Nothing Special   »   [go: up one dir, main page]

TWI783147B - 決定處理流程之系統及處理條件之決定方法 - Google Patents

決定處理流程之系統及處理條件之決定方法 Download PDF

Info

Publication number
TWI783147B
TWI783147B TW108114620A TW108114620A TWI783147B TW I783147 B TWI783147 B TW I783147B TW 108114620 A TW108114620 A TW 108114620A TW 108114620 A TW108114620 A TW 108114620A TW I783147 B TWI783147 B TW I783147B
Authority
TW
Taiwan
Prior art keywords
processing
mentioned
state
pseudo
processing conditions
Prior art date
Application number
TW108114620A
Other languages
English (en)
Other versions
TW202004575A (zh
Inventor
中田百科
大森健史
臼井建人
栗原優
Original Assignee
日商日立製作所股份有限公司
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 日商日立製作所股份有限公司 filed Critical 日商日立製作所股份有限公司
Publication of TW202004575A publication Critical patent/TW202004575A/zh
Application granted granted Critical
Publication of TWI783147B publication Critical patent/TWI783147B/zh

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41805—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by assembly
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
    • H01L21/67005—Apparatus not specifically provided for elsewhere
    • H01L21/67242—Apparatus for monitoring, sorting or marking
    • H01L21/67253—Process monitoring, e.g. flow or thickness monitoring
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70—Microphotolithographic exposure; Apparatus therefor
    • G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
    • G03F7/70605—Workpiece metrology
    • G03F7/706835—Metrology information management or control
    • G03F7/706839—Modelling, e.g. modelling scattering or solving inverse problems
    • G03F7/706841—Machine learning
    • 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
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
    • H01L21/67005—Apparatus not specifically provided for elsewhere
    • H01L21/67242—Apparatus for monitoring, sorting or marking
    • H01L21/67276—Production flow monitoring, e.g. for increasing throughput
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32334—Use of reinforcement learning, agent acts, receives reward
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/33—Director till display
    • G05B2219/33034—Online learning, training
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/45—Nc applications
    • G05B2219/45028—Lithography
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/45—Nc applications
    • G05B2219/45031—Manufacturing semiconductor wafers
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Artificial Intelligence (AREA)
  • Manufacturing & Machinery (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • General Engineering & Computer Science (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Computer Hardware Design (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Power Engineering (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Drying Of Semiconductors (AREA)
  • Electrical Discharge Machining, Electrochemical Machining, And Combined Machining (AREA)

Abstract

本發明之目的在於實現用以於無法直接獲取狀態之狀況下使半導體製造製程之處理流程最佳化之強化學習。
本發明係決定包含用以控制對象之複數個處理之處理流程之系統，具有執行用以決定複數個處理之各者之處理條件之學習處理的學習部，學習部自基於處理流程控制對象之裝置，於特定之處理條件下，獲取與已執行處理之對象之狀態具有關聯之物理量，並基於物理量，算出與對象之狀態對應之偽狀態，執行使用價值函數之學習處理，藉此決定用以實現目標對象之狀態之複數個處理之各者之處理條件。

Description

決定處理流程之系統及處理條件之決定方法
本發明係關於一種用以決定構成半導體製造製程之處理流程之處理之處理條件的系統及學習方法。
於半導體製造製程中，可藉由基於藉由製程開發所獲得之處理流程控制半導體處理裝置，來實現所期望之半導體加工。
近年來，因構成元件之新材料之導入及元件構造複雜化，而半導體處理裝置之控制範圍擴大，追加了為數較多之控制參數。又，為了實現微細且複雜之加工，半導體製造製程之處理流程進行了多步驟化。藉由使用此種半導體處理裝置進行製程開發，能生產高性能之元件。
為了充分地發揮半導體處理裝置之性能，處理流程之最佳化、即控制參數之最佳化必不可少，而其實現必需製程開發之技術訣竅(know-how)、較高之裝置操作技能、及處理試驗之多次試行。但是，因掌握技術訣竅及技能之工程師之缺少以及伴隨多次處理試驗之處理結果之計測次數增加，而處理流程之最佳化所花費之時間長期化。
對於如上所述之問題，可認為藉由機械學習來進行處理流程之最佳化較為有效。作為與其相關之技術，已知有如專利文獻1及專利文獻2般之技術。
於專利文獻1中，記載有「獲取根據對構造之幾何學形狀賦予特徵之輪廓參數(profile parameter)所規定之構造之形狀模型。獲取輪廓參數之值之組，並使用其生成分別對自構造繞射之光之行為賦予特徵之模擬繞射信號之組。使用模擬繞射信號之組作為輸入，使用輪廓參數之值之組作為預期之輸出，而對支持向量機(Support Vector Machine)進行訓練之後，以於晶圓上製造構造之方式執行製造製程。獲取來自構造之測定繞射信號，並輸入至訓練過之支持向量機。獲取構造之輪廓參數之值作為訓練過之支持向量機之輸出。基於該輪廓參數之值，調整1個以上之製程參數或製造工具之裝置設定。」。
於專利文獻2中，記載有「一種帶電粒子束裝置，其具備：帶電粒子束源；帶電粒子光學系統，其將自上述帶電粒子束源發射之帶電粒子以帶電粒子束之形式照射至試樣；像差校正器，其對上述帶電粒子光學系統之像差進行校正；及控制機構，其控制上述帶電粒子光學系統及上述像差校正器之各構成要素；於該帶電粒子束裝置中具備藉由學習獲得最佳之調整順序之自動像差校正裝置。自動像差校正裝置藉由強化學習而獲得能夠同時實施複數個像差校正之最佳之調整順序。」。
[先前技術文獻] [專利文獻]
[專利文獻1]日本專利特開2009-44125號公報
[專利文獻2]日本專利特開2013-30278號公報
處理流程通常包含複數個處理，因此要最佳化之控制參數之數量龐大。例如，前端元件之製造製程為10個步驟以上，又，處理流程之控制參數之個數為100個以上。
監督式學習係學習輸入與輸出之關係之方法。於將該方法應用於控制參數之最佳化之情形時，輸入全部處理步驟之控制參數，並輸出試樣之加工形狀等。因此，必須進行大規模之參數數量之解析，而難以將輸入與輸出之關聯之分析及使用學習器之輸出之預測及輸入之最佳化。因此，難以應用專利文獻1所記載之技術。
又，於專利文獻2所記載之強化學習中係以能獲取環境之狀態為前提。但是，於半導體製造製程中，為了計測作為狀態進行處理之試樣之加工形狀等，必須將試樣自半導體處理裝置取出。例如，難以直接觀測蝕刻加工後之試樣之形狀。其原因在於，蝕刻加工係於被抽真空之腔室內進行之處理。因此，於無法直接計測試樣之狀態之情形時，難以應用專利文獻2所記載之強化學習。
本案中所揭示之發明之代表性之一例係如以下所示。即，本發明係決定包含用以控制對象之複數個處理之處理流程之系統，具備運算裝置、連接於上述運算裝置之記憶裝置、及具有連接於上述運算裝置之介面之至少一個計算機，上述複數個處理係基於預先設定之處理條件而執行，上述至少一個計算機具有執行用以決定上述複數個處理之各者之上述處理條件之學習處理的學習部，上述學習部自基於上述處理流程控制對象之裝置於特定之處理條件下獲取與已執行上述處理流程所包含之一個處理之對象之狀態具有關聯之物理量，並基於上述物理量算出強化學習中之與上述對象之狀態對應之偽狀態，執行使用輸出表示於任意偽狀態下選擇之上述處理條件之評估之值之價值函數的學習處理，藉此決定用以實現作為目標之上述對象之狀態的上述複數個處理之各者之處理條件。
根據本發明之一形態，即便於無法直接獲取狀態之情形時，亦可決定複數個處理之各者之恰當之處理條件。除上述以外之問題、構成及效果可根據以下之實施例之說明而明確。
10:半導體處理裝置
20:解析系統
100:運算裝置
101:記憶裝置
102:介面
103:計測裝置
110:處理條件輸入部
120:偽狀態運算部
121:報酬運算部
122:價值函數解析部
123:處理條件解析部
130:處理DB
131:價值函數資訊
200:試樣
400:處理資訊
401:處理步驟
402:偽狀態
403:處理條件
404:報酬
1000:GUI
1010:學習處理設定欄
1011:價值函數欄
1012:強化學習欄
1020:偽狀態設定欄
1021:偽狀態欄
1030:報酬設定欄
1031:報酬欄
1040:處理流程設定欄
1041:處理流程欄
1050:價值函數更新設定欄
1051:更新頻度欄
1060:燈
1070:決定按鈕
圖1係表示實施例1之系統構成之一例之圖。
圖2係表示設置於實施例1之半導體處理裝置之試樣及試樣之物理量之計測方法之一例的圖。
圖3A係表示實施例1之試樣之加工之一例之圖。
圖3B係表示用以對實施例1之試樣進行加工之處理流程之一例的圖。
圖4係表示儲存於實施例1之處理DB(database，資料庫)之資料之資料結構之一例的圖。
圖5係對實施例1之解析系統所執行之處理進行說明之流程圖。
圖6係表示藉由實施例1之計測裝置所計測之干涉光之一例的圖。
圖7A係表示實施例1之偽狀態運算部所算出之偽狀態之資料結構之一例的圖。
圖7B係表示實施例1之偽狀態運算部所算出之偽狀態之資料結構之一例的圖。
圖8係對實施例1之處理條件解析部所執行之處理進行說明之流程圖。
圖9A係表示實施例1之處理條件之選擇方法之一例之圖。
圖9B係表示實施例1之處理條件之選擇方法之一例之圖。
圖10係表示用以對實施例1之解析系統進行各種設定之GUI(Graphical User Interface，圓形使用者介面)之一例的圖。
以下，使用圖式對本發明之實施例進行說明。但是，本發明並非限定於以下所示之實施形態之記載內容來進行解釋。若為業者，則可容易地理解可於不脫離本發明之思想或主旨之範圍內，變更其具體之構成。
關於圖式等中所示之各構成之位置、大小、形狀、及範圍等，為了使發明容易理解，存在不表示實際之位置、大小、形狀、及範圍等之情 形。因此，於本發明中，不受圖式等中所揭示之位置、大小、形狀、及範圍等限定。
[實施例1]
以下，使用圖式對本發明之實施例1進行說明。
圖1係表示實施例1之系統構成之一例之圖。
系統包含半導體處理裝置10及解析系統20。半導體處理裝置10與解析系統20直接或經由網路而相互連接。再者，網路可考慮LAN(Local Area Network，區域網路)及WAN(Wide Area Network，廣域網路)等。
半導體處理裝置10按照包含複數個處理之處理流程，執行用以製造製品之試樣之加工處理。各處理係基於處理條件而執行。處理條件包含一個以上之用以控制半導體處理裝置10之控制參數。於本說明書中，亦將構成處理流程之處理記載為處理步驟。
再者，本實施例並不限定於半導體處理裝置10所進行之加工處理之類別及加工處理之內容。
半導體處理裝置10具有處理條件輸入部110。處理條件輸入部110接收自解析系統20輸入之處理條件，並對處理裝置設定處理條件。半導體處理裝置10按照由處理條件輸入部110設定之處理條件，執行對於試樣之處 理。例如，半導體處理裝置10進行半導體之蝕刻處理。
半導體處理裝置10包含微影裝置、製膜裝置、圖案加工裝置、離子布植裝置、加熱裝置及洗淨裝置等處理裝置。
作為微影裝置，存在曝光裝置、電子束繪圖裝置及X射線繪圖裝置等。作為製膜裝置，存在CVD(Chemical Vapor Deposition，化學氣相沈積)、PVD(Physical Vapor Deposition，物理氣相沈積)、蒸鍍裝置、濺鍍裝置及熱氧化裝置。作為圖案加工裝置，存在濕式蝕刻裝置、乾式蝕刻裝置、電子束加工裝置及雷射加工裝置等。作為離子布植裝置，存在電漿摻雜裝置及離子束摻雜裝置等。作為加熱裝置，存在電阻加熱裝置、燈加熱裝置及雷射加熱裝置等。作為洗淨裝置，存在液體洗淨裝置及超音波洗淨裝置等。
解析系統20藉由執行強化學習，而決定處理流程中所包含之複數個處理之各者之恰當之處理條件。作為強化學習之演算法，存在Q-學習、SARSA(State-action-reward-state-action，狀態-動作-獎勵-狀態-動作)等TD(Temporal Difference，時間差分)學習、Actor-Critic(行為-評判)法等策略梯度法(Policy Gradient Method)、及蒙特卡羅法(Monte Carlo method)。再者，本發明並不限定於強化學習之演算法。
於將強化學習應用於半導體製造製程之情形時，將半導體處理裝置10作為環境進行處理，將試樣之形狀作為狀態進行處理，且將處理條件作 為行動進行處理。為了計測試樣之形狀，必須將試樣自半導體處理裝置10取出。因此，難以於處理流程之中途獲取試樣之形狀。因此，於實施例1之系統中，根據與試樣之形狀(試樣之狀態)具有較強關聯之物理量，算出強化學習中之可作為狀態進行處理之偽狀態，而使用偽狀態實現強化學習。
解析系統20具有運算裝置100、記憶裝置101、介面102及計測裝置103作為硬體。解析系統20亦可具有HDD(Hard Disk Drive，硬式磁碟機)及SSD(Solid State Drive，固態磁碟機)等記憶裝置、鍵盤、滑鼠、及觸控面板等輸入裝置、以及顯示器等輸出裝置。
運算裝置100執行儲存於記憶裝置101之程式。運算裝置100例如為處理器、GPU(Graphics Processing Unit，圖形處理單元)、及FPGA(Field Programmable Gate Array，場可程式化閘陣列)等。運算裝置100藉由按照程式執行處理，而作為實現特定之功能之功能部(模組)進行動作。
記憶裝置101儲存運算裝置100所執行之程式及藉由程式所使用之資訊。又，記憶裝置101包含程式暫時性地使用之工作區。記憶裝置101例如為揮發性或非揮發性記憶體。關於記憶裝置101所儲存之程式及資訊，於下文敍述。
介面102係用以與外部裝置連接之介面。介面102為網路介面及IO(Input/Output，輸入/輸出)介面等。
計測裝置103根據藉由半導體處理裝置10處理後之試樣，計測處理結果、即與試樣之形狀具有關聯之物理量。於實施例1中，將計測裝置103組裝於解析系統20，但亦可將計測裝置103組裝於半導體處理裝置10。又，計測裝置103亦可為與解析系統20獨立之構成。
計測裝置103計測入射至試樣之光、雷射及X射線等之反射、透過、干涉、吸收及偏光光譜，計測表示試樣之特性之值。
具體而言，計測裝置103為使用電子顯微鏡之計測裝置、光學式監視器、使用紅外光之溫度計測裝置、使用凱爾文探針力顯微鏡之缺陷檢測裝置、評估加工對象之電特性之探測裝置等。又，計測裝置103亦可為計測於處理中作用於試樣之電漿、氣體、及液體等介質、以及處理中產生之生成物之裝置。雖然介質及生成物不直接地表示試樣之狀態，但是為具有表示與處理狀態及處理結果之關聯之可能性之物理量，因此能夠作為間接地表示試樣之狀態之資料進行處理。又，計測裝置103亦可為使用光譜計測之電漿發射監視器、使用紅外分光計測之處理室內之沈積物監視器、使用質量分析器之自處理對象發射之原子及分子監視器、以及使用探針之處理室內之電特性監視器等。
又，計測裝置103亦可具有感測器，該感測器獲取電壓、電流、及功率等電源輸出值、整合器內之電容器或線圈等可變電性元件之值、各種使用氣體之流量、裝置主體及裝置構成零件之溫度、處理室內之壓力、壓力 控制閥之開度、閥開關狀態、氣體排氣速度、以及處理及裝置之動作時序及動作時刻等。
此處，對解析系統20之記憶裝置101所儲存之程式及資訊進行說明。記憶裝置101儲存實現偽狀態運算部120、報酬運算部121、價值函數解析部122、及處理條件解析部123之程式，且儲存處理DB130及價值函數資訊131。
處理DB130係管理強化學習中使用之資訊之資料庫。使用圖4對儲存於處理DB130之資料進行說明。再者，於使用複數個計算機構築解析系統20之情形時，亦可以分散式資料庫(distributed data base)之形式實現處理DB130。
價值函數資訊131係用以管理價值函數之資訊。價值函數係算出表示於任意狀態下選擇之行動之評估之值(價值)的函數(模型)，可基於類神經網路、核方法(Kernel method)、及決策樹(decision tree)等機械學習而算出。實施例1之價值函數係用以算出於偽狀態s下決定之處理條件a之價值之函數，表示為Q(s，a)。實施例1之價值函數Q(s，a)之變數s之特徵在於其並非試樣之狀態，而是與試樣之狀態具有關聯之偽狀態。
於執行強化學習之前之價值函數資訊131中，設定有根據經驗及預測推定之價值函數Q(s，a)之資訊。
偽狀態運算部120獲取藉由計測裝置103所計測之物理量，並根據該物理量算出偽狀態。偽狀態運算部120將偽狀態輸出至報酬運算部121及處理條件解析部123，且儲存於處理DB130。
再者，偽狀態運算部120既可將物理量直接算出為偽狀態，亦可使用以物理量為變數之數式算出偽狀態。
再者，偽狀態運算部120亦可算出基於PCA(principal component analysis，主成分分析)等維度壓縮法削減參數之數量所得之值作為偽狀態。藉由削減參數之數量，可削減學習所需要之資源量及運算時間。
報酬運算部121算出藉由基於在任意偽狀態下選擇之處理條件(行動)執行處理步驟所獲得之報酬。再者，報酬可根據試樣之加工形狀及加工目的等而設定。
價值函數解析部122基於儲存於處理DB130之資料推定價值函數，並基於推定結果更新價值函數資訊131。再者，於不存在用以推定價值函數之資料(知識)之情形時、或於由於儲存之資料量較少而無法推定預測精度較高之價值函數之情形時，價值函數解析部122將使用者輸入之價值函數設定於價值函數資訊131、或將基於隨機之初始值所推定之價值函數設定於價值函數資訊131。
處理條件解析部123基於設定於偽狀態及價值函數資訊131之價值函 數，決定處理步驟之處理條件。處理條件解析部123將所決定之處理條件輸出至處理條件輸入部110，並且儲存於處理DB130。
再者，關於解析系統20所具有之各功能部，既可將複數個功能部彙集為一個功能部，亦可將一個功能部按功能分為複數個功能部。例如，亦可以一個學習部之形式實現偽狀態運算部120、報酬運算部121、價值函數解析部122、及處理條件解析部123。
圖2係表示設置於實施例1之半導體處理裝置10之試樣及試樣之物理量之計測方法之一例的圖。圖3A係表示實施例1之試樣之加工之一例的圖。圖3B係表示用以加工實施例1之試樣之處理流程之一例的圖。
於圖2中，表示具有附遮罩之圖案之試樣200。圖2所示之計測裝置103為干涉光分光器。計測裝置103對試樣200照射光，並計測自試樣200產生之干涉光。干涉光係藉由試樣200之微細構造及薄膜所產生之光，可理解為與試樣200之幾何學構造及物性具有關聯之物理量。
於實施例1中，考慮如圖3A所示般之實現試樣200之垂直深蝕加工之處理流程。如圖3B所示，實現試樣200之垂直深蝕加工之處理流程包含T個處理步驟。此處，T表示自然數。
圖4係表示儲存於實施例1之處理DB130之資料之資料結構之一例的圖。
處理DB130係針對每個處理流程儲存處理資訊400。處理資訊400包含由處理步驟401、偽狀態402、處理條件403及報酬404構成之條目。一個條目對應於一個處理步驟。處理資訊400係與處理流程之識別資訊建立對應關係地被管理。
處理步驟401係儲存識別處理步驟之識別資訊之欄位。於處理步驟401中，例如儲存有表示處理步驟之執行順序之編號。偽狀態402係儲存藉由偽狀態運算部120所算出之偽狀態之欄位。處理條件403係儲存藉由處理條件解析部123所決定之處理條件之欄位。報酬404係儲存藉由報酬運算部121所算出之報酬之欄位。
再者，於處理條件403中，亦可儲存半導體處理裝置10實際所設定之處理條件以代替藉由處理條件解析部123所決定之處理條件。例如，處理條件解析部123經由介面102獲取半導體處理裝置10所設定之處理條件，並儲存於處理資訊400。
圖5係對實施例1之解析系統20所執行之處理進行說明之流程圖。圖6係表示藉由實施例1之計測裝置103所計測之干涉光之一例的圖。圖7A及圖7B係表示實施例1之偽狀態運算部120所算出之偽狀態之資料結構之一例的圖。圖8係對實施例1之處理條件解析部123所執行之處理進行說明之流程圖。圖9A及圖9B係表示實施例1之處理條件之選擇方法之一例的圖。
解析系統20對變數m及變數t設定「1」作為初始值(步驟S101)。變數m係表示按照處理流程被加工之試樣之識別編號之變數。變數t係表示處理流程所包含之處理步驟之識別編號之變數。變數t為T以下之自然數。
解析系統20將第m個試樣設置於半導體處理裝置10(步驟S102)。變數m為自然數。
具體而言，解析系統20將第m個試樣搬送至半導體處理裝置10，並設定為能夠進行試樣之加工及物理量之計測之狀態。此時，解析系統20於處理DB130中生成與變數m之值建立了對應關係之處理資訊400。
其次，解析系統20使用計測裝置103所計測之物理量算出當前之偽狀態st(步驟S103)。
具體而言，偽狀態運算部120根據藉由計測裝置103所計測之物理量算出偽狀態，並將偽狀態輸出至報酬運算部121及處理條件解析部123。又，偽狀態運算部120於處理DB130中追加條目，並對所追加之條目之處理步驟401設定變數t之值。又，偽狀態運算部120對所追加之條目之偽狀態402設定所算出之偽狀態。
例如，於偽狀態運算部120獲取如圖6所示般之干涉光之計測結果之情形時，如圖7A所示，算出以特定之波長之強度為要素之向量作為偽狀態。又，偽狀態運算部120對圖7A所示之向量執行主成分分析，算出如圖 7B所示般之以特定之數量之主成分為要素之向量作為偽狀態。再者，偽狀態運算部120亦可進行資料之標準化而算出偽狀態。
再者，根據物理量算出偽狀態之方法預先設定於偽狀態運算部120。
其次，解析系統20於當前之偽狀態st下選擇恰當之處理條件at(步驟S104)。此處，使用圖8及圖9對處理條件at之選擇處理進行說明。
處理條件解析部123自偽狀態運算部120獲取當前之偽狀態st，並且自價值函數資訊131獲取價值函數Q(s，a)(步驟S201)。
其次，處理條件解析部123算出使將當前之偽狀態st代入至變數s所得之價值函數Q(st，a)最大化之處理條件a'(步驟S202)。
作為算出將價值函數Q(st，a)最大化之處理條件a'之方法，可考慮使用非線性規劃法、元啟發式(Metaheuristic)及圖論(graph theory)等方法。
其次，處理條件解析部123基於處理條件a'，決定恰當之處理條件at(步驟S203)。
例如，如圖9A所示，處理條件解析部123將處理條件a'決定為處理條件at。又，作為另一決定方法，處理條件解析部123基於處理條件a'概率性地選擇處理條件at。具體而言，如圖9B所示，處理條件解析部123設定以 處理條件a'為中心之特定之大小之範圍，於該範圍內隨機地選擇處理條件at。
概率性地選擇處理條件at之原因在於，於為決定性之處理條件之選擇方法之情形時，避免學習結果成為局所解之危險性。
其次，處理條件解析部123將處理條件at儲存於處理DB130(步驟S204)。具體而言，處理條件解析部123檢索處理步驟401與變數t之值一致之條目，並將處理條件at儲存於檢索出之條目之處理條件403。以上為步驟S104之處理之說明。返回至圖5之說明。
其次，解析系統20將包含處理條件at之處理步驟之執行請求輸出至半導體處理裝置10(步驟S105)。
具體而言，處理條件解析部123經由介面102將包含處理條件at之處理步驟之執行請求輸出至半導體處理裝置10。半導體處理裝置10於接收到處理步驟之執行請求之情形時，基於該請求所包含之處理條件at，執行對於試樣之加工處理。
其次，解析系統20判定當前之處理步驟是否為最終處理步驟(步驟S106)。
具體而言，解析系統20判定變數t之值是否為T。於判定為變數t之值 為T之情形時，解析系統20判定為當前之處理步驟為最終處理步驟。
於判定為當前之處理步驟並非最終處理步驟之情形時，解析系統20算出報酬rt(步驟S107)。具體而言，執行如下所述之處理。
報酬運算部121基於自偽狀態運算部120獲取之偽狀態算出報酬rt。於實施例1中，基於干涉光之振動次數算出報酬rt。干涉光之時間方向之振動次數係與試樣之膜厚之變化量具有關聯之物理量。因此，振動次數越多，則表示試樣之溝槽之深度越深。因此，報酬運算部121算出與干涉光之振動次數對應之報酬。以上為步驟S107之處理之說明。
其次，解析系統20基於處理DB130推定價值函數Q(s，a)(步驟S108)。
例如，價值函數Q(s，a)可使用強化學習及RNN(recurrent neural network，遞歸類神經網路)、或線性回歸、類神經網路(NN)、及核嶺回歸(KRR)等機械學習而推定。
再者，亦可不針對每個處理步驟進行價值函數之推定。例如，亦可於固定數量之處理步驟結束之情形時、或於複數個試樣之處理結束之情形時，由解析系統20推定價值函數。於儲存固定數量之資料後推定價值函數之原因在於，存在推定所使用之資料之數量越多，則價值函數之推定精度越提高之情形。
其次，解析系統20將對變數t加上1所得之值設定為新的變數t(步驟S109)，其後，返回至步驟S103。即，移行至以下之處理步驟。
於在步驟S106中，判定為當前之處理步驟為最終處理步驟之情形時，解析系統20自已進行全部處理步驟後之試樣直接獲取表示試樣之狀態之處理結果(步驟S110)。
例如，解析系統20使用掃描型電子顯微鏡獲取被搬送至半導體處理裝置10之外之試樣之剖面資訊。再者，解析系統20亦可使用計測裝置103獲取偽狀態作為處理結果。
其次，解析系統20基於獲取之處理結果，判定所加工之試樣是否滿足基準(步驟S111)。
例如，解析系統20判定試樣之加工形狀與目標加工形狀之誤差是否為預先設定之誤差之範圍內。再者，試樣之基準可根據加工形狀及加工目的等而設定不同之基準。
於判定為所加工之試樣滿足基準之情形時，解析系統20結束處理。其意指已決定能獲得滿足基準之試樣之處理流程之各處理步驟之處理條件。此時，解析系統20亦可自處理DB130獲取與該處理流程對應之處理資訊400，並生成用以將該處理資訊400提示給使用者之顯示資訊。
於判定為所加工之試樣不滿足基準之情形時，解析系統20算出報酬rT(步驟S112)。
報酬之算出方法與步驟S107相同。此時，解析系統20檢索處理步驟401為T之條目，並將所算出之報酬rT設定於檢索出之條目之報酬404。
其次，解析系統20基於處理DB130推定價值函數Q(s，a)(步驟S113)。價值函數之推定方法與步驟S108相同。
其次，解析系統20將變數t初始化為1，並且將對變數m加上1所得之值設定為新的變數m(步驟S114)，其後，返回至步驟S102。即，使用以下之試樣之強化學習開始。
藉由執行圖5所示之處理，可決定由基於恰當之處理條件被控制之處理步驟構成之處理流程。
再者，亦可不針對每個處理步驟算出報酬rt。於該情形時，不執行步驟S107及步驟S108之處理，而是基於報酬rT以及各處理步驟之偽狀態及處理條件推定價值函數Q(s，a)。
再者，於可算出基於偽狀態所算出之報酬rt及基於最終之試樣之加工形狀所算出之報酬rT之情形時，解析系統20亦可將兩個報酬相加而作為一 個報酬進行處理。
圖10係表示用以對實施例1之解析系統20進行各種設定之GUI1000之一例之圖。
GUI1000係用以進行學習之各種設定之GUI。GUI1000包含學習處理設定欄1010、偽狀態設定欄1020、報酬設定欄1030、處理流程設定欄1040、價值函數更新設定欄1050、及決定按鈕1070。
學習處理設定欄1010、偽狀態設定欄1020、報酬設定欄1030、處理流程設定欄1040、及價值函數更新設定欄1050中包含表示對欄之輸入是否有效之燈1060。於對欄之輸入有效之情形時，燈1060點亮。藉此，使用者可確認輸入了正確之值。再者，除燈1060以外，亦可進行彈出式顯示及聲音之播放等。
學習處理設定欄1010包含價值函數欄1011及強化學習欄1012。價值函數欄1011係用以設定價值函數(模型)之欄，包含用以選擇線性回歸、類神經網路(NN)、及核嶺回歸(KRR)中之任一者之勾選框。強化學習欄1012係用以設定強化學習之方法之欄，包含用以選擇Q-學習、SARSA、及Actor-Critic(行為-評判)中之任一者之勾選框。
偽狀態設定欄1020包含偽狀態欄1021。偽狀態欄1021係用以設定算出為偽狀態之值之欄，包含用以選擇波長之干涉光之強度、對波長之干涉 光之強度應用PCA所得之值、及計測裝置103所計測之物理量中之任一者之勾選框。再者，偽狀態設定欄1020亦可包含用以供使用者直接定義偽狀態之欄。
報酬設定欄1030包含報酬欄1031。報酬欄1031係用以設定報酬之算出方法之欄，包含用以選擇干涉光之振動次數、處理流程結束後之試樣之加工形狀、及其等之組合中之任一者之勾選框。再者，報酬設定欄1030亦可包含用以供使用者直接定義報酬之欄。
處理流程設定欄1040包含處理流程欄1041。處理流程欄1041係用以進行與處理流程相關之設定之欄，包含設定處理流程所包含之處理步驟之數量及處理流程之處理時間之欄。再者，處理流程設定欄1040亦可包含用以供使用者直接定義處理流程之欄。
價值函數更新設定欄1050包含更新頻度欄1051。更新頻度欄1051係用以設定價值函數之推定時序之欄，包含用以選擇每個處理步驟、每個試樣、及固定數量之試樣之每一個中之任一者之勾選框。於針對固定數量之試樣之每一個進行價值函數之推定之情形時，使用者於指定試樣之數量之欄中設定值。
決定按鈕1070係用以確定各欄之值之按鈕。再者，亦可以僅於各欄之燈1060點亮之情形時能夠操作決定按鈕1070之方式進行控制。於使用者按下決定按鈕1070之情形時，解析系統20開始圖5所示之處理。
再者，各欄之勾選框為一例，亦可包含選擇未圖示之形式或方法等之勾選框。
如以上所說明般，實施例1之解析系統20於無法直接觀測強化學習中之環境(半導體處理裝置10內之試樣)之狀態之情形時，可基於根據與狀態具有較強關聯之物理量所算出之偽狀態執行強化學習。藉此，解析系統20可決定處理流程所包含之各處理步驟之恰當之處理條件。又，由於為使用偽狀態之強化學習，故而可不將試樣自半導體處理裝置10取出而實現即時之控制。
於本實施例中，以使用根據干涉光所算出之偽狀態之強化學習為例進行了說明，但並不限定於此。例如，可藉由使用表示電特性或機械特性等之物理量作為與物性、形狀或顏色等狀態具有關聯之物理量而實現同樣之強化學習。
再者，實施例1中所說明之發明亦可應用於除用以決定試樣之處理流程之強化學習以外之強化學習。即，可將本發明應用於能夠獲取與狀態具有關聯之物理量之最佳化問題。
再者，本發明並非限定於上述實施例，而是包含各種變化例。又，例如，上述實施例係為了容易理解地說明本發明而對構成詳細地進行說明者，未必限定於具備所說明之全部構成者。又，可對各實施例之構成之一 部分追加、刪除、替換為其他構成。
又，關於上述各構成、功能、處理部、處理機構等，亦可藉由利用例如積體電路進行設計等而以硬體實現其等一部分或全部。又，本發明亦可藉由實現實施例之功能之軟體之程式碼而實現。於該情形時，將記錄有程式碼之記憶媒體提供給電腦，該電腦所具備之處理器讀出儲存於記憶媒體之程式碼。於該情形時，變為自記憶媒體讀出之程式碼本身實現上述實施例之功能，變為該程式碼本身、及記憶有該程式碼之記憶媒體構成本發明。作為此種用以供給程式碼之記憶媒體，例如可使用軟碟、CD-ROM(Compact Disc-Read Only Memory，唯讀光碟)、DVD-ROM(Digital Versatile Disc-Read Only Memory，唯讀數位多功能光碟)、影碟、SSD(Solid State Drive，固態磁碟機)、光碟、磁光碟、CD-R(Compact Disc-Recordable，可錄光碟)、磁帶、非揮發性記憶卡、ROM(Read Only Memory，唯讀記憶體)等。
又，實現本實施例所記載之功能之程式碼例如可藉由組譯器、C/C++、perl、Shell、PHP、Java(註冊商標)等廣範圍之程式或腳本語言而安裝。
進而，亦可設為藉由經由網路配發實現實施例之功能之軟體之程式碼，而將其儲存於電腦之影碟或記憶體等記憶機構或CD-RW(Compact Disc Rewritable，可重寫光碟)、CD-R等記憶媒體，電腦所具備之處理器讀出儲存於該記憶機構或該記憶媒體之程式碼並執行。
於上述實施例中，控制線或資訊線表示了說明上認為需要者，製品上未必表示全部控制線或資訊線。亦可全部構成相互連接。
10:半導體處理裝置
20:解析系統
100:運算裝置
101:記憶裝置
102:介面
103:計測裝置
110:處理條件輸入部
120:偽狀態運算部
121:報酬運算部
122:價值函數解析部
123:處理條件解析部
130:處理DB
131:價值函數資訊

Claims (14)

  1. 一種決定處理流程之系統，其特徵在於：其係決定包含用以控制對象之複數個處理之處理流程者，且具備運算裝置、連接於上述運算裝置之記憶裝置、及具有連接於上述運算裝置之介面之至少一個計算機，上述複數個處理基於預先設定之處理條件而執行，上述至少一個計算機具有執行用以決定上述複數個處理之各者之上述處理條件之學習處理的學習部，上述學習部係於無法直接獲取已執行上述處理流程所包含之一個處理之對象之狀態之情形時，自基於上述處理流程控制對象之裝置，於特定之處理條件下，獲取與上述對象之狀態具有關聯之物理量，並基於上述物理量，算出強化學習中之與上述對象之狀態對應之偽狀態，使用輸出表示於任意偽狀態下選擇之上述處理條件之評估之值的價值函數，決定用以實現作為目標之上述對象之狀態的上述複數個處理之各者之處理條件。
  2. 如請求項1之系統，其中上述學習部包含：偽狀態運算部，其獲取上述物理量，並基於上述物理量算出上述偽狀態；及處理條件解析部，其基於上述偽狀態及上述價值函數，自接下來要執行之上述處理之上述處理條件之中選擇恰當之處理條件；且 上述處理條件解析部將包含上述所選擇之處理條件之處理執行請求輸出至上述裝置，上述偽狀態運算部自已執行基於上述處理執行請求之處理之裝置獲取上述物理量，算出上述偽狀態。
  3. 如請求項2之系統，其中上述對象為藉由對試樣進行處理而製造半導體之半導體處理裝置，上述處理條件為用以控制上述半導體處理裝置之條件。
  4. 如請求項3之系統，其中上述至少一個計算機具有：報酬運算部，其算出基於執行設定有任意處理條件之處理之後之上述偽狀態評估該處理之值、及基於已執行上述處理流程之全部上述處理之上述試樣之形狀評估上述處理流程之值中之至少任一者作為報酬；以及價值函數解析部，其基於上述複數個處理之各者之執行時之上述偽狀態、設定於上述複數個處理之各者之上述處理條件、及上述報酬，更新上述價值函數。
  5. 如請求項3之系統，其中上述物理量係藉由對設置於上述半導體處理裝置之上述試樣照射光所計測之關於光之值。
  6. 如請求項3之系統，其中上述至少一個計算機執行使用上述物理量之維度壓縮處理而算出上述偽狀態。
  7. 如請求項3之系統，其中上述至少一個計算機使用非線性規劃法、元啟發式及圖論中之至少任一者，選擇將根據輸入了上述所算出之偽狀態之上述價值函數算出之值最大化的上述處理條件。
  8. 一種處理條件之決定方法，其特徵在於：其係對系統所執行之用以控制對象之處理流程所包含之複數個處理設定之處理條件之決定方法，上述系統具備運算裝置、連接於上述運算裝置之記憶裝置、及具有連接於上述運算裝置之介面之至少一個計算機，上述複數個處理基於預先設定之處理條件而執行，上述處理條件之決定方法包含：第1步驟，其係上述至少一個計算機於無法直接獲取已執行上述處理流程所包含之一個處理之對象之狀態之情形時，自基於上述處理流程控制對象之裝置，於特定之處理條件下，獲取與上述對象之狀態具有關聯之物理量，並基於上述物理量，算出強化學習中之與上述對象之狀態對應之偽狀態；以及第2步驟，其係上述至少一個計算機使用以輸出表示於任意偽狀態下選擇之上述處理條件之評估之值之上述偽狀態及上述處理條件作為變數的價值函數，決定用以實現作為目標之上述對象之狀態的上述複數個處理之各者之處理條件。
  9. 如請求項8之處理條件之決定方法，其中上述第2步驟包含如下步驟：上述至少一個計算機基於上述價值函數及上述偽狀態，自接下來要 執行之上述處理之上述處理條件之中選擇恰當之處理條件；及上述至少一個計算機將包含上述所選擇之處理條件之處理執行請求輸出至上述裝置；上述第1步驟包含上述至少一個計算機自執行基於上述處理執行請求之處理之裝置獲取上述物理量之步驟。
  10. 如請求項9之處理條件之決定方法，其中上述對象係藉由對試樣進行處理而製造半導體之半導體處理裝置，上述處理條件係用以控制上述半導體處理裝置之條件。
  11. 如請求項10之處理條件之決定方法，其包含如下步驟：上述至少一個計算機算出基於執行設定有任意處理條件之處理之後之上述偽狀態評估該處理之值、及基於已執行上述處理流程之全部上述處理之上述試樣之形狀評估上述處理流程之值中之至少任一者作為報酬；以及上述至少一個計算機基於上述複數個處理之各者之執行時之上述偽狀態、設定於上述複數個處理之各者之上述處理條件、及上述報酬，更新上述價值函數。
  12. 如請求項10之處理條件之決定方法，其中上述物理量係藉由對設置於上述半導體處理裝置之上述試樣照射光所計測之關於光之值。
  13. 如請求項10之處理條件之決定方法，其中上述第1步驟包含上述至少 一個計算機執行使用上述物理量之維度壓縮處理算出上述偽狀態之步驟。
  14. 如請求項10之處理條件之決定方法，其中上述至少一個計算機使用非線性規劃法、元啟發式及圖論中之至少任一者，選擇將根據輸入了上述所算出之偽狀態之上述價值函數算出之值最大化的上述處理條件。
TW108114620A 2018-06-05 2019-04-26 決定處理流程之系統及處理條件之決定方法 TWI783147B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2018-107419 2018-06-05
JP2018107419A JP7017985B2 (ja) 2018-06-05 2018-06-05 システム及び処理条件の決定方法

Publications (2)

Publication Number Publication Date
TW202004575A TW202004575A (zh) 2020-01-16
TWI783147B true TWI783147B (zh) 2022-11-11

Family

ID=68692559

Family Applications (1)

Application Number Title Priority Date Filing Date
TW108114620A TWI783147B (zh) 2018-06-05 2019-04-26 決定處理流程之系統及處理條件之決定方法

Country Status (4)

Country Link
US (1) US11112775B2 (zh)
JP (1) JP7017985B2 (zh)
KR (1) KR102206347B1 (zh)
TW (1) TWI783147B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220309198A1 (en) * 2019-09-05 2022-09-29 Tokyo Institute Of Technology Sample Preparation Evaluation System, Sample Preparation Evaluation Method and Computer Readable Medium
JP7458808B2 (ja) 2020-02-07 2024-04-01 東京エレクトロン株式会社 プロセス推定システム、プロセスデータ推定方法及びプログラム
US12062530B2 (en) * 2020-06-25 2024-08-13 Hitachi High-Tech Corporation Vacuum processing apparatus and vacuum processing method
JP2022026701A (ja) * 2020-07-31 2022-02-10 株式会社神戸製鋼所 機械学習方法、機械学習装置、機械学習プログラム、通信方法、及び制御装置
JP2022119321A (ja) * 2021-02-04 2022-08-17 東京エレクトロン株式会社 情報処理装置、プログラム及びプロセス条件探索方法
JP2023062867A (ja) * 2021-10-22 2023-05-09 株式会社神戸製鋼所 機械学習方法、機械学習装置、機械学習プログラム、通信方法、及び制御装置
TW202407483A (zh) * 2022-05-06 2024-02-16 日商東京威力科創股份有限公司 模型產生方法、電腦程式及資訊處理裝置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009044125A (ja) * 2007-04-12 2009-02-26 Tokyo Electron Ltd サポートベクトルマシンを用いて制御ツールを制御する方法
JP2013030278A (ja) * 2011-07-26 2013-02-07 Hitachi High-Technologies Corp 荷電粒子線装置
TW201734955A (zh) * 2016-01-11 2017-10-01 克萊譚克公司 為樣品產生模擬輸出

Family Cites Families (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4130867A (en) 1975-06-19 1978-12-19 Honeywell Information Systems Inc. Database instruction apparatus for determining a database record type
DE19739290A1 (de) 1997-09-08 1999-03-11 Ceos Gmbh Verfahren zur Beseitigung axialer Bildfehler erster, zweiter und dritter Ordnung bei Korrektur des Öffnungsfehlers dritter Ordnung in elektronen-optischen Systemen
DE19802409B4 (de) 1998-01-23 2006-09-21 Ceos Corrected Electron Optical Systems Gmbh Anordnung zur Korrektur des Öffnungsfehlers dritter Ordnung einer Linse, insbesondere der Objektivlinse eines Elektronenmikroskops
US6584369B2 (en) * 2000-02-02 2003-06-24 Texas Instruments Incorporated Method and system for dispatching semiconductor lots to manufacturing equipment for fabrication
US6552340B1 (en) 2000-10-12 2003-04-22 Nion Co. Autoadjusting charged-particle probe-forming apparatus
US7283435B2 (en) 2001-07-05 2007-10-16 Matsushita Electric Industrial Co., Ltd. Optical disc device
DE10162796B4 (de) * 2001-12-20 2007-10-31 Carl Zeiss Smt Ag Verfahren zur Optimierung der Abbildungseigenschaften von mindestens zwei optischen Elementen sowie photolithographisches Fertigungsverfahren
JP2006114304A (ja) 2004-10-14 2006-04-27 Jeol Ltd 自動収差補正方法及び装置
US7838858B2 (en) 2005-05-31 2010-11-23 Nikon Corporation Evaluation system and method of a search operation that detects a detection subject on an object
US7619220B2 (en) 2005-11-30 2009-11-17 Jeol Ltd. Method of measuring aberrations and correcting aberrations using Ronchigram and electron microscope
JP4790567B2 (ja) 2005-11-30 2011-10-12 日本電子株式会社 ロンチグラムを用いた収差測定方法及び収差補正方法及び電子顕微鏡
JP4902337B2 (ja) 2006-12-20 2012-03-21 株式会社日立メディアエレクトロニクス 光ピックアップおよび光学情報再生装置
US7372583B1 (en) 2007-04-12 2008-05-13 Tokyo Electron Limited Controlling a fabrication tool using support vector machine
US7511835B2 (en) 2007-04-12 2009-03-31 Tokyo Electron Limited Optical metrology using a support vector machine with simulated diffraction signal inputs
US7483809B2 (en) 2007-04-12 2009-01-27 Tokyo Electron Limited Optical metrology using support vector machine with profile parameter inputs
JP5762968B2 (ja) 2008-11-21 2015-08-12 プレシテック カーゲー 工作物に対して実施されるべきレーザ加工作業をモニタリングするための方法および装置、ならびにかかる装置を有するレーザ加工ヘッド
JP5452040B2 (ja) 2009-03-13 2014-03-26 日立コンシューマエレクトロニクス株式会社 光学的情報再生方法、光ヘッドおよび光ディスク装置
JP6353802B2 (ja) * 2015-03-24 2018-07-04 東京エレクトロン株式会社 処理システム、処理方法、及び、プログラム
JP6549917B2 (ja) * 2015-06-26 2019-07-24 株式会社日立ハイテクノロジーズ プラズマ処理装置およびそのデータ解析装置
JP6625868B2 (ja) 2015-11-18 2019-12-25 ファナック株式会社 加工プログラムの機械学習装置、該機械学習装置を備えた加工組立システムおよび加工プログラムの機械学習方法
JP6339603B2 (ja) 2016-01-28 2018-06-06 ファナック株式会社 レーザ加工開始条件を学習する機械学習装置、レーザ装置および機械学習方法
JP6608344B2 (ja) 2016-09-21 2019-11-20 株式会社日立製作所 探索装置および探索方法
JP6490124B2 (ja) * 2017-03-07 2019-03-27 ファナック株式会社 レーザ加工装置および機械学習装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009044125A (ja) * 2007-04-12 2009-02-26 Tokyo Electron Ltd サポートベクトルマシンを用いて制御ツールを制御する方法
JP2013030278A (ja) * 2011-07-26 2013-02-07 Hitachi High-Technologies Corp 荷電粒子線装置
TW201734955A (zh) * 2016-01-11 2017-10-01 克萊譚克公司 為樣品產生模擬輸出

Also Published As

Publication number Publication date
US20190369605A1 (en) 2019-12-05
US11112775B2 (en) 2021-09-07
JP2019212001A (ja) 2019-12-12
JP7017985B2 (ja) 2022-02-09
TW202004575A (zh) 2020-01-16
KR20190138565A (ko) 2019-12-13
KR102206347B1 (ko) 2021-01-22

Similar Documents

Publication Publication Date Title
TWI783147B (zh) 決定處理流程之系統及處理條件之決定方法
US10627788B2 (en) Retrieval apparatus and retrieval method for semiconductor device processing
TWI839396B (zh) 高階半導體製程優化及製造期間適應性控制
TWI745723B (zh) 探索裝置
US7809450B2 (en) Self-correcting multivariate analysis for use in monitoring dynamic parameters in process environments
KR102311313B1 (ko) 탐색 장치, 탐색 방법 및 플라스마 처리 장치
KR20180074574A (ko) 프로세스의 엔드포인트 제어를 위한 시계열 스펙트럼으로부터 특징 추출 방법
JP7424909B2 (ja) 処理条件探索装置および処理条件探索方法
JP2020061575A (ja) 高次元変数選択モデルを使用した重要なパラメータの決定システム
KR20160094251A (ko) 플라즈마 처리 장치 및 플라즈마 처리 방법과 해석 장치 및 해석 방법
TW202340884A (zh) 預防保養後的腔室條件監控及模擬
KR20230124043A (ko) 반도체 제작 장비의 프로세스 제어를 위한 적응형 모델 트레이닝 (adaptive model training)
JP6754878B2 (ja) 探索装置および探索方法
WO2024176347A1 (ja) 異常検出装置及び異常検出方法
US20230184693A1 (en) Multi-level rf pulse monitoring and rf pulsing parameter optimization at a manufacturing system
TW202435111A (zh) 異常檢測裝置及異常檢測方法