WO2025205115A1 - コンピュータプログラム、情報処理方法及び情報処理装置 - Google Patents

コンピュータプログラム、情報処理方法及び情報処理装置

Info

Publication number
WO2025205115A1
WO2025205115A1 PCT/JP2025/010051 JP2025010051W WO2025205115A1 WO 2025205115 A1 WO2025205115 A1 WO 2025205115A1 JP 2025010051 W JP2025010051 W JP 2025010051W WO 2025205115 A1 WO2025205115 A1 WO 2025205115A1
Authority
WO
WIPO (PCT)
Prior art keywords
electron
spectral data
reactive species
electron temperature
data
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.)
Pending
Application number
PCT/JP2025/010051
Other languages
English (en)
French (fr)
Inventor
大希 川人
元傑 凌
龍 永井
拓郎 筒井
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.)
Tokyo Electron Ltd
Original Assignee
Tokyo Electron Ltd
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 Tokyo Electron Ltd filed Critical Tokyo Electron Ltd
Publication of WO2025205115A1 publication Critical patent/WO2025205115A1/ja
Anticipated expiration legal-status Critical
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
    • G01N21/66—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light electrically excited, e.g. electroluminescence
    • G01N21/67—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light electrically excited, e.g. electroluminescence using electric arcs or discharges
    • H—ELECTRICITY
    • H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
    • H05H—PLASMA TECHNIQUE; PRODUCTION OF ACCELERATED ELECTRICALLY-CHARGED PARTICLES OR OF NEUTRONS; PRODUCTION OR ACCELERATION OF NEUTRAL MOLECULAR OR ATOMIC BEAMS
    • H05H1/00—Generating plasma; Handling plasma
    • 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

Definitions

  • This disclosure relates to a computer program, an information processing method, and an information processing device.
  • Patent Document 1 proposes a film thickness measurement method in which relationship information indicating the relationship between the absorbance spectrum of a film on a substrate and film thickness is stored in a memory unit, the absorbance spectrum of the processed substrate is measured, and the film thickness of the film present on the surface of the processed substrate is derived from the measured absorbance spectrum based on the stored relationship information.
  • This disclosure provides a computer program, information processing method, and information processing device that are expected to be able to estimate the state of substrate processing based on spectral data measured during substrate processing.
  • a computer program causes a computer to acquire spectral data measured in relation to substrate processing, separate the acquired spectral data into line spectral data for multiple reactive species, and predict at least one of the electron density, electron temperature, and electron energy distribution for each reactive species based on the separated line spectral data.
  • This disclosure is expected to enable estimation of the state of substrate processing based on spectral data measured during substrate processing.
  • 10 is a schematic diagram showing an example of a table for determining the electron temperature order for the natural width and the Stark width; 3A and 3B are schematic diagrams for explaining an example of line spectrum data and a Doppler width.
  • 10 is a flowchart showing an example of a procedure of an electron temperature order prediction process performed by the information processing device according to the present embodiment.
  • FIG. 1 is a schematic diagram for explaining an example of a configuration of a reaction species model.
  • 10 is a flowchart showing an example of a procedure of an electron density prediction process performed by the information processing device according to the present embodiment.
  • FIG. 2 is a schematic diagram illustrating an example of time-series data.
  • FIG. 1 is a schematic diagram illustrating an overview of an information processing system according to this embodiment.
  • the information processing system according to this embodiment is configured with an information processing apparatus 1 and a substrate processing apparatus 3.
  • the substrate processing apparatus 3 is an apparatus that generates plasma in a chamber containing, for example, a semiconductor substrate (wafer) and performs various substrate processes, such as CVD (Chemical Vapor Deposition) to shape the substrate or etching.
  • the substrate processing apparatus 3 is equipped with a measuring instrument in the chamber that measures the plasma emission spectrum, performs measurements repeatedly at predetermined intervals, and transmits the spectral data obtained by the measurements to the information processing apparatus 1.
  • the spectral data is data related to light emitted from excited states of atoms or molecules in the plasma.
  • the wavelength of the light emitted varies depending on the atomic species, molecular species, plasma state, etc., and this property can be utilized to evaluate the time variation of a specific process and medium information within the chamber.
  • the measuring instrument installed at a specific position in the chamber of the substrate processing apparatus 3 measures the spectrum for all light within its sensitivity range, the spectral data also includes data related to attenuation that is not the subject of evaluation.
  • the information processing device 1 performs processing to predict the order (number of digits) of the electron temperature for each of the line spectrum data and background spectrum data for each separated reactive species.
  • the information processing device 1 predicts the order of the electron temperature based on the spectral width of the line spectrum data of the reactive species.
  • the information processing device can calculate the spectral width of each reactive species by appropriately adopting, for example, Doppler broadening (Doppler width), natural broadening, or Stark broadening (Stark width) as the spectral width of each reactive species depending on the substrate processing conditions, etc.
  • Doppler width Doppler broadening
  • Stark broadening Stark broadening
  • the information processing device 1 predicts the order of the electron temperature for each reactive species by performing a predetermined calculation based on the calculated spectral width or by referencing a predetermined table.
  • the information processing device 1 also predicts the order of the electron temperature by performing fitting assuming that the background spectrum data follows, for example, a Boltzmann distribution.
  • the information processing device 1 uses the order of the predicted electron temperature to limit the search range when searching for the optimal value in the next stage of processing, electron density prediction. This allows the information processing device 1 to efficiently perform processing such as searching, and is expected to reduce the load. However, the information processing device 1 can also predict the next stage of electron density without predicting the order of the electron temperature.
  • the information processing device 1 performs processing to predict the electron density of each reaction species based on the line spectrum data and background spectrum data of each separated reaction species and the predicted order of electron temperature.
  • the information processing device 1 pre-stores a reaction species model that takes the electron temperature and electron density for each reaction species as input and outputs luminescence intensity.
  • the information processing device 1 can predict the electron density and electron temperature of each reaction species by searching for the input electron temperature and electron density so that the difference between the output of this reaction species model and the line spectrum data of each reaction species is smaller than a threshold value. Note that the information processing device 1 can limit the search range for the electron temperature by using the order of the electron temperature predicted in the previous processing during this search.
  • the information processing device 1 stores the prediction results of the electron temperature order, electron density, electron temperature, etc. obtained through these processes in a prediction result DB (database) 5.
  • the information processing device 1 repeatedly acquires spectral data from the substrate processing device 3 and makes the above predictions based on the acquired spectral data at a predetermined cycle, and the prediction result DB 5 stores and accumulates time-series data of the prediction results repeated at a predetermined cycle.
  • the information processing device 1 uses the time-series data stored in the prediction result DB 5 to predict the values of electron density, electron temperature, etc. at the next timing based on changes in past values.
  • the information processing device 1 can further limit the search range of electron density, electron temperature, etc. by feeding back information such as values predicted based on the time-series data or ranges calculated based on these predicted values to the prediction process of electron density, electron temperature, etc. described above.
  • the information processing device 1 can adjust settings such as pressure, gas flow rate, or power in the substrate processing performed by the substrate processing device 3 based on the predicted electron density and electron temperature of each reactive species, thereby controlling the substrate processing.
  • the information processing device 1 can also provide the user with information such as the predicted results of the electron density and electron temperature of each reactive species, as well as time-series changes in the prediction results, on a display or the like.
  • ⁇ Device configuration> 2 is a block diagram showing an example of the configuration of an information processing device 1 according to this embodiment.
  • the information processing device 1 according to this embodiment can be realized by installing a predetermined application program or the like in a general-purpose information processing device such as a personal computer or a server computer.
  • the information processing device 1 according to this embodiment is configured to include a processing unit 11, a storage unit 12, a communication unit 13, a display unit 14, an operation unit 15, etc. Note that in this embodiment, the processing will be described as being performed by a single information processing device 1, but the processing of the information processing device 1 may be distributed among multiple devices.
  • the processing unit 11 is composed of an arithmetic processing device such as a CPU (Central Processing Unit), MPU (Micro-Processing Unit), GPU (Graphics Processing Unit) or quantum processor, a ROM (Read Only Memory), and a RAM (Random Access Memory).
  • a CPU Central Processing Unit
  • MPU Micro-Processing Unit
  • GPU Graphics Processing Unit
  • quantum processor a ROM (Read Only Memory)
  • ROM Read Only Memory
  • RAM Random Access Memory
  • the memory unit 12 is configured using a large-capacity storage device such as a hard disk or SSD (Solid State Drive).
  • the memory unit 12 stores various programs executed by the processing unit 11 and various data required for the processing of the processing unit 11.
  • the memory unit 12 stores the program 12a executed by the processing unit 11.
  • the memory unit 12 also has a model information memory unit 12b that stores information about models used when performing processes such as separation processing into line spectrum data and prediction of electron density, and a prediction result DB5 that stores and accumulates prediction results of electron density and electron temperature.
  • the program (computer program, program product) 12a is provided in a form recorded on a recording medium 99 such as a memory card or optical disc, and the information processing device 1 reads the program 12a from the recording medium 99 and stores it in the memory unit 12.
  • the program 12a may also be written to the memory unit 12, for example, during the manufacturing stage of the information processing device 1.
  • the program 12a may be distributed by a remote server device or the like and acquired by the information processing device 1 via communication.
  • the program 12a may be read from the recording medium 99 by a writing device and written to the memory unit 12 of the information processing device 1.
  • the program 12a may be provided in a form distributed via a network, or in a form recorded on the recording medium 99.
  • the model information storage unit 12b stores information about various models, such as physical models that represent the characteristics of reactive species and learning models generated by simulation and machine learning. Information about the models may include, for example, information indicating the model configuration and information such as the values of predetermined internal parameters.
  • the model information storage unit 12b stores, for example, information about a separation model that separates spectral data acquired from the substrate processing apparatus 3 into line spectral data of multiple reactive species and background spectral data.
  • the model information storage unit 12b also stores information about reactive species models that predict emission intensity for each reactive species from input electron temperature and electron density.
  • the model information storage unit 12b also stores information about prediction models that predict values for the next timing based on time-series data such as electron density and electron temperature stored in the prediction result DB5.
  • the communication unit 13 is connected to the substrate processing apparatus 3 via, for example, a communication line, and exchanges data with the substrate processing apparatus 3.
  • the communication unit 13 receives spectral data transmitted from the substrate processing apparatus 3 and provides it to the processing unit 11.
  • the communication unit 13 also transmits data such as control commands transmitted from the processing unit 11 to the substrate processing apparatus 3.
  • the display unit 14 is configured using a liquid crystal display or the like, and displays various images, text, etc. based on the processing of the processing unit 11.
  • the display unit 14 displays various information, such as spectral data acquired from the substrate processing apparatus 3, separated line spectral data and background spectral data, and the electron density and electron temperature for each reactive species.
  • the information processing apparatus 1 performs a spectral separation process on spectral data acquired from the substrate processing apparatus 3 using a separation model, which is a learning model previously generated by machine learning.
  • FIG. 3 is a schematic diagram illustrating an example of the configuration of a separation model used in the spectral separation process.
  • the separation model 21 according to this embodiment is a learning model that has been previously machine-learned to accept spectral data acquired from the substrate processing apparatus 3 as input, separate the spectral data into line spectral data of multiple reactive species and background spectral data other than the reactive species, and output the separated spectral data.
  • the separation model 21 separates line spectral data for N types of reactive species (N is a natural number) and one background spectral data from the original spectral data.
  • the separation model 21 may be configured as a neural network, for example, but may also be a learning model with a different configuration.
  • the spectral data input to the separation model 21 is data in which the wavelength and intensity of light are associated, and is given, for example, as a one-dimensional array of data.
  • the line spectral data and background spectral data for each reactive species output by the separation model 21 are parameters of a function obtained when each post-separation spectral data is approximated with a predefined function.
  • Various functions can be used, such as a Gaussian function, Lorentz function, Voigt function, Boltzmann function, or exponential function.
  • the separation model 21 outputs (N+1) x 3 values.
  • the data output by the separation model 21 can be represented as an (N+1) x 3 matrix.
  • a different function may be used for each reactive species, in which case the number of parameters may differ for each reactive species.
  • FIG. 4 is a schematic diagram illustrating an example of machine learning of the separation model 21.
  • the information processing device 1 uses a spectral data reproduction unit 22 and an error calculation unit 23 in the machine learning process to generate the separation model 21.
  • the spectral data reproduction unit 22 receives as input the multiple line spectral data and background spectral data output by the separation model 21, reproduces the multiple line spectral data and background spectral data, and outputs synthesized spectral data. In other words, the spectral data reproduction unit 22 performs processing to return the line spectral data and background spectral data separated by the separation model 21 to the original spectral data.
  • the reproduced spectral data output by the spectral data reproduction unit 22 is data in the same format as the spectral data input to the separation model 21, such as one-dimensional array data.
  • the spectral data reproduction unit 22 reproduces each line spectral data and background spectral data using a predefined function based on the input data, and can reproduce the original spectral data by combining the reproduced data.
  • the error calculation unit 23 calculates the error between the reproduced spectral data reproduced by the spectral data reproduction unit 22 and the original spectral data input to the separation model 21.
  • the error calculation unit 23 calculates the error using a function known as a loss function or error function, and calculates errors such as mean squared error or mean absolute error.
  • the information processing device 1 can perform machine learning of the separation model 21 by updating the parameters of the separation model 21 using, for example, the backpropagation method based on the error calculated by the error calculation unit 23.
  • the information processing device 1 uses a sufficient amount of spectral data measured in advance by the substrate processing device 3 as learning data and performs machine learning of the separation model 21 using the method described above. This method eliminates the need to assign any correct answer labels to the spectral data obtained by measurement, and allows machine learning of the separation model 21 through so-called unsupervised learning.
  • the information processing device 1 stores information such as internal parameters of the separation model 21 obtained through machine learning in the model information storage unit 12b.
  • the information processing device 1 When performing spectral separation processing, the information processing device 1 reads information such as internal parameters from the model information storage unit 12b to construct the separation model 21, inputs spectral data obtained from the substrate processing device 3 to the separation model 21, and obtains the data output by the separation model 21, thereby separating the spectral data into multiple line spectral data and background spectral data. Note that in this embodiment, the information processing device 1 performs machine learning of the separation model 21, but this is not limited to this. Machine learning of the separation model 21 may be performed in a separate device, and information such as the internal parameters of the separation model 21 obtained through machine learning may be obtained from that device by the information processing device 1 and stored in the model information storage unit 12b.
  • the electron temperature orders are predetermined for the natural width and Stark width of the three types of spectral widths.
  • Figure 6 is a schematic diagram showing an example of a table for determining the electron temperature orders for the natural width and Stark width.
  • the electron temperature order determination table shown in Figure 6 stores electron temperature orders in association with N types of reactive species 1 to N and the natural width and Stark width.
  • the information processing device 1 adopts the natural width or Stark width as the spectral width based on the table shown in Figure 5, it references the table shown in Figure 6 to determine the electron temperature order corresponding to the reactive species and the natural width or Stark width.
  • the information stored in the tables shown in Figures 5 and 6 is determined in advance by a designer or administrator of the information processing system according to this embodiment through spectrum observation and simulation, and is stored in advance in the storage unit 12 of the information processing device 1.
  • the two tables shown in Figures 5 and 6 are used, but this is not limiting, and the two tables may be combined into a single table.
  • FIG. 7 is a schematic diagram illustrating an example of line spectral data and Doppler width, in which the line spectral data is graphed with the horizontal axis representing wavelength ⁇ and the vertical axis representing spectral intensity.
  • the wavelength at which the spectral intensity is maximum is defined as ⁇ 0.
  • the width of the range of wavelengths that includes this wavelength ⁇ 0 and where the spectral intensity is at least half the maximum value is defined as the Doppler width ⁇ D.
  • the information processing device 1 can calculate this Doppler width ⁇ D for each separated line spectral data.
  • Equation (1) holds between the Doppler width ⁇ D of the reaction species and the electron temperature Tg.
  • ⁇ 0 is the central wavelength of the spectrum, as shown in Figure 7.
  • c is the speed of light (299792458 m/s)
  • mg is the mass of the reaction species
  • k is the Boltzmann constant
  • ln2 is the natural logarithm of 2, and these values are given in advance as constants.
  • the information processing device 1 calculates the electron temperature Tg using the above formula (1) based on the Doppler width ⁇ D calculated from the line spectrum data. However, in this embodiment, the information processing device 1 does not use the calculated electron temperature Tg itself, but rather obtains the number of digits of the calculated electron temperature Tg and uses this as a predicted value of the order of electron temperature. The information processing device 1 predicts the order of electron temperature based on the Doppler width ⁇ D calculated from the line spectrum data and the above formula (1) for all reaction species for which the factor of the spectrum width is set as Doppler width in the table shown in FIG. 5.
  • the information processing device 1 also predicts the order of electron temperature based on background spectral data separated from spectral data acquired from the substrate processing device 3.
  • the background spectrum indicates an offset component obtained by removing line spectral signals at specific wavelengths from the input optical emission signal.
  • the information processing device 1 assumes that the background spectral data follows a Boltzmann distribution, calculates the bremsstrahlung cross section from the molecular/atomic species used in the process and the amount of momentum transfer due to electron collisions, and predicts the electron temperature or electron energy distribution that matches the offset signal of the background spectrum from the emissivity for each wavelength using the bremsstrahlung cross section.
  • the information processing device 1 calculates the electron temperature Te by fitting the background spectrum data to the above equation (2), obtains the number of digits of the calculated electron temperature Te, and uses this as a predicted value of the electron temperature order related to the background spectrum data.
  • FIG. 8 is a flowchart showing an example of the procedure for electron temperature order prediction processing performed by the information processing device 1 according to this embodiment.
  • the electron temperature order prediction unit 11c of the processing unit 11 of the information processing device 1 according to this embodiment acquires line spectrum data for multiple reactive species separated by the spectrum separation processing (step S1).
  • the electron temperature order prediction unit 11c also acquires information related to the conditions of the substrate processing that was being performed when the spectrum data was acquired from the substrate processing device 3 (step S2).
  • the substrate processing conditions can be information indicating which process in the substrate processing, such as an etching process or a film formation process, was being performed.
  • the electron temperature order prediction unit 11c calculates the Doppler width using the method shown in FIG. 7 based on the line spectrum data for the reaction species for which the electron temperature order is to be predicted, from the line spectrum data acquired in step S1 (step S6).
  • the electron temperature order prediction unit 11c calculates the electron temperature Tg using equation (1) based on the Doppler width ⁇ D calculated in step S6, and calculates the electron temperature order for the reaction species of interest by obtaining the number of digits of the calculated electron temperature Tg (step S7), and then proceeds to step S10.
  • the electron temperature order prediction unit 11c refers to the electron temperature order determination table shown in FIG. 6 (step S8) based on the reactive species selected in step S3 and the type of spectral width (natural width or Stark width) determined in the type determination table referenced in step S4, obtains the electron temperature order corresponding to the reactive species and type of spectral width (step S9), and proceeds to step S10.
  • the electron temperature order prediction unit 11c determines whether or not prediction of the electron temperature order has been completed for all reaction species for the multiple line spectrum data acquired in step S1 (step S10). If predictions have not been completed for all reaction species (S10: NO), the electron temperature order prediction unit 11c returns to step S3, selects another reaction species, and repeats the same process.
  • the electron temperature order prediction unit 11c acquires background spectral data separated from the spectral data by spectral separation processing (step S11).
  • the electron temperature order prediction unit 11c calculates the electron temperature Te by fitting the background spectral data acquired in step S11 to the above equation (2), and calculates the electron temperature order for the background spectral data by acquiring the number of digits of the calculated electron temperature Te (step S12), thereby ending the process.
  • the information processing device 1 uses the electron density and electron temperature input into the reactive species model 31 as the predicted electron density and electron temperature for the target reactive species.
  • the information processing device 1 may not predict the electron density, but may use the known electron density value to predict the electron temperature (or electron energy distribution) using the reactive species model 31.
  • FIG. 10 is a flowchart showing an example of the steps of the electron density prediction process performed by the information processing device 1 according to this embodiment.
  • the electron density prediction unit 11d of the processing unit 11 of the information processing device 1 according to this embodiment acquires line spectrum data separated from the spectrum data acquired from the substrate processing device 3 for the reactive species whose electron density is to be predicted (step S31).
  • the electron density prediction unit 11d also acquires reactive species information for the reactive species to be predicted (step S32). Note that, for example, when the reactive species model 31 is given by an arithmetic expression such as a rate equation, the reactive species information acquired in step S32 may include information such as constants or coefficients of this arithmetic expression. When a reactive species model 31 that does not require this information is used, the electron density prediction unit 11d does not need to acquire the reactive species information.
  • the electron density prediction unit 11d appropriately sets the electron density and electron temperature as initial values to be input to the reactive species model 31 (step S33). At this time, the electron density prediction unit 11d sets the electron temperature within the range of the electron temperature order predicted by the electron temperature order prediction process.
  • the electron density prediction unit 11d inputs the electron density and electron temperature set in step S33 to the reactive species model 31 and acquires the line spectrum data output by the reactive species model 31 (step S34).
  • the electron density prediction unit 11d calculates the error between the line spectrum data acquired in step S35 and the line spectrum data acquired in step S31 (step S35).
  • the electron density prediction unit 11d determines whether the error calculated in step S35 is smaller than a predetermined threshold (step S36). If the error is larger than the threshold (S36: NO), the electron density prediction unit 11d resets the electron density and electron temperature to be input to the reactive species model 31 so as to reduce this error (step S37), and returns to step S34. If the error is smaller than the threshold (S36: YES), the electron density prediction unit 11d optimizes the electron density and electron temperature input to the reactive species model 31 and stores these electron density and electron temperature as prediction results in the prediction result DB5 (step S38).
  • the electron density prediction unit 11d determines whether prediction of electron density and electron temperature has been completed for all reaction species to be predicted (step S39). If prediction has not been completed for all reaction species (S39: NO), the electron density prediction unit 11d returns to step S31 and repeats the same process for another reaction species. If prediction has been completed for all reaction species (S39: YES), the display processing unit 11f of the processing unit 11 displays the predicted electron density and electron temperature results on the display unit 14 (step S40). Furthermore, the control processing unit 11g of the processing unit 11 performs processing to control the operation of the substrate processing apparatus 3 based on the predicted electron density and electron temperature (step S41), and ends the electron density prediction process.
  • the information processing apparatus 1 associates information such as spectral data acquired from the substrate processing apparatus 3, line spectral data and background spectral data of each reactive species separated from the spectral data, electron temperature orders predicted based on the line spectral data and background spectral data of each reactive species, and electron densities and electron temperatures predicted for each reactive species, and stores the information in a prediction result DB 5.
  • the information processing apparatus 1 repeatedly stores the information, and the information is accumulated as time-series data in the prediction result DB 5.
  • the information processing apparatus 1 performs processing to predict future data based on the time-series data stored in the prediction result DB 5.
  • FIG. 11 is a schematic diagram showing an example of time-series data, depicting a graph with time t on the horizontal axis and electron density (predicted value) on the vertical axis.
  • the graph in this example shows a tendency for electron density to increase over time during substrate processing performed by the substrate processing apparatus 3.
  • the information processing apparatus 1 predicts time-series data such as electron density and electron temperature for each reactive species using a learning model such as an RNN or LSTM that has been generated in advance by machine learning. For example, the learning model outputs a predicted value for data at the next timing in response to input of data at one timing.
  • the information processing device 1 After the information processing device 1 predicts electron density, electron temperature, etc., it inputs the current values of electron density, electron temperature, etc., which are the prediction results, into a learning model that predicts time-series data, and obtains predicted values of electron density, electron temperature, etc., for the next time point.
  • the information processing device 1 calculates a predetermined range (e.g., predicted value ⁇ 10%) that includes the obtained predicted values of electron density, electron temperature, etc., as the prediction range.

Landscapes

  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Pathology (AREA)
  • Engineering & Computer Science (AREA)
  • Plasma & Fusion (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)
  • Drying Of Semiconductors (AREA)

Abstract

基板処理の際に測定されたスペクトルデータを基に、基板処理の状態を推定することが期待できるコンピュータプログラム、情報処理方法及び情報処理装置を提供する。　本実施の形態に係るコンピュータプログラムは、基板処理に関して測定されたスペクトルデータを取得し、取得した前記スペクトルデータを、複数の反応種についての線スペクトルデータに分離し、分離した前記線スペクトルデータを基に、反応種毎の電子密度、電子温度及び電子エネルギー分布の少なくとも１つを予測する処理をコンピュータに実行させる。

Description

コンピュータプログラム、情報処理方法及び情報処理装置
　本開示は、コンピュータプログラム、情報処理方法及び情報処理装置に関する。
　特許文献１においては、基板の膜の吸光度スペクトル及び膜厚の関係を示す関係情報を記憶部に記憶しておき、基板処理された基板の吸光度スペクトルを計測し、記憶した関係情報に基づいて、計測された吸光度スペクトルから基板処理された基板の表面に存在する膜の膜厚を導出する膜厚計測方法が提案されている。
特開２０２３－１６９６３８号公報
　本開示は、基板処理の際に測定されたスペクトルデータを基に、基板処理の状態を推定することが期待できるコンピュータプログラム、情報処理方法及び情報処理装置を提供する。
　一実施形態に係るコンピュータプログラムは、基板処理に関して測定されたスペクトルデータを取得し、取得した前記スペクトルデータを、複数の反応種についての線スペクトルデータに分離し、分離した前記線スペクトルデータを基に、反応種毎の電子密度、電子温度及び電子エネルギー分布の少なくとも１つを予測する処理をコンピュータに実行させる。
　本開示によれば、基板処理の際に測定されたスペクトルデータを基に、基板処理の状態を推定することが期待できる。
本実施の形態に係る情報処理システムの概要を説明するための模式図である。 本実施の形態に係る情報処理装置の一構成例を示すブロック図である。 スペクトル分離処理に用いられる分離モデルの一構成例を説明するための模式図である。 分離モデルの機械学習の一例を説明するための模式図である。 反応種の電子温度オーダー予測に影響を与えるスペクトル幅の種類を決定するためのテーブルの一例を示す模式図である。 自然幅及びシュタルク幅に対する電子温度オーダーを決定するためのテーブルの一例を示す模式図である。 線スペクトルデータ及びドップラー幅の一例を説明するための模式図である。 本実施の形態に係る情報処理装置が行う電子温度オーダー予測処理の手順の一例を示すフローチャートである。 反応種モデルの一構成例を説明するための模式図である。 本実施の形態に係る情報処理装置が行う電子密度予測処理の手順の一例を示すフローチャートである。 時系列データの一例を示す模式図である。
　本開示の実施形態に係る情報処理システムの具体例を、以下に図面を参照しつつ説明する。なお、本開示はこれらの例示に限定されるものではなく、請求の範囲によって示され、請求の範囲と均等の意味及び範囲内でのすべての変更が含まれることが意図される。
＜システム概要＞
　図１は、本実施の形態に係る情報処理システムの概要を説明するための模式図である。本実施の形態に係る情報処理システムは、情報処理装置１及び基板処理装置３を備えて構成されている。基板処理装置３は、例えば半導体の基板（ウェハ）を収容したチャンバ内でプラズマを発生させて、基板の形状を加工するＣＶＤ（Chemical Vapor Deposition）又はエッチング等の種々の基板処理を行う装置である。基板処理装置３は、チャンバ内にプラズマの発光スペクトルを計測する計測器を備えており、計測を所定周期で繰り返し行い、測定により得られたスペクトルデータを情報処理装置１へ送信する。スペクトルデータは、プラズマ内にある原子又は分子当の励起状態から放射される光に関するデータである。原子種、分子種又はプラズマ状態等によって放射される光の波長が異なり、この性質を利用してスペクトルデータを特定のプロセスの時間変動及びチャンバ内の媒質情報の評価等に用いることができる。ただし基板処理装置３のチャンバ内の特定の位置に設置される計測器は、感度範囲内の全ての光についてスペクトルを計測するため、スペクトルデータには評価等の対象外の減少に関するデータが含まれる。
　情報処理装置１は、基板処理装置３の計測器により計測されたスペクトルデータを取得し、取得したスペクトルデータを基に基板処理の状態の分析及び評価を行うと共に、分析及び評価の結果に応じて基板処理装置３の動作を制御する。情報処理装置１は、基板処理装置３と一体の装置であってよく、別体の装置であってよい。また情報処理装置１が基盤処理の評価及び制御等を行う基板処理装置３は複数であってよい。
　上述のように基板処理装置３の計測器の計測により得られるスペクトルデータは、複数の反応種（原子種及び分子種等）による複数のスペクトルが混在するデータである。そこで本実施の形態に係る情報処理装置１は、基板処理装置３から取得したスペクトルデータを反応種毎のスペクトルデータ（以下、線スペクトルデータという）に分離するスペクトル分離の処理を行う。本実施の形態において情報処理装置１は、予め機械学習により生成された学習モデルを利用して、基板処理装置３から取得したスペクトルデータを所定の反応種毎の線スペクトルデータと、所定の反応種以外のスペクトルデータ（以下、背景スペクトルデータという）とに分離する。学習モデルは、スペクトルデータを入力として受け付けて、このスペクトルデータを複数の線スペクトルデータ及び背景スペクトルデータに分離するよう予め機械学習がなされる。
　次いで本実施の形態に係る情報処理装置１は、分離した反応種毎の線スペクトルデータ及び背景スペクトルデータのそれぞれについて、電子温度のオーダー（桁数）を予測する処理を行う。情報処理装置１は、反応種の線スペクトルデータのスペクトル幅を基に電子温度のオーダーを予測する。情報処理装置は、各反応種のスペクトル幅として例えばドップラー広がり（ドップラー幅）、自然幅、又は、シュタルク広がり（シュタルク幅）等を基板処理の条件等に応じて適宜に採用し、各反応種のスペクトル幅を算出することができる。情報処理装置１は、算出したスペクトル幅を基に所定の演算を行う又は所定のテーブルを参照することによって、各反応種について電子温度のオーダーを予測する。また情報処理装置１は、背景スペクトルデータが例えばボルツマン分布に従うと仮定したフィッティングを行うことにより電子温度のオーダーを予測する。
　なお情報処理装置１は、予測した電子温度のオーダーを、次段の処理である電子密度の予測において最適値の探索等を行う際に探索範囲を限定するために用いる。これにより情報処理装置１は、探索等の処理を効率よく行うことができ、負荷を低減することが期待できる。ただし情報処理装置１は、電子温度のオーダーの予測を行わずに、次段の電子密度の予測を行うことも可能である。
　次いで本実施の形態に係る情報処理装置１は、分離した各反応種の線スペクトルデータ及び背景スペクトルデータと、予測した電子温度のオーダーとを基に、各反応種の電子密度を予測する処理を行う。情報処理装置１は、各反応種について電子温度及び電子密度を入力とし、発光強度を出力とする反応種モデルを予め記憶している。情報処理装置１は、この反応種モデルの出力と各反応種の線スペクトルデータとの差分が閾値より小さくなるように入力の電子温度及び電子密度の探索を行うことで、各反応種の電子密度及び電子温度を予測することができる。なお情報処理装置１は、この探索の際に前段の処理で予測した電子温度のオーダーを利用することで、電子温度の探索範囲を限定することができる。
　情報処理装置１は、これらの処理により得られた電子温度のオーダー、電子密度及び電子温度等の予測結果を、予測結果ＤＢ（データベース）５に記憶する。情報処理装置１は、基板処理装置３からのスペクトルデータの取得及び取得したスペクトルデータに基づく上記の予測を所定周期で繰り返し行っており、予測結果ＤＢ５には所定周期で繰り返される予測結果の時系列データが記憶されて蓄積される。情報処理装置１は、予測結果ＤＢ５に記憶された時系列データを用いて、過去の値の変化を基に次のタイミングでの電子密度及び電子温度等の値を予測する。情報処理装置１は、時系列データに基づいて予測した値、又は、この予測値を基に算出した範囲等の情報を、上述の電子密度及び電子温度等の予測処理にフィードバックすることで、電子密度及び電子温度等の探索範囲を更に限定することができる。
　本実施の形態に係る情報処理装置１は、予測した各反応種の電子密度及び電子温度を基に、基板処理装置３が行う基板処理における例えば圧力、ガス流量又は電力等の設定を調整し、基板処理の制御を行うことができる。また情報処理装置１は、各反応種の電子密度及び電子温度の予測結果、並びに、予測結果の時系列的な変化等の情報をディスプレイ等に表示してユーザに提供することができる。
＜装置構成＞
　図２は、本実施の形態に係る情報処理装置１の一構成例を示すブロック図である。本実施の形態に係る情報処理装置１は、例えばパーソナルコンピュータ又はサーバコンピュータ等の汎用的な情報処理装置に所定のアプリケーションプログラム等をインストールすることにより実現され得る。本実施の形態に係る情報処理装置１は、処理部１１、記憶部１２、通信部１３、表示部１４及び操作部１５等を備えて構成されている。なお本実施の形態においては、１つの情報処理装置１にて処理が行われるものとして説明を行うが、情報処理装置１の処理を複数の装置が分散して行ってもよい。
　処理部１１は、ＣＰＵ（Central Processing Unit）、ＭＰＵ（Micro-Processing Unit）、ＧＰＵ（Graphics Processing Unit）又は量子プロセッサ等の演算処理装置、ＲＯＭ（Read Only Memory）及びＲＡＭ（Random Access Memory）等を用いて構成されている。処理部１１は、記憶部１２に記憶されたプログラム１２ａを読み出して実行することにより、基板処理装置３からスペクトルデータを取得する処理、スペクトルデータを反応種毎の線スペクトルデータに分離する処理、反応種毎の電子温度オーダーを予測する処理、並びに、反応種毎の電子密度及び電子温度を予測する処理等の種々の処理を行う。
　記憶部１２は、例えばハードディスク又はＳＳＤ（Solid State Drive）等の大容量の記憶装置を用いて構成されている。記憶部１２は、処理部１１が実行する各種のプログラム、及び、処理部１１の処理に必要な各種のデータを記憶する。本実施の形態において記憶部１２は、処理部１１が実行するプログラム１２ａを記憶する。また記憶部１２には、線スペクトルデータへの分離処理及び電子密度の予測等の処理を行う際に用いられるモデルに関する情報を記憶するモデル情報記憶部１２ｂと、電子密度及び電子温度の予測結果を記憶して蓄積する予測結果ＤＢ５とが設けられている。
　本実施の形態においてプログラム（コンピュータプログラム、プログラム製品）１２ａは、メモリカード又は光ディスク等の記録媒体９９に記録された態様で提供され、情報処理装置１は記録媒体９９からプログラム１２ａを読み出して記憶部１２に記憶する。ただし、プログラム１２ａは、例えば情報処理装置１の製造段階において記憶部１２に書き込まれてもよい。また例えばプログラム１２ａは、遠隔のサーバ装置等が配信するものを情報処理装置１が通信にて取得してもよい。例えばプログラム１２ａは、記録媒体９９に記録されたものを書込装置が読み出して情報処理装置１の記憶部１２に書き込んでもよい。プログラム１２ａは、ネットワークを介した配信の態様で提供されてもよく、記録媒体９９に記録された態様で提供されてもよい。
　モデル情報記憶部１２ｂは、反応種の特性を表す物理モデル、並びに、シミュレーション及び機械学習により生成された学習モデル等の種々のモデルに関する情報を記憶する。モデルに関する情報は、例えばモデルの構成を示す情報、及び、予め決定された内部パラメータの値等の情報が含まれ得る。本実施の形態においてモデル情報記憶部１２ｂは、例えば基板処理装置３から取得したスペクトルデータを複数の反応種の線スペクトルデータ及び背景スペクトルデータに分離する分離モデルに関する情報を記憶する。またモデル情報記憶部１２ｂは、各反応種について電子温度及び電子密度の入力から発行強度を予測する反応種モデルに関する情報を記憶する。またモデル情報記憶部１２ｂは、予測結果ＤＢ５に記憶された電子密度及び電子温度等の時系列データを基に、次のタイミングの値を予測する予測モデルに関する情報を記憶する。
　なお本実施の形態においては、モデル情報記憶部１２ｂに情報が記憶される一又は複数のモデルは、情報処理装置１にて機械学習等により予め生成されるものとするが、これに限るものではない。これらモデルに関する情報は、情報処理装置１とは異なる装置にて生成されてモデル情報記憶部１２ｂに記憶されてもよい。またモデルに関する情報は、情報処理装置１とは異なる装置に記憶されてもよい。
　予測結果ＤＢ５は、基板処理装置３から取得したスペクトルデータを基に予測した各反応種についての電子密度及び電子温度等の情報を記憶して蓄積する。予測結果ＤＢ５は、例えば基板処理装置３からスペクトルデータを取得した日時、基板処理の対象となる基板の識別情報、取得したスペクトルデータ、分離した線スペクトルデータ及び背景スペクトルデータ、並びに、予測した電子温度オーダー、電子密度及び電子温度等の情報を対応付けて記憶する。
　通信部１３は、例えば通信線を介して基板処理装置３に接続され、基板処理装置３との間でデータの授受を行う。本実施の形態において通信部１３は、基板処理装置３から送信されるスペクトルデータを受信して処理部１１へ与える。また通信部１３は、処理部１１から与えられた制御命令などのデータを基板処理装置３に対して送信する。
　表示部１４は、液晶ディスプレイ等を用いて構成されており、処理部１１の処理に基づいて種々の画像及び文字等を表示する。表示部１４は、例えば基板処理装置３から取得したスペクトルデータ、分離した線スペクトルデータ及び背景スペクトルデータ、並びに、反応種毎の電子密度及び電子温度等の種々の情報を表示する。
　操作部１５は、ユーザの操作を受け付け、受け付けた操作を処理部１１へ通知する。例えば操作部１５は、機械式のボタン又は表示部１４の表面に設けられたタッチパネル等の入力デバイスによりユーザの操作を受け付ける。また例えば操作部１５は、マウス及びキーボード等の入力デバイスであってよく、これらの入力デバイスは情報処理装置１に対して取り外すことが可能な構成であってもよい。
　なお記憶部１２は、情報処理装置１に接続された外部記憶装置であってよい。また情報処理装置１は、複数のコンピュータを含んで構成されるマルチコンピュータであってよく、ソフトウェアによって仮想的に構築された仮想マシンであってもよい。また情報処理装置１は、上記の構成に限定されず、例えば表示部１４及び操作部１５等を備えていなくてもよい。
　また本実施の形態に係る情報処理装置１には、記憶部１２に記憶されたプログラム１２ａを処理部１１が読み出して実行することにより、スペクトルデータ取得部１１ａ、スペクトル分離部１１ｂ、電子温度オーダー予測部１１ｃ、電子密度予測部１１ｄ、時系列データ予測部１１ｅ、表示処理部１１ｆ及び制御処理部１１ｇ等が、ソフトウェア的な機能部として処理部１１に実現される。なお本図においては、処理部１１の機能部として、基板処理装置３から取得したスペクトルデータを基に反応種毎の電子密度及び電子温度等を予測する処理に関連する機能部を図示し、これら以外の処理に関する機能部は図示を省略している。
　スペクトルデータ取得部１１ａは、通信部１３にて基板処理装置３との通信を行うことにより、基板処理装置３が基板処理を行った際に計測器又はセンサ等により測定されたスペクトルデータを取得する処理を行う。本実施の形態においてスペクトルデータは、基板処理装置３のチャンバ内で計測された光の波長と強度との対応関係を示すデータであり、例えば１次元配列のデータとして情報処理装置１へ与えられる。スペクトルデータ取得部１１ａは、基板処理装置３から取得したスペクトルデータを、例えば日時及び基板の識別情報等の情報に対応付けて予測結果ＤＢ５に記憶する。
　スペクトル分離部１１ｂは、スペクトルデータ取得部１１ａが取得したスペクトルデータを、反応種毎の複数の線スペクトルデータ及びこれらの反応種以外の背景スペクトルデータに分離する処理を行う。本実施の形態においてスペクトル分離部１１ｂは、予め機械学習により生成された分離モデルを用いて、スペクトルデータを複数の線スペクトルデータ及び背景スペクトルデータに分離する。分離モデルに関する情報はモデル情報記憶部１２ｂに記憶されている。スペクトル分離部１１ｂは、スペクトルデータから分離した線スペクトルデータ及び背景スペクトルデータに関する情報を、元のスペクトルデータに対応付けて予測結果ＤＢ５に記憶する。
　電子温度オーダー予測部１１ｃは、スペクトル分離部１１ｂにより分離された反応種毎の線スペクトルデータを基に、反応種毎の電子温度のオーダー（桁）を予測する処理を行う。本実施の形態において電子温度オーダー予測部１１ｃは、各反応種のスペクトル幅として、例えばドップラー幅、自然幅又はシュタルク幅のいずれかを、基板処理の条件等に応じて採用する。ドップラー幅を採用する場合、電子温度オーダー予測部１１ｃは、反応種の線スペクトルデータの幅を算出してこれをドップラー幅とし、ドップラー幅に関する所定の演算式を用いて反応種の電子温度を算出し、その桁数を電子温度のオーダーの予測結果とする。
　また本実施の形態においては、反応種の自然幅又はシュタルク幅に対応する電子温度のオーダーが予め算出され、例えば反応種と電子温度のオーダーとを対応付けたテーブルとして予め情報処理装置１が記憶部１２に記憶している。電子温度オーダー予測部１１ｃは、スペクトル幅として自然幅を採用する場合、自然幅の電子温度のオーダーに関するテーブルを記憶部１２から読み出し、予測対象の反応種に対応する電子温度のオーダーをテーブルから取得することによって、反応種のスペクトルの自然幅に応じた電子温度のオーダーを予測する。同様に、電子温度オーダー予測部１１ｃは、スペクトル幅としてシュタルク幅を採用する場合、シュタルク幅の電子温度のオーダーに関するテーブルを記憶部１２から読み出し、予測対象の反応種に対応する電子温度のオーダーをテーブルから取得することによって、反応種のスペクトルのシュタルク幅に応じた電子温度のオーダーを予測する。
　また電子温度オーダー予測部１１ｃは、スペクトルデータから分離した背景スペクトルデータについての電子温度のオーダーを予測する。電子温度オーダー予測部１１ｃは、背景スペクトルデータが例えばボルツマン分布に従うと仮定し、分離した背景スペクトルデータをボルツマン分布に対してフィッティングすることで、電子温度のオーダーを予測する。電子温度オーダー予測部１１ｃは、予測した電子温度のオーダーに関する情報を元のスペクトルデータに対応付けて予測結果ＤＢ５に記憶する。
　電子密度予測部１１ｄは、反応種毎に予め記憶された反応種モデルを用いて、反応種毎の電子密度及び電子温度を予測する。反応種モデルは、反応種の電子密度及び電子温度を入力として受け付けて、この反応種からの光の発光強度（スペクトル）を出力するモデルである。本実施の形態において反応種モデルは、プラズマの組成を求める理論方程式（レート方程式）を基に予め決定された論理演算式として与えられる。ただし反応種モデルは、例えばシミュレーションデータを用いた機械学習により生成された学習モデル（サロゲートモデル）として与えられてもよく、これら以外の手法により生成されたモデルであってよい。
　電子密度予測部１１ｄは、適宜の電子密度及び電子温度を反応種モデルへ入力し、反応種モデルが出力するスペクトルを取得する。なお反応種モデルへ入力する電子温度は、本能種毎に予測された電子温度のオーダーを満たす値である。電子密度予測部１１ｄは、反応種モデルが出力したスペクトルと、この反応種について分離された線スペクトルデータとの差分を算出する。算出した差分が閾値より大きい場合、電子密度予測部１１ｄは、反応種モデルへ入力する電子密度及び電子温度を適宜に修正し、反応種モデルが出力するスペクトルとこの反応種の線スペクトルデータとの差分が閾値より小さくなるまで、電子密度及び電子温度の修正を繰り返し行うことにより最適解の探索を行う。差分が閾値より小さい場合、電子密度予測部１１ｄは、このときの電子密度及び電子温度を最適解とみなし、電子密度及び電子温度の予測値として出力する。また電子密度予測部１１ｄは、予測した電子密度及び電子温度を、元のスペクトルデータに対応付けて予測結果ＤＢ５に記憶する。
　時系列データ予測部１１ｅは、電子密度予測部１１ｄにより繰り返し予測されて予測結果ＤＢ５に記憶された複数の電子密度及び電子温度の予測結果を時系列データとして扱い、過去の電子密度及び電子温度を基に次のタイミング又は更にその先のタイミングについて電子密度及び電子温度を予測する処理を行う。時系列データ予測部１１ｅは、予め機械学習により生成された学習モデル、例えばＲＮＮ（Recurrent Neural Network）又はＬＳＴＭ（Long Short Term Memory）等の時系列データを予測する学習モデルが用いられる。時系列データ予測部１１ｅは、時系列の電子密度又は電子温度のデータを学習モデルへ順に入力し、学習モデルが順に出力する電子密度又は電子温度の予測値を取得することで、次のタイミングの予測値を得ることができる。時系列データ予測部１１ｅは電子密度及び電子温度の予測値を電子密度予測部１１ｄへ与え、電子密度予測部１１ｄは与えられた予測値を例えば探索の初期値として用いて、最適な電子密度及び電子温度の探索を行うことができる。
　表示処理部１１ｆは、種々の文字及び画像等を表示部１４に表示する処理を行う。本実施の形態において表示処理部１１ｆは、例えば基板処理装置３から取得したスペクトルデータ、このスペクトルデータから分離した線スペクトルデータ又は背景スペクトルデータ等をグラフ化して表示部１４に表示する。また表示処理部１１ｆは、電子密度予測部１１ｄが予測した電子密度及び電子温度に関する情報を表示部１４に表示する。なお表示処理部１１ｆは、上記以外の様々な情報を表示部１４に表示してよい。
　制御処理部１１ｇは、通信部１３にて基板処理装置３との通信を行い、基板処理装置３に対して種々の命令又は指示等を与えることにより、基板処理装置３が行う基板処理を制御する。本実施の形態において制御処理部１１ｇは、電子密度予測部１１ｄが予測した電子密度及び電子温度等の情報を基に、基板処理装置３の圧力、ガス流量又は電力等の設定を調整し、基板処理の制御を行う。例えば制御処理部１１ｇは、予測した電子密度を基に基板処理の正常／異常を判定し、異常がある場合には基板処理を停止するなどの制御処理を行うことができる。また例えば制御処理部１１ｇは、所定の反応種について電子密度が正常な範囲よりも高い／低い場合に、この反応種に関するガスの流量を減少／増加させるよう基板処理装置３の設定を調整する。制御処理部１１ｇは、上記以外の様々な基板処理に対する制御を行ってよい。
＜スペクトル分離処理＞
　本実施の形態に係る情報処理装置１は、基板処理装置３から取得したスペクトルデータに対して、予め機械学習により生成された学習モデルである分離モデルを用いてスペクトル分離処理を行う。図３は、スペクトル分離処理に用いられる分離モデルの一構成例を説明するための模式図である。本実施の形態に係る分離モデル２１は、基板処理装置３から取得したスペクトルデータを入力として受け付けて、このスペクトルデータを複数の反応種の線スペクトルデータとこれ以外の背景スペクトルデータとに分離して出力するよう予め機械学習がなされた学習モデルである。図示の例では、分離モデル２１は、Ｎ種類（Ｎは自然数）の反応種についての線スペクトルデータ（反応種１，反応種２，…，反応種Ｎの線スペクトルデータ）と１つの背景スペクトルデータとを元のスペクトルデータから分離している。分離モデル２１は、例えばニューラルネットワークの構成が採用され得るが、これ以外の構成の学習モデルであってもよい。
　本実施の形態において分離モデル２１へ入力されるスペクトルデータは、光の波長と強度とが対応付けられたデータであり、例えば１次元配列のデータとして与えられる。分離モデル２１が出力する反応種毎の線スペクトルデータ及び背景スペクトルデータは、分離後の各スペクトルデータを予め定義された関数で近似した場合に得られる関数のパラメータである。関数には、例えばガウス関数、ローレンツ関数、フォークト関数、ボルツマン関数又は指数関数等の様々な関数が採用され得る。
　例えば分離された１つのスペクトルデータが、所定の関数の３つのパラメータで表される場合、分離モデル２１は（Ｎ＋１）×３個の値を出力する。この場合に分離モデル２１が出力するデータは、（Ｎ＋１）×３の行列として表され得る。なお反応種毎に異なる関数が採用されてよく、この場合には反応種毎にパラメータ数が異なっていてもよい。
　図４は、分離モデル２１の機械学習の一例を説明するための模式図である。情報処理装置１は、分離モデル２１を生成する機械学習の処理に、スペクトルデータ再現部２２及び誤差算出部２３を用いる。スペクトルデータ再現部２２は、分離モデル２１が出力する複数の線スペクトルデータ及び背景スペクトルデータを入力として受け付けて、複数の線スペクトルデータ及び背景スペクトルデータを再現して合成したスペクトルデータを出力する。即ちスペクトルデータ再現部２２は、分離モデル２１が分離した線スペクトルデータ及び背景スペクトルデータを元のスペクトルデータに戻す処理を行うものである。スペクトルデータ再現部２２が出力する再現スペクトルデータは、分離モデル２１へ入力されるスペクトルデータと同じ形式のデータであり、例えば１次元配列のデータである。スペクトルデータ再現部２２は、入力されたデータを基に予め定義された関数を用いて各線スペクトルデータ及び背景スペクトルデータを再現し、再現したこれらを合成することで元のスペクトルデータを再現することができる。
　誤差算出部２３は、スペクトルデータ再現部２２により再現された再現スペクトルデータと、分離モデル２１へ入力される元のスペクトルデータとの誤差を算出する。誤差算出部２３は、いわゆる損失関数又は誤差関数等と呼ばれる関数を用いて誤差を算出するものであり、例えば平均二乗誤差又は平均絶対誤差等の誤差を算出する。情報処理装置１は、誤差算出部２３が算出した誤差を基に、例えば誤差逆伝播法による分離モデル２１のパラメータ更新を行うことで、分離モデル２１の機械学習を行うことができる。
　情報処理装置１は、予め基板処理装置３にて測定された十分な量のスペクトルデータを学習用データとして用い、上述の方法で分離モデル２１の機械学習を行う。この方法によれば、測定により得られたスペクトルデータに対して何らかの正解ラベルを付す必要がなく、いわゆる教師なし学習により分離モデル２１の機械学習を行うことができる。情報処理装置１は、機械学習により得られた分離モデル２１の内部パラメータ等の情報をモデル情報記憶部１２ｂに記憶する。スペクトル分離処理を行う際に情報処理装置１は、モデル情報記憶部１２ｂから内部パラメータ等の情報を読み出して分離モデル２１を構成し、基板処理装置３から取得したスペクトルデータを分離モデル２１へ入力し、分離モデル２１が出力するデータを取得することによって、スペクトルデータを複数の線スペクトルデータ及び背景スペクトルデータに分離することができる。なお本実施の形態においては、情報処理装置１が分離モデル２１の機械学習を行うものとするが、これに限るものではなく、分離モデル２１の機械学習を別の装置で行い、機械学習により得られた分離モデル２１の内部パラメータ等の情報をこの装置から情報処理装置１が取得してモデル情報記憶部１２ｂに記憶してもよい。
＜電子温度オーダー予測処理＞
　本実施の形態に係る情報処理装置１は、スペクトル分離処理により分離された複数の線スペクトルデータ及び背景スペクトルデータを基に、各反応種の電子温度のオーダーを予測する処理を行う。本実施の形態においては、基板処理装置３にて行われる基板処理の条件に応じて、反応種の電子温度がドップラー幅、自然幅及びシュタルク幅の３種類のスペクトル幅のいずれか１つの影響を大きく受けるものとし、情報処理装置１は、基板処理の条件を基に各反応種についていずれのスペクトル幅を基に電子温度オーダーを予測するかを決定する。
　図５は、反応種の電子温度オーダー予測に影響を与えるスペクトル幅の種類を決定するためのテーブルの一例を示す模式図である。図５に示すスペクトル幅の種類決定テーブルは、Ｎ種類の反応種１～Ｎと基板処理の条件Ａ，Ｂ，Ｃ…とに対応付けて、電子温度オーダーの要因となるスペクトル幅の種類（ドップラー幅、自然幅、シュタルク幅）を記憶している。情報処理装置１は、基板処理装置３からスペクトルデータを取得した際に、基板処理の条件に関する情報を取得し、図示のテーブルを参照することによって、反応種毎にいずれのスペクトル幅を基に電子温度オーダーを予測するかを決定する。
　本実施の形態においては、３種のスペクトル幅のうち自然幅及びシュタルク幅に対しては予め電子温度オーダーが定められている。図６は、自然幅及びシュタルク幅に対する電子温度オーダーを決定するためのテーブルの一例を示す模式図である。図６に示す電子温度オーダー決定テーブルは、Ｎ種類の反応種１～Ｎと自然幅及びシュタルク幅とに対応付けて、電子温度オーダーを記憶している。情報処理装置１は、図５に示すテーブルを基にスペクトル幅として自然幅又はシュタルク幅を採用した場合、図６に示すテーブルを参照して反応種と自然幅又はシュタルク幅とに対応する電子温度オーダーを決定する。
　なお図５及び図６に示したテーブルに記憶される情報は、本実施の形態に係る情報処理システムの設計者又は管理者等が予めスペクトルの観測及びシミュレーション等を行うことにより定められ、情報処理装置１の記憶部１２に予め記憶される。また本例では図５及び図６に示した２つのテーブルを用いているが、これに限るものではなく、この２つのテーブルをまとめて１つのテーブルとしてもよい。
　また情報処理装置１は、図５に示すテーブルを基にスペクトル幅としてドップラー幅を採用した場合、基板処理装置３から取得したスペクトルデータから分離した線スペクトルデータを基に電子温度オーダーを予測する。図７は、線スペクトルデータ及びドップラー幅の一例を説明するための模式図であり、横軸を波長λとし、縦軸をスペクトルの強度として線スペクトルデータをグラフ化したものである。本図に示す線スペクトルデータにおいてスペクトルの強度が最大となる波長をλ０とする。この波長λ０を含み、スペクトルの強度が最大値の１／２倍以上となる波長の範囲の幅を本実施の形態においてドップラー幅ΔλＤとする。情報処理装置１は、分離された各線スペクトルデータについてこのドップラー幅ΔλＤを算出することができる。
　反応種のドップラー幅ΔλＤと電子温度Ｔｇとの間には、以下の（１）式が成立する。なお（１）式においてλ０はスペクトルの中心波長であり、図７に示したものである。また（１）式においてｃは光の速度（２９９７９２４５８ｍ／ｓ）であり、ｍｇは反応種の質量であり、ｋはボルツマン定数であり、ｌｎ２は２の自然対数であり、これらの値は定数として予め与えられる。
　情報処理装置１は、線スペクトルデータから算出したドップラー幅ΔλＤを基に上記の（１）式を用いて電子温度Ｔｇを算出する。ただし本実施の形態において情報処理装置１は、算出した電子温度Ｔｇそのものを利用するのではなく、算出した電子温度Ｔｇの桁数を取得して、電子温度オーダーの予測値とする。情報処理装置１は、図５に示すテーブルにおいてスペクトル幅の要因がドップラー幅と設定された全ての反応種について、線スペクトルデータから算出したドップラー幅ΔλＤ及び上記の（１）式に基づく電子温度オーダーの予測を行う。
　また情報処理装置１は、基板処理装置３から取得したスペクトルデータから分離した背景スペクトルデータを基に電子温度オーダーの予測を行う。背景スペクトルは、入力発光信号から特定波長での線スペクトル信号を除いたオフセット成分を示す。本実施の形態において情報処理装置１は、背景スペクトルデータがボルツマン分布に従うと仮定し、プロセスで利用される分子・原子種と電子衝突による運動量移行量から制動放射断面積を算出し、制動放射断面積を用いた波長ごとの放射率から背景スペクトルのオフセット信号に一致する電子温度もしくは電子エネルギー分布を予測する。
　情報処理装置１は、背景スペクトルデータを上記（２）式に対してフィッティングすることにより電子温度Ｔｅを算出し、算出した電子温度Ｔｅの桁数を取得して、背景スペクトルデータに関する電子温度オーダーの予測値とする。
　図８は、本実施の形態に係る情報処理装置１が行う電子温度オーダー予測処理の手順の一例を示すフローチャートである。本実施の形態に係る情報処理装置１の処理部１１の電子温度オーダー予測部１１ｃは、スペクトル分離処理により分離された複数の反応種についての線スペクトルデータを取得する（ステップＳ１）。また電子温度オーダー予測部１１ｃは、基板処理装置３からスペクトルデータを取得した際に行われていた基板処理の条件に関する情報を取得する（ステップＳ２）。なお基板処理の条件は、例えばエッチング工程又は成膜工程等の基板処理におけるいずれの工程が実施されていたかを示す情報とすることができる。
　電子温度オーダー予測部１１ｃは、線スペクトルデータを分離した複数の反応種の中から、電子温度オーダーの予測を行う対象の反応種を選択する（ステップＳ３）。電子温度オーダー予測部１１ｃは、ステップＳ３にて選択した反応種と、ステップＳ２にて取得した基板処理の条件とを基に、図５に示したスペクトル幅の種類決定テーブルを参照する（ステップＳ４）。電子温度オーダー予測部１１ｃは、種類決定テーブルを参照した結果に基づいて、対象の反応種の電子温度に対する影響が大きいスペクトル幅がドップラー幅であるか否かを判定する（ステップＳ５）。
　ドップラー幅であると判定した場合（Ｓ５：ＹＥＳ）、電子温度オーダー予測部１１ｃは、ステップＳ１にて取得した線スペクトルデータのうち電子温度オーダーの予測対象の反応種についての線スペクトルデータを基に、図７に示した方法でドップラー幅を算出する（ステップＳ６）。電子温度オーダー予測部１１ｃは、ステップＳ６にて算出したドップラー幅ΔλＤを基に、（１）式を用いて電子温度Ｔｇを算出し、算出した電子温度Ｔｇの桁数を取得することで、対象の反応種についての電子温度オーダーを算出し（ステップＳ７）、ステップＳ１０へ処理を進める。
　ドップラー幅ではないと判定した場合（Ｓ５：ＮＯ）、即ち対象の反応種の電子温度に対する影響が大きいスペクトル幅が自然幅又はシュタルク幅であると判定した場合、電子温度オーダー予測部１１ｃは、ステップＳ３にて選択した反応種と、ステップＳ４にて参照した種類決定テーブルにて決定されるスペクトル幅の種類（自然幅又はシュタルク幅）とを基に、図６に示した電子温度オーダー決定テーブルを参照し（ステップＳ８）、反応種及びスペクトル幅の種類に対応する電子温度オーダーを取得して（ステップＳ９）、ステップＳ１０へ処理を進める。
　電子温度オーダー予測部１１ｃは、ステップＳ１にて取得した複数の線スペクトルデータの全反応種について電子温度オーダーの予測を終了したか否かを判定する（ステップＳ１０）。全反応種について予測を終了していない場合（Ｓ１０：ＮＯ）、電子温度オーダー予測部１１ｃは、ステップＳ３へ処理を戻し、別の反応種を選択して同様の処理を繰り返し行う。
　全反応種について予測を終了した場合（Ｓ１０：ＹＥＳ）、電子温度オーダー予測部１１ｃは、スペクトル分離処理によりスペクトルデータから分離された背景スペクトルデータを取得する（ステップＳ１１）。電子温度オーダー予測部１１ｃは、ステップＳ１１にて取得した背景スペクトルデータを、上記の（２）式に対してフィッティングすることにより電子温度Ｔｅを算出し、算出した電子温度Ｔｅの桁数を取得することで、背景スペクトルデータについての電子温度オーダーを算出し（ステップＳ１２）、処理を終了する。
＜電子密度予測処理＞
　本実施の形態に係る情報処理装置１は、スペクトル分離処理により分離された複数の線スペクトルデータと、電子温度オーダー予測処理により予測された電子温度オーダーとを基に、各反応種の電子密度を予測する処理を行う。また本実施の形態において情報処理装置１は、各反応種の電子密度の予測と共に、各反応種の電子温度の予測を行う。
　本実施の形態に係る情報処理装置１は、各反応種の特性を再現するよう予め生成された反応種モデルを用いて電子密度及び電子温度の予測を行う。図９は、反応種モデルの一構成例を説明するための模式図である。本実施の形態に係る情報処理装置１が電子密度予測処理に用いる反応種モデル３１は、反応種の電子温度及び電子密度を入力として受け付けて、反応種の線スペクトルデータの予測値を出力するモデルである。また反応種モデル３１は、予測対象となる反応種に関する情報（反応種情報）を入力として受け付けてよい。例えば複数の反応種について反応種モデル３１を個別に生成する場合には、反応種情報の入力はなくてよい。これに対して例えば１つの反応種モデル３１が複数の反応種について予測を行うことが可能な構成である場合、予測対象となる反応種に関する情報を反応種情報として反応種モデル３１へ与える。
　反応種モデル３１は、反応種の物理的な特性を方程式などで表現した物理モデルとして与えられるものであってよく、例えばレート方程式に基づくモデルが採用され得る。この場合に反応種モデル３１には、反応種情報としてレート方程式に設定される定数又は係数等の情報が与えられる。また反応種モデル３１は、ニューラルネットワークなどの機械学習により生成される学習モデルとして与えられるものであってよい。この場合、実験又はシミュレーション等により反応種モデル３１の入出力に対応する情報が予め収集され、収集したこれらの情報を用いた機械学習により反応種モデル３１が予め生成される。
　情報処理装置１は、反応種モデル３１への入力となる電子密度及び電子温度を適宜に設定して入力し、これに応じて反応種モデル３１が出力する線スペクトルデータを取得する。なおこの際に情報処理装置１は、電子温度の設定を、上述の電子温度オーダー予測処理にて予測された電子温度オーダーの範囲内で行う。反応種モデル３１が出力する線スペクトルデータは、例えば光の波長に対する複数の強度の値を有する１次元配列のデータであってよく、また例えば分離モデル２１が出力する線スペクトルデータと同様に線スペクトルデータを表現する関数のパラメータであってよい。
　次いで情報処理装置１は、反応種モデル３１から取得した線スペクトルデータと、スペクトル分離処理にて分離された線スペクトルデータとを比較し、両線スペクトルデータの差分（誤差）を算出する。算出した誤差が予め定められた閾値より大きい場合、情報処理装置１は、誤差が小さくなるように反応種モデル３１へ入力する電子密度及び電子温度を調整し、反応種モデル３１が出力する線スペクトルデータの取得及びスペクトル分離処理にて得られた線スペクトルデータとの誤差の算出を、誤差が閾値より小さくなるまで繰り返し行う。この処理はいわゆる最適解を探索する処理であり、誤差が小さくなるよう反応種モデル３１へ入力する電子密度及び電子温度の値を更新する方法には既存の最適化手法を適用することができる。
　算出した誤差が予め定められた閾値より小さい場合、情報処理装置１は、反応種モデル３１へ入力した電子密度及び電子温度を、対象の反応種についての電子密度及び電子温度の予測結果とする。
　なお本実施の形態において情報処理装置１は電子密度及び電子温度の予測を行っているが、これに限るものではなく、電子温度に代えて電子エネルギー分布の予測を行う構成であってもよい。電子エネルギー分布は、例えばＥＥＤＦ（Electron Energy Distribution Function）で表され得る。電子エネルギー分布を予測する場合、反応種モデル３１は、電子密度及び電子エネルギー分布を入力として受け付けて、線スペクトルデータを出力する構成とすることができる。また情報処理装置１は、電子温度のオーダーの予測に代えて、電子エネルギー分布のオーダーを予測する。電子温度は電子エネルギー分布の分散と同義であり、例えばユーザが予め電子エネルギー分布の関数を指定することによって、電子温度のオーダーの予測から電子エネルギー分布のオーダーの予測を得ることができる。電子エネルギー分布の関数には、例えばMaxwell分布又はDruyvestcin分布等が採用され得る。電子エネルギー分布のオーダーは、これらの分布関数の推定係数のオーダーである。情報処理装置１は、上述の電子温度を用いる場合と同様に、反応種モデル３１及び電子エネルギー分布のオーダーの予測結果を用いて最適な電子密度及び電子エネルギー分布を探索し、反応種毎の電子密度及び電子エネルギー分布を予測する。
　また情報処理装置１は、例えば実験的に電子密度が既知の場合又は電子密度を測定により取得できる場合等に、電子密度の予測は行わずに既知の電子密度の値を用い、反応種モデル３１を用いた電子温度（又は電子エネルギー分布）の予測を行ってもよい。
　図１０は、本実施の形態に係る情報処理装置１が行う電子密度予測処理の手順の一例を示すフローチャートである。本実施の形態に係る情報処理装置１の処理部１１の電子密度予測部１１ｄは、電子密度の予測対象の反応種について、基板処理装置３から取得したスペクトルデータから分離した線スペクトルデータを取得する（ステップＳ３１）。また電子密度予測部１１ｄは、予測対象の反応種について反応種情報を取得する（ステップＳ３２）。なおステップＳ３２にて取得する反応種情報は、例えば反応種モデル３１がレート方程式等の演算式で与えられる場合に、この演算式の定数又は係数等の情報が含まれ得る。これらの情報が不要な反応種モデル３１が用いられる場合、電子密度予測部１１ｄは、反応種情報の取得を行わなくてもよい。
　電子密度予測部１１ｄは、反応種モデル３１への入力の初期値となる電子密度及び電子温度を適宜に設定する（ステップＳ３３）。このときに電子密度予測部１１ｄは、電子温度オーダー予測処理にて予測された電子温度オーダーの範囲内で電子温度の設定を行う。電子密度予測部１１ｄは、ステップＳ３３にて設定した電子密度及び電子温度を反応種モデル３１へ入力し、反応種モデル３１が出力する線スペクトルデータを取得する（ステップＳ３４）。電子密度予測部１１ｄは、ステップＳ３５にて取得した線スペクトルデータと、ステップＳ３１にて取得した線スペクトルデータとの誤差を算出する（ステップＳ３５）。
　電子密度予測部１１ｄは、ステップＳ３５にて算出した誤差が、予め定められた閾値より小さいか否かを判定する（ステップＳ３６）。誤差が閾値より大きい場合（Ｓ３６：ＮＯ）、電子密度予測部１１ｄは、この誤差が小さくなるように反応種モデル３１へ入力する電子密度及び電子温度を再設定し（ステップＳ３７）、ステップＳ３４へ処理を戻す。誤差が閾値より小さい場合（Ｓ３６：ＹＥＳ）、電子密度予測部１１ｄは、反応種モデル３１へ入力した電子密度及び電子温度を最適値とし、この電子密度及び電子温度を予測結果として予測結果ＤＢ５に記憶する（ステップＳ３８）。
　電子密度予測部１１ｄは、予測対象の全反応種について電子密度及び電子温度の予測を終了したか否かを判定する（ステップＳ３９）。全反応種について予測を終了していない場合（Ｓ３９：ＮＯ）、電子密度予測部１１ｄは、ステップＳ３１へ処理を戻し、別の反応種について同様の処理を繰り返し行う。全反応種について予測を終了した場合（Ｓ３９：ＹＥＳ）、処理部１１の表示処理部１１ｆは、電子密度及び電子温度の予測結果を表示部１４に表示する（ステップＳ４０）。また処理部１１の制御処理部１１ｇは、予測した電子密度及び電子温度に基づいて基板処理装置３の動作を制御する処理を行い（ステップＳ４１）、電子密度予測処理を終了する。
＜時系列データ予測処理＞
　本実施の形態に係る情報処理装置１は、基板処理装置３から取得したスペクトルデータ、このスペクトルデータから分離した各反応種の線スペクトルデータ及び背景スペクトルデータ、各反応種の線スペクトルデータ及び背景スペクトルデータに基づいて予測した電子温度オーダー、並びに、各反応種について予測した電子密度及び電子温度等の情報を対応付けて予測結果ＤＢ５に記憶する。情報処理装置１がこれらの情報を繰り返し記憶していくことで、予測結果ＤＢ５にはこれらの情報が時系列データとして蓄積される。情報処理装置１は、予測結果ＤＢ５に記憶されたこれらの時系列データを基に、将来のデータを予測する処理を行う。
　図１１は、時系列データの一例を示す模式図であり、横軸を時間ｔとし、縦軸を電子密度（の予測値）としたグラフが示されている。本例のグラフによれば、基板処理装置３が行う基板処理において、時間経過に伴って電子密度が増加していく傾向が示されている。本実施の形態に係る情報処理装置１は、予め機械学習により生成されたＲＮＮ又はＬＳＴＭ等の学習モデルを用いて、反応種毎の電子密度及び電子温度等の時系列データの予測を行う。学習モデルは、例えば一のタイミングにおけるデータの入力に対して、次のタイミングのデータの予測値を出力する。
　情報処理装置１は、電子密度及び電子温度等の予測を行った後、予測結果である現時点の電子密度及び電子温度等の値を、時系列データを予測する学習モデルへ入力し、次の時点の電子密度及び電子温度等の予測値を得る。情報処理装置１は、得られた電子密度及び電子温度等の予測値を含む所定範囲（例えば予測値±１０％など）を予測範囲として算出する。
　例えば情報処理装置１は、電子密度及び電子温度の予測値及び予測範囲を、上述の電子密度予測処理へフィードバックする。上述のように電子密度予測処理では最適な電子密度及び電子温度を探索する処理が行われるが、時系列データを基に予測した次のタイミングの電子密度及び電子温度を探索の初期値として用いる、又は、時系列データを基に予測した範囲に電子密度及び電子温度の探索範囲を制限する等を、情報処理装置１は行うことができる。
＜情報提供及び制御処理＞
　本実施の形態に係る情報処理装置１は、反応種毎の電子密度及び電子温度についての予測結果を表示部１４に表示することで、基板処理に関する情報をユーザに提供する。情報処理装置１は、基板処理装置３にて基板処理が行われている際にスペクトルデータの取得を繰り返し行い、取得したスペクトルデータに基づく反応種毎の電子密度及び電子温度の予測を繰り返し行う。情報処理装置１は、例えば予測した電子密度及び電子温度の時間的な変化をグラフとしてリアルタイム表示することができる。ユーザは、例えばエッチング又は成膜等の基板処理の工程において重要な反応種の電子密度及び電子温度等の変化をリアルタイムにモニタリングすることができる。またユーザは、所定の反応種について予測された電子密度又は電子温度等の情報に基づいて、例えば基板処理装置３のチャンバ内に設けられた部品等の消耗度を推測し、部品交換等を行うことができる。
　また情報処理装置１は、予測した電子密度及び電子温度等に基づく基板処理装置３の制御を行う。情報処理装置１は、例えば予測した電子密度及び電子温度が正常範囲内であるか否かを判定し、正常範囲内でない場合には基板処理装置３の基板処理を停止する制御を行うことができる。また情報処理装置１は、例えば予測した電子密度が正常な範囲よりも高い／低い場合に、この反応種に関するガスの流量を減少／増加させるよう基板処理装置３の設定を調整する。また情報処理装置１は、例えば所定の反応種の電子密度又は電子温度が所定の目標値に達した場合に、基板処理の工程を次工程へ進めるなどの制御を行うことができる。
　上記の電子密度及び電子温度等の予測に基づくユーザへの情報提供及び基板処理の制御は、一例であってこれに限るものではなく、情報処理装置１は予測結果を基に様々な情報提供及び制御処理を行うことができる。
＜まとめ＞
　以上の構成の本実施の形態に係る情報処理システムでは、情報処理装置１が、基板処理に関して測定されたスペクトルデータを基板処理装置３から取得し、取得したスペクトルデータを複数の反応種についての複数の線スペクトルデータに分離し、分離した線スペクトルデータを基に反応種毎の電子密度、電子温度及び電子エネルギー分布の少なくとも１つを予測する。これにより本実施の形態に係る情報処理システムは、基板処理の際に測定されたスペクトルデータを基に、基板処理の状態を推定することが期待できる。情報処理システムは、基板処理装置３に設けられた計測器が一括で測定して得られるスペクトルデータから反応種毎の電子密度、電子温度及び電子エネルギー分布の少なくとも１つを予測し、例えば基板処理に係る詳細な情報提供をユーザに対して行う、又は、反応種毎の状況に応じた基板処理の制御を行う等の処理を実現すること期待できる。
　また本実施の形態に係る情報処理システムでは、情報処理装置１が、スペクトルデータから分離した線スペクトルデータを基に、反応種毎の電子密度と共に、電子温度又は電子エネルギー分布を予測する。これにより本実施の形態に係る情報処理システムは、基板処理に関するより多くの情報を予測し、ユーザへのより多くの情報提供、又は、処理精度のよい基板処理の制御等を実現することが期待できる。
　また本実施の形態に係る情報処理システムでは、情報処理装置１が、スペクトルデータを入力として受け付けて、入力されたスペクトルデータに含まれる所定の反応種の線スペクトルデータと、所定の反応種以外の背景スペクトルデータとを出力するよう予め機械学習がなされた分離モデル２１を用いて、基板処理装置３から取得してスペクトルデータを反応種毎の線スペクトルデータ及び背景スペクトルデータに分離する。分離モデル２１は、スペクトルデータの入力に対してこの分離モデル２１が出力する複数の線スペクトルデータ及び背景スペクトルデータを合成して元に戻したスペクトルデータと、分離モデル２１へ入力された元のスペクトルデータとの誤差に基づいて機械学習がなされる。これにより本実施の形態に係る情報処理システムは、いわゆる教師なしの機械学習により分離モデル２１を生成し、生成した分離モデル２１を用いてスペクトルデータを反応種毎の線スペクトルデータ及び背景スペクトルデータに精度よく分離することが期待できる。
　また本実施の形態に係る情報処理システムでは、情報処理装置１が、分離した線スペクトルデータを基に反応種毎の電子温度オーダーを予測し、分離した線スペクトルデータ及び予測した電子温度オーダーを基に反応種毎の電子密度を予測する。また情報処理装置１は、分離したスペクトルデータに関するスペクトル幅を算出し、算出したスペクトル幅を基に電子温度オーダーを予測する。また情報処理装置１は、電子温度オーダーに与える影響が大きいスペクトル幅がドップラー幅である場合にスペクトル幅を算出して電子温度オーダーを予測し、スペクトル幅が自然幅又はシュタルク幅である場合に予め定められた電子温度オーダーを予測結果とする。これらにより本実施の形態に係る情報処理システムは、分離した線スペクトルデータを基に反応種毎の電子温度オーダーを予測し、この電子温度オーダーを後続の予測処理（電子密度予測処理）に利用することで、後続の予測処理の精度及び処理速度等を向上させることが期待できる。
　また本実施の形態に係る情報処理システムでは、情報処理装置１が、反応種の電子密度及び電子温度（又は電子エネルギー分布）の入力に応じて線スペクトルデータを予測する反応種モデル３１を用いて、基板処理装置３から取得したスペクトルデータから分離した線スペクトルデータと反応種モデル３１が予測した線スペクトルデータとの誤差が閾値より小さくなるよう電子密度及び電子温度の探索を行うことで、反応種毎の電子密度及び電子温度を予測する。またこの際に情報処理装置１は、線スペクトルデータを基に予測された電子温度オーダーに基づいて、電子温度の探索範囲を制限してもよい。これらにより本実施の形態に係る情報処理システムは、教師データが必要のない教師なし学習で生成した反応種モデル３１を利用して、反応種毎の電子密度及び電子温度を精度よく予測することが期待できる。
　また本実施の形態に係る情報処理システムでは、情報処理装置１が、スペクトルデータの取得、線スペクトルデータの分離及び電子密度の予測等の処理を繰り返し行い、一の時点の電子密度の予測結果を基に次の時点の電子密度の範囲を予測し、分離した線スペクトルデータ及び予測した電子密度の範囲に基づいて、次の時点以降の電子密度を予測する。これにより本実施の形態に係る情報処理システムは、より精度のよい電子密度の予測を行うことが期待できる。
　また本実施の形態に係る情報処理システムでは、情報処理装置１が、予測した反応種毎の電子密度を基に基板処理装置３による基板処理を制御する。これにより本実施の形態に係る情報処理システムは、基板処理の精度を向上することが期待できる。
　今回開示された実施形態はすべての点で例示であって、制限的なものではないと考えられるべきである。本開示の範囲は、上記した意味ではなく、請求の範囲によって示され、請求の範囲と均等の意味及び範囲内でのすべての変更が含まれることが意図される。
　各実施形態に記載した事項は相互に組み合わせることが可能である。また、請求の範囲に記載した独立請求項及び従属請求項は、引用形式に関わらず全てのあらゆる組み合わせにおいて、相互に組み合わせることが可能である。さらに、請求の範囲には他の２以上のクレームを引用するクレームを記載する形式（マルチクレーム形式）を用いているが、これに限るものではない。マルチクレームを少なくとも１つ引用するマルチクレーム（マルチマルチクレーム）を記載する形式を用いて記載してもよい。
　１　情報処理装置（コンピュータ）
　３　基板処理装置
　５　予測結果ＤＢ
　１１　処理部
　１１ａ　スペクトルデータ取得部
　１１ｂ　スペクトル分離部
　１１ｃ　電子温度オーダー予測部
　１１ｄ　電子密度予測部
　１１ｅ　時系列データ予測部
　１１ｆ　表示処理部
　１１ｇ　制御処理部
　１２　記憶部
　１２ａ　プログラム（コンピュータプログラム）
　１２ｂ　モデル情報記憶部
　１３　通信部
　１４　表示部
　１５　操作部
　２１　分離モデル（学習モデル）
　２２　スペクトルデータ再現部
　２３　誤差算出部
　３１　反応種モデル（モデル）
　９９　記録媒体
 

Claims (12)

  1. 　基板処理に関して測定されたスペクトルデータを取得し、
    　取得した前記スペクトルデータを、複数の反応種についての線スペクトルデータに分離し、
    　分離した前記線スペクトルデータを基に、反応種毎の電子密度、電子温度及び電子エネルギー分布の少なくとも１つを予測する
    　処理をコンピュータに実行させるコンピュータプログラム。
  2. 　スペクトルデータを入力として受け付けて、入力された前記スペクトルデータに含まれる所定の反応種の線スペクトルデータと、前記所定の反応種以外の背景スペクトルデータとを出力するよう機械学習がなされた学習モデルを用い、
    　取得した前記スペクトルデータを前記学習モデルへ入力して、前記学習モデルが出力する前記線スペクトルデータ及び背景スペクトルデータを取得することで、前記スペクトルデータを反応種毎の線スペクトルデータに分離する、
    　請求項１に記載のコンピュータプログラム。
  3. 　前記学習モデルは、スペクトルデータの入力に対して当該学習モデルが出力する線スペクトルデータ及び背景スペクトルデータの合成スペクトルデータと、入力されたスペクトルデータとの誤差に基づいて機械学習がなされる、
    　請求項２に記載のコンピュータプログラム。
  4. 　分離した前記線スペクトルデータを基に、反応種毎の電子温度オーダー又は電子エネルギー分布オーダーを予測し、
    　分離した前記線スペクトルデータ及び予測した前記電子温度オーダー又は電子エネルギー分布オーダーを基に、反応種毎の電子密度を予測する、
    　請求項１に記載のコンピュータプログラム。
  5. 　分離した前記線スペクトルデータに関するスペクトル幅を算出し、
    　算出した前記スペクトル幅を基に、前記電子温度オーダー又は電子エネルギー分布オーダーを予測する、
    　請求項４に記載のコンピュータプログラム。
  6. 　前記スペクトル幅は、反応種のスペクトルのドップラー幅、自然幅又はシュタルク幅である、
    　請求項５に記載のコンピュータプログラム。
  7. 　反応種の電子密度と電子温度又は電子エネルギー分布との入力に応じて前記反応種の線スペクトルデータを予測するモデルを用いて、
    　分離した線スペクトルデータと前記モデルが予測する線スペクトルデータとの誤差が閾値より小さくなる前記電子密度と前記電子温度又は前記電子エネルギー分布との入力値を探索することで、反応種毎の電子密度と電子温度又は電子エネルギー分布とを予測する、
    　請求項１に記載のコンピュータプログラム。
  8. 　取得した前記スペクトルデータを基に、反応種毎の電子温度オーダー又は電子エネルギー分布オーダーを予測し、
    　予測した電子温度オーダー又は電子エネルギー分布オーダーを基に、前記モデルを用いた電子温度と電子温度又は電子エネルギー分布との入力値の探索において前記電子温度の探索範囲を制限する、
    　請求項７に記載のコンピュータプログラム。
  9. 　前記スペクトルデータの取得、前記線スペクトルデータの分離と前記電子密度、電子温度及び電子エネルギー分布の少なくとも１つとの予測を繰り返し行い、
    　一の時点の前記電子密度、電子温度及び電子エネルギー分布の少なくとも１つの予測結果を基に、次の時点以降の前記電子密度、電子温度及び電子エネルギー分布の少なくとも１つの範囲を予測し、
    　分離した前記線スペクトルデータ及び予測した前記範囲を基に、次の時点以降の前記電子密度、電子温度及び電子エネルギー分布の少なくとも１つを予測する、
    　請求項１に記載のコンピュータプログラム。
  10. 　予測した反応種毎のスペクトルに対応する電子密度、電子温度及び電子エネルギー分布の少なくとも１つを基に前記基板処理を制御する、
    　請求項１に記載のコンピュータプログラム。
  11. 　情報処理装置が、
    　基板処理に関して測定されたスペクトルデータを取得し、
    　取得した前記スペクトルデータを、複数の反応種についての線スペクトルデータに分離し、
    　分離した前記線スペクトルデータを基に、反応種毎の電子密度、電子温度及び電子エネルギー分布の少なくとも１つを予測する、
    　情報処理方法。
  12. 　処理部を備え、
    　前記処理部が、
    　基板処理に関して測定されたスペクトルデータを取得し、
    　取得した前記スペクトルデータを、複数の反応種についての線スペクトルデータに分離し、
    　分離した前記線スペクトルデータを基に、反応種毎の電子密度、電子温度及び電子エネルギー分布の少なくとも１つを予測する、
    　情報処理装置。
     
PCT/JP2025/010051 2024-03-29 2025-03-17 コンピュータプログラム、情報処理方法及び情報処理装置 Pending WO2025205115A1 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2024-057346 2024-03-29
JP2024057346 2024-03-29

Publications (1)

Publication Number Publication Date
WO2025205115A1 true WO2025205115A1 (ja) 2025-10-02

Family

ID=97218662

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2025/010051 Pending WO2025205115A1 (ja) 2024-03-29 2025-03-17 コンピュータプログラム、情報処理方法及び情報処理装置

Country Status (2)

Country Link
TW (1) TW202603337A (ja)
WO (1) WO2025205115A1 (ja)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS60174934A (ja) * 1984-02-22 1985-09-09 Hitachi Ltd 迷光除去装置
JP2004186539A (ja) * 2002-12-05 2004-07-02 Tokyo Electron Ltd プラズマ処理方法及びプラズマ処理装置
JP2014170668A (ja) * 2013-03-04 2014-09-18 Chube Univ プラズマ状態測定プローブ及びプラズマ状態測定装置
CN116863182A (zh) * 2022-03-22 2023-10-10 中国农业大学 一种等离子体光谱识别方法、装置、电子设备及存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS60174934A (ja) * 1984-02-22 1985-09-09 Hitachi Ltd 迷光除去装置
JP2004186539A (ja) * 2002-12-05 2004-07-02 Tokyo Electron Ltd プラズマ処理方法及びプラズマ処理装置
JP2014170668A (ja) * 2013-03-04 2014-09-18 Chube Univ プラズマ状態測定プローブ及びプラズマ状態測定装置
CN116863182A (zh) * 2022-03-22 2023-10-10 中国农业大学 一种等离子体光谱识别方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
TW202603337A (zh) 2026-01-16

Similar Documents

Publication Publication Date Title
EP3575892B1 (en) Model parameter value estimation device and estimation method, program, recording medium with program recorded thereto, and model parameter value estimation system
JP6002487B2 (ja) 分析方法、分析装置、及びエッチング処理システム
JP7231829B2 (ja) 機械学習プログラム、機械学習方法および機械学習装置
TWI783147B (zh) 決定處理流程之系統及處理條件之決定方法
JP5068383B1 (ja) 予測装置、予測方法及び予測プログラム
Peltola et al. Hierarchical Bayesian Survival Analysis and Projective Covariate Selection in Cardiovascular Event Risk Prediction.
CN115147192B (zh) 基于双视角纠偏的推荐方法及推荐系统
US20220188307A1 (en) Data analysis apparatus, method and system
JP2016045799A (ja) 予測モデル生成装置、予測モデル生成方法及びプログラム
CN104870982A (zh) 用于评估医学测量曲线的方法
Czekaj et al. About kernel latent variable approaches and SVM
Nakhleh et al. Exploring sensitivity of ICF outputs to design parameters in experiments using machine learning
JP7677730B2 (ja) 解析装置、解析方法、解析プログラム及びプラズマ処理制御システム
Signorelli Pencal: an R package for the dynamic prediction of survival with many longitudinal predictors
WO2022124065A1 (ja) 予測器作成装置、および予測器作成方法
JP2021197008A (ja) 情報処理装置、学習方法、および学習プログラム
US20250329564A1 (en) Computer program, analysis method, and analyzer
CN121232718A (zh) 用于生成可解释且可微分模型以供工业优化的方法和系统
Zhao et al. Improved calibration investigation using phase-wise local and cumulative quality interpretation and prediction
TW202603337A (zh) 電腦程式、資訊處理方法及資訊處理裝置
JP4308113B2 (ja) データ分析装置及びその方法、プログラム
US20210073651A1 (en) Model generating method and model generating apparatus
CN114235787A (zh) 分析装置、分析方法、记录介质及等离子体处理控制系统
JP7586362B1 (ja) 予測装置、予測方法及びプログラム
US20260118861A1 (en) Information processing method, computer program, and information 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: 25777090

Country of ref document: EP

Kind code of ref document: A1