CN113287123A - 搜索装置、搜索程序以及等离子处理装置 - Google Patents
搜索装置、搜索程序以及等离子处理装置 Download PDFInfo
- Publication number
- CN113287123A CN113287123A CN201980048551.6A CN201980048551A CN113287123A CN 113287123 A CN113287123 A CN 113287123A CN 201980048551 A CN201980048551 A CN 201980048551A CN 113287123 A CN113287123 A CN 113287123A
- Authority
- CN
- China
- Prior art keywords
- parameter value
- search
- processing
- input parameter
- value
- 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
Links
- 238000012545 processing Methods 0.000 title claims abstract description 246
- 238000007906 compression Methods 0.000 claims abstract description 30
- 230000006835 compression Effects 0.000 claims abstract description 29
- 238000000034 method Methods 0.000 claims description 96
- 230000008569 process Effects 0.000 claims description 29
- 239000004065 semiconductor Substances 0.000 description 25
- 238000010586 diagram Methods 0.000 description 21
- 238000011156 evaluation Methods 0.000 description 16
- 238000003754 machining Methods 0.000 description 16
- 238000000465 moulding Methods 0.000 description 14
- 238000005530 etching Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 11
- 239000000243 solution Substances 0.000 description 11
- 239000000463 material Substances 0.000 description 8
- 238000012546 transfer Methods 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 7
- 239000007789 gas Substances 0.000 description 6
- 239000000758 substrate Substances 0.000 description 6
- 238000001020 plasma etching Methods 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 238000004140 cleaning Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000005229 chemical vapour deposition Methods 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 238000005468 ion implantation Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000005240 physical vapour deposition Methods 0.000 description 2
- 241001522296 Erithacus rubecula Species 0.000 description 1
- 238000001015 X-ray lithography Methods 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000001312 dry etching Methods 0.000 description 1
- 230000005672 electromagnetic field Effects 0.000 description 1
- 238000010894 electron beam technology Methods 0.000 description 1
- 238000000609 electron-beam lithography Methods 0.000 description 1
- 241000411851 herbal medicine Species 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009616 inductively coupled plasma Methods 0.000 description 1
- 238000001746 injection moulding Methods 0.000 description 1
- 238000010884 ion-beam technique Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000001459 lithography Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011017 operating method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000000059 patterning Methods 0.000 description 1
- 238000000206 photolithography Methods 0.000 description 1
- 238000009832 plasma treatment Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000011347 resin Substances 0.000 description 1
- 229920005989 resin Polymers 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000004544 sputter deposition Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000004506 ultrasonic cleaning Methods 0.000 description 1
- 238000007740 vapor deposition Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000001039 wet etching Methods 0.000 description 1
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
- 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
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
-
- 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
- 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
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N99/00—Subject matter not provided for in other groups of this subclass
-
- 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
- H05H1/24—Generating plasma
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Automation & Control Theory (AREA)
- Plasma & Fusion (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Drying Of Semiconductors (AREA)
- Chemical Vapour Deposition (AREA)
Abstract
参数压缩部将第1输入参数值以能由参数复原部复原的方式进行压缩,生成削减了控制参数数的第1压缩完毕输入参数值,模型学习部通过作为第1压缩完毕输入参数值与第1输出参数值的组的学习数据来学习预测模型,其中,第1输出参数值是将第1输入参数值作为多个控制参数给予处理装置而得到的处理结果,处理条件搜索部使用预测模型来推定与目标输出参数值对应的第2压缩完毕输入参数值。
Description
技术领域
本发明涉及搜索最优解的搜索装置、搜索程序以及具有进行处理的最优化的功能的等离子处理装置。
背景技术
近年来,为了半导体器件的性能提升而对半导体器件导入新材料,同时半导体器件的结构正在立体化、复杂化。另外,在当前的尖端半导体器件的加工中,要求纳米级的精度。因此,半导体处理装置需要将多种材料以极高精度加工成各种形状,必然会成为具备大量控制参数(输入参数)的装置。
与此相伴,为了完全发挥半导体处理装置的性能,需要决定数种甚至数十种控制参数。因此,随着装置的性能提升,装置复杂化,越来越难以查清能得到所期望的加工结果的控制参数的组合。这会引起器件开发的长期化,成为开发成本增大的原因。因此,谋求半自动地搜索最优的控制参数并容易地发挥装置的性能的功能、装置。
专利文献1公开了与蚀刻装置以及加工形状评价装置联动地通过模型的学习来自主搜索可给出所期望的加工形状的加工条件的方法以及装置。
另一方面,在将控制参数的搜索理解为最优解搜索问题的情况下,在高效的搜索中,需要使搜索参数数少、缩窄搜索范围。专利文献2、专利文献3、专利文献4公开了削减模型参数数的方法。专利文献5、专利文献6公开了缩窄搜索范围的方法。
现有技术文献
专利文献
专利文献1:JP特开2019-040984号公报
专利文献2:JP特开2019-046380号公报
专利文献3:JP特开2015-162113号公报
专利文献4:JP特开2019-079214号公报
专利文献5:JP特开2017-157112号公报
专利文献6:JP特开2017-102619号公报
发明内容
发明要解决的课题
在专利文献1的方法中,准备包含少数个加工条件与加工结果的组在内的学习数据集,在使模型进行学习后,使用学习完毕模型来倒算给出所期望的加工结果的加工条件。若加工条件参数数为10个左右,则数分钟就能得到加工条件。进行针对搜索到的加工条件的验证实验,若未得到所期望的结果,就将实验结果追加到学习数据集,从模型的学习起进行重复。由于要重复进行几次模型的学习、加工条件推定、基于实验的验证,因此加工条件推定所需的时间需要与实验所需的时间为相同程度(最长也就1小时左右)。
另一方面,当前的蚀刻装置的处理条件(以下称作配方)伴随要加工的材料的复合化、加工形状的微细化、复杂化而成为多步骤型。在多步骤型中,一边按每个步骤改变蚀刻装置的处理条件一边进行加工。由于步骤数达到10~30,且每1步骤的控制参数有数十个,因此必须决定的控制参数数全部达到数百。在专利文献1中,虽然公开了作为加工条件搜索方法而使用随机搜索法,但以实用的计算时间求取数百维的参数空间的最优解对于当前的计算机能力来说是不可能的。
在专利文献2中,为了使模型简洁而将模型设为2级,通过将前级的模型的输出压缩并设为后级的输入参数,来使后级的模型简洁,但没有实现原始的输入参数数的削减。
在专利文献3中,将模型参数的重复删除来谋求模型的简洁化,但没有实现输入参数数的削减。
在专利文献4中,使用主成分分析等维度削减方法,但这是模型的超参数数的削减,而没有实现输入参数的削减。
在专利文献5和专利文献6中,为了缩窄控制参数的搜索范围而利用了对装置进行模拟的模拟器,但在不存在模拟器的情况下就不能运用。
如此地,不管哪种现有技术文献都未公开能对具有庞大的搜索参数的模型高效地搜索最优解的方法。本发明的目的在于,提供对具有庞大的搜索参数的模型也能以实用的时间搜索最优解的搜索装置、搜索程序。
用于解决课题的手段
本发明的一个方案的搜索装置搜索对处理装置中设定的多个控制参数赋予的输入参数值,使得处理装置所进行的给定的处理的处理结果满足目标输出参数值,所述搜索装置具有:处理器;存储器;和搜索程序,其存放于存储器,通过由处理器执行,来搜索满足目标输出参数值的输入参数值,搜索程序具有参数压缩部、模型学习部、处理条件搜索部、参数复原部、和收敛判定部,参数压缩部将第1输入参数值以能由参数复原部复原的方式进行压缩,生成削减了控制参数数的第1压缩完毕输入参数值,模型学习部通过作为第1压缩完毕输入参数值与第1输出参数值的组的学习数据来学习预测模型,其中,第1输出参数值是将第1输入参数值作为多个控制参数给予处理装置而得到的处理结果,处理条件搜索部使用预测模型来推定与目标输出参数值对应的第2压缩完毕输入参数值,参数复原部从第2压缩完毕输入参数值通过追加参数压缩部中删除的控制参数的值来生成第2输入参数值,收敛判定部判定第2输出参数值是否收敛到目标输出参数值的给定的范围内,其中,第2输出参数值是将第2输入参数值作为多个控制参数给予处理装置而得到的处理结果。
发明效果
即使是具有庞大的参数的加工条件,也能在短时间内进行最优化。前述以外的课题、结构以及效果通过以下的实施例的说明而得以明确。
附图说明
图1是表示半导体制造***的***结构例的图。
图2是表示搜索装置的硬件结构的框图。
图3是根据目标处理结果来决定最优处理条件的流程图。
图4A是用于说明压缩输入参数的方法的图。
图4B是用于说明输入参数的复原方法的图。
图5是用于说明进行部分参数搜索的方法的图。
图6是表示部分搜索参数数与总搜索次数的关系的图。
图7是表示输出参数的意义的图。
图8是目标输出值。
图9是表示输入参数被容许的最大值、最小值的图。
图10是表示初始输入参数的示例(1采样相应量)的图。
图11是表示针对初始输入参数的输出参数值(处理结果)的图。
图12是表示进行参数压缩时的参数数的推移的图。
图13是表示进行参数压缩后的输入参数(压缩完毕输入参数)的图。
图14是表示搜索到的配方候补的值的图。
图15是表示针对搜索到的配方候补的输出预测值的图。
图16是具有最优处理条件搜索功能的等离子蚀刻装置的概略图。
图17是表示加工成形***的***结构例的图。
图18是表示初始输入参数的示例(1采样相应量)的图。
图19是表示进行参数压缩后的输入参数(压缩完毕输入参数)的图。
具体实施方式
发明者们以面向蚀刻装置的多步骤型配方为例进行研讨的结果是,在所有采样中存在未使用或固定值的参数。关于这些参数,并不需要进行搜索。另外,在第奇数个步骤和第偶数个步骤中常常能看到控制参数值交替替换的周期性。这样的特征例如能在一边交替进行蚀刻步骤和侧壁保护步骤一边形成所期望的形状那样的工序中看到。因此,虽然所有参数数庞大,但不一定所有参数都独立地波动,所以能基于这些特征来进行某种程度的控制参数数的削减。
但是,仅这样的话,依然还会有参数数多而搜索困难的情况出现。在该情况下,优先通过近似的搜索方法进行高速的搜索。对于作为数理解析的最优化问题而提出各种手法,且存在在具有庞大的参数的课题中也能运用的手法。如果是若进行1次参数搜索而得到解就结束这样的课题,则即使搜索花费数日也能容许。但是,在配方搜索这样的课题中,由于如专利文献1的自主的搜索方法那样根据少数的学习数据来构建模型并预测配方,因此需要重复进行几次数据的追加和模型的更新。进而,由于是根据少数的学习数据作成的模型,因此,对于大大远离学习数据点的参数值,模型的预测精度低,详细搜索这样的区域没有意义。因此,相比于对精度低的模型花费时间来搜索最优解,更优先即使是近似解也缩短搜索时间的方法。
根据以上,通过作为作成学习数据的前处理来进行数据的削减,进而在最优解的搜索中使用近似的搜索方法,即使是具有庞大的参数的配方,也能以实用的时间来搜索最优解。以下,基于附图来说明本发明的实施方式。
实施例1
图1是表示半导体制造***的***结构例的图。半导体制造***10具有搜索装置100、输入装置103、输出装置114、处理装置111、和评价装置112。
处理装置111是对半导体或包含半导体的半导体器件进行处理的装置。处理装置111的处理的内容并没有特别限定。例如包含光刻装置、成膜装置、图案加工装置、离子注入装置、清洗装置。在光刻装置中例如包含曝光装置、电子射线描绘装置、X射线描绘装置。成膜装置例如包含CVD(Chemical Vapor Deposition,化学气相沉积)、PVD(Physical VaporDeposition,物理气相沉积)、蒸镀装置、溅射装置、热氧化装置。图案加工装置例如包含湿式蚀刻装置、干式蚀刻装置、电子束加工装置、激光加工装置。离子注入装置例如包含等离子掺杂装置、离子束掺杂装置。清洗装置例如包含液体清洗装置、超声波清洗装置。
处理装置111基于从搜索装置100输入的处理条件(输入参数值)来进行半导体或半导体器件的处理,并移交给评价装置112。评价装置112对处理装置111中处理过的半导体或半导体器件进行测量,并取得处理结果(输出参数值)。评价装置112包含光学式监视器、利用电子显微镜的加工尺寸测量装置。也可以将处理装置111中处理过的半导体或半导体器件的一部分作为断片取出,将该断片搬运到评价装置112来进行测量。
搜索装置100具有中央处理部104、数据库105、参数压缩部106、模型学习部107、处理条件搜索部108、参数复原部109、装置控制部110、和收敛判定部113。对各个方框的内容,使用流程图之后叙述。
输入装置103具备GUI等输入界面和读卡器等存储介质读出装置,对搜索装置100输入数据。另外,不仅从用户接受,还同样地接受来自评价装置112的实测值,并输入到搜索装置100。输入装置103例如包含键盘、鼠标、触控面板、存储介质读出装置等。
输出装置114将从搜索装置100移交的处理条件作为最优处理条件102向用户进行显示。作为进行显示的手段,是向显示器的显示、或向文件的写出等。输出装置114例如包含显示器、打印机、存储介质写出装置等。
图2示出表示搜索装置100的硬件结构的框图。搜索装置100对从输入装置103输入的实现目标输出参数值(目标处理结果)的处理装置111的输入参数值(处理条件)进行搜索。搜索装置100具有处理器116、通信接口115、ROM117、和RAM118。通信接口115将处理器116与外部的输入装置103、输出装置114、处理装置111连接。在处理器116连接通信接口115、ROM117、和RAM118。在ROM117中存放有表示针对处理装置111的输入参数的能设定范围的表格、针对参数的制约条件、收敛判定条件、和在处理器116中执行的处理程序。在RAM118中存放在搜索过程中生成的学习数据、学习模型等。
另外,在与图1的对应中,数据库105被安装为ROM117以及RAM118,搜索装置中的各方框被安装为存放于ROM117的程序(搜索程序)。
图3是在半导体制造***10中由搜索装置100执行的根据目标处理结果(目标输出参数值)来决定处理装置的最优处理条件的流程图。
首先,关于处理装置111所进行的处理,将设为目标的目标处理结果(目标输出参数值)、以及作为控制处理装置的参数而选择的初始处理条件(初始输入参数值)、以及目标参数数和部分搜索参数数101从输入装置103交接到中央处理部104(步骤S100)。关于目标参数数和部分搜索参数数,之后叙述。
接下来,中央处理部104将接受到的目标处理结果和选择出的初始处理条件存放到数据库105,并且将选择出的初始处理条件移交到装置控制部110(步骤S101)。
装置控制部110将初始处理条件转送到处理装置111。或者,也可以由用户将装置控制部110输出的初始处理条件输入到处理装置111。处理装置111按照输入的初始处理条件进行处理,在评价装置112中进行评价,将取得的处理结果(初始处理结果、初始输出参数值)向输入装置103输入。中央处理部104被从输入装置103交接初始处理结果(步骤S102)。中央处理部104将初始处理条件和初始处理结果移交到收敛判定部113。
收敛判定部113将初始处理结果与目标处理结果进行比较,判定是否在给定的精度内收敛到目标处理结果(步骤S103)。若收敛,就将收敛到目标处理结果的初始处理条件移交到输出装置114,输出装置114将其作为最优处理条件102输出(步骤S111)。
在输出参数值(处理结果)的收敛性的判定中,能使用以(数学式1)给出的与所用的所有输出参数相关的输出参数值与目标输出参数值的误差的平方和。
[数学式1]
在此,NP是所用的输出参数的总数,y*i是第i个目标输出参数值,yi是第i个输出参数值(实绩值)。
另一方面,若未收敛,就将继续进行处理的命令从收敛判定部113发送到中央处理部104。中央处理部104向参数压缩部106发送初始处理条件,参数压缩部106将初始处理条件压缩(步骤S104)。关于参数的压缩方法,使用具体例之后叙述。之后,中央处理部104在数据库105中作成包含压缩完毕初始处理条件(压缩完毕初始输入参数值)和初始处理结果在内的学习数据(步骤S105)。
接下来,中央处理部104从数据库105读入学习数据,发送到模型学习部107。模型学习部107学习将压缩完毕处理条件(压缩完毕输入参数值)和处理结果(输出参数值)建立关系的预测模型(步骤S106)。作为预测模型,能使用神经网络、支持向量机、核方法等。将学习后的预测模型移交到处理条件搜索部108。
接下来,处理条件搜索部108使用从模型学习部107移交的预测模型以及对从数据库105读出的输入参数的制约条件,来搜索针对从数据库105读出的目标处理结果的处理条件(步骤S107)。在预测模型中,由于处理条件成为输入且处理结果成为输出,因此为了根据处理结果反向求取处理条件,而进行基于随机搜索法的部分空间搜索。关于部分空间搜索法,使用具体例之后叙述。处理条件搜索部108将搜索到的处理条件(压缩完毕追加输入参数值)移交到参数复原部109。
接下来,参数复原部109将由参数压缩部106删除的控制参数的值复原并追加到被移交的处理条件中(步骤S108),将复原的处理条件(追加输入参数值)移交到装置控制部110,并且经由中央处理部104存放到数据库105。
装置控制部110将被移交的处理条件(追加输入参数值)转送到处理装置111。或者,也可以由用户将装置控制部110输出的处理条件输入到处理装置111。处理装置111按照输入的处理条件进行处理,在评价装置112中进行评价,将取得的处理结果(追加输出参数值)输入到输入装置103。中央处理部104被从输入装置103交接处理结果(步骤S109)。中央处理部104将处理条件(追加输入参数值)和处理结果(追加输出参数值)移交到收敛判定部113。
收敛判定部113将处理结果(追加输出参数值(实绩值))与目标处理结果(目标输出参数值)进行比较,判定是否在给定的精度内收敛到目标处理结果(步骤S110)。若收敛,就将收敛到目标处理结果的处理条件移交到输出装置114,输出装置114将其作为最优处理条件102而输出(步骤S111)。
另一方面,若未收敛,就将继续进行处理的命令从收敛判定部113发送到中央处理部104,中央处理部104在数据库105的学习数据集中追加保存处理条件(追加输入参数值)与处理结果(追加输出参数值(实绩值))的组,并且移交到参数压缩部106,在参数压缩部106中将学习数据集的处理条件(输入参数值)压缩(步骤S104)。之后,中央处理部104通过在数据库105中作成包含压缩完毕处理条件(压缩完毕输入参数值)和处理结果(输出参数值)在内的学习数据,来更新学习数据集(步骤S105)。
以下,重复进行参数压缩(S104)~收敛判定(S110)的推定过程,直到处理结果(实绩值)收敛到目标处理结果。如此地自主搜索实现目标处理结果的最优处理条件。
接下来,使用图4A来说明参数压缩部106中的输入参数的压缩方法。在图4A的第1段(最上段)例示处理条件400。在该示例中,由于输入参数是S~Y这7个,步骤数是步骤1~2这2个,因此输入参数数的合计成为14。另外,采样数是#1~#3这3个。作为数据压缩方法,例如考虑以下那样的方法A~D。
方法A是在所有采样中删除未使用或固定值的参数的方法。在图4A的第2段示出对处理条件400运用方法A的压缩完毕处理条件401。在该情况下,由于在所有采样中,输入参数T是未使用,输入参数U是固定值,因此步骤1、2的输入参数T、U被删除,压缩完毕处理条件401的输入参数数成为10。预先进行保存,以使得删除的控制参数的值能由参数复原部109复原。
方法B是将所有采样的参数值在多个步骤中相同的参数值当中少数个(典型地是1个)作为代表留下而将重复部分删除的方法。在图4A的第3段示出对处理条件400运用方法B的压缩完毕处理条件402。在该情况下,在所有采样中,由于输入参数S、V、X在步骤1、2中相同,因此将重复的步骤2的输入参数S、V、X删除,压缩完毕处理条件401的输入参数数成为11。预先将比例系数a和截距b保存,以使得删除的参数的值能由参数复原部109复原。
本实施例中的复原方法如图4B所示那样,关于输入参数α的输入参数值v和输入参数β的输入参数值w,通过预先保存w=av+b的关系,来从针对输入参数α的各采样的输入参数值(v1,v2,v3)复原针对输入参数β的各采样的输入参数值(w1,w2,w3)(采样数为3个的情况)。图4B将复原方法一般化来表示,方法B是输入参数α限定为步骤1的参数且输入参数β限定为步骤2的参数的方法,比例系数a=1,截距b=0。
方法C是将处于比例关系的输入参数群当中的少数个(典型地是1个)作为代表留下而将其他删除的方法。在图4A的第4段示出对处理条件400运用方法C的压缩完毕处理条件403。在该情况下,步骤1中的输入参数V(10,20,20)、X(20,40,40)、Y(15,30,30)以及步骤2中的输入参数S(10,20,20)、V(10,20,20)、X(20,40,40)相对于步骤1中的输入参数S(10,20,20)处于正比例关系(截距0),步骤2中的Y(20,30,30)相对于步骤1中的输入参数S(10,20,20)处于比例关系(截距10)。另外,步骤2中的输入参数U(150,150,150)相对于步骤1中的输入参数U(100,100,100)处于正比例关系。其结果,步骤1、2中的输入参数V、X、Y以及步骤2中的输入参数S、U被删除,压缩完毕处理条件403的输入参数数成为6。预先将比例系数a和截距b保存,以使得参数复原部109能复原删除的参数的值。
方法D是方法C的变形,是将虽未处于比例关系但具有高的相关的(相关系数比某阈值大的)输入参数群当中的少数个(典型地是1个)作为代表留下而将其他删除的方法。在图4A的第5段示出对处理条件400运用方法D的压缩完毕处理条件404。在该情况下,除了方法C中删除的参数以外,还删除步骤1中的输入参数W,压缩完毕处理条件404的输入参数数成为5。预先将通过最小二乘法拟合成直线的比例系数a和截距b保存,以使得参数复原部109能复原删除的参数的值。
如此地,最初的参数数14能通过方法A削减到10,通过方法B削减到11,通过方法C削减到6,通过方法D削减到5。进而,如图4A的第6段(最下段)所示那样,若组合方法A和方法D,就能将参数数削减到2。
在本实施例中,若输入参数数不是用户指定的目标参数数M以下,就执行参数数的削减处理。例如,若输入数据是单步骤型,就运用方法A,若是多步骤型,就并用运用方法A和方法B。若在该阶段输入参数数未成为M以下,就运用方法C。若在方法C的运用后还未削减到目标参数数M以下,就运用方法D。这时,自动设定相关系数的阈值,以使得运用方法D时的输入参数数成为目标参数数M以下。
若使用压缩完毕处理条件来搜索处理条件,就相对于搜索到的压缩完毕处理条件按照所运用的一系列参数压缩方法将删除的输入参数的值依次复原。即,关于通过方法A删除的输入参数,复原成保存的值即可,关于通过方法B~D删除的参数,使用保存的比例系数和截距将代表值复原成原始即可。其中,在方法D的情况下,由于在压缩中加入近似,因此参数的复原成为近似值下的复原。
接下来,关于处理条件搜索部108中的搜索高速化的方法,使用图5来说明。将设为要进行搜索的对象的输入参数的个数设为M(图5的示例中由于输入参数是X1~X5这5个,因此M=5)。在本实施例中,为了高速进行搜索,不是同时搜索M个输入参数,而是仅针对少数个(设为部分搜索参数数N的N<M)输入参数以随机搜索进行搜索,关于这以外的输入参数((M-N)个),固定成学习数据中的最佳采样的参数的值。在图5的示例中,是N=2,对剩下的3个输入参数设定最佳采样的参数的值。在图5中,对使用最佳采样的值的输入参数标注*来显示。设关于N个输入参数,选择M个输入参数中的全部组合。因此,针对MCN(=M!/(M-N)!N!)种组合进行搜索。在该示例中是5C2=10种。
成为搜索对象的N个参数的值以遵循正态分布(另外,设平均=最佳采样的情况下的参数的值,方差=所有采样的方差)的随机数给出。若将针对选择出的N个参数的搜索试行次数设为S,则每1个参数的搜索点数X是XN=S,因此X=S1/N,总搜索数T表征为T=S·MCN。
图6示出设为M=40、X=3的情况下的总搜索数T与部分搜索参数数N的关系。在针对所有参数各以3个标准按循环方式进行搜索的情况下,总搜索数是但若设为N=4,则总搜索数为7×106左右即足够,能将总搜索数减小12个数量级。虽然部分搜索参数数N的值越大,则得到接近于最优解的值的可能性越高,但出于计算时间的观点,期望设为N=4~5左右。另外,如图6所示那样,总搜索数在N=17~39时,与循环方式(N=40)的情况相比变差。这是因为,会产生重复的搜索。
由于通过该搜索法得到的输入参数当中的(M-N)个与已有的学习数据的最佳采样的参数的值相同,因此在M=40、N=4的情况下,将设为要进行搜索的对象的参数的1成设定为新的值。另外,为了提高自主的搜索效率,在搜索时,关于配方的候补(追加输入参数值),推定多个候补(典型地是5~10个)。
以下,以处理装置111是蚀刻装置的情况为例来进行说明。图7是本例中的输出参数,各输出参数表征加工后的截面形状。加工后的截面形状通过使用电子显微镜(评价装置112)读取而取得。在该示例中,使用如下5个输出参数来记述加工后的截面形状,该5个输出参数是:上部宽度平均值Y1、中间部宽度最小值Y2、中间部宽度最大值Y3、下部宽度平均值Y4、沟道深度Y5。
图8是输入到输入装置103的目标输出参数值的示例,给出针对图7所示的5个输出参数Y1~Y5的目标值(尺寸)。另外,图8的目标输出参数值所表示的目标形状相当于宽度20nm、深度200nm的垂直沟道结构。
图9是表示预先存放于数据库105的蚀刻装置111的输入参数的最大值、最小值的表格的摘录,由进行使用的工程师的事前设定或装置的规格决定。在该示例中,能设定72个输入参数。作为参数,包含各种气体的流量、气体压力、微波(MW)功率、高频(RF)功率、温度、蚀刻时间等。
图10是1采样相应量的初始处理条件(初始配方)的1例。初始处理条件由工程师设定。在该示例中,将采样数全部设为16,这当中,将7采样设为包含4步骤的多步骤型的处理条件,将9采样设为包含7步骤的多步骤型的处理条件。如此地,可以在初始处理条件下混合存在步骤数不同的多步骤的处理条件。在该情况下,对于4步骤的采样,通过将5~7步骤的所有参数设为0,来视作7步骤进行对待。如图9中说明的那样。由于每1步骤的输入参数数是72,因此最终应设定的控制参数合计数是504。
图11是针对按照图10所示的初始处理条件使蚀刻装置111进行加工处理而得到的16个采样通过评价装置112测量了处理结果的输出参数值(实绩值)。不管哪个采样都未达到图8的目标形状,但这当中的最佳采样是采样12。
因此,参数压缩部106进行初始处理条件的压缩。图12示出对初始处理条件依次运用参数压缩方法A~D的结果。设定40来作为参数的压缩处理中的目标参数数M。通过将方法D中的相关系数的阈值设为0.95,能将初始存在的504个参数最终削减到40个,成为约92%的削减效果。图13示出削减后的40个输入参数。压缩后的初始处理条件即压缩完毕初始输入参数值(图13)与对应的初始处理结果(图11)的组(在本例中由于是16采样,因此是16组)构成初始学习数据。
图14示出由处理条件搜索部108搜索到的10个配方候补(压缩完毕追加输入参数值)。在搜索中,设定4来作为部分搜索参数数N。在图14中,用斜字体标记与最佳采样不同的值,所有配方都各存在4参数的用斜字体标记的参数。搜索所要时间用PC(PersonalComputer,个人计算机)是约1个半小时,能以实用的时间进行搜索。
参数复原部109对于图14的压缩完毕追加输入参数值将删除的控制参数的值复原,来复原包含504的参数数的处理条件(追加输入参数值)。蚀刻装置111按照输入的处理条件进行处理,在评价装置112中进行评价,得到处理结果(追加输出参数值)。作为参考,图15示出针对图14的10个配方候补的输出预测值。虽然相比图11所示的初始数据得到改善,但尚未达到图8的目标形状。在判定为实绩值即处理结果(追加输出参数值)未收敛到目标处理结果的情况下,通过追加按照图3的流程而新得到的10组处理条件(追加输入参数值)与处理结果(追加输出参数值)的组来更新学习数据集,再次从模型的学习起进行。
作为实施例1的变形例,还能在处理装置所具有的控制装置中搭载搜索装置的功能。图16示出具有最优处理条件搜索功能的等离子蚀刻装置的概略图来作为处理装置的示例。具备等离子产生用的天线56和对其施加高频电压的高频电源51以及第1高频匹配器52。为了将多个气体种类导入到反应器60内而设有第1流路61、第2流路62。另外,在此仅图示了2个***,但并不特别限定流路数。通过使天线56中产生的高频的交变电磁场作用于导入的混合气体,来从反应粒子生成感应耦合的等离子63。另外,装置具备用于进行基于产生的等离子63的加工的基板电压产生器54以及第2高频匹配器53。另外,具备能监控对加工对象即基板(样品)59加工时产生的等离子的变动的终点判定装置55,具有将由终点判定装置55得到的信号向第1质量流量控制器57以及第2质量流量控制器58反馈的机构。能对应于终点判定装置55的信号,由第1质量流量控制器57调整第1流路61的气体流量,由第2质量流量控制器58调整第2流路62的气体流量。
等离子蚀刻装置的控制装置70对装置的高频电源51、基板电压产生器54、终点判定装置55等等离子生成装置进行控制,来对基板59实施蚀刻处理,并且能通过安装存放于搜索装置中的ROM117(图2)的相当于用于执行搜索处理的搜索程序的处理程序,来实施作为实施例1说明的搜索处理。等离子蚀刻装置的输入装置71、输出装置72在进行搜索处理的情况下,分别起到相当于搜索装置(图1)中的输入装置103、输出装置114的功能。如此地,能不对处理装置111独立设置搜索装置100,而是作为处理装置111的一个功能而搭载搜索处理,通过搜索到的输入参数值来控制等离子生成装置,从而进行蚀刻处理。
实施例2
在实施例1中,以包含对半导体或包含半导体的半导体器件进行处理的处理装置在内的半导体制造***为例对本发明进行了说明,但能运用本发明的搜索装置或搜索方法的并不限于半导体制造***。作为实施例2,说明对具有射出成形机的加工成形***运用搜索装置或搜索方法的示例。另外,关于具有与实施例1实质相同的功能的构成要素,标注相同附图标记并省略详细的说明,以相异的部分为中心进行说明。
图17是表示加工成形***的***结构例的图。加工成形***20具有搜索装置100、输入装置103、输出装置114、成形装置211、和测量装置212。
成形装置211是成形塑料材料等各种材料的装置。成形装置211根据从搜索装置100输入的处理条件(输入参数值)来进行材料的成形,将成形的物质移交到测量装置212。测量装置212测定在成形装置211中成形的物质的尺寸,取得加工形状数据(输出参数值)。
在实施例2中,也按照图3的流程来进行最优处理条件的搜索处理。目标处理结果作为表示成形装置211成形的成形品的形状的目标尺寸(目标输出参数值)而给出。
输入到输入装置103的目标尺寸的指定中所用的输出参数与图8同样地,通过使用多个参数记述成形品的形状来进行。
在数据库105中预先存放表示成形装置211的输入参数的最大值、最小值的表格。该表格具有与图9同样的数据结构,通过成形装置的规格来决定参数及其最大值、最小值。若例如成形装置211所进行的成形通过以可塑化、射出、保压、冷却这4个工艺形成1次循环并将其重复数次循环来进行,就需要针对各工艺设定控制参数(输入参数)。例如有可塑化工艺中的缸温度、电动机转速、缸压、射出工艺中的螺杆转速、保压工艺中的树脂压力、冷却工艺中的模具温度这样的控制参数,对各个参数定义最大值以及最小值。
图18是1采样相应量的初始处理条件(初始配方)的1例。初始处理条件由工程师设定。在该示例中,循环数是3,1循环的参数数是6,参数合计数全部是18。采样数全部设为10,设定10种初始处理条件,使成形装置211进行处理,由测量装置212取得表征处理结果的输出参数值(实绩值、初始处理结果)。
与实施例1同样地,对初始处理条件依次运用参数压缩方法A~D,将18个输入参数压缩到成为目标参数数M以下。例如,设为目标参数数M=10,得到图19所示那样的压缩完毕初始输入参数值,将压缩完毕初始输入参数值与对应的初始处理结果的组作为初始学习数据来进行预测模型的学习。
在该情况下,由于压缩完毕初始输入参数是10,因此虽然也可以将所有参数作为对象进行搜索,但为了谋求更高速,期望与实施例1同样,设定部分搜索参数数N来进行部分空间搜索。
以上基于实施例说明了本发明。另外,本发明并不限定于前述的实施例,而是包含各种变形例以及同等的结构。例如前述的实施例是为了易于理解地说明本发明而详细进行了说明,本发明并不一定限定于具备所说明的全部结构。另外,可以将某实施例的结构的一部分置换成其他实施例的结构。另外,也可以在某实施例的结构中加进其他实施例的结构。另外,也可以对各实施例的结构的一部分进行其他结构的追加、删除或置换。
另外,前述的各结构、功能、处理部、处理手段等可以将它们的一部分或全部通过例如用集成电路进行设计等来以硬件实现,也可以通过由处理器解释并执行实现各个功能的程序来以软件实现。实现各功能的程序、表格、文件等信息能存放于存储器、硬盘、SSD(Solid State Drive)等存储装置、或IC(Integrated Circuit)卡、SD卡、DVD(DigitalVersatile Disc)的记录介质。
另外,控制线、信息线示出认为说明上必要的部分,并不限于示出安装上必要的全部控制线、信息线。实际上可以认为几乎全部结构都相互连接。
附图标记说明
10:半导体制造***、
20:加工成形***、
51:高频电源、
52:第1高频匹配器、
53:第2高频匹配器、
54:基板电压产生器、
55:终点判定装置、
56:天线、
57:第1质量流量控制器、
58:第2质量流量控制器、
59:基板、
60:反应器、
61:第1流路、
62:第2流路、
63:等离子、
70:控制装置、
71:输入装置、
72:输出装置、
100:搜索装置、
103:输入装置、
104:中央处理部、
105:数据库、
106:参数压缩部、
107:模型学习部、
108:处理条件搜索部、
109:参数复原部、
110:装置控制部、
111:处理装置、
112:评价装置、
113:收敛判定部、
114:输出装置、
115:接口、
116:处理器、
117:ROM、
118:RAM、
211:成形装置、
212:测量装置。
Claims (15)
1.一种搜索装置,搜索对处理装置中设定的多个控制参数赋予的输入参数值,使得所述处理装置所进行的给定的处理的处理结果满足目标输出参数值,所述搜索装置的特征在于,具有:
处理器;
存储器;和
搜索程序,其存放于所述存储器,通过由所述处理器执行,来搜索满足所述目标输出参数值的所述输入参数值,
所述搜索程序具有参数压缩部、模型学习部、处理条件搜索部、参数复原部、和收敛判定部,
所述参数压缩部将第1输入参数值以能由所述参数复原部复原的方式进行压缩,生成削减了控制参数数的第1压缩完毕输入参数值,
所述模型学习部通过作为所述第1压缩完毕输入参数值与第1输出参数值的组的学习数据来学习预测模型,其中,所述第1输出参数值是将所述第1输入参数值作为所述多个控制参数给予所述处理装置而得到的处理结果,
所述处理条件搜索部使用所述预测模型来推定与所述目标输出参数值对应的第2压缩完毕输入参数值,
所述参数复原部从所述第2压缩完毕输入参数值通过追加所述参数压缩部中删除的控制参数的值来生成第2输入参数值,
所述收敛判定部判定第2输出参数值是否收敛到所述目标输出参数值的给定的范围内,其中,所述第2输出参数值是将所述第2输入参数值作为所述多个控制参数给予所述处理装置而得到的处理结果。
2.根据权利要求1所述的搜索装置,其特征在于,
在所述收敛判定部判断为所述第2输出参数值未收敛到所述目标输出参数值的给定的范围内的情况下,所述搜索程序将所述第2输入参数值与所述第2输出参数值的组追加到所述第1输入参数值与所述第1输出参数值的组,来进行所述预测模型的更新。
3.根据权利要求1所述的搜索装置,其特征在于,
所述给定的处理包含对所述多个控制参数赋予的值所不同的多个步骤,
所述搜索程序搜索所述多个步骤中的所述多个控制参数的值来作为所述输入参数值。
4.根据权利要求1所述的搜索装置,其特征在于,
所述处理条件搜索部使用所述预测模型来推定多个所述第2压缩完毕输入参数值。
5.根据权利要求1所述的搜索装置,其特征在于,
所述参数压缩部删除所述第1输入参数值的一部分控制参数的值,以使得所述第1输入参数值的控制参数数成为目标参数数以下。
6.根据权利要求5所述的搜索装置,其特征在于,
所述参数压缩部将所述第1输入参数值当中的未使用或成为固定值的控制参数的值删除,并将删除的控制参数的值保存。
7.根据权利要求5所述的搜索装置,其特征在于,
所述参数压缩部将所述第1输入参数值当中的第1控制参数的值v留下,将第2控制参数的值w删除,并将w=av+b的系数a和截距b的值保存。
8.根据权利要求7所述的搜索装置,其特征在于,
所述第2控制参数的值w与所述第1控制参数的值v成比例,或者所述第1控制参数的值v和所述第2控制参数的值w具有比给定的阈值大的相关系数。
9.一种搜索装置,搜索对处理装置中设定的多个控制参数赋予的输入参数值,使得所述处理装置所进行的给定的处理的处理结果满足目标输出参数值,所述搜索装置的特征在于,具有:
处理器;
存储器;和
搜索程序,其存放于所述存储器,通过由所述处理器执行,来搜索满足所述目标输出参数值的所述输入参数值,
所述搜索程序具有模型学习部、处理条件搜索部、和收敛判定部,
所述模型学习部通过作为第1输入参数值与第1输出参数值的组的学习数据来学习预测模型,其中,所述第1输出参数值是将所述第1输入参数值作为所述多个控制参数给予所述处理装置而得到的处理结果,
所述处理条件搜索部使用所述预测模型来推定与所述目标输出参数值对应的第2输入参数值,
所述收敛判定部判定第2输出参数值是否收敛到所述目标输出参数值的给定的范围内,其中,所述第2输出参数值是将所述第2输入参数值作为所述多个控制参数给予所述处理装置而得到的处理结果,
所述处理条件搜索部使所述第1输出参数值的一部分控制参数的值变化,使其他控制参数的值固定成所述学习数据的给定的控制参数的值,来搜索近似解。
10.根据权利要求9所述的搜索装置,其特征在于,
所述处理条件搜索部将所述其他控制参数的值固定成所述学习数据当中的给出最优解的学习数据的控制参数的值。
11.一种搜索程序,搜索对处理装置中设定的多个控制参数赋予的输入参数值,使得所述处理装置所进行的给定的处理的处理结果满足目标输出参数值,所述搜索程序的特征在于,具有:
第1步骤,将第1输入参数值以能复原的方式进行压缩,生成削减了控制参数数的第1压缩完毕输入参数值;
第2步骤,通过作为所述第1压缩完毕输入参数值与第1输出参数值的组的学习数据来学习预测模型,其中,所述第1输出参数值是将所述第1输入参数值作为所述多个控制参数给予所述处理装置而得到的处理结果;
第3步骤,使用所述预测模型来推定与所述目标输出参数值对应的第2压缩完毕输入参数值;
第4步骤,从所述第2压缩完毕输入参数值通过追加所述第1步骤中删除的控制参数的值来生成第2输入参数值;和
第5步骤,判定第2输出参数值是否收敛到所述目标输出参数值的给定的范围内,其中,所述第2输出参数值是将所述第2输入参数值作为所述多个控制参数给予所述处理装置而得到的处理结果。
12.根据权利要求11所述的搜索程序,其特征在于,
在所述第5步骤中判断为所述第2输出参数值未收敛到所述目标输出参数值的给定的范围内的情况下,将所述第2输入参数值与所述第2输出参数值的组追加到所述第1输入参数值与所述第1输出参数值的组,来进行所述预测模型的更新。
13.根据权利要求11所述的搜索程序,其特征在于,
在所述第1步骤中,将所述第1输入参数值的一部分控制参数的值删除,以使得所述第1输入参数值的控制参数数成为目标参数数以下。
14.根据权利要求11所述的搜索程序,其特征在于,
在所述第3步骤中,使所述第1压缩完毕输出参数值的一部分控制参数的值变化,将其他控制参数的值固定成所述学习数据当中的给出最优解的学习数据的控制参数的值,来搜索近似解。
15.一种等离子处理装置,使用等离子对样品进行等离子处理,所述等离子处理装置的特征在于,具有:
处理室;
等离子生成装置,其在所述处理室内生成等离子;和
控制装置,其执行权利要求11所述的搜索程序,搜索满足所述目标输出参数值的对所述等离子处理装置中设定的所述多个控制参数赋予的输入参数值,并控制所述等离子生成装置,以使得通过搜索到的输入参数值来进行载置于所述处理室内的所述样品的等离子处理。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2019/047126 WO2021111511A1 (ja) | 2019-12-03 | 2019-12-03 | 探索装置、探索プログラム及びプラズマ処理装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113287123A true CN113287123A (zh) | 2021-08-20 |
Family
ID=76221499
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980048551.6A Pending CN113287123A (zh) | 2019-12-03 | 2019-12-03 | 搜索装置、搜索程序以及等离子处理装置 |
Country Status (6)
Country | Link |
---|---|
US (1) | US11747774B2 (zh) |
JP (1) | JP7148644B2 (zh) |
KR (1) | KR102531077B1 (zh) |
CN (1) | CN113287123A (zh) |
TW (1) | TWI782360B (zh) |
WO (1) | WO2021111511A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20230012173A1 (en) * | 2021-07-08 | 2023-01-12 | Hitachi High-Tech Corporation | Process recipe search apparatus, etching recipe search method and semiconductor device manufacturing system |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1981297A (zh) * | 2004-06-25 | 2007-06-13 | 新卡特彼勒三菱株式会社 | 数据压缩设备和方法,数据分析设备和方法,以及数据管理*** |
JP2012074007A (ja) * | 2010-08-31 | 2012-04-12 | Fuji Electric Co Ltd | プラントの運転条件最適化システム、プラントの運転条件最適化方法、プラントの運転条件最適化プログラム |
CN104204969A (zh) * | 2012-04-02 | 2014-12-10 | 三菱电机株式会社 | 参数设定装置 |
JP2015162113A (ja) * | 2014-02-27 | 2015-09-07 | 日本電信電話株式会社 | システムパラメタ学習装置、情報処理装置、方法、及びプログラム |
US20150371150A1 (en) * | 2014-06-20 | 2015-12-24 | International Business Machines Corporation | Analysis device, analysis method, and program |
US20190147455A1 (en) * | 2017-11-14 | 2019-05-16 | Sap Se | Smart Agent Services Using Machine Learning Technology |
CN110276470A (zh) * | 2018-03-14 | 2019-09-24 | 株式会社日立高新技术 | 探索装置、探索方法以及等离子处理装置 |
US20190295827A1 (en) * | 2018-03-20 | 2019-09-26 | Hitachi High-Technologies Corporation | Search device, search method and plasma processing apparatus |
Family Cites Families (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR920002268A (ko) | 1990-07-17 | 1992-02-28 | 유끼노리 가까즈 | 인텔리젠트가공장치 |
JPH10301979A (ja) | 1997-04-30 | 1998-11-13 | Oki Electric Ind Co Ltd | モデルパラメータ抽出方法およびモデルパラメータ抽出装置 |
JP3086794B2 (ja) | 1997-09-19 | 2000-09-11 | 豊田工機株式会社 | 数値制御研削盤 |
JP4215454B2 (ja) | 2001-07-12 | 2009-01-28 | 株式会社日立製作所 | 試料の凹凸判定方法、及び荷電粒子線装置 |
US6941301B2 (en) | 2002-01-18 | 2005-09-06 | Pavilion Technologies, Inc. | Pre-processing input data with outlier values for a support vector machine |
US6844582B2 (en) * | 2002-05-10 | 2005-01-18 | Matsushita Electric Industrial Co., Ltd. | Semiconductor device and learning method thereof |
US20040076944A1 (en) * | 2002-08-22 | 2004-04-22 | Ibex Process Technology, Inc. | Supervised learning in the presence of null data |
CN1720490B (zh) | 2002-11-15 | 2010-12-08 | 应用材料有限公司 | 用于控制具有多变量输入参数的制造工艺的方法和*** |
US8248403B2 (en) * | 2005-12-27 | 2012-08-21 | Nec Corporation | Data compression method and apparatus, data restoration method and apparatus, and program therefor |
US20080279434A1 (en) | 2007-05-11 | 2008-11-13 | William Cassill | Method and system for automated modeling |
US8396582B2 (en) | 2008-03-08 | 2013-03-12 | Tokyo Electron Limited | Method and apparatus for self-learning and self-improving a semiconductor manufacturing tool |
US8190543B2 (en) | 2008-03-08 | 2012-05-29 | Tokyo Electron Limited | Autonomous biologically based learning tool |
US8501499B2 (en) * | 2011-03-28 | 2013-08-06 | Tokyo Electron Limited | Adaptive recipe selector |
TWI549007B (zh) | 2013-02-07 | 2016-09-11 | 先知科技股份有限公司 | 製程參數的搜尋與分析方法及其電腦程式產品 |
US9396443B2 (en) | 2013-12-05 | 2016-07-19 | Tokyo Electron Limited | System and method for learning and/or optimizing manufacturing processes |
SG11201610035RA (en) * | 2014-06-30 | 2017-01-27 | Evolving Machine Intelligence Pty Ltd | A system and method for modelling system behaviour |
US9711327B2 (en) | 2015-07-16 | 2017-07-18 | Applied Materials Israel, Ltd. | Method and system for optimizing configurable parameters of inspection tools |
JP2017102619A (ja) | 2015-11-30 | 2017-06-08 | オムロン株式会社 | 制御パラメータ調整装置、制御パラメータ調整方法、制御パラメータ調整プログラム |
JP6650786B2 (ja) | 2016-03-03 | 2020-02-19 | 三菱日立パワーシステムズ株式会社 | 制御パラメータ自動調整装置、制御パラメータ自動調整方法、及び制御パラメータ自動調整装置ネットワーク |
JP6875224B2 (ja) * | 2017-08-08 | 2021-05-19 | 株式会社日立ハイテク | プラズマ処理装置及び半導体装置製造システム |
JP6778666B2 (ja) | 2017-08-24 | 2020-11-04 | 株式会社日立製作所 | 探索装置及び探索方法 |
JP6883787B2 (ja) | 2017-09-06 | 2021-06-09 | パナソニックIpマネジメント株式会社 | 学習装置、学習方法、学習プログラム、推定装置、推定方法、及び推定プログラム |
JP6974712B2 (ja) | 2017-10-24 | 2021-12-01 | 富士通株式会社 | 探索方法、探索装置および探索プログラム |
-
2019
- 2019-12-03 WO PCT/JP2019/047126 patent/WO2021111511A1/ja active Application Filing
- 2019-12-03 KR KR1020217001392A patent/KR102531077B1/ko active IP Right Grant
- 2019-12-03 US US17/272,479 patent/US11747774B2/en active Active
- 2019-12-03 CN CN201980048551.6A patent/CN113287123A/zh active Pending
- 2019-12-03 JP JP2020568572A patent/JP7148644B2/ja active Active
-
2020
- 2020-12-03 TW TW109142567A patent/TWI782360B/zh active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1981297A (zh) * | 2004-06-25 | 2007-06-13 | 新卡特彼勒三菱株式会社 | 数据压缩设备和方法,数据分析设备和方法,以及数据管理*** |
US20070233623A1 (en) * | 2004-06-25 | 2007-10-04 | Vatchkov Gantcho L | Apparatus and Method for Compressing Data, Apparatus and Method for Analyzing Data, and Data Management System |
JP2012074007A (ja) * | 2010-08-31 | 2012-04-12 | Fuji Electric Co Ltd | プラントの運転条件最適化システム、プラントの運転条件最適化方法、プラントの運転条件最適化プログラム |
CN104204969A (zh) * | 2012-04-02 | 2014-12-10 | 三菱电机株式会社 | 参数设定装置 |
JP2015162113A (ja) * | 2014-02-27 | 2015-09-07 | 日本電信電話株式会社 | システムパラメタ学習装置、情報処理装置、方法、及びプログラム |
US20150371150A1 (en) * | 2014-06-20 | 2015-12-24 | International Business Machines Corporation | Analysis device, analysis method, and program |
US20190147455A1 (en) * | 2017-11-14 | 2019-05-16 | Sap Se | Smart Agent Services Using Machine Learning Technology |
CN110276470A (zh) * | 2018-03-14 | 2019-09-24 | 株式会社日立高新技术 | 探索装置、探索方法以及等离子处理装置 |
US20190295827A1 (en) * | 2018-03-20 | 2019-09-26 | Hitachi High-Technologies Corporation | Search device, search method and plasma processing apparatus |
Non-Patent Citations (2)
Title |
---|
刘慧;姚金阳;赵荣彩;: "基于集成学习的编译优化参数选择方法研究", 信息工程大学学报, no. 03, pages 67 - 75 * |
沼田一道: "《解の部分固定により探索空間を縮小するメタ戦略の検討−巡回セールスマン問題への適用》", 《 システム制御情報学会論文誌》, vol. 17, no. 3, pages 103 - 112 * |
Also Published As
Publication number | Publication date |
---|---|
JP7148644B2 (ja) | 2022-10-05 |
JPWO2021111511A1 (ja) | 2021-12-02 |
US20220291646A1 (en) | 2022-09-15 |
WO2021111511A1 (ja) | 2021-06-10 |
TWI782360B (zh) | 2022-11-01 |
TW202137267A (zh) | 2021-10-01 |
KR102531077B1 (ko) | 2023-05-09 |
KR20210071935A (ko) | 2021-06-16 |
US11747774B2 (en) | 2023-09-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110276470B (zh) | 探索装置、探索方法以及等离子处理装置 | |
TWI772325B (zh) | 電漿處理狀態的控制方法與系統 | |
US20230049157A1 (en) | Performance predictors for semiconductor-manufacturing processes | |
Zhong et al. | Fast stochastic alternating direction method of multipliers | |
JP4472637B2 (ja) | 電気的製造制御に対する確率制約最適化 | |
JP6608344B2 (ja) | 探索装置および探索方法 | |
US8494798B2 (en) | Automated model building and batch model building for a manufacturing process, process monitoring, and fault detection | |
CN112990472B (zh) | 消除量子噪声的方法及装置、电子设备和介质 | |
CN113496285A (zh) | 基于量子电路的数据处理方法及装置、电子设备和介质 | |
US20050071038A1 (en) | System and method for using first-principles simulation to control a semiconductor manufacturing process | |
WO2005036591A2 (en) | System and method for using first-principles simulation to facilitate a semiconductor manufacturing process | |
Shi et al. | The curious price of distributional robustness in reinforcement learning with a generative model | |
CN113065659A (zh) | 消除量子噪声的方法及装置、电子设备和介质 | |
CN113287123A (zh) | 搜索装置、搜索程序以及等离子处理装置 | |
JP6453785B2 (ja) | 回帰分析装置、回帰分析方法および回帰分析プログラム | |
Lang et al. | Modeling and optimizing the impact of process and equipment parameters in sputtering deposition systems using a Gaussian process machine learning framework | |
Sawlani et al. | Perspectives on artificial intelligence for plasma-assisted manufacturing in semiconductor industry | |
Lee et al. | Design optimization using support vector regression | |
CN114503244B (zh) | 用于预测晶圆上测量值的使用多级lstm的工具控制 | |
Sekaj | Genetic algorithm based controller design | |
Prokhorov et al. | Application of SVM to Lyapunov function approximation | |
Chiu et al. | Hybrid Evolutionary Algorithm with an Optimal Sample Allocation Strategy for Multifidelity Simulation Optimization Problems | |
Fu et al. | A Gaussian Rocess and Multi-Swarm Optimizer Assisted Optimization Approach for Analog Circuit Design | |
Zhang et al. | An adaptive modelling method based on infill strategy maximum entropy | |
Chi et al. | Iterative data-based modelling and optimization for rapid design of dynamic processes |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |