WO2023182077A1 - 解析装置、基板処理システム、基板処理装置、解析方法及び解析プログラム - Google Patents
解析装置、基板処理システム、基板処理装置、解析方法及び解析プログラム Download PDFInfo
- Publication number
- WO2023182077A1 WO2023182077A1 PCT/JP2023/009835 JP2023009835W WO2023182077A1 WO 2023182077 A1 WO2023182077 A1 WO 2023182077A1 JP 2023009835 W JP2023009835 W JP 2023009835W WO 2023182077 A1 WO2023182077 A1 WO 2023182077A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- temperature
- substrate
- learning
- analysis
- analysis device
- Prior art date
Links
- 238000012545 processing Methods 0.000 title claims abstract description 181
- 239000000758 substrate Substances 0.000 title claims abstract description 173
- 238000004458 analytical method Methods 0.000 title claims abstract description 105
- 238000004364 calculation method Methods 0.000 claims abstract description 40
- 238000000034 method Methods 0.000 claims abstract description 37
- 238000010586 diagram Methods 0.000 description 18
- 239000000463 material Substances 0.000 description 17
- 238000013480 data collection Methods 0.000 description 11
- 238000005259 measurement Methods 0.000 description 11
- 238000012546 transfer Methods 0.000 description 9
- 238000013459 approach Methods 0.000 description 6
- 238000013500 data storage Methods 0.000 description 6
- 239000003507 refrigerant Substances 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 239000004020 conductor Substances 0.000 description 4
- 238000009792 diffusion process Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 239000012212 insulator Substances 0.000 description 4
- 230000007704 transition Effects 0.000 description 4
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 3
- 229910052782 aluminium Inorganic materials 0.000 description 3
- 239000010453 quartz Substances 0.000 description 2
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 2
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 239000010407 anodic oxide Substances 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 239000002826 coolant Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 229910021421 monocrystalline silicon Inorganic materials 0.000 description 1
- 238000001020 plasma etching Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 238000001179 sorption measurement Methods 0.000 description 1
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
- H01L21/02—Manufacture or treatment of semiconductor devices or of parts thereof
- H01L21/04—Manufacture or treatment of semiconductor devices or of parts thereof the devices having potential barriers, e.g. a PN junction, depletion layer or carrier concentration layer
- H01L21/18—Manufacture or treatment of semiconductor devices or of parts thereof the devices having potential barriers, e.g. a PN junction, depletion layer or carrier concentration layer the devices having semiconductor bodies comprising elements of Group IV of the Periodic Table or AIIIBV compounds with or without impurities, e.g. doping materials
- H01L21/30—Treatment of semiconductor bodies using processes or apparatus not provided for in groups H01L21/20 - H01L21/26
- H01L21/302—Treatment of semiconductor bodies using processes or apparatus not provided for in groups H01L21/20 - H01L21/26 to change their surface-physical characteristics or shape, e.g. etching, polishing, cutting
- H01L21/306—Chemical or electrical treatment, e.g. electrolytic etching
- H01L21/3065—Plasma etching; Reactive-ion etching
-
- 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
- H01L21/04—Manufacture or treatment of semiconductor devices or of parts thereof the devices having potential barriers, e.g. a PN junction, depletion layer or carrier concentration layer
- H01L21/18—Manufacture or treatment of semiconductor devices or of parts thereof the devices having potential barriers, e.g. a PN junction, depletion layer or carrier concentration layer the devices having semiconductor bodies comprising elements of Group IV of the Periodic Table or AIIIBV compounds with or without impurities, e.g. doping materials
- H01L21/30—Treatment of semiconductor bodies using processes or apparatus not provided for in groups H01L21/20 - H01L21/26
- H01L21/31—Treatment of semiconductor bodies using processes or apparatus not provided for in groups H01L21/20 - H01L21/26 to form insulating layers thereon, e.g. for masking or by using photolithographic techniques; After treatment of these layers; Selection of materials for these layers
Definitions
- the present disclosure relates to an analysis apparatus, a substrate processing system, a substrate processing apparatus, an analysis method, and an analysis program.
- a temperature adjustment element for example, a heater
- an electrostatic chuck substrate support part that supports the substrate
- the substrate processing apparatus is required to perform appropriate temperature adjustment so that the temperature of the substrate approaches the target temperature.
- the temperature of the entire substrate may not uniformly reach the target temperature.
- localized temperature unevenness due to machine differences may cause a decrease in adjustment accuracy, such as deviation of the in-plane average temperature of the substrate from the target temperature.
- the present disclosure provides an analysis device, a substrate processing system, a substrate processing device, an analysis method, and an analysis program that improve adjustment accuracy when adjusting the temperature of a substrate.
- An analysis device has, for example, the following configuration. That is, Setting parameters of temperature adjustment elements provided in each divided area of the substrate support in the processing space under the first vacuum environment, and temperature data of each position of the substrate supported by the substrate support. a learning unit configured to perform a learning process using one temperature data group and generate a learned model; and a calculation unit configured to use the learned model to calculate setting parameters for each temperature adjustment element according to the target temperature of the substrate.
- an analysis device a substrate processing system, a substrate processing device, an analysis method, and an analysis program are provided that improve adjustment accuracy when adjusting the temperature of a substrate.
- FIG. 1 is a diagram for explaining an overview of the processing that the substrate processing system executes in each phase.
- FIG. 2 is a diagram showing an example of the configuration of a substrate processing apparatus.
- FIG. 3 is a top view showing an example of an electrostatic chuck included in the substrate processing apparatus.
- FIG. 4 is a circuit diagram showing an example of a power supply section included in the substrate processing apparatus.
- FIG. 5 is a diagram showing an example of the hardware configuration of the analysis device.
- FIG. 6 is a diagram showing an example of the functional configuration (pre-learning phase) of the substrate processing system.
- FIG. 7 is a diagram showing a specific example of pre-learning data and a specific example of processing by the pre-learning unit.
- FIG. 8 is a diagram illustrating an example of the functional configuration (additional learning phase) of the substrate processing system.
- FIG. 9 is a diagram showing a specific example of additional learning data and a specific example of processing by the additional learning section and the set temperature calculation section.
- FIG. 10 is an example of a first flowchart showing the flow of analysis processing.
- FIG. 11 is a diagram showing an example of transition of adjustment accuracy.
- FIG. 12 is an example of a second flowchart showing the flow of analysis processing.
- FIG. 1 is a diagram for explaining an overview of the processing that the substrate processing system executes in each phase.
- the substrate processing system 100 includes a substrate processing apparatus 110 and an analysis apparatus 120, and performs processing for improving the adjustment accuracy when adjusting the temperature of the substrate. ⁇ Pre-learning phase and ⁇ Additional learning phase and Execute separately.
- a pre-learning data measuring device 111 is set to the substrate processing apparatus 110.
- the pre-learning data measurement device 111 measures the surface temperature of the substrate when a heater provided in each region of an electrostatic chuck (substrate support part), which will be described later, is operated at various set temperatures. Get temperature.
- each set temperature set for a plurality of heaters and a measured temperature obtained by operating a plurality of heaters under each set temperature are The data is stored in the analysis device 120 as pre-learning data.
- the analysis device 120 performs pre-learning processing on the temperature prediction model using the pre-learning data, and example).
- the sensor wafer 112 is set in the substrate processing apparatus 110 in the substrate processing system 100 in the additional learning phase.
- the substrate processing apparatus 110 used in the additional learning phase and the substrate processing apparatus 110 used in the pre-learning phase are the same type of substrate processing apparatus, but are different individual substrate processing apparatuses. It will be explained as follows.
- the electrostatic chuck that the substrate processing apparatus 110 has in the additional learning phase and the electrostatic chuck that the substrate processing apparatus 110 has in the preliminary learning phase are the same type of electrostatic chuck, and This will be explained assuming that they are different individual electrostatic chucks.
- the description will be made assuming that there is a machine difference between the electrostatic chuck that the substrate processing apparatus 110 has in the additional learning phase and the electrostatic chuck that the substrate processing apparatus 110 has in the preliminary learning phase.
- the electrostatic chuck that the substrate processing apparatus 110 has in the additional learning phase and the electrostatic chuck that the substrate processing apparatus 110 has in the preliminary learning phase may be the same individual.
- the substrate processing system 100 in the additional learning phase operates each heater provided in each region of the electrostatic chuck at a set temperature corresponding to the target temperature. Then, in the substrate processing system 100 in the additional learning phase, the temperature of the substrate at that time is measured using the set sensor wafer 112. Note that operating the heater at a set temperature refers to controlling the heater so that the electrical resistance value of the heater corresponds to the set temperature.
- the substrate processing apparatus 110 transmits the target temperature and the measured temperature to the analysis apparatus 120.
- the analysis apparatus 120 will be described as being placed near the substrate processing apparatus 110 as a shipping destination and communicably connected to the substrate processing apparatus 110.
- the arrangement of the analysis apparatus 120 is not limited to this, and the analysis apparatus 120 may be arranged at a position away from the substrate processing apparatus 110 to which it is shipped (for example, it may be arranged on the cloud).
- the analysis device 120 uses the pre-trained temperature prediction model (using the pre-trained model parameters) to determine the target temperature. Calculate the set temperature according to. Thereby, in the substrate processing apparatus 110, the heater can be operated at the set temperature calculated by the analysis apparatus 120, which corresponds to the target temperature.
- the analysis device 120 associates the target temperature and measured temperature sent from the substrate processing device 110 with the set temperature, and performs additional learning. Store as data. Furthermore, the analysis device 120 generates an additionally learned temperature prediction model by performing additional learning processing on the pretrained temperature prediction model. Furthermore, the analysis device 120 uses the generated additionally learned temperature prediction model (using the additionally learned model parameters) to newly calculate a set temperature according to the target temperature. Thereby, in the substrate processing apparatus 110, the heater can be operated at the set temperature newly calculated by the analysis apparatus 120, which corresponds to the target temperature.
- set temperature according to the target temperature means that the variation in the measured temperature at each position on the board is small, and the average value of the measured temperature at each position on the board (in-plane average temperature) is equal to the target temperature. Refers to the set temperature (each set temperature set for the heater in each area) that is close to the set temperature.
- the substrate processing system 100 in the additional learning phase calculates the set temperature using the pre-trained temperature prediction model (using the pre-trained model parameters). , ⁇ Heater operation at the calculated set temperature, ⁇ Measurement of board temperature, ⁇ Additional learning processing using set temperature and measured temperature, ⁇ Calculation of set temperature using additionally learned temperature prediction model, is repeatedly executed until it is determined that a predetermined condition is satisfied. Thereby, according to the analysis device 120, a set temperature with high adjustment accuracy can be derived as a set temperature according to the target temperature.
- the predetermined conditions mean that the variation in the measured temperature at each position on the board is below a predetermined threshold, and the difference between the average value of the measured temperatures at each position on the board (in-plane average temperature) and the target temperature is a predetermined value. is below the threshold value.
- set temperature with high adjustment accuracy means that the variation in the measured temperature at each position on the board is smaller, and the average value of the measured temperature at each position on the board (in-plane average temperature) is closer to the target temperature. Refers to the set temperature.
- the adjustment accuracy when adjusting the temperature of the substrate can be improved.
- FIG. 2 is a diagram showing an example of the configuration of a substrate processing apparatus.
- the substrate processing apparatus 110 includes a chamber 21, an exhaust device 22, and a gate valve 23.
- the chamber 21 is made of aluminum and has a substantially cylindrical shape. The surface of the chamber 21 is coated with an anodic oxide film. A processing space 25 is formed inside the chamber 21 . Chamber 21 isolates processing space 25 from the outside atmosphere.
- the chamber 21 has an exhaust port 26 and an opening 27 formed therein.
- the exhaust port 26 is formed at the bottom of the chamber 21. Opening 27 is formed in the side wall of chamber 21 .
- the exhaust device 22 is connected to the processing space 25 of the chamber 21 via an exhaust port 26 .
- the exhaust device 22 exhausts gas from the processing space 25 through the exhaust port 26 and reduces the pressure of the processing space 25 to a predetermined degree of vacuum.
- the gate valve 23 opens the opening 27 or closes the opening 27.
- the substrate processing apparatus 110 further includes a mounting table 211.
- the mounting table 211 is arranged at the lower part of the processing space 25 .
- the mounting table 211 includes an insulating plate 214, a support table 215, a base material 216, an electrostatic chuck 217 (substrate support part), an inner wall member 218, an edge ring 219, an electrostatic chuck electrode 224, and a plurality of heaters 223-1 to 223-.
- the insulating plate 214 is formed of an insulator and is supported at the bottom of the chamber 21.
- the support stand 215 is made of a conductor.
- the support stand 215 is disposed on the insulating plate 214 and is supported at the bottom of the chamber 21 via the insulating plate 214 so that the support stand 215 and the chamber 21 are electrically insulated.
- the base material 216 is made of a conductor such as aluminum.
- the base material 216 is placed on the support stand 215 and is supported at the bottom of the chamber 21 via the support stand 215.
- the electrostatic chuck 217 is placed on the base material 216 and supported at the bottom of the chamber 21 via the base material 216.
- Electrostatic chuck 217 is made of an insulator.
- the electrostatic chuck electrode 224 and the plurality of heaters 223-1 to 223-n are embedded inside the electrostatic chuck 217.
- the inner wall member 218 is made of an insulator such as quartz, and has a cylindrical shape.
- the inner wall member 218 is arranged around the base material 216 and the support base 215 so that the base material 216 and the support base 215 are disposed inside the inner wall member 218, and surrounds the base material 216 and the support base 215. I'm here.
- the edge ring 219 is made of, for example, single crystal silicon and has a ring shape.
- the edge ring 219 is disposed around the outer periphery of the electrostatic chuck 217 and surrounds the electrostatic chuck 217 such that the electrostatic chuck 217 is disposed inside the edge ring 219.
- the mounting table 211 is further formed with a refrigerant circulation channel 225 and a heat transfer gas supply channel 226.
- the coolant circulation channel 225 is formed inside the base material 216.
- the heat transfer gas supply channel 226 is formed to penetrate the electrostatic chuck 217 , and one end of the heat transfer gas supply channel 226 is formed on the upper surface 222 of the electrostatic chuck 217 .
- the substrate processing apparatus 110 further includes a DC power supply 231, a plurality of power supply units 232-1 to 232-n, a chiller unit 233, and a heat transfer gas supply unit 234.
- the DC power supply 231 is electrically connected to the electrostatic chuck electrode 224 of the electrostatic chuck 217 .
- the DC power supply 231 applies a DC voltage to the electrostatic adsorption electrode 224 to hold the substrate 265 on the electrostatic chuck 217 by Coulomb force.
- the plurality of power supply units 232-1 to 232-n correspond to the plurality of heaters 223-1 to 223-n.
- the chiller unit 233 is connected to the refrigerant circulation channel 225.
- the chiller unit 233 cools the refrigerant to a predetermined temperature and circulates the cooled refrigerant through the refrigerant circulation channel 225 inside the base material 216 .
- the heat transfer gas supply section 234 is connected to the heat transfer gas supply channel 226.
- the heat transfer gas supply section 234 supplies a heat transfer gas such as He gas to the heat transfer gas supply channel 226.
- the substrate processing apparatus 110 further includes a first high frequency power source 237 and a second high frequency power source 238.
- the first high frequency power source 237 is connected to the base material 216 via the first matching box 235.
- a second high frequency power source 238 is connected to the base material 216 via a second matching box 236.
- the first high-frequency power supply 237 for plasma generation supplies high-frequency power at a predetermined frequency (for example, 100 MHz) to the base material 216.
- the second high frequency power source 238 for bias supplies the base material 216 with high frequency power having a lower frequency (for example, 13 MHz) than the frequency of the high frequency power that the first high frequency power source 237 supplies to the base material 216 .
- the substrate processing apparatus 110 further includes a shower head 241.
- the shower head 241 is processed so that the lower surface of the shower head 241 faces the mounting table 211 and the plane along the lower surface of the shower head 241 is generally parallel to the plane along the upper surface of the mounting table 211. It is arranged above the mounting table 211 in the space 25 .
- the shower head 241 includes an insulating member 242, a main body portion 243, and an upper top plate 244.
- the insulating member 242 is made of an insulator and is supported at the top of the chamber 21.
- the main body portion 243 is made of a conductor such as aluminum whose surface is anodized.
- the main body 243 is supported by the chamber 21 via an insulating member 242 so that the main body 243 and the chamber 21 are electrically insulated.
- the main body portion 243 and the base material 216 are used as a primary upper electrode and a lower electrode.
- the upper top plate 244 is made of a silicon-containing material such as quartz.
- the upper top plate 244 is disposed below the main body 243 and is supported by the main body 243 in a detachable manner.
- a gas diffusion chamber 245, a gas inlet 246, and a plurality of gas outlet ports 247 are formed in the main body portion 243.
- Gas diffusion chamber 245 is formed inside main body portion 243 .
- the gas introduction port 246 is formed above the gas diffusion chamber 245 in the main body portion 243 and communicates with the gas diffusion chamber 245 .
- a plurality of gas inlet ports 248 are formed in the upper top plate 244 .
- the plurality of gas inlet ports 248 are formed so as to penetrate the upper surface and the lower surface of the upper top plate 244, and communicate with the plurality of gas outlet ports 247, respectively.
- the substrate processing apparatus 110 further includes a processing gas supply source 251, a valve 252, and a mass flow controller 253.
- the processing gas supply source 251 is connected to the gas inlet 246 of the main body 243 of the shower head 241 via a pipe 254 .
- the mass flow controller 253 is provided in the middle of the piping 254.
- Valve 252 is provided between mass flow controller 253 and gas inlet 246 in piping 254 .
- the valve 252 supplies processing gas from the processing gas supply source 251 to the gas introduction port 246 or blocks processing gas from being supplied from the processing gas supply source 251 to the gas introduction port 246 by opening or closing. do.
- the substrate processing apparatus 110 further includes a variable DC power supply 255, a low-pass filter 256, and a switch 257.
- the variable DC power supply 255 is electrically connected to the main body 243 of the shower head 241 via an electric line 258.
- the low-pass filter 256 and the switch 257 are provided in the middle of the electric path 258.
- the switch 257 applies DC voltage to the shower head 241 or blocks the application of DC voltage to the shower head 241 by opening or closing.
- the substrate processing apparatus 110 further includes a ring magnet 261.
- the ring magnet 261 is made of a permanent magnet and has a ring shape.
- the ring magnet 261 is arranged concentrically with the chamber 21 so that the chamber 21 is arranged inside the ring magnet 261.
- the ring magnet 261 is rotatably supported by the chamber 21 via a rotation mechanism (not shown).
- the ring magnet 261 forms a magnetic field in the region between the shower head 241 and the mounting table 211 in the processing space 25 .
- the substrate processing apparatus 110 further includes a deposit shield 262, a deposit shield 263, and a conductive member 264.
- the deposit shield 262 is arranged so as to cover the inner wall surface of the chamber 21 and is supported by the chamber 21 so as to be detachable from the chamber 21 .
- the deposit shield 262 prevents etching byproducts (deposits) from adhering to the inner wall surface of the chamber 21 .
- the conductive member 264 is arranged in the processing space 25 so that the height at which the conductive member 264 is arranged is approximately the same as the height at which the substrate 265 placed on the mounting table 211 is arranged, and It is supported by H.262.
- the conductive member 264 is formed of a conductor and is electrically connected to ground. The conductive member 264 suppresses abnormal discharge within the chamber 21 .
- FIG. 3 is a top view showing an example of an electrostatic chuck included in the substrate processing apparatus.
- the mounting surface of the electrostatic chuck 217 that faces the substrate 265 mounted on the mounting table 211 is divided into a plurality of regions 266-1 to 266-n, as shown in FIG. .
- the shapes of the plurality of regions 266-1 to 266-n are not limited to the example shown in FIG. It may be divided into a plurality of regions having the shape of .
- the plurality of regions 266-1 to 266-n correspond to the plurality of heaters 223-1 to 223-n.
- One heater 223-1 corresponding to one region 266-1 of the plurality of heaters 223-1 to 223-n is embedded in the vicinity of the region 266-1 of the electrostatic chuck 217.
- the heater 223-1 heats the electrostatic chuck 217 centering on the region 266-1 by being supplied with AC power.
- Other heaters different from heater 223-1 among the plurality of heaters 223-1 to 223-n also operate in the plurality of regions 266-1 to 266- when AC power is supplied, similarly to heater 223-1.
- the electrostatic chuck 217 is heated mainly in the area corresponding to the heater in n.
- FIG. 4 is a circuit diagram showing an example of a power supply section included in the substrate processing apparatus.
- the power supply section 232-1 includes a switch 271 and a resistance value sensor 272.
- the switch 271 is provided in the middle of a heater power supply line 274 that connects the AC power source 273 and the heater 223-1.
- the AC power supply 273 is provided in a factory where the substrate processing apparatus 110 is installed, and supplies AC power to the substrate processing apparatus 110 and also supplies AC power to other equipment different from the substrate processing apparatus 110.
- the switch 271 When the switch 271 is closed, power is supplied from the AC power source 273 to the heater 223-1, and when it is opened, the switch 271 cuts off the power from the AC power source 273 to the heater 223-1.
- the resistance value sensor 272 has a voltmeter 275 and an ammeter 276.
- Voltmeter 275 measures the voltage applied to heater 223-1.
- Ammeter 276 includes a shunt resistor 277 and a voltmeter 278.
- the shunt resistor 277 is provided in the middle of the heater power supply electric line 274.
- An example of the resistance value of the shunt resistor 277 is 10 m ⁇ .
- Voltmeter 278 measures the voltage applied to shunt resistor 277.
- Ammeter 276 measures the current flowing through heater 223-1 based on the voltage measured by voltmeter 278.
- the resistance value sensor 272 measures the electrical resistance value of the heater 223-1 based on the voltage value measured by the voltmeter 275 and the current value measured by the ammeter 276.
- the electrical resistance value of the heater 223-1 is equal to the voltage measured by the voltmeter 275 divided by the current value measured by the ammeter 276.
- Other power supply units different from power supply unit 232-1 among the plurality of power supply units 232-1 to 232-n also include a switch and a resistance value sensor, similarly to power supply unit 232-1. That is, the substrate processing apparatus 110 has a plurality of resistance value sensors corresponding to the plurality of heaters 223-1 to 223-n. Similarly to the power supply unit 232-1, the power supply unit also supplies AC power from the AC power supply 273 to the heater corresponding to the power supply unit among the plurality of heaters 223-1 to 223-n, and the heater Measure the electrical resistance value.
- FIG. 5 is a diagram showing an example of the hardware configuration of the analysis device.
- the analysis device 120 includes a processor 501, a memory 502, an auxiliary storage device 503, a user interface device 504, a connection device 505, a communication device 506, and a drive device 507. Note that each piece of hardware in the analysis device 120 is interconnected via a bus 508.
- the processor 501 includes various computing devices such as a CPU (Central Processing Unit) and a GPU (Graphics Processing Unit).
- the processor 501 reads various programs (for example, an analysis program (details will be described later), etc.) onto the memory 502 and executes them.
- the memory 502 includes main storage devices such as ROM (Read Only Memory) and RAM (Random Access Memory).
- the processor 501 and the memory 502 form a so-called computer, and when the processor 501 executes various programs read onto the memory 502, the computer realizes various functions of each phase.
- the auxiliary storage device 503 stores various programs and various data used when the various programs are executed by the processor 501.
- the user interface device 504 includes, for example, a keyboard or touch panel used by the user of the analysis device 120 to input various commands, a display for displaying processing contents of the analysis device 120, and the like.
- the connection device 505 is a connection device that connects to other devices in the substrate processing system 100 (such as the substrate processing device 110).
- the communication device 506 is a communication device for communicating with an external device (not shown) via a network.
- the drive device 507 is a device for setting the recording medium 510.
- the recording medium 510 herein includes a medium for recording information optically, electrically, or magnetically, such as a CD-ROM, a flexible disk, or a magneto-optical disk. Further, the recording medium 510 may include a semiconductor memory or the like that electrically records information, such as a ROM or a flash memory.
- the various programs installed in the auxiliary storage device 503 are installed by, for example, setting the distributed recording medium 510 in the drive device 507 and reading out the various programs recorded on the recording medium 510 by the drive device 507. be done.
- various programs installed in the auxiliary storage device 503 may be installed by being downloaded from the network via the communication device 506.
- FIG. 6 is a diagram showing an example of the functional configuration of the substrate processing system (pre-learning phase).
- a pre-learning data measuring device 111 is set in the chamber 21 of the substrate processing apparatus 110.
- an infrared camera 601 is set in the processing space 25 under a vacuum environment (first vacuum environment), and a blackbody wafer 602 is supported by an electrostatic chuck 217 .
- the heaters 223-1 to 223-n provided in each region 266-1 to 266-n of the electrostatic chuck 217 are controlled by the heater control device 610. Specifically, the heaters 223-1 to 223-n are controlled by the heater control device 610 and operate under various set temperatures.
- a table 611 shows combinations of temperature settings set for each of the heaters 223-1 to 223-6 by the heater control device 610.
- the combinations of each area of the electrostatic chuck and set temperature are divided into five groups, and in each group, a plurality of different combinations of set temperatures (a way) are created based on the orthogonal array. ⁇ e conditions) were extracted. Note that in the present disclosure, as an example, the number of groups is divided into five groups based on an orthogonal array, but the number of groups is not limited to this.
- An analysis program is installed in the analysis device 120, and by executing the program in the pre-learning phase, the analysis device 120 functions as a pre-learning data collection unit 620 and a pre-learning unit 630.
- the pre-learning data collection unit 620 acquires the set temperature combinations of the heaters 223-1 to 223-6 provided in each region 266-1 to 266-6 from the heater control device 610, and uses the infrared camera 601 to determine the corresponding combinations. Obtain the measured temperature. Further, the pre-learning data collection unit 620 ⁇ Input the obtained set temperature combination as data, ⁇ Measurement data of the measured temperature corresponding to each position on the board, Pre-learning data is stored in the pre-learning data storage section 640 (an example of a storage section).
- the pre-learning unit 630 is an example of a learning unit and has a temperature prediction model. Further, the pre-learning unit 630 reads the pre-learning data stored in the pre-learning data storage unit 640 and sets the temperature prediction model so that the output data when inputting the input data to the temperature prediction model approaches the measured data. Perform pre-learning processing on the target.
- FIG. 7 is a diagram showing a specific example of pre-learning data and a specific example of processing by the pre-learning unit.
- the pre-learning data 710 includes "group”, “condition”, “input data”, and “measurement data” as information items.
- “Group” stores the group name of one of the five groups divided when extracting the combination of set temperatures.
- “Condition” stores information that identifies any one of the combinations of heaters and set temperatures (conditions a to e) in each group.
- the "input data” further includes a "heater name” and a "set temperature”, and the "heater name” stores the name of the heater to which the set temperature has been set. “Set temperature” stores the set temperature set for the heater.
- Measurement data includes the measured temperature at each position obtained by the heater operating with the combination of set temperatures stored in the corresponding input data and the infrared camera 601 measuring the black body wafer 602. (first temperature data group) is stored.
- the difference in color at each position indicates the difference in the measured temperature at each position.
- the pre-learning section 630 includes a temperature prediction model 720.
- the relationship between the measured temperature at each position, the model parameter, and the set temperature of each heater is learned by vector calculation, for example, so that pre-learned model parameters are calculated.
- the pre-learning unit 630 inputs input data (set temperatures set for each heater 223-1 to 223-6) to the temperature prediction model 720. Further, the pre-learning unit 630 updates the model parameters so that the output data output by multiplying the model parameters approaches the measured data (measured temperature at each position). Thereby, the pre-learning unit 630 calculates pre-trained model parameters (first model parameters).
- FIG. 8 is a diagram showing an example of the functional configuration of the substrate processing system (additional learning phase).
- a sensor wafer 112 is set in the chamber 21 of the substrate processing apparatus 110. Specifically, the sensor wafer 112 is supported by the electrostatic chuck 217 in the processing space 25 under a vacuum environment (second vacuum environment).
- a vacuum environment second vacuum environment.
- the substrate processing apparatus 110 used in the addition phase and the substrate processing apparatus 110 used in the pre-learning phase are different entities. Therefore, the processing space 25 under a vacuum environment here is also a processing space under a different vacuum environment from the processing space 25 under a vacuum environment in the pre-learning phase.
- the heaters 223-1 to 223-6 provided in each region 266-1 to 266-6 of the electrostatic chuck 217 are controlled by the heater control device 610. It operates at a set temperature according to the target temperature.
- the set temperature according to the target temperature is ⁇ Pre-trained model parameters and ⁇ Target temperature and
- the set temperature calculation unit 840 calculates the temperature based on the set temperature.
- the example in FIG. 8 shows that t [°C] is set for each of the heaters 223-1 to 223-6 as the set temperature according to the target temperature (t [°C]) (see reference numeral 860_1). .
- the sensor wafer 112 measures the measured temperature when each of the heaters 223-1 to 223-6 is operated at a set temperature corresponding to the target temperature, and obtains the measured temperature.
- An analysis program is installed in the analysis device 120, and by executing the program in the additional learning phase, the analysis device 120 functions as an additional learning data collection unit 820, an additional learning unit 830, and a set temperature calculation unit 840. do.
- the additional learning data collection unit 820 The target temperature input to the heater control device 610; - A set temperature calculated by the set temperature calculation unit 840 and notified to the heater control device 610; - The measured temperature measured by the sensor wafer 112 by operating each heater 223-1 to 223-6 under the set temperature, get.
- the additional learning data collection unit 820 performs additional learning by associating the acquired set temperatures of each of the heaters 223-1 to 223-6 as input data and the corresponding measured temperatures as measurement data with the target temperature.
- the data is stored in the data storage unit 850.
- the additional learning data collection unit 820 determines whether the acquired measured temperature satisfies a predetermined condition, and notifies the additional learning unit 830 of the determination result.
- the additional learning unit 830 has a pre-trained temperature prediction model, and operates when the additional learning data collection unit 820 is notified of a determination result that a predetermined condition is not satisfied. Specifically, additional learning section 830 reads additional learning data stored in additional learning data storage section 850. Further, the additional learning unit 830 performs additional learning processing on the pre-trained temperature prediction model so that the output data when the input data is input to the pre-trained temperature prediction model approaches the measured data.
- the set temperature calculation unit 840 newly calculates the set temperature according to the target temperature using the additionally learned model parameters (second model parameters) generated by the additional learning process performed by the additional learning unit 830. do.
- the set temperature according to the target temperature is ⁇ Additionally learned model parameters and ⁇ Target temperature and Calculated based on.
- the set temperature calculation unit 840 notifies the heater control device 610 of the newly calculated set temperature (for example, see reference numeral 860_2).
- FIG. 9 is a diagram showing a specific example of additional learning data and a specific example of processing by the additional learning section and the set temperature calculation section.
- the additional learning data 910 includes "number of times,” “input data,” and “measurement data” as information items.
- the "number of times” stores the number of times the set temperature is set in the heater control device 610.
- “Input data” further includes “heater name” and “set temperature”, and “heater name” stores the name of each heater 223-1 to 223-6 for which the set temperature is set.
- Ru. “Set temperature” stores the set temperature set for the corresponding heater.
- Measurement data includes the measured temperature (second temperature data group) measured by the sensor wafer 112 when each heater 223-1 to 223-6 operates under the set temperature stored in the corresponding input data. Stored.
- the additional learning unit 830 includes a pre-trained temperature prediction model 920.
- the pre-trained temperature prediction model 920 the relationship between the measured temperature at each position, the pre-trained model, and the set temperature of each heater is learned by vector calculation, for example, so that additional learned model parameters are calculated. Ru.
- the additional learning unit 830 inputs input data (set temperatures set for each heater 223-1 to 223-6) to the pre-trained temperature prediction model 920. Further, the additional learning unit 830 updates the pre-trained model parameters so that the output data output by multiplying the pre-trained model parameters approaches the measured data (measured temperature at each position). Thereby, the additional learning unit 830 calculates additionally learned model parameters.
- the set temperature calculation unit 840 firstly, ⁇ Pre-trained model parameters and - The target temperature input to the heater control device 610; Based on the target temperature, a set temperature (each set temperature set for each heater 223-1 to 223-6) is calculated. Furthermore, the set temperature calculation unit 840 notifies the heater control device 610 of the calculated set temperatures of each of the heaters 223-1 to 223-6.
- the set temperature calculation unit 840 can calculate the set temperature of each heater according to the target temperature, for example, by multiplying the inverse vector of the pre-learned model parameters by the target temperature.
- the set temperature calculation unit 840 calculates - additionally learned model parameters calculated by the additional learning unit 830; - The target temperature input to the heater control device 610; Based on this, a set temperature (each set temperature set for each heater 223-1 to 223-6) corresponding to the target temperature is newly calculated. Furthermore, the set temperature calculation unit 840 notifies the heater control device 610 of the newly calculated set temperatures of each of the heaters 223-1 to 223-6.
- the set temperature calculation unit 840 can calculate the set temperature of each heater according to the target temperature, for example, by multiplying the inverse vector of the additionally learned model parameters by the target temperature.
- the additional learning unit 830 uses reliability.
- Reliability is the value of additionally learned model parameters. ⁇ Values of pre-trained model parameters (e.g. each element of a vector), ⁇ Values that indicate the relationship between the set temperature according to the target temperature and the measured temperature, which is additional learning data, refers to the contribution of each.
- the analysis device 120 eliminates the influence of machine differences. It becomes possible to generate appropriate model parameters.
- FIG. 10 is an example of a first flowchart showing the flow of analysis processing.
- step S1001 the analysis device 120 acquires pre-learning data 710 from the substrate processing device 110 in which the pre-learning data measuring device 111 is set.
- step S1002 the analysis device 120 performs a pre-learning process on the temperature prediction model 720 using the acquired pre-learning data 710 to generate a pre-trained temperature prediction model 920.
- step S1003 the analysis device 120 uses the pre-learned model parameters to calculate a set temperature (each set temperature set for each heater 223-1 to 223-6) according to the target temperature.
- step S1004 the analysis device 120 controls the heaters 223-1 to 223-6 provided in each area of the electrostatic chuck 217 at a set temperature corresponding to the target temperature while the sensor wafer 112 is supported. make it work. Thereby, the analysis device 120 acquires the measured temperature.
- step S1005 the analysis device 120 determines whether the obtained measured temperature satisfies a predetermined condition. If it is determined in step S1005 that the obtained measured temperature does not satisfy the predetermined condition (NO in step S1005), the process advances to step S1006.
- step S1006 the analysis device 120 stores additional learning data 910 in which the set temperature is input data and the acquired measurement data is measurement data.
- step S1007 the analysis device 120 performs additional learning processing on the pre-trained temperature prediction model 920 using the additional learning data 910 to generate an additionally learned temperature prediction model.
- step S1008 the analysis device 120 uses the additionally learned model parameters to newly calculate the set temperature (each set temperature set for each heater 223-1 to 223-6) according to the target temperature. , the process returns to step S1004.
- step S1005 if it is determined in step S1005 that the obtained measured temperature satisfies the predetermined condition (in the case of YES in step S1005), the analysis process is ended.
- FIG. 11 is a diagram showing an example of transition of adjustment accuracy.
- the horizontal axis represents the number of times the additional learning process is performed in the additional learning phase and a new set temperature is calculated by the set temperature calculation unit 840. Furthermore, among the vertical axes, the left axis represents the average value of the measured temperature at each position measured by the sensor wafer 112 (in-plane average temperature), and the right axis represents each position measured by the sensor wafer 112. represents the variation in measured temperature.
- the analysis device 120 is - Obtain the set temperature of the heater provided in each divided area of the electrostatic chuck in the processing space in a vacuum environment and the measured temperature of each position of the substrate supported by the electrostatic chuck as pre-learning data. Then, by performing a pre-learning process, a pre-trained temperature prediction model is generated. - It has a set temperature calculation unit that uses a pre-trained temperature prediction model (using pre-trained model parameters) to calculate the set temperature of each heater according to the target temperature of the substrate.
- the analysis device 120 learns the relationship between the set temperature of each heater and the measured temperature when the heater is operated under the set temperature, and Using the model parameters, calculate the set temperature according to the target temperature.
- the in-plane average temperature of the substrate is adjusted such that the target temperature deviates due to localized temperature unevenness due to machine differences or the like. Decrease in accuracy can be avoided.
- the processing order of the analysis processing is not limited to this, and for example, it may be configured to perform additional learning processing and then determine whether or not the measured temperature satisfies a predetermined condition.
- the second embodiment will be described below, focusing on the differences from the first embodiment.
- FIG. 12 is an example of a second flowchart showing the flow of analysis processing. Note that the difference from the first flowchart shown in FIG. 10 is steps S1201 to S1204. Therefore, steps S1201 to S1204 will be explained here.
- step S1201 the analysis device 120 stores additional learning data 910 in which the set temperature is input data and the acquired measurement data is measured data.
- step S1202 the analysis device 120 performs additional learning processing on the pre-trained temperature prediction model 920 using the additional learning data 910 to generate an additionally learned temperature prediction model.
- step S1203 the analysis device 120 uses the additionally learned model parameters to newly calculate the set temperature (each set temperature set for each heater 223-1 to 223-6) according to the target temperature. .
- step S1204 the analysis device 120 determines whether the obtained measured temperature satisfies a predetermined condition. If it is determined in step S1204 that the obtained measured temperature does not satisfy the predetermined condition (NO in step S1204), the process returns to step S1004.
- step S1204 if it is determined in step S1204 that the obtained measured temperature satisfies the predetermined condition (YES in step S1204), the analysis process is ended.
- the heaters 223-1 to 223-6 are provided in each region 266-1 to 266-6 of the electrostatic chuck, but each region 266-1 to 266-6 of the electrostatic chuck is
- the temperature adjustment element provided in 266-6 is not limited to a heater.
- other temperature regulating elements such as a thermistor or a Peltier element may be provided.
- other setting parameters will be set in place of the electrical resistance value for each of the other temperature adjustment elements. .
- the substrate processing apparatus 110 may execute, for example, a plasma etching method.
- the processing space 25 under a vacuum environment refers to the processing space 25 under a plasma processing environment.
- the processing space 25 under a vacuum environment may be a processing space under an environment other than a plasma processing environment.
- the substrate processing apparatus 110 and the analysis apparatus 120 are configured as separate bodies in the substrate processing system 100, but the substrate processing apparatus 110 and the analysis apparatus 120 may be configured as a single unit. good. Alternatively, some functions of the analysis device 120 may be realized in the substrate processing device 110.
- the analysis device 120 is described as one that executes the analysis program by itself. However, if the analysis device 120 is configured with a plurality of computers, and the analysis program is installed on the plurality of computers, the analysis device 120 may be executed in the form of distributed computing.
- the download source may be, for example, a server device that stores the analysis program in an accessible manner.
- the server device may be, for example, a device that accepts access from the analysis device 120 via a network (not shown) and downloads the analysis program on the condition that payment is made. That is, the server device may be a device that provides an analysis program providing service on the cloud.
- the analysis device configured to store the first temperature data group as learning data;
- the analysis device wherein the learned model is generated by performing a model learning process using learning data read from the storage unit.
- (Additional note 3) Measured when each temperature adjustment element is operated under the setting parameters calculated by the calculation unit and the setting parameters calculated by the calculation unit in a processing space in a second vacuum environment. an additional learning unit configured to perform additional learning processing on the trained model using a second temperature data group that is temperature data at each position of the substrate to generate an additional trained model;
- the analysis device according to Supplementary Note 1, further comprising:
- the calculation unit is The analysis device according to supplementary note 3, which is configured to use the additionally learned model to calculate setting parameters for each temperature adjustment element according to the target temperature of the substrate.
- the calculation unit and the additional learning unit are configured to repeat the process until it is determined that the second temperature data group satisfies a predetermined condition with respect to the target temperature.
- Analysis device. The learning department is The analysis device according to any one of appendices 1 to 5, which is configured to calculate a first model parameter between the setting parameter and the first temperature data group.
- the additional learning department is The analysis device according to any one of appendices 3 to 5, which is configured to calculate a second model parameter between the setting parameter and the second temperature data group.
- a substrate processing system comprising: a substrate processing apparatus in which a temperature adjustment element is provided in each divided region of a substrate support part in a processing space under a vacuum environment.
- a substrate processing apparatus in which a temperature adjustment element is provided in each divided region of a substrate support part in a processing space under a vacuum environment, A learning process is performed using setting parameters of the temperature adjustment element and a first temperature data group that is temperature data at each position of the substrate supported by the substrate support, and a learned model is generated.
- the learning department A calculation unit configured to use the trained model to calculate setting parameters for each temperature adjustment element according to a target temperature of the substrate.
- An analysis method comprising: calculating setting parameters for each temperature adjustment element according to the target temperature of the substrate using the learned model.
- (Appendix 17) Setting parameters of a temperature adjustment element provided in each divided region of the substrate support in a processing space in a vacuum environment, and first temperature data that is temperature data at each position of the substrate supported by the substrate support. a learning process of performing a learning process using a group and generating a trained model; an analysis program for causing a computer to execute a calculation step of calculating setting parameters of each temperature adjustment element according to a target temperature of the substrate using the learned model;
- Substrate processing system 110 Substrate processing device 111: Pre-learning data measuring device 112: Sensor wafer 120: Analyzing device 610: Heater control device 620: Pre-learning data collection section 630: Pre-learning section 710: Pre-learning data 720: Temperature prediction Model 820: Additional learning data collection unit 830: Additional learning unit 840: Set temperature calculation unit 910: Additional learning data 920: Pre-trained temperature prediction model
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- General Physics & Mathematics (AREA)
- Manufacturing & Machinery (AREA)
- Computer Hardware Design (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Power Engineering (AREA)
- Plasma & Fusion (AREA)
- Physical Vapour Deposition (AREA)
- Container, Conveyance, Adherence, Positioning, Of Wafer (AREA)
Abstract
基板の温度調整を行う際の調整精度を向上させる解析装置、基板処理システム、基板処理装置、解析方法及び解析プログラムを提供する。解析装置は、第1の真空環境下にある処理空間において基板支持部の分割された各領域に設けられた温度調整素子の設定パラメータと、前記基板支持部に支持された基板の各位置の温度データである第1温度データ群とを用いて学習処理を行い、学習済みモデルを生成するように構成されている学習部と、前記学習済みモデルを用いて、前記基板の目標温度に応じた各温度調整素子の設定パラメータを算出するように構成されている算出部とを有する。
Description
本開示は、解析装置、基板処理システム、基板処理装置、解析方法及び解析プログラムに関する。
真空環境下にあるチャンバ内において、静電チャック(基板を支持する基板支持部)の各領域に温度調整素子(例えば、ヒータ)を設け、領域ごとに基板の温度調整を行う基板処理装置が知られている(例えば、特許文献1等参照)。当該基板処理装置では、基板の温度を目標温度に近づけるよう、適切な温度調整を行うことが求められる。
一方で、各領域の温度調整素子の設定温度を目標温度に設定しても、基板全体の温度が均一に目標温度にならない場合がある。例えば、機差等に起因して、局所的に温度ムラが発生することで、基板の面内平均温度が目標温度からずれるといった調整精度の低下が起こりえる。
本開示は、基板の温度調整を行う際の調整精度を向上させる解析装置、基板処理システム、基板処理装置、解析方法及び解析プログラムを提供する。
本開示の一態様による解析装置は、例えば、以下のような構成を有する。即ち、
第1の真空環境下にある処理空間において基板支持部の分割された各領域に設けられた温度調整素子の設定パラメータと、前記基板支持部に支持された基板の各位置の温度データである第1温度データ群とを用いて学習処理を行い、学習済みモデルを生成するように構成されている学習部と、
前記学習済みモデルを用いて、前記基板の目標温度に応じた各温度調整素子の設定パラメータを算出するように構成されている算出部とを有する。
第1の真空環境下にある処理空間において基板支持部の分割された各領域に設けられた温度調整素子の設定パラメータと、前記基板支持部に支持された基板の各位置の温度データである第1温度データ群とを用いて学習処理を行い、学習済みモデルを生成するように構成されている学習部と、
前記学習済みモデルを用いて、前記基板の目標温度に応じた各温度調整素子の設定パラメータを算出するように構成されている算出部とを有する。
本開示によれば、基板の温度調整を行う際の調整精度を向上させる解析装置、基板処理システム、基板処理装置、解析方法及び解析プログラムを提供する。
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構成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]
<基板処理システムの概要>
はじめに、第1の実施形態に係る基板処理システムが実行する処理の概要を、複数のフェーズにわけて説明する。図1は、基板処理システムが各フェーズにおいて実行する処理の概要を説明するための図である。
<基板処理システムの概要>
はじめに、第1の実施形態に係る基板処理システムが実行する処理の概要を、複数のフェーズにわけて説明する。図1は、基板処理システムが各フェーズにおいて実行する処理の概要を説明するための図である。
図1に示すように、基板処理システム100は、基板処理装置110と解析装置120とを有し、基板の温度調整を行う際の調整精度を向上させるための処理を、
・事前学習フェーズと、
・追加学習フェーズと、
に分けて実行する。
・事前学習フェーズと、
・追加学習フェーズと、
に分けて実行する。
このうち、出荷前の事前学習フェーズにおける基板処理システム100では、基板処理装置110に対して、事前学習データ測定装置111がセットされる。事前学習データ測定装置111は、後述する静電チャック(基板支持部)の各領域に設けられたヒータを、様々な設定温度のもとで動作させた際の基板の表面温度を測定し、測定温度を取得する。
また、出荷前の事前学習フェーズにおける基板処理システム100では、複数のヒータに設定された各設定温度と、各設定温度のもとで複数のヒータを動作させることで取得された測定温度とが、事前学習データとして、解析装置120に格納される。
また、出荷前の事前学習フェーズにおける基板処理システム100では、解析装置120が、事前学習データを用いて温度予測モデルに対して事前学習処理を行い、事前学習済みの温度予測モデル(学習済みモデルの一例)を生成する。
続いて、出荷先での立ち上げ時において、追加学習フェーズにおける基板処理システム100では、基板処理装置110に対して、センサウェハ112がセットされる。
なお、本実施形態では、追加学習フェーズにおいて用いる基板処理装置110と、事前学習フェーズにおいて用いる基板処理装置110とが、同じ種類の基板処理装置であって、かつ、異なる個体の基板処理装置であるとして説明する。
また、本実施形態では、追加学習フェーズにおいて基板処理装置110が有する静電チャックと、事前学習フェーズにおいて基板処理装置110が有する静電チャックとが、同じ種類の静電チャックであって、かつ、異なる個体の静電チャックであるとして説明する。
つまり、本実施形態では、追加学習フェーズにおいて基板処理装置110が有する静電チャックと、事前学習フェーズにおいて基板処理装置110が有する静電チャックとの間に、機差があるものとして説明する。ただし、追加学習フェーズにおいて基板処理装置110が有する静電チャックと、事前学習フェーズにおいて基板処理装置110が有する静電チャックとは同一の個体であってもよい。
また、出荷先での立ち上げ時において、追加学習フェーズにおける基板処理システム100では、静電チャックの各領域に設けられたヒータそれぞれを、目標温度に応じた設定温度のもとで動作させる。そして、追加学習フェーズにおける基板処理システム100では、その時の基板の温度を、セットされたセンサウェハ112を用いて測定する。なお、ヒータを設定温度のもとで動作させるとは、ヒータの電気抵抗値が設定温度に対応する電気抵抗値となるように、ヒータを制御することを指す。
また、出荷先での立ち上げ時において、追加学習フェーズにおける基板処理システム100では、基板処理装置110が、目標温度と測定温度とを、解析装置120に送信する。
なお、本実施形態では、解析装置120が出荷先の基板処理装置110の近傍に配置され、基板処理装置110と通信可能に接続されるものとして説明する。ただし、解析装置120の配置は、これに限定されず、解析装置120は、出荷先の基板処理装置110から離れた位置に配置されてもよい(例えば、クラウド上に配置されてもよい)。
また、出荷先での立ち上げ時において、追加学習フェーズにおける基板処理システム100では、解析装置120が、事前学習済みの温度予測モデルを用いて(事前学習済みのモデルパラメータを用いて)、目標温度に応じた設定温度を算出する。これにより、基板処理装置110では、解析装置120により算出された設定温度であって、目標温度に応じた設定温度のもとでヒータを動作させることができる。
また、出荷先での立ち上げ時において、追加学習フェーズにおける基板処理システム100では、解析装置120が、基板処理装置110より送信される目標温度及び測定温度を、設定温度と対応付けて、追加学習データとして格納する。また、解析装置120が、事前学習済みの温度予測モデルに対して追加学習処理を行うことで、追加学習済みの温度予測モデルを生成する。更に、解析装置120が、生成した追加学習済みの温度予測モデルを用いて(追加学習済みのモデルパラメータを用いて)、目標温度に応じた設定温度を新たに算出する。これにより、基板処理装置110では、解析装置120により新たに算出された設定温度であって、目標温度に応じた設定温度のもとでヒータを動作させることができる。
ここで、“目標温度に応じた設定温度”とは、基板の各位置の測定温度のばらつきが小さく、かつ、基板の各位置の測定温度の平均値(面内平均温度)が、目標温度に近くなるような設定温度(各領域のヒータに設定されるそれぞれの設定温度)を指す。
このように、出荷先での立ち上げ時において、追加学習フェーズにおける基板処理システム100では、事前学習済みの温度予測モデルを用いて(事前学習済みのモデルパラメータを用いて)設定温度を算出した後、
・算出した設定温度でのヒータの動作、
・基板の測定温度の測定、
・設定温度と測定温度とを用いた追加学習処理、
・追加学習済みの温度予測モデルを用いた設定温度の算出、
を所定の条件を満たすと判定されるまで繰り返し実行する。これにより、解析装置120によれば、目標温度に応じた設定温度として、調整精度の高い設定温度を導出することができる。
・算出した設定温度でのヒータの動作、
・基板の測定温度の測定、
・設定温度と測定温度とを用いた追加学習処理、
・追加学習済みの温度予測モデルを用いた設定温度の算出、
を所定の条件を満たすと判定されるまで繰り返し実行する。これにより、解析装置120によれば、目標温度に応じた設定温度として、調整精度の高い設定温度を導出することができる。
なお、所定の条件とは、基板の各位置の測定温度のばらつきが所定の閾値以下で、かつ、基板の各位置の測定温度の平均値(面内平均温度)と目標温度との差分が所定の閾値以下であること、を指す。
また、“調整精度の高い設定温度”とは、基板の各位置の測定温度のばらつきがより小さく、かつ、基板の各位置の測定温度の平均値(面内平均温度)が、目標温度により近い設定温度を指す。
つまり、目標温度に応じた設定温度として、調整精度の高い設定温度(に対応する電気抵抗値)のもとで動作することができる。
この結果、追加学習フェーズにおける基板処理装置110によれば、基板の温度調整を行う際の調整精度を向上させることができる。
<基板処理装置の構成>
次に、基板処理装置110の詳細な構成について図2~図4を用いて説明する。
次に、基板処理装置110の詳細な構成について図2~図4を用いて説明する。
(1)全体構成
図2は、基板処理装置の構成例を示す図である。図2に示すように、基板処理装置110は、チャンバ21と排気装置22とゲートバルブ23とを有する。
図2は、基板処理装置の構成例を示す図である。図2に示すように、基板処理装置110は、チャンバ21と排気装置22とゲートバルブ23とを有する。
チャンバ21は、アルミニウムで形成され、略円筒状に形成されている。チャンバ21の表面は陽極酸化被膜で被覆されている。チャンバ21の内部には、処理空間25が形成されている。チャンバ21は、処理空間25を外部の雰囲気から隔離している。チャンバ21には、排気口26と開口部27とが形成されている。
排気口26は、チャンバ21の底部に形成されている。開口部27は、チャンバ21の側壁に形成されている。排気装置22は、排気口26を介してチャンバ21の処理空間25に接続されている。排気装置22は、排気口26を介して処理空間25から気体を排気し、処理空間25を所定の真空度まで減圧する。ゲートバルブ23は、開口部27を開放したり、開口部27を閉鎖したりする。
(2)載置台211の構成
図2に示すように、基板処理装置110は、更に載置台211を有する。載置台211は、処理空間25のうちの下部に配置されている。載置台211は、絶縁板214と支持台215と基材216と静電チャック217(基板支持部)と内壁部材218とエッジリング219と静電吸着電極224と複数のヒータ223-1~223-n(n=2、3、4、・・・)とを有する。
図2に示すように、基板処理装置110は、更に載置台211を有する。載置台211は、処理空間25のうちの下部に配置されている。載置台211は、絶縁板214と支持台215と基材216と静電チャック217(基板支持部)と内壁部材218とエッジリング219と静電吸着電極224と複数のヒータ223-1~223-n(n=2、3、4、・・・)とを有する。
絶縁板214は、絶縁体で形成され、チャンバ21の底部に支持されている。支持台215は、導体で形成されている。支持台215は、絶縁板214の上に配置され、支持台215とチャンバ21とが電気的に絶縁されるように、絶縁板214を介してチャンバ21の底部に支持されている。
基材216は、アルミニウムに例示される導体で形成されている。基材216は、支持台215の上に配置され、支持台215を介してチャンバ21の底部に支持されている。静電チャック217は、基材216の上に配置され、基材216を介してチャンバ21の底部に支持されている。静電チャック217は、絶縁体で形成されている。静電吸着電極224と複数のヒータ223-1~223-nとは、静電チャック217の内部に埋め込まれている。
内壁部材218は、石英に例示される絶縁体で形成され、円筒状に形成されている。内壁部材218は、基材216と支持台215とが内壁部材218の内側に配置されるように、基材216と支持台215との周囲に配置され、基材216と支持台215とを囲んでいる。
エッジリング219は、例えば、単結晶シリコンで形成され、リング状に形成されている。エッジリング219は、静電チャック217がエッジリング219の内部に配置されるように、静電チャック217の外周に配置され、静電チャック217を囲んでいる。載置台211には、更に、冷媒循環流路225と伝熱ガス供給流路226とが形成されている。冷媒循環流路225は、基材216の内部に形成されている。伝熱ガス供給流路226は、静電チャック217を貫通するように形成され、伝熱ガス供給流路226の一端は、静電チャック217の上面222に形成されている。
基板処理装置110は、直流電源231と複数の電力供給部232-1~232-nとチラーユニット233と伝熱ガス供給部234とを更に有する。直流電源231は、静電チャック217の静電吸着電極224に電気的に接続されている。直流電源231は、静電吸着電極224に直流電圧を印加し、クーロン力により基板265を静電チャック217に保持する。複数の電力供給部232-1~232-nは、複数のヒータ223-1~223-nに対応している。チラーユニット233は、冷媒循環流路225に接続されている。チラーユニット233は、冷媒を所定の温度に冷却し、その冷却された冷媒を基材216の内部の冷媒循環流路225に循環させる。伝熱ガス供給部234は、伝熱ガス供給流路226に接続されている。伝熱ガス供給部234は、Heガスに例示される伝熱ガスを伝熱ガス供給流路226に供給する。
基板処理装置110は、第1高周波電源237と第2高周波電源238とを更に有する。第1高周波電源237は、第1整合器235を介して基材216に接続されている。第2高周波電源238は、第2整合器236を介して基材216に接続されている。プラズマ生成用の第1高周波電源237は、所定の周波数(例えば、100MHz)の高周波電力を基材216に供給する。バイアス用の第2高周波電源238は、第1高周波電源237が基材216に供給する高周波電力の周波数より低い周波数(例えば、13MHz)の高周波電力を基材216に供給する。
(3)シャワーヘッド241の構成
図2に示すように、基板処理装置110は、シャワーヘッド241を更に有する。シャワーヘッド241は、シャワーヘッド241の下面が載置台211に対向するように、かつ、シャワーヘッド241の下面に沿う平面が載置台211の上面に沿う平面に対して概ね平行であるように、処理空間25のうちの載置台211の上方に配置されている。シャワーヘッド241は、絶縁性部材242と本体部243と上部天板244とを有する。
図2に示すように、基板処理装置110は、シャワーヘッド241を更に有する。シャワーヘッド241は、シャワーヘッド241の下面が載置台211に対向するように、かつ、シャワーヘッド241の下面に沿う平面が載置台211の上面に沿う平面に対して概ね平行であるように、処理空間25のうちの載置台211の上方に配置されている。シャワーヘッド241は、絶縁性部材242と本体部243と上部天板244とを有する。
絶縁性部材242は、絶縁体で形成され、チャンバ21の上部に支持されている。本体部243は、例えば、表面に陽極酸化処理が施されたアルミニウムに例示される導体で形成されている。本体部243は、本体部243とチャンバ21とが電気的に絶縁されるように、絶縁性部材242を介してチャンバ21に支持されている。本体部243と基材216とは、一次の上部電極と下部電極として利用される。上部天板244は、石英に例示されるシリコン含有物質で形成されている。上部天板244は、本体部243の下部に配置され、本体部243に対して着脱自在に本体部243に支持されている。
本体部243には、ガス拡散室245とガス導入口246と複数のガス流出口247とが形成されている。ガス拡散室245は、本体部243の内部に形成されている。ガス導入口246は、本体部243のうちのガス拡散室245より上側に形成され、ガス拡散室245に連通している。上部天板244には、複数のガス導入口248が形成されている。複数のガス導入口248は、上部天板244の上面と下面とを貫通するように形成され、複数のガス流出口247にそれぞれ連通している。
基板処理装置110は、処理ガス供給源251と弁252とマスフローコントローラ253とを更に有する。処理ガス供給源251は、配管254を介してシャワーヘッド241の本体部243のガス導入口246に接続されている。マスフローコントローラ253は、配管254の途中に設けられている。弁252は、配管254のうちのマスフローコントローラ253とガス導入口246との間に設けられている。弁252は、開閉されることにより、処理ガス供給源251からガス導入口246に処理ガスを供給したり、処理ガスが処理ガス供給源251からガス導入口246に供給されることを遮断したりする。
基板処理装置110は、可変直流電源255とローパスフィルタ256とスイッチ257とを更に有する。可変直流電源255は、電路258を介してシャワーヘッド241の本体部243に電気的に接続されている。ローパスフィルタ256とスイッチ257とは、電路258の途中に設けられている。スイッチ257は、開閉されることにより、直流電圧をシャワーヘッド241に印加したり、直流電圧がシャワーヘッド241に印加されることを遮断したりする。
(4)リング磁石261の構成
基板処理装置110は、リング磁石261を更に有する。リング磁石261は、永久磁石から形成され、リング状に形成されている。リング磁石261は、チャンバ21がリング磁石261の内側に配置されるように、チャンバ21と同心円状に配置されている。リング磁石261は、図示されていない回転機構を介して回転自在にチャンバ21に支持されている。リング磁石261は、処理空間25のうちのシャワーヘッド241と載置台211との間の領域に磁場を形成する。
基板処理装置110は、リング磁石261を更に有する。リング磁石261は、永久磁石から形成され、リング状に形成されている。リング磁石261は、チャンバ21がリング磁石261の内側に配置されるように、チャンバ21と同心円状に配置されている。リング磁石261は、図示されていない回転機構を介して回転自在にチャンバ21に支持されている。リング磁石261は、処理空間25のうちのシャワーヘッド241と載置台211との間の領域に磁場を形成する。
(5)チャンバ21の内壁面の構成
基板処理装置110は、デポシールド262とデポシールド263と導電性部材264とを更に有する。デポシールド262は、チャンバ21の内壁面を覆うように配置され、チャンバ21に対して着脱自在にチャンバ21に支持されている。デポシールド262は、チャンバ21の内壁面にエッチング副生物(デポ)が付着することを防止する。導電性部材264は、導電性部材264が配置される高さが、載置台211に載置された基板265が配置される高さと略同じになるように、処理空間25に配置され、デポシールド262に支持されている。導電性部材264は、導体で形成され、グランドに電気的に接続されている。導電性部材264は、チャンバ21内の異常放電を抑制する。
基板処理装置110は、デポシールド262とデポシールド263と導電性部材264とを更に有する。デポシールド262は、チャンバ21の内壁面を覆うように配置され、チャンバ21に対して着脱自在にチャンバ21に支持されている。デポシールド262は、チャンバ21の内壁面にエッチング副生物(デポ)が付着することを防止する。導電性部材264は、導電性部材264が配置される高さが、載置台211に載置された基板265が配置される高さと略同じになるように、処理空間25に配置され、デポシールド262に支持されている。導電性部材264は、導体で形成され、グランドに電気的に接続されている。導電性部材264は、チャンバ21内の異常放電を抑制する。
(6)静電チャック217の構成
図3は、基板処理装置が有する静電チャックの一例を示す上面図である。静電チャック217のうちの載置台211に載置された基板265に対向する載置面は、図3に示されているように、複数の領域266-1~266-nに分割されている。なお、複数の領域266-1~266-nの形状は、図3に示されている例に限定されず、載置面は、複数の領域266-1~266-nの形状とは異なる他の形状の複数の領域に分割されていてもよい。複数の領域266-1~266-nは、複数のヒータ223-1~223-nに対応している。複数のヒータ223-1~223-nのうちの1つの領域266-1に対応する1つのヒータ223-1は、静電チャック217のうちの領域266-1の近傍に埋め込まれている。ヒータ223-1は、交流電力が供給されることにより領域266-1を中心に静電チャック217を加熱する。複数のヒータ223-1~223-nのうちのヒータ223-1と異なる他のヒータも、ヒータ223-1と同様に、交流電力が供給されたときに、複数の領域266-1~266-nのうちの当該ヒータに対応する領域を中心に静電チャック217を加熱する。
図3は、基板処理装置が有する静電チャックの一例を示す上面図である。静電チャック217のうちの載置台211に載置された基板265に対向する載置面は、図3に示されているように、複数の領域266-1~266-nに分割されている。なお、複数の領域266-1~266-nの形状は、図3に示されている例に限定されず、載置面は、複数の領域266-1~266-nの形状とは異なる他の形状の複数の領域に分割されていてもよい。複数の領域266-1~266-nは、複数のヒータ223-1~223-nに対応している。複数のヒータ223-1~223-nのうちの1つの領域266-1に対応する1つのヒータ223-1は、静電チャック217のうちの領域266-1の近傍に埋め込まれている。ヒータ223-1は、交流電力が供給されることにより領域266-1を中心に静電チャック217を加熱する。複数のヒータ223-1~223-nのうちのヒータ223-1と異なる他のヒータも、ヒータ223-1と同様に、交流電力が供給されたときに、複数の領域266-1~266-nのうちの当該ヒータに対応する領域を中心に静電チャック217を加熱する。
(7)複数の電力供給部232-1~232-nの構成
複数の電力供給部232-1~232-nは、複数のヒータ223-1~223-nに対応している。図4は、基板処理装置が有する電力供給部の一例を示す回路図である。
複数の電力供給部232-1~232-nは、複数のヒータ223-1~223-nに対応している。図4は、基板処理装置が有する電力供給部の一例を示す回路図である。
電力供給部232-1は、スイッチ271と抵抗値センサ272とを有する。スイッチ271は、交流電源273とヒータ223-1とを接続するヒータ電力供給用電路274の途中に設けられている。交流電源273は、基板処理装置110が設置される工場に設けられ、基板処理装置110に交流電力を供給するとともに、基板処理装置110と異なる他の機器にも交流電力を供給する。スイッチ271は、閉鎖されることにより交流電源273から電力をヒータ223-1に供給し、開放されることにより交流電源273からヒータ223-1に電力が供給されることを遮断する。
抵抗値センサ272は、電圧計275と電流計276とを有する。電圧計275は、ヒータ223-1に印加される電圧を測定する。電流計276は、シャント抵抗器277と電圧計278とを有する。シャント抵抗器277は、ヒータ電力供給用電路274の途中に設けられている。シャント抵抗器277の抵抗値として、10mΩが例示される。電圧計278は、シャント抵抗器277に印加される電圧を測定する。電流計276は、電圧計278により測定された電圧に基づいて、ヒータ223-1を流れる電流を測定する。
抵抗値センサ272は、電圧計275により測定された電圧値と電流計276により測定された電流値とに基づいて、ヒータ223-1の電気抵抗値を測定する。ヒータ223-1の電気抵抗値は、電圧計275により測定された電圧を電流計276により測定された電流値で除算した値に等しい。複数の電力供給部232-1~232-nのうちの電力供給部232-1と異なる他の電力供給部も、電力供給部232-1と同様に、スイッチと抵抗値センサとを有する。すなわち、基板処理装置110は、複数のヒータ223-1~223-nに対応する複数の抵抗値センサを有している。その電力供給部も、電力供給部232-1と同様に、複数のヒータ223-1~223-nのうちのその電力供給部に対応するヒータに交流電源273から交流電力を供給し、そのヒータの電気抵抗値を測定する。
<解析装置のハードウェア構成>
次に、解析装置120のハードウェア構成について説明する。図5は、解析装置のハードウェア構成の一例を示す図である。
次に、解析装置120のハードウェア構成について説明する。図5は、解析装置のハードウェア構成の一例を示す図である。
図5に示すように、解析装置120は、プロセッサ501、メモリ502、補助記憶装置503、ユーザインタフェース装置504、接続装置505、通信装置506、ドライブ装置507を有する。なお、解析装置120の各ハードウェアは、バス508を介して相互に接続されている。
プロセッサ501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501は、各種プログラム(例えば、解析プログラム(詳細は後述)等)をメモリ502上に読み出して実行する。
メモリ502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501とメモリ502とは、いわゆるコンピュータを形成し、プロセッサ501が、メモリ502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フェーズの各種機能を実現する。
補助記憶装置503は、各種プログラムや、各種プログラムがプロセッサ501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。
ユーザインタフェース装置504は、例えば、解析装置120のユーザが各種コマンドの入力操作等を行う際に用いるキーボードまたはタッチパネル、解析装置120の処理内容を表示するためのディスプレイ等を含む。
接続装置505は、基板処理システム100内の他の装置(基板処理装置110等)と接続する接続デバイスである。通信装置506は、ネットワークを介して不図示の外部装置と通信するための通信デバイスである。
ドライブ装置507は記録媒体510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510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510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503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510がドライブ装置507にセットされ、該記録媒体510に記録された各種プログラムがドライブ装置507により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503にインストールされる各種プログラムは、通信装置506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。
<事前学習フェーズにおける基板処理システムの機能構成>
次に、事前学習フェーズにおける基板処理システム100の機能構成の詳細について説明する。図6は、基板処理システム(事前学習フェーズ)の機能構成の一例を示す図である。図6に示すように、事前学習フェーズにおいて、基板処理装置110のチャンバ21内には、事前学習データ測定装置111がセットされる。具体的には、真空環境下(第1の真空環境下)にある処理空間25において、赤外線カメラ601がセットされ、黒体ウェハ602が静電チャック217に支持される。
次に、事前学習フェーズにおける基板処理システム100の機能構成の詳細について説明する。図6は、基板処理システム(事前学習フェーズ)の機能構成の一例を示す図である。図6に示すように、事前学習フェーズにおいて、基板処理装置110のチャンバ21内には、事前学習データ測定装置111がセットされる。具体的には、真空環境下(第1の真空環境下)にある処理空間25において、赤外線カメラ601がセットされ、黒体ウェハ602が静電チャック217に支持される。
また、事前学習フェーズでは、静電チャック217の各領域266-1~266-nに設けられたヒータ223-1~223-nが、ヒータ制御装置610により制御される。具体的にはヒータ223-1~223-nは、ヒータ制御装置610により制御されることで、様々な設定温度のもとで動作する。
更に、事前学習フェーズでは、様々な設定温度のもとでヒータ223-1~223-nが動作した際の黒体ウェハ602の表面温度を、赤外線カメラ601が、黒体ウェハ602の上方から撮影することで測定し、測定温度を取得する。なお、以下では、説明の簡略化のため、n=6であるとして説明を行う。
図6において、テーブル611は、ヒータ制御装置610によりそれぞれのヒータ223-1~223-6に設定された設定温度の組み合わせを示したものである。テーブル611に示すように、本実施形態では、静電チャックの各領域と設定温度の組み合わせを5つのグループに分け、それぞれのグループにおいて、直交表に基づいて複数の異なる設定温度の組み合わせ(a通り~e通りの条件)を抽出した。なお、本開示では、一例として直交表に基づいて5つのグループに分けているが、グループ数はこれに限定されない。
解析装置120には解析プログラムがインストールされており、事前学習フェーズでは当該プログラムが実行されることで、解析装置120は、事前学習データ収集部620、事前学習部630として機能する。
事前学習データ収集部620は、ヒータ制御装置610より、各領域266-1~266-6に設けられたヒータ223-1~223-6の設定温度の組み合わせを取得し、赤外線カメラ601より、対応する測定温度を取得する。また、事前学習データ収集部620は、
・取得した設定温度の組み合わせを入力データ、
・基板の各位置に対応する測定温度を測定データ、
とする事前学習データを、事前学習データ格納部640(格納部の一例)に格納する。
・取得した設定温度の組み合わせを入力データ、
・基板の各位置に対応する測定温度を測定データ、
とする事前学習データを、事前学習データ格納部640(格納部の一例)に格納する。
事前学習部630は学習部の一例であり、温度予測モデルを有する。また、事前学習部630は、事前学習データ格納部640に格納された事前学習データを読み出し、入力データを温度予測モデルに入力した際の出力データが、測定データに近づくように、温度予測モデルに対して事前学習処理を行う。
<事前学習データの具体例及び事前学習部の処理の具体例>
次に、事前学習データ格納部640に格納された事前学習データの具体例と、当該事前学習データを用いて事前学習部630が行う処理の具体例について説明する。図7は、事前学習データの具体例及び事前学習部の処理の具体例を示す図である。
次に、事前学習データ格納部640に格納された事前学習データの具体例と、当該事前学習データを用いて事前学習部630が行う処理の具体例について説明する。図7は、事前学習データの具体例及び事前学習部の処理の具体例を示す図である。
図7に示すように、事前学習データ710には、情報の項目として、“グループ”、“条件”、“入力データ”、“測定データ”が含まれる。このうち、“グループ”には、設定温度の組み合わせを抽出する際に分けられた5グループのうちのいずれかのグループのグループ名が格納される。“条件”には、各グループにおけるヒータと設定温度との組み合わせ(a通り~e通りの条件)のうちのいずれかを識別する情報が格納される。
“入力データ”には、更に、“ヒータ名”と“設定温度”とが含まれ、“ヒータ名”には、設定温度が設定されたヒータの名称が格納される。“設定温度”には、ヒータに設定された設定温度が格納される。
“測定データ”には、対応する入力データに格納された設定温度の組み合わせが設定された状態でヒータが動作し、赤外線カメラ601が黒体ウェハ602を測定することで取得した各位置の測定温度(第1温度データ群)が格納される。なお、図7において各位置の色の違いは、各位置の測定温度の違いを示している。
また、図7に示すように、事前学習部630は、温度予測モデル720を有する。温度予測モデル720において、各位置の測定温度、モデルパラメータ、及び各ヒータの設定温度の関係は、例えば、ベクトル計算により学習されることで、事前学習済みのモデルパラメータが算出される。
具体的には、事前学習部630は、入力データ(各ヒータ223-1~223-6に設定された設定温度)を温度予測モデル720に入力する。また、事前学習部630は、モデルパラメータをかけ合わせることで出力される出力データが、測定データ(各位置の測定温度)に近づくように、モデルパラメータを更新する。これにより、事前学習部630では、事前学習済みのモデルパラメータ(第1モデルパラメータ)を算出する。
<追加学習フェーズにおける基板処理システムの機能構成>
次に、追加学習フェーズにおける基板処理システム100の機能構成について説明する。図8は、基板処理システム(追加学習フェーズ)の機能構成の一例を示す図である。
次に、追加学習フェーズにおける基板処理システム100の機能構成について説明する。図8は、基板処理システム(追加学習フェーズ)の機能構成の一例を示す図である。
図8に示すように、追加学習フェーズにおいて、基板処理装置110のチャンバ21内には、センサウェハ112がセットされる。具体的には、真空環境下(第2の真空環境下)にある処理空間25において、センサウェハ112が静電チャック217に支持される。なお、上述したように、本実施形態において、追加フェーズにおいて用いる基板処理装置110と、事前学習フェーズにおいて用いる基板処理装置110とは、異なる個体である。このため、ここでいう真空環境下にある処理空間25も、事前学習フェーズにおける真空環境下にある処理空間25とは、異なる真空環境下にある処理空間となる。
また、図8に示すように、追加学習フェーズにおいて、静電チャック217の各領域266-1~266-6に設けられたヒータ223-1~223-6は、ヒータ制御装置610により制御され、目標温度に応じた設定温度のもとで動作する。なお、ここでは、目標温度に応じた設定温度は、
・事前学習済みのモデルパラメータと、
・目標温度と、
に基づいて、後述する設定温度算出部840により算出される。図8の例は、目標温度(t[℃])に応じた設定温度として、各ヒータ223-1~223-6に、t[℃]が設定された様子を示している(符号860_1参照)。
・事前学習済みのモデルパラメータと、
・目標温度と、
に基づいて、後述する設定温度算出部840により算出される。図8の例は、目標温度(t[℃])に応じた設定温度として、各ヒータ223-1~223-6に、t[℃]が設定された様子を示している(符号860_1参照)。
また、追加学習フェーズにおいて、センサウェハ112は、各ヒータ223-1~223-6を目標温度に応じた設定温度のもとで動作させた際の測定温度を測定し、測定温度を取得する。
解析装置120には解析プログラムがインストールされており、追加学習フェーズでは当該プログラムが実行されることで、解析装置120は、追加学習データ収集部820、追加学習部830、設定温度算出部840として機能する。
追加学習データ収集部820は、
・ヒータ制御装置610に入力された目標温度と、
・設定温度算出部840により算出され、ヒータ制御装置610に通知される設定温度と、
・当該設定温度のもとで各ヒータ223-1~223-6が動作することでセンサウェハ112により測定された測定温度と、
を取得する。
・ヒータ制御装置610に入力された目標温度と、
・設定温度算出部840により算出され、ヒータ制御装置610に通知される設定温度と、
・当該設定温度のもとで各ヒータ223-1~223-6が動作することでセンサウェハ112により測定された測定温度と、
を取得する。
また、追加学習データ収集部820は、取得した各ヒータ223-1~223-6の設定温度を入力データ、対応する測定温度を測定データとする追加学習データを、目標温度と対応付けて追加学習データ格納部850に格納する。
また、追加学習データ収集部820は、取得した測定温度が、所定の条件を満たしているか否かを判定し、判定結果を追加学習部830に通知する。
追加学習部830は、事前学習済みの温度予測モデルを有し、追加学習データ収集部820より、所定の条件を満たしていないとの判定結果が通知された場合に動作する。具体的には、追加学習部830は、追加学習データ格納部850に格納された追加学習データを読み出す。また、追加学習部830は、入力データを事前学習済みの温度予測モデルに入力した際の出力データが、測定データに近づくように、事前学習済みの温度予測モデルに対して追加学習処理を行う。
設定温度算出部840は、追加学習部830により追加学習処理が行われることで生成された追加学習済みのモデルパラメータ(第2モデルパラメータ)を用いて、目標温度に応じた設定温度を新たに算出する。つまり、ここでは、目標温度に応じた設定温度は、
・追加学習済みのモデルパラメータと、
・目標温度と、
に基づいて算出される。また、設定温度算出部840は、新たに算出した設定温度を、ヒータ制御装置610に通知する(例えば、符号860_2参照)。
・追加学習済みのモデルパラメータと、
・目標温度と、
に基づいて算出される。また、設定温度算出部840は、新たに算出した設定温度を、ヒータ制御装置610に通知する(例えば、符号860_2参照)。
なお、追加学習データ収集部820、追加学習部830、設定温度算出部840の各部の処理は、センサウェハ112により測定される測定温度が、所定の条件を満たしていると判定されるまで繰り返し実行される。図8において、符号860_1、860_2、860_3、・・・は、設定温度算出部840により複数回にわたって新たな設定温度がヒータ制御装置610に通知されたことを示している。
<追加学習データの具体例、追加学習部及び設定温度算出部の処理の具体例>
次に、追加学習データ格納部850に格納された追加学習データの具体例と、当該追加学習データを用いて追加学習部830が行う処理及び設定温度算出部840が行う処理の具体例とについて説明する。図9は、追加学習データの具体例と、追加学習部及び設定温度算出部の処理の具体例とを示す図である。
次に、追加学習データ格納部850に格納された追加学習データの具体例と、当該追加学習データを用いて追加学習部830が行う処理及び設定温度算出部840が行う処理の具体例とについて説明する。図9は、追加学習データの具体例と、追加学習部及び設定温度算出部の処理の具体例とを示す図である。
図9に示すように、追加学習データ910には、情報の項目として、“回数”、“入力データ”、“測定データ”が含まれる。このうち、“回数”には、ヒータ制御装置610に設定温度が設定された回数が格納される。“入力データ”には、更に、“ヒータ名”と“設定温度”とが含まれ、“ヒータ名”には、設定温度が設定された各ヒータ223-1~223-6の名称が格納される。“設定温度”には、対応するヒータに設定された設定温度が格納される。
“測定データ”には、対応する入力データに格納された設定温度のもとで各ヒータ223-1~223-6が動作し、センサウェハ112により測定された測定温度(第2温度データ群)が格納される。
また、図9に示すように、追加学習部830は、事前学習済み温度予測モデル920を有する。事前学習済み温度予測モデル920において、各位置の測定温度、事前学習済みモデル、及び各ヒータの設定温度の関係は、例えば、ベクトル計算により学習されることで、追加学習済みのモデルパラメータが算出される。
具体的には、追加学習部830は、入力データ(各ヒータ223-1~223-6に設定された設定温度)を事前学習済み温度予測モデル920に入力する。また、追加学習部830は、事前学習済みモデルパラメータをかけ合わせることで出力される出力データが、測定データ(各位置の測定温度)に近づくように、事前学習済みモデルパラメータを更新する。これにより、追加学習部830では、追加学習済みのモデルパラメータを算出する。
設定温度算出部840は、はじめに、
・事前学習済みのモデルパラメータと、
・ヒータ制御装置610に入力された目標温度と、
に基づいて、目標温度に応じた設定温度(各ヒータ223-1~223-6に設定されるそれぞれの設定温度)を算出する。また、設定温度算出部840は、算出した各ヒータ223-1~223-6の設定温度を、ヒータ制御装置610に通知する。
・事前学習済みのモデルパラメータと、
・ヒータ制御装置610に入力された目標温度と、
に基づいて、目標温度に応じた設定温度(各ヒータ223-1~223-6に設定されるそれぞれの設定温度)を算出する。また、設定温度算出部840は、算出した各ヒータ223-1~223-6の設定温度を、ヒータ制御装置610に通知する。
設定温度算出部840では、例えば、事前学習済みのモデルパラメータの逆ベクトルに、目標温度をかけ合わせることで、目標温度に応じた各ヒータの設定温度を算出することができる。
また、設定温度算出部840は、追加学習部830により追加学習処理が行われた場合には、
・追加学習部830により算出された、追加学習済みのモデルパラメータと、
・ヒータ制御装置610に入力された目標温度と、
に基づいて、目標温度に応じた設定温度(各ヒータ223-1~223-6に設定されるそれぞれの設定温度)を新たに算出する。また、設定温度算出部840は、新たに算出した各ヒータ223-1~223-6の設定温度を、ヒータ制御装置610に通知する。
・追加学習部830により算出された、追加学習済みのモデルパラメータと、
・ヒータ制御装置610に入力された目標温度と、
に基づいて、目標温度に応じた設定温度(各ヒータ223-1~223-6に設定されるそれぞれの設定温度)を新たに算出する。また、設定温度算出部840は、新たに算出した各ヒータ223-1~223-6の設定温度を、ヒータ制御装置610に通知する。
設定温度算出部840では、例えば、追加学習済みのモデルパラメータの逆ベクトルに、目標温度をかけ合わせることで、目標温度に応じた各ヒータの設定温度を算出することができる。
なお、追加学習済みのモデルパラメータを算出するにあたり、追加学習部830では、信頼度を用いる。信頼度とは、追加学習済みのモデルパラメータにおける、
・事前学習済みのモデルパラメータの値(例えば、ベクトルの各要素)、
・追加学習データである、目標温度に応じた設定温度と、測定温度との関係を示す値、
それぞれの寄与度を指す。
・事前学習済みのモデルパラメータの値(例えば、ベクトルの各要素)、
・追加学習データである、目標温度に応じた設定温度と、測定温度との関係を示す値、
それぞれの寄与度を指す。
このように、事前学習済みのモデルパラメータに対する、追加学習データの寄与度を高めながら、追加学習済みのモデルパラメータを更新していくことで、解析装置120によれば、機差の影響を排除した適切なモデルパラメータを生成することが可能となる。
<解析処理の流れ>
次に、事前学習フェーズから追加学習フェーズまでの解析装置120による解析処理の流れについて説明する。図10は、解析処理の流れを示す第1のフローチャートの一例である。
次に、事前学習フェーズから追加学習フェーズまでの解析装置120による解析処理の流れについて説明する。図10は、解析処理の流れを示す第1のフローチャートの一例である。
ステップS1001において、解析装置120は、事前学習データ測定装置111がセットされた基板処理装置110より、事前学習データ710を取得する。
ステップS1002において、解析装置120は、取得した事前学習データ710を用いて、温度予測モデル720に対して事前学習処理を行い、事前学習済み温度予測モデル920を生成する。
ステップS1003において、解析装置120は、事前学習済みのモデルパラメータを用いて、目標温度に応じた設定温度(各ヒータ223-1~223-6に設定されるそれぞれの設定温度)を算出する。
ステップS1004において、解析装置120は、センサウェハ112が支持された状態で、静電チャック217の各領域に設けられたヒータ223-1~223-6を、目標温度に応じた設定温度のもとで動作させる。これにより、解析装置120は、測定温度を取得する。
ステップS1005において、解析装置120は、取得した測定温度が所定の条件を満たしているか否かを判定する。ステップS1005において、取得した測定温度が所定の条件を満たしていないと判定した場合には(ステップS1005においてNOの場合には)、ステップS1006に進む。
ステップS1006において、解析装置120は、設定温度を入力データ、取得した測定データを測定データとする追加学習データ910を格納する。
ステップS1007において、解析装置120は、追加学習データ910を用いて、事前学習済み温度予測モデル920に対して追加学習処理を行い、追加学習済み温度予測モデルを生成する。
ステップS1008において、解析装置120は、追加学習済みのモデルパラメータを用いて、目標温度に応じた設定温度(各ヒータ223-1~223-6に設定されるそれぞれの設定温度)を新たに算出し、ステップS1004に戻る。
一方、ステップS1005において、取得した測定温度が所定の条件を満たしていると判定した場合には(ステップS1005において、YESの場合には)、解析処理を終了する。
<調整精度の遷移>
次に、追加学習フェーズにおける調整精度の遷移について説明する。図11は、調整精度の遷移例を示す図である。
次に、追加学習フェーズにおける調整精度の遷移について説明する。図11は、調整精度の遷移例を示す図である。
図11において、横軸は追加学習フェーズにおいて追加学習処理が行われ、設定温度算出部840により新たな設定温度が算出された回数を表している。また、縦軸のうち、左側の軸は、センサウェハ112により測定された各位置の測定温度の平均値(面内平均温度)を表しており、右側の軸は、センサウェハ112により測定された各位置の測定温度のばらつきを表している。
図11に示すように、追加学習フェーズにおいて、設定温度算出部840により新たな設定温度が算出されるごとに、面内平均温度は目標温度に近づき、基板の各位置の測定温度のばらつきは小さくなっている。
<まとめ>
以上の説明から明らかなように、第1の実施形態に係る解析装置120は、
・真空環境下にある処理空間において静電チャックの分割された各領域に設けられたヒータの設定温度と、静電チャックに支持された基板の各位置の測定温度とを、事前学習データとして取得し、事前学習処理を行うことで、事前学習済み温度予測モデルを生成する。
・事前学習済み温度予測モデルを用いて(事前学習済みのモデルパラメータを用いて)、基板の目標温度に応じた各ヒータの設定温度を算出する設定温度算出部を有する。
以上の説明から明らかなように、第1の実施形態に係る解析装置120は、
・真空環境下にある処理空間において静電チャックの分割された各領域に設けられたヒータの設定温度と、静電チャックに支持された基板の各位置の測定温度とを、事前学習データとして取得し、事前学習処理を行うことで、事前学習済み温度予測モデルを生成する。
・事前学習済み温度予測モデルを用いて(事前学習済みのモデルパラメータを用いて)、基板の目標温度に応じた各ヒータの設定温度を算出する設定温度算出部を有する。
このように、第1の実施形態に係る解析装置120では、各ヒータの設定温度と、当該設定温度のもとでヒータを動作させた際の測定温度との関係を学習しておき、学習済みのモデルパラメータを用いて、目標温度に応じた設定温度を算出する。
これにより、第1の実施形態に係る解析装置120によれば、機差等に起因して、局所的に温度ムラが発生することで、基板の面内平均温度が、目標温度がずれるといった調整精度の低下を回避することができる。
つまり、第1の実施形態によれば、基板の温度調整を行う際の調整精度を向上させることができる。
[第2の実施形態]
上記第1の実施形態では、解析処理の際、測定温度が所定の条件を満たしているか否かを判定したうえで、追加学習処理を行う構成とした。しかしながら、解析処理の処理順序は、これに限定されず、例えば、追加学習処理を行ったうえで、測定温度が所定の条件を満たしているか否かを判定するように構成してもよい。以下、第2の実施形態について、上記第1の実施形態との相違点を中心に説明する。
上記第1の実施形態では、解析処理の際、測定温度が所定の条件を満たしているか否かを判定したうえで、追加学習処理を行う構成とした。しかしながら、解析処理の処理順序は、これに限定されず、例えば、追加学習処理を行ったうえで、測定温度が所定の条件を満たしているか否かを判定するように構成してもよい。以下、第2の実施形態について、上記第1の実施形態との相違点を中心に説明する。
<解析処理の流れ>
図12は、解析処理の流れを示す第2のフローチャートの一例である。なお、図10に示した第1のフローチャートとの相違点は、ステップS1201~ステップS1204である。したがって、ここでは、ステップS1201~ステップS1204について説明する。
図12は、解析処理の流れを示す第2のフローチャートの一例である。なお、図10に示した第1のフローチャートとの相違点は、ステップS1201~ステップS1204である。したがって、ここでは、ステップS1201~ステップS1204について説明する。
ステップS1201において、解析装置120は、設定温度を入力データ、取得した測定データを測定データとする追加学習データ910を格納する。
ステップS1202において、解析装置120は、追加学習データ910を用いて、事前学習済み温度予測モデル920に対して追加学習処理を行い、追加学習済み温度予測モデルを生成する。
ステップS1203において、解析装置120は、追加学習済みのモデルパラメータを用いて、目標温度に応じた設定温度(各ヒータ223-1~223-6に設定されるそれぞれの設定温度)を新たに算出する。
ステップS1204において、解析装置120は、取得した測定温度が所定の条件を満たしているか否かを判定する。ステップS1204において、取得した測定温度が所定の条件を満たしていないと判定した場合には(ステップS1204においてNOの場合には)、ステップS1004に戻る。
一方、ステップS1204において、取得した測定温度が所定の条件を満たしていると判定した場合には(ステップS1204においてYESの場合には)、解析処理を終了する。
<まとめ>
以上の説明から明らかなように、第2の実施形態に係る解析装置120によれば、解析処理の処理順序を変更しても第1の実施形態と同様の効果を享受することができる。
以上の説明から明らかなように、第2の実施形態に係る解析装置120によれば、解析処理の処理順序を変更しても第1の実施形態と同様の効果を享受することができる。
[第3の実施形態]
上記各実施形態では、静電チャックの各領域266-1~266-6に、ヒータ223-1~223-6が設けられているものとして説明したが、静電チャックの各領域266-1~266-6に設けられる温度調整素子はヒータに限定されない。例えば、サーミスタやペルチェ素子等、他の温度調整素子が設けられてもよい。また、各領域266-1~266-6に他の温度調整素子が設けられた場合、当該他の各温度調整素子には、電気抵抗値に代えて他の設定パラメータが設定されることになる。
上記各実施形態では、静電チャックの各領域266-1~266-6に、ヒータ223-1~223-6が設けられているものとして説明したが、静電チャックの各領域266-1~266-6に設けられる温度調整素子はヒータに限定されない。例えば、サーミスタやペルチェ素子等、他の温度調整素子が設けられてもよい。また、各領域266-1~266-6に他の温度調整素子が設けられた場合、当該他の各温度調整素子には、電気抵抗値に代えて他の設定パラメータが設定されることになる。
また、上記各実施形態では、基板処理装置110が実行する基板処理方法の詳細について言及しなかったが、基板処理装置110は、例えば、プラズマエッチング方法を実行してもよい。この場合、真空環境下にある処理空間25とは、プラズマ処理環境下にある処理空間25を指す。ただし、真空環境下にある処理空間25は、プラズマ処理環境以外の環境下にある処理空間であってもよい。
また、上記第1の実施形態では、基板処理システム100において、基板処理装置110と解析装置120とを別体として構成したが、基板処理装置110と解析装置120とは、一体として構成してもよい。あるいは、解析装置120の一部の機能は、基板処理装置110において実現されてもよい。
また、上記第1の実施形態では、解析装置120が、単体で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、解析装置120が、例えば、複数台のコンピュータにより構成され、かつ、解析プログラムが当該複数台のコンピュータにインストールされている場合にあっては、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の実施形態では、補助記憶装置503への解析プログラムのインストール方法の一例として、不図示の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、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、例えば、不図示のネットワークを介して解析装置120からのアクセスを受け付け、課金を条件に解析プログラムをダウンロードする装置であってもよい。つまり、当該サーバ装置は、クラウド上で解析プログラムの提供サービスを行う装置であってもよい。
なお、開示の技術では、以下に記載する付記のような形態が考えられる。
(付記1)
第1の真空環境下にある処理空間において基板支持部の分割された各領域に設けられた温度調整素子の設定パラメータと、前記基板支持部に支持された基板の各位置の温度データである第1温度データ群とを用いて学習処理を行い、学習済みモデルを生成するように構成されている学習部と、
前記学習済みモデルを用いて、前記基板の目標温度に応じた各温度調整素子の設定パラメータを算出するように構成されている算出部と
を有する解析装置。
(付記2)
前記第1の真空環境下にある処理空間において、前記基板支持部の分割された各領域に設けられた温度調整素子の設定パラメータと、前記基板支持部に支持された基板の各位置の温度データである前記第1温度データ群とを、学習データとして格納するように構成されている格納部を有し、
前記学習済みモデルは、前記格納部から読み出した学習データを用いてモデルの学習処理を行うことで生成される、付記1に記載の解析装置。
(付記3)
第2の真空環境下にある処理空間において前記算出部により算出された設定パラメータと、前記算出部により算出された設定パラメータのもとで前記各温度調整素子を動作させた際に測定された、前記基板の各位置の温度データである第2温度データ群とを用いて、前記学習済みモデルに対して追加の学習処理を行い、追加学習済みモデルを生成するように構成されている追加学習部を更に有する、付記1に記載の解析装置。
(付記4)
前記算出部は、
前記追加学習済みモデルを用いて、前記基板の目標温度に応じた各温度調整素子の設定パラメータを算出するように構成されている、付記3に記載の解析装置。
(付記5)
前記算出部及び前記追加学習部は、前記第2温度データ群が、前記目標温度に対して所定の条件を満たすと判定されるまで、処理を繰り返すように構成されている、付記4に記載の解析装置。
(付記6)
前記学習部は、
前記設定パラメータと前記第1温度データ群との間の第1モデルパラメータを算出するように構成されている、付記1乃至5のいずれかの付記に記載の解析装置。
(付記7)
前記追加学習部は、
前記設定パラメータと前記第2温度データ群との間の第2モデルパラメータを算出するように構成されている、付記3乃至5のいずれかの付記に記載の解析装置。
(付記8)
前記第1温度データ群及び前記第2温度データ群は、赤外線カメラまたはセンサウェハを用いて測定される、付記3乃至5のいずれかの付記に記載の解析装置。
(付記9)
前記第1の真空環境下は、プラズマ処理環境下である、付記1乃至8のいずれかの付記に記載の解析装置。
(付記10)
前記第1の真空環境下及び前記第2の真空環境下の少なくともいずれか一方は、プラズマ処理環境下である、付記3乃至5のいずれかの付記に記載の解析装置。
(付記11)
前記第1の真空環境下及び前記第2の真空環境下は同一の処理空間に形成される、付記3乃至5のいずれかの付記に記載の解析装置。
(付記12)
前記温度調整素子は、ヒータ、サーミスタ、ペルチェ素子のいずれかである、付記1乃至11のいずれかの付記に記載の解析装置。
(付記13)
前記設定パラメータは、前記ヒータの電気抵抗値である、付記12に記載の解析装置。
(付記14)
付記1乃至13のいずれかの付記に記載の解析装置と、
真空環境下にある処理空間において、基板支持部の分割された各領域に温度調整素子が設けられた基板処理装置と
を有する基板処理システム。
(付記15)
真空環境下にある処理空間において基板支持部の分割された各領域に温度調整素子が設けられた基板処理装置であって、
前記温度調整素子の設定パラメータと、前記基板支持部に支持された基板の各位置の温度データである第1温度データ群とを用いて学習処理を行い、学習済みモデルを生成するように構成されている学習部と、
前記学習済みモデルを用いて、前記基板の目標温度に応じた各温度調整素子の設定パラメータを算出するように構成されている算出部と
を有する基板処理装置。
(付記16)
真空環境下にある処理空間において基板支持部の分割された各領域に設けられた温度調整素子の設定パラメータと、前記基板支持部に支持された基板の各位置の温度データである第1温度データ群とを用いて学習処理を行い、学習済みモデルを生成する学習工程と、
前記学習済みモデルを用いて、前記基板の目標温度に応じた各温度調整素子の設定パラメータを算出する算出工程と
を有する解析方法。
(付記17)
真空環境下にある処理空間において基板支持部の分割された各領域に設けられた温度調整素子の設定パラメータと、前記基板支持部に支持された基板の各位置の温度データである第1温度データ群とを用いて学習処理を行い、学習済みモデルを生成する学習工程と、
前記学習済みモデルを用いて、前記基板の目標温度に応じた各温度調整素子の設定パラメータを算出する算出工程と
をコンピュータに実行させるための解析プログラム。
(付記1)
第1の真空環境下にある処理空間において基板支持部の分割された各領域に設けられた温度調整素子の設定パラメータと、前記基板支持部に支持された基板の各位置の温度データである第1温度データ群とを用いて学習処理を行い、学習済みモデルを生成するように構成されている学習部と、
前記学習済みモデルを用いて、前記基板の目標温度に応じた各温度調整素子の設定パラメータを算出するように構成されている算出部と
を有する解析装置。
(付記2)
前記第1の真空環境下にある処理空間において、前記基板支持部の分割された各領域に設けられた温度調整素子の設定パラメータと、前記基板支持部に支持された基板の各位置の温度データである前記第1温度データ群とを、学習データとして格納するように構成されている格納部を有し、
前記学習済みモデルは、前記格納部から読み出した学習データを用いてモデルの学習処理を行うことで生成される、付記1に記載の解析装置。
(付記3)
第2の真空環境下にある処理空間において前記算出部により算出された設定パラメータと、前記算出部により算出された設定パラメータのもとで前記各温度調整素子を動作させた際に測定された、前記基板の各位置の温度データである第2温度データ群とを用いて、前記学習済みモデルに対して追加の学習処理を行い、追加学習済みモデルを生成するように構成されている追加学習部を更に有する、付記1に記載の解析装置。
(付記4)
前記算出部は、
前記追加学習済みモデルを用いて、前記基板の目標温度に応じた各温度調整素子の設定パラメータを算出するように構成されている、付記3に記載の解析装置。
(付記5)
前記算出部及び前記追加学習部は、前記第2温度データ群が、前記目標温度に対して所定の条件を満たすと判定されるまで、処理を繰り返すように構成されている、付記4に記載の解析装置。
(付記6)
前記学習部は、
前記設定パラメータと前記第1温度データ群との間の第1モデルパラメータを算出するように構成されている、付記1乃至5のいずれかの付記に記載の解析装置。
(付記7)
前記追加学習部は、
前記設定パラメータと前記第2温度データ群との間の第2モデルパラメータを算出するように構成されている、付記3乃至5のいずれかの付記に記載の解析装置。
(付記8)
前記第1温度データ群及び前記第2温度データ群は、赤外線カメラまたはセンサウェハを用いて測定される、付記3乃至5のいずれかの付記に記載の解析装置。
(付記9)
前記第1の真空環境下は、プラズマ処理環境下である、付記1乃至8のいずれかの付記に記載の解析装置。
(付記10)
前記第1の真空環境下及び前記第2の真空環境下の少なくともいずれか一方は、プラズマ処理環境下である、付記3乃至5のいずれかの付記に記載の解析装置。
(付記11)
前記第1の真空環境下及び前記第2の真空環境下は同一の処理空間に形成される、付記3乃至5のいずれかの付記に記載の解析装置。
(付記12)
前記温度調整素子は、ヒータ、サーミスタ、ペルチェ素子のいずれかである、付記1乃至11のいずれかの付記に記載の解析装置。
(付記13)
前記設定パラメータは、前記ヒータの電気抵抗値である、付記12に記載の解析装置。
(付記14)
付記1乃至13のいずれかの付記に記載の解析装置と、
真空環境下にある処理空間において、基板支持部の分割された各領域に温度調整素子が設けられた基板処理装置と
を有する基板処理システム。
(付記15)
真空環境下にある処理空間において基板支持部の分割された各領域に温度調整素子が設けられた基板処理装置であって、
前記温度調整素子の設定パラメータと、前記基板支持部に支持された基板の各位置の温度データである第1温度データ群とを用いて学習処理を行い、学習済みモデルを生成するように構成されている学習部と、
前記学習済みモデルを用いて、前記基板の目標温度に応じた各温度調整素子の設定パラメータを算出するように構成されている算出部と
を有する基板処理装置。
(付記16)
真空環境下にある処理空間において基板支持部の分割された各領域に設けられた温度調整素子の設定パラメータと、前記基板支持部に支持された基板の各位置の温度データである第1温度データ群とを用いて学習処理を行い、学習済みモデルを生成する学習工程と、
前記学習済みモデルを用いて、前記基板の目標温度に応じた各温度調整素子の設定パラメータを算出する算出工程と
を有する解析方法。
(付記17)
真空環境下にある処理空間において基板支持部の分割された各領域に設けられた温度調整素子の設定パラメータと、前記基板支持部に支持された基板の各位置の温度データである第1温度データ群とを用いて学習処理を行い、学習済みモデルを生成する学習工程と、
前記学習済みモデルを用いて、前記基板の目標温度に応じた各温度調整素子の設定パラメータを算出する算出工程と
をコンピュータに実行させるための解析プログラム。
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、2022年3月24日に出願された日本国特許出願第2022-048877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 :基板処理システム
110 :基板処理装置
111 :事前学習データ測定装置
112 :センサウェハ
120 :解析装置
610 :ヒータ制御装置
620 :事前学習データ収集部
630 :事前学習部
710 :事前学習データ
720 :温度予測モデル
820 :追加学習データ収集部
830 :追加学習部
840 :設定温度算出部
910 :追加学習データ
920 :事前学習済み温度予測モデル
110 :基板処理装置
111 :事前学習データ測定装置
112 :センサウェハ
120 :解析装置
610 :ヒータ制御装置
620 :事前学習データ収集部
630 :事前学習部
710 :事前学習データ
720 :温度予測モデル
820 :追加学習データ収集部
830 :追加学習部
840 :設定温度算出部
910 :追加学習データ
920 :事前学習済み温度予測モデル
Claims (17)
- 第1の真空環境下にある処理空間において基板支持部の分割された各領域に設けられた温度調整素子の設定パラメータと、前記基板支持部に支持された基板の各位置の温度データである第1温度データ群とを用いて学習処理を行い、学習済みモデルを生成するように構成されている学習部と、
前記学習済みモデルを用いて、前記基板の目標温度に応じた各温度調整素子の設定パラメータを算出するように構成されている算出部と
を有する解析装置。 - 前記第1の真空環境下にある処理空間において、前記基板支持部の分割された各領域に設けられた温度調整素子の設定パラメータと、前記基板支持部に支持された基板の各位置の温度データである前記第1温度データ群とを、学習データとして格納するように構成されている格納部を有し、
前記学習済みモデルは、前記格納部から読み出した学習データを用いてモデルの学習処理を行うことで生成される、請求項1に記載の解析装置。 - 第2の真空環境下にある処理空間において前記算出部により算出された設定パラメータと、前記算出部により算出された設定パラメータのもとで前記各温度調整素子を動作させた際に測定された、前記基板の各位置の温度データである第2温度データ群とを用いて、前記学習済みモデルに対して追加の学習処理を行い、追加学習済みモデルを生成するように構成されている追加学習部を更に有する、請求項1に記載の解析装置。
- 前記算出部は、
前記追加学習済みモデルを用いて、前記基板の目標温度に応じた各温度調整素子の設定パラメータを算出するように構成されている、請求項3に記載の解析装置。 - 前記算出部及び前記追加学習部は、前記第2温度データ群が、前記目標温度に対して所定の条件を満たすと判定されるまで、処理を繰り返すように構成されている、請求項4に記載の解析装置。
- 前記学習部は、
前記設定パラメータと前記第1温度データ群との間の第1モデルパラメータを算出するように構成されている、請求項1に記載の解析装置。 - 前記追加学習部は、
前記設定パラメータと前記第2温度データ群との間の第2モデルパラメータを算出するように構成されている、請求項3に記載の解析装置。 - 前記第1温度データ群及び前記第2温度データ群は、赤外線カメラまたはセンサウェハを用いて測定される、請求項3に記載の解析装置。
- 前記第1の真空環境下は、プラズマ処理環境下である、請求項1に記載の解析装置。
- 前記第1の真空環境下及び前記第2の真空環境下の少なくともいずれか一方は、プラズマ処理環境下である、請求項3に記載の解析装置。
- 前記第1の真空環境下及び前記第2の真空環境下は同一の処理空間に形成される、請求項3に記載の解析装置。
- 前記温度調整素子は、ヒータ、サーミスタ、ペルチェ素子のいずれかである、請求項1に記載の解析装置。
- 前記設定パラメータは、前記ヒータの電気抵抗値である、請求項12に記載の解析装置。
- 請求項1乃至13のいずれか1項に記載の解析装置と、
真空環境下にある処理空間において、基板支持部の分割された各領域に温度調整素子が設けられた基板処理装置と
を有する基板処理システム。 - 真空環境下にある処理空間において基板支持部の分割された各領域に温度調整素子が設けられた基板処理装置であって、
前記温度調整素子の設定パラメータと、前記基板支持部に支持された基板の各位置の温度データである第1温度データ群とを用いて学習処理を行い、学習済みモデルを生成するように構成されている学習部と、
前記学習済みモデルを用いて、前記基板の目標温度に応じた各温度調整素子の設定パラメータを算出するように構成されている算出部と
を有する基板処理装置。 - 真空環境下にある処理空間において基板支持部の分割された各領域に設けられた温度調整素子の設定パラメータと、前記基板支持部に支持された基板の各位置の温度データである第1温度データ群とを用いて学習処理を行い、学習済みモデルを生成する学習工程と、
前記学習済みモデルを用いて、前記基板の目標温度に応じた各温度調整素子の設定パラメータを算出する算出工程と
を有する解析方法。 - 真空環境下にある処理空間において基板支持部の分割された各領域に設けられた温度調整素子の設定パラメータと、前記基板支持部に支持された基板の各位置の温度データである第1温度データ群とを用いて学習処理を行い、学習済みモデルを生成する学習工程と、
前記学習済みモデルを用いて、前記基板の目標温度に応じた各温度調整素子の設定パラメータを算出する算出工程と
をコンピュータに実行させるための解析プログラム。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2022048877 | 2022-03-24 | ||
JP2022-048877 | 2022-03-24 |
Publications (1)
Publication Number | Publication Date |
---|---|
WO2023182077A1 true WO2023182077A1 (ja) | 2023-09-28 |
Family
ID=88101453
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
PCT/JP2023/009835 WO2023182077A1 (ja) | 2022-03-24 | 2023-03-14 | 解析装置、基板処理システム、基板処理装置、解析方法及び解析プログラム |
Country Status (2)
Country | Link |
---|---|
TW (1) | TW202405594A (ja) |
WO (1) | WO2023182077A1 (ja) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003031516A (ja) * | 2001-07-16 | 2003-01-31 | Sumitomo Mitsubishi Silicon Corp | 加熱装置及び加熱方法 |
JP2019207951A (ja) * | 2018-05-29 | 2019-12-05 | 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 |
WO2021011910A1 (en) * | 2019-07-18 | 2021-01-21 | Applied Materials, Inc. | Multi-zone heater model-based control in semiconductor manufacturing |
JP2021524670A (ja) * | 2018-05-24 | 2021-09-13 | アプライド マテリアルズ インコーポレイテッドApplied Materials,Incorporated | 空間分解ウエハ温度制御のための仮想センサ |
US20220026881A1 (en) * | 2020-07-27 | 2022-01-27 | Watlow Electric Manufacturing Company | Systems and methods for using intermediate data to improve system control and diagnostics |
JP2022042979A (ja) * | 2020-09-03 | 2022-03-15 | 東京エレクトロン株式会社 | 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 |
-
2023
- 2023-03-10 TW TW112108932A patent/TW202405594A/zh unknown
- 2023-03-14 WO PCT/JP2023/009835 patent/WO2023182077A1/ja unknown
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003031516A (ja) * | 2001-07-16 | 2003-01-31 | Sumitomo Mitsubishi Silicon Corp | 加熱装置及び加熱方法 |
JP2021524670A (ja) * | 2018-05-24 | 2021-09-13 | アプライド マテリアルズ インコーポレイテッドApplied Materials,Incorporated | 空間分解ウエハ温度制御のための仮想センサ |
JP2019207951A (ja) * | 2018-05-29 | 2019-12-05 | 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 |
WO2021011910A1 (en) * | 2019-07-18 | 2021-01-21 | Applied Materials, Inc. | Multi-zone heater model-based control in semiconductor manufacturing |
US20220026881A1 (en) * | 2020-07-27 | 2022-01-27 | Watlow Electric Manufacturing Company | Systems and methods for using intermediate data to improve system control and diagnostics |
JP2022042979A (ja) * | 2020-09-03 | 2022-03-15 | 東京エレクトロン株式会社 | 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 |
Also Published As
Publication number | Publication date |
---|---|
TW202405594A (zh) | 2024-02-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6688172B2 (ja) | 基板処理システムおよび方法 | |
CN110010439B (zh) | 等离子体蚀刻装置和等离子体蚀刻方法 | |
TWI813710B (zh) | 基板處理裝置及基板處理方法 | |
CN110544614B (zh) | 模型生成装置、模型生成方法以及记录介质 | |
CN108335999B (zh) | 基板处理装置、温度控制方法以及存储介质 | |
WO2019226252A1 (en) | Virtual sensor for spatially resolved wafer temperature control | |
KR20210001956A (ko) | 보정 데이터 작성 방법, 기판 처리 방법, 및 기판 처리 시스템 | |
JP2015092580A (ja) | 試料の温度を制御する温度制御装置、試料を載置する試料台及びこれらを備えたプラズマ処理装置 | |
US10896832B2 (en) | Substrate processing method and substrate processing apparatus | |
US11049743B2 (en) | Substrate processing apparatus, flow rate control method, and storage medium storing flow rate control program | |
WO2023182077A1 (ja) | 解析装置、基板処理システム、基板処理装置、解析方法及び解析プログラム | |
KR102452019B1 (ko) | 기판 처리 장치, 온도 제어 방법 및 온도 제어 프로그램 | |
US20190304815A1 (en) | Plasma processing apparatus | |
JP2014068032A (ja) | 試料台及びこれを備えたプラズマ処理装置 | |
JP2022038076A (ja) | 基板処理装置及びノイズ影響低減方法 | |
US20220301830A1 (en) | Plasma processing apparatus |
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: 23774674 Country of ref document: EP Kind code of ref document: A1 |