WO2022185969A1 - データ収集システム、データ収集装置、データ収集方法及びデータ収集プログラム - Google Patents

データ収集システム、データ収集装置、データ収集方法及びデータ収集プログラム Download PDF

Info

Publication number
WO2022185969A1
WO2022185969A1 PCT/JP2022/006954 JP2022006954W WO2022185969A1 WO 2022185969 A1 WO2022185969 A1 WO 2022185969A1 JP 2022006954 W JP2022006954 W JP 2022006954W WO 2022185969 A1 WO2022185969 A1 WO 2022185969A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
processing
substrate
shape
space
Prior art date
Application number
PCT/JP2022/006954
Other languages
English (en)
French (fr)
Inventor
剛 守屋
弘典 茂木
和哉 魚山
貴仁 松沢
勇樹 片岡
Original Assignee
東京エレクトロン株式会社
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 東京エレクトロン株式会社 filed Critical 東京エレクトロン株式会社
Priority to KR1020237032676A priority Critical patent/KR20230150332A/ko
Priority to JP2023503720A priority patent/JPWO2022185969A1/ja
Priority to CN202280017209.1A priority patent/CN116941012A/zh
Publication of WO2022185969A1 publication Critical patent/WO2022185969A1/ja
Priority to US18/455,067 priority patent/US20230395411A1/en

Links

Images

Classifications

    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
    • H01L21/67005—Apparatus not specifically provided for elsewhere
    • H01L21/67242—Apparatus for monitoring, sorting or marking
    • H01L21/67276—Production flow monitoring, e.g. for increasing throughput
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
    • H01L21/67005—Apparatus not specifically provided for elsewhere
    • H01L21/67242—Apparatus for monitoring, sorting or marking
    • H01L21/67288—Monitoring of warpage, curvature, damage, defects or the like
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/9501—Semiconductor wafers
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/401—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by control arrangements for measuring, e.g. calibration and initialisation, measuring workpiece for machining purposes
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/4183—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by data acquisition, e.g. workpiece identification
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
    • H01J37/32—Gas-filled discharge tubes
    • H01J37/32431—Constructional details of the reactor
    • H01J37/32798—Further details of plasma apparatus not provided for in groups H01J37/3244 - H01J37/32788; special provisions for cleaning or maintenance of the apparatus
    • H01J37/32899—Multiple chambers, e.g. cluster tools
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
    • H01J37/32—Gas-filled discharge tubes
    • H01J37/32917—Plasma diagnostics
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
    • H01J37/32—Gas-filled discharge tubes
    • H01J37/32917—Plasma diagnostics
    • H01J37/32926—Software, data control or modelling
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/02—Manufacture or treatment of semiconductor devices or of parts thereof
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
    • H01L21/67005—Apparatus not specifically provided for elsewhere
    • H01L21/67242—Apparatus for monitoring, sorting or marking
    • H01L21/67253—Process monitoring, e.g. flow or thickness monitoring
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
    • H01L21/67005—Apparatus not specifically provided for elsewhere
    • H01L21/67242—Apparatus for monitoring, sorting or marking
    • H01L21/67282—Marking devices
    • H—ELECTRICITY
    • H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
    • H05H—PLASMA TECHNIQUE; PRODUCTION OF ACCELERATED ELECTRICALLY-CHARGED PARTICLES OR OF NEUTRONS; PRODUCTION OR ACCELERATION OF NEUTRAL MOLECULAR OR ATOMIC BEAMS
    • H05H1/00—Generating plasma; Handling plasma
    • H05H1/0006—Investigating plasma, e.g. measuring the degree of ionisation or the electron temperature
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/31—From computer integrated manufacturing till monitoring
    • G05B2219/31282—Data acquisition, BDE MDE
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/45—Nc applications
    • G05B2219/45031—Manufacturing semiconductor wafers

Definitions

  • the present disclosure relates to a data collection system, data collection device, data collection method, and data collection program.
  • optimal processing conditions are searched for by repeating experiments while changing processing conditions so that the substrate shape after processing matches the target substrate shape. is done.
  • the target substrate of the mass production machine may not be suitable. In some cases, no shape is obtained. Further experiments are required in such cases. For this reason, in order to efficiently search for optimum processing conditions, it is desirable to collect data equivalent to that of mass-produced machines during experiments.
  • the present disclosure provides a data collection system, data collection device, data collection method, and data collection program for collecting appropriate data in searching for processing conditions in substrate processing.
  • a data collection system has, for example, the following configuration. Namely a first substrate processing apparatus having a first processing space; a second substrate processing apparatus having a second processing space different from the first processing space; A data collection system having a data collection device connected to the substrate processing apparatus, Substrates of the same or similar shape are processed in the first processing space and the second processing space under the same processing conditions, respectively, and observation data observed by the substrates are compared, and the second processing is performed.
  • a correction amount calculation unit that calculates a correction amount for correcting observation data observed by being processed in space; When searching for processing conditions by processing substrates under different processing conditions in the second processing space, observation data observed by being processed in the second processing space is processed based on the correction amount.
  • a collecting unit that corrects and collects observation data after correction.
  • FIG. 1 is a diagram showing an overview of the configuration and processing of a data collection system according to the first embodiment.
  • FIG. 2 is a diagram showing a specific example of calibration amount calculation processing executed by the data collection system according to the first embodiment.
  • FIG. 3 is a diagram showing a specific example of correction amount calculation processing executed by the data collection system according to the first embodiment.
  • FIG. 4 is a diagram showing a specific example of data collection processing and condition change processing executed by the data collection system according to the first embodiment.
  • FIG. 5 is a diagram showing an example of collected data.
  • FIG. 6 is a diagram showing specific examples of virtual measurement model learning processing, shape simulation model learning processing, and condition narrowing processing executed by the data collection system according to the first embodiment.
  • FIG. 7 is a diagram showing a detailed concrete example of the virtual measurement model learning process.
  • FIG. 8 is a diagram showing a detailed specific example of shape simulation model learning processing.
  • FIG. 9 is a diagram showing a detailed specific example of the condition narrowing process.
  • FIG. 10 is a diagram showing a specific example of virtual measurement processing and shape simulation processing executed by the data collection system according to the first embodiment.
  • FIG. 11 is a diagram illustrating an example of a hardware configuration of a data collection device and a data analysis device;
  • FIG. 12 is a diagram showing an overview of the configuration and processing of a data collection system according to the second embodiment.
  • FIG. 13 is a diagram showing a specific example of correction amount calculation processing executed by the data collection system according to the second embodiment.
  • FIG. 14 is a diagram showing a specific example of correction amount calculation processing executed by the data collection system according to the third embodiment.
  • FIG. 1 is a diagram showing an overview of the configuration and processing of a data collection system according to the first embodiment.
  • the data collection system 100 includes: - A substrate processing apparatus 110, which is an example of a reference substrate processing apparatus; - A substrate processing apparatus A120, which is an example of a first substrate processing apparatus, - Substrate processing apparatus B131, substrate processing apparatus C132, substrate processing apparatus D133, which are examples of the second substrate processing apparatus, a data collection device 140; a data analysis device 150, have
  • the data collection system 100 is applied, for example, in a scene where a substrate processing apparatus manufacturer supports a substrate manufacturer so that the substrate manufacturer can mass-produce substrates having a target substrate shape.
  • the substrate processing apparatus 110 is, for example, a so-called mass production machine installed in a substrate manufacturer.
  • the substrate processing apparatus 110 has a reference chamber, which is an example of a reference processing space, and processes substrates under predetermined processing conditions.
  • Various observation sensors are attached to the substrate processing apparatus 110, and observation data observed by the various observation sensors during substrate processing is output.
  • the substrate processing apparatus A120 is installed, for example, in a substrate processing apparatus manufacturer (same as a mass-produced machine).
  • the substrate processing apparatus A120 has a first chamber, which is an example of the same first processing space as the reference processing space, and processes substrates under predetermined processing conditions.
  • Various observation sensors are attached to the substrate processing apparatus A120, and observation data observed by the various observation sensors during substrate processing is output.
  • the substrate processing apparatus B131 is, for example, a so-called experimental machine installed in a substrate processing apparatus manufacturer.
  • the substrate processing apparatus B131 has a second chamber, which is an example of a second processing space identical to the reference processing space, and processes substrates under predetermined processing conditions.
  • Various observation sensors are attached to the substrate processing apparatus B131, and observation data observed by the various observation sensors during substrate processing is output.
  • a plasma probe is additionally mounted in the second chamber to output plasma measurement data measured by the plasma probe during substrate processing.
  • the substrate processing apparatus C132 is installed, for example, at a substrate processing apparatus manufacturer (experimental machine).
  • the substrate processing apparatus C132 has a third chamber, which is an example of a second processing space identical to the reference processing space, and processes substrates under predetermined processing conditions.
  • Various observation sensors are attached to the substrate processing apparatus C132, and observation data observed by the various observation sensors during substrate processing is output.
  • a wear amount sensor is additionally installed in the third chamber, and the wear amount measurement data indicating the wear amount of the parts in the third chamber measured by the wear amount sensor during substrate processing. to output
  • the substrate processing apparatus D133 is installed, for example, at a substrate processing apparatus manufacturer (experimental machine).
  • the substrate processing apparatus D133 has a fourth chamber, which is an example of a second processing space identical to the reference processing space, and processes substrates under predetermined processing conditions.
  • Various observation sensors are attached to the substrate processing apparatus D133, and observation data observed by the various observation sensors during substrate processing is output.
  • a particle sensor is additionally installed in the fourth chamber, and outputs particle measurement data indicating particles in the fourth chamber measured by the particle sensor during processing of the substrate.
  • the data collection system 100 includes a shape measuring device that measures the shape of the substrate before processing and the substrate after processing, and is configured to output measured shape data. shall be
  • the data collection device 140 is installed, for example, in a substrate processing device manufacturer.
  • the data collection device 140 is connected to the substrate processing devices 110, A 120, B 131 to D 133, and a shape measuring device (not shown).
  • the data collection device 140 collects the processing conditions used when each substrate processing apparatus processes the substrate, and observation data observed by various observation sensors while each substrate processing apparatus is processing the substrate.
  • the data collection device 140 collects shape data measured on pre-processed substrates and post-processed substrates processed by each substrate processing apparatus.
  • the data collection device 140 collects plasma measurement data, consumption measurement data, and particle measurement data, which are respectively measured by the plasma probe, the consumption amount sensor, and the particle sensor while the substrate processing apparatuses B131 to D133 are processing the substrates. Collect data.
  • the data analysis device 150 is installed, for example, in a substrate processing device manufacturer.
  • the data analysis device 150 uses the data (collected data) collected by the data collection device 140 to perform learning processing on various models.
  • the processing executed by the data collection system 100 includes: ⁇ "Experimental phase for searching for optimal conditions” ⁇ "Processing phase under optimal conditions", can be roughly divided into
  • the experimental phase for searching for optimum conditions is the phase for searching for the optimum processing conditions for realizing the target substrate shape.
  • the processing phase under optimum conditions is a phase in which the substrate is processed under the optimum processing conditions that have been found. An outline of the processing in each phase will be described below.
  • step S161 the substrate processing apparatus 110, the substrate processing apparatus A 120, and the data collection apparatus 140 perform calibration amount calculation processing.
  • the substrate processing apparatus 110 and the substrate processing apparatus A 120 process substrates of the same or similar shape under the same processing conditions, so that observation data observed by various observation sensors are Data collection device 140 collects.
  • the data collection device 140 also calculates a calibration amount for calibrating the difference in observation data based on the "instrumental difference" between the substrate processing apparatus 110 and the substrate processing apparatus A120.
  • the data collection device 140 calibrates the observation data output from the substrate processing apparatus A 120 based on the calculated calibration amount. As a result, the data collection device 140 collects the same observation data as the observation data output when substrates of the same or similar shape are processed by the substrate processing device 110 under the same processing conditions. It can be collected from processor A120.
  • step S162 the substrate processing apparatus A120, the substrate processing apparatuses B131 to D133, and the data collection apparatus 140 perform correction amount calculation processing. Specifically, the substrate processing apparatus A 120 and the substrate processing apparatuses B 131 to D 133 process substrates of the same or similar shape under the same processing conditions, and are observed by various observation sensors. The data collection device 140 collects the observed data.
  • the data collection device 140 calculates the difference between various observation data collected from the substrate processing apparatus A 120 and the substrate processing apparatus B 131, thereby correcting the influence of disturbance caused by attaching the plasma probe in the second chamber. Calculate the amount of correction for
  • the data collection device 140 corrects the observation data output from the substrate processing apparatus B 131 based on the calculated correction amount. As a result, the data collection device 140 collects the same observation data as the observation data collected when substrates of the same or similar shape are processed by the substrate processing apparatus A 120 under the same processing conditions. It can be collected from the processing device B131.
  • the data collection device 140 calculates the difference between the various observation data collected from the substrate processing apparatus A 120 and the substrate processing apparatus C 132 to determine the influence of the disturbance caused by installing the consumption amount sensor in the third chamber. A correction amount for correcting is calculated.
  • the data collection device 140 corrects the observation data output from the substrate processing device C132 based on the calculated correction amount. As a result, the data collection device 140 collects the same observation data as the observation data collected when substrates of the same or similar shape are processed by the substrate processing apparatus A 120 under the same processing conditions. It can be collected from processor C132.
  • the data collection device 140 calculates the difference between various observation data collected from the substrate processing apparatus A 120 and the substrate processing apparatus D 133, thereby estimating the influence of disturbance caused by installing the particle sensor in the fourth chamber. A correction amount for correction is calculated.
  • the data collection device 140 corrects the observation data output from the substrate processing device D133 based on the calculated correction amount. As a result, the data collection device 140 collects the same observation data as the observation data collected when substrates of the same or similar shape are processed by the substrate processing apparatus A 120 under the same processing conditions. It can be collected from the processing device D133.
  • step S163 the data collection device 140 selects the processing conditions to be used when the substrate processing apparatuses B131 to D133 process substrates in order to search for the optimum processing conditions for realizing the target substrate shape. change.
  • the data collection device 140 also sets the changed processing conditions to the substrate processing apparatuses B131 to D133.
  • step S164 the substrate processing apparatuses B131 to D133 and the data collection apparatus 140 perform data collection processing.
  • the substrate processing apparatuses B131 to D133 process substrates of the same or similar shape under the changed processing conditions, and obtain various observation data, plasma measurement data, consumption amount measurement data, Output particle measurement data.
  • a shape measuring device (not shown) outputs shape data of the unprocessed substrate and shape data of the processed substrate.
  • the data collection device 140 corrects various observation data using the correction amount, and collects various observation data after correction.
  • the data collection device 140 also collects plasma measurement data output from the substrate processing apparatus B 131, consumption amount measurement data output from the substrate processing apparatus C 132, and particle measurement data output from the substrate processing apparatus D 133 (these are referred to as “various measurement data”). data).
  • the data collection device 140 collects shape data of the pre-processed substrate and shape data of the post-processed substrate (these are referred to as “various shape data”) output from a shape measuring device (not shown).
  • the data collection device 140 displays collected data (previous processing conditions, various observation data, various measurement data, various shape data) to the experimenter. Accordingly, the experimenter can observe various shape data while referring not only to various observation data, but also to various measurement data, which are detailed data representing the state inside the chamber. As a result, the experimenter can set, as the next processing conditions, more appropriate processing conditions for approximating the target substrate shape, and can efficiently search for the optimum processing conditions.
  • condition change process in step S163 and the data collection process in step S164 are repeatedly executed. Further, after the predetermined number of repetitions, the correction amount calculation process of step S162 is executed. This is because various measurement data output from the substrate processing apparatuses B131 to D133 change with time, and by periodically updating the correction amount, the influence of disturbance can always be eliminated.
  • the data collection device 140 can search for the optimum processing conditions by: ⁇ Influence of machine difference, ⁇ The influence of the disturbance, Observation data (observation data equivalent to observation data output from the mass-produced substrate processing apparatus 110) can be collected from the substrate processing apparatuses B131 to D133.
  • the virtual measurement model is a model for predicting various measurement data (plasma measurement data, consumption measurement data, particle measurement data) during substrate processing based on various observation data.
  • the data analysis device 150 performs learning processing using various observation data as input data and various measurement data as correct data. As a result, the data analysis device 150 can generate a learned virtual measurement model.
  • the generated learned virtual measurement model is installed, for example, in the substrate processing apparatus 110 that is not equipped with a plasma probe, consumption amount sensor, or particle sensor.
  • the substrate processing apparatus 110 predicts the plasma measurement data, the consumption measurement data, and the particle measurement data based on various observation data when processing the substrate in the "processing phase under the optimum conditions", and informs the operator, etc. can be displayed.
  • step S166 the data analysis device 150 uses the collected data to perform learning processing on the shape simulation model.
  • a shape simulation model is a model for predicting shape data of a post-processing substrate when the substrate is processed.
  • the data analysis device 150 various observation data, various measurement data, processing conditions, shape data of the substrate before processing are used as input data, and shape data of the substrate after processing is used as correct data to perform learning processing. As a result, the data analysis device 150 generates a learned shape simulation model.
  • the generated learned shape simulation model is mounted on the substrate processing apparatus 110, for example.
  • the shape data of the processed substrate after processing the substrate can be predicted in the “processing phase under the optimum conditions”.
  • step S166 ends (if the difference from the target substrate shape is equal to or greater than a predetermined threshold value), the processing conditions continue to be adjusted. Continue to search for the optimum processing conditions while making changes.
  • step S167 the substrate processing apparatus A120, the substrate processing apparatuses B131 to D133, and the data collection apparatus 140 perform correction amount calculation processing.
  • the correction amount calculation processing in step S167 is the same as the correction amount calculation processing in step S162, and thus description thereof is omitted here.
  • step S168 the data collection device 140 and the data analysis device 150 perform a condition narrowing process to narrow down the processing conditions using the learned shape simulation model generated in step S166.
  • the data analysis device 150 uses the learned shape simulation model to predict the shape data of the processed substrate, thereby narrowing down the processing conditions for approximating the target substrate shape.
  • the data analysis device 150 narrows down processing conditions for which collected data has not been obtained in order to improve the prediction accuracy of the learned shape simulation model.
  • the data analysis device 150 uses the processing conditions narrowed down from the viewpoint of searching for the optimum processing conditions or the processing conditions narrowed down from the viewpoint of improving the prediction accuracy as the processing conditions after the change as the substrate processing apparatus.
  • B131 to substrate processing apparatus D133 are set.
  • step S169 the substrate processing apparatuses B131 to D133 and the data collection apparatus 140 perform data collection processing. Note that the data collection processing in step S169 is the same as the data collection processing in step S164, so the description is omitted here.
  • condition narrowing process in step S168 and the data collection process in step S169 are also repeatedly executed in the same manner as the condition change process in step S163 and the data collection process in step S164.
  • the processing conditions are appropriately narrowed down in step S168, so the speed of approaching the optimum processing conditions is accelerated (that is, the optimum processing conditions are searched more efficiently). can do).
  • step S167 when the substrate processing under the changed processing conditions is repeated a predetermined number of times, the correction amount calculation processing of step S167 is executed, and the substrate processing apparatuses B131 to D133 output the correction amounts. It corrects the effects of changes in various observation data over time.
  • the process shifts to the "optimal conditions processing phase".
  • the substrate processing apparatus 110 equipped with the learned virtual measurement model and the learned shape simulation model generated in the experiment phase for searching for optimal conditions is used to perform processing under optimal processing conditions. Process the substrate.
  • step S171 the substrate processing apparatus 110 executes a virtual measurement process when processing a substrate under optimum processing conditions.
  • various observation data observed during substrate processing are input to the learned virtual measurement model, and various measurement data (plasma measurement data, consumption measurement data, particle measurement data) are predicted.
  • various types of predicted measurement data are displayed to the operator or the like.
  • step S172 the substrate processing apparatus 110 executes shape simulation processing when processing the substrate under optimum processing conditions.
  • various observation data observed during substrate processing various predicted measurement data, processing conditions, and shape data of the substrate before processing are input to the learned shape simulation model.
  • the shape data of the processed substrate is predicted, and the predicted shape data is displayed to the operator or the like.
  • the operator can determine the quality of the processed substrates without performing a 100% inspection of the processed substrates.
  • Step S161 a specific example of the calibration amount calculation process (step S161) executed by the data collection system 100 will be described.
  • FIG. 2 is a diagram showing a specific example of calibration amount calculation processing executed by the data collection system according to the first embodiment.
  • data M_ ⁇ 0” and “observation data M_A0” are output.
  • a data collection program is installed in the data collection device 140, and by executing the program, the data collection device 140 - Calibration amount calculation unit 210, - Correction amount calculation unit 220, - collection unit 230, ⁇ Condition change unit 240, function as
  • FIG. 3 is a diagram showing a specific example of correction amount calculation processing executed by the data collection system according to the first embodiment.
  • Data M_A1” to “Observation Data M_D1” are shown.
  • FIG. 4 is a diagram showing a specific example of data collection processing and condition change processing executed by the data collection system according to the first embodiment.
  • step S163 the condition change unit 240 of the data collection device 140 operates.
  • ⁇ Observation data “Observation data M_B2”, “Observation data M_B3”, .
  • ⁇ Measurement data “measurement data I_B2”, “measurement data I_B3”, . . . , is output.
  • ⁇ Observation data “Observation data M_C2”, “Observation data M_C3”, .
  • ⁇ Measurement data “measurement data I_C2”, “measurement data I_B3”, . . . , is output.
  • ⁇ Observation data “Observation data M_D2”, “Observation data M_D3”, .
  • - Measurement data "measurement data I_D2", "measurement data I_D3", ..., is output.
  • the collection unit 230 of the data collection device 140 operates. As shown in FIG. 4, the collection unit 230 has storage units 401 , 403 and 405 and correction storage units 402 , 404 and 406 .
  • FIG. 5 is a diagram showing an example of collected data.
  • the collected data 500 includes “processing conditions”, “observation data”, “measurement data”, “pre-processing substrate shape data”, and “post-processing substrate shape data” as information items.
  • Observation data stores observed values such as DC self-bias voltage, potential difference, reflected wave power, gas flow rate, plasma density, ion energy, and ion flow rate.
  • Observation data “observation data M_B1”, “observation data M_C1”, and “observation data M_D1” are each composed of a combination of these observation values.
  • Measurement data stores the measurement values of the additionally installed sensors, such as plasma measurement data, consumption measurement data, and particle measurement data.
  • the measurement data “measurement data I_B1” includes the measured value of the plasma measurement data.
  • the measurement data “measurement data I_C1” includes the measured value of the consumption amount measurement data.
  • the measurement data “measurement data I_D1” includes the measurement value of the particle measurement data.
  • Pre-processing substrate shape data stores, for example, shape values such as critical dimension, depth, taper angle, tilt angle, and bowing.
  • Post-processing substrate shape data stores shape values such as critical dimension, depth, taper angle, tilt angle, and bowing.
  • step S165 Specific example of virtual measurement model learning process (step S165), shape simulation model learning process (step S166), and condition narrowing process (step S168) (4-1) Specific example (outline)
  • step S165 Specific example of virtual measurement model learning process
  • step S166 shape simulation model learning process
  • step S168 condition narrowing process
  • FIG. 6 is a diagram showing a specific example of virtual measurement model learning processing, shape simulation model learning processing, and condition narrowing processing executed by the data collection system according to the first embodiment.
  • a data analysis program is installed in the data analysis device 150, and when the program is executed, the data analysis device 150 a virtual measurement model learning unit 610; - shape simulation model learning unit 630, a learned shape simulation model 640; - A shape simulation control unit 650 (an example of a control unit and a determination unit), function as
  • the data analysis device 150 operates the virtual measurement model learning unit 610 to read the collected data 500 stored in the collected data storage unit 250.
  • the virtual measurement model learning unit 610 also uses the read collected data 500 to perform a learning process on the virtual measurement model.
  • the learned virtual measurement model 620 generated by performing the learning process on the virtual measurement model by the virtual measurement model learning unit 610 is mounted on the substrate processing apparatus 110 .
  • the shape simulation model learning unit 630 operates to read the collected data 500 stored in the collected data storage unit 250. Also, the shape simulation model learning unit 630 uses the read collected data 500 to perform a learning process on the shape simulation model.
  • the learned shape simulation model 640 generated by the learning process performed by the shape simulation model learning unit 630 is mounted on the substrate processing apparatus 110 . Also, the learned shape simulation model 640 is executed by the shape simulation control unit 650 in the condition narrowing process (step S168).
  • the shape simulation control unit 650 of the data analysis device 150 operates.
  • the shape simulation control unit 650 executes the learned shape simulation model under various processing conditions, and obtains prediction results for the shape data of the processed substrate. Further, the shape simulation control unit 650 compares the shape data of the processed substrate, which is the result of prediction, with the target substrate shape, thereby narrowing down the processing conditions that can realize the target substrate shape. Furthermore, the narrowed down processing conditions are notified to the condition change unit 240 of the data collection device 140 .
  • the condition changing unit 240 can set the processing conditions narrowed down from the viewpoint of searching for the optimum processing conditions to the substrate processing apparatuses B131 to D133 as the post-change processing conditions.
  • the shape simulation control unit 650 also refers to the collected data 500 stored in the collected data storage unit 250 to determine processing conditions that are not used for learning processing of the shape simulation model. Further, the shape simulation control section 650 notifies the condition changing section 240 of the determined processing conditions. Thereby, the condition changing unit 240 sets the processing conditions determined by the shape simulation control unit 650 to the substrate processing apparatuses B131 to D133 as the processing conditions after the change. As a result, data collection processing (step S169) is performed in the substrate processing apparatuses B131 to D133 and the data collection device 140, and the collected data 500 in the collected data storage unit 250 contains ⁇ Various observation data, ⁇ Various measurement data, ⁇ Various shape data (pre-processing board shape data, post-processing board shape data), will be newly stored.
  • the shape simulation control unit 650 performs a learned shape simulation using the determined processing conditions, various newly stored observation data, various measurement data, and various shape data (pre-process substrate shape data, post-process substrate shape data). Retraining is performed on the model. Note that the shape simulation control unit 650 repeats processing condition determination and re-learning processing a plurality of times. At this time, the shape simulation control unit 650 identifies a processing condition with low prediction accuracy, and notifies the condition changing unit 240 of the identified processing condition with low prediction accuracy (that is, re-learning processing for the learned shape simulation model).
  • condition changing unit 240 can set the processing conditions narrowed down from the viewpoint of improving the prediction accuracy of the learned shape simulation model 640 to the substrate processing apparatuses B131 to D133 as the post-change processing conditions. can.
  • FIG. 7 is a diagram showing a detailed concrete example of the virtual measurement model learning process.
  • the virtual measurement model learning unit 610 has a virtual measurement model 710 and a comparison/modification unit 720.
  • the set values stored in the "processing conditions" of the collected data 500 and the observed values stored in the "observation data” are input to the virtual measurement model 710 as input data.
  • the virtual measurement model 710 thereby outputs output data.
  • the measured value stored in the "measured data" of the collected data 500 is input to the comparison/change unit 720 as correct data.
  • Comparison/modification unit 720 calculates an error by comparing the output data output from virtual measurement model 710 and the measured value input as correct data, and changes virtual measurement model 710 according to the calculated error. Update model parameters.
  • virtual measurement model learning section 610 can generate learned virtual measurement model 620 .
  • FIG. 8 is a diagram showing a detailed specific example of shape simulation model learning processing.
  • the shape simulation model learning unit 630 has a shape simulation model 810 and a comparing/modifying unit 820.
  • the shape simulation model 810 the set values stored in the "processing conditions" of the collected data 500, the observed values stored in the “observation data”, the measured values stored in the “measurement data”, and the "before processing The shape values stored in the "board shape data” are input as input data. Thereby, the shape simulation model 810 outputs output data.
  • the shape value stored in the "processed substrate shape data" of the collected data 500 is input to the comparison/change unit 820 as correct data.
  • the comparison/modification unit 820 calculates an error by comparing the output data output from the shape simulation model 810 and the shape value input as correct data, and changes the shape simulation model 810 according to the calculated error. Update model parameters.
  • the shape simulation model learning unit 630 can generate the learned shape simulation model 640 .
  • FIG. 9 is a diagram showing details of a specific example of the condition narrowing process.
  • the shape simulation control unit 650 compares the acquired shape data (“shape data S101”, “shape data S102”, . . . ) with the shape data of the target substrate shape. Narrow down the processing conditions that can realize the substrate shape. Furthermore, the narrowed down processing conditions are notified to the condition change unit 240 of the data collection device 140 .
  • the shape simulation control unit 650 refers to the collected data 500 stored in the collected data storage unit 250 and determines processing conditions that are not used for learning processing of the shape simulation model.
  • a dashed line area 900 shown in the lower left of FIG. 9 schematically shows a searchable range as a processing condition.
  • a solid line area 910 schematically shows a range (interpolation range) used for learning processing of the shape simulation model.
  • the shape simulation control unit 650 narrows down the processing conditions with low prediction accuracy among the processing conditions not used in the learning process of the shape simulation model. .
  • FIG. 9 shows how the shape simulation control unit 650 has narrowed down the area other than the solid line area 910 to the solid line area 920 in the dashed line area 900 .
  • the shape simulation control unit 650 notifies the condition changing unit 240 of “condition x+1”, “condition x+2”, . . .
  • the state of inputting to the shape simulation model 640 is shown.
  • ⁇ Processing condition “condition x+1”, “condition x+2”, . . .
  • FIG. 10 is a diagram showing a specific example of virtual measurement processing and shape simulation processing executed by the data collection system according to the first embodiment.
  • processing condition “condition x”
  • observation data “observation data M_ ⁇ x”
  • the input to the model 640 is shown.
  • FIG. 11 is a diagram illustrating an example of a hardware configuration of a data collection device and a data analysis device
  • the data collection device 140 has a processor 1101, a memory 1102, an auxiliary storage device 1103, an I/F (Interface) device 1104, a communication device 1105, and a drive device 1106. .
  • Each piece of hardware of the data collection device 140 is interconnected via a bus 1107 .
  • the processor 1101 has various computing devices such as a CPU (Central Processing Unit) and a GPU (Graphics Processing Unit).
  • the processor 1101 reads various programs (for example, a data collection program, etc.) onto the memory 1102 and executes them.
  • the memory 1102 has main storage devices such as ROM (Read Only Memory) and RAM (Random Access Memory).
  • the processor 1101 and the memory 1102 form a so-called computer, and the processor 1101 executes various programs read onto the memory 1102, thereby realizing the various functions described above.
  • the auxiliary storage device 1103 stores various programs and various data used when the various programs are executed by the processor 1101 .
  • the collected data storage unit 250 described above is implemented in the auxiliary storage device 1103 .
  • the I/F device 1104 is a connection device that connects the display device 1108 , the operation device 1109 and the data collection device 140 .
  • the communication device 1105 is a communication device for communicating with the substrate processing apparatus 110, the substrate processing apparatus A 120, the substrate processing apparatuses B 131 to D 133, the shape measurement apparatus 1110, the data analysis apparatus 150, etc. via a network.
  • a drive device 1106 is a device for setting a recording medium 1111 .
  • the recording medium 1111 here includes media such as CD-ROMs, flexible disks, magneto-optical disks, etc., which record information optically, electrically or magnetically. Also, the recording medium 1111 may include a semiconductor memory or the like that electrically records information, such as a ROM or a flash memory.
  • auxiliary storage device 1103 Various programs to be installed in the auxiliary storage device 1103 are installed, for example, by setting the distributed recording medium 1111 in the drive device 1106 and reading out the various programs recorded in the recording medium 1111. Alternatively, various programs installed in the auxiliary storage device 1103 may be installed by being downloaded from the network via the communication device 1105 .
  • the processor 1121 reads the data analysis program onto the memory 1122 and executes it.
  • the communication device 1125 communicates with the substrate processing device 110 and the data collection device 140 .
  • the collection system A substrate processing apparatus A having a first chamber, substrate processing apparatuses B to D having a second chamber different from the first chamber, and data connected to the substrate processing apparatus A and the substrate processing apparatuses B to D and a collection device 140 .
  • Substrates of the same or similar shape are processed in the first chamber and the second chamber under the same conditions, and various observed data are compared and processed in the second chamber.
  • a correction amount for correcting various observation data is calculated.
  • the observation data observed by processing in the second chamber is corrected based on the correction amount. and collect the corrected observation data.
  • the collection system uses a plurality of substrate processing apparatuses to process substrates of the same or similar shape under the same conditions, and collects observation data corrected for the effects of disturbance. do.
  • the collection system according to the first embodiment is -
  • the first chamber is configured identically to the reference chamber of the reference substrate processing apparatus. • A calibration amount based on machine difference is calculated from various observation data observed when substrates of the same or similar shape are processed in the reference chamber and the first chamber under the same conditions.
  • the collection system according to the first embodiment is ⁇ A plasma probe, a consumption amount sensor, and a particle sensor are added to each of the second chambers of the substrate processing apparatuses B to D, and various measurement data (plasma measurement data, consumption amount measurement data, particle measurement data) during substrate processing are collected. data) and display it.
  • the processing conditions it is possible to change the processing conditions while referring to various measurement data, which are detailed data representing the state inside the chamber, and to efficiently search for the optimum processing conditions. be able to.
  • the collection system is Generating a trained virtual measurement model that predicts various measurement data during substrate processing.
  • ⁇ Perform learning processing including various measurement data during substrate processing, and generate a learned shape simulation model.
  • the collection system according to the first embodiment is - Install the generated learned virtual measurement model and learned shape simulation model in the substrate processing apparatus of the mass-production machine.
  • the same substrate processing apparatus A (mass production machine) as the substrate processing apparatus (reference substrate processing apparatus) installed in the substrate manufacturing manufacturer is installed in the substrate processing apparatus manufacturer.
  • the configuration of the data collection system is not limited to this.
  • the data collection system may be configured without installing the substrate processing apparatus A in the substrate processing apparatus manufacturer.
  • a data collection system according to the second embodiment will be described below.
  • FIG. 12 is a diagram showing an overview of the configuration and processing of a data collection system according to the second embodiment.
  • data collection system 1200 includes: - A substrate processing apparatus A1210, which is an example of a first substrate processing apparatus; - Substrate processing apparatus B131, substrate processing apparatus C132, substrate processing apparatus D133, which are examples of the second substrate processing apparatus, a data collection device 140; data analysis device 150, have
  • the system configuration is such that the substrate processing apparatus A 1210 is installed in the substrate manufacturer instead of the substrate processing apparatus 110 .
  • the data collection system 1200 is applied, for example, to a scene where a substrate processing apparatus manufacturer supports a substrate manufacturer so that the substrate manufacturer can mass-produce substrates having a target substrate shape. be.
  • the substrate processing apparatus A1210 is installed, for example, in a substrate manufacturer (mass production machine).
  • the substrate processing apparatus A1210 has a first chamber and processes substrates under predetermined processing conditions.
  • Various observation sensors are attached to the substrate processing apparatus A1210, and observation data observed by the various observation sensors during substrate processing is output.
  • the substrate processing apparatuses B131 to D133, the data collection apparatus 140, and the data analysis apparatus 150 shown in FIG. 12 are the same as those in FIG. 1, and thus descriptions thereof are omitted here.
  • each process included in the "experiment phase for searching for optimum conditions" is the same as in FIG. .
  • step S162 ⁇ Specific example of processing executed by the data collection system>
  • FIG. 13 is a diagram showing a specific example of correction amount calculation processing executed by the data collection system according to the second embodiment.
  • the correction amount calculation unit 220 uses the correction amounts b′, c′, d′ ( The point is to calculate a correction amount for eliminating the effects of both instrumental differences and disturbances.
  • the data collection system is configured without installing the same substrate processing apparatus (reference substrate processing apparatus) as the substrate processing apparatus (reference substrate processing apparatus) installed at the substrate processing apparatus manufacturer at the substrate processing apparatus manufacturer.
  • ⁇ Substrates of the same or similar shape are processed in the first chamber and the second chamber under the same conditions, and various observed data are compared and processed in the second chamber.
  • a correction amount for correcting various observation data is calculated.
  • the observation data observed by processing in the second chamber is corrected based on the correction amount. and collect the corrected observation data.
  • correction amounts of various observation data are calculated in the correction amount calculation process (steps S162 and S167).
  • correction amounts are calculated also for various measurement data (specifically, particle measurement data).
  • the third embodiment will be described below, focusing on differences from the first and second embodiments.
  • FIG. 14 is a diagram showing a specific example of correction amount calculation processing executed by the data collection system according to the third embodiment.
  • the third embodiment it is possible to collect appropriate measurement data (in which the influence of machine difference and the influence of disturbance are eliminated) in searching for processing conditions in substrate processing.
  • it may be configured to output a determination result that the target substrate shape cannot be achieved simply by changing the current processing conditions.
  • It may be configured to propose changes to processing conditions other than the current processing conditions. Changes in processing conditions other than the current processing conditions referred to here include, for example, pulse modulation, impedance control, and the like.
  • substrate processing by the substrate processing apparatus may include, for example, film formation processing and etching processing.
  • the substrate processing apparatus includes an etching apparatus, a film forming apparatus, an ashing apparatus, an annealing apparatus, a doping apparatus, and the like. may be
  • the substrate shape data data regarding the external appearance of the substrate such as critical dimension, depth, taper angle, tilt angle, bowing, etc. were exemplified. It is not limited to data on appearance.
  • the substrate shape data may include data other than data related to the appearance of the substrate, such as film thickness, film type, and film characteristics.
  • the "same processing conditions" in the above-described first to fourth embodiments are not limited to cases in which the processing conditions are completely the same.
  • the resulting processing conditions may be included.
  • the term "same effect" as used herein does not necessarily mean that the change in the substrate shape data before and after the treatment is completely the same, and indicates that the change in the substrate shape data is approximately the same (within a predetermined range). shall be
  • the "substrates of the same or similar shape" in the first to fourth embodiments include those having similar substrate shape data (those within a predetermined range).
  • plasma measurement data, consumption measurement data, and particle measurement data have been cited as various measurement data, but they are not limited to these, and other measurement data may be included.
  • the various measurement data are measured by the sensors installed inside the substrate processing apparatus, but the various measurement data may be acquired from outside the substrate processing apparatus. That is, the other measurement data may include, for example, component analysis data by XPS (X-ray Photoelectron Spectroscopy). Alternatively, the other measurement data may include characteristic data or the like obtained by processing by another processing device.
  • XPS X-ray Photoelectron Spectroscopy
  • the data collection device 140 and the data analysis device 150 are configured as separate units, but the data collection device 140 and the data analysis device 150 may be configured as an integrated unit.
  • the data collection device 140 and the data analysis device 150 are configured separately from the substrate processing apparatus 110, the substrate processing apparatus A120, and the substrate processing apparatuses B131 to D133.
  • the data collection device 140 or the data analysis device 150 may be provided inside the substrate processing apparatus 110, the substrate processing apparatus A120, or the substrate processing apparatuses B131 to D133.
  • the data collection device 140 and the data analysis device 150 have been described as executing the data collection program and the data analysis program, respectively.
  • the data collection device 140 and the data analysis device 150 may each be configured by, for example, a plurality of computers, and by installing the data collection program or data analysis program in each, may be performed in the form of distributed computing.
  • the method of downloading and installing via a network is mentioned as an example of the method of installing the data collection program in the auxiliary storage device 1103 of the data collection device 140 .
  • a method of downloading and installing via a network has been mentioned.
  • the download source may be, for example, a server apparatus that stores the data collection program or data analysis program in an accessible manner.
  • the server device may be a device on the cloud that receives access from the data collection device 140 or the data analysis device 150 via the network and downloads the data collection program or the data analysis program on the condition of charging. . That is, the server device may be a cloud-based device that provides a data collection program or data analysis program.
  • the virtual measurement model used in the first to fourth embodiments may be, for example, an ARX model. good.
  • details of the shape simulation model were not mentioned, but the shape simulation model used in the first to fourth embodiments is, for example, a model based on a convolutional neural network. There may be.
  • the various models used in the first to fourth embodiments are not limited to these examples, and other machine learning learning models including deep learning, statistical models, or models combining these models etc.
  • Data collection system 110 Substrate processing apparatus 120: Substrate processing apparatus A 131: substrate processing apparatus B 132: substrate processing apparatus C 133: substrate processing apparatus D 140 : Data collection device 150 : Data analysis device 210 : Calibration amount calculation unit 220 : Correction amount calculation unit 230 : Collection unit 240 : Condition change unit 500 : Collected data 610 : Virtual measurement model learning unit 620 : Learned virtual measurement model 630 : Shape simulation model learning unit 640 : Learned shape simulation model 650 : Shape simulation control unit 1200 : Data collection system 1210 : Substrate processing apparatus A

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Manufacturing & Machinery (AREA)
  • Computer Hardware Design (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Power Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Plasma & Fusion (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Immunology (AREA)
  • Geometry (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Drying Of Semiconductors (AREA)
  • Cleaning Or Drying Semiconductors (AREA)

Abstract

基板処理における処理条件の探索において、適切なデータを収集する。データ収集システムであって、第１の処理空間を有する第１の基板処理装置と、第２の処理空間を有する第２の基板処理装置と、前記第１の基板処理装置及び第２の基板処理装置と接続されるデータ収集装置と、を有するデータ収集システムであって、同一または類似形状の基板が、同一の処理条件のもとで、前記第１の処理空間及び第２の処理空間においてそれぞれ処理されることで観測される観測データを比較し、前記第２の処理空間において処理されることで観測される観測データを補正する補正量を算出する補正量算出部と、前記第２の処理空間において処理条件を変えて基板を処理することで処理条件を探索する際、前記第２の処理空間において処理されることで観測される観測データを、前記補正量に基づいて補正し、補正後の観測データを収集する収集部とを有する。

Description

データ収集システム、データ収集装置、データ収集方法及びデータ収集プログラム
　本開示は、データ収集システム、データ収集装置、データ収集方法及びデータ収集プログラムに関する。
　基板処理装置の分野では、例えば、基板を処理した際の処理後の基板形状が、目標とする基板形状に一致するよう、処理条件を変更しながら実験を繰り返すことで、最適な処理条件の探索が行われる。
特開２００８－０３４８７７号公報 特開２０１９－２０７９５１号公報
　しかしながら、現状の基板処理装置の場合、処理空間内の状態を示す詳細なデータを収集することが困難であるため、処理条件をどのように変更すれば、目標とする基板形状に近づけるのか、といった予測がしにくい。このため、最適な処理条件を効率よく探索するには、処理空間内の状態を示す詳細なデータを収集することが望まれる。
　また、例えば、実験機の基板処理装置を用いて探索された最適な処理条件を、量産機の基板処理装置に適用しても、両者の違いに起因して、量産機にて目標とする基板形状が得られない場合もある。また、そのような場合には、更なる実験が必要となる。このため、最適な処理条件を効率よく探索するには、実験時に量産機と同等のデータを収集することが望まれる。
　本開示は、基板処理における処理条件の探索において、適切なデータを収集するデータ収集システム、データ収集装置、データ収集方法及びデータ収集プログラムを提供する。
　本開示の一態様によるデータ収集システムは、例えば、以下のような構成を有する。即ち、
　第１の処理空間を有する第１の基板処理装置と、前記第１の処理空間とは異なる第２の処理空間を有する第２の基板処理装置と、前記第１の基板処理装置及び第２の基板処理装置と接続されるデータ収集装置と、を有するデータ収集システムであって、
　同一または類似形状の基板が、同一の処理条件のもとで、前記第１の処理空間及び第２の処理空間においてそれぞれ処理されることで観測される観測データを比較し、前記第２の処理空間において処理されることで観測される観測データを補正する補正量を算出する補正量算出部と、
　前記第２の処理空間において処理条件を変えて基板を処理することで処理条件を探索する際、前記第２の処理空間において処理されることで観測される観測データを、前記補正量に基づいて補正し、補正後の観測データを収集する収集部とを有する。
　基板処理における処理条件の探索において、適切なデータを収集するデータ収集システム、データ収集装置、データ収集方法及びデータ収集プログラムを提供することができる。
図１は、第１の実施形態に係るデータ収集システムの構成及び処理の概要を示す図である。 図２は、第１の実施形態に係るデータ収集システムにより実行される校正量算出処理の具体例を示す図である。 図３は、第１の実施形態に係るデータ収集システムにより実行される補正量算出処理の具体例を示す図である。 図４は、第１の実施形態に係るデータ収集システムにより実行されるデータ収集処理及び条件変更処理の具体例を示す図である。 図５は、収集データの一例を示す図である。 図６は、第１の実施形態に係るデータ収集システムにより実行される仮想測定モデル学習処理、形状シミュレーションモデル学習処理、条件絞り込み処理の具体例を示す図である。 図７は、仮想測定モデル学習処理の詳細な具体例を示す図である。 図８は、形状シミュレーションモデル学習処理の詳細な具体例を示す図である。 図９は、条件絞り込み処理の詳細な具体例を示す図である。 図１０は、第１の実施形態に係るデータ収集システムにより実行される仮想測定処理及び形状シミュレーション処理の具体例を示す図である。 図１１は、データ収集装置及びデータ解析装置のハードウェア構成の一例を示す図である。 図１２は、第２の実施形態に係るデータ収集システムの構成及び処理の概要を示す図である。 図１３は、第２の実施形態に係るデータ収集システムにより実行される補正量算出処理の具体例を示す図である。 図１４は、第３の実施形態に係るデータ収集システムにより実行される補正量算出処理の具体例を示す図である。
　以下、各実施形態について添付の図面を参照しながら説明する。なお、本明細書及び図面において、実質的に同一の機能を有する構成要素については、同一の符号を付することにより重複した説明を省略する。
　［第１の実施形態］
　＜データ収集システムの構成及び処理の概要＞
　はじめに、第１の実施形態に係るデータ収集システムの構成及び第１の実施形態に係るデータ収集システムにより実行される処理の概要について説明する。図１は、第１の実施形態に係るデータ収集システムの構成及び処理の概要を示す図である。
　図１に示すように、データ収集システム１００は、
・基準基板処理装置の一例である、基板処理装置１１０、
・第１の基板処理装置の一例である、基板処理装置Ａ１２０、
・第２の基板処理装置の一例である、基板処理装置Ｂ１３１、基板処理装置Ｃ１３２、基板処理装置Ｄ１３３、
・データ収集装置１４０、
・データ解析装置１５０、
を有する。
　データ収集システム１００は、例えば、基板製造メーカにて目標とする基板形状の基板が量産できるよう、基板処理装置製造メーカが基板製造メーカをサポートするシーン等において適用される。
　基板処理装置１１０は、例えば、基板製造メーカに設置される、いわゆる量産機である。基板処理装置１１０は、基準処理空間の一例である基準チャンバを有し、所定の処理条件のもとで基板を処理する。基板処理装置１１０には、各種観測センサが取り付けられており、基板の処理中に各種観測センサにて観測された観測データを出力する。
　基板処理装置Ａ１２０は、例えば、基板処理装置製造メーカに設置される（量産機と同じ）。基板処理装置Ａ１２０は、基準処理空間と同一の第１の処理空間の一例である第１チャンバを有し、所定の処理条件のもとで基板を処理する。基板処理装置Ａ１２０には、各種観測センサが取り付けられており、基板の処理中に各種観測センサにて観測された観測データを出力する。
　基板処理装置Ｂ１３１は、例えば、基板処理装置製造メーカに設置される、いわゆる実験機である。基板処理装置Ｂ１３１は、基準処理空間と同一の第２の処理空間の一例である第２チャンバを有し、所定の処理条件のもとで基板を処理する。基板処理装置Ｂ１３１には、各種観測センサが取り付けられており、基板の処理中に各種観測センサにて観測された観測データを出力する。また、第２チャンバ内には、プラズマプローブが追加して取り付けられており、基板の処理中にプラズマプローブにて測定されたプラズマ測定データを出力する。
　基板処理装置Ｃ１３２は、例えば、基板処理装置製造メーカに設置される（実験機）。基板処理装置Ｃ１３２は、基準処理空間と同一の第２の処理空間の一例である第３チャンバを有し、所定の処理条件のもとで基板を処理する。基板処理装置Ｃ１３２には、各種観測センサが取り付けられており、基板の処理中に各種観測センサにて観測された観測データを出力する。また、第３チャンバ内には、消耗量センサが追加して取り付けられており、基板の処理中に消耗量センサにて測定された、第３チャンバ内のパーツの消耗量を示す消耗量測定データを出力する。
　基板処理装置Ｄ１３３は、例えば、基板処理装置製造メーカに設置される（実験機）。基板処理装置Ｄ１３３は、基準処理空間と同一の第２の処理空間の一例である第４チャンバを有し、所定の処理条件のもとで基板を処理する。基板処理装置Ｄ１３３には、各種観測センサが取り付けられており、基板の処理中に各種観測センサにて観測された観測データを出力する。また、第４チャンバ内には、パーティクルセンサが追加して取り付けられており、基板の処理中にパーティクルセンサにて測定された、第４チャンバ内のパーティクルを示すパーティクル測定データを出力する。
　なお、図１には示していないが、データ収集システム１００には、処理前基板及び処理後基板について、基板形状を測定する形状測定装置が含まれ、測定した形状データを出力するように構成されているものとする。
　データ収集装置１４０は、例えば、基板処理装置製造メーカに設置される。データ収集装置１４０は、基板処理装置１１０、基板処理装置Ａ１２０、基板処理装置Ｂ１３１～基板処理装置Ｄ１３３の各基板処理装置、不図示の形状測定装置と接続される。
　これにより、データ収集装置１４０は、各基板処理装置が基板を処理する際に用いた処理条件、各基板処理装置が基板の処理中に各種観測センサにて観測された観測データを収集する。
　また、データ収集装置１４０は、各基板処理装置により処理される処理前基板及び処理後基板について測定された形状データを収集する。
　更に、データ収集装置１４０は、基板処理装置Ｂ１３１～基板処理装置Ｄ１３３が基板の処理中にプラズマプローブ、消耗量センサ、パーティクルセンサにてそれぞれ測定された、プラズマ測定データ、消耗量測定データ、パーティクル測定データを収集する。
　データ解析装置１５０は、例えば、基板処理装置製造メーカに設置される。データ解析装置１５０は、データ収集装置１４０により収集されたデータ（収集データと称す）を用いて、各種モデルに対して学習処理を行う。
　以下、データ収集システム１００により実行される処理（データ収集システム１００を構成する各装置が単独で、あるいは、複数の装置が連携して実行する処理）の概要について説明する。なお、図１に示すように、データ収集システム１００により実行される処理は、
・「最適条件探索のための実験フェーズ」と、
・「最適条件による処理フェーズ」と、
に大別することができる。
　このうち、最適条件探索のための実験フェーズとは、目標とする基板形状を実現する最適な処理条件を探索するフェーズである。また、最適条件による処理フェーズとは、探索された最適な処理条件のもとで、基板を処理するフェーズである。以下、それぞれのフェーズにおける処理の概要について説明する。
　（１）最適条件探索のための実験フェーズ
　ステップＳ１６１において、基板処理装置１１０と基板処理装置Ａ１２０とデータ収集装置１４０は、校正量算出処理を行う。
　具体的には、基板処理装置１１０及び基板処理装置Ａ１２０が、同一または類似形状の基板を、同一の処理条件のもとで処理することで、各種観測センサにてそれぞれ観測された観測データを、データ収集装置１４０が収集する。
　また、データ収集装置１４０は、基板処理装置１１０と基板処理装置Ａ１２０との間の「機差」に基づく観測データの差異を校正するための校正量を算出する。
　データ収集装置１４０では、以降、基板処理装置Ａ１２０より出力される観測データを、算出した校正量に基づいて校正する。これにより、データ収集装置１４０では、以降、同一または類似形状の基板が、同一の処理条件のもとで基板処理装置１１０にて処理された際に出力される観測データと同じ観測データを、基板処理装置Ａ１２０から収集することができる。
　ステップＳ１６２において、基板処理装置Ａ１２０と、基板処理装置Ｂ１３１～基板処理装置Ｄ１３３と、データ収集装置１４０とは、補正量算出処理を行う。具体的には、基板処理装置Ａ１２０及び基板処理装置Ｂ１３１～基板処理装置Ｄ１３３が、同一または類似形状の基板を、同一の処理条件のもとで処理することで、各種観測センサにてそれぞれ観測された観測データを、データ収集装置１４０が収集する。
　また、データ収集装置１４０は、基板処理装置Ａ１２０及び基板処理装置Ｂ１３１より収集した各種観測データの差異を算出することで、第２チャンバ内にプラズマプローブを取り付けたことにより生じる擾乱の影響を補正するための補正量を算出する。
　データ収集装置１４０では、以降、基板処理装置Ｂ１３１より出力される観測データを、算出した補正量に基づいて補正する。これにより、データ収集装置１４０では、以降、同一または類似形状の基板が、同一の処理条件のもとで基板処理装置Ａ１２０にて処理された際に収集される観測データと同じ観測データを、基板処理装置Ｂ１３１から収集することができる。
　同様に、データ収集装置１４０は、基板処理装置Ａ１２０及び基板処理装置Ｃ１３２より収集された各種観測データの差異を算出することで、第３チャンバ内に消耗量センサを取り付けたことにより生じる擾乱の影響を補正するための補正量を算出する。
　データ収集装置１４０では、以降、基板処理装置Ｃ１３２より出力される観測データを、算出した補正量に基づいて補正する。これにより、データ収集装置１４０では、以降、同一または類似形状の基板が、同一の処理条件のもとで基板処理装置Ａ１２０にて処理された際に収集される観測データと同じ観測データを、基板処理装置Ｃ１３２から収集することができる。
　同様に、データ収集装置１４０は、基板処理装置Ａ１２０及び基板処理装置Ｄ１３３より収集された各種観測データの差異を算出することで、第４チャンバ内にパーティクルセンサを取り付けたことにより生じる擾乱の影響を補正するための補正量を算出する。
　データ収集装置１４０では、以降、基板処理装置Ｄ１３３より出力される観測データを、算出した補正量に基づいて補正する。これにより、データ収集装置１４０では、以降、同一または類似形状の基板が、同一の処理条件のもとで基板処理装置Ａ１２０にて処理された際に収集される観測データと同じ観測データを、基板処理装置Ｄ１３３から収集することができる。
　ステップＳ１６３において、データ収集装置１４０は、目標とする基板形状を実現するための最適な処理条件を探索するために、基板処理装置Ｂ１３１～基板処理装置Ｄ１３３が基板を処理する際に用いる処理条件を変更する。また、データ収集装置１４０は、変更後の処理条件を、基板処理装置Ｂ１３１～基板処理装置Ｄ１３３に設定する。
　ステップＳ１６４において、基板処理装置Ｂ１３１～基板処理装置Ｄ１３３及びデータ収集装置１４０は、データ収集処理を行う。
　具体的には、基板処理装置Ｂ１３１～基板処理装置Ｄ１３３は、同一または類似形状の基板を、変更後の処理条件のもとで処理し、各種観測データと、プラズマ測定データ、消耗量測定データ、パーティクル測定データとを出力する。また、不図示の形状測定装置は、処理前基板の形状データ及び処理後基板の形状データを出力する。
　また、データ収集装置１４０は、補正量を用いて各種観測データを補正し、補正後の各種観測データを収集する。また、データ収集装置１４０は、基板処理装置Ｂ１３１より出力されたプラズマ測定データ、基板処理装置Ｃ１３２より出力された消耗量測定データ、基板処理装置Ｄ１３３より出力されたパーティクル測定データ（これらを「各種測定データ」と称す）を収集する。更に、データ収集装置１４０は、不図示の形状測定装置より出力された、処理前基板の形状データ及び処理後基板の形状データ（これらを「各種形状データ」と称す）を収集する。
　また、データ収集装置１４０は、収集データ（前回の処理条件、各種観測データ、各種測定データ、各種形状データ）を実験者に表示する。これにより、実験者は、各種観測データだけでなく、チャンバ内の状態を表す詳細なデータである各種測定データを参照しながら、各種形状データを観察することができる。この結果、実験者は、次回の処理条件として、目標とする基板形状に近づけるためのより適切な処理条件を設定することが可能になり、最適な処理条件を効率よく探索することができる。
　なお、ステップＳ１６３の条件変更処理及びステップＳ１６４のデータ収集処理は、繰り返し実行される。また、所定回数繰り返された後には、ステップＳ１６２の補正量算出処理が実行される。これは、基板処理装置Ｂ１３１～基板処理装置Ｄ１３３から出力される各種測定データが経時変化するためで、定期的に補正量を更新することで、擾乱の影響を常に排除することができる。
　このように、校正量算出処理（ステップＳ１６１）と補正量算出処理（ステップＳ１６２）とが行われることで、データ収集装置１４０では、最適な処理条件の探索において、
・機差の影響、
・擾乱の影響、
が排除された観測データ（量産機である基板処理装置１１０より出力される観測データと同等の観測データ）を、基板処理装置Ｂ１３１～基板処理装置Ｄ１３３より収集することができる。
　ステップＳ１６３の条件変更処理及びステップＳ１６４のデータ収集処理が繰り返し実行されることで一定量のデータが収集されると、ステップＳ１６５では、データ解析装置１５０が収集データを用いて、仮想測定モデルについて学習処理を行う。仮想測定モデルとは、基板処理時の各種測定データ（プラズマ測定データ、消耗量測定データ、パーティクル測定データ）を、各種観測データに基づいて予測するモデルである。
　データ解析装置１５０では、各種観測データを入力データとし、各種測定データを正解データとして学習処理を行う。これにより、データ解析装置１５０では、学習済み仮想測定モデルを生成することができる。
　なお、生成した学習済み仮想測定モデルは、例えば、プラズマプローブや消耗量センサ、パーティクルセンサが取り付けられていない基板処理装置１１０に搭載される。
　これにより、基板処理装置１１０では、「最適条件による処理フェーズ」において基板を処理する際、各種観測データに基づいて、プラズマ測定データや消耗量測定データ、パーティクル測定データを予測し、作業者等に表示することができる。
　ステップＳ１６６において、データ解析装置１５０は、収集データを用いて、形状シミュレーションモデルについて学習処理を行う。形状シミュレーションモデルとは、基板を処理した際の処理後基板の形状データを予測するモデルである。
　データ解析装置１５０では、各種観測データ、各種測定データ、処理条件、処理前基板の形状データを入力データとし、処理後基板の形状データを正解データとして学習処理を行う。これにより、データ解析装置１５０では、学習済み形状シミュレーションモデルを生成する。
　このように、各種観測データだけでなく、各種測定データも入力データに含めて学習処理を行うことで、予測精度の高い学習済み形状シミュレーションモデルを生成することができる。
　生成した学習済み形状シミュレーションモデルは、例えば、基板処理装置１１０に搭載される。これにより、基板処理装置１１０では、「最適条件による処理フェーズ」において、基板を処理した後の処理後基板の形状データを予測することができる。
　なお、この時点（ステップＳ１６６が終了した時点）で、目標とする基板形状に到達していなければ（目標とする基板形状との差分が所定の閾値以上の場合には）、引き続き、処理条件を変更しながら、最適な処理条件の探索を継続する。
　具体的には、まず、ステップＳ１６７において、基板処理装置Ａ１２０と、基板処理装置Ｂ１３１～基板処理装置Ｄ１３３と、データ収集装置１４０とが、補正量算出処理を行う。なお、ステップＳ１６７における補正量算出処理は、ステップＳ１６２における補正量算出処理と同じであるため、ここでは説明を省略する。
　ステップＳ１６８において、データ収集装置１４０及びデータ解析装置１５０は、ステップＳ１６６において生成した学習済み形状シミュレーションモデルを用いて処理条件を絞り込む、条件絞り込み処理を行う。
　具体的には、データ解析装置１５０は、学習済み形状シミュレーションモデルを用いて、処理後基板の形状データを予測することで、目標とする基板形状に近づけるための処理条件を絞り込む。
　また、並行して、データ解析装置１５０は、学習済み形状シミュレーションモデルの予測精度を向上させるために、収集データが得られていない処理条件を絞り込む。
　これにより、データ解析装置１５０は、最適な処理条件の探索の観点から絞り込まれた処理条件、または、予測精度の向上の観点から絞り込まれた処理条件を、変更後の処理条件として、基板処理装置Ｂ１３１～基板処理装置Ｄ１３３に設定する。
　ステップＳ１６９において、基板処理装置Ｂ１３１～基板処理装置Ｄ１３３及びデータ収集装置１４０は、データ収集処理を行う。なお、ステップＳ１６９におけるデータ収集処理は、ステップＳ１６４におけるデータ収集処理と同じであるため、ここでは説明を省略する。
　また、ステップＳ１６８の条件絞り込み処理及びステップＳ１６９のデータ収集処理も、ステップＳ１６３の条件変更処理及びステップＳ１６４のデータ収集処理同様、繰り返し実行される。ただし、ステップＳ１６３及びステップＳ１６４の場合とは異なり、ステップＳ１６８において処理条件が適切に絞り込まれるため、最適な処理条件に近づく速度は加速することになる（つまり、最適な処理条件を更に効率よく探索することができる）。
　また、ステップＳ１６２と同様に、変更後の処理条件による基板の処理が所定回数繰り返された場合には、ステップＳ１６７の補正量算出処理が実行され、基板処理装置Ｂ１３１～基板処理装置Ｄ１３３より出力される各種観測データの経時変化の影響を補正する。
　このように、処理条件を変更しながら基板の処理を繰り返すことで、目標とする基板形状に到達すると（目標とする基板形状との誤差が所定の閾値未満の場合）、到達した時点での処理条件を最適な処理条件として決定する。これにより、最適条件探索のための実験フェーズが終了する。
　最適条件探索のための実験フェーズが終了すると、「最適条件による処理フェーズ」に移行する。最適条件による処理フェーズでは、最適条件探索のための実験フェーズにおいて生成された学習済み仮想測定モデル及び学習済み形状シミュレーションモデルが搭載された基板処理装置１１０を用いて、最適な処理条件のもとで基板を処理する。
　また、図１に示すように、ステップＳ１７１において、基板処理装置１１０は、最適な処理条件のもとで、基板を処理する際、仮想測定処理を実行する。これにより、基板の処理中に観測された各種観測データは学習済み仮想測定モデルに入力され、各種測定データ（プラズマ測定データ、消耗量測定データ、パーティクル測定データ）が予測される。また、予測される各種測定データは、作業者等に表示される。
　これにより、作業者等は、基板を処理する際に従来は監視することができなかったプラズマ測定データや消耗量測定データ、パーティクル測定データを監視することができる。
　ステップＳ１７２において、基板処理装置１１０は、最適な処理条件のもとで、基板を処理した際、形状シミュレーション処理を実行する。これにより、基板の処理中に観測された各種観測データ、予測された各種測定データ、処理条件、処理前基板の形状データが、学習済み形状シミュレーションモデルに入力される。また、学習済み形状シミュレーションモデルでは、処理後基板の形状データを予測し、予測した形状データを、作業者等に表示する。
　この結果、作業者等は、処理後基板について全数検査を行わなくても、処理後基板の良否を判定することができる。
　＜データ収集システムにより実行される処理の具体例＞
　次に、データ収集システム１００により実行される各処理の具体例について説明する。
　（１）校正量算出処理（ステップＳ１６１）の具体例
　はじめに、データ収集システム１００により実行される校正量算出処理（ステップＳ１６１）の具体例について説明する。図２は、第１の実施形態に係るデータ収集システムにより実行される校正量算出処理の具体例を示す図である。
　図２の例は、基板処理装置１１０及び基板処理装置Ａ１２０が、処理条件＝「条件０」のもとで、同一または類似形状の処理前基板を処理することで、それぞれ、観測データ＝「観測データＭ＿α０」、「観測データＭ＿Ａ０」が出力された様子を示している。
　なお、データ収集装置１４０には、データ収集プログラムがインストールされており、当該プログラムが実行されることで、データ収集装置１４０は、
・校正量算出部２１０、
・補正量算出部２２０、
・収集部２３０、
・条件変更部２４０、
として機能する。
　校正量算出処理（ステップ１６１）において、データ収集装置１４０は、校正量算出部２１０が動作し、基板処理装置１１０より出力された観測データ＝「観測データＭ＿α０」を取得する。また、校正量算出部２１０は、基板処理装置Ａ１２０より出力された観測データ＝「観測データＭ＿Ａ０」を取得する。また、校正量算出部２１０は、観測データ＝「観測データＭ＿Ａ０」を観測データ＝「観測データＭ＿α０」に一致させるための校正量ａを算出する。更に、校正量算出部２１０は、算出した校正量ａを、補正量算出部２２０に通知する。
　（２）補正量算出処理（ステップＳ１６２）の具体例
　次に、データ収集システム１００により実行される補正量算出処理（ステップＳ１６２）の具体例について説明する。図３は、第１の実施形態に係るデータ収集システムにより実行される補正量算出処理の具体例を示す図である。
　図３の例は、基板処理装置Ａ１２０及び基板処理装置Ｂ１３１～Ｄ１３３が、処理条件＝「条件１」のもとで、同一形状の処理前基板を処理することで、それぞれ、観測データ＝「観測データＭ＿Ａ１」～「観測データＭ＿Ｄ１」が出力された様子を示している。
　補正量算出処理（ステップＳ１６２）において、データ収集装置１４０は、補正量算出部２２０が動作し、基板処理装置Ａ１２０及び基板処理装置Ｂ１３１～Ｄ１３３から出力された観測データ＝「観測データＭ＿Ａ１」～「観測データＭ＿Ｄ１」を取得する。
　また、補正量算出部２２０は、取得した観測データ＝「観測データＭ＿Ａ１」を、校正量ａを用いて校正し、校正後の観測データを生成する。
　また、補正量算出部２２０は、観測データ＝「観測データＭ＿Ｂ１」を、校正後の観測データに一致させるための補正量ｂを算出し、収集部２３０に通知する。
　同様に、補正量算出部２２０は、観測データ＝「観測データＭ＿Ｃ１」を、校正後の観測データに一致させるための補正量ｃを算出し、収集部２３０に通知する。
　同様に、補正量算出部２２０は、観測データ＝「観測データＭ＿Ｄ１」を、校正後の観測データに一致させるための補正量ｄを算出し、収集部２３０に通知する。
　（３）条件変更処理（ステップＳ１６３）及びデータ収集処理（ステップＳ１６４）の具体例
　次に、データ収集システム１００により実行される条件変更処理（ステップＳ１６３）及びデータ収集処理（ステップＳ１６４）の具体例について説明する。図４は、第１の実施形態に係るデータ収集システムにより実行されるデータ収集処理及び条件変更処理の具体例を示す図である。
　条件変更処理（ステップＳ１６３）において、データ収集装置１４０は、条件変更部２４０が動作する。図４の例は、条件変更部２４０が、処理条件＝「条件２」、「条件３」、・・・を順次、基板処理装置Ｂ１３１、基板処理装置Ｃ１３２、基板処理装置Ｄ１３３に送信した様子を示している。
　また、図４の例は、基板処理装置Ｂ１３１が、処理条件＝「条件２」、「条件３」、・・・のもとで、同一形状の処理前基板を処理することで、それぞれ、
・観測データ＝「観測データＭ＿Ｂ２」、「観測データＭ＿Ｂ３」、・・・、
・測定データ＝「測定データＩ＿Ｂ２」、「測定データＩ＿Ｂ３」、・・・、
が出力された様子を示している。また、図４の例は、基板処理装置Ｂ１３１により処理されることで、
・形状データ＝「形状データＳ＿Ｂ２」、「形状データＳ＿Ｂ３」、・・・の処理前基板から、
・形状データ＝「形状データＳ＿Ｂ２’」、「形状データＳ＿Ｂ３’」、・・・の処理後基板、
が生成された様子を示している。
　同様に、図４の例は、基板処理装置Ｃ１３２が、処理条件＝「条件２」、「条件３」、・・・のもとで、同一形状の処理前基板を処理することで、それぞれ、
・観測データ＝「観測データＭ＿Ｃ２」、「観測データＭ＿Ｃ３」、・・・、
・測定データ＝「測定データＩ＿Ｃ２」、「測定データＩ＿Ｂ３」、・・・、
が出力された様子を示している。また、図４の例は、基板処理装置Ｃ１３２により処理されることで、
・形状データ＝「形状データＳ＿Ｃ２」、「形状データＳ＿Ｃ３」、・・・の処理前基板から、
・形状データ＝「形状データＳ＿Ｃ２’」、「形状データＳ＿Ｃ３’」、・・・の処理後基板、
が生成された様子を示している。
　同様に、図４の例は、基板処理装置Ｄ１３３が、処理条件＝「条件２」、「条件３」、・・・のもとで、同一形状の処理前基板を処理することで、それぞれ、
・観測データ＝「観測データＭ＿Ｄ２」、「観測データＭ＿Ｄ３」、・・・、
・測定データ＝「測定データＩ＿Ｄ２」、「測定データＩ＿Ｄ３」、・・・、
が出力された様子を示している。また、図４の例は、基板処理装置Ｄ１３３により処理されることで、
・形状データ＝「形状データＳ＿Ｄ２」、「形状データＳ＿Ｄ３」、・・・の処理前基板から、
・形状データ＝「形状データＳ＿Ｄ２’」、「形状データＳ＿Ｄ３’」、・・・の処理後基板、
が生成された様子を示している。
　また、データ収集処理（ステップＳ１６４）において、データ収集装置１４０は、収集部２３０が動作する。図４に示すように、収集部２３０は、格納部４０１、４０３、４０５及び補正格納部４０２、４０４、４０６を有する。
　図４の例は、格納部４０１が、
・処理前基板の形状データ＝「形状データＳ＿Ｂ２」、「形状データＳ＿Ｂ３」、・・・、
・処理後基板の形状データ＝「形状データＳ＿Ｂ２’」、「形状データＳ＿Ｂ３’」、・・・、
を収集データ格納部２５０に格納した様子を示している。
　また、図４の例は、補正格納部４０２が、観測データ＝「観測データＭ＿Ｂ２」、「観測データＭ＿Ｂ３」、・・・を、補正量ｂを用いて補正し、補正後の観測データを収集データ格納部２５０に格納した様子を示している。また、補正格納部４０２が、測定データ＝「測定データＩ＿Ｂ２」、「測定データＩ＿Ｂ３」、・・・を収集データ格納部２５０に格納した様子を示している。
　同様に、図４の例は、格納部４０３が、
・処理前基板の形状データ＝「形状データＳ＿Ｃ２」、「形状データＳ＿Ｃ３」、・・・、
・処理後基板の形状データ＝「形状データＳ＿Ｃ２’」、「形状データＳ＿Ｃ３’」、・・・、を収集データ格納部２５０に格納した様子を示している。
　また、図４の例は、補正格納部４０４が、観測データ＝「観測データＭ＿Ｃ２」、「観測データＭ＿Ｃ３」、・・・を、補正量ｃを用いて補正し、補正後の観測データを収集データ格納部２５０に格納した様子を示している。また、補正格納部４０４が、測定データ＝「測定データＩ＿Ｃ２」、「測定データＩ＿Ｃ３」、・・・を収集データ格納部２５０に格納した様子を示している。
　同様に、図４の例は、格納部４０５が、
・処理前基板の形状データ＝「形状データＳ＿Ｄ２」、「形状データＳ＿Ｄ３」、・・・、
・処理後基板の形状データ＝「形状データＳ＿Ｄ２’」、「形状データＳ＿Ｄ３’」、・・・、を収集データ格納部２５０に格納した様子を示している。
　また、図４の例は、補正格納部４０６が、観測データ＝「観測データＭ＿Ｄ２」、「観測データＭ＿Ｄ３」、・・・を、補正量ｄを用いて補正し、補正後の観測データを収集データ格納部２５０に格納した様子を示している。また、補正格納部４０６が、測定データ＝「測定データＩ＿Ｄ２」、「測定データＩ＿Ｄ３」、・・・を収集データ格納部２５０に格納した様子を示している。
　続いて、収集データ格納部２５０に格納された収集データについて説明する。図５は、収集データの一例を示す図である。
　図５に示すように、収集データ５００には、情報の項目として、“処理条件”、“観測データ”、“測定データ”、“処理前基板形状データ”、“処理後基板形状データ”が含まれる。
　“処理条件”には、例えば、高周波電源の電力、低周波電源の電力、チャンバ内の圧力、チャンバ内の温度、ガス流量、ガス種等の設定値が格納される。処理条件＝「条件２」、「条件３」、・・・「条件ｘ」は、これらの設定値の少なくともいずれかが異なる組み合わせにより構成されているものとする。
　“観測データ”には、例えば、直流自己バイアス電圧、電位差、反射波電力、ガス流量、プラズマ密度、イオンエネルギ、イオン流量等の観測値が格納される。観測データ＝「観測データＭ＿Ｂ１」、「観測データＭ＿Ｃ１」、「観測データＭ＿Ｄ１」は、それぞれ、これらの観測値の組み合わせにより構成されている。
　“測定データ”には、プラズマ測定データ、消耗量測定データ、パーティクル測定データ等、追加して取り付けられたセンサの測定値が格納される。具体的には、測定データ＝「測定データＩ＿Ｂ１」には、プラズマ測定データの測定値が含まれる。また、測定データ＝「測定データＩ＿Ｃ１」には、消耗量測定データの測定値が含まれる。また、測定データ＝「測定データＩ＿Ｄ１」には、パーティクル測定データの測定値が含まれる。
　“処理前基板形状データ”には、例えば、限界寸法、深さ、テーパ角、チルト角、ボーイング等の形状値が格納される。処理前基板形状データ＝「形状データＳ＿Ｂ２」～「形状データＳ＿Ｄ２」は、それぞれ、これらの形状値の組み合わせにより構成されている。
　“処理後基板形状データ”には、例えば、限界寸法、深さ、テーパ角、チルト角、ボーイング等の形状値が格納される。処理後基板形状データ＝「形状データＳ＿Ｂ２’」～「形状データＳ＿Ｄ２’」は、それぞれ、これらの形状値の組み合わせにより構成されている。
　（４）仮想測定モデル学習処理（ステップＳ１６５）、形状シミュレーションモデル学習処理（ステップＳ１６６）、条件絞り込み処理（ステップＳ１６８）の具体例
　（４－１）具体例（概要）
　次に、データ収集システム１００により実行される仮想測定モデル学習処理（ステップＳ１６５）、形状シミュレーションモデル学習処理（ステップＳ１６６）、条件絞り込み処理（ステップＳ１６８）の具体例（概要）について説明する。
　図６は、第１の実施形態に係るデータ収集システムにより実行される仮想測定モデル学習処理、形状シミュレーションモデル学習処理、条件絞り込み処理の具体例を示す図である。
　データ解析装置１５０には、データ解析プログラムがインストールされており、当該プログラムが実行されることで、データ解析装置１５０は、
・仮想測定モデル学習部６１０、
・形状シミュレーションモデル学習部６３０、
・学習済み形状シミュレーションモデル６４０、
・形状シミュレーション制御部６５０（制御部及び判定部の一例）、
として機能する。
　仮想測定モデル学習処理（ステップＳ１６５）において、データ解析装置１５０は、仮想測定モデル学習部６１０が動作し、収集データ格納部２５０に格納された収集データ５００を読み出す。また、仮想測定モデル学習部６１０は、読み出した収集データ５００を用いて、仮想測定モデルについて学習処理を行う。
　なお、仮想測定モデル学習部６１０により仮想測定モデルについて学習処理が行われることで生成される、学習済み仮想測定モデル６２０は、基板処理装置１１０に搭載される。
　一方、形状シミュレーションモデル学習処理（ステップＳ１６６）において、データ解析装置１５０は、形状シミュレーションモデル学習部６３０が動作し、収集データ格納部２５０に格納された収集データ５００を読み出す。また、形状シミュレーションモデル学習部６３０は、読み出した収集データ５００を用いて、形状シミュレーションモデルについて学習処理を行う。
　なお、形状シミュレーションモデル学習部６３０により学習処理が行われることで生成される、学習済み形状シミュレーションモデル６４０は、基板処理装置１１０に搭載される。また、学習済み形状シミュレーションモデル６４０は、条件絞り込み処理（ステップＳ１６８）において、形状シミュレーション制御部６５０により実行される。
　具体的には、条件絞り込み処理（ステップＳ１６８）において、データ解析装置１５０は、形状シミュレーション制御部６５０が動作する。形状シミュレーション制御部６５０は、様々な処理条件のもとで、学習済み形状シミュレーションモデルを実行させ、処理後基板の形状データについて、予測結果を得る。また、形状シミュレーション制御部６５０は、予測結果である処理後基板の形状データと、目標とする基板形状とを比較することで、目標とする基板形状を実現可能な処理条件を絞り込む。更に、絞り込んだ処理条件を、データ収集装置１４０の条件変更部２４０に通知する。これにより、条件変更部２４０は、最適な処理条件の探索の観点から絞り込まれた処理条件を、変更後の処理条件として、基板処理装置Ｂ１３１～基板処理装置Ｄ１３３に設定することができる。
　また、形状シミュレーション制御部６５０は、収集データ格納部２５０に格納された収集データ５００を参照し、形状シミュレーションモデルの学習処理に用いられていない処理条件を判定する。更に、形状シミュレーション制御部６５０は、判定した処理条件を条件変更部２４０に通知する。これにより、条件変更部２４０は、形状シミュレーション制御部６５０により判定された処理条件を、変更後の処理条件として、基板処理装置Ｂ１３１～基板処理装置Ｄ１３３に設定する。この結果、基板処理装置Ｂ１３１～Ｄ１３３及びデータ収集装置１４０にてデータ収集処理（ステップＳ１６９）が行われ、収集データ格納部２５０の収集データ５００には、判定された処理条件に対応する、
・各種観測データ、
・各種測定データ、
・各種形状データ（処理前基板形状データ、処理後基板形状データ）、
が新たに格納されることになる。
　形状シミュレーション制御部６５０では、判定した処理条件と、新たに格納された各種観測データ、各種測定データ、各種形状データ（処理前基板形状データ、処理後基板形状データ）を用いて、学習済み形状シミュレーションモデルに対して再学習処理を行う。なお、形状シミュレーション制御部６５０では、処理条件の判定及び再学習処理を、複数回繰り返し実行する。このとき、形状シミュレーション制御部６５０では、予測精度の低い処理条件を特定し、特定した予測精度の低い処理条件を条件変更部２４０に通知する（つまり、学習済み形状シミュレーションモデルに対して再学習処理を行うための処理条件を絞り込む）。これにより、条件変更部２４０は、学習済み形状シミュレーションモデル６４０の予測精度向上の観点から絞り込まれた処理条件を、変更後の処理条件として、基板処理装置Ｂ１３１～基板処理装置Ｄ１３３に設定することができる。
　（４－２）詳細な具体例（仮想測定モデル学習処理（ステップＳ１６５））
　次に、仮想測定モデル学習処理（ステップＳ１６５）の更なる詳細な具体例について説明する。図７は、仮想測定モデル学習処理の詳細な具体例を示す図である。
　図７に示すように、仮想測定モデル学習部６１０は、仮想測定モデル７１０と、比較／変更部７２０とを有する。
　仮想測定モデル７１０には、収集データ５００の“処理条件”に格納された設定値と、“観測データ”に格納された観測値とが、入力データとして入力される。これにより、仮想測定モデル７１０は、出力データを出力する。
　一方、比較／変更部７２０には、収集データ５００の“測定データ”に格納された測定値が、正解データとして入力される。比較／変更部７２０では、仮想測定モデル７１０から出力された出力データと、正解データとして入力された測定値とを比較することで誤差を算出し、算出した誤差に応じて、仮想測定モデル７１０のモデルパラメータを更新する。これにより、仮想測定モデル学習部６１０では、学習済み仮想測定モデル６２０を生成することができる。
　（４－２）詳細な具体例（形状シミュレーションモデル学習処理（ステップＳ１６６））
　次に、形状シミュレーションモデル学習処理（ステップＳ１６６）の更なる詳細な具体例について説明する。図８は、形状シミュレーションモデル学習処理の詳細な具体例を示す図である。
　図８に示すように、形状シミュレーションモデル学習部６３０は、形状シミュレーションモデル８１０と、比較／変更部８２０とを有する。
　形状シミュレーションモデル８１０には、収集データ５００の“処理条件”に格納された設定値と、“観測データ”に格納された観測値と、“測定データ”に格納された測定値と、“処理前基板形状データ”に格納された形状値とが、入力データとして入力される。これにより、形状シミュレーションモデル８１０は、出力データを出力する。
　一方、比較／変更部８２０には、収集データ５００の“処理後基板形状データ”に格納された形状値が、正解データとして入力される。比較／変更部８２０では、形状シミュレーションモデル８１０から出力された出力データと、正解データとして入力された形状値とを比較することで誤差を算出し、算出した誤差に応じて、形状シミュレーションモデル８１０のモデルパラメータを更新する。これにより、形状シミュレーションモデル学習部６３０では、学習済み形状シミュレーションモデル６４０を生成することができる。
　（４－３）具体例の詳細（条件絞り込み処理（ステップＳ１６８）の詳細）
　次に、条件絞り込み処理（ステップＳ１６８）の更なる詳細な具体例について説明する。図９は、条件絞り込み処理の具体例の詳細を示す図である。
　図９の右下に示すように、形状シミュレーション制御部６５０は、処理条件＝「条件１０１」、「条件１０２」、・・・のもとで、学習済み形状シミュレーションモデルを実行させる。これにより、形状シミュレーション制御部６５０は、学習済み形状シミュレーションモデル６４０により予測された、処理後基板の形状データ（「形状データＳ１０１」、「形状データＳ１０２」、・・・）を取得する。
　また、形状シミュレーション制御部６５０は、取得した形状データ（「形状データＳ１０１」、「形状データＳ１０２」、・・・）と、目標とする基板形状の形状データとを比較することで、目標とする基板形状を実現可能な処理条件を絞り込む。更に、絞り込んだ処理条件を、データ収集装置１４０の条件変更部２４０に通知する。
　図９の例は、最適な処理条件の探索の観点から処理条件を絞り込むことで、最終的に、処理条件＝「条件ｘ」が、最適な処理条件として探索された様子を示している。
　また、形状シミュレーション制御部６５０は、収集データ格納部２５０に格納された収集データ５００を参照し、形状シミュレーションモデルの学習処理に用いられていない処理条件を判定する。
　図９の左下に示す破線領域９００は、処理条件として探索可能な範囲を模式的に示したものである。一方、図９において、実線領域９１０は、形状シミュレーションモデルの学習処理に用いられた範囲（内挿範囲）を模式的に示したものである。
　上述したように、形状シミュレーション制御部６５０では、学習済み形状シミュレーションモデル６４０の予測精度向上の観点から、形状シミュレーションモデルの学習処理に用いられていない処理条件のうち、予測精度の低い処理条件を絞り込む。
　図９の例は、形状シミュレーション制御部６５０が、破線領域９００内において、実線領域９１０以外の領域の中から、実線領域９２０に絞り込んだ様子を示している。
　また、図９の例は、形状シミュレーション制御部６５０が、実線領域９２０に含まれる処理条件として、「条件ｘ＋１」、「条件ｘ＋２」、・・・を条件変更部２４０に通知するとともに、学習済み形状シミュレーションモデル６４０に入力した様子を示している。
　これにより、学習済み形状シミュレーションモデル６４０では、
・処理条件＝「条件ｘ＋１」、「条件ｘ＋２」、・・・と、
・処理条件＝「条件ｘ＋１」、「条件ｘ＋２」、・・・のもとで基板処理装置Ｂ１３１～基板処理装置Ｄ１３３が基板を処理した際の、各種観測データ、各種測定データ、処理前基板形状データと、
を入力データとし、
・処理条件＝「条件ｘ＋１」、「条件ｘ＋２」、・・・のもとで基板処理装置Ｂ１３１～基板処理装置Ｄ１３３が基板を処理した際の処理後基板の形状データ、
を正解データとして、学習済み形状シミュレーションモデル６４０に対して再学習処理を行うことができる。
　（５）仮想測定処理（ステップＳ１７１）及び形状シミュレーション処理（ステップＳ１７２）の具体例
　次に、データ収集システム１００により実行される仮想測定処理（ステップＳ１７１）及び形状シミュレーション処理（ステップＳ１７２）の具体例について説明する。図１０は、第１の実施形態に係るデータ収集システムにより実行される仮想測定処理及び形状シミュレーション処理の具体例を示す図である。
　図１０の例は、処理条件＝「条件ｘ」のもとで基板を処理した際、観測データ＝「観測データＭ＿αｘ」が出力された様子を示している。また、図１０の例は、各種観測データが学習済み仮想測定モデル６２０に入力されることで、プラズマ測定データ、消耗量測定データ、パーティクル測定データが予測され、測定データ＝「測定データＩ＿αｘ」が出力された様子を示している。
　このように、プラズマ測定データ、消耗量測定データ、パーティクル測定データを含む「測定データＩ＿αｘ」が出力されることで、作業者等は、従来は監視することができなかった測定データを監視することができる。
　また、図１０の例は、処理条件＝「条件ｘ」、観測データ＝「観測データＭ＿αｘ」、測定データ＝「測定データＩ＿αｘ」、処理前基板形状データ＝「形状データＳ＿αｘ」を学習済み形状シミュレーションモデル６４０に入力した様子を示している。更に、図１０の例は、学習済み形状シミュレーションモデル６４０より、処理後基板形状データ＝「形状データＳ＿αｘ’」が出力された様子を示している。
　このように、処理後基板形状データが予測されることで、作業者等は、処理後基板について全数検査を行わなくても、処理後基板の良否を判定することができる。
　＜データ収集装置及びデータ解析装置のハードウェア構成＞
　次に、データ収集装置１４０及びデータ解析装置１５０のハードウェア構成について説明する。図１１は、データ収集装置及びデータ解析装置のハードウェア構成の一例を示す図である。
　（１）データ収集装置
　図１１の１１ａに示すように、データ収集装置１４０は、プロセッサ１１０１、メモリ１１０２、補助記憶装置１１０３、Ｉ／Ｆ（Interface）装置１１０４、通信装置１１０５、ドライブ装置１１０６を有する。なお、データ収集装置１４０の各ハードウェアは、バス１１０７を介して相互に接続されている。
　プロセッサ１１０１は、ＣＰＵ（Central Processing Unit）、ＧＰＵ（Graphics Processing Unit）等の各種演算デバイスを有する。プロセッサ１１０１は、各種プログラム（例えば、データ収集プログラム等）をメモリ１１０２上に読み出して実行する。
　メモリ１１０２は、ＲＯＭ（Read Only Memory）、ＲＡＭ（Random Access Memory）等の主記憶デバイスを有する。プロセッサ１１０１とメモリ１１０２とは、いわゆるコンピュータを形成し、プロセッサ１１０１が、メモリ１１０２上に読み出した各種プログラムを実行することで、当該コンピュータは上記各種機能を実現する。
　補助記憶装置１１０３は、各種プログラムや、各種プログラムがプロセッサ１１０１によって実行される際に用いられる各種データを格納する。上述した収集データ格納部２５０は、補助記憶装置１１０３において実現される。
　Ｉ／Ｆ装置１１０４は、表示装置１１０８、操作装置１１０９と、データ収集装置１４０とを接続する接続デバイスである。
　通信装置１１０５は、ネットワークを介して基板処理装置１１０、基板処理装置Ａ１２０、基板処理装置Ｂ１３１～基板処理装置Ｄ１３３、形状測定装置１１１０、データ解析装置１５０等と通信するための通信デバイスである。
　ドライブ装置１１０６は記録媒体１１１１をセットするためのデバイスである。ここでいう記録媒体１１１１には、ＣＤ－ＲＯＭ、フレキシブルディスク、光磁気ディスク等のように情報を光学的、電気的あるいは磁気的に記録する媒体が含まれる。また、記録媒体１１１１には、ＲＯＭ、フラッシュメモリ等のように情報を電気的に記録する半導体メモリ等が含まれていてもよい。
　なお、補助記憶装置１１０３にインストールされる各種プログラムは、例えば、配布された記録媒体１１１１がドライブ装置１１０６にセットされ、該記録媒体１１１１に記録された各種プログラムが読み出されることでインストールされる。あるいは、補助記憶装置１１０３にインストールされる各種プログラムは、通信装置１１０５を介してネットワークからダウンロードされることで、インストールされてもよい。
　（２）データ解析装置
　図１１の１１ｂに示すように、データ解析装置１５０のハードウェア構成は、データ収集装置１４０のハードウェア構成と同様であるため、ここでは、データ収集装置１４０との相違点について説明する。
　データ解析装置１５０の場合、プロセッサ１１２１は、データ解析プログラムをメモリ１１２２上に読み出して実行する。
　また、データ解析装置１５０の場合、通信装置１１２５は、基板処理装置１１０、データ収集装置１４０と通信する。
　＜まとめ＞
　以上の説明から明らかなように、第１の実施形態に係る収集システムは、
・第１のチャンバを有する基板処理装置Ａと、第１のチャンバとは異なる第２のチャンバを有する基板処理装置Ｂ～Ｄと、基板処理装置Ａ及び基板処理装置Ｂ～Ｄと接続されるデータ収集装置１４０とを有する。
・同一または類似形状の基板が、同一条件のもとで、第１のチャンバ及び第２のチャンバにおいてそれぞれ処理されることで観測される各種観測データを比較し、第２のチャンバにおいて処理されることで観測される各種観測データを補正する補正量を算出する。
・第２のチャンバにおいて処理条件を変更しながら基板を処理することで最適な処理条件を探索する際、第２のチャンバにおいて処理されることで観測される観測データを、補正量に基づいて補正し、補正後の観測データを収集する。
　このように、第１の実施形態に係る収集システムは、複数の基板処理装置を用いて、同一または類似形状の基板を同一条件のもとで処理し、擾乱の影響を補正した観測データを収集する。これにより、第１の実施形態によれば、基板処理における処理条件の探索において、適切な（擾乱の影響が排除された）各種観測データを収集することができる。
　また、第１の実施形態に係る収集システムは、
・第１のチャンバを、基準基板処理装置が有する基準チャンバと同一に構成する。
・同一または類似形状の基板が、同一条件のもとで、基準チャンバ及び第１のチャンバにおいてそれぞれ処理されることで観測される各種観測データから、機差に基づく校正量を算出する。
　これにより、第１の実施形態によれば、基板処理における処理条件の探索において、適切な（機差の影響が排除された）各種観測データを収集することができる。
　また、第１の実施形態に係る収集システムは、
・基板処理装置Ｂ～Ｄの各第２のチャンバに、プラズマプローブ、消耗量センサ、パーティクルセンサを追加して取り付け、基板の処理中の各種測定データ（プラズマ測定データ、消耗量測定データ、パーティクル測定データ）を収集して、表示する。
　これにより、第１の実施形態によれば、チャンバ内の状態を表す詳細なデータである各種測定データを参照しながら、処理条件を変更することが可能となり、最適な処理条件を効率よく探索することができる。
　また、第１の実施形態に係る収集システムは、
・基板処理中の各種測定データを予測する学習済みの仮想測定モデルを生成する。
・基板処理中の各種測定データを含めて学習処理を行い、学習済みの形状シミュレーションモデルを生成する。
　これにより、学習済みの形状シミュレーションモデルの予測精度を向上させることができる。また、学習済みの形状シミュレーションモデルを用いて処理条件を絞り込むことが可能となり、最適な処理条件を効率よく探索することができる。
　また、第１の実施形態に係る収集システムは、
・生成した学習済みの仮想測定モデル及び学習済みの形状シミュレーションモデルを、量産機の基板処理装置に搭載する。
　これにより、量産機の基板処理装置において基板を処理する際に、従来は監視することができなかった各種測定データを監視することができる。また、処理後基板の形状データを予測して表示することが可能となり、処理後基板について全数検査を行わなくても、処理後基板の良否を判定することが可能になる。
　［第２の実施形態］
　上記第１の実施形態に係るデータ収集システム１００では、基板製造メーカに設置された基板処理装置（基準基板処理装置）と同じ基板処理装置Ａ（量産機）を、基板処理装置製造メーカに設置するものとして説明した。しかしながら、データ収集システムの構成はこれに限定されず、例えば、基板処理装置製造メーカに基板処理装置Ａを設置することなくデータ収集システムを構成してもよい。以下、第２の実施形態に係るデータ収集システムについて説明する。
　＜データ収集システムの構成及び処理の概要＞
　はじめに、第２の実施形態に係るデータ収集システムの構成及び第２の実施形態に係るデータ収集システムにより実行される処理の概要について説明する。図１２は、第２の実施形態に係るデータ収集システムの構成及び処理の概要を示す図である。
　図１２に示すように、データ収集システム１２００は、
・第１の基板処理装置の一例である、基板処理装置Ａ１２１０、
・第２の基板処理装置の一例である、基板処理装置Ｂ１３１、基板処理装置Ｃ１３２、基板処理装置Ｄ１３３、
・データ収集装置１４０、
・データ解析装置１５０、
を有する。なお、本実施形態では、説明の便宜上、基板処理装置Ａ１２１０が、基板処理装置１１０の代わりに、基板製造メーカに設置されている、というシステム構成にしている。
　データ収集システム１２００は、上記第１の実施形態同様、例えば、基板製造メーカにて目標とする基板形状の基板が量産できるよう、基板処理装置製造メーカが基板製造メーカをサポートするシーン等において適用される。
　基板処理装置Ａ１２１０は、例えば、基板製造メーカに設置される（量産機）。基板処理装置Ａ１２１０は、第１のチャンバを有し、所定の処理条件のもとで基板を処理する。基板処理装置Ａ１２１０には、各種観測センサが取り付けられており、基板の処理中に各種観測センサにて観測された観測データを出力する。
　なお、図１２に示す基板処理装置Ｂ１３１～基板処理装置Ｄ１３３、データ収集装置１４０、データ解析装置１５０は、図１と同様であるため、ここでは説明を省略する。
　また、「最適条件探索のための実験フェーズ」に含まれる各処理は、校正量算出処理（ステップＳ１６１）が含まれていない点以外は、図１と同様であるため、ここでは説明を省略する。
　更に、「最適条件による処理フェーズ」に含まれる各処理も、基板処理装置Ａ１２１０によって実行される点以外は、図１と同様であるため、ここでは説明を省略する。
　＜データ収集システムにより実行される処理の具体例＞
　次に、データ収集システム１２００により実行される処理のうち、補正量算出処理（ステップＳ１６２）の具体例について説明する。
　（１）補正量算出処理（ステップＳ１６２）の具体例
　図１３は、第２の実施形態に係るデータ収集システムにより実行される補正量算出処理の具体例を示す図である。
　図１３の例は、基板処理装置Ａ１２０及び基板処理装置Ｂ１３１～Ｄ１３３が、処理条件＝「条件１」のもとで、同一または類似形状の処理前基板を処理した様子を示している。更に、図１３の例は、基板処理装置Ａ１２０及び基板処理装置Ｂ１３１～Ｄ１３３から、それぞれ、観測データ＝「観測データＭ＿Ａ１」～「観測データＭ＿Ｄ１」が出力された様子を示している。
　図３との相違点は、図１３の場合、補正量算出部２２０が、取得した観測データ＝「観測データＭ＿Ａ１」に一致させるための補正量として、補正量ｂ’、ｃ’、ｄ’（機差及び擾乱の両方の影響を排除するための補正量）を算出する点である。
　＜まとめ＞
　以上の説明から明らかなように、第２の実施形態に係るデータ収集システムは、
・基板製造メーカに設置された基板処理装置（基準基板処理装置）と同じ基板処理装置Ａを、基板処理装置製造メーカに設置することなく、データ収集システムを構成する。
・同一または類似形状の基板が、同一条件のもとで、第１のチャンバ及び第２のチャンバにおいてそれぞれ処理されることで観測される各種観測データを比較し、第２のチャンバにおいて処理されることで観測される各種観測データを補正する補正量を算出する。
・第２のチャンバにおいて処理条件を変更しながら基板を処理することで最適な処理条件を探索する際、第２のチャンバにおいて処理されることで観測される観測データを、補正量に基づいて補正し、補正後の観測データを収集する。
　これにより、第２の実施形態によれば、基板処理における処理条件の探索において、適切な（機差の影響及び擾乱の影響が排除された）各種観測データを収集することができる。
　［第３の実施形態］
　上記第１及び第２の実施形態では、補正量算出処理（ステップＳ１６２、Ｓ１６７）において、各種観測データの補正量を算出するものとして説明した。これに対して、第３の実施形態では、補正量算出処理において、各種測定データ（具体的には、パーティクル測定データ）についても、補正量を算出する。以下、第３の実施形態について、上記第１及び第２の実施形態との相違点を中心に説明する。
　図１４は、第３の実施形態に係るデータ収集システムにより実行される補正量算出処理の具体例を示す図である。図１４の例は、基板処理装置Ａ１２１０が、処理条件＝「条件０」のもとで、処理前ＱＣ基板を処理することで、処理後ＱＣ基板が得られ、パーティクル測定データ＝「パーティクル測定データＡ０」が測定された様子を示している。
　また、図１４の例は、基板処理装置Ｄ１３３が、処理前基板を処理することで、パーティクル測定データ＝「パーティクル測定データＤ０」を出力した様子を示している。
　第３の実施形態に係るデータ収集システムでは、補正量算出処理（ステップＳ１６２、Ｓ１６７）において、補正量算出部１４１０が動作する。その際、補正量算出部１４１０は、基板処理装置Ａ１２１０及び基板処理装置Ｄ１３３から出力されたパーティクル測定データ＝「パーティクル測定データＡ０」、「パーティクル測定データＤ０」を取得する。
　また、補正量算出部１４１０は、取得したパーティクル測定データ＝「パーティクル測定データＤ０」を、パーティクル測定データ＝「パーティクル測定データＡ０」に一致させるための補正量ｐを算出し、収集部２３０に通知する。これにより、以降、データ収集装置１４０では、基板処理装置Ｄ１３３より出力されたパーティクル測定データを、補正量ｐを用いて補正したうえで、収集データ格納部２５０に格納することができる。
　これにより、第３の実施形態によれば、基板処理における処理条件の探索において、適切な（機差の影響及び擾乱の影響が排除された）測定データを収集することができる。
　［第４の実施形態］
　上記第１乃至第３の実施形態では、条件絞り込み処理（ステップＳ１６８）において、目標とする基板形状を実現する、最適な処理条件が探索できるものとして説明した。しかしながら、データ解析装置１５０において、最適な処理条件が探索できないケースも想定される。
　このようなケースでは、現状の処理条件を変更するだけでは、目標とする基板形状を実現することができないとの判定結果が出力されるように構成してもよい。
　更に、現状の処理条件以外の処理条件の変更が提案されるように構成してもよい。ここでいう現状の処理条件以外の処理条件の変更には、例えば、パルス変調、インピーダンスコントロール等が含まれる。
　［その他の実施形態］
　上記第１乃至第４の実施形態では、基板処理装置による基板処理の具体例について言及しなかったが、基板処理装置による基板処理には、例えば、成膜処理、エッチング処理が含まれてもよい。また、上記第１乃至第４の実施形態では、基板処理装置の具体例について言及しなかったが、基板処理装置には、エッチング装置、成膜装置、アッシング装置、アニール装置、ドーピング装置等が含まれてもよい。
　また、上記第１乃至第４の実施形態では、基板形状データとして、限界寸法、深さ、テーパ角、チルト角、ボーイング等、基板の外観に関するデータを例示したが、基板形状データは、基板の外観に関するデータに限定されない。例えば、基板形状データには、膜厚、膜種、膜特性等、基板の外観に関するデータ以外のデータが含まれてもよい。
　また、上記第１乃至第４の実施形態における「同一の処理条件」とは、処理条件が完全に同じである場合に限定されず、例えば、処理前後の基板形状データの変化において、同じ効果が得られる処理条件が含まれてもよい。なお、ここでいう“同じ効果”とは、処理前後の基板形状データの変化が完全に同じである必要はなく、基板形状データの変化が同程度のもの（所定の範囲内のもの）を指すものとする。
　また、上記第１乃至第４の実施形態における「同一または類似形状の基板」とは、基板形状データが同程度のもの（所定の範囲内のもの）を含むものとする。
　また、上記第１の実施形態では、各種測定データとして、プラズマ測定データ、消耗量測定データ、パーティクル測定データを挙げたが、これらに限定されず、他の測定データが含まれてもよい。
　また、上記第１の実施形態では、各種測定データが、基板処理装置内に取り付けられたセンサにより測定されるものとして説明したが、各種測定データは、基板処理装置外から取得してもよい。つまり、上記他の測定データには、例えば、ＸＰＳ（X-ray Photoelectron Spectroscopy）による成分分析データ等が含まれてもよい。あるいは、上記他の測定データには、別のプロセス処理装置によるプロセス処理によって得られる特性データ等が含まれてもよい。
　また、上記第１乃至第４の実施形態では、データ収集装置１４０とデータ解析装置１５０とを別体として構成したが、データ収集装置１４０とデータ解析装置１５０とは一体として構成してもよい。
　また、上記第１乃至第４の実施形態では、データ収集装置１４０及びデータ解析装置１５０を、基板処理装置１１０、あるいは、基板処理装置Ａ１２０、基板処理装置Ｂ１３１～Ｄ１３３とは別体として構成した。しかしながら、データ収集装置１４０またはデータ解析装置１５０は、基板処理装置１１０、あるいは、基板処理装置Ａ１２０、基板処理装置Ｂ１３１～Ｄ１３３の内部に設けられていてもよい。
　また、上記第１乃至第４の実施形態では、データ収集装置１４０及びデータ解析装置１５０が、単体で、それぞれデータ収集プログラム及びデータ解析プログラムを実行するものとして説明した。しかしながら、データ収集装置１４０及びデータ解析装置１５０は、それぞれ、例えば、複数台のコンピュータにより構成されてもよく、それぞれにデータ収集プログラムまたはデータ解析プログラムをインストールすることで、データ収集プログラムまたはデータ解析プログラムが、分散コンピューティングの形態で実行されてもよい。
　また、上記第１乃至第４の実施形態では、データ収集装置１４０の補助記憶装置１１０３へのデータ収集プログラムのインストール方法の一例として、ネットワークを介してダウンロードして、インストールする方法について言及した。また、データ解析装置１５０の補助記憶装置１１２３へのデータ解析プログラムのインストール方法の一例として、ネットワークを介してダウンロードして、インストールする方法について言及した。このとき、ダウンロード元については特に言及しなかったが、かかる方法によりインストールする場合、ダウンロード元は、例えば、データ収集プログラムまたはデータ解析プログラムをアクセス可能に格納したサーバ装置であってもよい。また、当該サーバ装置は、ネットワークを介してデータ収集装置１４０またはデータ解析装置１５０それぞれからのアクセスを受け付け、課金を条件にデータ収集プログラムまたはデータ解析プログラムをダウンロードするクラウド上の装置であってもよい。つまり、当該サーバ装置は、データ収集プログラムまたはデータ解析プログラムの提供サービスを行うクラウド上の装置であってもよい。
　また、上記第１乃至第４の実施形態では、仮想測定モデルの詳細について言及しなかったが、上記第１乃至第４の実施形態において用いられる仮想測定モデルは、例えば、ＡＲＸモデルであってもよい。また、上記第１乃至第４の実施形態では、形状シミュレーションモデルの詳細について言及しなかったが、上記第１乃至第４の実施形態において用いられる形状シミュレーションモデルは、例えば、畳み込みニューラルネットワークによるモデルであってもよい。ただし、上記第１乃至第４の実施形態で用いられる各種モデルは、これらの例示に限定されず、その他の深層学習を含む機械学習の学習モデル、統計モデル、あるいは、それらのモデルを組み合わせたモデル等であってもよい。
　なお、上記実施形態に挙げた構成等に、その他の要素との組み合わせ等、ここで示した構成に本発明が限定されるものではない。これらの点に関しては、本発明の趣旨を逸脱しない範囲で変更することが可能であり、その応用形態に応じて適切に定めることができる。
　本出願は、２０２１年３月２日に出願された日本国特許出願第２０２１－０３２８９０号に基づきその優先権を主張するものであり、同日本国特許出願の全内容を参照することにより本願に援用する。
　１００　　　　　　　：データ収集システム
　１１０　　　　　　　：基板処理装置
　１２０　　　　　　　：基板処理装置Ａ
　１３１　　　　　　　：基板処理装置Ｂ
　１３２　　　　　　　：基板処理装置Ｃ
　１３３　　　　　　　：基板処理装置Ｄ
　１４０　　　　　　　：データ収集装置
　１５０　　　　　　　：データ解析装置
　２１０　　　　　　　：校正量算出部
　２２０　　　　　　　：補正量算出部
　２３０　　　　　　　：収集部
　２４０　　　　　　　：条件変更部
　５００　　　　　　　：収集データ
　６１０　　　　　　　：仮想測定モデル学習部
　６２０　　　　　　　：学習済み仮想測定モデル
　６３０　　　　　　　：形状シミュレーションモデル学習部
　６４０　　　　　　　：学習済み形状シミュレーションモデル
　６５０　　　　　　　：形状シミュレーション制御部
　１２００　　　　　　：データ収集システム
　１２１０　　　　　　：基板処理装置Ａ

Claims (15)

  1. 　第１の処理空間を有する第１の基板処理装置と、前記第１の処理空間とは異なる第２の処理空間を有する第２の基板処理装置と、前記第１の基板処理装置及び第２の基板処理装置と接続されるデータ収集装置と、を有するデータ収集システムであって、
    　同一または類似形状の基板が、同一の処理条件のもとで、前記第１の処理空間及び第２の処理空間においてそれぞれ処理されることで観測される観測データを比較し、前記第２の処理空間において処理されることで観測される観測データを補正する補正量を算出する補正量算出部と、
    　前記第２の処理空間において処理条件を変えて基板を処理することで処理条件を探索する際、前記第２の処理空間において処理されることで観測される観測データを、前記補正量に基づいて補正し、補正後の観測データを収集する収集部と
    　を有するデータ収集システム。
  2. 　前記第１の処理空間は、基準処理空間と同一であり、
    　前記データ収集システムは、
    　同一または類似形状の基板が、同一の処理条件のもとで、前記基準処理空間及び前記第１の処理空間においてそれぞれ処理されることで観測される観測データから、機差に基づく校正量を算出する校正量算出部を更に有し、
    　前記補正量算出部が補正量を算出する際に比較される、前記第１の処理空間において処理されることで観測される観測データは、前記校正量に基づいて校正された観測データである、請求項１に記載のデータ収集システム。
  3. 　前記第２の基板処理装置には、前記第１の基板処理装置には取り付けられていないセンサが追加して取り付けられており、
    　前記収集部は、
    　前記第２の処理空間において処理条件を変えて基板を処理することで処理条件を探索する際、前記追加して取り付けられたセンサにより測定された測定データを収集する、請求項１に記載のデータ収集システム。
  4. 　前記第２の基板処理装置には、
    　　前記第２の処理空間内におけるプラズマを測定するセンサが追加して取り付けられた基板処理装置、
    　　前記第２の処理空間内におけるパーツの消耗量を測定するセンサが追加して取り付けられた基板処理装置、
    　　前記第２の処理空間内におけるパーティクルを測定するセンサが追加して取り付けられた基板処理装置、
    　の少なくともいずれかが含まれる、請求項１に記載のデータ収集システム。
  5. 　前記第２の処理空間において処理条件を変えて基板を処理することで処理条件を探索する際、前記追加して取り付けられたセンサにより測定された測定データを表示する、請求項３に記載のデータ収集システム。
  6. 　前記収集部により収集された補正後の観測データを入力データ、前記収集部により収集された測定データを正解データとして仮想測定モデルを学習する仮想測定モデル学習部を更に有する、請求項１に記載のデータ収集システム。
  7. 　前記第１の基板処理装置は、前記仮想測定モデル学習部により学習された学習済みの仮想測定モデルを有し、
    　前記第１の処理空間において処理されることで観測される観測データを、前記学習済みの仮想測定モデルに入力することで予測された測定データを表示する、請求項６に記載のデータ収集システム。
  8. 　前記収集部により収集された補正後の観測データ、前記収集部により収集された測定データ、及び、前記第２の処理空間において基板を処理する際の処理条件を入力データとし、前記第２の処理空間において処理条件を変えて基板を処理することで得られた処理後基板の形状データを正解データとして、形状シミュレーションモデルを学習する形状シミュレーションモデル学習部を更に有する、請求項６に記載のデータ収集システム。
  9. 　前記形状シミュレーションモデル学習部により学習された学習済みの形状シミュレーションモデルと、
    　前記第２の処理空間において処理条件を変えて基板を処理することで処理条件を探索する際、前記学習済みの形状シミュレーションモデルにより予測される処理後基板の形状データを、目標とする形状データに近づけるように処理条件を絞り込む制御部と
    　を更に有する、請求項８に記載のデータ収集システム。
  10. 　前記学習済みの形状シミュレーションモデルにより予測される処理後基板の形状データの予測精度に基づいて、前記学習済みの形状シミュレーションモデルを再学習するのに用いる補正後の観測データ及び測定データを収集するための処理条件を絞り込む制御部を更に有する、請求項９に記載のデータ収集システム。
  11. 　前記第２の処理空間において処理条件を変えて基板を処理することで処理条件を探索する際、前記学習済みの形状シミュレーションモデルを用いて処理後基板の形状データを予測することで、目標とする形状データとの差分が所定の閾値未満となる処理条件が探索可能か否かを判定する判定部を、更に有する請求項９に記載のデータ収集システム。
  12. 　前記第１の基板処理装置は、前記形状シミュレーションモデル学習部により学習された学習済みの形状シミュレーションモデルを有し、
    　前記第１の処理空間において処理されることで観測される観測データと、該観測データを前記学習済みの仮想測定モデルに入力することで予測される測定データと、前記第１の処理空間において基板を処理する際の処理条件と、を前記学習済みの形状シミュレーションモデルに入力することで予測された処理後基板の形状データを表示する、請求項８に記載のデータ収集システム。
  13. 　第１の処理空間を有する第１の基板処理装置及び前記第１の処理空間とは異なる第２の処理空間を有する第２の基板処理装置と接続されるデータ収集装置であって、
    　同一または類似形状の基板が、同一の処理条件のもとで、前記第１の処理空間及び第２の処理空間においてそれぞれ処理されることで観測される観測データを比較し、前記第２の処理空間において処理されることで観測される観測データを補正する補正量を算出する補正量算出部と、
    　前記第２の処理空間において処理条件を変えて基板を処理することで処理条件を探索する際、前記第２の処理空間において処理されることで観測される観測データを、前記補正量に基づいて補正し、補正後の観測データを収集する収集部と
    　を有するデータ収集装置。
  14. 　第１の処理空間を有する第１の基板処理装置及び前記第１の処理空間とは異なる第２の処理空間を有する第２の基板処理装置と接続されるデータ収集装置のデータ収集方法であって、
    　同一または類似形状の基板が、同一の処理条件のもとで、前記第１の処理空間及び第２の処理空間においてそれぞれ処理されることで観測される観測データを比較し、前記第２の処理空間において処理されることで観測される観測データを補正する補正量を算出する工程と、
    　前記第２の処理空間において処理条件を変えて基板を処理することで処理条件を探索する際、前記第２の処理空間において処理されることで観測される観測データを、前記補正量に基づいて補正し、補正後の観測データを収集する工程と
    　を有するデータ収集方法。
  15. 　第１の処理空間を有する第１の基板処理装置及び前記第１の処理空間とは異なる第２の処理空間を有する第２の基板処理装置と接続されるデータ収集装置のコンピュータに、
    　同一または類似形状の基板が、同一の処理条件のもとで、前記第１の処理空間及び第２の処理空間においてそれぞれ処理されることで観測される観測データを比較し、前記第２の処理空間において処理されることで観測される観測データを補正する補正量を算出する工程と、
    　前記第２の処理空間において処理条件を変えて基板を処理することで処理条件を探索する際、前記第２の処理空間において処理されることで観測される観測データを、前記補正量に基づいて補正し、補正後の観測データを収集する工程と
    　を有するデータ収集プログラム。
PCT/JP2022/006954 2021-03-02 2022-02-21 データ収集システム、データ収集装置、データ収集方法及びデータ収集プログラム WO2022185969A1 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
KR1020237032676A KR20230150332A (ko) 2021-03-02 2022-02-21 데이터 수집 시스템, 데이터 수집 장치, 데이터 수집 방법 및 데이터 수집 프로그램
JP2023503720A JPWO2022185969A1 (ja) 2021-03-02 2022-02-21
CN202280017209.1A CN116941012A (zh) 2021-03-02 2022-02-21 数据收集系统、数据收集装置、数据收集方法以及数据收集程序
US18/455,067 US20230395411A1 (en) 2021-03-02 2023-08-24 Data collection system, data collection apparatus, data collection method, and data collection program

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2021-032890 2021-03-02
JP2021032890 2021-03-02

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US18/455,067 Continuation US20230395411A1 (en) 2021-03-02 2023-08-24 Data collection system, data collection apparatus, data collection method, and data collection program

Publications (1)

Publication Number Publication Date
WO2022185969A1 true WO2022185969A1 (ja) 2022-09-09

Family

ID=83154380

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2022/006954 WO2022185969A1 (ja) 2021-03-02 2022-02-21 データ収集システム、データ収集装置、データ収集方法及びデータ収集プログラム

Country Status (6)

Country Link
US (1) US20230395411A1 (ja)
JP (1) JPWO2022185969A1 (ja)
KR (1) KR20230150332A (ja)
CN (1) CN116941012A (ja)
TW (1) TW202242958A (ja)
WO (1) WO2022185969A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024080293A1 (ja) * 2022-10-14 2024-04-18 東京エレクトロン株式会社 情報処理方法、コンピュータプログラム及び情報処理装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004025058A (ja) * 2002-06-26 2004-01-29 Dainippon Screen Mfg Co Ltd 基板処理システムおよび基板処理方法
JP2004031671A (ja) * 2002-06-26 2004-01-29 Dainippon Screen Mfg Co Ltd 基板処理システムおよび基板処理方法
JP2011071296A (ja) * 2009-09-25 2011-04-07 Sharp Corp 特性予測装置、特性予測方法、特性予測プログラムおよびプログラム記録媒体
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
WO2019182913A1 (en) * 2018-03-20 2019-09-26 Tokyo Electron Limited Self-aware and correcting heterogenous platform incorporating integrated semiconductor processing modules and method for using same

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008034877A (ja) 2007-10-10 2008-02-14 Hitachi Ltd 半導体装置の製造方法および製造システム
JP7018823B2 (ja) 2018-05-29 2022-02-14 東京エレクトロン株式会社 モデル生成装置、モデル生成プログラムおよびモデル生成方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004025058A (ja) * 2002-06-26 2004-01-29 Dainippon Screen Mfg Co Ltd 基板処理システムおよび基板処理方法
JP2004031671A (ja) * 2002-06-26 2004-01-29 Dainippon Screen Mfg Co Ltd 基板処理システムおよび基板処理方法
JP2011071296A (ja) * 2009-09-25 2011-04-07 Sharp Corp 特性予測装置、特性予測方法、特性予測プログラムおよびプログラム記録媒体
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
WO2019182913A1 (en) * 2018-03-20 2019-09-26 Tokyo Electron Limited Self-aware and correcting heterogenous platform incorporating integrated semiconductor processing modules and method for using same

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024080293A1 (ja) * 2022-10-14 2024-04-18 東京エレクトロン株式会社 情報処理方法、コンピュータプログラム及び情報処理装置

Also Published As

Publication number Publication date
US20230395411A1 (en) 2023-12-07
KR20230150332A (ko) 2023-10-30
CN116941012A (zh) 2023-10-24
TW202242958A (zh) 2022-11-01
JPWO2022185969A1 (ja) 2022-09-09

Similar Documents

Publication Publication Date Title
TWI704506B (zh) 金屬線放電加工機之控制裝置及機器學習裝置
CN107015165B (zh) 基于稀疏系数多核相关向量机的锂电池剩余寿命预测方法
KR20160048657A (ko) Rf 송신 시스템 모델들을 개량하기 위한 시스템, 방법 및 장치
JP2017030067A (ja) 加工時間測定機能とオンマシン測定機能を有する制御装置付き加工装置
US11625518B2 (en) Learning device, inference device, and learned model
KR102206347B1 (ko) 시스템 및 처리 조건의 결정 방법
US20200104708A1 (en) Training apparatus, inference apparatus and computer readable storage medium
KR101234797B1 (ko) 로봇 및 산출된 공분산을 이용한 로봇의 위치 추정 방법
WO2022185969A1 (ja) データ収集システム、データ収集装置、データ収集方法及びデータ収集プログラム
JP2007272498A (ja) 運転制御方法，運転制御装置及び運転制御システム
CN113169044A (zh) 高度共线响应空间中的规范性分析
JP2018537853A (ja) ウエハのポイントバイポイント分析及びデータの提示
TW202227837A (zh) 利用基於模型的數位分身進行射頻匹配控制
JP7180692B2 (ja) 推定装置、推定方法、及びプログラム
JP2022042979A (ja) 温度推定装置、プラズマ処理システム、温度推定方法及び温度推定プログラム
JP7246576B2 (ja) 情報処理方法、モデルの生成方法および情報処理装置
CN117708728A (zh) 传感器测量异常检测
JP7036128B2 (ja) 制御装置、制御方法およびプログラム
US9947361B2 (en) Active vibration control device and design method therefor
JP2021012605A (ja) 伝達関数の予測方法
CN111258222A (zh) 自回归滑动平均系统自适应状态估计方法及闭环控制系统
TW202123057A (zh) 推論裝置、推論方法及推論程式
US20230369032A1 (en) Etching processing apparatus, etching processing system, analysis apparatus, etching processing method, and storage medium
EP4075924A1 (en) Charged particle irradiation device, system, method, and program
US20240045388A1 (en) Management apparatus, prediction method, and prediction program

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: 22763025

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 2023503720

Country of ref document: JP

WWE Wipo information: entry into national phase

Ref document number: 202280017209.1

Country of ref document: CN

ENP Entry into the national phase

Ref document number: 20237032676

Country of ref document: KR

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: 22763025

Country of ref document: EP

Kind code of ref document: A1