WO2024176347A1 - 異常検出装置及び異常検出方法 - Google Patents

異常検出装置及び異常検出方法 Download PDF

Info

Publication number
WO2024176347A1
WO2024176347A1 PCT/JP2023/006212 JP2023006212W WO2024176347A1 WO 2024176347 A1 WO2024176347 A1 WO 2024176347A1 JP 2023006212 W JP2023006212 W JP 2023006212W WO 2024176347 A1 WO2024176347 A1 WO 2024176347A1
Authority
WO
WIPO (PCT)
Prior art keywords
processing
anomaly detection
unit
judged
anomaly
Prior art date
Legal status (The legal status 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 status listed.)
Ceased
Application number
PCT/JP2023/006212
Other languages
English (en)
French (fr)
Inventor
靖英 森
パラシャント クマール シャルマ
真生 濱本
健史 大森
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hitachi High-Tech Corp
Original Assignee
Hitachi High-Tech Corp
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 Hitachi High-Tech Corp filed Critical Hitachi High-Tech Corp
Priority to KR1020247002380A priority Critical patent/KR102970210B1/ko
Priority to JP2024503336A priority patent/JP7625133B2/ja
Priority to CN202380013027.1A priority patent/CN118830054A/zh
Priority to PCT/JP2023/006212 priority patent/WO2024176347A1/ja
Priority to US18/691,713 priority patent/US20250364334A1/en
Priority to TW113103436A priority patent/TWI895961B/zh
Publication of WO2024176347A1 publication Critical patent/WO2024176347A1/ja
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H10—SEMICONDUCTOR DEVICES; ELECTRIC SOLID-STATE DEVICES NOT OTHERWISE PROVIDED FOR
    • H10P—GENERIC PROCESSES OR APPARATUS FOR THE MANUFACTURE OR TREATMENT OF DEVICES COVERED BY CLASS H10
    • H10P74/00—Testing or measuring during manufacture or treatment of wafers, substrates or devices
    • H10P74/20—Testing or measuring during manufacture or treatment of wafers, substrates or devices characterised by the properties tested or measured, e.g. structural or electrical properties
    • H10P74/203—Structural properties, e.g. testing or measuring thicknesses, line widths, warpage, bond strengths or physical defects
    • H—ELECTRICITY
    • H10—SEMICONDUCTOR DEVICES; ELECTRIC SOLID-STATE DEVICES NOT OTHERWISE PROVIDED FOR
    • H10P—GENERIC PROCESSES OR APPARATUS FOR THE MANUFACTURE OR TREATMENT OF DEVICES COVERED BY CLASS H10
    • H10P50/00—Etching of wafers, substrates or parts of devices
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Program-control systems
    • G05B19/02—Program-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • H—ELECTRICITY
    • H10—SEMICONDUCTOR DEVICES; ELECTRIC SOLID-STATE DEVICES NOT OTHERWISE PROVIDED FOR
    • H10P—GENERIC PROCESSES OR APPARATUS FOR THE MANUFACTURE OR TREATMENT OF DEVICES COVERED BY CLASS H10
    • H10P50/00—Etching of wafers, substrates or parts of devices
    • H10P50/20—Dry etching; Plasma etching; Reactive-ion etching
    • H10P50/24—Dry etching; Plasma etching; Reactive-ion etching of semiconductor materials
    • H10P50/242—Dry etching; Plasma etching; Reactive-ion etching of semiconductor materials of Group IV materials
    • H—ELECTRICITY
    • H10—SEMICONDUCTOR DEVICES; ELECTRIC SOLID-STATE DEVICES NOT OTHERWISE PROVIDED FOR
    • H10P—GENERIC PROCESSES OR APPARATUS FOR THE MANUFACTURE OR TREATMENT OF DEVICES COVERED BY CLASS H10
    • H10P74/00—Testing or measuring during manufacture or treatment of wafers, substrates or devices
    • H—ELECTRICITY
    • H10—SEMICONDUCTOR DEVICES; ELECTRIC SOLID-STATE DEVICES NOT OTHERWISE PROVIDED FOR
    • H10P—GENERIC PROCESSES OR APPARATUS FOR THE MANUFACTURE OR TREATMENT OF DEVICES COVERED BY CLASS H10
    • H10P74/00—Testing or measuring during manufacture or treatment of wafers, substrates or devices
    • H10P74/23—Testing or measuring during manufacture or treatment of wafers, substrates or devices characterised by multiple measurements, corrections, marking or sorting processes
    • H—ELECTRICITY
    • H10—SEMICONDUCTOR DEVICES; ELECTRIC SOLID-STATE DEVICES NOT OTHERWISE PROVIDED FOR
    • H10P—GENERIC PROCESSES OR APPARATUS FOR THE MANUFACTURE OR TREATMENT OF DEVICES COVERED BY CLASS H10
    • H10P95/00—Generic processes or apparatus for manufacture or treatments not covered by the other groups of this subclass

Definitions

  • the present invention relates to an abnormality detection device and an abnormality detection method.
  • Patent Document 1 discloses that a prediction model is generated that shows the relationship between the processing conditions given to a semiconductor processing device and the processing results by the semiconductor processing device, and the prediction model is used to estimate the conditions for outputting a target value for the processing result.
  • the anomaly detection device is an anomaly detection device that judges whether or not there is an anomaly in the processing result obtained by processing a sample using a processing device, and has a processing shape prediction unit that predicts the evaluation value of the processing by the processing device using a processing result prediction model in which the control parameter values of the processing device and observed parameter values obtained by observing phenomena occurring within the processing device during processing by the processing device are explanatory variables, and the evaluation value of the processing by the processing device is the objective variable, and a first anomaly detection unit that detects an anomaly in the processing result by the processing device based on the difference between the evaluation value of the processing to be judged and the predicted evaluation value of the processing to be judged, which is predicted by inputting the control parameter values used in the processing to be judged and the observed parameter values observed in the processing to be judged into the processing result prediction model.
  • FIG. 1 is a system configuration diagram of an anomaly detection system.
  • FIG. 2 is a hardware configuration diagram of the abnormality detection device.
  • FIG. 2 is a diagram showing data and programs stored in a storage device.
  • FIG. 2 is a functional block diagram of the anomaly detection device in a learning (training) process.
  • FIG. 4 is a functional block diagram of an abnormality detection device in an abnormality detection process. 4 is an example of a data structure of processing recipe data.
  • 1 is an example of a data structure of observation data.
  • 13 is an example of a data structure of experiment result data.
  • 13 is an example of a data structure of prediction result data.
  • 13 is an example of a data structure of normal contribution data.
  • 1 is an overall flowchart of anomaly detection.
  • 13 is a flow chart showing a calculation flow of a shape anomaly score of verification data. 13 is a flow chart showing a calculation flow of the contribution anomaly score of the verification data. 1 is an example of a data structure of knowledge data. 1 is an example of a GUI.
  • Figure 1A shows a system configuration diagram of the anomaly detection system. Below, we will explain an example of using this system in process development for semiconductors or semiconductor devices that contain semiconductors. In process development, appropriate processing conditions are derived for semiconductor processing equipment that processes semiconductor samples to achieve a target, for example, a desired processed shape.
  • the processing device 2 is a device that processes semiconductor samples.
  • the type of processing performed by the processing device 2 is not limited.
  • it includes a lithography device, a film formation device, a pattern processing device, an ion implantation device, and a cleaning device.
  • the lithography device includes an exposure device, an electron beam drawing device, and an X-ray drawing device.
  • the film formation device includes a CVD (Chemical Vapor Deposition), a PVD (Physical Vapor Deposition), an evaporation device, a sputtering device, and a thermal oxidation device.
  • the pattern processing device includes a wet etching device, a dry etching device, an electron beam processing device, and a laser processing device.
  • the ion implantation device includes a plasma doping device and an ion beam doping device.
  • the cleaning device includes a liquid cleaning device and an ultrasonic cleaning device.
  • the processing device 2 will be described as an example of a plasma processing device that performs etching processing of semiconductor samples.
  • a high-frequency alternating electromagnetic field is applied to a processing gas in the reactor 2a to generate plasma, which is then used to etch the sample 3.
  • the etching process in the reactor 2a is controlled according to a processing recipe set in the control unit 2b.
  • the evaluation device 5 is a device that evaluates the processing performed by the processing device 2 on the sample 3. For example, it is a processing dimension measurement device that uses an electron microscope, and measures the processing dimensions of the sample 3 performed by the processing device 2.
  • the observation device 4 is a device that observes the phenomena occurring in the reactor 2a while the processing device 2 is processing the sample 3. There are no limitations on the phenomenon to be observed, and it can be appropriately selected depending on the phenomenon acting on the sample 3 during processing by the processing device 2. Here, an example is described in which a spectrophotometer that observes the light emission of plasma in the reactor 2a is used as the observation device 4.
  • the control unit 2b of the processing device 2 processes the sample 3 (here, etching process) according to the processing recipe data.
  • the observation device 4 observes the light emission state of the plasma in the reactor 2a during the processing period of the processing device 2 and acquires observation data.
  • the evaluation device 5 measures the processing dimensions of the sample 3 and acquires experimental result data.
  • the processing recipe data and the acquired observation data and experimental result data are accessible from the anomaly detection device 1, and are used to create a processing result prediction model that predicts the processing results by the processing device, and to detect and determine abnormalities in the processing results, which will be described later.
  • the user accesses the anomaly detection device 1 from a terminal 7 via the network 6 or directly from the input/output device of the anomaly detection device 1, and executes the anomaly detection process.
  • the storage device 13 is typically composed of a HDD (Hard Disk Drive) or SSD (Solid State Drive) and stores the programs executed by the anomaly detection device 1, the data to be processed by the programs, or the data resulting from processing by the programs.
  • the memory 12 is composed of RAM (Random Access Memory) and temporarily stores programs and data required to execute the programs in response to instructions from the processor 11.
  • the processor 11 functions as a functional unit (functional block) that provides specified functions by executing programs loaded from the storage device 13 to the memory 12.
  • the shape anomaly score display unit 63 displays the processing result of step S04 (see FIG. 8), the contribution anomaly score display unit 64 displays the processing result of step S05, the integrated judgment display unit 65 displays the processing result of step S06, and the knowledge display unit 66 displays the knowledge extracted in step S07.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Automation & Control Theory (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Manufacturing & Machinery (AREA)
  • Quality & Reliability (AREA)
  • Drying Of Semiconductors (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

処理装置により試料の処理を行わせて得られた処理結果の異常の有無を判定する異常検出装置であって、処理装置の制御パラメータ値及び処理装置による処理中に処理装置内で生じる現象を観測して得られる観測パラメータ値を説明変数とし、処理装置による処理の評価値を目的変数とする処理結果予測モデルを用いて、処理装置による処理の評価値を予測する加工形状予測部４１と、判定対象とする処理の評価値と、判定対象とする処理に用いた制御パラメータ値及び判定対象とする処理において観測された観測パラメータ値を処理結果予測モデルに入力することにより予測される判定対象とする処理の予測評価値との差異に基づき、処理装置による処理結果の異常を検出する第１の異常検出部４３とを有する。

Description

異常検出装置及び異常検出方法
　本発明は、異常検出装置及び異常検出方法に関する。
　半導体プロセスにおいて適正な処理条件により半導体試料を処理することで、望ましい半導体加工を実施できる。近年、デバイスを構成する新材料が導入されるとともにデバイス構造が複雑化しており、半導体処理装置の制御範囲が拡大され、多くの制御パラメータが追加されてきた。プロセスはマルチステップ化し、微細で複雑な加工が実現されるようになった。半導体処理装置を用いて高性能なデバイスを生産するためには、半導体試料の目標の加工形状を実現する適正な処理条件を導出するプロセス開発を行う必要がある。
　特許文献１には、半導体処理装置に与える加工条件と半導体処理装置による加工結果との関係を示す予測モデルを生成し、予測モデルを用いて、加工結果の目標値を出力する条件を推定することが開示されている。
特開２０１９－４０９８４号公報
　特許文献１に示されるような予測モデルを用いて、ある加工条件について推定される加工形状と半導体処理装置によって当該加工条件で実際に半導体試料に対して加工を行った加工形状とが乖離している場合がある。この場合、２通りの原因が考えられる。第１は予測モデルの精度が不十分である場合である。この場合は、学習データを追加し、予測モデルの精度向上を図る必要がある。第２は、半導体処理装置による処理工程に何らかの異常が発生しており、これにより所望の加工結果が得られない場合である。
　後者のような実験結果を含む学習データが予測モデルの学習（トレーニング）に用いられたとしても、イレギュラーな学習データは、最終的には例外的な事象として無視される方向に学習は進行すると考えられるため、問題はない。しかしながら、そのためにはより多くの学習データによって予測モデルの学習を行うことが必要になる。
　半導体処理装置による処理試験の繰り返しは、プロセス開発の費用、期間に大きな影響を及ぼす。このため、半導体処理装置において処理異常が生じている実験結果は学習データから排除することが望ましい。
　本発明の一実施態様である異常検出装置は、処理装置により試料の処理を行わせて得られた処理結果の異常の有無を判定する異常検出装置であって、処理装置の制御パラメータ値及び処理装置による処理中に処理装置内で生じる現象を観測して得られる観測パラメータ値を説明変数とし、処理装置による処理の評価値を目的変数とする処理結果予測モデルを用いて、処理装置による処理の評価値を予測する加工形状予測部と、判定対象とする処理の評価値と、判定対象とする処理に用いた制御パラメータ値及び判定対象とする処理において観測された観測パラメータ値を処理結果予測モデルに入力することにより予測される判定対象とする処理の予測評価値との差異に基づき、処理装置による処理結果の異常を検出する第１の異常検出部とを有する。
　処理装置の処理を予測する予測モデルを少ない学習データで学習（トレーニング）することを可能にする。その他の課題と新規な特徴は、本明細書の記述および添付図面から明らかになるであろう。
異常検出システムのシステム構成図である。 異常検出装置のハードウェア構成図である。 ストレージ装置に格納されるデータ及びプログラムを示す図である。 学習（トレーニング）工程における異常検出装置の機能ブロック図である。 異常検出工程における異常検出装置の機能ブロック図である。 加工レシピデータのデータ構造例である。 観測データのデータ構造例である。 実験結果データのデータ構造例である。 予測結果データのデータ構造例である。 通常貢献度データのデータ構造例である。 異常検出の全体フローチャートである。 検証データの形状異常スコア算出フローである。 検証データの貢献度異常スコア算出フローである。 知識データのデータ構造例である。 ＧＵＩの例である。
　以下、本発明の好ましい実施形態について図面を参照して説明する。
　図１Ａに異常検出システムのシステム構成図を示す。以下では、本システムを半導体または半導体を含む半導体デバイスのプロセス開発に用いる例に即して説明する。プロセス開発では、半導体試料を処理する半導体処理装置について、目標、例えば所望の加工形状を実現する適正な処理条件を導出する。
　処理装置２は、半導体試料を処理する装置である。処理装置２の処理の内容は限定されない。例えば、リソグラフィ装置、成膜装置、パターン加工装置、イオン注入装置、洗浄装置を含む。リソグラフィ装置には、露光装置、電子線描画装置、Ｘ線描画装置を含む。成膜装置には、ＣＶＤ（Chemical Vapor Deposition）、ＰＶＤ（Physical Vapor Deposition）、蒸着装置、スパッタリング装置、熱酸化装置を含む。パターン加工装置には、ウェットエッチング装置、ドライエッチング装置、電子ビーム加工装置、レーザ加工装置を含む。イオン注入装置には、プラズマドーピング装置、イオンビームドーピング装置を含む。洗浄装置には、液体洗浄装置、超音波洗浄装置を含む。
　以下では、処理装置２として、半導体試料のエッチング加工を行うプラズマ処理装置を例に説明する。プラズマ処理装置では、リアクタ２ａ内で高周波の交番電磁場を処理ガスに作用させてプラズマを生成し、試料３のエッチング加工を行う。リアクタ２ａ内におけるエッチング処理は、制御部２ｂに設定される加工レシピにしたがって制御される。
　評価装置５は、処理装置２が試料３に行った処理を評価する装置である。例えば、電子顕微鏡を用いた加工寸法計測装置であって、処理装置２による試料３の加工寸法を計測する。
　観測装置４は、処理装置２による試料３の加工中に、リアクタ２ａ内で生じている現象を観測する装置である。観測する現象は限定されず、処理装置２の処理中に試料３に作用する現象に応じて適宜選択することができる。ここでは、観測装置４として、リアクタ２ａ内でのプラズマの発光を観測する分光光度計を用いる例を説明する。
　処理装置２の制御部２ｂは加工レシピデータにしたがって、試料３の処理（ここでは、エッチング処理）を行う。観測装置４は、処理装置２の処理期間において、リアクタ２ａ内のプラズマの発光状態を観測し、観測データを取得する。処理装置２による処理終了後、評価装置５は、試料３の加工寸法を計測し、実験結果データを取得する。加工レシピデータと、取得された観測データ及び実験結果データとは、異常検出装置１からアクセス可能とされ、処理装置による処理結果を予測する処理結果予測モデルの作成や後述する処理結果の異常の検出や判定に用いられる。
　ユーザは端末７からネットワーク６を介して、あるいは異常検出装置１の入出力装置から直接、異常検出装置１にアクセスし、異常検出処理を実行する。
　図１Ｂに異常検出装置１のハードウェア構成を示す。異常検出装置１は情報処理装置（計算機）であって、次のような構成を有する。異常検出装置１はプロセッサ（ＣＰＵ）１１、メモリ１２、ストレージ装置１３、入力装置１４、出力装置１５、通信装置１６を備え、これらがバス１７により結合されている。キーボードやポインティングデバイスである入力装置１４と出力装置１５であるディスプレイとにより、ＧＵＩ（Graphical User Interface）が実装され、ユーザはＧＵＩを介してインタラクティブに装置を利用することができる。通信装置１６はネットワーク６と接続するためのインタフェースである。ネットワーク６を介して、装置の実装するＧＵＩを端末７に表示させることも可能である。
　ストレージ装置１３は通常、ＨＤＤ（Hard Disk Drive）やＳＳＤ（Solid State Drive）などで構成され、異常検出装置１が実行するプログラムやプログラムが処理対象とするデータ、あるいはプログラムが処理した結果のデータを記憶する。メモリ１２はＲＡＭ（Random Access Memory）で構成され、プロセッサ１１の命令により、プログラムやプログラムの実行に必要なデータ等を一時的に記憶する。プロセッサ１１は、ストレージ装置１３からメモリ１２にロードしたプログラムを実行することによって、所定の機能を提供する機能部（機能ブロック）として機能する。
　なお、異常検出装置１は、１台の情報処理装置で実現する必要はなく、複数台の情報処理装置で実現してもよい。また、異常検出装置１の一部、あるいはすべての機能をクラウド上のアプリケーションとして実現してもよい。
　図１Ｃにストレージ装置１３に格納されるデータ及びプログラムを示す。詳細はいずれも後述するが、データとして加工レシピデータ２１、観測データ２２、実験結果データ２３、予測結果データ２４、通常貢献度データ２５、知識データ２６を含み、プログラムとして加工形状予測プログラム３１、予測説明プログラム３２、形状異常検出プログラム３３、貢献度異常検出プログラム３４、統合判定プログラム３５、知識連結プログラム３６を含む。
　図８に異常検出装置１が実施する異常検出の全体フローを示す。ステップＳ０１～Ｓ０３は処理結果予測モデルの学習（トレーニング）工程である。なお、本実施例では、処理装置による処理をプラズマ処理装置によるエッチング加工を例として説明するため、以下では、処理結果予測モデルを例にあわせて加工形状予測モデルと呼ぶ。本工程においては、正常ケースデータを用いて加工形状予測モデルの生成及び通常貢献度の算出がなされる。ここで、貢献度とは、加工形状予測モデルにおける、予測結果（目的変数）に対する各説明変数の寄与の大きさをいう。また、ステップＳ０４～Ｓ０７は処理装置による処理結果の異常検出工程である。本工程においては、任意の加工レシピにしたがって得られた加工結果の異常判定を行う。以下、それぞれの工程について説明する。
　（１）学習（トレーニング）工程
　全体フロー（図８参照）のステップＳ０１～Ｓ０３の処理について説明する。本工程における異常検出装置１の機能ブロック図を図２Ａに示す。加工形状予測部４１はプロセッサ１１が加工形状予測プログラム３１を実行することによって機能する機能部であり、予測説明部４２はプロセッサ１１が予測説明プログラム３２を実行することによって機能する機能部である。
　異常検出装置１は、加工レシピデータ２１、観測データ２２、実験結果データ２３を読み込む（Ｓ０１）。なお、学習工程で使用するデータは、処理装置２による試料の加工が正常に行われたケースについてのデータとする。ここで、試料の加工が正常であるとは、後述する実験結果データとして取得する評価値が、処理後の試料から取得できることをいうものとする。本実施例の場合、評価値は試料の加工寸法である。
　図３に加工レシピデータ２１のデータ構造例を示す。実験番号は処理装置２の処理（実験）を一意に特定する番号であり、特徴量名は処理装置２の制御パラメータ、値は当該実験において当該制御パラメータに設定する値である。
　図４に観測データ２２のデータ構造例を示す。実験番号は加工レシピデータ２１と共通の番号が使用される。特徴量名は当該実験番号の実験中に観測装置４によって取得した観測データの観測パラメータ、値は当該実験において観測された当該観測パラメータの値である。本実施例では、観測パラメータ値が、処理装置２内で発生したプラズマの所定の帯域における発光強度である例を示している。
　図５に実験結果データ２３のデータ構造例を示す。実験番号は加工レシピデータ２１と共通の番号が使用される。実験結果は当該実験番号の実験によって得られた加工結果について評価装置５によって取得した評価値を示している。ここでは、評価値として、処理装置２によって処理された試料３の形状パラメータの値とし、具体的には加工深さとする例を示している。
　続いて、加工形状予測部４１は、読み込んだ加工レシピデータ２１、観測データ２２、実験結果データ２３により加工形状予測モデルの学習（トレーニング）を行う（Ｓ０２）。ステップＳ０２で学習を行う加工形状予測モデルは、目的変数を実験結果データ２３として取得された形状パラメータ値、説明変数を加工レシピデータ２１として取得された制御パラメータ値及び観測データ２２として取得された観測パラメータ値とするモデルである。読み込んだ正常ケースデータを学習データとして、加工形状予測部４１は教師あり学習を実行する。本ステップの加工形状予測モデルは、その説明変数として観測パラメータ値を含むことにより、実験中における処理装置２の処理状態を目的変数の推論に反映させることが可能になる。
　さらに、学習済みの加工形状予測モデルに加工レシピデータ２１、観測データ２２の値を入力し、予測結果データ２４を得る。図６に予測結果データ２４のデータ構造例を示す。実験番号は加工レシピデータ２１と共通の番号が使用される。特徴量名には、加工レシピデータ２１の制御パラメータ及び観測データ２２の観測パラメータを含み、値には、当該実験における加工レシピデータ２１の制御パラメータ値及び観測データ２２の観測パラメータ値が示される。予測結果は当該実験番号の制御パラメータ値と観測パラメータ値とを学習済みの加工形状予測モデルに代入して得られた形状パラメータ値が登録される。加工形状予測モデルが算出する形状パラメータ値は、実験結果データ２３において定義された評価値の予測値（予測評価値）であり、この例では、加工深さである。
　続いて、学習済みの加工形状予測モデルにおける各説明変数の貢献度を算出する（Ｓ０３）。予測説明部４２は、学習済みの加工形状予測モデルがどのような根拠でその予測を行ったかを解釈する。ＡＩモデルである加工形状予測モデルは中身がブラックボックスであるため、そのままでは予測が得られた理由が分からない。このため、ＡＩモデルがどのような根拠でその予測を行ったかを解釈するＸＡＩ（Explainable AI）技術を活用し、予測説明部４２は、予測結果（目的変数）に対する各説明変数の寄与を示す貢献度を算出し、通常貢献度データ２５として蓄積する。正常ケースデータにおける説明変数の貢献度であるところから、通常貢献度と称している。このような算出を行うツールとしてはＳＨＡＰ（Shapley Additive explanations）といったものが知られている。図７に通常貢献度データ２５のデータ構造例を示す。実験番号は加工レシピデータ２１と共通の番号が使用される。特徴量名には、加工形状予測モデルの説明変数である制御パラメータ及び観測パラメータを含み、貢献度には、当該実験における予測結果（予測結果データ２４）に対する各説明変数の貢献度が登録される。
　なお、加工形状予測モデルに対して、例えば追加学習を行うなどしてモデルが更新された場合には、予測説明部４２により算出される通常貢献度データ２５の値も変更されることになる。このため、加工形状予測部４１により加工形状予測モデルが更新される場合には、予測説明部４２は再度各実験における説明変数の貢献度を算出し直し、通常貢献度データ２５を更新する。
　（２）処理結果の異常検出工程
　全体フロー（図８参照）のステップＳ０４～Ｓ０７の処理について説明する。本工程における異常検出装置１の機能ブロック図を図２Ｂに示す。形状異常検出部４３はプロセッサ１１が形状異常検出プログラム３３を実行することによって機能する機能部であり、貢献度異常検出部４４はプロセッサ１１が貢献度異常検出プログラム３４を実行することによって機能する機能部であり、統合判定部４５はプロセッサ１１が統合判定プログラム３５を実行することによって機能する機能部であり、知識連結部４６はプロセッサ１１が知識連結プログラム３６を実行することによって機能する機能部である。
　形状異常検出部４３は、検証データの形状異常スコアを算出する（Ｓ０４）。ステップＳ０４の詳細を図９に示す。
　異常検出装置１は、検証データである加工レシピデータ５１、観測データ５２、実験結果データ５３を読み込む（Ｓ１１）。これらは、加工レシピデータ２１（図３参照）、観測データ２２（図４参照）、実験結果データ２３（図５参照）の一実験分のデータに相当する。
　続いて、加工形状予測部４１は、読み込んだ加工レシピデータ５１及び観測データ５２を、学習済みの加工形状予測モデルに入力し、予測結果データ５４を得る（Ｓ１２）。予測結果データ５４は、予測結果データ２４（図６参照）の一実験分のデータに相当する。
　続いて、形状異常検出部４３は実験結果データ５３と予測結果データ５４との差異を算出し（Ｓ１３）、差異の度合いから形状異常スコアを算出する（Ｓ１４）。形状異常スコアの算出方法は限定しないが、例えば、実験結果データ５３と予測結果データ５４との差異が大きくなるほど、形状異常スコアが大きくなるように定義する。
　再度、全体フロー（図８）の説明に戻る。続いて、貢献度異常検出部４４は、検証データの貢献度異常スコアを算出する（Ｓ０５）。ステップＳ０５の詳細を図１０に示す。
　まず、予測説明部４２は、学習済みの加工形状予測モデルにおける各説明変数の貢献度を算出し、貢献度データ５５を得る（Ｓ２１）。貢献度データ５５は、通常貢献度データ２５（図７参照）の一実験分のデータに相当する。
　続いて、貢献度異常検出部４４は通常貢献度データ２５に格納されている正常ケースデータの貢献度データと貢献度データ５５とを比較し（Ｓ２２）、通常貢献度データパターンと貢献度データパターンとの差異の度合いから貢献度異常スコアを算出する（Ｓ２３）。貢献度異常スコアの算出方法は限定しないが、例えば、通常貢献度データ２５に格納されている正常ケースデータの貢献度データパターンと貢献度データ５５のパターンとの差異が大きくなるほど、貢献度異常スコアが大きくなるように定義する。
　再度、全体フロー（図８）の説明に戻る。続いて、統合判定部４５は、形状異常スコアと貢献度異常スコアとを統合して異常判定を行う（Ｓ０６）。例えば、統合判定部４５では、形状異常スコアと貢献度異常スコアとの組み合わせで以下のように判断する。形状異常スコアは正常、貢献度異常スコアは正常と判断される場合には、処理結果は正常と判断する。形状異常スコアは正常、貢献度異常スコアは異常と判断される場合には、処理結果は正常と判断する。これは、処理装置による加工が正しく行われているため、新しい貢献度パターンが見いだされたものと判断するものである。形状異常スコアは異常、貢献度異常スコアは正常と判断される場合には、処理結果は正常と判断する。これは、貢献度パターンはこれまでの学習データと同様であるにもかかわらず、処理装置による加工が期待通りに行われていないため、予測モデルの精度が不十分であると判断するものである。形状異常スコアは異常、貢献度異常スコアは異常と判断される場合には、処理結果は異常と判断する。これは、処理装置の異常が形状異常及び貢献度異常をもたらした可能性が高いためである。
　統合判定部４５で正常と判定された実験結果は例えば、新たな学習データとして加工形状予測モデルの更新に用いることができる。一方、統合判定部４５が異常と判断した実験結果については、知識連結部４６は、知識データに基づく情報を提示してもよい（Ｓ０７）。図１１に知識データ２６のデータ構造例を示す。知識の内容は任意であるが、観測データ２２の観測パラメータに関連する知識であるとする。図１１の例は、所定帯域のプラズマ発光が観測された場合に候補となる原因物質名を格納している。
　例えば、図１１の例では、発光スペクトル270～300nmの帯域の観測データについて貢献度異常が判定された場合に、候補物質とされるSiCl、Si等が関係している可能性があることをユーザに提示する。これにより、ユーザは処理装置において生じた異常の原因を検討することが容易になる。
　形状異常検出部４３及び貢献度異常検出部４４の異常検出結果、統合判定部４５の判定結果、及び知識連結部４６が抽出した知識は提示情報５６としてＧＵＩに表示される。
　図１２に図８の処理を実行するＧＵＩの例を示す。プロジェクト指定部６１は例えば、処理装置２の処理条件を決定するための加工形状予測モデルの作成を指定するプロジェクト名称が指定される。加工レシピデータ２１、観測データ２２、実験結果データ２３は、プロジェクト名称にリンクされている。データ指定部６２は、正常ケースデータＩＤ（データＩＤは実験番号に相当する）と検証データＩＤ（データＩＤは実験番号に相当する）を指定する。例えば、本プロジェクトでは、最初に暫定的な加工形状予測モデルを作成し、その後、暫定的な加工形状予測モデルに基づき実験結果の正常／異常を判定し、学習データとして採用するかどうかを判定し、正常と判定された学習データにより暫定的な加工形状予測モデルを更新する。これにより、より少ない学習データで精度の高い加工形状予測モデルの生成を可能とする。この例では、加工レシピデータ２１、観測データ２２、実験結果データ２３の実験番号１～５０を暫定的な加工形状予測モデルの生成に用い、実験番号５１を学習データとして追加するかについて判定対象とする例を示している。
　形状異常スコア表示部６３にはステップＳ０４（図８参照）の処理結果、貢献度異常スコア表示部６４にはステップＳ０５の処理結果、統合判定表示部６５にはステップＳ０６の処理結果、知識表示部６６にはステップＳ０７で抽出された知識が表示される。
　形状異常スコア表示部６３、貢献度異常スコア表示部６４では正常ケースと検証データそれぞれの異常スコア値と閾値とを表示している。閾値はユーザが設定してもよいし、統計的に自動設定してもよい。例えば、閾値を正常ケース、すなわち加工形状予測モデルの学習データにおける異常スコアの平均値に分散の２倍を加えた値として定義することができる。閾値は加工形状予測モデルの精度向上に応じて、値を変更するようにしてもよい。
　知識表示部６６には、観測データの貢献度のうち、異常値が検出された観測パラメータ（ここでは発光スペクトルの波長）を識別可能に表示するとともに、ステップＳ０７で抽出した知識を表示している。
　以上、本実施例として、開示の技術を加工形状予測モデルの作成工程に適用する例を説明したが、これに限られない。例えば、加工形状予測モデルの学習が完了した後に、本モデルに基づき条件設定を行った半導体試料の量産加工において、処理装置による処理異常が発生していないかについて貢献度異常スコアを算出することで、モニタすることも可能である。
　また、説明した実施例の実施態様として、半導体処理装置を含むラインを運用管理するアプリケーションをプラットフォーム上で実行する半導体装置製造システムが考えられる。半導体処理装置は、ネットワークを介してプラットフォームに接続され、プラットフォームからの制御を受ける。この場合、異常検出装置１をプラットフォーム上のアプリケーションとして、処理を実行させることにより、半導体装置製造システムにおいて、本実施例を実施することが可能になる。
１：異常検出装置、２：処理装置、２ａ：リアクタ、２ｂ：制御部、３：試料、４：観測装置、５：評価装置、６：ネットワーク、７：端末、１１：プロセッサ（ＣＰＵ）、１２：メモリ、１３：ストレージ装置、１４：入力装置、１５：出力装置、１６：通信装置、１７：バス、２１：加工レシピデータ、２２：観測データ、２３：実験結果データ、２４：予測結果データ、２５：通常貢献度データ、２６：知識データ、３１：加工形状予測プログラム、３２：予測説明プログラム、３３：形状異常検出プログラム、３４：貢献度異常検出プログラム、３５：統合判定プログラム、３６：知識連結プログラム、４１：加工形状予測部、４２：予測説明部、４３：形状異常検出部、４４：貢献度異常検出部、４５：統合判定部、４６：知識連結部、５１：加工レシピデータ、５２：観測データ、５３：実験結果データ、５４：予測結果データ、５５：貢献度データ、５６：提示情報、６１：プロジェクト指定部、６２：データ指定部、６３：形状異常スコア表示部、６４：貢献度異常スコア表示部、６５：統合判定表示部、６６：知識表示部。

Claims (15)

  1. 　処理装置により試料の処理を行わせて得られた処理結果の異常の有無を判定する異常検出装置であって、
    　前記処理装置の制御パラメータ値及び前記処理装置による処理中に前記処理装置内で生じる現象を観測して得られる観測パラメータ値を説明変数とし、前記処理装置による処理の評価値を目的変数とする処理結果予測モデルを用いて、前記処理装置による処理の評価値を予測する加工形状予測部と、
    　判定対象とする処理の評価値と、前記判定対象とする処理に用いた制御パラメータ値及び前記判定対象とする処理において観測された観測パラメータ値を前記処理結果予測モデルに入力することにより予測される前記判定対象とする処理の予測評価値との差異に基づき、前記処理装置による処理結果の異常を検出する第１の異常検出部とを有する異常検出装置。
  2. 　請求項１において、
    　前記判定対象とする処理について、前記予測評価値に対する説明変数ごとの貢献度を算出する予測説明部と、
    　前記予測説明部により算出された前記判定対象とする処理における説明変数の貢献度パターンに基づき、前記処理装置による処理結果の異常を検出する第２の異常検出部とを有する異常検出装置。
  3. 　請求項２において、
    　前記第１の異常検出部の異常検出結果と前記第２の異常検出部の異常検出結果とを統合して、前記判定対象とする処理結果の異常の有無を判定する統合判定部を有する異常検出装置。
  4. 　請求項３において、
    　前記処理結果予測モデルは、前記処理装置により試料の処理を行わせて得られた複数の実験結果に基づきトレーニングがなされており、
    　前記処理結果予測モデルの学習データとして用いる、前記実験での処理に用いた制御パラメータ値、前記実験での処理において観測された観測パラメータ値、及び前記実験での処理の評価値を格納するストレージ装置を有し、
    　前記第１の異常検出部は、前記判定対象とする処理の評価値と予測評価値との差異と、前記実験での処理の評価値と、前記実験での処理に用いた制御パラメータ値及び前記実験での処理において観測された観測パラメータ値を前記処理結果予測モデルに入力することにより予測される前記実験での処理の予測評価値との差異と、を比較することにより、前記処理装置による処理結果の異常を検出する異常検出装置。
  5. 　請求項４において、
    　前記予測説明部は、前記実験での処理について、前記予測評価値に対する説明変数ごとの貢献度を算出し、前記予測説明部により算出された前記実験での処理における説明変数の貢献度パターンを前記ストレージ装置に格納し、
    　前記第２の異常検出部は、前記判定対象とする処理における説明変数の貢献度パターンと前記実験での処理における説明変数の貢献度パターンとを比較することにより、前記処理装置による処理結果の異常を検出する異常検出装置。
  6. 　請求項５において、
    　前記加工形状予測部は、前記ストレージ装置に格納された前記学習データを用いて、前記処理結果予測モデルのトレーニングを行う異常検出装置。
  7. 　請求項６において、
    　前記統合判定部が前記判定対象とする処理結果に異常なしと判定した場合に、前記加工形状予測部は、前記判定対象とする処理の評価値と、前記判定対象とする処理に用いた制御パラメータ値と前記判定対象とする処理において観測された観測パラメータ値とを用いて、前記処理結果予測モデルのトレーニングを行い、
    　前記統合判定部は、前記第１の異常検出部と前記第２の異常検出部とがともに異常を検出した場合に前記判定対象とする処理結果に異常ありと判定し、前記第１の異常検出部及び前記第２の異常検出部の少なくともいずれか一方が異常を検出しなかった場合に前記判定対象とする処理結果に異常なしと判定する異常検出装置。
  8. 　請求項７において、
    　前記統合判定部が前記判定対象とする処理結果に異常ありと判定した場合に、前記第２の異常検出部によって異常が検出された観測パラメータ値について知識データと照合し、関連する知識を抽出する知識連結部を有する異常検出装置。
  9. 　請求項８において、
    　前記第１の異常検出部及び前記第２の異常検出部の異常検出結果、前記統合判定部の判定結果及び前記知識連結部で抽出された知識を表示装置に表示する異常検出装置。
  10. 　請求項１～９のいずれか一項において、
    　前記処理装置は、前記試料をエッチング加工するプラズマ処理装置であって、
    　前記処理装置による処理中に前記処理装置内で生じるプラズマの発光を観測して得られる所定の帯域における前記プラズマの発光強度を観測パラメータ値とし、前記エッチング加工による前記試料の加工寸法を前記処理装置による処理の評価値とする異常検出装置。
  11. 　処理装置により試料の処理を行わせて得られた処理結果の異常の有無を判定する異常検出装置を用いた異常検出方法であって、
    　前記異常検出装置は、加工形状予測部と第１の異常検出部とを備え、
    　前記加工形状予測部は、前記処理装置の制御パラメータ値及び前記処理装置による処理中に前記処理装置内で生じる現象を観測して得られる観測パラメータ値を説明変数とし、前記処理装置による処理の評価値を目的変数とする処理結果予測モデルを用いて、前記処理装置による処理の評価値を予測し、
    　前記第１の異常検出部は、判定対象とする処理の評価値と、前記判定対象とする処理に用いた制御パラメータ値及び前記判定対象とする処理において観測された観測パラメータ値を前記処理結果予測モデルに入力することにより予測される前記判定対象とする処理の予測評価値との差異に基づき、前記処理装置による処理結果の異常を検出する異常検出方法。
  12. 　請求項１１において、
    　前記異常検出装置は、さらに予測説明部と第２の異常検出部とを備え、
    　前記予測説明部は、前記判定対象とする処理について、前記予測評価値に対する説明変数ごとの貢献度を算出し、
    　前記第２の異常検出部は、前記予測説明部により算出された前記判定対象とする処理における説明変数の貢献度パターンに基づき、前記処理装置による処理結果の異常を検出する異常検出方法。
  13. 　請求項１２において、
    　前記異常検出装置は、さらに統合判定部を備え、
    　前記統合判定部は、前記第１の異常検出部の異常検出結果と前記第２の異常検出部の異常検出結果とを統合して、前記判定対象とする処理結果の異常の有無を判定する異常検出方法。
  14. 　請求項１３において、
    　前記統合判定部が前記判定対象とする処理結果に異常なしと判定した場合に、前記加工形状予測部は、前記判定対象とする処理の評価値と、前記判定対象とする処理に用いた制御パラメータ値と前記判定対象とする処理において観測された観測パラメータ値とを用いて、前記処理結果予測モデルのトレーニングを行い、
    　前記統合判定部は、前記第１の異常検出部と前記第２の異常検出部とがともに異常を検出した場合に前記判定対象とする処理結果に異常ありと判定し、前記第１の異常検出部及び前記第２の異常検出部の少なくともいずれか一方が異常を検出しなかった場合に前記判定対象とする処理結果に異常なしと判定する異常検出方法。
  15. 　請求項１１～１４のいずれか一項において、
    　前記処理装置は、前記試料をエッチング加工するプラズマ処理装置であって、
    　前記処理装置による処理中に前記処理装置内で生じるプラズマの発光を観測して得られる所定の帯域における前記プラズマの発光強度を観測パラメータ値とし、前記エッチング加工による前記試料の加工寸法を前記処理装置による処理の評価値とする異常検出方法。
PCT/JP2023/006212 2023-02-21 2023-02-21 異常検出装置及び異常検出方法 Ceased WO2024176347A1 (ja)

Priority Applications (6)

Application Number Priority Date Filing Date Title
KR1020247002380A KR102970210B1 (ko) 2023-02-21 2023-02-21 이상 검출 장치 및 이상 검출 방법
JP2024503336A JP7625133B2 (ja) 2023-02-21 2023-02-21 異常検出装置及び異常検出方法
CN202380013027.1A CN118830054A (zh) 2023-02-21 2023-02-21 异常检测装置以及异常检测方法
PCT/JP2023/006212 WO2024176347A1 (ja) 2023-02-21 2023-02-21 異常検出装置及び異常検出方法
US18/691,713 US20250364334A1 (en) 2023-02-21 2023-02-21 Abnormality detection apparatus and abnormality detection method
TW113103436A TWI895961B (zh) 2023-02-21 2024-01-30 異常檢測裝置及異常檢測方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2023/006212 WO2024176347A1 (ja) 2023-02-21 2023-02-21 異常検出装置及び異常検出方法

Publications (1)

Publication Number Publication Date
WO2024176347A1 true WO2024176347A1 (ja) 2024-08-29

Family

ID=92500381

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2023/006212 Ceased WO2024176347A1 (ja) 2023-02-21 2023-02-21 異常検出装置及び異常検出方法

Country Status (6)

Country Link
US (1) US20250364334A1 (ja)
JP (1) JP7625133B2 (ja)
KR (1) KR102970210B1 (ja)
CN (1) CN118830054A (ja)
TW (1) TWI895961B (ja)
WO (1) WO2024176347A1 (ja)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005051269A (ja) * 2004-10-12 2005-02-24 Hitachi Ltd 半導体処理装置
JP2009054843A (ja) * 2007-08-28 2009-03-12 Omron Corp プロセス異常検出装置および方法並びにプログラム
JP2020181959A (ja) * 2019-04-26 2020-11-05 東京エレクトロン株式会社 学習方法、管理装置および管理プログラム
JP2021002295A (ja) * 2019-06-24 2021-01-07 東京エレクトロンデバイス株式会社 異常検知装置、異常検知システム、及び異常検知方法
JP2021086571A (ja) * 2019-11-29 2021-06-03 東京エレクトロン株式会社 異常検知装置、異常検知方法及び異常検知プログラム
JP2023010604A (ja) * 2021-07-08 2023-01-20 株式会社日立ハイテク プロセスレシピ探索装置、エッチングレシピ探索方法及び半導体装置製造システム

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3630931B2 (ja) * 1996-08-29 2005-03-23 富士通株式会社 プラズマ処理装置、プロセスモニタ方法及び半導体装置の製造方法
JP5363213B2 (ja) * 2009-06-30 2013-12-11 東京エレクトロン株式会社 異常検出システム、異常検出方法、記憶媒体及び基板処理装置
US8406912B2 (en) * 2010-06-25 2013-03-26 Taiwan Semiconductor Manufacturing Company, Ltd. System and method for data mining and feature tracking for fab-wide prediction and control
EP3432369A4 (en) * 2017-05-26 2019-08-28 Soko Kagaku Co., Ltd. TEMPLATE, ULTRAVIOLETT-LIGHT-EMITTING NITRIDE-SEMICONDUCTOR ELEMENT AND TEMPLATE MANUFACTURING METHOD
JP6824121B2 (ja) * 2017-07-14 2021-02-03 株式会社東芝 状態検知装置、状態検知方法及びプログラム
JP6778666B2 (ja) 2017-08-24 2020-11-04 株式会社日立製作所 探索装置及び探索方法
JPWO2021255784A1 (ja) * 2020-06-15 2021-12-23
CN114819242B (zh) * 2021-01-28 2025-05-09 联华电子股份有限公司 考虑整体特征与局部特征的半导体工艺预测方法与装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005051269A (ja) * 2004-10-12 2005-02-24 Hitachi Ltd 半導体処理装置
JP2009054843A (ja) * 2007-08-28 2009-03-12 Omron Corp プロセス異常検出装置および方法並びにプログラム
JP2020181959A (ja) * 2019-04-26 2020-11-05 東京エレクトロン株式会社 学習方法、管理装置および管理プログラム
JP2021002295A (ja) * 2019-06-24 2021-01-07 東京エレクトロンデバイス株式会社 異常検知装置、異常検知システム、及び異常検知方法
JP2021086571A (ja) * 2019-11-29 2021-06-03 東京エレクトロン株式会社 異常検知装置、異常検知方法及び異常検知プログラム
JP2023010604A (ja) * 2021-07-08 2023-01-20 株式会社日立ハイテク プロセスレシピ探索装置、エッチングレシピ探索方法及び半導体装置製造システム

Also Published As

Publication number Publication date
KR20240131986A (ko) 2024-09-02
CN118830054A (zh) 2024-10-22
TWI895961B (zh) 2025-09-01
KR102970210B1 (ko) 2026-06-01
US20250364334A1 (en) 2025-11-27
TW202435111A (zh) 2024-09-01
JPWO2024176347A1 (ja) 2024-08-29
JP7625133B2 (ja) 2025-01-31

Similar Documents

Publication Publication Date Title
US10627788B2 (en) Retrieval apparatus and retrieval method for semiconductor device processing
TWI745723B (zh) 探索裝置
TWI830165B (zh) 大批量製造半導體製程控制度量系統
KR100768017B1 (ko) 툴 고장 모니터링을 위한 고장검출 및 가상 센서 방법
TWI783147B (zh) 決定處理流程之系統及處理條件之決定方法
JP2011513993A (ja) プロセスデータおよび生産量データを使用するプロセス制御
JP4383713B2 (ja) 半導体プラズマ処理を特徴付ける方法及び適応性プラズマ特徴付けシステム
KR20180074574A (ko) 프로세스의 엔드포인트 제어를 위한 시계열 스펙트럼으로부터 특징 추출 방법
EP3279737A1 (en) Diagnostic system for an industrial process
US20240047248A1 (en) Adaptive model training for process control of semiconductor manufacturing equipment
JP7424909B2 (ja) 処理条件探索装置および処理条件探索方法
JP2015103653A (ja) シミュレーション方法、シミュレーションプログラム、加工装置、シミュレータおよび設計方法
JP2024507688A (ja) 測定値違反解析を使用したプロセス異常の識別
JP6643202B2 (ja) プラズマ処理装置及びプラズマ処理データを解析する解析方法
Chen et al. Optimizing etching process recipe based on kernel ridge regression
JP7625133B2 (ja) 異常検出装置及び異常検出方法
TWI734390B (zh) 自資料集中提取特徵
JP7710965B2 (ja) 情報処理装置、情報処理方法およびプログラム
JP2019102574A (ja) 情報処理装置、情報処理装置の制御方法、およびプログラム
US20250077885A1 (en) Search apparatus, search method, and semiconductor device manufacturing system
JP2023544502A (ja) 可解釈な深層学習ベース欠陥検出及び分類
Kabiri et al. A bayesian approach for recognition of control chart patterns
TW202601752A (zh) 電腦程式、資訊處理方法及資訊處理裝置
KR20240078771A (ko) Euv 설비 상태 진단 장치 및 방법
JP2024148034A (ja) 異常診断装置、異常診断方法及び異常診断プログラム

Legal Events

Date Code Title Description
WWE Wipo information: entry into national phase

Ref document number: 2024503336

Country of ref document: JP

WWE Wipo information: entry into national phase

Ref document number: 202380013027.1

Country of ref document: CN

WWE Wipo information: entry into national phase

Ref document number: 18691713

Country of ref document: US

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

Ref document number: 23924001

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

WWP Wipo information: published in national office

Ref document number: 18691713

Country of ref document: US

122 Ep: pct application non-entry in european phase

Ref document number: 23924001

Country of ref document: EP

Kind code of ref document: A1