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 PDF

Info

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
Application number
PCT/JP2023/009835
Other languages
English (en)
French (fr)
Inventor
賢 平野
能吏 山本
敬 久保
治樹 大嶺
正樹 狐塚
俊博 北尾
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
Publication of WO2023182077A1 publication Critical patent/WO2023182077A1/ja

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
    • H01L21/02—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

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
　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。
特開２０２０－００９７９５号公報
　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。
　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。
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２は、基板処理装置の構成例を示す図である。 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。 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。 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６は、基板処理システムの機能構成（事前学習フェーズ）の一例を示す図である。 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８は、基板処理システムの機能構成（追加学習フェーズ）の一例を示す図である。 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。 図１１は、調整精度の遷移例を示す図である。 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。
　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。
　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。
　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。
　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。
　（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。
　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。
　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。
　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。
　（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。
　（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。
　（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。
　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。
　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。
　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。
　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。
　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。
　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）。
　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。
　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）。
　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。
　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。
　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。
　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。
　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。
　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。
　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。
　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。
　＜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。
　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。
　［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。
　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。
　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

Claims (17)

  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。
  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、請求項１に記載の解析装置。
  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、請求項１に記載の解析装置。
  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、請求項３に記載の解析装置。
  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、請求項４に記載の解析装置。
  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、請求項１に記載の解析装置。
  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、請求項３に記載の解析装置。
  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、請求項３に記載の解析装置。
  9. 　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。
  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、請求項３に記載の解析装置。
  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、請求項３に記載の解析装置。
  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、請求項１に記載の解析装置。
  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、請求項１２に記載の解析装置。
  14. 　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。
  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。
  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。
  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。
PCT/JP2023/009835 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 WO2023182077A1 (ja)

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)

* Cited by examiner, † Cited by third party
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

Patent Citations (6)

* Cited by examiner, † Cited by third party
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
CN110544614B (zh) 模型生成装置、模型生成方法以及记录介质
TWI813710B (zh) 基板處理裝置及基板處理方法
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
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
US20190304815A1 (en) Plasma processing apparatus
KR102452019B1 (ko) 기판 처리 장치, 온도 제어 방법 및 온도 제어 프로그램
JP2014068032A (ja) 試料台及びこれを備えたプラズマ処理装置
US11049743B2 (en) Substrate processing apparatus, flow rate control method, and storage medium storing flow rate control program
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