Traitement en cours

Veuillez attendre...

Paramétrages

Paramétrages

Aller à Demande

1. WO2020111258 - DISPOSITIF, PROCÉDÉ ET PROGRAMME DE MESURE VIRTUELLE

Document

明 細 書

発明の名称 仮想測定装置、仮想測定方法及び仮想測定プログラム

技術分野

0001  

背景技術

0002   0003  

先行技術文献

特許文献

0004  

発明の概要

発明が解決しようとする課題

0005  

課題を解決するための手段

0006  

発明の効果

0007  

図面の簡単な説明

0008  

発明を実施するための形態

0009   0010   0011   0012   0013   0014   0015   0016   0017   0018   0019   0020   0021   0022   0023   0024   0025   0026   0027   0028   0029   0030   0031   0032   0033   0034   0035   0036   0037   0038   0039   0040   0041   0042   0043   0044   0045   0046   0047   0048   0049   0050   0051   0052   0053   0054   0055   0056   0057   0058   0059   0060   0061   0062   0063   0064   0065   0066   0067   0068   0069   0070   0071   0072   0073   0074   0075   0076   0077   0078   0079   0080   0081   0082   0083   0084   0085   0086   0087   0088   0089   0090   0091   0092   0093   0094   0095   0096   0097   0098   0099   0100   0101   0102   0103   0104   0105   0106   0107   0108   0109   0110   0111   0112   0113   0114   0115   0116   0117   0118   0119   0120   0121   0122   0123   0124   0125   0126   0127   0128   0129   0130   0131   0132   0133   0134   0135   0136   0137   0138   0139   0140   0141   0142   0143   0144   0145   0146   0147   0148   0149   0150   0151   0152   0153   0154   0155   0156   0157  

符号の説明

0158  

請求の範囲

1   2   3   4   5   6   7   8   9   10   11   12   13   14   15   16   17   18  

図面

1   2   3   4   5   6   7   8   9   10   11   12   13   14   15   16   17   18   19   20   21   22  

明 細 書

発明の名称 : 仮想測定装置、仮想測定方法及び仮想測定プログラム

技術分野

[0001]
 本開示は、仮想測定装置、仮想測定方法及び仮想測定プログラムに関する。

背景技術

[0002]
 従来より、各種製造プロセス(例えば、半導体製造プロセス)の分野では、仮想測定技術(VM:Virtual Metrology)の活用が進められている。仮想測定技術とは、各種製造プロセスで対象物(例えば、ウェハ)の処理中に測定された測定データ(複数種類の時系列データのデータセット、以下、時系列データ群と称す)から、結果物の検査データを推測する技術である。
[0003]
 当該技術を用いて全ての対象物について高精度な仮想測定処理を実行できれば、結果物の仮想的な全数検査を実現することができる。

先行技術文献

特許文献

[0004]
特許文献1 : 特開2009-282960号公報
特許文献2 : 特開2010-267242号公報

発明の概要

発明が解決しようとする課題

[0005]
 本開示は、高精度な仮想測定処理を実行可能な仮想測定装置、仮想測定方法及び仮想測定プログラムを提供する。

課題を解決するための手段

[0006]
 本開示の一態様による仮想測定装置は、例えば、以下のような構成を有する。即ち、
 製造プロセスの所定の処理単位において、対象物の処理に伴い測定された時系列データ群を取得する取得部と、
 取得した前記時系列データ群を複数のネットワーク部を用いて処理することで出力された各出力データの合成結果が、前記製造プロセスの前記所定の処理単位において前記対象物を処理した際の結果物の検査データに近づくよう、前記複数のネットワーク部を機械学習する学習部とを有する。

発明の効果

[0007]
 本開示によれば、高精度な仮想測定処理を実行可能な仮想測定装置、仮想測定方法及び仮想測定プログラムを提供することができる。

図面の簡単な説明

[0008]
[図1] 図1は、半導体製造プロセスと仮想測定装置とを含むシステムの全体構成の一例を示す図である。
[図2] 図2は、半導体製造プロセスの所定の処理単位の一例を示す第1の図である。
[図3] 図3は、半導体製造プロセスの所定の処理単位の一例を示す第2の図である。
[図4] 図4は、取得される時系列データ群の一例を示す図である。
[図5] 図5は、仮想測定装置のハードウェア構成の一例を示す図である。
[図6] 図6は、学習部の機能構成の一例を示す図である。
[図7] 図7は、分岐部の処理の具体例を示す第1の図である。
[図8] 図8は、分岐部の処理の具体例を示す第2の図である。
[図9] 図9は、分岐部の処理の具体例を示す第3の図である。
[図10] 図10は、各ネットワーク部に含まれる正規化部の処理の具体例を示す図である。
[図11] 図11は、分岐部の処理の具体例を示す第4の図である。
[図12] 図12は、推論部の機能構成の一例を示す図である。
[図13] 図13は、仮想測定装置による仮想測定処理の流れを示すフローチャートである。
[図14] 図14は、時系列データ取得装置が発光分光分析装置である半導体製造プロセスと仮想測定装置とを含むシステムの全体構成の一例を示す図である。
[図15] 図15は、取得されるOESデータの一例を示す図である。
[図16] 図16は、OESデータが入力される各ネットワーク部に含まれる正規化部の処理の具体例を示す図である。
[図17] 図17は、各正規化部の処理の具体例を示す図である。
[図18] 図18は、プーリング部の処理の具体例を示す図である。
[図19] 図19は、第5のネットワーク部の最終層に含まれるプーリング部の処理の他の具体例を示す図である。
[図20] 図20は、第6のネットワーク部の最終層に含まれるプーリング部の処理の他の具体例を示す図である。
[図21] 図21は、推論部による推論結果の精度を説明するための第1の図である。
[図22] 図22は、推論部による推論結果の精度を説明するための第2の図である。

発明を実施するための形態

[0009]
 以下、各実施形態について添付の図面を参照しながら説明する。なお、本明細書及び図面において、実質的に同一の機能構成を有する構成要素については、同一の符号を付することにより重複した説明を省略する。
[0010]
 [第1の実施形態]
 <半導体製造プロセスと仮想測定装置とを含むシステムの全体構成>
 はじめに、製造プロセス(ここでは、半導体製造プロセス)と仮想測定装置とを含むシステムの全体構成について説明する。図1は、半導体製造プロセスと仮想測定装置とを含むシステム100の全体構成の一例を示す図である。図1に示すように、システム100は、半導体製造プロセスと、時系列データ取得装置140_1~140_nと、検査データ取得装置150と、仮想測定装置160とを有する。
[0011]
 半導体製造プロセスでは、所定の処理単位120において、対象物(処理前ウェハ110)を処理し、結果物(処理後ウェハ130)を生成する。なお、ここでいう処理単位120とは、抽象的な概念であり、詳細は後述する。また、処理前ウェハ110とは、処理単位120において処理される前のウェハ(基板)を指し、処理後ウェハ130とは、処理単位120において処理された後のウェハ(基板)を指す。
[0012]
 時系列データ取得装置140_1~140_nは、それぞれ、処理単位120における処理前ウェハ110の処理に伴い、時系列データを測定し、取得する。時系列データ取得装置140_1~140_nは、互いに異なる種類の測定項目について測定を行うものとする。なお、時系列データ取得装置140_1~140_nそれぞれが測定する測定項目の数は1つであっても、複数であってもよい。また、処理前ウェハ110の処理に伴い測定した時系列データには、処理前ウェハ110の処理中に測定した時系列データのほか、処理前ウェハ110の処理の前後に行われる前処理、後処理の際に測定した時系列データも含まれる。これらの処理にはウェハ(基板)が無い状態で行われる前処理、後処理が含まれていてもよい。
[0013]
 時系列データ取得装置140_1~140_nにより取得された時系列データ群は、学習用データ(入力データ)として、仮想測定装置160の学習用データ格納部163に格納される。
[0014]
 検査データ取得装置150は、処理単位120において処理された処理後ウェハ130の所定の検査項目(例えば、ER(Etch Rate))を検査し、検査データを取得する。検査データ取得装置150により取得された検査データは、学習用データ(正解データ)として、仮想測定装置160の学習用データ格納部163に格納される。
[0015]
 仮想測定装置160には、仮想測定プログラムがインストールされており、当該プログラムが実行されることで、仮想測定装置160は、学習部161及び推論部162として機能する。
[0016]
 学習部161は、時系列データ取得装置140_1~140_nにて取得された時系列データ群と、検査データ取得装置150にて取得された検査データとを用いて機械学習を行う。具体的には、学習部161が有する複数のネットワーク部を用いて時系列データ群を処理することで出力された各出力データの合成結果が、検査データに近づくよう、当該複数のネットワーク部を機械学習する。
[0017]
 推論部162は、機械学習された複数のネットワーク部に、処理単位120における新たな処理前ウェハの処理に伴い取得した時系列データ群を入力する。これにより、推論部162は、新たな処理前ウェハの処理に伴い取得された時系列データに基づき、処理後ウェハの検査データを推論し、仮想測定データとして出力する。
[0018]
 このように、半導体製造プロセスの所定の処理単位120において、対象物の処理に伴い測定された時系列データ群を、複数のネットワーク部を用いて処理する構成とすることで、所定の処理単位を多面的に解析することが可能となる。この結果、1のネットワーク部を用いて処理する構成と比較して、高い推論精度を実現するモデル(推論部162)を生成することが可能となる。
[0019]
 <半導体製造プロセスの所定の処理単位>
 次に、半導体製造プロセスの所定の処理単位120について説明する。図2は、半導体製造プロセスの所定の処理単位の一例を示す第1の図である。図2に示すように、基板処理装置の一例である半導体製造装置200は、複数のチャンバ(複数の処理空間の一例。図2の例では、“チャンバA”~“チャンバC”)を有しており、各チャンバにおいて、ウェハが処理される。
[0020]
 このうち、2aは、複数のチャンバを処理単位120と定義した場合を示している。この場合、処理前ウェハ110とは、チャンバAにおいて処理される前のウェハを指し、処理後ウェハ130とは、チャンバCにおいて処理された後のウェハを指す。
[0021]
 また、2aの処理単位120において、処理前ウェハ110の処理に伴い測定される時系列データ群には、
・チャンバA(第1の処理空間)における処理に伴い測定される時系列データ群と、
・チャンバB(第2の処理空間)における処理に伴い測定される時系列データ群と、
・チャンバC(第3の処理空間)における処理に伴い測定される時系列データ群と、
が含まれる。
[0022]
 一方、2bは、1のチャンバ(2bの例では、“チャンバB”)を処理単位120と定義した場合を示している。この場合、処理前ウェハ110とは、チャンバBにおいて処理される前のウェハ(チャンバAにおいて処理された後のウェハ)を指し、処理後ウェハ130とは、チャンバBにおいて処理された後のウェハ(チャンバCにおいて処理される前のウェハ)を指す。
[0023]
 また、2bの処理単位120において、処理前ウェハ110の処理に伴い測定される時系列データ群には、チャンバBにおいて、処理前ウェハ110の処理に伴い測定される時系列データ群が含まれる。
[0024]
 図3は、半導体製造プロセスの所定の処理単位の一例を示す第2の図である。図2と同様、半導体製造装置200は、複数のチャンバを有しており、各チャンバにおいて、ウェハが処理される。
[0025]
 このうち、3aは、チャンバBにおける処理内容のうち、前処理と後処理とを除いた処理(“ウェハ処理”と称す)を処理単位120と定義した場合を示している。この場合、処理前ウェハ110とは、ウェハ処理が行われる前のウェハ(前処理が行われた後のウェハ)を指し、処理後ウェハ130とは、ウェハ処理が行われた後のウェハ(後処理が行われる前のウェハ)を指す。
[0026]
 また、3aの処理単位120において、処理前ウェハ110の処理に伴い測定される時系列データ群には、チャンバBにおいて、処理前ウェハ110のウェハ処理に伴い測定される時系列データ群が含まれる。
[0027]
 なお、3aの例では、同一チャンバ内(チャンバB内)において、前処理、ウェハ処理(本処理)、後処理が行われる場合の、ウェハ処理を処理単位120とした場合について示した。しかしながら、例えば、チャンバA内において前処理が、チャンバB内においてウェハ処理が、チャンバC内において後処理が行われる場合のように、異なるチャンバで各処理が行われる場合にあっては、チャンバごとの各処理を処理単位120としてもよい。
[0028]
 一方、3bは、チャンバBにおける処理内容のうち、ウェハ処理に含まれる1のレシピ(3bの例では“レシピIII”)の処理を処理単位120と定義した場合を示している。この場合、処理前ウェハ110とは、レシピIIIの処理が行われる前のウェハ(レシピIIの処理が行われた後のウェハ)を指し、処理後ウェハ130とは、レシピIIIの処理が行われた後のウェハ(レシピIV(不図示)の処理が行われる前のウェハ)を指す。
[0029]
 また、3aの処理単位120において、処理前ウェハ110の処理に伴い測定される時系列データ群には、チャンバBにおいて、レシピIIIによる処理前ウェハ110のウェハ処理に伴い測定される時系列データ群が含まれる。
[0030]
 <時系列データ群の具体例>
 次に、時系列データ取得装置140_1~140_nにおいて取得される時系列データ群の具体例について説明する。図4は、取得される時系列データ群の一例を示す図である。なお、図4の例では、説明の簡略化のため、時系列データ取得装置140_1~140_nがそれぞれ1次元のデータを測定するものとしているが、1の時系列データ取得装置が2次元のデータ(複数種類の1次元データのデータセット)を測定してもよい。
[0031]
 このうち、4aは、処理単位120が、2b、3a、3bのいずれかで定義された場合の時系列データ群を表している。この場合、時系列データ取得装置140_1~140_nは、それぞれ、チャンバBにおける処理に伴い測定した時系列データを取得する。また、時系列データ取得装置140_1~140_nは、互いに、同一時間帯に測定した時系列データを、時系列データ群として取得する。
[0032]
 一方、4bは、処理単位120が、2aで定義された場合の時系列データ群を表している。この場合、時系列データ取得装置140_1~140_3は、例えば、チャンバAにおけるウェハの処理に伴い測定した時系列データ群1を取得する。また、時系列データ取得装置140_n-2は、例えば、チャンバBにおける当該ウェハの処理に伴い測定した時系列データ群2を取得する。また、時系列データ取得装置140_n-1~140_nは、例えば、チャンバCにおける当該ウェハの処理に伴い測定した時系列データ群3を取得する。
[0033]
 なお、4aにおいて、時系列データ取得装置140_1~140_nは、チャンバBにおいて処理前ウェハの処理に伴い測定した、同一の時間範囲の時系列データを、時系列データ群として取得する場合について示した。しかしながら、時系列データ取得装置140_1~140_nは、チャンバBにおいて処理前ウェハの処理に伴い測定した、異なる時間範囲の時系列データを時系列データ群として取得してもよい。
[0034]
 具体的には、時系列データ取得装置140_1~140_nは、前処理を実行中に測定した複数の時系列データを、時系列データ群1として取得してもよい。また、時系列データ取得装置140_1~140_nは、ウェハ処理を実行中に測定した複数の時系列データを、時系列データ群2として取得してもよい。更に、時系列データ取得装置140_1~140_nは、後処理を実行中に測定した複数の時系列データを、時系列データ群3として取得してもよい。
[0035]
 同様に、時系列データ取得装置140_1~140_nは、レシピIを実行中に測定した複数の時系列データを、時系列データ群1として取得してもよい。また、時系列データ取得装置140_1~140_nは、レシピIIを実行中に測定した複数の時系列データを、時系列データ群2として取得してもよい。更に、時系列データ取得装置140_1~140_nは、レシピIIIを実行中に測定した複数の時系列データを、時系列データ群3として取得してもよい。
[0036]
 <仮想測定装置のハードウェア構成>
 次に、仮想測定装置160のハードウェア構成について説明する。図5は、仮想測定装置のハードウェア構成の一例を示す図である。図5に示すように、仮想測定装置160は、CPU(Central Processing Unit)501、ROM(Read Only Memory)502、RAM(Random Access Memory)503を有する。また、仮想測定装置160は、GPU(Graphics Processing Unit)504を有する。なお、CPU501、GPU504などのプロセッサ(処理回路、Processing Circuit、Processing Circuitry)と、ROM502、RAM503などのメモリは、いわゆるコンピュータを形成する。
[0037]
 更に、仮想測定装置160は、補助記憶装置505、表示装置506、操作装置507、I/F(Interface)装置508、ドライブ装置509を有する。なお、仮想測定装置160の各ハードウェアは、バス510を介して相互に接続される。
[0038]
 CPU501は、補助記憶装置505にインストールされた各種プログラム(例えば、仮想測定プログラム等)を実行する演算デバイスである。
[0039]
 ROM502は、不揮発性メモリであり、主記憶装置として機能する。ROM502は、補助記憶装置505にインストールされた各種プログラムをCPU501が実行するために必要な各種プログラム、データ等を格納する。具体的には、ROM502はBIOS(Basic Input/Output System)やEFI(Extensible Firmware Interface)等のブートプログラム等を格納する。
[0040]
 RAM503は、DRAM(Dynamic Random Access Memory)やSRAM(Static Random Access Memory)等の揮発性メモリであり、主記憶装置として機能する。RAM503は、補助記憶装置505にインストールされた各種プログラムがCPU501によって実行される際に展開される、作業領域を提供する。
[0041]
 GPU504は、画像処理用の演算デバイスであり、CPU501により仮想測定プログラムが実行される際に、各種画像データ(本実施形態では、時系列データ群)について、並列処理による高速演算を行う。なお、GPU504は、内部メモリ(GPUメモリ)を搭載しており、各種画像データについて並列処理を行う際に必要な情報を一時的に保持する。
[0042]
 補助記憶装置505は、各種プログラムや、各種プログラムがCPU501によって実行される際に用いられる各種データ等を格納する。
[0043]
 表示装置506は、仮想測定装置160の内部状態を表示する表示デバイスである。操作装置507は、仮想測定装置160の管理者が仮想測定装置160に対して各種指示を入力する際に用いる入力デバイスである。I/F装置508は、不図示のネットワークと接続し、通信を行うための接続デバイスである。
[0044]
 ドライブ装置509は記録媒体520をセットするためのデバイスである。ここでいう記録媒体520には、CD-ROM、フレキシブルディスク、光磁気ディスク等のように情報を光学的、電気的あるいは磁気的に記録する媒体が含まれる。また、記録媒体520には、ROM、フラッシュメモリ等のように情報を電気的に記録する半導体メモリ等が含まれていてもよい。
[0045]
 なお、補助記憶装置505にインストールされる各種プログラムは、例えば、配布された記録媒体520がドライブ装置509にセットされ、該記録媒体520に記録された各種プログラムがドライブ装置509により読み出されることでインストールされる。あるいは、補助記憶装置505にインストールされる各種プログラムは、ネットワークを介してダウンロードされることで、インストールされてもよい。
[0046]
 <学習部の機能構成>
 次に、学習部161の機能構成について説明する。図6は、学習部の機能構成の一例を示す図である。学習部161は、分岐部610と、第1のネットワーク部620_1~第Mのネットワーク部620_Mと、連結部630と、比較部640とを有する。
[0047]
 分岐部610は取得部の一例であり、学習用データ格納部163より時系列データ群を読み出す。また、分岐部610は、読み出した時系列データ群が、第1のネットワーク部620_1から第Mのネットワーク部620_Mまでの複数のネットワーク部を用いて処理されるよう、当該時系列データ群を処理する。
[0048]
 第1のネットワーク部620_1~第Mのネットワーク部620_Mは、畳み込みニューラルネットワーク(CNN:Convolutional Neural Network)をベースに構成されており、複数の層を有する。
[0049]
 具体的には、第1のネットワーク部620_1は、第1層620_11~第N層620_1Nを有する。同様に、第2のネットワーク部620_2は、第1層620_21~第N層620_2Nを有する。以下、同様の構成を有しており、第Mのネットワーク部620_Mは、第1層620_M1~第N層620_MNを有する。
[0050]
 第1のネットワーク部620_1の第1層620_11~第N層620_1Nの各層では、正規化処理や、畳み込み処理、活性化処理、プーリング処理等の各種処理が行われる。また、第2のネットワーク部620_2~第Mのネットワーク部620_Mの各層でも同様の各種処理が行われる。
[0051]
 連結部630は、第1のネットワーク部620_1の第N層620_1Nから出力された出力データから、第Mのネットワーク部620_Mの第N層620_MNから出力された出力データまでの各出力データを合成し、合成結果を比較部640に出力する。
[0052]
 比較部640は、連結部630より出力された合成結果と、学習用データ格納部163より読み出した検査データ(正解データ)とを比較し、誤差を算出する。学習部161では、比較部640により算出された誤差が所定の条件を満たすように、第1のネットワーク部620_1~第Mのネットワーク部620_M及び連結部630を機械学習を行う。
[0053]
 これにより、第1のネットワーク部620_1~第Mのネットワーク部620_Mの第1層~第N層それぞれのモデルパラメータ及び連結部630のモデルパラメータが最適化される。
[0054]
 <学習部の各部の処理の詳細>
 次に、学習部161の各部の処理の詳細について、具体例を挙げて説明する。
[0055]
 (1)分岐部の処理の詳細1
 はじめに、分岐部610の処理の詳細について説明する。図7は、分岐部の処理の具体例を示す第1の図である。図7の場合、分岐部610は、時系列データ取得装置140_1~140_nにより測定された時系列データ群を、第1の基準に応じて加工することで、時系列データ群1(第1の時系列データ群)を生成し、第1のネットワーク部620_1に入力する。
[0056]
 また、分岐部610は、時系列データ取得装置140_1~140_nにより測定された時系列データ群を、第2の基準に応じて加工することで、時系列データ群2(第2の時系列データ群)を生成し、第2のネットワーク部620_2に入力する。
[0057]
 このように、時系列データ群を、異なる基準に応じて加工し、それぞれ異なるネットワーク部に分けて処理する構成としたうえで機械学習することで、処理単位120を多面的に解析することが可能となる。この結果、時系列データ群を1のネットワーク部を用いて処理する構成とした場合と比較して、高い推論精度を実現するモデル(推論部162)を生成することが可能となる。
[0058]
 なお、図7の例では、2種類の基準に応じて時系列データ群を加工することで、2種類の時系列データ群を生成する場合について示したが、3種類以上の基準に応じて時系列データ群を加工することで、3種類以上の時系列データ群を生成してもよい。
[0059]
 (2)分岐部による処理の詳細2
 次に、分岐部610の他の処理の詳細について説明する。図8は、分岐部の処理の具体例を示す第2の図である。図8の場合、分岐部610は、時系列データ取得装置140_1~140_nにより測定された時系列データ群を、データ種類に応じてグループ分けすることで、時系列データ群1(第1の時系列データ群)と時系列データ群2(第2の時系列データ群)を生成する。また、分岐部610は、生成した時系列データ群1を第3のネットワーク部620_3に入力し、生成した時系列データ群2を第4のネットワーク部620_4に入力する。
[0060]
 このように、時系列データ群を、データ種類に応じて複数のグループに分け、異なるネットワーク部を用いて処理する構成としたうえで機械学習することで、処理単位120を多面的に解析することが可能となる。この結果、時系列データ群を1のネットワーク部に入力して機械学習する場合と比較して、高い推論精度を実現するモデル(推論部162)を生成することが可能となる。
[0061]
 なお、図8の例では、時系列データ取得装置140_1~140_nの違いに基づくデータ種類の違いに応じて、時系列データ群をグループ分けしたが、データが取得された時間範囲に応じて、時系列データ群をグループ分けしてもよい。例えば、時系列データ群が複数のレシピによる処理に伴い測定された時系列データ群であった場合には、レシピごとの時間範囲に応じて、時系列データ群をグループ分けしてもよい。
[0062]
 (3)分岐部による処理の詳細3
 次に、分岐部610による他の処理の詳細について説明する。図9は、分岐部の処理の具体例を示す第3の図である。図9の場合、分岐部610は、時系列データ取得装置140_1~140_nにより取得された時系列データ群を、第5のネットワーク部620_5と第6のネットワーク部620_6の両方に入力する。そして、第5のネットワーク部620_5と第6のネットワーク部620_6とで、同じ時系列データ群に対して、異なる処理(正規化処理)を施す。
[0063]
 図10は、各ネットワーク部に含まれる正規化部の処理の具体例を示す図である。図10に示すように、第5のネットワーク部620_5の各層には、正規化部と、畳み込み部と、活性化関数部と、プーリング部とが含まれる。
[0064]
 図10の例は、第5のネットワーク部620_5に含まれる各層のうち、第1層620_51に、正規化部1001と、畳み込み部1002と、活性化関数部1003と、プーリング部1004とが含まれることを示している。
[0065]
 このうち、正規化部1001では、分岐部610により入力された時系列データ群に対して第1の正規化処理を行い、正規化時系列データ群1(第1の時系列データ群)を生成する。
[0066]
 同様に、図10の例は、第6のネットワーク部620_6に含まれる各層のうち、第1層620_61には、正規化部1011と、畳み込み部1012と、活性化関数部1013と、プーリング部1014とが含まれることを示している。
[0067]
 このうち、正規化部1011では、分岐部610により入力された時系列データ群に対して第2の正規化処理を行い、正規化時系列データ群2(第2の時系列データ群)を生成する。
[0068]
 このように、異なる手法で正規化処理を行う正規化部をそれぞれに含む複数のネットワーク部を用いて時系列データ群を処理する構成としたうえで機械学習することで、処理単位120を多面的に解析することが可能となる。この結果、時系列データ群を1のネットワーク部を用いて1の正規化処理を実行する構成とした場合と比較して、高い推論精度を実現するモデル(推論部162)を生成することが可能となる。
[0069]
 (4)分岐部による処理の詳細4
 次に、分岐部610による他の処理の詳細について説明する。図11は、分岐部の処理の具体例を示す第4の図である。図11の場合、分岐部610は、時系列データ取得装置140_1~140_nにより測定された時系列データ群のうち、チャンバAにおける処理に伴い測定された時系列データ群1(第1の時系列データ群)を第7のネットワーク部620_7に入力する。
[0070]
 また、分岐部610は、時系列データ取得装置140_1~140_nにより測定された時系列データ群のうち、チャンバBにおける処理に伴い測定された時系列データ群2(第2の時系列データ群)を第8のネットワーク部620_8に入力する。
[0071]
 このように、異なるチャンバ(第1の処理空間、第2の処理空間)における処理に伴い測定された、それぞれの時系列データ群を、異なるネットワーク部を用いて処理する構成としたうえで機械学習することで、処理単位120を多面的に解析することが可能となる。この結果、それぞれの時系列データ群を1のネットワーク部を用いて処理する構成とした場合と比較して、高い推論精度を実現するモデル(推論部162)を生成することが可能となる。
[0072]
 <推論部の機能構成>
 次に、推論部162の機能構成について説明する。図12は、推論部の機能構成の一例を示す図である。図12に示すように、推論部162は、分岐部1210と、第1のネットワーク部1220_1から第Mのネットワーク部1220_Mと、連結部1230とを有する。
[0073]
 分岐部1210は、時系列データ取得装置140_1~140_Nにより新たに測定された時系列データ群を取得する。また、分岐部1210は、取得した時系列データ群が、第1のネットワーク部1220_1~第Mのネットワーク部1220_Mを用いて処理されるよう制御する。
[0074]
 第1のネットワーク部1220_1~第Mのネットワーク部1220_Mは、学習部161により機械学習が行われ、第1のネットワーク部620_1~第Mのネットワーク部620_Mの各層のモデルパラメータが最適化されることで形成される。
[0075]
 連結部1230は、学習部161により機械学習が行われ、モデルパラメータが最適化された連結部630により形成される。連結部1230は、第1のネットワーク部1220_1の第N層1220_1Nから出力された出力データから、第Mのネットワーク部1220_Mの第N層1220_MNから出力された出力データまでの各出力データを合成し、仮想測定データを出力する。
[0076]
 <仮想測定処理の流れ>
 次に、仮想測定装置160による仮想測定処理全体の流れについて説明する。図13は、仮想測定装置による仮想測定処理の流れを示すフローチャートである。
[0077]
 ステップS1301において、学習部161は、学習用データとして時系列データ群及び検査データを取得する。
[0078]
 ステップS1302において、学習部161は、取得した学習用データのうち、時系列データ群を入力データ、検査データを正解データとして機械学習を行う。
[0079]
 ステップS1303において、学習部161は、機械学習を継続するか否かを判定する。更なる学習用データを取得して機械学習を継続する場合には(ステップS1303においてYesの場合には)、ステップS1301に戻る。一方、機械学習を終了する場合には(ステップS1303においてNoの場合には)、ステップS1304に進む。
[0080]
 ステップS1304において、推論部162は、機械学習により最適化されたモデルパラメータを反映することで、第1のネットワーク部1220_1~第Mのネットワーク部1220_Mを生成する。
[0081]
 ステップS1305において、推論部162は、新たな処理前ウェハの処理に伴い測定された時系列データ群を入力し、仮想測定データを推論する。
[0082]
 ステップS1306において、推論部162は、推論した仮想測定データを出力する。
[0083]
 <まとめ>
 以上の説明から明らかなように、第1の実施形態に係る仮想測定装置は、
・製造プロセスの所定の処理単位において、対象物の処理に伴い測定された時系列データ群を取得する。
・取得した時系列データ群を、
  ・第1及び第2の基準に応じて処理することで、第1の時系列データ群と第2の時系列データ群とを生成し、あるいは、
  ・データ種類または時間範囲に応じてグループ分けし、
複数のネットワーク部を用いて処理することで出力された各出力データを合成する、あるいは、
・取得した時系列データ群を、異なる手法で正規化を行う複数のネットワーク部にそれぞれ入力し、複数のネットワーク部を用いて処理することで出力された各出力データを合成する。
・各出力データを合成することで得た合成結果が、製造プロセスの所定の処理単位において、対象物を処理した後の結果物の検査データに近づくよう、複数のネットワーク部を機械学習する。
・新たな対象物について取得した時系列データ群を、機械学習された複数のネットワーク部を用いて処理し、該複数のネットワーク部より出力された各出力データの合成結果を、新たな対象物を処理した際の結果物の検査データとして推論する。
[0084]
 このように、時系列データ群を、複数のネットワーク部を用いて処理する構成としたうえで機械学習することで、製造プロセスの所定の処理単位を多面的に解析することが可能となる。この結果、時系列データ群を1のネットワーク部を用いて処理する構成とした場合と比較して、高い推論精度を実現するモデルを生成することが可能となる。また、当該モデルを用いて推論を行うことで、高精度な仮想測定処理を実行することができる。
[0085]
 つまり、第1の実施形態によれば、高精度な仮想測定処理を実行可能な仮想測定装置を提供することができる。
[0086]
 [第2の実施形態]
 上記第1の実施形態では、取得した時系列データ群を複数のネットワーク部を用いて処理する構成として、4通りの構成について示した。このうち、第2の実施形態では、異なる手法で正規化処理を行う正規化部をそれぞれに含む複数のネットワーク部を用いて時系列データ群を処理する構成について、
・時系列データ取得装置が発光分光分析装置であり、
・時系列データ群がOES(Optical Emission Spectroscopy)データ(発光強度の時系列データが波長の種類に応じた数だけ含まれるデータセット)である、
場合について、更なる詳細を説明する。なお、以下では、上記第1の実施形態と相違する点を中心に説明を行う。
[0087]
 <半導体製造プロセスと仮想測定装置とを含むシステムの全体構成>
 はじめに、時系列データ取得装置が発光分光分析装置である半導体製造プロセスと仮想測定装置とを含むシステムの全体構成について説明する。図14は、時系列データ取得装置が発光分光分析装置である半導体製造プロセスと仮想測定装置とを含むシステムの全体構成の一例を示す図である。
[0088]
 図14に示すシステム1400において、発光分光分析装置1401は、発光分光分析技術により、処理単位120における処理前ウェハ110の処理に伴い、時系列データ群であるOESデータを出力する。発光分光分析装置1401より出力されたOESデータは、その一部が、機械学習を行う際の学習用データ(入力データ)として、仮想測定装置160の学習用データ格納部163に格納される。
[0089]
 <時系列データ群の具体例>
 次に、発光分光分析装置1401において取得される時系列データ群であるOESデータの具体例について説明する。図15は、取得されるOESデータの一例を示す図である。
[0090]
 図15において、グラフ1510は、発光分光分析装置1401において取得される時系列データ群であるOESデータの特性を表したグラフであり、横軸は、処理単位120において処理された各処理前ウェハ110を識別するためのウェハ識別番号を示している。また、縦軸は、各処理前ウェハ110の処理に伴い発光分光分析装置1401において測定されたOESデータの時間長を示している。
[0091]
 グラフ1510に示すように、発光分光分析装置1401において測定されるOESデータは、処理されるウェハごとに時間長が異なる場合がある。
[0092]
 図15の例において、例えば、OESデータ1520は、ウェハ識別番号=“770”の処理前ウェハの処理に伴い測定されたOESデータを示している。OESデータ1520の縦方向のデータサイズは、発光分光分析装置1401において測定される波長の範囲に依存する。第2の実施形態において、発光分光分析装置1401は、所定の波長範囲の発光強度を測定するため、OESデータ1520の縦方向のデータサイズは、例えば、所定の波長範囲に含まれる波長数“Nλ”となる。
[0093]
 一方、OESデータ1520の横方向のデータサイズは、発光分光分析装置1401において測定された際の時間長に依存する。図15の例では、OESデータ1520の横方向のデータサイズは、“LT”である。
[0094]
 このように、OESデータ1520は、それぞれの波長が、所定の時間長を有する1次元の時系列データが、所定の波長数分集まった時系列データ群であるということができる。
[0095]
 なお、分岐部610では、OESデータ1520を第5のネットワーク部620_5及び第6のネットワーク部620_6に入力する際、他のウェハ識別番号のOESデータとデータサイズが同じになるよう、ミニバッチ単位でリサイズ処理を行うものとする。
[0096]
 <正規化部の処理の具体例>
 次に、分岐部610によりOESデータ1520がそれぞれ入力される第5のネットワーク部620_5及び第6のネットワーク部620_6の、正規化部の処理の具体例について説明する。
[0097]
 図16は、OESデータが入力される各ネットワーク部に含まれる正規化部の処理の具体例を示す図である。図16に示すように、第5のネットワーク部620_5に含まれる各層のうち、第1層620_51は、正規化部1001を有する。また、正規化部1001は、OESデータ1520を、第1の手法(最大の発光強度)で正規化することで、正規化データ(正規化OESデータ1610)を生成する。
[0098]
 また、図16に示すように、第6のネットワーク部620_6に含まれる各層のうち、第1層620_61は、正規化部1011を有する。また、正規化部1011は、OESデータ1520を、第2の手法(波長ごとに最大の発光強度)で正規化することで、正規化データ(正規化OESデータ1620)を生成する。
[0099]
 図17は、各正規化部の処理の具体例を示す図である。17aに示すように、正規化部1001では、リサイズ処理されたOESデータ1520に基づいて、第1の手法により、データサイズが波長数(Nλ)×時間長(LT)で、1チャネルの正規化OESデータ1610を生成する。
[0100]
 具体的には、正規化部1001では、波長全体に対する所定の時間長分の発光強度の中から、発光強度の平均と標準偏差とを算出し、算出した値を用いて正規化処理を行い、正規化OESデータ1610を生成する。第1の手法によれば、発光強度の絶対値は消えるが、波長間の相対的な発光強度を残すことができる。
[0101]
 一方、17bに示すように、正規化部1011では、リサイズ処理されたOESデータ1520に基づいて、第2の手法により、データサイズが波長数(1)×時間長(LT)で、Nλチャネル分の正規化OESデータ1620を生成する。
[0102]
 具体的には、正規化部1011では、それぞれの波長内での所定の時間長分の発光強度の中から、発光強度の平均と標準偏差とを算出し、算出した値を用いて、波長ごとに正規化処理を行い、正規化OESデータ1620を生成する。第2の手法によれば、同じ波長内での所定の時間長における相対的な発光強度を残すことができる。
[0103]
 このように、何を基準として発光強度の変化を見るのかによって(つまり、解析のやり方によって)、同じ時系列データ群であっても、見える情報は変わってくる。第2の実施形態に係る仮想測定装置160では、異なる正規化処理に対し、それぞれ異なるネットワーク部を用いて同じ時系列データ群を処理する。このように複数の正規化処理を組み合わせることで、処理単位120における時系列データ群を多面的に解析することが可能となる。この結果、OESデータ1520を1のネットワーク部を用いて1の正規化処理を実行する構成とした場合と比較して、高い推論精度を実現するモデル(推論部162)を生成することが可能となる。
[0104]
 <プーリング部の処理の具体例>
 次に、第5のネットワーク部620_5及び第6のネットワーク部620_6の最終層に含まれるプーリング部の処理の具体例について説明する。図18は、プーリング部の処理の具体例を示す図である。
[0105]
 上述したとおり、ウェハごとに異なるデータサイズのOESデータは、分岐部610にて、ミニバッチ単位でリサイズ処理が行われることで、同じデータサイズにされた後に、第5のネットワーク部620_5及び第6のネットワーク部620_6に入力される。
[0106]
 換言すると、第5のネットワーク部620_5及び第6のネットワーク部620_6に入力されるOESデータは、ミニバッチが異なれば、データサイズが異なることになる。
[0107]
 そこで、第5のネットワーク部620_5及び第6のネットワーク部620_6の最終層(第N層620_5N、第N層620_6N)に含まれるプーリング部1004、1014では、ミニバッチ間で固定長のデータが出力されるようにプーリング処理を行う。
[0108]
 図18は、プーリング部の処理の具体例を示す図である。図18に示すように、プーリング部1004、1014では、活性化関数部1003、1013より出力された特徴データに対して、GAP(Global Average Pooling)処理を行う。
[0109]
 図18において、特徴データ1911_1~1911_mは、第5のネットワーク部620_5の第N層620_5Nのプーリング部1004に入力される特徴データであって、ミニバッチ1に属するOESデータに基づいて生成された特徴データを示している。特徴データ1911_1~1911_mは、それぞれ、1チャネル分の特徴データを示している。
[0110]
 また、特徴データ1912_1~1912_mは、第5のネットワーク部620_5の第N層620_5Nのプーリング部1004に入力される特徴データであって、ミニバッチ2に属するOESデータに基づいて生成された特徴データを示している。特徴データ1912_1~1912_mは、それぞれ、1チャネル分の特徴データを示している。
[0111]
 図18から明らかなように、特徴データ1911_1~1911_mと特徴データ1912_1~1912_mとは、異なるミニバッチに属するため、データサイズが異なる。
[0112]
 同様に、特徴データ1931_1~1931_mは、第6のネットワーク部620_6の第N層620_6Nのプーリング部1014に入力される特徴データであって、ミニバッチ1に属するOESデータに基づいて生成された特徴データを示している。なお、特徴データ1931_1~1931_mには、それぞれ、Nλチャネル分の特徴データが含まれる。
[0113]
 また、特徴データ1932_1~1932_mは、第6のネットワーク部620_6の第N層620_6Nのプーリング部1014に入力される特徴データであって、ミニバッチ2に属するOESデータに基づいて生成された特徴データを示している。なお、特徴データ1932_1~1932_mには、それぞれ、Nλチャネル分の特徴データが含まれる。
[0114]
 図18から明らかなように、特徴データ1931_1~1931_mと特徴データ1932_1~1932_mとは、異なるミニバッチに属するため、データサイズが異なる。
[0115]
 ここで、プーリング部1004、1014では、入力された特徴データに含まれる各特徴量の値について、チャネル単位で平均値を算出することで、固定長の出力データを出力する。これにより、プーリング部1004、1014より出力されるデータは、ミニバッチ間でデータサイズを同じにすることができる。
[0116]
 例えば、第5のネットワーク部620_5の第N層620_5Nのプーリング部1004では、特徴データ1911_1の平均値Avg1-1-1を算出し、出力データ1921_1を出力する。同様に、第5のネットワーク部620_5の第N層620_5Nのプーリング部1004では、特徴データ1912_1の平均値Avg1-2-1を算出し、出力データ1922_1を出力する。
[0117]
 これにより、プーリング部1004では、例えば、データサイズの異なる特徴データ1911_1と特徴データ1912_1に対して、固定長の出力データ1921_1及び出力データ1922_1を出力することができる。
[0118]
 同様に、第6のネットワーク部620_6の第N層620_6Nのプーリング部1014では、特徴データ1931_1について、チャネルごとに平均値Avg2-1-1-1~Avg2-1-1-Nλを算出し、出力データ1941_1を出力する。同様に、第6のネットワーク部620_6の第N層620_6Nのプーリング部1014では、特徴データ1932_1について、チャネルごとに平均値Avg2-2-1-1~Avg2-2-1-Nλを算出し、出力データ1942_1を出力する。
[0119]
 これにより、プーリング部1014では、例えば、データサイズの異なる特徴データ1931_1と特徴データ1932_1に対して、固定長の出力データ1941_1及び出力データ1942_1を出力することができる。
[0120]
 <プーリング部の処理の他の具体例>
 次に、第5のネットワーク部620_5及び第6のネットワーク部620_6の最終層に含まれるプーリング部の処理の他の具体例について説明する。図19は、第5のネットワーク部の最終層に含まれるプーリング部の処理の他の具体例を示す図であり、SPP処理を説明するための図である。
[0121]
 図19に示すように、プーリング部1004では、入力された特徴データを、分割せずに平均値を算出するとともに、4分割及び16分割にして、各領域の平均値を算出することで、分割数に応じた固定長の出力データを出力する。
[0122]
 例えば、第5のネットワーク部620_5の第N層620_5Nのプーリング部1004では、特徴データ1911_1を分割することなく、特徴データ1911_1の平均値Avg1-1-1-1/1を算出する。また、第5のネットワーク部620_5の第N層620_5Nのプーリング部1004では、特徴データ1911_1を4分割し、各領域について平均値Avg1-1-1-1/4~Avg1-1-1-4/4を算出する。更に、第5のネットワーク部620_5の第N層620_5Nのプーリング部1004では、特徴データ1911_1を16分割し、各領域について平均値Avg1-1-1-1/16~Avg1-1-1-16/16を算出する。
[0123]
 また、第5のネットワーク部620_5の第N層620_5Nのプーリング部1004では、特徴データ1912_1を分割することなく、特徴データ1912_1の平均値Avg1-2-1-1/1を算出する。また、第5のネットワーク部620_5の第N層620_5Nのプーリング部1004では、特徴データ1912_1を4分割し、各領域について平均値Avg1-2-1-1/4~Avg1-2-1-4/4を算出する。更に、第5のネットワーク部620_5の第N層620_5Nのプーリング部1004では、特徴データ1912_1を16分割し、各領域について平均値Avg1-2-1-1/16~Avg1-2-1-16/16を算出する。
[0124]
 これにより、プーリング部1004では、例えば、データサイズの異なる特徴データ1911_1と特徴データ1912_1に対して、固定長の出力データ2010_1及び出力データ2011_1を出力することができる。
[0125]
 次に、第6のネットワーク部620_6の第N層620_6Nに含まれるプーリング部1014の詳細について説明する。図20は、第6のネットワーク部の最終層に含まれるプーリング部の処理の他の具体例を示す図であり、SPP処理を説明するための図である。
[0126]
 図20に示すように、プーリング部1014では、入力された特徴データの各チャネルを、分割せずに平均値を算出するとともに、4分割及び16分割にして、各領域の平均値を算出することで、分割数に応じた固定長の出力データを出力する。
[0127]
 例えば、第6のネットワーク部620_6の第N層620_6Nのプーリング部1014では、特徴データ1931_1のチャネル1を分割することなく、特徴データ1931_1のチャネル1の平均値Avg2-1-1-1-1/1を算出する。また、第6のネットワーク部620_6の第N層620_6Nのプーリング部1014では、特徴データ1931_1のチャネル1を4分割し、各領域について平均値Avg2-1-1-1-1/4~Avg2-1-1-1-4/4を算出する。更に、第6のネットワーク部620_6の第N層620_6Nのプーリング部1014では、特徴データ1931_1のチャネル1を16分割し、各領域について平均値Avg2-1-1-1-1/16~Avg2-1-1-1-16/16を算出する。
[0128]
 第6のネットワーク部620_6の第N層620_6Nのプーリング部1014では、これらの処理をNλチャネル分について行うことで、出力データ2100_1を生成する。
[0129]
 同様に、第6のネットワーク部620_6の第N層620_6Nのプーリング部1014では、特徴データ1932_1のチャネル1を分割することなく、特徴データ1932_1のチャネル1の平均値Avg2-2-1-1-1/1を算出する。また、第6のネットワーク部620_6の第N層620_6Nのプーリング部1014では、特徴データ1932_1のチャネル1を4分割し、各領域について平均値Avg2-2-1-1-1/4~Avg2-2-1-1-4/4を算出する。更に、第6のネットワーク部620_6の第N層620_6Nのプーリング部1014では、特徴データ1932_1のチャネル1を16分割し、各領域について平均値Avg2-2-1-1-1/16~Avg2-2-1-1-16/16を算出する。
[0130]
 第6のネットワーク部620_6の第N層620_6Nのプーリング部1014では、これらの処理をNλチャネル分について行うことで、出力データ2101_1を生成する。
[0131]
 これにより、プーリング部1014では、例えば、データサイズの異なる特徴データ1931_1と特徴データ1932_1に対して、固定長の出力データ2100_1及び出力データ2101_1を出力することができる。
[0132]
 <仮想測定データの評価>
 次に、推論部162より出力される仮想測定データ(推論結果)の精度について説明する。図21は、推論部による推論結果の精度を説明するための第1の図である。なお、図21の例は、1のチャンバを処理単位120と定義した場合において、各チャンバ(ここでは、チャンバA~チャンバDまでの4つのチャンバ)において、仮想測定データと検査データとを対比したことを示している。
[0133]
 なお、検査データは、ここでは、ER値であるとして説明する。また、図21に示す各グラフにおいて、横軸は、仮想測定データの値を、縦軸は、検査データの値をそれぞれ示している。つまり、図21に示す各グラフにおいてプロットされた点は、傾きが“1”の直線に近いほど、仮想測定データの値と検査データの値とが一致していることを表している。一方、プロットされた点は、傾きが“1”の直線から離れているほど、仮想測定データの値と検査データの値との差が大きいことを表している。
[0134]
 このうち、21aは、
・処理単位であるチャンバAにおいて、処理前ウェハ110が処理され、処理後ウェハ130を検査することで取得されたER値と、
・処理単位であるチャンバAにおいて、処理前ウェハ110の処理に伴い測定されたOESデータに基づいて推論された仮想測定データと、
の関係をプロットしたものである。
[0135]
 また、21bは、
・処理単位のチャンバBにおいて、処理前ウェハ110が処理され、処理後ウェハ130を検査することで取得されたER値と、
・処理単位のチャンバBにおいて、処理前ウェハ110の処理に伴い測定されたOESデータに基づいて推論された仮想測定データと、
の関係をプロットしたものである。
[0136]
 また、21cは、
・処理単位のチャンバCにおいて、処理前ウェハ110が処理され、処理後ウェハ130を検査することで取得されたER値と、
・処理単位のチャンバCにおいて、処理前ウェハ110の処理に伴い測定されたOESデータに基づいて推論された仮想測定データと、
の関係をプロットしたものである。
[0137]
 また、21dは、
・処理単位のチャンバDにおいて、処理前ウェハ110が処理され、処理後ウェハ130を検査することで取得されたER値と、
・処理単位のチャンバDにおいて、処理前ウェハ110の処理に伴い測定されたOESデータに基づいて推論され仮想測定データと、
の関係をプロットしたものである。
[0138]
 21a~21dに示すように、いずれのプロットも、概ね傾きが1の直線に近い位置にあり、チャンバによらず、良好な結果が得られているということができる。つまり、推論部162は、いずれのチャンバにも適用することができ、従来のように、チャンバごとに異なるモデルを生成する必要がないという利点を有する。
[0139]
 なお、21a~21dは、いずれのチャンバにも適用できることを示した例であるが、推論部162は、異なるチャンバのみならず、同一チャンバのメンテナンス前後にも適用することができる。つまり、推論部162は、従来のように、チャンバのメンテナンスに伴って、モデルをメンテナンスする必要がないため、モデルの管理コストを低減できるという利点を有する。
[0140]
 図22は、推論部による推論結果の精度を説明するための第2の図である。図22において、符号2310は、一般的な畳み込みニューラルネットワークにより構成されたネットワーク部を有する推論部を用いて推論した場合の仮想測定データと検査データとの誤差を評価した評価値である。また、符号2320は、推論部162を用いて推論した場合の仮想測定データと検査データとの誤差を評価した評価値である。
[0141]
 なお、図22の例では、評価値として、相関係数の2乗(決定係数)と、MAPE(Mean Absolute Percentage Error:平均絶対パーセント誤差)とを用いている。また、図22の例では、処理単位であるチャンバA~Dすべてのプロットについての評価値と、処理単位であるチャンバA~Dそれぞれのプロットについての評価値とを算出している。
[0142]
 図22に示すように、一般的な畳み込みニューラルネットワークにより構成されたネットワーク部を有する推論部よりも、推論部162の方が、いずれの評価値も良好な結果となっている。つまり、推論部162によれば、従来よりも高精度な仮想測定処理を実行することができる。
[0143]
 <まとめ>
 以上の説明から明らかなように、第2の実施形態に係る仮想測定装置は、
・製造プロセスの所定の処理単位における対象物の処理に伴い、発光分光分析装置にて測定された時系列データ群であるOESデータを取得する。また、取得したOESデータを、異なる手法で正規化し、それぞれ異なるネットワーク部を用いて処理した各出力データを合成する。
・各出力データを合成することで得た合成結果が、製造プロセスの所定の処理単位において、対象物を処理した後の結果物の検査データ(ER値)に近づくよう、異なるネットワーク部を機械学習する。
[0144]
 このように、OESデータを、異なるネットワーク部を用いて処理する構成としたうえで機械学習することで、製造プロセスの所定の処理単位を多面的に解析することができる。この結果、OESデータを1のネットワーク部を用いて処理する構成とした場合と比較して、高い推論精度を実現するモデルを生成することが可能となる。
[0145]
 つまり、第2の実施形態によれば、高精度な仮想測定処理を実行可能な仮想測定装置を提供することができる。
[0146]
 また、第2の実施形態に係る仮想測定装置は、
・異なるネットワーク部に入力するOESデータに対してリサイズ処理を行い、ミニバッチ単位でデータサイズが同じOESデータを生成する。
・ネットワーク部の最終層において、GAP処理またはSPP処理を行うことで、ミニバッチ間で同じデータサイズにして、固定長の出力データを出力する。
[0147]
 これにより、第2の実施形態によれば、可変長のOESデータが入力された場合でも、機械学習アルゴリズムにより推論部を生成することが可能となる。
[0148]
 [その他の実施形態]
 上記第2の実施形態では、正規化部1001が行う正規化処理として、
・波長全体に対する所定の時間長分の発光強度の中から算出した、発光強度の平均と標準偏差とを用いて行う正規化処理、
・それぞれの波長内での所定の時間長分の発光強度の中から算出した、発光強度の平均と標準偏差とを用いて行う正規化処理、
を例示した。しかしながら、正規化部1001が正規化処理を行う際に用いる統計値は様々であり、例えば、発光強度の最大値と標準偏差とを用いて正規化処理を行ってもよいし、その他の統計値を用いて正規化処理を行ってもよい。また、いずれの統計値を用いて正規化処理を行うかは選択できるように構成されていてもよい。
[0149]
 また、上記第2の実施形態では、時系列データ群がOESデータである場合について説明した。しかしながら、上記第2の実施形態で用いる時系列データ群は、OESデータに限定されず、OESデータとOESデータ以外の時系列データとを組み合わせた時系列データ群を用いてもよい。
[0150]
 また、上記第2の実施形態では、異なるネットワーク部それぞれに、同じ時系列データ群を入力するものとして説明したが、異なるネットワーク部それぞれに入力する時系列データ群は、同じ時系列データ群であっても、異なる時系列データ群であってもよい。また、一部が互いに重複した時系列データ群であってもよい。同じ傾向の時系列データがそれぞれの時系列データ群に含まれている場合、同様の効果が見込まれるからである。
[0151]
 また、上記第2の実施形態では、ネットワーク部の最終層においてGAP処理またはSPP処理を行うものとして説明したが、これらの処理は、第1の実施形態において説明したネットワーク部の最終層において行われるように構成してもよい。
[0152]
 また、上記第2の実施形態では、プーリング部1014がSPP処理を行う際、特徴データを、3通りの分割方法(分割なし、4分割、16分割)で分割するものとして説明したが、分割方法は3通りに限定されない。また、分割数も、0、4、16に限定されない。
[0153]
 また、上記第1及び第2の実施形態では、学習部161の第1のネットワーク部620_1~第Mのネットワーク部620_Mの機械学習アルゴリズムを、畳み込みニューラルネットワークをベースに構成するものとして説明した。しかしながら、学習部161の第1のネットワーク部620_1~第Mのネットワーク部620_Mの機械学習アルゴリズムは、畳み込みニューラルネットワークに限定されず、他の機械学習アルゴリズムをベースに構成してもよい。
[0154]
 また、上記第2の実施形態では、検査データとして、ER値を用いる場合について説明したが、CD(Critical Dimension)値等を用いてもよい。
[0155]
 また、上記第1及び第2の実施形態では、仮想測定装置160が学習部161及び推論部162として機能するものとして説明した。しかしながら、学習部161として機能する装置と、推論部162として機能する装置とは一体である必要はなく、別体により構成してもよい。つまり、仮想測定装置160は、推論部162を有していない学習部161として機能させてもよいし、学習部161を有していない推論部162として機能させてもよい。
[0156]
 なお、上記実施形態に挙げた構成等に、その他の要素との組み合わせ等、ここで示した構成に本発明が限定されるものではない。これらの点に関しては、本発明の趣旨を逸脱しない範囲で変更することが可能であり、その応用形態に応じて適切に定めることができる。
[0157]
 本出願は、2018年11月30日に出願された日本国特許出願第2018-225676号に基づきその優先権を主張するものであり、同日本国特許出願の全内容を参照することにより本願に援用する。

符号の説明

[0158]
100             :システム
110             :処理前ウェハ
120             :処理単位
130             :処理後ウェハ
140_1~140_n     :時系列データ取得装置
150             :検査データ取得装置
160             :仮想測定装置
161             :学習部
162             :推論部
200             :半導体製造装置
610             :分岐部
620_1           :第1のネットワーク部
620_11~620_1N   :第1層~第N層
620_2           :第2のネットワーク部
620_21~620_2N   :第1層~第N層
620_M           :第Mのネットワーク部
620_M1~620_MN   :第1層~第N層
630             :連結部
640             :比較部
1001、1011       :正規化部
1004、1014       :プーリング部
1210            :分岐部
1220_1          :第1のネットワーク部
1220_11~1220_1N :第1層~第N層
1220_2          :第2のネットワーク部
1220_21~1220_2N :第1層~第N層
1220_M          :第Mのネットワーク部
1220_M1~1220_MN :第1層~第N層
1240            :連結部
1250            :比較部
1401            :発光分光分析装置
1520            :OESデータ
1610、1620       :正規化OESデータ

請求の範囲

[請求項1]
 製造プロセスの所定の処理単位において、対象物の処理に伴い測定された時系列データ群を取得する取得部と、
 取得した前記時系列データ群を複数のネットワーク部を用いて処理することで出力された各出力データの合成結果が、前記製造プロセスの前記所定の処理単位において前記対象物を処理した際の結果物の検査データに近づくよう、前記複数のネットワーク部を機械学習する学習部と
 を有する仮想測定装置。
[請求項2]
 新たな対象物について取得した時系列データ群を、機械学習された前記複数のネットワーク部を用いて処理することで出力された各出力データの合成結果を、前記新たな対象物を処理した際の結果物の検査データとして推論する推論部を更に有する請求項1に記載の仮想測定装置。
[請求項3]
 製造プロセスの所定の処理単位において、対象物の処理に伴い測定された時系列データ群を取得する取得部と、
 取得した前記時系列データ群を複数のネットワーク部を用いて処理し、該複数のネットワーク部より出力された各出力データの合成結果を、前記対象物を処理した際の結果物の検査データとして推論する推論部と、を有し、
 前記複数のネットワーク部は、予め取得された時系列データ群を処理することで出力した各出力データの合成結果が、製造プロセスの所定の処理単位において対象物を処理した際の結果物の検査データに近づくように機械学習されている、仮想測定装置。
[請求項4]
 前記学習部は、
 取得した前記時系列データ群を第1の基準及び第2の基準に応じてそれぞれ処理することで、第1の時系列データ群と第2の時系列データ群とを生成し、生成した前記第1の時系列データ群及び前記第2の時系列データ群を異なるネットワーク部を用いて処理することで出力された各出力データの合成結果が、前記製造プロセスの前記所定の処理単位において前記対象物を処理した際の結果物の検査データに近づくよう、前記異なるネットワーク部を機械学習する、請求項1に記載の仮想測定装置。
[請求項5]
 新たな対象物について取得した時系列データ群を前記第1の基準及び前記第2の基準に応じてそれぞれ処理することで、第1の時系列データ群と第2の時系列データ群とを生成し、機械学習された前記異なるネットワーク部を用いて処理することで出力された各出力データの合成結果を、前記新たな対象物を処理した際の結果物の検査データとして推論する推論部を更に有する請求項4に記載の仮想測定装置。
[請求項6]
 前記学習部は、
 取得した前記時系列データ群をデータ種類または時間範囲に応じてグループ分けし、各グループを異なるネットワーク部を用いて処理することで出力された各出力データの合成結果が、前記製造プロセスの前記所定の処理単位において前記対象物を処理した際の結果物の検査データに近づくよう、前記異なるネットワーク部を機械学習する、請求項1に記載の仮想測定装置。
[請求項7]
 新たな対象物について取得した時系列データ群を前記データ種類または前記時間範囲に応じてグループ分けし、各グループを、機械学習された前記異なるネットワーク部を用いて処理することで出力された各出力データの合成結果を、前記新たな対象物を処理した際の結果物の検査データとして推論する推論部を更に有する請求項6に記載の仮想測定装置。
[請求項8]
 前記学習部は、
 取得した前記時系列データ群を、異なる手法で正規化を行う正規化部をそれぞれに含む異なるネットワーク部に入力し、該異なるネットワーク部を用いて処理することで出力された各出力データの合成結果が、前記製造プロセスにおいて前記対象物を処理した際の結果物の検査データに近づくよう、前記異なるネットワーク部を機械学習する、請求項1に記載の仮想測定装置。
[請求項9]
 新たな対象物について取得した時系列データ群を、機械学習された前記異なるネットワーク部にそれぞれ入力し、機械学習された前記異なるネットワーク部を用いて処理することで出力された各出力データの合成結果を、前記新たな対象物を処理した際の結果物の検査データとして推論する推論部を更に有する請求項8に記載の仮想測定装置。
[請求項10]
 前記学習部は、
 前記所定の処理単位内の第1の処理空間における前記対象物の処理に伴い測定された第1の時系列データ群と、第2の処理空間における前記対象物の処理に伴い測定された第2の時系列データ群とを、異なるネットワーク部を用いて処理することで出力された各出力データの合成結果が、前記製造プロセスの所定の処理単位において前記対象物を処理した際の結果物の検査データに近づくよう、前記異なるネットワーク部を機械学習する、請求項1に記載の仮想測定装置。
[請求項11]
 新たな対象物について、前記所定の処理単位内の前記第1の処理空間における処理に伴い測定された第1の時系列データ群と、前記第2の処理空間における処理に伴い測定された第2の時系列データ群とを、機械学習された前記異なるネットワーク部を用いて処理することで出力された各出力データの合成結果を、前記新たな対象物を処理した際の結果物の検査データとして推論する推論部を更に有する請求項10に記載の仮想測定装置。
[請求項12]
 前記時系列データ群は、基板処理装置における処理に伴い測定されたデータである、請求項1に記載の仮想測定装置。
[請求項13]
 前記時系列データ群は、基板処理装置における処理に伴い発光分光分析装置により測定されたデータであって、各時間に測定された各波長の発光強度を示すデータである、請求項8に記載の仮想測定装置。
[請求項14]
 前記異なるネットワーク部のうち、第1のネットワーク部に含まれる前記正規化部は、前記時系列データ群に基づき、各波長の所定の時間長分の発光強度を示す1チャネルのデータを生成し、生成した1チャネルのデータについて正規化を行う、請求項13に記載の仮想測定装置。
[請求項15]
 前記異なるネットワーク部のうち、第2のネットワーク部に含まれる前記正規化部は、前記時系列データ群に基づき、1つの波長の所定の時間長分の発光強度を示すデータを、波長の数に応じたチャネルだけ生成し、生成した各チャネルのデータについて正規化を行う、請求項13に記載の仮想測定装置。
[請求項16]
 前記異なるネットワーク部の各層のうち、最終層に含まれるプーリング部は、GAP処理またはSPP処理を行う、請求項8に記載の仮想測定装置。
[請求項17]
 製造プロセスの所定の処理単位において、対象物の処理に伴い測定された時系列データ群を取得する取得工程と、
 取得した前記時系列データ群を複数のネットワーク部を用いて処理することで出力された各出力データの合成結果が、前記製造プロセスの前記所定の処理単位において前記対象物を処理した際の結果物の検査データに近づくよう、前記複数のネットワーク部を機械学習する学習工程と
 を有する仮想測定方法。
[請求項18]
 製造プロセスの所定の処理単位において、対象物の処理に伴い測定された時系列データ群を取得する取得工程と、
 取得した前記時系列データ群を複数のネットワーク部を用いて処理することで出力された各出力データの合成結果が、前記製造プロセスの前記所定の処理単位において前記対象物を処理した際の結果物の検査データに近づくよう、前記複数のネットワーク部を機械学習する学習工程と
 をコンピュータに実行させるための仮想測定プログラム。

図面

[ 図 1]

[ 図 2]

[ 図 3]

[ 図 4]

[ 図 5]

[ 図 6]

[ 図 7]

[ 図 8]

[ 図 9]

[ 図 10]

[ 図 11]

[ 図 12]

[ 図 13]

[ 図 14]

[ 図 15]

[ 図 16]

[ 図 17]

[ 図 18]

[ 図 19]

[ 図 20]

[ 図 21]

[ 図 22]