b)は、変形例に係る製造プロセス判定装置を構成するコンピュータのモニタ画面の表示例を模式的に示す図である。
 図5(a)に示す変形例に係る製造プロセス判定装置20Aも、図1(b)に示す製造プロセス判定装置20と同様に、プロセスログ取得部21と、判定部22Aと、を備え、例えば、コンピュータから構成されている。プロセスログ取得部21の構成は、図1(b)に示す製造プロセス判定装置20と同様であるため、説明を省略する。
 図5(a)に示す判定部22Aも、図1(b)に示す判定部22と同様に、正規化部23と、画像化部24と、複数個の学習モデル25と、を具備する。ただし、判定部22Aは、複数個の学習モデル25として、3個以上の奇数個の学習モデル25(図5(a)に示す例では、3個の第1学習モデル25a、第2学習モデル25b、第3学習モデル25c)を具備する点が判定部22と異なる。また、判定部22Aは、多数決決定部26を具備する点が判定部22と異なる。これら正規化部23、画像化部24、学習モデル25及び多数決決定部26は、例えば、コンピュータが具備するROM、RAM等のメモリや、該メモリに記憶され、各部23~26としての動作をCPUに実行させるプログラムによって構成される。プログラムは、製造プロセス判定装置20Aが備える外付けの記憶媒体であるハードディスク27に記憶され、ハードディスク27からRAMに読み込む態様であってもよい。正規化部23及び画像化部24の構成は、図1(b)に示す製造プロセス判定装置20と同様であるため、説明を省略する。
 変形例に係る製造プロセス判定装置20Aの判定部22Aは、第1学習モデル25a、第2学習モデル25b及び第3学習モデル25cの全てを用いて判定を行うように構成されている。したがい、例えば、図5(b)に示すように、選択された学習モデル25(第1学習モデル25a~第3学習モデル25c)の全ての表示欄20aがモニタに点灯表示されている。具体的には、第1学習モデル25a~第3学習モデル25cの全てから出力値OUTが出力され、多数決決定部26に入力される。
 そして、多数決決定部26は、第1学習モデル25a~第3学習モデル25cの判定結果の多数決を最終的な判定結果として出力する。例えば、第1学習モデル25aの出力値OUTが0≦OUT<0.5(エッチングの終点前と判定)であり、第2学習モデル25bの出力値OUTが0≦OUT<0.5(エッチングの終点前と判定)であり、第3学習モデル25cの出力値OUTが0.5≦OUT≦1(エッチングの終点後と判定)である場合には、多数決決定部26から、最終的な判定結果として、エッチングの終点前であることが出力されることになる。
 図5に示す例では、第1学習モデル25a~第3学習モデル25cの3個の学習モデル25の全てを用いて判定を行っているが、これに限るものではない。例えば、学習モデル25が5個存在する場合に、そのうちの3個の学習モデル25を用いて判定を行うように、一部の学習モデル25を選択して用いて判定を行う態様を採用することも可能である。
 また、多数決決定部26を用いて最終的な判定結果を出力する場合と、図1(b)に示す製造プロセス判定装置20と同様に、多数決決定部26を用いずに何れかの学習モデル25を用いて判定結果を出力する場合とを、切り替え可能にする態様を採用することも可能である。
 以下、第1実施形態に係る基板処理システム100の基板処理装置10によって基板Wをエッチングし、製造プロセス判定装置20の第1学習モデル25a(基板処理装置10の出荷前に得られた教師データのみを用いた機械学習を行うことで生成された学習モデル25)によってエッチングの終点を判定(検出)する試験を行った結果の一例について説明する。
 上記試験では、まず、19枚の基板W(Si基板)をSFガスを用いてエッチングし、各基板Wのエッチング時間(基板Wのエッチング開始からエッチング終了を経てオーバーエッチングが終了するまでの約50秒間)において1秒のサンプリング周期毎に第1学習モデル25aへの入力データ(画像データ)を作成した。各サンプリング周期の入力データが、エッチングの終点前に取得したプロセスログデータから作成された入力データであるか、エッチングの終点後に取得したプロセスログデータから作成された入力データであるかについては、上記試験で用いた基板処理装置10には分光器が設けられているため、この分光器で測定したSiFの発光波長を有する光の強度が基準値以下であるか否かによって判定した。以上のようにして採取した教師データを用いて、第1学習モデル25aを機械学習させた。学習後の第1学習モデル25aに同じ教師データの入力データを入力してエッチングの終点前後の何れであるかを判定したところ、判定精度としての正解率(正解した回数/判定回数×100)は99.89%であった。なお、第1学習モデル25aでの1回の判定に要する時間は、オーバーエッチングの時間よりも十分に短かったため、製造プロセス判定装置20によってエッチングの終点を検出(エッチングの終点後であると判定)してからエッチングを終了しても何ら支障は生じないといえる。
 次に、上記試験では、同じレシピで別の6枚(No.1-1~No.1-6)の基板W(Si基板)をSFガスを用いてエッチングし、各基板Wのエッチング時間において1秒のサンプリング周期毎に第1学習モデル25aへの入力データ(画像データ)を作成した。そして作成した入力データを上記学習後の第1学習モデル25aに入力してエッチングの終点前後の何れであるかを判定した。この際、前述の学習時と同様に、基板処理装置10に設けられた分光器を用いて、各サンプリング周期の入力データが、エッチングの終点前のものであるか、エッチングの終点後のものであるかを判定した。
 図6は、上記試験の結果を示す。図6に示す「0」は、製造プロセス判定装置20によってエッチングの終点前であると判定したものであり、「1」は、製造プロセス判定装置20によってエッチングの終点後であると判定したものである。図6において、ハッチングを施し、太線で囲んだ欄は、分光器を用いてエッチングの終点後であると判定したものである。
 図6に示すように、分光器を用いた判定と異なる判定をしたのは、No.1-3の基板Wの38秒時点における判定と、No.1-5の基板Wの38秒時点における判定だけであり、判定精度としての正解率は99.35%(=306/308×100)であった。したがい、第1実施形態に係る基板処理システム100の製造プロセス判定装置20によれば、基板Wのエッチングの終点を精度良く検出可能であるといえる。
 <第2実施形態>
 図7は、第2実施形態に係る基板処理システムの概略構成を模式的に示す図である。なお、図7においても、前述の図1(a)と同様に、測定するパラメータを破線の矩形で囲って図示している。図7では、前述の図1(b)に相当する構成の図示を省略している。
 図7に示すように、第2実施形態に係る基板処理システム200は、基板処理装置10Aと、製造プロセス判定装置20と、を備えている。
 以下、主として第1実施形態に係る基板処理システム100と相違する点について説明し、第1実施形態に係る基板処理システム100と同様の構成要素については同一の符号を付して説明を省略する。
 第2実施形態の基板処理装置10Aは、チャンバ1と、チャンバ1内に配置された載置台2と、を具備し、載置台2に載置された基板Wにプラズマ処理を施す装置である。より具体的には、第2実施形態の基板処理装置10Aは、プラズマ処理として基板W上に膜を形成する容量結合プラズマ(CCP)方式のプラズマ成膜装置である。
 このため、第1実施形態の基板処理装置10と異なり、コイル3(図1(a)参照)の代わりに、チャンバ1内に載置台2と平行に対向配置された上部電極18を備えている。
 基板処理装置10Aにおいては、成膜処理を施した基板Wをチャンバ1外に搬送した後、成膜処理によってチャンバ1内に付着した膜組成物をクリーニングによって除去している。具体的には、プラズマを用いたエッチングによって、チャンバ1内に付着した膜組成物を除去している。このクリーニングの際に実行するエッチングについても、プラズマを生成する処理ガスの過剰供給を防止するため、エッチングの終点(クリーニングの終点)を判定(検出)することが重要である。
 基板処理装置10Aのチャンバ1内には、ガス供給源(図示せず)からプラズマを生成するための処理ガスが供給される。図7では、ガスNo.1~ガスNo.6までの6種類の処理ガスを供給可能とした構成が図示されている。しかしながら、成膜処理を実行する際や、成膜処理後にチャンバ1内に付着した膜組成物をクリーニングする際に、6種類の処理ガスの全てを使用する場合に限るものではなく、何れか1種類以上の処理ガスを用いて成膜処理や、クリーニングを行うことが可能である。
 上部電極18には、上部高周波電源4から上部マッチングユニット5を介して高周波電力(上部高周波電力)が印加される。また、載置台2には、下部高周波電源6から下部マッチングユニット7を介して高周波電力(下部高周波電力)が印加される。これにより、チャンバ1内に供給された処理ガスがプラズマ化され、生成されたプラズマが載置台2に向けて移動することで、載置台2に載置された基板W上に膜が形成される。成膜処理後に膜組成物をクリーニングする際には、生成されたプラズマがチャンバ1の内面に向けて移動することで、チャンバ1内に付着した膜組成物がエッチングによって除去される。
 第2実施形態の基板処理装置10Aは、第1実施形態の基板処理装置10と異なり、チラー8、圧力・流量計9、第1ポンプ(ターボ分子ポンプ)14及び真空計16を備えていない。
 第2実施形態に係る基板処理システム200では、供給する各処理ガスの流量が、ガス供給源からチャンバ1までの流路に設けられたマスフローコントローラ11によって測定される。また、チャンバ1の壁面の適宜の箇所に設けられたヒータ(図示せず)の温度(図7に示す温度No.2-1~No.2-3)が、熱電対等の公知の測定器(図示せず)によって測定される。さらに、チャンバ1内の圧力が、真空計12によって測定される。
 また、上部高周波電源4が印加する上部高周波電力と、上部マッチングユニット5の整合位置(上部マッチングユニット5が具備する可変コンデンサや可変コイルなどの定数)とが、それぞれ公知の測定器(図示せず)によって測定される。
 また、下部高周波電源6が印加する下部高周波電力と、下部マッチングユニット7の整合位置(下部マッチングユニット7が具備する可変コンデンサや可変コイルなどの定数)とが、それぞれ公知の測定器(図示せず)によって測定される。
 さらに、自動圧力制御装置13の温度(図7に示す温度No.2-5)と、排気管17の適宜の箇所に設けられたヒータ(図示せず)の温度(図7に示す温度No.2-4、No.2-6、No.2-7)とが、熱電対等の公知の測定器(図示せず)によって測定される。また、自動圧力制御装置13のAPC開度が、エンコーダ等の公知の測定器(図示せず)によって測定される。
 第2実施形態に係る基板処理システム200が備える製造プロセス判定装置20は、第1実施形態と同様の構成を有し、図7を参照して前述した各測定値を測定する測定器(例えば、マスフローコントローラ11)と有線又は無線で電気的に接続されている。製造プロセス判定装置20は、各測定器から逐次入力された測定データを所定のサンプリング周期(例えば、1秒)で取得し、これら取得された各測定値及び各測定値に対応する各設定値が、プロセスログデータとしてエッチングの終点検出に用いられる。第2実施形態で用いるプロセスログデータにも、基板処理装置10A外での基板Wの位置に関わる測定値や設定値は含まれない。
 第2実施形態では、図7に示す全ての測定値をプロセスログデータとして判定に用いているが、本発明はこれに限るものではない。ただし、少なくとも、APC開度と、上部マッチングユニット5及び/又は下部マッチングユニット7の整合位置と、を用いることが好ましい。
 第2実施形態の製造プロセス判定装置20が判定(検出)するエッチングの終点は、第1実施形態と異なり、基板W上に膜を形成した後、チャンバ1内に付着した膜組成物を除去するために実行するエッチングの終点である。
 なお、第2実施形態においても、第1実施形態と同様に、図5に示す変形例に係る製造プロセス判定装置20Aを採用することが可能である。
 以下、第2実施形態に係る基板処理システム200の基板処理装置10Aによって基板W上に膜を形成した後、チャンバ1内に付着した膜組成物を除去するために実行するエッチング(クリーニング)の際、製造プロセス判定装置20の第1学習モデル25a(基板処理装置10Aの出荷前に得られた教師データのみを用いた機械学習を行うことで生成された学習モデル25)によってエッチングの終点を判定(検出)する試験を行った結果の一例について説明する。
 上記試験では、まず、Cガスを用いてチャンバ1内を13回クリーニングし、各クリーニングのエッチング時間(チャンバ1内に付着した膜組成物のエッチング開始からエッチング終了を経てオーバーエッチングが終了するまでの約150秒間)において1秒のサンプリング周期毎に第1学習モデル25aへの入力データ(画像データ)を作成した。各サンプリング周期の入力データが、エッチングの終点前に取得したプロセスログデータから作成された入力データであるか、エッチングの終点後に取得したプロセスログデータから作成された入力データであるかについては、上記試験で用いた基板処理装置10Aには分光器が設けられているため、この分光器で測定したFの発光波長を有する光の強度が基準値以上であるか否かによって判定した。以上のようにして採取した教師データを用いて、第1学習モデル25aを機械学習させた。学習後の第1学習モデル25aに同じ教師データの入力データを入力して判定を行ったところ、判定精度としての正解率は99.39%であった。なお、第1学習モデル25aでの1回の判定に要する時間は、オーバーエッチングの時間よりも十分に短かかったため、製造プロセス判定装置20によってエッチングの終点を検出(エッチングの終点後であると判定)してからエッチングを終了しても何ら支障は生じないといえる。
 次に、上記試験では、同じレシピで別のタイミングの5回(No.2-1~No.2-5)Cガスを用いてチャンバ1内をクリーニングし、各クリーニングのエッチング時間において1秒のサンプリング周期毎に第1学習モデル25aへの入力データ(画像データ)を作成した。そして、作製した入力データを上記学習後の第1学習モデル25aに入力してエッチングの終点前後の何れであるかを判定した。この際、前述の学習時と同様に、基板処理装置10Aに設けられた分光器を用いて、各サンプリング周期の入力データが、エッチングの終点前のものであるか、エッチングの終点後のものであるかを判定した。
 図8は、上記試験の結果を示す。図8に示す「0」は、製造プロセス判定装置20によってエッチングの終点前であると判定したものであり、「1」は、製造プロセス判定装置20によってエッチングの終点後であると判定したものである。図8において、斜線のハッチングを施し、太線で囲んだ欄は、分光器を用いてエッチングの終点後であると判定したものである。
 図8に示すように、分光器を用いた判定と異なる判定をしたのは、No.2-1のクリーニングの35~39秒時点における判定と、No.2-3のクリーニングの3秒時点における判定と、No.2-5のクリーニングの44秒時点における判定だけであり、判定精度としての正解率は99.1%(=743/750×100)であった。したがい、第2実施形態に係る基板処理システム200の製造プロセス判定装置20によれば、チャンバ1内に付着した膜組成物のエッチング(クリーニング)の終点を精度良く検出可能であるといえる。
 なお、以上に説明した第1実施形態及び第2実施形態では、判定部22が正規化部23を具備する構成を例に挙げて説明したが、本発明はこれに限るものではない。判定部22が正規化部23を具備せず、プロセスログ取得部21によって取得したプロセスログデータを正規化せずに、そのまま用いて入力データを作成することも可能である。
 また、第1実施形態及び第2実施形態では、判定部22が画像化部24を具備する構成を例に挙げて説明したが、本発明はこれに限るものではない。判定部22が画像化部24を具備せず、プロセスログ取得部21によって取得したプロセスログデータをそのまま又は正規化した後、画像化せずに学習モデル25への入力データとして用いることも可能である。
 具体的には、画像化しない場合、例えば、図3に示す学習モデル25の入力層に、図2に示すプロセスログデータXij(i=1~N、j=1~M)又は正規化後のプロセスログデータYij(i=1~N、j=1~M)が入力されることになる。
 また、第1実施形態及び第2実施形態では、学習時にも判定時にも学習モデル25への入力データとして、所定のサンプリング周期(例えば、1秒)で作成した入力データ(画像データ)を用いる構成を例に挙げて説明したが、本発明はこれに限るものではない。例えば、所定のサンプリング周期で取得したプロセスログデータの所定時間内(複数のサンプリング周期に相当する時間内)での変化を表わしたグラフを画像化し、この画像データを学習モデル25への入力データとして用いることも可能である。上記の画像データの何れかには、エッチングの終点前後にまたがるプロセスログデータから作成されたグラフが含まれることになる。
 また、第1実施形態及び第2実施形態では、第1学習モデル25aが、基板処理装置10、10Aの出荷前に得られた教師データのみを用いた機械学習を行うことで生成され、第2学習モデル25bが、基板処理装置10、10Aの出荷前と出荷後に得られた教師データを用いた機械学習を行うことで生成されている構成を例に挙げて説明したが、本発明はこれに限るものではない。例えば、第2学習モデル25bが、基板処理装置10、10Aの出荷後に得られた教師データのみを用いた機械学習を行うことで生成されていてもよい。また、出荷前後の教師データを用いることに限るものではなく、第1学習モデル25a及び第2学習モデル25bが互いに異なる教師データを用いて生成されていればよい。
 また、第1実施形態及び第2実施形態では、基板処理装置10、10Aがエッチング処理を実行する単一のチャンバ1を備え、第1学習モデル25a及び第2学習モデル25bを1組備える構成を例に挙げて説明したが、本発明はこれに限るものではない。例えば、基板処理装置10、10Aが複数のチャンバ1を備え、チャンバ1毎に製造プロセスに関わる判定を行う場合には、チャンバ1毎に第1学習モデル25a及び第2学習モデル25bを備え、これらを切り替えて用いる構成を採用することが可能である。また、レシピ毎に製造プロセスに関わる判定を行う場合には、レシピ毎に第1学習モデル25a及び第2学習モデル25bを備え、これらを切り替えて用いる構成を採用することが可能である。変形例に係る製造プロセス判定装置20Aのように、第1学習モデル25a~第3学習モデル25cを備える場合も同様である。
 また、第1実施形態及び第2実施形態では、出力がエッチングの終点前であること(OUT=0)及びエッチングの終点後であること(OUT=1)の双方の教師データを用いて学習モデル25の機械学習を行うことを例に挙げて説明したが、本発明はこれに限るものではない。例えば、出力がエッチングの終点前であること(OUT=0)の教師データのみを用いて、又は、出力がエッチングの終点後であること(OUT=1)の教師データのみを用いて学習モデル25の機械学習を行うことも可能である。
 また、第1実施形態及び第2実施形態では、教師データの出力が離散値(OUT=0又は1)である場合、換言すれば、学習モデル25が分類モデル(分類器)である場合を例に挙げて説明したが、本発明はこれに限るものではない。例えば、判定対象がエッチング深さの予測値などの連続値である場合には、出力が連続値(例えば、0~1の範囲に正規化した値)である教師データを用いて学習モデル25の機械学習を行う(すなわち、回帰モデルである学習モデル25を生成する)ことも可能である。
 さらに、第2実施形態では、多数決決定部26が第1学習モデル25a~第3学習モデル25cの判定結果の多数決を最終的な判定結果として出力する場合を例に挙げて説明したが、本発明はこれに限るものではない。例えば、上記と同様に、判定対象がエッチング深さの予測値などの連続値である場合には、多数決決定部26に代えて平均値算出部を設け、この平均値算出部が、連続値を出力するように構成された第1学習モデル25a~第3学習モデル25cの出力の平均値を算出して、算出した平均値を最終的な判定結果として出力する態様を採用することも可能である。
 また、第1実施形態及び第2実施形態の製造プロセス判定装置20によれば、製造プロセス判定装置20を適用する基板処理装置10、10A自体に分光器を設けることは必ずしも必要ではなく、分光器を設けるとしても学習モデル25の学習時にのみ使用すればよい。学習後には分光器を取り外してもよい。
 したがい、特許文献4に記載のような、エッチングの終点を検出する際に必ず分光器が必要な従来の判定装置に比べて、製造コストやメンテナンスの手間が軽減する。
 ただし、本発明は、学習モデル25の学習時に分光器を使用する態様に限るものではない。
 一般に、チャンバ1内に生じた光をチャンバ1外に設置した分光器に導くために、チャンバ1の側壁に石英ガラス等の透明材料からなる光学窓が設けられる。この光学窓は、チャンバ1内のプラズマによってエッチングされて粗面化したり、チャンバ1内の反応生成物が付着することで曇る場合がある。光学窓が曇ると、分光器で検出される光の光量が低下することで、分光器によるエッチングの終点検出精度が低下する場合がある。このため、例えば、既設の基板処理装置10、10Aに既に分光器が設けられている場合には、製造プロセス判定装置20によるエッチングの終点検出を、分光器によるエッチングの終点検出の補助(例えば、アラームを出すための用途)として使用する態様を採用することも可能である。
 また、一般的に、基板処理装置10、10Aの載置台2には、プラズマ処理時に基板Wを静電吸着するための静電チャック(図1、図7には図示せず)が設けられる。プラズマ処理が終了し、昇降機構によって基板Wを押し上げ、静電チャックから基板Wを脱離しようとするときに、残留する静電力によって、基板Wの脱離不良が生じる場合がある。このような昇降異常を判定(検出)する際にも、第1実施形態及び第2実施形態の製造プロセス判定装置20を適用することが可能である。
 昇降異常を判定する製造プロセス判定装置20の場合、例えば、静電チャックから脱離後にチャンバ1外に向けて搬送される基板Wについて、基板Wを検知するセンサ等を用いることで、所定のタイミング及び所定の位置で搬送異常が生じたか否かを検知し、搬送異常が生じなかった(正常である)ときのプロセスログデータを用いて教師データを作成すればよい。すなわち、学習モデル25の出力が正常である教師データのみを用いて学習モデル25の機械学習を行えばよい。
 さらに、第1実施形態及び第2実施形態では、製造プロセス判定装置20を適用する基板処理装置10、10Aがプラズマ処理装置である場合を例に挙げて説明したが、本発明はこれに限るものではない。例えば、従来、時間エッチング(予め定めた一定時間だけ実行するエッチング)しかできなかった無水HFガス及びアルコールを用いた犠牲層エッチング装置や、XeFガスを用いた犠牲層エッチング装置などにも適用可能である。
1・・・チャンバ
2・・・載置台
10、10A・・・基板処理装置
20・・・製造プロセス判定装置
21・・・プロセスログ取得部
22、22A・・・判定部
23・・・正規化部
24・・・画像化部
25・・・学習モデル
26・・・多数決決定部
25a・・・第1学習モデル
25b・・・第2学習モデル
25c・・・第3学習モデル
100、200・・・基板処理システム
W・・・基板

Claims (9)

  1.  基板処理装置の製造プロセスに関わる判定を行う装置であって、
     前記基板処理装置のプロセスログデータを取得するプロセスログ取得部と、
     前記プロセスログデータに基づき入力データを作成し、前記入力データに基づき、前記基板処理装置の製造プロセスに関わる判定を行う判定部と、を備え、
     前記判定部は、前記入力データがそれぞれ入力され、前記製造プロセスに関わる判定結果をそれぞれ出力する複数個の学習モデルを具備し、
     前記複数個の学習モデルは、互いに異なる教師データを用いた機械学習を行うことで生成されており、
     前記判定部は、前記複数個の学習モデルのうち何れの学習モデルを用いて判定を行うかを切り替え可能である、
    ことを特徴とする基板処理装置の製造プロセス判定装置。
  2.  前記判定部は、判定精度評価用データを用いて前記複数個の学習モデルの判定精度をそれぞれ評価し、最も判定精度の高かった学習モデルを用いて、その後の判定を行う、
    ことを特徴とする請求項1に記載の基板処理装置の製造プロセス判定装置。
  3.  前記判定部は、前記複数個の学習モデルの判定結果の多数決を最終的な判定結果として出力する、
    ことを特徴とする請求項1に記載の基板処理装置の製造プロセス判定装置。
  4.  前記複数個の学習モデルには、前記基板処理装置の初期状態に得られた教師データのみを用いた機械学習を行うことで生成された学習モデルと、前記基板処理装置の初期状態経過後に得られた教師データを含む教師データを用いた機械学習を行うことで生成された学習モデルと、の双方が含まれる、
    ことを特徴とする請求項1から3の何れかに記載の基板処理装置の製造プロセス判定装置。
  5.  基板処理装置と、請求項1から4の何れかに記載の製造プロセス判定装置と、
    を備えることを特徴とする基板処理システム。
  6.  基板処理装置のプロセスログデータを取得するプロセスログ取得工程と、
     前記プロセスログ取得工程によって取得したプロセスログデータに基づき入力データを作成し、前記入力データに基づき、前記基板処理装置の製造プロセスに関わる判定を行う判定工程と、を含み、
     前記判定工程では、互いに異なる教師データを用いた機械学習を行うことで生成された複数個の学習モデルを用意し、前記複数個の学習モデルのうち少なくとも何れか1個の学習モデルを用いて、前記少なくとも何れか1個の学習モデルに前記入力データを入力し、前記少なくとも何れか1個の学習モデルから前記製造プロセスに関わる判定結果を出力する、
    ことを特徴とする基板処理装置の製造プロセス判定方法。
  7.  基板処理装置のプロセスログデータに基づき作成された入力データがそれぞれ入力され、前記基板処理装置の製造プロセスに関わる判定結果をそれぞれ出力する、互いに異なる教師データを用いた機械学習を行うことで生成された複数個の学習モデルから構成される学習モデル群。
  8.  基板処理装置のプロセスログデータに基づき作成された入力データがそれぞれ入力され、前記基板処理装置の製造プロセスに関わる判定結果をそれぞれ出力する複数個の学習モデルから構成される学習モデル群を生成する方法であって、
     互いに異なる教師データを用いた機械学習を行うことで前記複数個の学習モデルを生成する、
    ことを特徴とする学習モデル群の生成方法。
  9.  請求項6に記載の基板処理装置の製造プロセス判定方法が含む前記プロセスログ取得工程及び前記判定工程をコンピュータに実行させるためのプログラム。
PCT/JP2020/008659 2019-03-04 2020-03-02 基板処理装置の製造プロセス判定装置、基板処理システム、基板処理装置の製造プロセス判定方法、学習モデル群、学習モデル群の生成方法及びプログラム WO2020179729A1 (ja)

Priority Applications (5)

Application Number Priority Date Filing Date Title
CN202080004996.7A CN112655077B (zh) 2019-03-04 2020-03-02 基板处理装置的制造工艺判定装置、基板处理系统、基板处理装置的制造工艺判定方法、学习模型组、学习模型组的生成方法以及程序
KR1020217003991A KR20210134298A (ko) 2019-03-04 2020-03-02 기판 처리 장치의 제조 프로세스 판정 장치, 기판 처리 시스템, 기판 처리 장치의 제조 프로세스 판정 방법, 학습 모델군, 학습 모델군의 생성 방법 및 프로그램
EP20766387.3A EP3819930A4 (en) 2019-03-04 2020-03-02 MANUFACTURING PROCESS DETERMINATION DEVICE FOR SUBSTRATE HANDLING DEVICE, SUBSTRATE HANDLING SYSTEM, MANUFACTURING PROCESS DETERMINATION DEVICE FOR SUBSTRATE HANDLING DEVICE, LEARNING MODEL GROUP, GROUP GENERATION PROCESS LEARNING, AND PROGRAM
US17/265,857 US20220114484A1 (en) 2019-03-04 2020-03-02 Production process determination device for substrate processing apparatus, substrate processing system, production process determination method for substrate processing apparatus, learning model group, generation method of learning model group, and program
JP2021504075A JP7504863B2 (ja) 2019-03-04 2020-03-02 基板処理装置の製造プロセス判定装置、基板処理システム、基板処理装置の製造プロセス判定方法、学習モデル群、学習モデル群の生成方法及びプログラム

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JPPCT/JP2019/008393 2019-03-04
PCT/JP2019/008393 WO2020178945A1 (ja) 2019-03-04 2019-03-04 基板処理装置のプロセス判定装置、基板処理システム、基板処理装置のプロセス判定方法及び学習モデル群

Publications (1)

Publication Number Publication Date
WO2020179729A1 true WO2020179729A1 (ja) 2020-09-10

Family

ID=70682424

Family Applications (2)

Application Number Title Priority Date Filing Date
PCT/JP2019/008393 WO2020178945A1 (ja) 2019-03-04 2019-03-04 基板処理装置のプロセス判定装置、基板処理システム、基板処理装置のプロセス判定方法及び学習モデル群
PCT/JP2020/008659 WO2020179729A1 (ja) 2019-03-04 2020-03-02 基板処理装置の製造プロセス判定装置、基板処理システム、基板処理装置の製造プロセス判定方法、学習モデル群、学習モデル群の生成方法及びプログラム

Family Applications Before (1)

Application Number Title Priority Date Filing Date
PCT/JP2019/008393 WO2020178945A1 (ja) 2019-03-04 2019-03-04 基板処理装置のプロセス判定装置、基板処理システム、基板処理装置のプロセス判定方法及び学習モデル群

Country Status (6)

Country Link
US (1) US20220114484A1 (ja)
EP (1) EP3819930A4 (ja)
JP (2) JP6696059B1 (ja)
KR (1) KR20210134298A (ja)
CN (1) CN112655077B (ja)
WO (2) WO2020178945A1 (ja)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7041773B1 (ja) 2021-05-26 2022-03-24 Sppテクノロジーズ株式会社 基板処理装置のプロセス判定装置、基板処理システム、基板処理装置のプロセス判定方法、学習モデルの生成方法及びプログラム
JP7041776B1 (ja) 2021-06-30 2022-03-24 Sppテクノロジーズ株式会社 基板処理装置のプロセス判定装置、基板処理システム、基板処理装置のプロセス判定方法、学習モデルの生成方法及びプログラム
JP2022159043A (ja) * 2021-03-31 2022-10-17 Sppテクノロジーズ株式会社 基板処理装置のプロセス判定装置、基板処理システム、基板処理装置のプロセス判定方法、学習モデル群、学習モデル群の生成方法及びプログラム
WO2023167074A1 (ja) * 2022-03-02 2023-09-07 株式会社Screenホールディングス 制御支援装置および制御支援方法

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021240572A1 (ja) * 2020-05-25 2021-12-02 株式会社日立ハイテク 半導体装置製造システムおよび半導体装置製造方法
CN111882030B (zh) * 2020-06-29 2023-12-05 武汉钢铁有限公司 一种基于深度强化学习的加锭策略方法
US20220228265A1 (en) 2021-01-15 2022-07-21 Taiwan Semiconductor Manufacturing Co., Ltd. System and method for dynamically adjusting thin-film deposition parameters
TW202310131A (zh) * 2021-08-24 2023-03-01 日商東京威力科創股份有限公司 基板處理裝置、模型資料產生裝置、基板處理方法、及模型資料產生方法
KR102673673B1 (ko) * 2021-12-09 2024-06-07 한국핵융합에너지연구원 Rf 신호를 이용한 플라즈마 상태 감지 장치 및 이를 이용한 플라즈마 상태 감지 방법

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05190457A (ja) * 1992-01-17 1993-07-30 Fuji Electric Co Ltd 学習指示機能付半導体製造装置
JP2005200730A (ja) * 2004-01-19 2005-07-28 Itagaki Kinzoku Kk レーザー光照射による酸化膜形成方法および装置
JP4101280B2 (ja) 2006-07-28 2008-06-18 住友精密工業株式会社 終点検出可能なプラズマエッチング方法及びプラズマエッチング装置
JP2009534854A (ja) 2006-04-21 2009-09-24 アプライド マテリアルズ インコーポレイテッド 基板処理をモニタリングするためのニューラルネットワーク方法及び装置
JP2016192007A (ja) * 2015-03-31 2016-11-10 日本電気株式会社 機械学習装置、機械学習方法、および機械学習プログラム
JP2017195365A (ja) 2016-03-02 2017-10-26 ラム リサーチ コーポレーションLam Research Corporation 終点検出のためのエッチング測定感度
JP2018045559A (ja) * 2016-09-16 2018-03-22 富士通株式会社 情報処理装置、情報処理方法およびプログラム
JP2018178157A (ja) 2017-04-05 2018-11-15 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

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0758015A (ja) * 1993-08-16 1995-03-03 Fuji Electric Co Ltd 半導体製造装置の成膜条件予測装置
JPH101280A (ja) 1996-06-14 1998-01-06 Nec Eng Ltd 真空吸着装置
JP2001134763A (ja) * 1999-11-09 2001-05-18 Hitachi Ltd 撮像画像に基づく欠陥の分類方法、および、その結果の表示方法
WO2010050334A1 (ja) * 2008-10-30 2010-05-06 コニカミノルタエムジー株式会社 情報処理装置
JP2011007553A (ja) * 2009-06-24 2011-01-13 Hitachi High-Technologies Corp 欠陥検出方法及び装置
JP5640774B2 (ja) * 2011-01-28 2014-12-17 富士通株式会社 情報照合装置、情報照合方法および情報照合プログラム
JP2014178229A (ja) * 2013-03-15 2014-09-25 Dainippon Screen Mfg Co Ltd 教師データ作成方法、画像分類方法および画像分類装置
JP6921526B2 (ja) * 2016-12-22 2021-08-18 キヤノン株式会社 情報処理装置、情報処理方法及びプログラム
WO2018189796A1 (ja) * 2017-04-10 2018-10-18 富士通株式会社 認識装置、認識システム、認識方法および認識プログラム

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05190457A (ja) * 1992-01-17 1993-07-30 Fuji Electric Co Ltd 学習指示機能付半導体製造装置
JP2005200730A (ja) * 2004-01-19 2005-07-28 Itagaki Kinzoku Kk レーザー光照射による酸化膜形成方法および装置
JP2009534854A (ja) 2006-04-21 2009-09-24 アプライド マテリアルズ インコーポレイテッド 基板処理をモニタリングするためのニューラルネットワーク方法及び装置
JP4101280B2 (ja) 2006-07-28 2008-06-18 住友精密工業株式会社 終点検出可能なプラズマエッチング方法及びプラズマエッチング装置
JP2016192007A (ja) * 2015-03-31 2016-11-10 日本電気株式会社 機械学習装置、機械学習方法、および機械学習プログラム
JP2017195365A (ja) 2016-03-02 2017-10-26 ラム リサーチ コーポレーションLam Research Corporation 終点検出のためのエッチング測定感度
JP2018045559A (ja) * 2016-09-16 2018-03-22 富士通株式会社 情報処理装置、情報処理方法およびプログラム
JP2018178157A (ja) 2017-04-05 2018-11-15 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

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2022159043A (ja) * 2021-03-31 2022-10-17 Sppテクノロジーズ株式会社 基板処理装置のプロセス判定装置、基板処理システム、基板処理装置のプロセス判定方法、学習モデル群、学習モデル群の生成方法及びプログラム
JP7176143B2 (ja) 2021-03-31 2022-11-21 Sppテクノロジーズ株式会社 基板処理装置のプロセス判定装置、基板処理システム、基板処理装置のプロセス判定方法、学習モデル群、学習モデル群の生成方法及びプログラム
JP7041773B1 (ja) 2021-05-26 2022-03-24 Sppテクノロジーズ株式会社 基板処理装置のプロセス判定装置、基板処理システム、基板処理装置のプロセス判定方法、学習モデルの生成方法及びプログラム
JP2022181506A (ja) * 2021-05-26 2022-12-08 Sppテクノロジーズ株式会社 基板処理装置のプロセス判定装置、基板処理システム、基板処理装置のプロセス判定方法、学習モデルの生成方法及びプログラム
JP7041776B1 (ja) 2021-06-30 2022-03-24 Sppテクノロジーズ株式会社 基板処理装置のプロセス判定装置、基板処理システム、基板処理装置のプロセス判定方法、学習モデルの生成方法及びプログラム
JP2023006341A (ja) * 2021-06-30 2023-01-18 Sppテクノロジーズ株式会社 基板処理装置のプロセス判定装置、基板処理システム、基板処理装置のプロセス判定方法、学習モデルの生成方法及びプログラム
WO2023167074A1 (ja) * 2022-03-02 2023-09-07 株式会社Screenホールディングス 制御支援装置および制御支援方法

Also Published As

Publication number Publication date
EP3819930A1 (en) 2021-05-12
EP3819930A4 (en) 2021-10-27
JP6696059B1 (ja) 2020-05-20
JPWO2020179729A1 (ja) 2020-09-10
JPWO2020178945A1 (ja) 2021-03-18
CN112655077A (zh) 2021-04-13
CN112655077B (zh) 2023-10-20
KR20210134298A (ko) 2021-11-09
US20220114484A1 (en) 2022-04-14
WO2020178945A1 (ja) 2020-09-10
JP7504863B2 (ja) 2024-06-24

Similar Documents

Publication Publication Date Title
WO2020179729A1 (ja) 基板処理装置の製造プロセス判定装置、基板処理システム、基板処理装置の製造プロセス判定方法、学習モデル群、学習モデル群の生成方法及びプログラム
TWI549568B (zh) Plasma processing device
TWI683340B (zh) 電漿處理裝置及電漿處理系統
JP4464276B2 (ja) プラズマ処理方法及びプラズマ処理装置
TW201415003A (zh) 用於原位測量之光學量測
JP2007515804A (ja) プラズマ装備のシーズニング方法及びそのための装備
TW202240734A (zh) 多步驟半導體製造程序中的機器學習
JP6761910B1 (ja) エッチング終点検出装置、基板処理システム、エッチング終点検出方法及び分類器
US20050158886A1 (en) Method for processing semiconductor
TWI825317B (zh) 基板處理裝置之製造程序判定裝置、基板處理系統、基板處理裝置之製造程序判定方法、電腦程式、學習模型群之生成方法及程式
JP6643202B2 (ja) プラズマ処理装置及びプラズマ処理データを解析する解析方法
JP5596832B2 (ja) プラズマ処理方法のRun−to−Run制御方法
JP7176143B2 (ja) 基板処理装置のプロセス判定装置、基板処理システム、基板処理装置のプロセス判定方法、学習モデル群、学習モデル群の生成方法及びプログラム
JP7041776B1 (ja) 基板処理装置のプロセス判定装置、基板処理システム、基板処理装置のプロセス判定方法、学習モデルの生成方法及びプログラム
JP4363861B2 (ja) 半導体製造装置
TW202425195A (zh) 用於製程表徵與改進的基板腔室內計量

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 20766387

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2021504075

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE