WO2021094881A1 - 半導体素子の特性予測システム - Google Patents

半導体素子の特性予測システム Download PDF

Info

Publication number
WO2021094881A1
WO2021094881A1 PCT/IB2020/060440 IB2020060440W WO2021094881A1 WO 2021094881 A1 WO2021094881 A1 WO 2021094881A1 IB 2020060440 W IB2020060440 W IB 2020060440W WO 2021094881 A1 WO2021094881 A1 WO 2021094881A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
semiconductor element
learning
semiconductor
process list
Prior art date
Application number
PCT/IB2020/060440
Other languages
English (en)
French (fr)
Inventor
細海俊介
鈴木邦彦
安部寛太
岩城裕司
島田大吾
鎌田悦子
Original Assignee
株式会社半導体エネルギー研究所
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 株式会社半導体エネルギー研究所 filed Critical 株式会社半導体エネルギー研究所
Priority to US17/773,868 priority Critical patent/US20220414499A1/en
Priority to CN202080079074.2A priority patent/CN114730698A/zh
Priority to JP2021555901A priority patent/JPWO2021094881A1/ja
Publication of WO2021094881A1 publication Critical patent/WO2021094881A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/02—Manufacture or treatment of semiconductor devices or of parts thereof
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/10—Measuring as part of the manufacturing process
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/30—Circuit design
    • G06F30/39—Circuit design at the physical level
    • G06F30/398—Design verification or optimisation, e.g. using design rule check [DRC], layout versus schematics [LVS] or finite element methods [FEM]

Definitions

  • One aspect of the present invention relates to a characteristic prediction system for a semiconductor device. Further, one aspect of the present invention relates to a method of predicting the characteristics of a semiconductor device.
  • a semiconductor element refers to an element that can function by utilizing semiconductor characteristics.
  • a semiconductor device such as a transistor, diode, light emitting element, or light receiving element.
  • a semiconductor element is a passive element produced by a conductive film, an insulating film, or the like, such as a capacitance, a resistor, or an inductor.
  • a semiconductor device or a semiconductor device including a circuit having a passive element is a circuit having a passive element.
  • AI Artificial Intelligence
  • the field of robots or the field of energy handling high power such as power ICs
  • problems such as an increase in the amount of calculation or an increase in power consumption.
  • development of new semiconductor devices is underway. While the integrated circuits required by the market or the semiconductor devices used in the integrated circuits are becoming more complicated, the early start-up of integrated circuits having new functions is required. However, the knowledge, know-how, or experience of a skilled engineer is required for process design, device design, or circuit design in the development of semiconductor devices.
  • Patent Document 1 discloses a method of calculating an image feature amount from an SEM image of a pattern of a cross-sectional shape of a semiconductor device and estimating the device characteristic of the evaluated pattern from the correspondence between the image feature amount and the device characteristic. ing.
  • the number of processes until the semiconductor element is completed is large, and the types of processes and processing conditions are also diverse.
  • the characteristics of the semiconductor element such as electrical characteristics and reliability test results are actually measured using a measuring device.
  • one aspect of the present invention is to provide a characteristic prediction system for a semiconductor device. Another object of the present invention is to provide a method for predicting the characteristics of a semiconductor device. Another object of one aspect of the present invention is to provide a learning data set for predicting the characteristics of a semiconductor device.
  • One aspect of the present invention is a semiconductor device characteristic prediction system that performs supervised learning based on a learning data set and infers the characteristics of the semiconductor device from the prediction data based on the learning result.
  • the characteristic prediction system for a semiconductor element has a storage unit, an input unit, a processing unit, and a calculation unit, and the processing unit creates a learning data set from the first data stored in the storage unit.
  • the first data includes a process list of the first semiconductor element to the m (m is an integer of 2 or more) semiconductor element, and the first semiconductor element to the m.
  • the second data includes the process list of the m + 1 semiconductor element, the qualitative data is the name or composition formula of the material, and the quantitative data is the characteristics of the element, and It is a composition, and the arithmetic unit has a function of learning and inferring supervised learning.
  • the characteristics of an element are atomic number, group, period, electron arrangement, atomic weight, atomic radius (covalent radius, van der Waals radius, ion radius, or metal bond radius), atomic volume, and so on. It is preferably any one or more of electric negativeness, ionization energy, electron affinity, bipolar polarization rate, elemental melting point, elemental boiling point, elemental lattice constant, elemental density, and elemental thermal conductivity.
  • the characteristics of the semiconductor element are obtained by a reliability test (+ GBT stress test, + DBT stress test, -GBT stress test, + DGBT stress test, + BGBT stress test, or -BGBT stress test). It is preferable that the ⁇ Vsh is changed with time.
  • the semiconductor element characteristic is preferably an Id-Vg characteristic or an Id-Vd characteristic.
  • the processing unit has a function of quantifying qualitative data by using Label Encoding.
  • a characteristic prediction system for a semiconductor device it is possible to provide a method for predicting the characteristics of a semiconductor device. Further, according to one aspect of the present invention, it is possible to provide a learning data set for predicting the characteristics of a semiconductor device.
  • the effect of one aspect of the present invention is not limited to the effects listed above.
  • the effects listed above do not preclude the existence of other effects.
  • the other effects are the effects not mentioned in this item, which are described below. Effects not mentioned in this item can be derived from those described in the description, drawings, etc. by those skilled in the art, and can be appropriately extracted from these descriptions.
  • one aspect of the present invention has at least one of the above-listed effects and / or other effects. Therefore, one aspect of the present invention may not have the effects listed above in some cases.
  • FIGS. 1A and 1B are diagrams showing an example of a characteristic prediction system for a semiconductor device.
  • FIG. 2 is a flowchart showing an example of a method of predicting the characteristics of a semiconductor element.
  • 3A and 3B are diagrams for explaining the configuration of the neural network.
  • 4A and 4B are diagrams illustrating a learning data set.
  • FIG. 5A is a diagram illustrating the results obtained in the reliability test of the semiconductor device.
  • FIG. 5B is a diagram illustrating the Id-Vg characteristics of the semiconductor element.
  • 6A to 6C are diagrams illustrating a method of creating input data.
  • 7A and 7B are diagrams illustrating a method of creating input data.
  • FIG. 8 is a diagram illustrating a computer device.
  • the semiconductor element characteristic prediction system is a system capable of predicting the characteristics of the semiconductor element from information about the semiconductor element. Further, the method of predicting the characteristics of the semiconductor element according to one aspect of the present invention is a method of predicting the characteristics of the semiconductor element by using machine learning.
  • FIG. 1A is a diagram showing the configuration of the characteristic prediction system 100. That is, it can be said that FIG. 1A is also an example of the configuration of the characteristic prediction system for the semiconductor device, which is one aspect of the present invention.
  • the characteristic prediction system 100 may be provided in an information processing device such as a personal computer used by the user.
  • the server may be provided with a processing unit of the characteristic prediction system 100, and may be accessed and used from the client PC via the network.
  • the characteristic prediction system 100 includes an input unit 101, a processing unit 102, a calculation unit 103, an output unit 104, and a storage unit 105.
  • Each of the input unit 101, the processing unit 102, the calculation unit 103, the output unit 104, and the storage unit 105 may be connected via a transmission line.
  • the storage unit 105 stores information data regarding each of the plurality of semiconductor elements.
  • Information on the semiconductor element includes, for example, a process list of the semiconductor element, characteristics of the semiconductor element, information on the shape of the semiconductor element, and the like.
  • the data of the process list of the semiconductor element may be simply referred to as the process list of the semiconductor element.
  • the data of the characteristics of the semiconductor element may be simply expressed as the characteristics of the semiconductor element.
  • the data of the information regarding the shape of the semiconductor element may be simply referred to as the information regarding the shape of the semiconductor element.
  • a plurality of processes are set in the order of semiconductor element manufacturing processes, and processing conditions are specified for each process.
  • the characteristics of the semiconductor element are the electrical characteristics of the semiconductor element, the result of the reliability test, etc. obtained by actually measuring using a measuring device.
  • the data on the characteristics of the semiconductor element are, for example, measurement data on the electrical characteristics of the semiconductor element, data obtained by performing a reliability test, and the like.
  • Information on the shape of the semiconductor element is the position, size, range, etc. of the components of the semiconductor element.
  • the data of information on the shape of the semiconductor element is, for example, numerical data representing the position, size, range, etc. of the constituent elements of the semiconductor element, image data of the semiconductor element and its surroundings, and the like.
  • length measurement data such as channel length and channel width, an observation image by a scanning electron microscope (SEM), an observation image by a transmission electron microscope (TEM: Transmission Electron Microscope), and the like.
  • the storage unit 105 stores at least the process list and characteristics of each of the plurality of semiconductor elements. It is preferable that an ID is assigned to each process list of the semiconductor element stored in the storage unit 105.
  • the ID assigned to the process list of the semiconductor element is referred to as a process list ID.
  • the characteristics of the semiconductor element stored in the storage unit 105 are associated with the process list ID. That is, reading and writing of the characteristics of the semiconductor element may be performed based on the process list ID.
  • the storage unit 105 may store information regarding the shape of each of the plurality of semiconductor elements. At this time, the information regarding the shape of the semiconductor element stored in the storage unit 105 is preferably associated with the process list ID. At this time, reading and writing of information regarding the shape of the semiconductor element may be performed based on the process list ID.
  • the process list of the plurality of semiconductor elements and the characteristics of the plurality of semiconductor elements are stored in the storage unit 105 via the input unit 101, the storage medium, communication, and the like. Further, information on the shapes of the plurality of semiconductor elements may also be stored in the storage unit 105 via the input unit 101, the storage medium, communication, and the like.
  • the process list of the plurality of semiconductor elements and the characteristics of the plurality of semiconductor elements are stored in the storage unit 105 as text data.
  • the characteristics of the plurality of semiconductor elements are preferably stored in the storage unit 105 as numerical data or bivariable data.
  • the two-variable data refers to a collection of data relating to the two variables.
  • the two-variable data may be a collection of data obtained by extracting data related to two variables from three or more multivariable data.
  • the process list of the plurality of semiconductor elements and the characteristics of the plurality of semiconductor elements are image data, they may be stored in the storage unit 105 as image data, but after the image data is converted into text data, the storage unit 105 stores the image data. It is preferably stored. Since the data size of the text data is smaller than the data size of the image data, the load on the storage unit 105 can be reduced by storing the image data in the storage unit 105 after converting the image data into text data.
  • the characteristic prediction system 100 may have an optical character recognition (OCR) function. As a result, the characters included in the image data can be recognized and the text data can be created.
  • OCR optical character recognition
  • the processing unit 102 may have the function.
  • the characteristic prediction system 100 may further have a character recognition unit having the function.
  • the storage unit 105 may have a function of storing a learned model (also referred to as an inference model).
  • the input unit 101 has a function for the user to input data IN2.
  • the data IN2 is text data or image data.
  • the input unit 101 includes input devices such as a keyboard, a mouse, a touch sensor, a scanner, and a camera.
  • the data IN2 may be stored in the storage unit 105.
  • the characteristic prediction system 100 has the OCR function, so that characters included in the image data can be recognized and text data can be created.
  • the data IN2 may be the image data as it is.
  • the OCR function is provided in addition to the processing unit 102 of the characteristic prediction system 100, the text data converted from the image data may be used as the data IN2.
  • the processing unit 102 has a function of generating a learning data set DS from the data IN1 supplied from the storage unit 105.
  • the learning data set DS is a learning data set for supervised learning.
  • the processing unit 102 has a function of generating a prediction data DI from the data IN2 supplied from the input unit 101.
  • the prediction data DI is data for predicting the characteristics of the semiconductor element.
  • Data IN1 is a data group used when creating a learning data set DS.
  • the data group includes a part or all of information about each of the plurality of semiconductor elements stored in the storage unit 105.
  • semiconductor element 30_1 to semiconductor element 30_m a part or all of the plurality of semiconductor elements
  • the process list of the semiconductor element 30_1 to the semiconductor element 30_m is referred to as the process list 10_1 to the process list 10_m, respectively.
  • the characteristics of the semiconductor element 30_1 to the semiconductor element 30_m actually measured by using the measuring device are defined as the characteristic 20_1 to the characteristic 20_m, respectively. That is, the characteristics 20_1 to 20_m are characteristics actually measured by using a measuring device for the semiconductor element manufactured according to the process list 10_1 to the process list 10_m, respectively.
  • the process list 10_1 to the process list 10_m may be collectively referred to as a plurality of process lists 10.
  • the characteristic 20_1 to the characteristic 20_m may be collectively referred to as a plurality of characteristic 20.
  • the semiconductor element 30_1 to the semiconductor element 30_m may be collectively referred to as a plurality of semiconductor elements 30.
  • the data IN1 includes, for example, the data of the process list 10_1 to the process list 10_m and the data of the characteristic 20_1 to the characteristic 20_m. Further, the data IN1 may include data of information on the shape of the semiconductor element associated with each process list ID of the process list 10_1 to the process list 10_m.
  • the data of the process list 10_1 to the process list 10_m may be simply referred to as the process list 10_1 to the process list 10_m.
  • the data of the characteristic 20_1 to the characteristic 20_m may be simply expressed as the characteristic 20_1 to the characteristic 20_m.
  • Data IN2 is information about the semiconductor element specified by the user for predicting the characteristics of the semiconductor element.
  • the data IN2 includes, for example, a process list designated for predicting the characteristics of the semiconductor element.
  • the process list designated for predicting the characteristics of the semiconductor element is referred to as the process list 11.
  • the data IN2 may include information regarding the shape of the semiconductor element associated with the process list ID of the process list 11.
  • the processing unit 102 has a function of quantifying qualitative data (also referred to as qualitative data, categorical data, categorical data, etc.). In other words, the processing unit 102 has a function of converting qualitative data into quantitative data (also referred to as quantitative data, quantitative data, etc.). For example, it is preferable that the processing unit 102 is equipped with Label Encoding, One-hot Encoding, Target Encoding, and the like.
  • Qualitative data is included in data IN1 and data IN2.
  • the qualitative data includes, for example, data on equipment, data on materials, and the like. The qualitative data on the device and the quantification of the qualitative data on the material will be described later.
  • the calculation unit 103 has a function of performing machine learning.
  • the arithmetic unit 103 has a function of performing supervised learning based on the learning data set DS. Further, the arithmetic unit 103 has a function of inferring the characteristics of the semiconductor element from the prediction data DI based on the learning result of the supervised learning.
  • By performing supervised learning as machine learning the accuracy of inference of the characteristics of semiconductor devices can be improved.
  • a trained model may be generated by learning the supervised learning.
  • a neural network for the above supervised learning.
  • deep learning for example, a convolutional neural network (CNN: Convolutional Neural Network), a recurrent neural network (RNN: Recurrent Neural Network), an auto-encoder (AE: Autoencoder), a variational auto-encoder (VAE: Variational Forest) Auto-Encoder (VAE) (Random Forest), support vector machine (Support Vector Machine), gradient boosting (Gradient Boosting), hostile generation network (GAN: Generative Adversarial Networks) and the like are preferably used.
  • CNN Convolutional Neural Network
  • RNN Recurrent Neural Network
  • AE Autoencoder
  • VAE Variational Forest
  • VAE Variational Forest
  • VAE Variational Forest
  • GAN Generative Adversarial Networks
  • the output of the calculation unit 103 is a characteristic of the semiconductor element. That is, the output of the neural network is a characteristic of the semiconductor element. By using the measured value as the output of the neural network, the characteristics of the semiconductor element can be predicted by inputting the process list of an arbitrary semiconductor element into the neural network after learning the machine learning model.
  • the product-sum operation is performed.
  • the calculation unit 103 preferably has a product-sum calculation circuit.
  • the product-sum calculation circuit a digital circuit or an analog circuit may be used.
  • the product-sum calculation may be performed on the software using a program.
  • the calculation unit 103 may have a function of performing semi-supervised learning as machine learning.
  • the characteristics of the semiconductor element are given to the training data as teacher data (also called teacher signal, correct answer label, etc.), but in order to prepare the teacher data, the semiconductor element is actually manufactured and the characteristics of the semiconductor element are measured. There is a need to.
  • teacher data also called teacher signal, correct answer label, etc.
  • semi-supervised learning requires less learning data to be included in the learning dataset, so it is possible to make inferences while reducing the time spent creating learning data. it can.
  • the output unit 104 has a function of supplying information.
  • the information is the prediction result of the characteristics of the semiconductor element calculated by the calculation unit 103, or the information related to the prediction result.
  • the information is supplied as visual information such as character strings, numerical values, and graphs, for example.
  • the output unit 104 includes an output device such as a display.
  • the characteristic prediction system 100 does not have to include the output unit 104.
  • the characteristic prediction system for semiconductor elements is configured.
  • the characteristic prediction system 100 is not limited to the above configuration.
  • the characteristic prediction system 100 may have a storage unit 106 in addition to the input unit 101, the processing unit 102, the calculation unit 103, the output unit 104, and the storage unit 105.
  • the storage unit 106 has a function of storing the trained model generated by the calculation unit 103.
  • the characteristic prediction system 100 has the storage unit 106, it is possible to predict the characteristics of the semiconductor element based on the learned model. Therefore, by generating the trained model in advance, it is not necessary to perform supervised learning when predicting the characteristics of the semiconductor element. Therefore, the time required to predict the characteristics of the semiconductor element can be shortened.
  • the storage unit 106 is connected to the calculation unit 103 via a transmission line.
  • the storage unit 106 may be connected to each of the input unit 101, the processing unit 102, the output unit 104, and the storage unit 105 via a transmission line.
  • the storage unit 106 may be provided in the storage unit 105. Further, the storage unit 105 may also serve as the storage unit 106.
  • the characteristics of the semiconductor device can be predicted from the information about the semiconductor device.
  • the characteristics of a semiconductor device can be predicted from the process list of the semiconductor device.
  • a process having a large contribution to the characteristics of the semiconductor element can be extracted from the process list of the semiconductor element.
  • FIG. 2 is a flowchart illustrating a flow of processing executed by the characteristic prediction system 100. That is, it can be said that FIG. 2 is also a flowchart showing an example of a method of predicting the characteristics of a semiconductor element, which is one aspect of the present invention.
  • the method for predicting the characteristics of the semiconductor element includes steps S001 to S007.
  • Steps S001 to 003 are steps related to learning of supervised learning
  • steps S004 to S007 are steps related to inference of supervised learning.
  • Step S001 is a step of inputting the first data to the processing unit 102.
  • the first data corresponds to the above-mentioned data IN1. That is, the first data includes information about the semiconductor element 30_1 to the semiconductor element 30_m. Specifically, the first data includes the process list 10_1 to the process list 10_m, and the characteristic 20_1 to the characteristic 20_m. The first data may include information on the shape of the semiconductor element associated with each process list ID of the process list 10_1 to the process list 10_m.
  • Step S002 is a step of creating a learning data set from the first data. Step S002 is performed by the processing unit 102 shown in FIGS. 1A and 1B.
  • the learning data set corresponds to the above-mentioned learning data set DS.
  • step S002 includes a step of quantifying the qualitative data included in the first data.
  • the qualitative data is, for example, qualitative data regarding an apparatus, qualitative data regarding a material, and the like.
  • the data obtained by digitizing is included in the above-mentioned training data set.
  • Step S003 is a step of learning supervised learning based on the above learning data set. Step S003 is performed by the calculation unit 103 shown in FIGS. 1A and 1B. It is preferable to use a neural network (particularly deep learning) as the supervised learning algorithm (also referred to as a learning method). By learning with supervised learning, a learned model for predicting the characteristics of the semiconductor element may be generated.
  • a neural network particularly deep learning
  • the supervised learning algorithm also referred to as a learning method.
  • Step S004 is a step of inputting the second data to the processing unit 102.
  • the second data corresponds to the above-mentioned data IN2. That is, the second data includes information about the semiconductor device that the user specifies for predicting the characteristics of the semiconductor device. Specifically, the second data includes the process list 11.
  • the second data may include information on the shape of the semiconductor element, characteristics of the semiconductor element, and the like.
  • step S004 is carried out after being carried out up to step S003, but it may be carried out at the same time as step S001, or may be carried out during the execution of steps S001 to S003.
  • Step S005 is a step of creating data for predicting the characteristics of the semiconductor element from the second data. Step S005 is performed by the processing unit 102 shown in FIGS. 1A and 1B. That is, the prediction data of the characteristics of the semiconductor element corresponds to the prediction data DI described above.
  • step S005 includes a step of quantifying the qualitative data included in the second data.
  • the qualitative data is, for example, qualitative data regarding an apparatus, qualitative data regarding a material, and the like.
  • the data obtained by digitizing is included in the data for predicting the characteristics of the semiconductor element.
  • step S005 is carried out after being carried out up to step S003, but it may be carried out at the same time as step S001, or may be carried out during the execution of steps S001 to S003.
  • Step S006 is a step of inferring the characteristics of the semiconductor element from the data for predicting the characteristics of the semiconductor element based on the learning result of the supervised learning performed in step S003.
  • step S006 is a step of inferring the characteristics of the semiconductor element from the data for predicting the characteristics of the semiconductor element by using the trained model. Step S006 is performed by the calculation unit 103 shown in FIGS. 1A and 1B.
  • Step S007 is a step of outputting the third data. Step S007 is performed by the output unit 104 shown in FIGS. 1A and 1B.
  • the third data includes the result of the inference or information about the result of the inference.
  • step S007 a step of storing the result of the inference or information about the result of the inference in the storage unit 105 shown in FIG. 1A or the like may be performed. Alternatively, step S007 may not be performed.
  • the steps related to supervised learning may be performed each time information about the semiconductor element is stored in the storage unit 105, or may be performed periodically (for example, at a predetermined timing). It may be performed once a day or once a week, etc.).
  • the method of predicting the characteristics of a semiconductor element is not limited to the above method.
  • the method of predicting the characteristics of the semiconductor element may include a step of storing the learned model generated in step S003 after step S003.
  • the trained model is stored in the storage unit 106 shown in FIG. 1B.
  • Neural network ⁇ Neural network
  • the neural network NN can be composed of an input layer IL, an output layer OL, and a hidden layer HL.
  • the input layer IL, the output layer OL, and the hidden layer HL each have one or more neurons (units).
  • the hidden layer HL may be one layer or two or more layers.
  • a neural network having two or more hidden layers HL can also be called a deep neural network (DNN).
  • DNN deep neural network
  • learning using a deep neural network can also be called deep learning.
  • Input data is input to each neuron in the input layer IL.
  • the output signals of presheaf or posterior neurons are input to each neuron in the hidden layer HL.
  • the output signal of the presheaf neuron is input to each neuron in the output layer OL.
  • Each neuron may be connected to all neurons in the anterior and posterior layers (fully connected), or may be connected to some neurons.
  • FIG. 3B shows an example of calculation by neurons.
  • two neurons in the presheaf layer that output a signal to the neuron N are shown.
  • the output x 1 of one neuron in the presheaf and the output x 2 of the other neuron in the presheaf are input to the neuron N.
  • the sum of the multiplication result of the output x 1 and the weight w 1 (x 1 w 1 ) and the multiplication result of the output x 2 and the weight w 2 (x 2 w 2 ) x 1 w 1 + x 2 w 2 Is calculated, then the bias b is added as needed to give the value a x 1 w 1 + x 2 w 2 + b.
  • the activation function h for example, a sigmoid function, a tanh function, a softmax function, a ReLU function, a threshold function, and the like can be used.
  • the operation by the neuron includes the operation of adding the product of the output of the neuron in the previous layer and the weight, that is, the product-sum operation (x 1 w 1 + x 2 w 2 above ).
  • This product-sum operation may be performed by software using a program or by hardware.
  • a product-sum calculation circuit can be used.
  • the product-sum calculation circuit a digital circuit or an analog circuit may be used.
  • the processing speed can be improved and the power consumption can be reduced by reducing the circuit scale of the product-sum calculation circuit or reducing the number of access to the memory.
  • the product-sum calculation circuit may be composed of a transistor (hereinafter, also referred to as Si transistor) containing silicon (single crystal silicon or the like) in the channel forming region, or a transistor (hereinafter, OS) containing an oxide semiconductor in the channel forming region. It may be configured by a transistor). In particular, since the OS transistor has an extremely small off-current, it is suitable as a transistor constituting an analog memory of a product-sum calculation circuit.
  • the product-sum calculation circuit may be configured by using both the Si transistor and the OS transistor.
  • the product-sum calculation circuit may be included in the calculation unit 103 of the characteristic prediction system 100.
  • the neural network In one aspect of the present invention, it is preferable to use deep learning. That is, it is preferable to use a neural network having two or more hidden layers HL.
  • Transistors are classified in various ways according to the positional relationship and shape of the components.
  • the transistor structure is classified into a bottom gate type structure and a top gate type structure according to the positional relationship between the substrate, the gate, and the channel forming region.
  • a transistor structure in which a gate is provided between a channel forming region and a substrate is called a bottom gate type structure.
  • a transistor structure in which a channel forming region is provided between a gate and a substrate is called a top gate type structure.
  • the transistor structure is classified into a bottom contact type structure and a top contact type structure according to the connection points between the source and drain and the semiconductor layer forming the channel.
  • a transistor structure in which a source and drain and a semiconductor layer forming a channel are connected on the substrate side is called a bottom contact type structure.
  • a transistor structure in which a source and a drain and a semiconductor layer forming a channel are connected on the opposite side of the substrate is called a top contact type structure.
  • the transistor structure is classified into a BGBC (bottom gate bottom contact) type structure, a BGTC (bottom gate top contact) type structure, a TGTC (top gate top contact) type structure, and a TGBC (top gate bottom contact) type structure.
  • BGBC bottom gate bottom contact
  • BGTC bottom gate top contact
  • TGTC top gate top contact
  • TGBC top gate bottom contact
  • the transistor structure is a dual gate type structure in which gates are arranged above and below the semiconductor layer, and TGSA (Top-Gate Self) in which the source and drain are self-aligned with respect to the gate pattern.
  • TGSA Topic-Gate Self
  • -Align -Align type structure and the like.
  • the structures of the semiconductor elements are the same or similar.
  • the structure of the semiconductor element 30_1 to the semiconductor element 30_m is a BGBC type structure, a BGTC type structure, a TGTC type structure, a TGBC type structure, a dual gate type structure, or a TGSA type. It is preferably a structure.
  • the structure of the semiconductor element may be different in the semiconductor element 30_1 to the semiconductor element 30_m.
  • the semiconductor element 30_1 to the semiconductor element 30_m are transistors, for example, a part of the structure of the semiconductor element 30_1 to the semiconductor element 30_m may be a TGTC type structure, and the other part may be a TGSA type structure.
  • the characteristics of a semiconductor element refer to the electrical characteristics of the semiconductor element.
  • the characteristics of the semiconductor element include, for example, a drain current (Id) -gate voltage (Vg) characteristic, a drain current (Id) -drain voltage (Vd) characteristic, a capacitance (C) -gate voltage (V) characteristic, and the like.
  • the characteristics of the semiconductor element may be the result obtained by the reliability test.
  • a time-dependent change of on-current (Ion) also referred to as Ion stress time dependence
  • a time-dependent change of ⁇ Vsh also referred to as ⁇ Vsh stress time dependence
  • ⁇ Vsh is the amount of change in the shift voltage (Vsh).
  • the reliability test includes + GBT (Gate Bias Temperature) stress test, + DBT (Drain Bias Temperature) stress test, -GBT stress test, + DGBT (Drain Gate Bias Temperature) stress test, + BGT (Drain Bias Temperature) stress test, + BGT There is a BGBT stress test and so on.
  • the reliability test may take a long time, it takes time to obtain the result of the reliability test.
  • the measuring device is occupied during the measuring period. Therefore, the result of the reliability test can be predicted by using the characteristic prediction system of the semiconductor element according to one aspect of the present invention. Therefore, by determining whether or not to carry out the reliability test based on the prediction result, a part of the reliability test can be omitted. Alternatively, the reliability test can be prioritized. As a result, the measuring device can be effectively used.
  • the characteristics of the semiconductor element include the characteristic values calculated from the measurement results of the electrical characteristics of the semiconductor element.
  • the characteristic value include a threshold voltage (Vth), Vsh, subthreshold swing value (S value), Ion, and field effect mobility ( ⁇ FE).
  • the subthreshold swing value (S value) refers to the amount of change in the gate voltage in the subthreshold region in which the drain current is changed by an order of magnitude when the drain voltage is constant.
  • the characteristic value calculated from the measurement result of the electrical characteristics of the semiconductor element may be referred to as the characteristic value of the semiconductor element or simply the characteristic value.
  • the characteristics of the semiconductor element include temperature characteristics.
  • the temperature characteristics include, for example, the temperature characteristics of the threshold voltage and the temperature dependence of the capacitance characteristics. Since the temperature characteristics need to be measured at a plurality of different temperatures, it takes time to evaluate the temperature characteristics.
  • the semiconductor device characteristic prediction system of one aspect of the present invention the temperature characteristics can be predicted without manufacturing the semiconductor device and performing measurements for evaluating the temperature characteristics.
  • the characteristic of the semiconductor element is stored in the storage unit 105 as numerical data.
  • the characteristics of the semiconductor element are electrical characteristics or temperature characteristics, the characteristics of the semiconductor element are stored in the storage unit 105 as two-variable data. That is, the characteristics of the semiconductor element stored in the storage unit 105 are quantified.
  • the characteristic of the semiconductor element is a change with time of ⁇ Vsh obtained in the reliability test
  • a collection of data regarding time and ⁇ Vsh is stored in the storage unit 105.
  • the characteristic of the semiconductor element is the Id-Vg characteristic
  • a collection of data relating to Vg and Id is stored in the storage unit 105.
  • the learning data set 50 corresponds to the learning data set DS generated by the processing unit 102.
  • the learning data set 50 has learning data 51_1 to learning data 51_m.
  • the learning data 51_i (i is an integer of 1 or more and m or less) has input data 52_i and teacher data 53_i.
  • the learning data 51_i includes information about the semiconductor element 30_i.
  • the learning data set 50 is generated from the data IN1 input to the processing unit 102 shown in FIGS. 1A and 1B. Therefore, the learning data set 50 is generated by performing extraction, processing, conversion, selection, removal, and the like on the data included in the data IN1.
  • the teacher data is a characteristic of the semiconductor element among the information about the semiconductor element. That is, the object to be predicted in this embodiment is the characteristics of the semiconductor element.
  • the input data is created from the process list of the semiconductor element among the information about the semiconductor device. That is, it is preferable that the input data includes a part of the process list of the semiconductor element among the information about the semiconductor device.
  • the characteristics of the semiconductor element to be predicted include the type of semiconductor material used for the layer on which the channel is formed, the type of conductive material used for the layer that functions as the gate electrode, and the insulating material used for the layer that functions as the gate insulating film. It is affected by the type of film, the film thickness of each of these layers, and the film forming conditions of each of these layers.
  • the type of material used for the layer, the film thickness of the layer, the film forming conditions of the layer, and the like are included in the process list of the semiconductor element. Therefore, it is preferable that the input data is created from the process list of the semiconductor element.
  • the data included in the learning dataset for supervised learning is preferably quantitative data.
  • the data is preferably quantified.
  • the data contained in the training data set is quantified, which prevents the machine learning model from becoming complicated. it can.
  • the input data 52_1 to the input data 52_m are created from the process list 10_1 to the process list 10_m, respectively. Further, the teacher data 53_1 to the teacher data 53_m are created from the characteristics 20_1 to 20_m, respectively.
  • the input data 52_1 to the input data 52_m may be created from the process list 10_1 to the process list 10_m and the information regarding the shapes of the semiconductor element 30_1 to the semiconductor element 30_m, respectively.
  • the prediction accuracy of the characteristics of the semiconductor element can be improved.
  • the number of steps in each of the process list 10_1 to the process list 10_m is the same. This makes it easy to create training data sets or prediction data.
  • the process list is selected. For example, extract part of the process list or remove the other part of the process list. Therefore, the number of steps in each of the process list 10_1 to the process list 10_m may be different.
  • the characteristics 20_1 to 20_m are digitized data, they can be included in the teacher data 53_1 to the teacher data 53_m without any particular conversion.
  • one or a plurality of characteristic points may be extracted from the two-variable data and included in the teacher data 53_1 to the teacher data 53_m, respectively. Further, a plurality of points may be extracted from the two-variable data and included in the teacher data 53_1 to the teacher data 53_m so that the values of one of the two variables are evenly spaced.
  • FIG. 5A is a diagram for explaining the results obtained in the reliability test of the semiconductor element.
  • the horizontal axis is the elapsed time (also referred to as stress time) [h] from the start of measurement, and the vertical axis is ⁇ Vsh [mV].
  • the values of ⁇ Vsh at time A1 to time A10 and time A1 to time A10 may be extracted and used as teacher data.
  • ⁇ Vsh may be characteristic for a part or all of the time A1 to the time A10.
  • the time A1 to the time A10 may be at equal intervals.
  • a part of the time A1 to the time A10 may be a first interval, and the other time A1 to the time A10 may be a second interval different from the first interval.
  • the number of sets of the extraction time and the value of ⁇ Vsh at the time is not limited to 10, and may be 1 or more and 9 or less or 11 or more.
  • FIG. 5B is a diagram for explaining the Id-Vg characteristics of the semiconductor element.
  • the value of the drain current when the gate voltage is 0V is one of the characteristic points.
  • the gate voltage is voltage B4.
  • Voltages B1 to B3 are designated as voltages lower than the voltage B4.
  • the voltage B5 to the voltage B10 is designated as a voltage higher than the voltage B4.
  • the values of the voltage B1 to the voltage B10 and the drain current at the voltage B1 to the voltage B10 may be extracted and used as the teacher data.
  • one of the voltage B1 to the voltage B10 excluding the voltage B4 may be set to 0V.
  • the number of sets of the extracted voltage and the value of the drain current at the voltage is not limited to 10, and may be 1 or more and 9 or less or 11 or more.
  • a plurality of processes are set in the order of manufacturing processes of the semiconductor element.
  • a process for manufacturing a semiconductor element for example, there are processes such as film formation, cleaning, resist coating, exposure, development, processing, heat treatment, inspection, and substrate transfer.
  • processing conditions are specified for each of the plurality of processes set in the process list.
  • the processing conditions of the film forming process include equipment, material, film thickness, temperature, pressure, electric power, and flow rate.
  • the processing conditions of the film forming process may affect the characteristics of the semiconductor element. Further, even in a process other than the film formation, the characteristics of the semiconductor element may be affected by the processing conditions, the presence or absence of the process, the process sequence, and the like.
  • the processing conditions are a mixture of qualitative data and quantitative data, and values are taken on various scales.
  • the qualitative data regarding the material may be converted into quantitative data such as physical properties for each material, and the set may be used as the feature quantity.
  • the process list 10_1 has n processes (n is an integer of 2 or more).
  • the first process is the substrate transfer process
  • the j-th process (j is an integer of 2 or more (n-4) or less) is the film forming process.
  • the (j + 1) th step is a processing step
  • the (j + 2) th step is a film forming step
  • the (j + 3) th step is a heat treatment step
  • the nth step is a substrate transfer step.
  • the processing conditions specified in the j-th step (deposition step) are set to conditions 1 to p (p is an integer of 2 or more). Further, the processing conditions specified in the (j + 1) th step (machining step) are set to condition 1 to condition q (q is an integer of 1 or more). Further, the processing conditions specified in the (j + 2) th step (deposition step) are set to conditions 1 to r (r is an integer of 2 or more). Further, the processing conditions specified in the (j + 3) th step (heat treatment step) are set to conditions 1 to s (s is an integer of 1 or more).
  • the extraction step is, for example, a step in which the contribution of the characteristics of the semiconductor element is presumed to be large. Further, for example, it is a process in which conditions are often changed.
  • the number of parameters in machine learning can be reduced. In other words, it is possible to reduce the number of neurons contained in the input layer in supervised learning using a neural network. This optimizes the number of layers in the hidden layer and the number of neurons in the hidden layer, and can reduce the amount of calculation or calculation time for learning or inference. In addition, overfitting may be prevented.
  • the j-th step (deposition process) is referred to as the process list. It is recommended to extract from 10_1. Further, for example, when the (j + 3) th step (heat treatment step) is estimated to have a large contribution to the characteristics of the semiconductor element, the (j + 3) th step (heat treatment step) can be extracted from the process list 10_1. Good.
  • some processes different from the above may be removed from the n processes included in the process list 10_1.
  • the step to be removed is, for example, a step in which the contribution of the characteristics of the semiconductor is presumed to be small. Further, for example, it is a process in which the processing conditions have not been changed.
  • the substrate transfer step (first step and nth step) does not affect the characteristics of the semiconductor element. Therefore, the substrate transfer step (the first step and the nth step) may be removed from the process list 10_1. Further, for example, the processing conditions specified in the (j + 1) th step (processing step) and the processing conditions specified in the (j + 2) th step (deposition step) are each from the process list 10_1 to the process list 10_m. If they are the same, the (j + 1) th step (processing step) and the (j + 2) th step (deposition step) may be removed from the process list 10_1.
  • FIG. 6B shows an example in which the j-th step, the (j + 3) -th step, and the like are extracted.
  • the example shown in FIG. 6B is also a case where the first step, the (j + 1) th step, the (j + 2) th step, the nth step, and the like are removed.
  • the processing conditions of the film forming process include equipment, material, film thickness, temperature, pressure, electric power, flow rate, and the like. Since the film thickness, temperature, pressure, electric power, flow rate, etc. are set as values, these processing conditions are quantified data. Therefore, these processing conditions can be included in the input data 52_1 without any particular conversion.
  • the set value of each processing condition has a unified unit. By unifying the units, the amount of data included in the learning data set 50 can be reduced. Therefore, it is possible to reduce the time spent on data transmission / reception, learning, inference, and the like.
  • Data related to the device may be included in the process list as qualitative data.
  • the qualitative data about the device is, for example, the device name (including abbreviations, names, etc.), the method used for the device, and the like.
  • data on materials may be included in the process list as qualitative data.
  • Qualitative data on the material is, for example, the name of the material (including abbreviations, names, etc.), composition formula, and the like.
  • the data included in the learning data set used for supervised learning is quantified. Therefore, it is preferable to quantify the qualitative data included in the process list.
  • the film forming apparatus can be an apparatus capable of forming a film by using a chemical vapor deposition (CVD) method (sometimes referred to as a CVD device) or a sputtering method.
  • CVD chemical vapor deposition
  • sputtering devices devices
  • ALD devices atomic layer deposition
  • the CVD method can be classified into a plasma CVD (PECVD: Plasma Enhanced CVD) method using plasma, a thermal CVD (TCVD: Thermal CVD) method using heat, an optical CVD (Photo CVD) method using light, and the like. .. Therefore, in the CVD method, the CVD apparatus may differ depending on the method. That is, a plurality of CVD devices may be prepared. The same applies to the sputtering apparatus, ALD apparatus and the like.
  • PECVD Plasma Enhanced CVD
  • TCVD Thermal CVD
  • Photo CVD Photo CVD
  • the data related to the device (in this case, the device name) input as the processing condition is qualitative data. Therefore, it is preferable to use Label Encoding for quantifying qualitative data related to the device.
  • the device name may be managed by ID. It is preferable that an ID different from the process list ID is assigned to each device name.
  • the ID assigned to the device name is referred to as the device ID.
  • FIG. 7A illustrates a correspondence table between the device name and the device ID.
  • the device ID is set to 1.
  • the device ID is 2.
  • the device ID is set to 3.
  • the device name can be handled as numerical data.
  • the above correspondence table may be stored in the storage unit 105. Further, each time the number of usable devices increases, a new device name and a device ID associated with the new device name may be added to the correspondence table via the input unit 101, the storage medium, communication, or the like. ..
  • One-hot Encoding also referred to as 1 of K Encoding
  • 1 of K Encoding may be used for quantifying qualitative data related to the apparatus.
  • the device name may be expressed by a t-dimensional One-hot vector. If the number of devices that can be used for each step is not large, it can be represented by a low-dimensional vector. Therefore, the amount of learning or inference calculation or the calculation time can be reduced.
  • Target Encoding may be used as a method for quantifying qualitative data related to the device.
  • the crystal structure, film quality, etc. of the material used for the semiconductor element change depending on the processing conditions. Further, it changes depending on the material used as the film to be formed, the roughness of the surface to be formed, and the like. Therefore, when converting from the name of the material, which is qualitative data, to the physical characteristics (crystal structure, density, permittivity, etc.) of the material, which is quantitative data, using a database or the like, the prediction accuracy of the characteristics of the semiconductor element is lowered. There is a fear. Therefore, in the present embodiment, qualitative data on the material (here, the name of the material) is converted into constituent elements and composition.
  • the name of the material is converted into a composition formula.
  • a composition formula For example, when "silicon oxide” is input as the condition 2 of the film forming process, it may be converted to "SiO 2".
  • a concept dictionary or a database may be used, or a correspondence table between the material name and the composition formula prepared in advance may be used.
  • composition formula is converted into constituent elements and composition.
  • the composition formula is "M1, Convert to "M2, M3, M4, w: x: y: z" or "M1, w, M2, x, M3, y, M4, z".
  • the composition is standardized.
  • M2 When the material is composed of one kind of element, it is preferable to describe zero in M2, M3, M4, x, y, and z. Similarly, when the material is composed of two kinds of elements, M3, M4, y, and z may be described as zero. When the material is composed of three kinds of elements, it is preferable to describe it as zero for M4 and z.
  • composition formula is "SiO 2 ", "Si, O, 0, 0, 0.333: 0.667: 0: 0” or "Si, 0.333, O, 0.667". , 0, 0, 0, 0 ".
  • the number and composition of elements are described so that they can be applied to materials having 4 or less constituent elements, but the present invention is not limited to this.
  • the number and composition of elements may be described so that they can be applied to materials having five or more kinds of constituent elements.
  • the composition formula is "M1, M2, M3, w: x: y" or "M1, w, M2, x, M3, y". May be converted to. This makes it possible to reduce the number of parameters in machine learning. This optimizes the number of layers in the hidden layer and the number of neurons in the hidden layer, and can reduce the amount of calculation or calculation time for learning or inference.
  • Elemental characteristics include atomic number, group, period, electron configuration, atomic weight, atomic radius, atomic volume, electronegativity, ionization energy, electron affinity, bipolar polarization rate, elemental melting point, elemental boiling point, elemental lattice constant, There are the density of a single substance, the thermal conductivity of a single substance, and so on.
  • the atomic radius may be one or more selected from the covalent bond radius, the van der Waals radius, the ionic radius, and the metal bond radius.
  • the atomic number or electron configuration and electronegativity as the characteristics of the element to be converted.
  • the characteristics of the material are likely to appear in atomic number and electronegativity.
  • electronegativity tends to appear in the mode of bonding between different elements. For example, covalent or metal-bonding properties predominate between elements with similar electronegativity. On the other hand, ionic bonding is dominant among elements having significantly different electronegativity.
  • FIG. 7B exemplifies a correspondence table between elements and element characteristics.
  • the characteristics of the element include atomic number, electron configuration, electronegativity, melting point (K) of a simple substance, and the like.
  • K melting point
  • a database or the like may be used, or a correspondence table of the element and the element characteristic prepared in advance may be used.
  • the "silicon oxide" input as the condition 2 of the film forming process is changed to "14, 1.90, 8, 3.44, 0, 0, 0, 0, 0.333: 0.667: 0: It can be converted to "0” or "14, 1.90, 0.333, 8, 3.44, 0.667, 0, 0, 0, 0, 0, 0". Therefore, qualitative data on materials can be quantified.
  • the characteristics of semiconductor devices can be predicted in the first principle. Further, even when a material that has never been used is used for the semiconductor element, the characteristics of the semiconductor element can be predicted without degrading the accuracy. Further, even when a material not described in a database or the like is used for the semiconductor element, the characteristics of the semiconductor element can be predicted without degrading the accuracy.
  • the conversion from the name of the material to the constituent elements and the composition may be performed directly without using the composition formula.
  • the input data 52_1 composed of the digitized data as shown in FIG. 6C.
  • the input data 52_1 includes the data of the processing conditions shown in FIG. 6C.
  • the input data 52_1 may include a process number.
  • input data 52_1 may be created from the process list 10_1 by converting qualitative data into quantitative data and then selecting (extracting or removing) the process list.
  • the learning data 51_1 including the digitized data can be generated.
  • the learning data 51_2 to the learning data 51_m have the same configuration as the learning data 51_1. That is, the learning data 51_2 to the learning data 51_m can be generated by the above method.
  • FIG. 4A shows a case where the input data 52_1 to the input data 52_m are created from the process list 10_1 to the process list 10_m, respectively, but the present invention is not limited to this.
  • the input data 52_1 to the input data 52_m may be created from the process list 10_1 to the process list 10_m and information on the shapes of the semiconductor elements 30_1 to 30_m, respectively.
  • the input data 52_1 to the input data 52_m are created from the process list 10_1 to the process list 10_m and the first characteristic of the semiconductor element 30_1 to the semiconductor element 30_m, respectively, and the teacher data 53_1 to the teacher data 53_m are semiconductors, respectively. It may be created from the second characteristic of the element 30_1 to the semiconductor element 30_m.
  • the first characteristic and the second characteristic are different from each other.
  • the first characteristic may be the characteristic value of the semiconductor element
  • the second characteristic may be the result of the reliability test of the semiconductor element.
  • the reliability of the semiconductor element is suitable as an object to be inferred.
  • the characteristic value of the semiconductor element indirectly includes information such as a manufacturing process of the semiconductor element. Therefore, by adding the characteristic value of the semiconductor element to the input data, the information is given to the supervised learning, and the accuracy of predicting the characteristic of the semiconductor element can be improved.
  • the learning data set 50 may be composed only of data of semiconductor elements having the same or similar structure. In other words, the learning data set 50 may be created for each structure of the semiconductor element. As a result, the accuracy of predicting the characteristics of the semiconductor element can be improved. Further, the learning data set 50 may be composed of data of semiconductor elements regardless of the structure. This makes it possible to predict the characteristics of semiconductor devices with high versatility.
  • the data for predicting the characteristics of the semiconductor element is generated from the data IN2 input to the processing unit 102 shown in FIGS. 1A and 1B. Therefore, the data for predicting the characteristics of the semiconductor element is generated by performing extraction, processing, conversion, selection, removal, and the like on the data included in the data IN2.
  • Data IN2 contains at least information about semiconductor elements.
  • the data IN2 may include characteristics of the semiconductor element and the like.
  • the data for predicting the characteristics of the semiconductor element has the same configuration as the input data of the learning data described above.
  • the data for predicting the characteristics of the semiconductor element may be created from the process list 11.
  • the data for predicting the characteristics of the semiconductor element may be used.
  • the process list 11 and the characteristics of the semiconductor device associated with the process list ID of the process list 11 may be created.
  • the characteristics of the semiconductor element can be predicted without using the physical properties of the material contained in the semiconductor element. Further, by using the past experimental data, the optimization of the structure of the semiconductor element can be accelerated by virtual screening. Even if a person views the data and is not interpolated, it may be considered to be interpolated by the non-linear or higher-order representation of the machine learning model. In addition, by cutting out the expressions obtained by the machine learning model in fragments and examining them, it is possible to know the rules that were not noticed in the past.
  • FIG. 8 is a diagram illustrating a computer device having a characteristic prediction system for semiconductor elements.
  • the computer device 1000 includes an arithmetic unit 1001, a memory 1002, an input / output interface 1003, a communication device 1004, and a storage 1005.
  • the computer device 1000 is electrically connected to the display device 1006a and the keyboard 1006b via the input / output interface 1003.
  • the computer device 1000 may be an information processing device such as a personal computer used by the user.
  • the arithmetic unit 1001 includes the processing unit 102 and the arithmetic unit 103 shown in FIGS. 1A and 1B.
  • the storage 1005 also includes a storage unit 105 and / or a storage unit 106 shown in FIGS. 1A and 1B.
  • the display device 1006a corresponds to the output unit 104 shown in FIGS. 1A and 1B.
  • the keyboard 1006b corresponds to the input unit 101 shown in FIGS. 1A and 1B.
  • the trained model may be stored in the memory 1002 or in the storage 1005.
  • the computer device 1000 may be connected to the database 1011, the remote computer 1012, and the remote computer 1013 via a network.
  • the computer device 1000 is electrically connected to the network interface 1007 via the communication device 1004.
  • the network interface 1007 is also electrically connected to the database 1011, the remote computer 1012, and the remote computer 1013 via a network.
  • the above network includes a local area network (LAN) and the Internet.
  • the network can use either wired or wireless communication, or both.
  • wireless communication in addition to short-range communication means such as Wi-Fi (registered trademark) and Bluetooth (registered trademark), communication means compliant with the third generation mobile communication system (3G), LTE
  • 3G third generation mobile communication system
  • LTE Long Term Evolution
  • communication means compliant with the 4th generation mobile communication system (4G) or communication means compliant with the 5th generation mobile communication system (5G).
  • Communication means can be used.
  • the processing unit of the semiconductor element characteristic prediction system may be provided in the server and accessed from the client PC via the network for use.
  • the computer device 1000 may be regarded as the client PC
  • the remote computer 1012 and / or the remote computer 1013 may be regarded as the server.
  • the remote computer 1012 and / or the remote computer 1013 is provided with the processing unit 102 and the calculation unit 103 shown in FIGS. 1A and 1B. That is, the arithmetic unit included in the remote computer 1012 and / or the remote computer 1013 includes the processing unit 102 and the arithmetic unit 103.
  • the database 1011 also includes a storage unit 105 and / or a storage unit 106 shown in FIGS. 1A and 1B.
  • one aspect of the present invention can provide a characteristic prediction system for a semiconductor device. Moreover, one aspect of the present invention can provide a method of predicting the characteristics of a semiconductor device. Further, one aspect of the present invention can provide a learning data set for predicting the characteristics of a semiconductor device.
  • This embodiment can be implemented by appropriately combining some of them.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Manufacturing & Machinery (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Power Engineering (AREA)
  • Computer Hardware Design (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)

Abstract

半導体素子の特性予測システムを提供する。 記憶部と、入力部と、処理部と、演算部と、を有し、処理部は、記憶部に格納された第１のデータから学習用データセットを作成する機能と、入力部から供給された第２のデータから予測用データを作成する機能と、定性的データ（材料の名称、または組成式）を定量的データ（元素の特性、および組成）に変換する機能と、第１のデータおよび第２のデータに対して抽出、または除去を行う機能と、を有し、第１のデータは、第１乃至第ｍ（ｍは２以上の整数）の半導体素子の工程リスト、および、第１乃至第ｍの半導体素子の特性を含み、第２のデータは、第ｍ＋１の半導体素子の工程リストを含み、演算部は、教師あり学習の学習および推論を行う機能を有することで、学習用データセットに基づいて学習を行い、予測用データから半導体素子の特性を推論する。

Description

半導体素子の特性予測システム
　本発明の一態様は、半導体素子の特性予測システムに関する。また、本発明の一態様は、半導体素子の特性を予測する方法に関する。
　なお、本明細書などにおいて、半導体素子は、半導体特性を利用することで機能しうる素子を指す。一例としては、トランジスタ、ダイオード、発光素子、または受光素子などの半導体素子である。また別の一例の半導体素子は、容量、抵抗、インダクタなどの、導電膜、または絶縁膜などによって生成される受動素子である。また別の一例の半導体素子は、半導体素子、または受動素子を有する回路を備える半導体装置である。
　近年、人工知能（ＡＩ：Ａｒｔｉｆｉｃｉａｌ　Ｉｎｔｅｌｌｉｇｅｎｃｅ）を用いた分野、ロボットの分野、またはパワーＩＣなどの高い電力を扱うエネルギー分野では、演算量の増大、または消費電力の増大などの課題を解決するための新しい半導体素子の開発が進められている。市場が求める集積回路または集積回路に用いられる半導体素子は、複雑になる一方で、新たな機能を有する集積回路の早期立ち上げが求められている。ただし、半導体素子の開発におけるプロセス設計、デバイス設計、または回路設計では、熟練した技術者の知識、ノウハウ、または経験などが必要である。
　近年では、半導体デバイスに関して、製造プロセスを最適化するための方法、デバイス特性を推定する方法などが提案されている。特許文献１では、半導体デバイスの断面形状のパターンのＳＥＭ像から画像特徴量を算出し、当該画像特徴量と、デバイス特性との対応関係から、被評価パターンのデバイス特性を推定する方法が開示されている。
特開２００７−１２９０５９号公報
　半導体素子の製造プロセスでは、半導体素子が完成するまでの工程数が多く、工程の種類および処理条件も多岐にわたる。長大な工程を経て作製された半導体素子は、電気的特性、信頼性試験の結果などの半導体素子の特性が、測定装置を用いて実測される。半導体素子の製造プロセスと半導体素子の特性の因果関係を、実験により１つ１つ検証することで、半導体素子の特性の改善が行われる。
　しかしながら、半導体素子の製造プロセスを網羅的に調整し、半導体素子の特性との因果関係を調べるには、費用と時間がかかる。さらに、膨大なデータを人が把握することも難しい。そのため、実験による製造プロセスの最適化には大きな労力を要する。
　そこで、本発明の一態様は、半導体素子の特性予測システムを提供することを課題の一とする。また、本発明の一態様は、半導体素子の特性を予測する方法を提供することを課題の一とする。また、本発明の一態様は、半導体素子の特性を予測するための学習用データセットを提供することを課題の一とする。
　なお、これらの課題の記載は、他の課題の存在を妨げるものではない。なお、本発明の一態様は、これらの課題の全てを解決する必要はないものとする。なお、これら以外の課題は、明細書、図面、請求項などの記載から、自ずと明らかとなるものであり、明細書、図面、請求項などの記載から、これら以外の課題を抽出することが可能である。
　本発明の一態様は、学習用データセットに基づいて教師あり学習の学習を行い、学習の結果を基にして、予測用データから半導体素子の特性の推論を行う、半導体素子の特性予測システムである。半導体素子の特性予測システムは、記憶部と、入力部と、処理部と、演算部と、を有し、処理部は、記憶部に格納された第１のデータから学習用データセットを作成する機能と、入力部から供給された第２のデータから予測用データを作成する機能と、定性的データを定量的データに変換する機能と、第１のデータおよび第２のデータに対して抽出、または除去を行う機能と、を有し、第１のデータは、第１の半導体素子乃至第ｍ（ｍは２以上の整数）の半導体素子の工程リスト、および、第１の半導体素子乃至第ｍの半導体素子の特性を含み、第２のデータは、第ｍ＋１の半導体素子の工程リストを含み、定性的データは、材料の名称、または組成式であり、定量的データは、元素の特性、および組成であり、演算部は、教師あり学習の学習および推論を行う機能を有する。
　上記半導体素子の特性予測システムにおいて、元素の特性は、原子番号、族、周期、電子配置、原子量、原子半径（共有結合半径、ファンデルワールス半径、イオン半径、または金属結合半径）、原子体積、電気陰性度、イオン化エネルギー、電子親和力、双極分極率、単体の融点、単体の沸点、単体の格子定数、単体の密度、および単体の熱伝導率のいずれか一または複数であることが好ましい。
　また、上記半導体素子の特性予測システムにおいて、半導体素子の特性は、信頼性試験（＋ＧＢＴストレス試験、＋ＤＢＴストレス試験、−ＧＢＴストレス試験、＋ＤＧＢＴストレス試験、＋ＢＧＢＴストレス試験、または−ＢＧＢＴストレス試験）で得られるΔＶｓｈの経時変化であることが好ましい。または、上記半導体素子の特性予測システムにおいて、半導体素子の特性は、Ｉｄ−Ｖｇ特性、またはＩｄ−Ｖｄ特性であることが好ましい。
　また、上記半導体素子の特性予測システムにおいて、処理部は、定性的データを、Ｌａｂｅｌ　Ｅｎｃｏｄｉｎｇを用いて数値化する機能を有することが好ましい。
　本発明の一態様により、半導体素子の特性予測システムを提供することができる。また、本発明の一態様により、半導体素子の特性を予測する方法を提供することができる。また、本発明の一態様により、半導体素子の特性を予測するための学習用データセットを提供することができる。
　なお、本発明の一態様の効果は、上記列挙した効果に限定されない。上記列挙した効果は、他の効果の存在を妨げるものではない。なお、他の効果は、以下の記載で述べる、本項目で言及していない効果である。本項目で言及していない効果は、当業者であれば、明細書、図面などの記載から導き出せるものであり、これらの記載から適宜抽出することができる。なお、本発明の一態様は、上記列挙した効果、及び／又は他の効果のうち、少なくとも一つの効果を有するものである。したがって本発明の一態様は、場合によっては、上記列挙した効果を有さない場合もある。
図１Ａ、図１Ｂは、半導体素子の特性予測システムの一例を示す図である。
図２は、半導体素子の特性を予測する方法の一例を示すフローチャートである。
図３Ａ、図３Ｂは、ニューラルネットワークの構成を説明する図である。
図４Ａ、図４Ｂは、学習用データセットを説明する図である。
図５Ａは、半導体素子の信頼性試験で得られる結果を説明する図である。図５Ｂは、半導体素子のＩｄ−Ｖｇ特性を説明する図である。
図６Ａ乃至図６Ｃは、入力データを作成する方法を説明する図である。
図７Ａ、図７Ｂは、入力データを作成する方法を説明する図である。
図８は、コンピュータ装置を説明する図である。
　実施の形態について、図面を用いて詳細に説明する。但し、本発明は以下の説明に限定されず、本発明の趣旨およびその範囲から逸脱することなくその形態及び詳細を様々に変更し得ることは当業者であれば容易に理解される。したがって、本発明は以下に示す実施の形態の記載内容に限定して解釈されるものではない。
　なお、以下に説明する発明の構成において、同一部分または同様な機能を有する部分には同一の符号を異なる図面間で共通して用い、その繰り返しの説明は省略する。また、同様の機能を指す場合には、ハッチパターンを同じくし、特に符号を付さない場合がある。
　また、図面において示す各構成の、位置、大きさ、範囲などは、理解の簡単のため、実際の位置、大きさ、範囲などを表していない場合がある。このため、開示する発明は、必ずしも、図面に開示された位置、大きさ、範囲などに限定されない。
　また、本明細書などで用いる「第１」、「第２」、「第３」という序数詞は、構成要素の混同を避けるために付したものであり、数的に限定するものではないことを付記する。
（実施の形態１）
　本実施の形態では、本発明の一態様の、半導体素子の特性予測システムおよび半導体素子の特性を予測する方法について、図１Ａ乃至図８を用いて説明する。
　本発明の一態様の半導体素子の特性予測システムは、半導体素子に関する情報から、当該半導体素子の特性を予測することができるシステムである。また、本発明の一態様の半導体素子の特性を予測する方法は、機械学習を用いて、半導体素子の特性を予測する方法である。
＜半導体素子の特性予測システム＞
　図１Ａは、特性予測システム１００の構成を示す図である。つまり、図１Ａは、本発明の一態様である、半導体素子の特性予測システムの構成の一例でもあるといえる。
　特性予測システム１００は、ユーザが利用するパーソナルコンピュータなどの情報処理装置に設けられていてもよい。または、サーバに特性予測システム１００の処理部を設け、クライアントＰＣからネットワーク経由でアクセスして利用する構成としてもよい。
　図１Ａに示すように、特性予測システム１００は、入力部１０１、処理部１０２、演算部１０３、出力部１０４、および記憶部１０５を備える。入力部１０１、処理部１０２、演算部１０３、出力部１０４、および記憶部１０５のそれぞれは、伝送路を介して接続されていてもよい。
　記憶部１０５は、複数の半導体素子のそれぞれに関する情報のデータを格納する。半導体素子に関する情報として、例えば、半導体素子の工程リスト、半導体素子の特性、半導体素子の形状に関する情報などがある。以降では、半導体素子の工程リストのデータを、単に、半導体素子の工程リストと表記する場合がある。また、半導体素子の特性のデータを、単に、半導体素子の特性と表記する場合がある。また、半導体素子の形状に関する情報のデータを、単に、半導体素子の形状に関する情報と表記する場合がある。
　半導体素子の工程リストでは、複数の工程が半導体素子の作製工程順に設定され、各工程に対して処理条件が指定される。
　半導体素子の特性は、測定装置を用いて実測することで得られる、半導体素子の電気的特性、信頼性試験の結果などである。半導体素子の特性のデータは、例えば、半導体素子の電気的特性の測定データ、信頼性試験を実施することで得られるデータなどである。
　半導体素子の形状に関する情報は、半導体素子の構成要素の位置、大きさ、範囲などである。半導体素子の形状に関する情報のデータは、例えば、半導体素子の構成要素の位置、大きさ、範囲などを表す数値データ、半導体素子およびその周辺の画像データなどである。具体的には、チャネル長およびチャネル幅などの測長データ、走査型電子顕微鏡（ＳＥＭ：Ｓｃａｎｎｉｎｇ　Ｅｌｅｃｔｒｏｎ　Ｍｉｃｒｏｓｃｏｐｅ）による観察像、透過型電子顕微鏡（ＴＥＭ：Ｔｒａｎｓｍｉｓｓｉｏｎ　Ｅｌｅｃｔｒｏｎ　Ｍｉｃｒｏｓｃｏｐｅ）による観察像などである。
　記憶部１０５は、少なくとも、複数の半導体素子のそれぞれの、工程リストおよび特性を格納する。なお、記憶部１０５に格納される半導体素子の工程リストには、それぞれＩＤが割り振られることが好ましい。ここで、半導体素子の工程リストに割り振られたＩＤを、工程リストＩＤと表記する。また、記憶部１０５に格納される半導体素子の特性は、工程リストＩＤと関連付けられている。つまり、半導体素子の特性の読み込み、書き出しなどは、工程リストＩＤを基に行われる場合がある。
　記憶部１０５は、上記複数の半導体素子それぞれの形状に関する情報が格納されてもよい。このとき、記憶部１０５に格納される半導体素子の形状に関する情報は、工程リストＩＤと関連付けられることが好ましい。このとき、半導体素子の形状に関する情報の読み込み、書き出しなどは、工程リストＩＤを基に行われる場合がある。
　複数の半導体素子の工程リスト、および複数の半導体素子の特性は、入力部１０１、記憶媒体、通信などを介して、記憶部１０５に格納される。また、複数の半導体素子の形状に関する情報も、入力部１０１、記憶媒体、通信などを介して、記憶部１０５に格納されるとよい。
　複数の半導体素子の工程リスト、および複数の半導体素子の特性は、テキストデータとして記憶部１０５に格納されることが好ましい。特に、複数の半導体素子の特性は、数値データまたは２変数データとして記憶部１０５に格納されることが好ましい。本明細書などでは、２変数データとは、２つの変数に関するデータの集まりを指す。なお、２変数データは、３以上の多変数データから２つの変数に関するデータを抽出して得られるデータの集まりであってもよい。
　なお、複数の半導体素子の工程リストおよび複数の半導体素子の特性が画像データである場合、画像データとして記憶部１０５に格納されてもよいが、画像データをテキストデータに変換した後に記憶部１０５に格納されることが好ましい。テキストデータのデータサイズは、画像データのデータサイズよりも小さいため、画像データをテキストデータに変換した後に記憶部１０５に格納することで、記憶部１０５への負荷を小さくすることができる。
　特性予測システム１００は、光学文字認識（ＯＣＲ）機能を有していてもよい。これにより、画像データに含まれる文字を認識し、テキストデータを作成することができる。例えば、処理部１０２が当該機能を有していてもよい。または、特性予測システム１００が、さらに、当該機能を有する文字認識部を有していてもよい。
　記憶部１０５は、学習済みモデル（推論モデルともいう）を格納する機能を有してもよい。
　入力部１０１は、ユーザがデータＩＮ２を入力するための機能を有する。データＩＮ２は、テキストデータ、または画像データである。入力部１０１として、キーボード、マウス、タッチセンサ、スキャナ、カメラなどの入力デバイスがある。なお、データＩＮ２は、記憶部１０５に格納されてもよい。
　なお、データＩＮ２が画像データである場合、特性予測システム１００が上記ＯＣＲ機能を有することで、画像データに含まれる文字を認識し、テキストデータを作成することができる。例えば、当該ＯＣＲ機能が処理部１０２に備えられる場合、データＩＮ２は画像データのままでもよい。または、当該ＯＣＲ機能が特性予測システム１００の処理部１０２以外に備えられる場合、画像データから変換されたテキストデータをデータＩＮ２としてもよい。
　処理部１０２は、記憶部１０５から供給されるデータＩＮ１から、学習用データセットＤＳを生成する機能を有する。学習用データセットＤＳは、教師あり学習の学習用データセットである。また、処理部１０２は、入力部１０１から供給されるデータＩＮ２から、予測用データＤＩを生成する機能を有する。予測用データＤＩは、半導体素子の特性を予測するためのデータである。
　データＩＮ１は、学習用データセットＤＳを作成する際に用いられるデータ群である。当該データ群には、記憶部１０５に格納されている複数の半導体素子のそれぞれに関する情報の一部または全てが含まれる。
　ここで、複数の半導体素子の一部または全てを、半導体素子３０＿１乃至半導体素子３０＿ｍ（ｍは２以上の整数である）と表記する。このとき、半導体素子３０＿１乃至半導体素子３０＿ｍの工程リストを、それぞれ工程リスト１０＿１乃至工程リスト１０＿ｍとする。また、測定装置を用いて実測される半導体素子３０＿１乃至半導体素子３０＿ｍの特性を、それぞれ特性２０＿１乃至特性２０＿ｍとする。つまり、特性２０＿１乃至特性２０＿ｍは、それぞれ、工程リスト１０＿１乃至工程リスト１０＿ｍにしたがって作製された半導体素子に対して測定装置を用いて実測される特性である。
　以降では、工程リスト１０＿１乃至工程リスト１０＿ｍをまとめて、複数の工程リスト１０と表記する場合がある。また、特性２０＿１乃至特性２０＿ｍをまとめて、複数の特性２０と表記する場合がある。また、半導体素子３０＿１乃至半導体素子３０＿ｍをまとめて、複数の半導体素子３０と表記する場合がある。
　データＩＮ１には、例えば、工程リスト１０＿１乃至工程リスト１０＿ｍのデータ、ならびに、特性２０＿１乃至特性２０＿ｍのデータが含まれる。また、データＩＮ１には、工程リスト１０＿１乃至工程リスト１０＿ｍのそれぞれの工程リストＩＤと関連付けられている半導体素子の形状に関する情報のデータが含まれてもよい。以降では、工程リスト１０＿１乃至工程リスト１０＿ｍのデータを、単に、工程リスト１０＿１乃至工程リスト１０＿ｍと表記する場合がある。また、特性２０＿１乃至特性２０＿ｍのデータを、単に、特性２０＿１乃至特性２０＿ｍと表記する場合がある。
　データＩＮ２は、ユーザが半導体素子の特性の予測用に指定する、半導体素子に関する情報である。データＩＮ２には、例えば、半導体素子の特性の予測用に指定する工程リストが含まれる。半導体素子の特性の予測用に指定する工程リストを、工程リスト１１とする。また、データＩＮ２には、工程リスト１１の工程リストＩＤと関連付けられている半導体素子の形状に関する情報が含まれてもよい。
　また、処理部１０２は、定性的データ（質的データ、カテゴリーデータ、カテゴリカルデータなどともいう）を数値化する機能を有する。別言すると、処理部１０２は、定性的データを定量的データ（量的データ、数量データなどともいう）に変換する機能を有する。例えば、処理部１０２には、Ｌａｂｅｌ　Ｅｎｃｏｄｉｎｇ、Ｏｎｅ−ｈｏｔ　Ｅｎｃｏｄｉｎｇ、Ｔａｒｇｅｔ　Ｅｎｃｏｄｉｎｇなどが実装されることが好ましい。
　定性的データは、データＩＮ１およびデータＩＮ２に含まれる。当該定性的データとして、例えば、装置に関するデータ、材料に関するデータなどがある。装置に関する定性的データ、および材料に関する定性的データの数値化については後述する。
　演算部１０３は、機械学習を行う機能を有する。例えば、演算部１０３は、学習用データセットＤＳに基づいて、教師あり学習の学習を行う機能を有する。また、演算部１０３は、当該教師あり学習の学習結果を基にして、予測用データＤＩから、半導体素子の特性の推論を行う機能を有する。機械学習として教師あり学習の学習を行うことで、半導体素子の特性の推論の精度を高めることができる。なお、当該教師あり学習の学習を行うことで、学習済みモデルを生成してもよい。
　上記教師あり学習には、ニューラルネットワーク（特に、ディープラーニング）を用いることが好ましい。ディープラーニングとして、例えば、畳み込みニューラルネットワーク（ＣＮＮ：Ｃｏｎｖｏｌｕｔｉｏｎａｌ　Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋ）、再帰型ニューラルネットワーク（ＲＮＮ：Ｒｅｃｕｒｒｅｎｔ　Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋ）、オートエンコーダ（ＡＥ：Ａｕｔｏｅｎｃｏｄｅｒ）、変分オートエンコーダ（ＶＡＥ：Ｖａｒｉａｔｉｏｎａｌ　Ａｕｔｏｅｎｃｏｄｅｒ）、ランダムフォレスト（Ｒａｎｄｏｍ　Ｆｏｒｅｓｔ）、サポートベクターマシン（Ｓｕｐｐｏｒｔ　Ｖｅｃｔｏｒ　Ｍａｃｈｉｎｅ）、勾配ブースティング（Ｇｒａｄｉｅｎｔ　Ｂｏｏｓｔｉｎｇ）、敵対的生成ネットワーク（ＧＡＮ：Ｇｅｎｅｒａｔｉｖｅ　Ａｄｖｅｒｓａｒｉａｌ　Ｎｅｔｗｏｒｋｓ）などを用いることが好ましい。
　演算部１０３の出力を、半導体素子の特性とする。つまり、ニューラルネットワークの出力を、半導体素子の特性とする。ニューラルネットワークの出力として実測値を用いることで、機械学習モデルの学習を行った後、任意の半導体素子の工程リストをニューラルネットワークに入力することで、半導体素子の特性を予測することができる。
　なお、ニューラルネットワークにおいては、積和演算が行われる。当該積和演算をハードウェアによって行う場合、演算部１０３は、積和演算回路を有することが好ましい。当該積和演算回路としては、デジタル回路を用いてもよいし、アナログ回路を用いてもよい。なお、当該積和演算は、プログラムを用いてソフトウェア上で行ってもよい。
　演算部１０３は、機械学習として、半教師あり学習を行う機能を有してもよい。学習用データには、教師データ（教師信号、正解ラベルなどともいう）として半導体素子の特性が与えられるが、教師データを用意するには、実際に半導体素子を作製し、半導体素子の特性を測定する必要がある。教師あり学習と比べて、半教師あり学習は、学習用データセットに含まれる学習用データの数が少なくてもよいため、学習用データの作成に費やす時間を短縮しつつ、推論を行うことができる。
　出力部１０４は、情報を供給する機能を有する。当該情報とは、演算部１０３で算出された半導体素子の特性の予測結果または当該予測結果に関する情報である。当該情報は、例えば、文字列、数値、グラフなどの視覚情報などとして供給される。出力部１０４として、ディスプレイなどの出力デバイスがある。なお、特性予測システム１００は、出力部１０４を備えなくてもよい。
　以上により、半導体素子の特性予測システムが構成される。
　なお、特性予測システム１００は、上記の構成に限られない。例えば、図１Ｂに示すように、特性予測システム１００は、入力部１０１、処理部１０２、演算部１０３、出力部１０４、および記憶部１０５に加えて、格納部１０６を有してもよい。
　格納部１０６は、演算部１０３が生成した学習済みモデルを格納する機能を有する。特性予測システム１００が格納部１０６を有することで、当該学習済みモデルを基にして、半導体素子の特性の予測を行うことができる。よって、当該学習済みモデルを予め生成しておくことで、半導体素子の特性を予測する際に、教師あり学習の学習を実施する必要がなくなる。したがって、半導体素子の特性を予測するのに要する時間を短縮することができる。
　格納部１０６は、伝送路を介して、演算部１０３と接続されている。なお、格納部１０６は、伝送路を介して、入力部１０１、処理部１０２、出力部１０４、および記憶部１０５のそれぞれと接続されていてもよい。
　なお、格納部１０６は、記憶部１０５内に設けられてもよい。また、記憶部１０５が、格納部１０６を兼ねてもよい。
　以上が、特性予測システム１００の構成についての説明である。本発明の一態様である、半導体素子の特性予測システムを用いることで、半導体素子に関する情報から半導体素子の特性を予測することができる。例えば、半導体素子の工程リストから半導体素子の特性を予測することができる。また、例えば、半導体素子の工程リストの中から、半導体素子の特性への寄与が大きい工程を抽出することができる。
＜半導体素子の特性を予測する方法＞
　図２は、特性予測システム１００が実行する処理の流れを説明するフローチャートである。つまり、図２は、本発明の一態様である、半導体素子の特性を予測する方法の一例を示すフローチャートでもあるといえる。
　半導体素子の特性を予測する方法は、ステップＳ００１乃至ステップＳ００７を有する。ステップＳ００１乃至ステップ００３は、教師あり学習の学習に関する工程であり、ステップＳ００４乃至ステップＳ００７は、教師あり学習の推論に関する工程である。
　ステップＳ００１は、第１のデータを処理部１０２に入力する工程である。当該第１のデータは、上述したデータＩＮ１に対応する。つまり、当該第１のデータには、半導体素子３０＿１乃至半導体素子３０＿ｍに関する情報が含まれる。具体的には、当該第１のデータには、工程リスト１０＿１乃至工程リスト１０＿ｍ、ならびに、特性２０＿１乃至特性２０＿ｍが含まれる。なお、当該第１のデータには、工程リスト１０＿１乃至工程リスト１０＿ｍそれぞれの工程リストＩＤと関連付けられている半導体素子の形状に関する情報が含まれてもよい。
　ステップＳ００２は、上記第１のデータから、学習用データセットを作成する工程である。ステップＳ００２は、図１Ａおよび図１Ｂに示す処理部１０２にて行われる。当該学習用データセットは、上述した学習用データセットＤＳに対応する。
　また、ステップＳ００２は、上記第１のデータに含まれる定性的データを数値化する工程を含む。当該定性的データは、例えば、装置に関する定性的データ、材料に関する定性的データなどである。数値化することで得られるデータは、上記学習用データセットに含まれる。
　ステップＳ００３は、上記学習用データセットに基づいて、教師あり学習の学習を行う工程である。ステップＳ００３は、図１Ａおよび図１Ｂに示す演算部１０３にて行われる。当該教師あり学習のアルゴリズム（学習方法ともいう）に、ニューラルネットワーク（特に、ディープラーニング）を用いることが好ましい。なお、当該教師あり学習の学習により、半導体素子の特性を予測するための学習済みモデルを生成してもよい。
　ステップＳ００４は、第２のデータを処理部１０２に入力する工程である。当該第２のデータは、上述したデータＩＮ２に対応する。つまり、当該第２のデータには、ユーザが半導体素子の特性の予測用に指定する、半導体素子に関する情報が含まれる。具体的には、当該第２のデータには、工程リスト１１が含まれる。
　半導体素子が工程リスト１１にしたがって作成されている場合、当該第２のデータには、当該半導体素子の形状に関する情報、当該半導体素子の特性などが含まれる場合がある。
　なお、ステップＳ００４は、ステップＳ００３まで実施された後に実施されることが好ましいが、ステップＳ００１と同時に実施してもよいし、ステップＳ００１乃至ステップＳ００３の実施中に実施してもよい。
　ステップＳ００５は、上記第２のデータから、半導体素子の特性の予測用データを作成する工程である。ステップＳ００５は、図１Ａおよび図１Ｂに示す処理部１０２にて行われる。つまり、当該半導体素子の特性の予測用データは、上述した予測用データＤＩに対応する。
　また、ステップＳ００５は、上記第２のデータに含まれる定性的データを数値化する工程を含む。当該定性的データは、例えば、装置に関する定性的データ、材料に関する定性的データなどである。数値化することで得られるデータは、上記半導体素子の特性の予測用データに含まれる。
　なお、ステップＳ００５は、ステップＳ００３まで実施された後に実施されることが好ましいが、ステップＳ００１と同時に実施してもよいし、ステップＳ００１乃至ステップＳ００３の実施中に実施してもよい。
　ステップＳ００６は、ステップＳ００３で行われた教師あり学習の学習結果を基にして、上記半導体素子の特性の予測用データから、半導体素子の特性の推論を行う工程である。別言すると、ステップＳ００６は、上記学習済みモデルを用いて、上記半導体素子の特性の予測用データから、半導体素子の特性の推論を行う工程である。ステップＳ００６は、図１Ａおよび図１Ｂに示す演算部１０３にて行われる。
　ステップＳ００７は、第３のデータを出力する工程である。ステップＳ００７は、図１Ａおよび図１Ｂに示す出力部１０４にて行われる。当該第３のデータには、上記推論の結果または上記推論の結果に関する情報が含まれる。
　以上により、半導体素子の特性を予測することができる。なお、ステップＳ００７の代わりに、上記推論の結果または上記推論の結果に関する情報を、図１Ａなどに示す記憶部１０５に格納する工程を実施してもよい。または、ステップＳ００７は実施されなくてもよい。
　なお、教師あり学習の学習に関する工程（ステップＳ００１乃至ステップＳ００３）は、半導体素子に関する情報が記憶部１０５に格納される度に実施されてもよいし、あらかじめ定められたタイミングで定期的に（例えば一日に一度、または一週間に一度の頻度など）実施されてもよい。
　半導体素子の特性を予測する方法は、上記の方法に限られない。例えば、半導体素子の特性を予測する方法は、ステップＳ００３の後に、ステップＳ００３で生成された学習済みモデルを記憶する工程を有してもよい。当該学習済みモデルは、図１Ｂに示す格納部１０６に格納される。学習済みモデルを予め生成しておくことで、半導体素子の特性を予測する際、ステップＳ００１乃至ステップＳ００３を省略することができる。よって、半導体素子の特性を予測するのに要する時間を短縮することができる。
＜＜ニューラルネットワーク＞＞
　ここで、教師あり学習に用いることができるニューラルネットワークについて説明する。
　図３Ａに示すように、ニューラルネットワークＮＮは、入力層ＩＬ、出力層ＯＬ、および隠れ層ＨＬによって構成することができる。入力層ＩＬ、出力層ＯＬ、および隠れ層ＨＬはそれぞれ、１または複数のニューロン（ユニット）を有する。なお、隠れ層ＨＬは、１層であってもよいし２層以上であってもよい。２層以上の隠れ層ＨＬを有するニューラルネットワークはディープニューラルネットワーク（ＤＮＮ）と呼ぶこともできる。また、ディープニューラルネットワークを用いた学習は深層学習（ディープラーニング）と呼ぶこともできる。
　入力層ＩＬの各ニューロンには、入力データが入力される。隠れ層ＨＬの各ニューロンには、前層または後層のニューロンの出力信号が入力される。出力層ＯＬの各ニューロンには、前層のニューロンの出力信号が入力される。なお、各ニューロンは、前後の層の全てのニューロンと結合されていてもよいし（全結合）、一部のニューロンと結合されていてもよい。
　図３Ｂに、ニューロンによる演算の例を示す。ここでは、ニューロンＮと、ニューロンＮに信号を出力する前層の２つのニューロンを示している。ニューロンＮには、前層の一方のニューロンの出力ｘ１と、前層の他方のニューロンの出力ｘ２が入力される。そして、ニューロンＮにおいて、出力ｘ１と重みｗ１の乗算結果（ｘ１ｗ１）と、出力ｘ２と重みｗ２の乗算結果（ｘ２ｗ２）の総和ｘ１ｗ１＋ｘ２ｗ２が計算された後、必要に応じてバイアスｂが加算され、値ａ＝ｘ１ｗ１＋ｘ２ｗ２＋ｂが得られる。そして、値ａは活性化関数ｈによって変換され、ニューロンＮから出力信号ｙ＝ａｈが出力される。活性化関数ｈとして、例えば、シグモイド関数、ｔａｎｈ関数、ｓｏｆｔｍａｘ関数、ＲｅＬＵ関数、しきい値関数などを用いることができる。
　このように、ニューロンによる演算には、前層のニューロンの出力と重みの積を足し合わせる演算、すなわち積和演算が含まれる（上記のｘ１ｗ１＋ｘ２ｗ２）。この積和演算は、プログラムを用いてソフトウェア上で行ってもよいし、ハードウェアによって行われてもよい。積和演算をハードウェアによって行う場合は、積和演算回路を用いることができる。この積和演算回路としては、デジタル回路を用いてもよいし、アナログ回路を用いてもよい。積和演算回路にアナログ回路を用いる場合、積和演算回路の回路規模の縮小、または、メモリへのアクセス回数の減少による処理速度の向上および消費電力の低減を図ることができる。
　積和演算回路は、チャネル形成領域にシリコン（単結晶シリコンなど）を含むトランジスタ（以下、Ｓｉトランジスタともいう）によって構成してもよいし、チャネル形成領域に酸化物半導体を含むトランジスタ（以下、ＯＳトランジスタともいう）によって構成してもよい。特に、ＯＳトランジスタはオフ電流が極めて小さいため、積和演算回路のアナログメモリを構成するトランジスタとして好適である。なお、ＳｉトランジスタとＯＳトランジスタの両方を用いて積和演算回路を構成してもよい。
　積和演算をハードウェアによって行う場合、積和演算回路は、特性予測システム１００が有する演算部１０３に含まれるとよい。
　以上が、ニューラルネットワークについての説明である。なお、本発明の一態様においては、ディープラーニングを用いることが好ましい。つまり、２層以上の隠れ層ＨＬを有するニューラルネットワークを用いることが好ましい。
　以上が、半導体素子の特性を予測する方法の一例についての説明である。
＜半導体素子の特性を予測する方法の詳細＞
　以下では、半導体素子の特性を予測する方法の詳細について、図４Ａ乃至図７Ｂを用いて説明する。
＜＜半導体素子の構造＞＞
　はじめに、半導体素子の構造について説明する。ここでは、半導体素子の例として、トランジスタについて説明する。
　トランジスタは、構成要素の位置関係、形状などによって、様々に分類される。例えば、トランジスタ構造は、基板、ゲート、およびチャネル形成領域の位置関係により、ボトムゲート型構造とトップゲート型構造に分類される。ゲートがチャネル形成領域と基板との間に設けられたトランジスタ構造は、ボトムゲート型構造と呼ばれる。一方で、チャネル形成領域がゲートと基板との間に設けられたトランジスタ構造は、トップゲート型構造と呼ばれる。
　さらに、トランジスタ構造は、ソースおよびドレインと、チャネルを形成する半導体層との接続箇所により、ボトムコンタクト型構造とトップコンタクト型構造に分類される。ソースおよびドレインと、チャネルを形成する半導体層とが、基板側で接続するトランジスタ構造は、ボトムコンタクト型構造と呼ばれる。ソースおよびドレインと、チャネルを形成する半導体層とが、基板とは反対側で接続するトランジスタ構造は、トップコンタクト型構造と呼ばれる。
　すなわち、トランジスタ構造は、ＢＧＢＣ（ボトムゲートボトムコンタクト）型構造、ＢＧＴＣ（ボトムゲートトップコンタクト）型構造、ＴＧＴＣ（トップゲートトップコンタクト）型構造、ＴＧＢＣ（トップゲートボトムコンタクト）型構造に分類される。
　トランジスタ構造は、上記の４つの構造のほかに、半導体層の上方および下方にゲートを配置するデュアルゲート型構造、ゲートのパターンに対してソースおよびドレインをセルフアラインで形成するＴＧＳＡ（Ｔｏｐ−Ｇａｔｅ　Ｓｅｌｆ−Ａｌｉｇｎ）型構造などがある。
　半導体素子３０＿１乃至半導体素子３０＿ｍにおいて、半導体素子の構造は同一または類似することが好ましい。例えば、半導体素子３０＿１乃至半導体素子３０＿ｍがトランジスタである場合、半導体素子３０＿１乃至半導体素子３０＿ｍの構造は、ＢＧＢＣ型構造、ＢＧＴＣ型構造、ＴＧＴＣ型構造、ＴＧＢＣ型構造、デュアルゲート型構造、またはＴＧＳＡ型構造であることが好ましい。半導体素子の構造を同一にすることで、半導体素子の特性の予測精度を向上させることができる。
　なお、半導体素子３０＿１乃至半導体素子３０＿ｍにおいて、半導体素子の構造は異なってもよい。半導体素子３０＿１乃至半導体素子３０＿ｍがトランジスタである場合、例えば、半導体素子３０＿１乃至半導体素子３０＿ｍの構造の一部はＴＧＴＣ型構造であり、それ以外はＴＧＳＡ型構造であってもよい。複数の構造を組み合わせることで、汎用性の高い、半導体素子の特性の予測が可能となる。
　以上が、半導体素子の構造についての説明である。
＜＜半導体素子の特性＞＞
　次に、半導体素子の特性について説明する。
　本明細書などにおいて、半導体素子の特性は、半導体素子の電気的特性を指す。半導体素子の特性として、例えば、ドレイン電流（Ｉｄ）−ゲート電圧（Ｖｇ）特性、ドレイン電流（Ｉｄ）−ドレイン電圧（Ｖｄ）特性、容量（Ｃ）−ゲート電圧（Ｖ）特性などがある。
　また、半導体素子の特性は、信頼性試験で得られる結果であってもよい。信頼性試験で得られる結果として、例えば、オン電流（Ｉｏｎ）の経時変化（Ｉｏｎのストレス時間依存性ともいう）、ΔＶｓｈの経時変化（ΔＶｓｈのストレス時間依存性ともいう）などがある。
　ΔＶｓｈは、シフト電圧（Ｖｓｈ）の変化量である。ここで、シフト電圧（Ｖｓｈ）は、トランジスタのドレイン電流（Ｉｄ）−ゲート電圧（Ｖｇ）カーブにおいて、カーブ上の傾きが最大である点における接線が、Ｉｄ＝１ｐＡの直線と交差するＶｇと定義される。
　信頼性試験には、＋ＧＢＴ（Ｇａｔｅ　Ｂｉａｓ　Ｔｅｍｐｅｒａｔｕｒｅ）ストレス試験、＋ＤＢＴ（Ｄｒａｉｎ　Ｂｉａｓ　Ｔｅｍｐｅｒａｔｕｒｅ）ストレス試験、−ＧＢＴストレス試験、＋ＤＧＢＴ（Ｄｒａｉｎ　Ｇａｔｅ　Ｂｉａｓ　Ｔｅｍｐｅｒａｔｕｒｅ）ストレス試験、＋ＢＧＢＴ（Ｂａｃｋ　Ｇａｔｅ　Ｂｉａｓ　Ｔｅｍｐｅｒａｔｕｒｅ）ストレス試験、−ＢＧＢＴストレス試験などがある。
　信頼性試験は長時間測定を行う場合があるため、信頼性試験の結果が得られるまでに時間を要する。さらに、測定期間中、測定装置が占有される。そこで、本発明の一態様の半導体素子の特性予測システムを用いることで、信頼性試験の結果を予測することができる。したがって、信頼性試験を実施するか否かを、予測結果をもとに判断することで、信頼性試験の一部を省略することができる。または、信頼性試験の優先順位を決定することができる。これにより、測定装置を有効活用することができる。
　本明細書などでは、半導体素子の特性には、半導体素子の電気的特性の測定結果から算出される特性値も含まれる。当該特性値として、例えば、しきい値電圧（Ｖｔｈ）、Ｖｓｈ、サブスレッショルドスイング値（Ｓ値）、Ｉｏｎ、電界効果移動度（μＦＥ）などがある。ここで、サブスレッショルドスイング値（Ｓ値）とは、ドレイン電圧一定にてドレイン電流を１桁変化させるサブスレッショルド領域でのゲート電圧の変化量をいう。以降では、半導体素子の電気特性の測定結果から算出された特性値を、半導体素子の特性値、または、単に、特性値と呼ぶ場合がある。
　また、半導体素子の特性には、温度特性も含まれる。当該温度特性として、例えば、しきい値電圧の温度特性、容量特性の温度依存性などがある。温度特性は、異なる複数の温度で測定する必要があるため、温度特性を評価するには時間を要する。本発明の一態様の半導体素子の特性予測システムを用いることで、半導体素子の作製および温度特性を評価するための測定を行わなくても、温度特性を予測することができる。
　半導体素子の特性が特性値である場合、当該半導体素子の特性は、数値データとして記憶部１０５に格納される。また、半導体素子の特性が電気的特性または温度特性である場合、当該半導体素子の特性は、２変数データとして記憶部１０５に格納される。つまり、記憶部１０５に格納されている半導体素子の特性は、数値化されている。
　例えば、半導体素子の特性が信頼性試験で得られるΔＶｓｈの経時変化である場合、時間およびΔＶｓｈに関するデータの集まりが記憶部１０５に格納される。また、例えば、半導体素子の特性がＩｄ−Ｖｇ特性である場合、ＶｇおよびＩｄに関するデータの集まりが記憶部１０５に格納される。
　以上が、半導体素子の特性についての説明である。
＜＜学習用データセット＞＞
　ここでは、教師あり学習の学習用データセットについて説明する。
　図４Ａ、および図４Ｂは、学習用データセット５０の構成を示す図である。学習用データセット５０は、処理部１０２が生成する学習用データセットＤＳに対応する。学習用データセット５０は、学習用データ５１＿１乃至学習用データ５１＿ｍを有する。学習用データ５１＿ｉ（ｉは１以上ｍ以下の整数である）は、入力データ５２＿ｉ、および教師データ５３＿ｉを有する。なお、学習用データ５１＿ｉには、半導体素子３０＿ｉに関する情報が含まれる。
　学習用データセット５０は、図１Ａ、および図１Ｂに示す処理部１０２に入力されるデータＩＮ１から生成される。したがって、学習用データセット５０は、データＩＮ１に含まれるデータに対して抽出、加工、変換、選択、除去などを行うことで生成される。
　本実施の形態において、教師データは、半導体素子に関する情報のうち、半導体素子の特性である。つまり、本実施の形態で予測する対象は、半導体素子の特性である。
　また、本実施の形態において、入力データは、半導体装置に関する情報のうち、半導体素子の工程リストから作成されることが好ましい。つまり、入力データは、半導体装置に関する情報のうち、半導体素子の工程リストの一部を含むことが好ましい。予測する対象である半導体素子の特性は、チャネルが形成される層に用いる半導体材料の種類、ゲート電極として機能する層に用いる導電性材料の種類、ゲート絶縁膜として機能する層に用いる絶縁性材料の種類、これらの層それぞれの膜厚、これらの層それぞれの成膜条件などに影響される。なお、層に用いる材料の種類、層の膜厚、層の成膜条件などは、半導体素子の工程リストに含まれる。したがって、入力データは、半導体素子の工程リストから作成されることが好ましい。
　教師あり学習の学習用データセットに含まれるデータは、定量的データであることが好ましい。別言すると、当該データは、数値化されていることが好ましい。学習用データセットが数値以外のデータ（定性的データ）を含む場合と比べて、学習用データセットに含まれるデータが数値化されていることで、機械学習モデルが複雑になることを防ぐことができる。
　図４Ａに示す学習用データセット５０においては、入力データ５２＿１乃至入力データ５２＿ｍはそれぞれ、工程リスト１０＿１乃至工程リスト１０＿ｍから作成される。また、教師データ５３＿１乃至教師データ５３＿ｍはそれぞれ、特性２０＿１乃至特性２０＿ｍから作成される。
　なお、図４Ｂに示すように、入力データ５２＿１乃至入力データ５２＿ｍはそれぞれ、工程リスト１０＿１乃至工程リスト１０＿ｍと、半導体素子３０＿１乃至半導体素子３０＿ｍの形状に関する情報と、から作成されてもよい。入力データ５２＿１乃至入力データ５２＿ｍに、それぞれ半導体素子３０＿１乃至半導体素子３０＿ｍの形状に関する情報を加えることで、半導体素子の特性の予測精度を向上させることができる。
　なお、工程リスト１０＿１乃至工程リスト１０＿ｍのそれぞれの工程数は、同じであることが好ましい。これにより、学習用データセットまたは予測用データの作成を容易にすることができる。なお、学習用データセットまたは予測用データを作成する際、工程リストを取捨選択する。例えば、工程リストの一部を抽出する、または、工程リストの他の一部を取り除く。よって、工程リスト１０＿１乃至工程リスト１０＿ｍのそれぞれの工程数は、異なってもよい。
　上述したように、特性２０＿１乃至特性２０＿ｍは、数値化されたデータであるため、特に変換することなく、それぞれ教師データ５３＿１乃至教師データ５３＿ｍに含めることができる。
　なお、特性２０＿１乃至特性２０＿ｍが２変数データである場合、当該２変数データから特徴的な点の一または複数を抽出して、それぞれ教師データ５３＿１乃至教師データ５３＿ｍに含めてもよい。また、２変数のうちの一方の変数の値が等間隔となるように、当該２変数データから複数の点を抽出して、それぞれ教師データ５３＿１乃至教師データ５３＿ｍに含めてもよい。
　図５Ａは、半導体素子の信頼性試験で得られる結果を説明する図である。図５Ａでは、横軸は測定開始からの経過時間（ストレス時間ともいう）［ｈ］であり、縦軸はΔＶｓｈ［ｍＶ］である。例えば、時間Ａ１乃至時間Ａ１０、ならびに、時間Ａ１乃至時間Ａ１０におけるΔＶｓｈの値を抽出して、教師データとして用いるとよい。
　なお、時間Ａ１乃至時間Ａ１０の一部または全ては、ΔＶｓｈの値が特徴的であってもよい。または、時間Ａ１乃至時間Ａ１０は、等間隔であってもよい。または、時間Ａ１乃至時間Ａ１０の一部は、第１の間隔であって、それ以外の時間Ａ１乃至時間Ａ１０は、第１の間隔とは異なる第２の間隔であってもよい。
　また、抽出される時間および当該時間におけるΔＶｓｈの値の組の数は、１０個に限られず、１個以上９個以下または１１個以上であってもよい。
　図５Ｂは、半導体素子のＩｄ−Ｖｇ特性を説明する図である。Ｉｄ−Ｖｇカーブにおいて、ゲート電圧が０Ｖにおけるドレイン電流の値は、特徴的な点の一つである。例えば、当該ゲート電圧を電圧Ｂ４とする。電圧Ｂ４よりも低い電圧として、電圧Ｂ１乃至電圧Ｂ３を指定する。また、電圧Ｂ４よりも高い電圧として、電圧Ｂ５乃至電圧Ｂ１０を指定する。例えば、電圧Ｂ１乃至電圧Ｂ１０、ならびに、電圧Ｂ１乃至電圧Ｂ１０におけるドレイン電流の値を抽出して、教師データとして用いるとよい。または、電圧Ｂ４を除く電圧Ｂ１乃至電圧Ｂ１０のうちの一を、０Ｖとしてもよい。
　また、抽出される電圧および当該電圧におけるドレイン電流の値の組の数は、１０個に限られず、１個以上９個以下または１１個以上であってもよい。
＜＜入力データの作成方法＞＞
　ここで、図４Ａに示す入力データ５２＿１乃至入力データ５２＿ｍの作成方法について説明する。
　はじめに、入力データ５２＿１の作成方法について説明する。ここでは、入力データ５２＿１が工程リスト１０＿１から作成される例について、図６Ａ乃至図６Ｃを用いて説明する。
　工程リストには、複数の工程が、半導体素子の作製工程順に設定される。半導体素子を作製する際の工程として、例えば、成膜、洗浄、レジスト塗布、露光、現像、加工、加熱処理、検査、基板移載などの工程がある。
　また、工程リストに設定される複数の工程のそれぞれに対して、処理条件が指定される。例えば、成膜工程の処理条件として、装置、材料、膜厚、温度、圧力、電力、流量などがある。なお、成膜工程の処理条件は、半導体素子の特性に影響を与える場合がある。また、成膜以外の工程においても、処理条件、工程の有無、工程順序などによって、半導体素子の特性に影響を与える場合がある。
　処理条件は、定性的データと定量的データが混在しており、様々な尺度で値をとる。各々の工程における特徴量の類似性を表現するために、例えば、材料に関する定性的データは、材料毎に物性などの定量的データに変換し、そのセットで特徴量とするとよい。
　ここでは、工程リスト１０＿１が、ｎ個（ｎは２以上の整数である）の工程を有するとする。例えば、図６Ａに示す工程リスト１０＿１では、１番目の工程は基板移載工程であり、ｊ番目（ｊは２以上（ｎ−４）以下の整数である）の工程は成膜工程であり、（ｊ＋１）番目の工程は加工工程であり、（ｊ＋２）番目の工程は成膜工程であり、（ｊ＋３）番目の工程は加熱処理工程であり、ｎ番目の工程は基板移載工程であるとする。なお、図６Ａ、および図６Ｂに示すＮｏ．は、工程番号である。
　ｊ番目の工程（成膜工程）で指定される処理条件を、条件１乃至条件ｐ（ｐは２以上の整数である）とする。また、（ｊ＋１）番目の工程（加工工程）で指定される処理条件を、条件１乃至条件ｑ（ｑは１以上の整数である）とする。また、（ｊ＋２）番目の工程（成膜工程）で指定される処理条件を、条件１乃至条件ｒ（ｒは２以上の整数である）とする。また、（ｊ＋３）番目の工程（加熱処理工程）で指定される処理条件を、条件１乃至条件ｓ（ｓは１以上の整数である）とする。
　はじめに、工程リスト１０＿１に含まれるｎ個の工程から、一部の工程を抽出する。抽出される工程は、例えば、半導体素子の特性の寄与が大きいと推定される工程である。また、例えば、条件の変更が多い工程である。工程リスト１０＿１に含まれる工程の一部を抽出することで、機械学習における媒介変数の数を減らすことができる。別言すると、ニューラルネットワークを用いた教師あり学習における、入力層に含まれるニューロンの数を減らすことができる。これにより、隠れ層の層数および隠れ層のニューロンの数が最適化され、学習または推論の計算量または計算時間を減らすことができる。また、過学習を防ぐことができる場合がある。
　例えば、ｊ番目の工程（成膜工程）で指定される処理条件が、工程リスト１０＿１乃至工程リスト１０＿ｍの間で変更されることが多い場合、ｊ番目の工程（成膜工程）を、工程リスト１０＿１から抽出するとよい。また、例えば、（ｊ＋３）番目の工程（加熱処理工程）が、半導体素子の特性の寄与が大きいと推定される場合、（ｊ＋３）番目の工程（加熱処理工程）を、工程リスト１０＿１から抽出するとよい。
　または、工程リスト１０＿１に含まれるｎ個の工程から、上記とは異なる一部の工程を取り除いてもよい。取り除かれる工程は、例えば、半導体の特性の寄与が小さいと推定される工程である。また、例えば、処理条件が変更されていない工程である。上記とは異なる一部の工程を取り除くことで、機械学習における媒介変数の数を減らすことができる。別言すると、ニューラルネットワークを用いた教師あり学習における、入力層に含まれるニューロンの数を減らすことができる。これにより、隠れ層の層数および隠れ層のニューロンの数が最適化され、学習または推論の計算量または計算時間を減らすことができる。また、過学習を防ぐことができる場合がある。
　例えば、基板移載工程（１番目の工程、およびｎ番目の工程）は、半導体素子の特性に影響を与えないと推定される。よって、基板移載工程（１番目の工程、およびｎ番目の工程）を、工程リスト１０＿１から取り除くとよい。また、例えば、（ｊ＋１）番目の工程（加工工程）で指定される処理条件、および（ｊ＋２）番目の工程（成膜工程）で指定される処理条件のそれぞれが、工程リスト１０＿１乃至工程リスト１０＿ｍの間で同じである場合、（ｊ＋１）番目の工程（加工工程）、および（ｊ＋２）番目の工程（成膜工程）を、工程リスト１０＿１から取り除くとよい。
　以上より、工程リスト１０＿１から一部の工程が抽出される。または、工程リスト１０＿１から、上記とは異なる一部の工程が取り除かれる。図６Ｂでは、ｊ番目の工程、（ｊ＋３）番目の工程などが抽出された例が示されている。なお、図６Ｂに示す例は、１番目の工程、（ｊ＋１）番目の工程、（ｊ＋２）番目の工程、ｎ番目の工程などが取り除かれた場合でもある。
　次に、一部の工程が抽出された工程リスト１０＿１、または、当該一部の工程とは異なる一部の工程が取り除かれた工程リスト１０＿１に含まれる処理条件のデータを数値化する。
　上述したように、例えば、成膜工程の処理条件には、装置、材料、膜厚、温度、圧力、電力、流量などがある。膜厚、温度、圧力、電力、流量などは、値として設定されるため、これらの処理条件は、数値化されたデータである。よって、これらの処理条件は、特に変換することなく、入力データ５２＿１に含めることができる。
　各処理条件の設定値は、それぞれ単位が統一されていることが好ましい。単位を統一することで、学習用データセット５０に含まれるデータ量を削減することができる。よって、データの送受信、学習、推論などに費やす時間を低減することができる。
　装置に関するデータは、定性的データとして工程リストに含まれる場合がある。装置に関する定性的データは、例えば、装置名（略称、呼称なども含む）、装置に用いられている手法などである。
　また、材料に関するデータは、定性的データとして工程リストに含まれる場合がある。材料に関する定性的データは、例えば、材料の名称（略称、呼称なども含む）、組成式などである。
　上述したように、教師あり学習に用いる学習用データセットに含まれるデータは、数値化されていることが好ましい。そこで、工程リストに含まれる定性的データを数値化することが好ましい。
［装置に関する定性的データの数値化］
　ここでは、装置に関する定性的データの数値化について説明する。なお、成膜工程の条件１に、装置に関する定性的データとして装置名が入力される例を用いて説明する。
　成膜装置には、化学気相成長（ＣＶＤ：Ｃｈｅｍｉｃａｌ　Ｖａｐｏｒ　Ｄｅｐｏｓｉｔｉｏｎ）法を用いて成膜することが可能な装置（ＣＶＤ装置と呼ぶ場合がある）、スパッタリング法を用いて成膜することが可能な装置（スパッタリング装置と呼ぶ場合がある）、原子層堆積（ＡＬＤ：Ａｔｏｍｉｃ　Ｌａｙｅｒ　Ｄｅｐｏｓｉｔｉｏｎ）法を用いて成膜することが可能な装置（ＡＬＤ装置と呼ぶ場合がある）などがある。
　なお、ＣＶＤ法は、プラズマを利用するプラズマＣＶＤ（ＰＥＣＶＤ：Ｐｌａｓｍａ　Ｅｎｈａｎｃｅｄ　ＣＶＤ）法、熱を利用する熱ＣＶＤ（ＴＣＶＤ：Ｔｈｅｒｍａｌ　ＣＶＤ）法、光を利用する光ＣＶＤ（Ｐｈｏｔｏ　ＣＶＤ）法などに分類できる。よって、ＣＶＤ法では、手法によってＣＶＤ装置が異なる場合がある。つまり、複数のＣＶＤ装置が用意されている場合がある。スパッタリング装置、ＡＬＤ装置などについても同様である。
　処理条件として入力される装置に関するデータ（ここでは、装置名）は、定性的データである。そこで、装置に関する定性的データの数値化には、Ｌａｂｅｌ　Ｅｎｃｏｄｉｎｇを用いることが好ましい。例えば、装置名をＩＤで管理するとよい。装置名にはそれぞれ、工程リストＩＤとは異なる、ＩＤが割り振られるとよい。ここで、装置名に割り振られたＩＤを、装置ＩＤと表記する。
　図７Ａでは、装置名と装置ＩＤとの対応表を例示している。例えば、装置名がＣＶＤ１である場合、装置ＩＤを１とする。装置名がＣＶＤ２である場合、装置ＩＤを２とする。装置名がＳＰ１である場合、装置ＩＤを３とする。装置名を装置ＩＤに変換することで、装置名を数値データとして扱うことができる。
　上記対応表は、記憶部１０５に格納されるとよい。また、使用可能な装置が増えるたびに、新規の装置名と、当該新規の装置名に関連付けられた装置ＩＤとを、入力部１０１、記憶媒体、通信などを介して上記対応表に追加するとよい。
　なお、Ｌａｂｅｌ　Ｅｎｃｏｄｉｎｇを用いて装置に関する定性的データを数値化する方法について説明したが、装置に関する定性的データを数値化する方法はこれに限られない。装置に関する定性的データの数値化には、Ｏｎｅ−ｈｏｔ　Ｅｎｃｏｄｉｎｇ（１　ｏｆ　Ｋ　Ｅｎｃｏｄｉｎｇともいう）を用いてもよい。
　例えば、成膜工程に用いられうる装置の数がｔ（ｔは１以上の整数である）個である場合、装置名を、ｔ次元のＯｎｅ−ｈｏｔベクトルで表現するとよい。各工程のそれぞれに用いられうる装置の数が多くなければ、低次元のベクトルで表現することができる。よって、学習または推論の計算量または計算時間を減らすことができる。
　また、装置に関する定性的データを数値化する方法として、上記以外にも、例えば、Ｔａｒｇｅｔ　Ｅｎｃｏｄｉｎｇなどを用いてもよい。
　以上が、装置に関する定性的データの数値化についての説明である。
［材料に関する定性的データの数値化］
　ここでは、材料に関する定性的データの数値化について説明する。なお、成膜工程の条件２に、材料に関する定性的データとして材料の名称（略称、呼称なども含む）が入力される例を用いて説明する。また、当該材料は、無機材料とする。
　半導体素子に用いられる材料の結晶構造、膜質などは、処理条件によって変化する。さらには、被形成膜として用いられる材料、被形成面のラフネスなどによっても変化する。そのため、データベースなどを用いて、定性的データである材料の名称から定量的データである材料の物性（結晶構造、密度、誘電率など）に変換する場合、半導体素子の特性の予測精度が低下する恐れがある。そこで、本実施の形態では、材料に関する定性的データ（ここでは、材料の名称）を構成元素および組成に変換する。
　はじめに、材料の名称を、組成式に変換する。例えば、成膜工程の条件２として「酸化シリコン」が入力されている場合、「ＳｉＯ２」に変換するとよい。なお、材料の名称から組成式への変換は、概念辞書またはデータベースを用いてもよいし、予め作成した材料の名称と組成式との対応表を用いてもよい。
　次に、組成式を、構成元素および組成に変換する。例えば、材料が、元素Ｍ１、元素Ｍ２、元素Ｍ３、および元素Ｍ４で構成され、かつ、Ｍ１：Ｍ２：Ｍ３：Ｍ４＝ｗ：ｘ：ｙ：ｚの組成である場合、組成式を「Ｍ１、Ｍ２、Ｍ３、Ｍ４、ｗ：ｘ：ｙ：ｚ」または「Ｍ１、ｗ、Ｍ２、ｘ、Ｍ３、ｙ、Ｍ４、ｚ」に変換する。
　なお、組成は規格化されることが好ましい。例えば、ｗ＋ｘ＋ｙ＋ｚ＝１を満たすように、組成を規格化するとよい。これにより、構成元素の組み合わせが同一で、組成が異なる材料同士を区別することができる。
　なお、材料が１種類の元素で構成される場合、Ｍ２、Ｍ３、Ｍ４、ｘ、ｙ、ｚにはゼロと記述するとよい。同様に、材料が２種類の元素で構成される場合、Ｍ３、Ｍ４、ｙ、ｚにはゼロと記述するとよい。また、材料が３種類の元素で構成される場合、Ｍ４、ｚにはゼロと記述するとよい。
　具体的には、組成式が「ＳｉＯ２」である場合、「Ｓｉ、Ｏ、０、０、０．３３３：０．６６７：０：０」または「Ｓｉ、０．３３３、Ｏ、０．６６７、０、０、０、０」に変換する。
　上記では、構成元素が４種類以下である材料に適用できるように、元素の数と組成を記述しているが、これに限られない。例えば、構成元素が５種類以上である材料にも適用できるように、元素の数と組成を記述してもよい。または、例えば、半導体素子に用いられる材料の構成元素が３種類以下である場合、組成式を「Ｍ１、Ｍ２、Ｍ３、ｗ：ｘ：ｙ」または「Ｍ１、ｗ、Ｍ２、ｘ、Ｍ３、ｙ」に変換してもよい。これにより、機械学習における媒介変数の数を減らすことができる。これにより、隠れ層の層数および隠れ層のニューロンの数が最適化され、学習または推論の計算量または計算時間を減らすことができる。
　次に、元素を、元素の特性に変換する。元素の特性として、原子番号、族、周期、電子配置、原子量、原子半径、原子体積、電気陰性度、イオン化エネルギー、電子親和力、双極分極率、単体の融点、単体の沸点、単体の格子定数、単体の密度、単体の熱伝導率などがある。また、原子半径は、共有結合半径、ファンデルワールス半径、イオン半径、および金属結合半径から選ばれた一または複数とするとよい。
　特に、変換する元素の特性として、原子番号または電子配置と、電気陰性度とを選択することが好ましい。材料が単一の元素で構成される場合、材料の特徴は、原子番号および電気陰性度に現れやすい。また、材料が２以上の元素で構成される場合、電気陰性度は、異なる元素間での結合様式に現れやすい。例えば、電気陰性度が類似した元素間では、共有結合性または金属結合性が支配的となる。一方、電気陰性度が大きく異なる元素間では、イオン結合性が支配的となる。
　図７Ｂでは、元素と元素の特性との対応表を例示している。図７Ｂでは、元素の特性として、原子番号、電子配置、電気陰性度、単体の融点（Ｋ）などが含まれる。なお、元素から元素の特性への変換は、データベースなどを用いてもよいし、予め作成した元素と元素の特性との対応表を用いてもよい。
　具体的には、元素の特性として、原子番号、および電気陰性度を選択する場合、「Ｓｉ」は「１４、１．９０」に変換される。また、「Ｏ」は「８、３．４４」に変換される。
　以上により、成膜工程の条件２として入力される「酸化シリコン」を、「１４、１．９０、８、３．４４、０、０、０、０、０．３３３：０．６６７：０：０」または「１４、１．９０、０．３３３、８、３．４４、０．６６７、０、０、０、０、０、０」に変換することができる。したがって、材料に関する定性的データを数値化することができる。
　以上より、半導体素子の特性を第一原理的に予測することができる。また、用いたことがない材料を半導体素子に用いる場合でも、精度を落とすことなく、半導体素子の特性を予測することができる。さらに、データベースなどに記載されていない材料が半導体素子に用いられる場合でも、精度を落とすことなく、半導体素子の特性を予測することができる。
　なお、材料の名称から構成元素および組成への変換は、組成式を介さず直接行ってもよい。
　以上が、材料に関する定性的データの数値化についての説明である。
　以上より、図６Ｃに示すような、数値化されたデータで構成される入力データ５２＿１を作成することができる。具体的には、入力データ５２＿１は、図６Ｃに示す処理条件のデータを含む。なお、入力データ５２＿１は、工程番号を含んでもよい。
　なお、工程リストの取捨選択（抽出、または除去）を行う工程と、定性的データを定量的データに変換する工程の順序は上記に限られない。例えば、定性的データを定量的データに変換した後、工程リストの取捨選択（抽出、または除去）を行うことで、工程リスト１０＿１から入力データ５２＿１を作成してもよい。
　以上により、数値化されたデータを含む学習用データ５１＿１を生成することができる。なお、学習用データ５１＿２乃至学習用データ５１＿ｍは、学習用データ５１＿１と同様の構成を有する。つまり、上記方法により、学習用データ５１＿２乃至学習用データ５１＿ｍを生成することができる。
　図４Ａでは、入力データ５２＿１乃至入力データ５２＿ｍがそれぞれ、工程リスト１０＿１乃至工程リスト１０＿ｍから作成される場合を示しているが、これに限られない。例えば、図４Ｂに示すように、入力データ５２＿１乃至入力データ５２＿ｍはそれぞれ、工程リスト１０＿１乃至工程リスト１０＿ｍと、半導体素子３０＿１乃至半導体素子３０＿ｍの形状に関する情報と、から作成されてもよい。
　また、入力データ５２＿１乃至入力データ５２＿ｍはそれぞれ、工程リスト１０＿１乃至工程リスト１０＿ｍと、半導体素子３０＿１乃至半導体素子３０＿ｍの第１の特性と、から作成され、教師データ５３＿１乃至教師データ５３＿ｍはそれぞれ、半導体素子３０＿１乃至半導体素子３０＿ｍの第２の特性から作成されてもよい。
　上記において、第１の特性と、第２の特性とは、異ならせる。例えば、第１の特性を、半導体素子の特性値とし、第２の特性を、半導体素子の信頼性試験の結果とするとよい。半導体素子の信頼性に影響する要因は多く、各要因は複雑に絡んでいるため、経験による予測が難しい。よって、半導体素子の信頼性は、推測する対象として好適である。また、半導体素子の特性値には、半導体素子の製造プロセスなどの情報が間接的に含まれる。よって、入力データに半導体素子の特性値を追加することで、教師あり学習に当該情報が与えられ、半導体素子の特性の予測の精度を向上させることができる。
　なお、学習用データセット５０は、構造が同一または類似する半導体素子のデータのみで構成されてもよい。別言すると、学習用データセット５０は、半導体素子の構造別に作成されてもよい。これにより、半導体素子の特性の予測の精度を向上させることができる。また、学習用データセット５０は、構造に関わらず半導体素子のデータで構成されてもよい。これにより、汎用性の高い、半導体素子の特性の予測が可能となる。
　以上が、学習用データセットについての説明である。入力データと教師データとを用いて機械学習モデルを訓練することで、半導体素子の特性を予測することができる。
＜＜半導体素子の特性の予測用データ＞＞
　ここでは、半導体素子の特性の予測用データについて説明する。
　半導体素子の特性の予測用データは、図１Ａおよび図１Ｂに示す処理部１０２に入力されるデータＩＮ２から生成される。したがって、半導体素子の特性の予測用データは、データＩＮ２に含まれるデータに対して抽出、加工、変換、選択、除去などを行うことで生成される。
　データＩＮ２には、少なくとも半導体素子に関する情報が含まれる。なお、データＩＮ２には、半導体素子の特性などが含まれる場合がある。
　なお、半導体素子の特性の予測用データは、上述した学習用データの入力データと同様の構成を有するとよい。例えば、入力データ５２＿１乃至入力データ５２＿ｍがそれぞれ、工程リスト１０＿１乃至工程リスト１０＿ｍから作成される場合、半導体素子の特性の予測用データは、工程リスト１１から作成されるとよい。また、例えば、入力データ５２＿１乃至入力データ５２＿ｍがそれぞれ、工程リスト１０＿１乃至工程リスト１０＿ｍと、半導体素子３０＿１乃至半導体素子３０＿ｍの特性と、から作成される場合、半導体素子の特性の予測用データには、工程リスト１１と、工程リスト１１の工程リストＩＤと関連付けられている半導体素子の特性とから作成されるとよい。
　以上が、半導体素子の特性の予測用データについての説明である。
　本発明の一態様により、半導体素子に含まれる材料の物性などを用いずに、半導体素子の特性を予測することができる。また、過去の実験データを用いることで、半導体素子の構造の最適化を仮想スクリーニングによって高速化することができる。これは人がデータを閲覧し内挿的でなかったとしても、機械学習モデルの非線形もしくは高次な表現によって内挿的であるとみなすことができる場合がある。また、機械学習モデルが得た表現を断片的に切り出し、調べることで従来では気付かなかった法則性を知ることができる。
＜コンピュータ装置＞
　本項では、本発明の一態様である、半導体素子の特性予測システムを有するコンピュータ装置を、図８を用いて説明する。
　図８は、半導体素子の特性予測システムを有するコンピュータ装置を説明する図である。コンピュータ装置１０００は、演算装置１００１、メモリ１００２、入出力インターフェース１００３、通信デバイス１００４、およびストレージ１００５を有する。コンピュータ装置１０００は、入出力インターフェース１００３を介して、表示装置１００６ａ、およびキーボード１００６ｂと電気的に接続される。
　コンピュータ装置１０００は、ユーザが利用するパーソナルコンピュータなどの情報処理装置であってもよい。このとき、演算装置１００１は、図１Ａおよび図１Ｂに示す処理部１０２および演算部１０３を含む。また、ストレージ１００５は、図１Ａおよび図１Ｂに示す記憶部１０５および／または格納部１０６を含む。また、表示装置１００６ａは、図１Ａおよび図１Ｂに示す出力部１０４に相当する。また、キーボード１００６ｂは、図１Ａおよび図１Ｂに示す入力部１０１に相当する。
　学習済みモデルは、メモリ１００２に格納されてもよいし、ストレージ１００５に格納されてもよい。
　また、コンピュータ装置１０００は、ネットワーク（Ｎｅｔｗｏｒｋ）を介して、データベース１０１１、リモートコンピュータ１０１２、およびリモートコンピュータ１０１３と接続されてもよい。コンピュータ装置１０００は、通信デバイス１００４を介して、ネットワークインターフェース１００７と電気的に接続される。また、ネットワークインターフェース１００７は、ネットワーク（Ｎｅｔｗｏｒｋ）を介して、データベース１０１１、リモートコンピュータ１０１２、およびリモートコンピュータ１０１３と電気的に接続される。
　ここで、上記ネットワークには、ローカルエリアネットワーク（ＬＡＮ）、およびインターネットが含まれる。また、上記ネットワークは、有線、および無線のいずれか一方、または両方による通信を用いることができる。また、上記ネットワークにおいて無線通信を用いる場合、Ｗｉ−Ｆｉ（登録商標）、Ｂｌｕｅｔｏｏｔｈ（登録商標）などの近距離通信手段の他に、第３世代移動通信システム（３Ｇ）に準拠した通信手段、ＬＴＥ（３．９Ｇと呼ぶ場合もある）に準拠した通信手段、第４世代移動通信システム（４Ｇ）に準拠した通信手段、または第５世代移動通信システム（５Ｇ）に準拠した通信手段などの様々な通信手段を用いることができる。
　上述したように、半導体素子の特性予測システムの処理部をサーバに設け、クライアントＰＣからネットワーク経由でアクセスして利用する構成としてもよい。例えば、コンピュータ装置１０００を当該クライアントＰＣとみなし、リモートコンピュータ１０１２および／またはリモートコンピュータ１０１３を当該サーバとみなすとよい。
　このとき、リモートコンピュータ１０１２および／またはリモートコンピュータ１０１３に、図１Ａおよび図１Ｂに示す処理部１０２および演算部１０３が設けられる。つまり、リモートコンピュータ１０１２および／またはリモートコンピュータ１０１３が有する演算装置は、処理部１０２および演算部１０３を含む。また、データベース１０１１は、図１Ａおよび図１Ｂに示す記憶部１０５および／または格納部１０６を含む。
　以上より、本発明の一態様は、半導体素子の特性予測システムを提供することができる。また、本発明の一態様は、半導体素子の特性を予測する方法を提供することができる。また、本発明の一態様は、半導体素子の特性を予測するための学習用データセットを提供することができる。
　本実施の形態は、その一部を適宜組み合わせて実施することができる。
ＩＮ１：データ、ＩＮ２：データ、１０：複数の工程リスト、１０＿ｍ：工程リスト、１０＿１：工程リスト、１１：工程リスト、２０：複数の特性、２０＿ｍ：特性、２０＿１：特性、３０：複数の半導体素子、３０＿ｉ：半導体素子、３０＿ｍ：半導体素子、３０＿１：半導体素子、５０：学習用データセット、５１＿ｉ：学習用データ、５１＿ｍ：学習用データ、５１＿１：学習用データ、５１＿２：学習用データ、５２＿ｉ：入力データ、５２＿ｍ：入力データ、５２＿１：入力データ、５３＿ｉ：教師データ、５３＿ｍ：教師データ、５３＿１：教師データ、１００：特性予測システム、１０１：入力部、１０２：処理部、１０３：演算部、１０４：出力部、１０５：記憶部、１０６：格納部、１０００：コンピュータ装置、１００１：演算装置、１００２：メモリ、１００３：入出力インターフェース、１００４：通信デバイス、１００５：ストレージ、１００６ａ：表示装置、１００６ｂ：キーボード、１００７：ネットワークインターフェース、１０１１：データベース、１０１２：リモートコンピュータ、１０１３：リモートコンピュータ

Claims (5)

  1. 　学習用データセットに基づいて教師あり学習の学習を行い、前記学習の結果を基にして、予測用データから半導体素子の特性の推論を行う、半導体素子の特性予測システムであって、
    　前記半導体素子の特性予測システムは、記憶部と、入力部と、処理部と、演算部と、を有し、
    　前記処理部は、
    　前記記憶部に格納された第１のデータから前記学習用データセットを作成する機能と、
    　前記入力部から供給された第２のデータから前記予測用データを作成する機能と、
    　定性的データを定量的データに変換する機能と、
    　前記第１のデータおよび前記第２のデータに対して抽出、または除去を行う機能と、
    　を有し、
    　前記第１のデータは、第１の半導体素子乃至第ｍ（ｍは２以上の整数）の半導体素子の工程リスト、および、前記第１の半導体素子乃至前記第ｍの半導体素子の特性を含み、
    　前記第２のデータは、第ｍ＋１の半導体素子の工程リストを含み、
    　前記定性的データは、材料の名称、または組成式であり、
    　前記定量的データは、元素の特性、および組成であり、
    　前記演算部は、前記教師あり学習の学習および推論を行う機能を有する、
    　半導体素子の特性予測システム。
  2. 　請求項１において、
    　前記元素の特性は、原子番号、族、周期、電子配置、原子量、原子半径（共有結合半径、ファンデルワールス半径、イオン半径、または金属結合半径）、原子体積、電気陰性度、イオン化エネルギー、電子親和力、双極分極率、単体の融点、単体の沸点、単体の格子定数、単体の密度、および単体の熱伝導率のいずれか一または複数である、
    　半導体素子の特性予測システム。
  3. 　請求項１または請求項２において、
    　前記半導体素子の特性は、信頼性試験（＋ＧＢＴストレス試験、＋ＤＢＴストレス試験、−ＧＢＴストレス試験、＋ＤＧＢＴストレス試験、＋ＢＧＢＴストレス試験、または−ＢＧＢＴストレス試験）で得られるΔＶｓｈの経時変化である、
    　半導体素子の特性予測システム。
  4. 　請求項１または請求項２において、
    　前記半導体素子の特性は、Ｉｄ−Ｖｇ特性、またはＩｄ−Ｖｄ特性である、
    　半導体素子の特性予測システム。
  5. 　請求項１乃至請求項４のいずれか一において、
    　前記処理部は、
    　前記定性的データを、Ｌａｂｅｌ　Ｅｎｃｏｄｉｎｇを用いて数値化する機能を有する、
    　半導体素子の特性予測システム。
PCT/IB2020/060440 2019-11-15 2020-11-06 半導体素子の特性予測システム WO2021094881A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
US17/773,868 US20220414499A1 (en) 2019-11-15 2020-11-06 Property prediction system for semiconductor element
CN202080079074.2A CN114730698A (zh) 2019-11-15 2020-11-06 半导体元件的特性预测系统
JP2021555901A JPWO2021094881A1 (ja) 2019-11-15 2020-11-06

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2019207258 2019-11-15
JP2019-207258 2019-11-15

Publications (1)

Publication Number Publication Date
WO2021094881A1 true WO2021094881A1 (ja) 2021-05-20

Family

ID=75911939

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/IB2020/060440 WO2021094881A1 (ja) 2019-11-15 2020-11-06 半導体素子の特性予測システム

Country Status (4)

Country Link
US (1) US20220414499A1 (ja)
JP (1) JPWO2021094881A1 (ja)
CN (1) CN114730698A (ja)
WO (1) WO2021094881A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114841378A (zh) * 2022-07-04 2022-08-02 埃克斯工业(广东)有限公司 晶圆特征参数预测方法、装置、电子设备及可读存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05190458A (ja) * 1991-11-15 1993-07-30 Fuji Electric Co Ltd 学習予測・指示機能付半導体製造装置
JP2008021805A (ja) * 2006-07-12 2008-01-31 Sharp Corp テスト結果予測装置、テスト結果予測方法、半導体テスト装置、半導体テスト方法、システム、プログラム、および記録媒体
JP2017536584A (ja) * 2014-11-25 2017-12-07 ストリーム モザイク，インコーポレイテッド 半導体製造プロセスのための改善されたプロセス制御技術
JP2019159864A (ja) * 2018-03-14 2019-09-19 株式会社日立ハイテクノロジーズ 探索装置、探索方法及びプラズマ処理装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05190458A (ja) * 1991-11-15 1993-07-30 Fuji Electric Co Ltd 学習予測・指示機能付半導体製造装置
JP2008021805A (ja) * 2006-07-12 2008-01-31 Sharp Corp テスト結果予測装置、テスト結果予測方法、半導体テスト装置、半導体テスト方法、システム、プログラム、および記録媒体
JP2017536584A (ja) * 2014-11-25 2017-12-07 ストリーム モザイク，インコーポレイテッド 半導体製造プロセスのための改善されたプロセス制御技術
JP2019159864A (ja) * 2018-03-14 2019-09-19 株式会社日立ハイテクノロジーズ 探索装置、探索方法及びプラズマ処理装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114841378A (zh) * 2022-07-04 2022-08-02 埃克斯工业(广东)有限公司 晶圆特征参数预测方法、装置、电子设备及可读存储介质

Also Published As

Publication number Publication date
CN114730698A (zh) 2022-07-08
US20220414499A1 (en) 2022-12-29
JPWO2021094881A1 (ja) 2021-05-20

Similar Documents

Publication Publication Date Title
Chen et al. Wafer-scale integration of two-dimensional materials in high-density memristive crossbar arrays for artificial neural networks
JP5020562B2 (ja) シミュレーション装置、シミュレーション方法、及び半導体装置の製造方法
JP2024036354A (ja) 言語タスクのための対照事前トレーニング
Ning et al. An in-memory computing architecture based on a duplex two-dimensional material structure for in situ machine learning
Djeffal et al. An approach based on neural computation to simulate the nanoscale CMOS circuits: Application to the simulation of CMOS inverter
WO2021094881A1 (ja) 半導体素子の特性予測システム
TW202032436A (zh) 高度共線響應空間中的規範性分析
WO2020234685A1 (ja) 半導体素子の電気特性予測方法
Choe et al. Machine learning-assisted statistical variation analysis of ferroelectric transistor: From experimental metrology to adaptive modeling
Li et al. Tunable Linearity of Weight Update in Low Voltage Synaptic Transistors with Periodic High‐k Laminates
Jamil et al. Model selection in online learning for times series forecasting
JP2010062441A (ja) シミュレーション装置、及びシミュレーション方法
JP5906079B2 (ja) ドレイン電流のシミュレーション装置及びドレイン電流のシミュレーションプログラム
Kumar et al. A Machine Learning Approach for Optimizing and Accurate Prediction of Performance Parameters for Stacked Nanosheet Transistor
CN112115243A (zh) 通过对时序时间相关性建模的会话表示学习方法
Yarmohamadi et al. An enhanced adaptive global‐best harmony search algorithm for continuous optimization problems
Xie et al. Compact modeling of metal–oxide TFTs based on the Bayesian search-based artificial neural network and genetic algorithm
Kim et al. Neural network model of plasma charging damage on MOSFET device
Wu et al. Machine Learning Approach for Device-Circuit Co-Optimization of Stochastic-Memristive-Device-Based Boltzmann Machine
US20210232746A1 (en) Simulation method for characteristics of transistor, simulation method for characteristics of electronic circuit including transistor, and nontransitory recording medium that stores simulation program for characteristics of transistor
Raj et al. Machine learning based prediction of I–V and transconductance curves for 3D multichannel junctionless FinFET
Fino Nanoelectronic Challenges and Opportunities for Cyber-Physical Systems
Yu et al. Quantitative evaluation of process-induced line-edge roughness in FinFET: Bayesian regression model
Kuo et al. Process parameter optimization of scanning probe lithography for anodic oxidation of nanowire
Shapiai et al. Recipe generation from small samples by weighted kernel regression

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: 20887216

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2021555901

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 20887216

Country of ref document: EP

Kind code of ref document: A1