JP2003124110A - 工程装置の制御方法 - Google Patents
工程装置の制御方法Info
- Publication number
- JP2003124110A JP2003124110A JP2002192055A JP2002192055A JP2003124110A JP 2003124110 A JP2003124110 A JP 2003124110A JP 2002192055 A JP2002192055 A JP 2002192055A JP 2002192055 A JP2002192055 A JP 2002192055A JP 2003124110 A JP2003124110 A JP 2003124110A
- Authority
- JP
- Japan
- Prior art keywords
- value
- bias
- correction value
- process data
- history
- 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.)
- Granted
Links
Classifications
-
- 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
- H01L21/02—Manufacture or treatment of semiconductor devices or of parts thereof
- H01L21/027—Making masks on semiconductor bodies for further photolithographic processing not provided for in group H01L21/18 or H01L21/34
-
- 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
- G05B13/027—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 using neural networks only
Landscapes
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Automation & Control Theory (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Manufacturing & Machinery (AREA)
- Computer Hardware Design (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Power Engineering (AREA)
- Exposure And Positioning Against Photoresist Photosensitive Materials (AREA)
- Exposure Of Semiconductors, Excluding Electron Or Ion Beam Exposure (AREA)
- Complex Calculations (AREA)
Abstract
るための露光装置の入力値と、露光処理され現像された
フォトレジストパターンをオーバーレイ測定機20を通
じて得た測定値との間の誤差値を得て、誤差値を減少さ
せるように入力値を補正するための補正値を算出し、補
正値を次の補正値の算出のための露光工程データとして
生成時間単位に管理する。新しいロットと同一ヒストリ
を有する過去工程データを検索し、その検索された過去
工程データのうちの最近の複数の過去補正値から現在補
正値のバイアス成分を推定する。過去工程データのうち
の最近の複数の過去ランダム補正値を基盤として神経回
路網により現在補正値のランダム成分を推定し、露光装
置の現在補正値に推定されたバイアス成分およびランダ
ム成分を合算し、誤差値を使用してランダム成分の変化
を推定するように、神経回路網を学習させる。
Description
法に関するものであり、より詳細には、半導体素子製造
工程のうち、露光工程のステッパの補正値を推定するた
めの新しいALMS−NN(Adaptive Lea
st Mean Square Neural Net
work)アルゴリズムによる工程装置の制御方法に関
するものである。
して、高い生産収率を保障することができる効率的な生
産システムを構築するために多くの研究が進行してい
る。特に、核心半導体製造工程のうちの一つである露光
工程(Photo−lithographic Pro
cess)の場合、工程条件の変化が頻繁であり、これ
に対処することができる体系的な生産システム開発が必
要な実情であって、生産収率を高めるためにサンプリン
グ工程の頻度を減らすためのシステム構築を目的として
多くの努力がなされている。
程で優先的に考慮すべき事項として、工程上の整列誤差
問題があり、これは工程の物理的および化学的特性解釈
の困難点と、工程中で挿入される雑音と、工程後の測定
誤差とにより主に発生し、生産収率に直接的に影響を及
ぼすサンプリングの頻度を増加させる原因になる。
ことができる生産システムとして、広く開発または使用
されている工程制御システム(Process Con
trol System;PCS)は、工程進行過程に
対する数学的モデルが存在せずに、過去に実施された工
程データを加工して通計的数値により工程を制御する場
合が大部分であった。
値を現工程に反映させる方式は、最近実施された同一ヒ
ストリデータ(History Data)に対して、
加重値平均をフィードバックさせるアルゴリズムであ
る。しかし、このようなアルゴリズムはシステムの時変
性特性を考慮しない静的(static)なアルゴリズ
ムであるので、定まった時間内で同一ヒストリデータが
足りず、または連続したスペックアウト(spec−o
ut)の発生に頻繁にサンプリング工程を実施すべきも
のであるという問題点がある。
に、非線形的なシステムからなる工程に適切に対処する
ための方法として、最近、神経回路網モデルを利用した
工程制御機設計技法(S.Limanond、J.S
i、and K.Tsakalis、“Monitor
ing and Control of Semico
nductor Manufacturing Pro
cesses”、IEEE Control Syst
ems、1998./X.A.Wang andR.
L.Mahajan、“Artificial Neu
ral Network Model−Based R
un−to−Run Process Control
ler”、IEEE Trans.on Compon
ent、Packaging、and Manufac
turing Technology−Part C、
vol.19、no.1、Jan.1996.)が提示
されている。
用し神経回路網を学習させ、過去工程に対してパターン
探索を通じて製造工程を予測する方法がある。この方法
の基本仮定は、非線形的なシステムの変化パターンが完
全に任意的ではないという点を勘案し、一つのステッパ
(stepper)装置に対するシステムの変化パター
ンが完全に任意的なものではなければ、最近の変化パタ
ーンと類似であるパターンを有する過去のヒストリデー
タが存在すると予想することができるので、この過去シ
ステムの変化パターンを利用して現在の出力値を推定す
るものである。
ためには多くの量の過去ヒストリデータを必要とし、デ
ータ運営上の困難があり、反復されるパターン探索と神
経回路網学習とにより計算量が増すという短所がある。
第二に、広く使用されているEWMA(Exponen
tial Weighted Moving Aver
age)方式は、タイムシリーズ(TimeSerie
s)方式で計算されるデータ変化を有するシステムのモ
デリングおよび予測方法を提供するが、特に半導体製造
の工程制御分野で広く使用されている方式としては、次
の文献、E.Sachs、A.Hu、and A.In
golfsson、“Run by Run Proc
ess Control:Combining SPC
and Feedback Control”、IE
EE Trans.on Semiconductor
Manufacturing、vol.8、no.
1、Feb.1995./M.S.Patel and
S.T.Jenkins、“Adaptive Op
timization of Run−to−Run
Controllers: The EWMA Exa
mple”、IEEE Trans.on Semic
onductor Manufacturing、vo
l.13、no.1、Feb.2000./T.H.S
mith、D.S.Boning、“A Self−T
uning EWMA Controller Uti
lizing Artificial Neural
Network Function Approxim
ation Techniques”、IEEE Tr
ans.on Components、Packagi
ng、and Manufacturing Tech
nology−Part C、vol.20、no.
2、April、1997.に開示されている。
でなく、次の数式(a)のように簡単な回帰的(Rec
ursive)形態の適用が可能であるために、実際半
導体装置の運営に多く利用されている方式である。
さいλ値を使用する場合には、過去のデータにも無視で
きないウェートが適用されるために、望ましい評価(e
stimation)のためには多くの過去データを必
要とする短所がある。第三に、カルマンフィルタ(Ka
lman Filtering)を利用したシステム予
測技法は、基本的なシステムの同特性が状態空間(st
ate−space)形態の微分方程式(Differ
ential Equation)または差分方程式
(Difference Equation)でモデリ
ングされ、ホワイトノイズ(White Noise)
により干渉されているシステムに対する古典的な予測技
法である。
けないときには補正値の変化がないが、ノイズにより一
般的にその値が変化するという点を根拠として、補正値
の変化特性を次のような線形化されたモデルに仮定す
る。 x(k+1)=x(k)+w(k) (2)
なるホワイトノイズ項目である。このとき、仮定したシ
ステムのモデルが元来システムの同特性および雑音特性
をどのくらい模写しているかによって、性能が決定され
るが、半導体工程のように非線形特性が強いシステムで
仮定したモデルを元来システムに近くモデリングするこ
とは容易ではない。
の過去ヒストリデータに依存せずに、頻繁な被加工物の
交替によりサンプリング依存度が高い工程について、効
果的に適用することができる新しいALMS−NNアル
ゴリズムを有する工程装置の制御方法を提供することに
ある。
装置を対象に、重畳整列誤差(Overlay Ali
gnment Error)を効果的に補正する装置入
力値を決定するための新しいALMS−NNアルゴリズ
ムを有する露光装置の制御方法を提供することにある。
めの本発明の工程装置の制御方法では、被処理物を処理
するための工程装置の入力値と、工程装置で処理された
被処理物を測定して得た測定値との間の誤差値を得て、
誤差値を減少させるように工程装置の入力値を補正する
ための補正値を算出し、値を次の補正値算出時に使用す
るための工程データとして管理する。工程装置にローデ
ィングされる被処理物と同一ヒストリを有する過去工程
データを検索し、検索された同一ヒストリを有する過去
工程データのうちの最近の複数個の過去補正値から現在
バイアス補正値を推定し、過去工程データのうちの最近
の複数個の過去ランダム補正値を基盤として神経回路網
により現在ランダム補正値を推定し、工程装置の現在補
正値として推定されたバイアス補正値とランダム補正値
を合算し、誤差値を使用して前記ランダム補正値の変化
を推定するように、神経回路網を学習させる。
果的な推定のために、x(n)をヒストリに連関性のあ
るバイアス成分Xbias(n)と、変化原因が正確に分か
らない任意的成分Xrand(n)とに分離し、X
bias(n)は該当ロット(lot)のヒストリを基本に
推定し、x(n)の正確な推定を困難にする要素である
Xrand(n)成分は、その任意的の性質のために、正確
な推定は殆ど不可能であるので、神経回路網の逆伝播学
習を利用して推定追随(tracking)することに
より、x(n)の推定誤差を最少化する。
トのヒストリに対する連関性が除去された状態になるた
めに、該当ロットのヒストリに相関なしに、全てデータ
を利用することができる。ゆえに、本発明により提案さ
れたアルゴリズムにより計算されるx(n)はヒストリ
によるXbias(n)の時間的変化が大きくない場合、既
存システムで問題になったデータ使用期限の制約条件が
解決され、該当ロットのヒストリ以外にx(n)に影響
を及ぼす外部的な要因が変化する場合にも、神経回路網
が有する学習能力を利用し効果的に対処することができ
る。
過去ヒストリデータに依存する場合が減少され、サンプ
リング工程の回数を画期的に減少させることができる。
本発明で、現在バイアス補正値推定段階は、次の数式
(A)により定義された区間線形加重平均アルゴリズム
により推定を行う。
間、Xshは同一ヒストリを有する過去バイアス補正値を
示す。本発明で現在ランダム補正値は、多層神経回路網
を通じて誤謬逆伝播学習法によりランダム補正値の誤差
を減少させるように追随することにより獲得する。
露光装置の制御方法は、ウェーハ上のフォトレジストを
露光するための露光装置の入力値と、露光装置で露光処
理され現像されたフォトレジストパターンをオーバーレ
イ測定装置を通じて測定して得た測定値との誤差値を求
め、誤差値を減少させるように入力値を補正するための
補正値を算出し、値を次の補正値算出時に使用するため
の露光工程データとして生成時間単位に管理する。露光
装置にローディングされる新しいロットと同一ヒストリ
を有する過去工程データを検索し、検索された同一ヒス
トリを有する過去工程データのうちの最近の複数個の過
去補正値から現在バイアス補正値を推定し、過去工程デ
ータのうちの最近の複数個の過去ランダム補正値を基盤
として神経回路網により現在ランダム補正値を推定し、
工程装置の現在補正値として推定されたバイアス補正値
とランダム成分を合算し、誤差値を使用し前記ランダム
成分の変化を追従するように、神経回路網を学習させ
る。
あるレチクル、PPID(Process Progr
am ID)、ベースIおよびベースIIが全て同一のデ
ータを同一ヒストリ工程データとして検出する。また、
検索段階で同一ヒストリの工程データが存在しない場合
には、レチクル要素が同一の工程データのうち、その他
の要素の優先順位により補正値のバイアス部分を類推す
る。
うちのいずれかの一つの構成要素のみ他の工程データを
抽出し、抽出された一つの構成要素のみ他の工程データ
のうちのいずれか一つの構成要素の相対値を利用して補
正値のバイアス成分を類推し、相対値を利用してバイア
ス成分を算出することができない場合には、抽出された
いずれか一つの構成要素のみ他の工程データの平均を求
めて、補正値のバイアス成分として類推する。
ましい実施例を詳細に説明する。図1は、本発明の一実
施例による露光装置の制御システムのブロック構成を示
す。フォト装備10はコーティング処理部12、アライ
ンおよび露光処理部14、ならびに現像処理部20を含
む。
ング層を蒸着(Deposition)し、被エッチン
グ層上にフォトレジストパターンを形成し、フォトレジ
ストパターンをエッチングマスクとして使用し、被エッ
チング層をエッチングするフォトリソグラフィ工程によ
り、ウェーハ上に一つのパターン層を形成する。このよ
うな工程を各層ごとに反復して多層のパターン層を重畳
形成し、所望の回路パターンをウェーハ上に形成するこ
とにより、一つのウェーハ上に複数の直接回路チップを
作る。
素子の製造工程において、生産収率に莫大な影響を及ぼ
す非常に重要な核心工程ということができる。フォト工
程は、大きくコーティング工程、アラインメント工程お
よび露光工程、ならびに現像工程に区分することができ
る。
面の湿気を除去し、塗布されるフォトレジストとウェー
ハ表面との密着性を増加させるために、プレベーク工
程、高圧純水とブラッシュを利用してウェーハ表面の不
純物を除去するスクラビング工程、均一なコーティング
のためのスピン工程、ならびにソルベントを揮発させ、
フォトレジストを硬化させるソフトベーク工程などを実
施する。
ッパの基準マークによりレチクルを整列させ、ウェーハ
とレチクルを整列させるプレアライン工程、ウェーハの
フラットゾーンを固定させるアライン工程、ならびに露
出量を決定しフォトレジストを露光させる露光工程など
を実施する。
ing wave)効果を除去するポスト露光工程、U
V光と反応した部分を選択的に除去する現像工程、なら
びにウェーハに残されたフォトレジストパターンが十分
に熱的環境に耐えることができるように硬化させるハー
ドベーク工程などを実施する。
ーハW上にフォトレジストパターンを形成させた後に、
下部パターン層との重畳された位置のミスアラインメン
トを測定し、誤差許容限界以内の値を有するかをオーバ
ーレイ測定機20を通じて確認する。
パターン層の全てのパターンを全て比較して、ミスアラ
インメントを測定することは不可能である。したがっ
て、ウェーハW上に付加されたミスアラインメント測定
サイトを通じてミスアラインメントを測定している。
れたミスアラインメントサイト(MS)のうち、測定サ
イトを指定した後に指定されたサイトの下部パターン層
に形成された外側アラインメントマーク(OM)と上部
パターン層に形成された内側アラインメントマーク(I
M)との間のdx/dyを測定し、このデータに対する
回帰分析を通じて次のようなミスアラインメントパラメ
ーターを抽出する。
が左右、上下にねじれた程度。 スケーリング(Scaling);レンズによりウェー
ハ上のパターンが左右、上下に拡大された程度。
トパターンの軸がアラインメント基準軸に対してはずれ
た程度。 直交(Orthogonality);ウェーハアライ
ン軸が互いに交差する程度。
レチクルが不正確にセッティングされアラインメントパ
ターンの軸がアラインメント基準軸に対してよじれた程
度。 レチクル縮小(reticle Reductio
n);レチクルが不正確にセッティングされウェーハ上
のパターンが左右、上下に拡大された程度。
ステム40はウェーハステージ42、レンズ系44、レ
チクル46および図示しない光源系を含む。光源系の光
がレチクル46のマスクパターンおよびレンズ系44を
通じてウェーハW上に照射されると、ウェーハ上にレチ
クルのマスクパターンが縮小投影される。
ウェーハステージ42に定置されたウェーハWのX軸お
よびY軸がねじれ、回転、直交などの補正を必要とし、
ウェーハ上に投影された像の左右よじれなどの補正を必
要とする。そこで、オーバーレイ測定機20は図4に示
した10個の測定パラメーター、OF−X、OF−Y、
SC−X、SC−Y、ORT、W−ROT、RED−
X、RED−Y、ROT−XおよびROT−Yを測定時
間およびロットIDと共にオーバーレイ補正値制御機3
0に提供する。
30は露光装置、すなわちステッパの補正入力値x
(n)を推定するためのALMS−NN(Adapti
ve Least Mean Square Neur
al Network)アルゴリズムを実施する。オー
バーレイ補正値制御機30は装備入力値をALMS−N
Nアルゴリズムにより推定して、ステッパ14に、図5
に示したデータを提供する。ステッパに提供されるデー
タは、生成時間およびロットID別にFWDデータ、R
ETデータ、NNデータ、INデータを含む。
ER)のステッパエラー値であり、RETデータはバイ
アスデータであり、NNデータは神経回路網で計算され
た出力値であり、INデータは装備補正値、すなわち装
備入力値である。 (ALMS−NNアルゴリズム)まず、フォト工程で計
測測定誤差を最少化するためには、装置の入力値x
(n)を推定することができるアルゴリズムが必要であ
る。従来の補正システムのデータベースから得たx
(n)は、どんな解釈が可能である関数としても近似が
不可能である程度の任意性を示している。
650ロットのデータのうち、装備補正値のうちの一つ
であるoffset−xに対する装備入力値を時間順に
グラフとして示したものである。図7は、図6の装備入
力値を同一ヒストリを有するロット別に整列したもので
あり、図8は装備入力値のうちのバイアス値を引いた後
の値を示す。
x(n)には該当ロットのヒストリと密接した関係があ
ることが分かり、同一ヒストリ別に一定のバイアスがか
かっていることが分かる。同一ヒストリ別に装備入力値
の差異が出ることは、レチクルにとれているパターンの
誤差、ならびにベースI、ベースIIなどのフォト装備の
特性差異などのいろいろな要因の作用によるものであ
る。
うに、解釈可能であるどんな関数にも近似が不可能であ
る程度の任意性を有する。図10のように、装備補正値
x(n)は周波数スペクトルが全周波数領域に等しく広
がっているホワイトノイズに近い信号特性を示し、これ
を解釈可能である時間の関数に近似するということが相
当に困難であることが分かる。このような装備補正値x
(n)の任意的性質は、オーバーレイ測定機の測定誤差
を最少化するための装備補正値x(n)の推定を困難に
する主な要因になる。
は、正確な原因が分からない任意的要素のみがあるわけ
ではない。該当ロットのヒストリと連関するバイアス部
分はどのくらいか効果的に推定が可能な部分である。A
LMS−NNアルゴリズムでは、x(n)の効果的な推
定のためにx(n)をヒストリに連関性のあるバイアス
成分Xbias(n)と、変化原因が正確に分からない任意
的成分であるXrand(n)とに分離し、Xbias(n)は
該当ロットのヒストリを根本に推定する。
素であるランダム成分は、その任意的性質のために、正
確な推定は殆ど不可能であり、その変化を神経回路網の
逆伝播(back propagation)学習を利
用して追随(tracking)することにより、X
bias(n)の推定誤差を最少化する。
リに対する連関性が除去された状態になるために、該当
ロットのヒストリに相関なしに全データを利用すること
ができる。したがって、ヒストリの時間的変化が大きく
ない場合、既存補正システムで問題になったデータ使用
期限制約条件が解決される。また、該当ロットのヒスト
リ以外にx(n)に影響を及ぼす外部的要因が変化する
場合にも、神経回路網が有する学習能力を利用して効果
的に対処することができる。
ヒストリを有するロットに対する装置の入力値の平均値
を利用するものである。ある同一ヒストリを有するロッ
トの現在まで把握された過去装置補正値をxsh(m)、
m=1,2.....,nとし、このヒストリに対する
Xbias値が定数であると仮定する。そうすると、x
sh(m)は次のように示される。 xsh(m)=xbias+xsh rand(m) (3) この時、xsh(m)の完全な任意性を仮定すると、次の
数式(4)が成り立つ。
る効果的な評価対象としての役割を有することが分か
る。しかし、局所的に見るとき、Xsh rand(m)の完全
な任意性を期待することができず、同一ヒストリとして
もベースI装備とかベースII装備の変化、ならびに頻繁
なレチクルの変更により発生する誤差のような要因を考
慮すると、同一ヒストリロットに対するXbias値も定数
と見なすには現実的に無理がある。それゆえ、このよう
な変化要因を勘案するために提案されたALMS−NN
アルゴリズムでは、Xbias推定のためにXsh(m)に単
純な算術平均ではない区間線形加重平均を利用する。
線形加重平均とを利用してXbiasを推定すると、ヒスト
リに対する制約条件のために、同一ヒストリが存在しな
いロットを加工しなければならない場合に問題が発生す
る。
デバイスの場合には、新しいデータの確保のためのサン
プリング工程を避けることができない。しかし、デバイ
スは同一であるが、ヒストリ構成要素のうちのベースI
装置とか、ベースII装置とか、またはPPIDの差異の
ために、前記のような区間線形加重平均を利用すること
ができないという場合は、次のような方法を通じてX
biasを推定することができる。
備入力値の差異ができる理由は、ヒストリを構成する各
要素の特性差異のためである。ゆえに、Xbiasを各ヒス
トリ構成要素(PPID、ベースI、ベースII、レチク
ル)による成分に分離することができる。これらの構成
要素の相互連関関係を考慮しなければ、Xbiasは次のよ
うに示される。
BASEII bias、xRET biasは、各々PPID、ベースI、ベ
ースII、レチクルに対応するバイアス成分である。最も
大きい影響を及ぼす成分は、フォト工程の基本になるレ
チクルによるxRE T bias成分であり、その他の成分はそ
の影響力が相対的に微々である。したがって、同一ヒス
トリが存在しない場合、xRET bias以外の影響力はx
PPID bias>xBA SEI bias>xBASEII biasの順と把握され
る。
説明する二つの方法を用いて各成分を類推する。各方法
に対する説明は適用優先順位が高い順位から説明する。
また、ヒストリはPPID、ベースI、ベースII、レチ
クルの順に示す。これ以外の他の成分は適切な方法で類
推しても大きな無理はない。
の相対値を用いたXbiasの類推 現在Xbias1を推定するロットのヒストリ(H1)と、
過去ヒストリデータ(H2、H3、H4)とが次の数式
(8)〜数式(11)のとおりであると仮定する。 H1={P1,BI1,BII2,R1},xbias1 (8) H2={P1,BI1,BII3,R1},xbias2 (9) H3={P2,BI4,BII2,R1},xbias3 (10) H4={P2,BI4,BII3,R1},xbias4 (11)
その他のヒストリ構成要素は同一であり、同様にH3と
H4はBII2とBII3のみ異なり、その他のヒストリ構
成要素は同一であることがわかる。現在、推定しようと
するH1に対するXbias1は次の数式(12)のように
推定することができる。
る。 Xbias1=Xbias3−Xbias4+Xbias2 (13) 影響力が最も小さい順序、すなわち、ベースII、ベース
I、PPIDの順に類推する。xRET bias成分がXbiasに
及ぼす影響力は、他の成分より非常に大きいために、H
1、H2、H3はレチクル成分がH1と同一であること
のみ考慮しなければならない。
なるヒストリの平均値を用いたXbia sの類推 現在、Xbiasを推定するロットのヒストリがH={P、
BI1、BII2、R}とする。また、HとBASEIIの
み異なるm個のヒストリデータH1〜Hmが存在し、各
々に該当するXbiasはXbias 1〜Xbias mとすると、次の
数式(14)のように平均値を類推する。
リデータが存在せずに、前記(2)の類推方法も適用す
ることができない場合には、サンプリング工程の実施が
不可避になる。
トリになる。補正値x(n)でヒストリを通じて推定す
ることができるXbias値を除外したその他の全ての任意
的要素はXrandに含まれる。
トリに対するデータの依存性が除去された状態であるの
で、いろいろな外的な要素による装備自体の時間による
特性変化を示す。しかし、現在までXrandの値を時間に
より変化させる要因は、正確に明らかにされていないた
めに、Xrand値を推定することは困難である。
のうちの一つは、神経回路網を用いてXrandの変化を追
随するように作る方法である。
特性の変化のいろいろな変化要因を考慮するために、同
じヒストリを有するロットに対するデータのうち、相当
に制限された期限内のデータのみを用いている。しか
し、工程運営では、このような制限事項により問題点が
惹起されており、ALMS−NNアルゴリズムではこの
ような変化要因をヒストリと分離させ、独立的に考慮す
ることにより、既存システムの短所を補完し工程運営効
率を高めた。
図11に示したように3個の入力ニューロンを含む入力
層50と1個の出力ニューロンを含む出力層58、なら
びに各々5個、5個、3個のニューロンからなる3層の
隠匿層52、54、56を有する多層神経網であり、神
経回路網の学習方法として最も一般的な誤謬逆伝播(e
rror back propagation)方式を
用いた。
54、56および出力層58の方向へ連結されており、
各層内の連結と出力層58で入力層50への直接的な連
結は存在しない正方向(feedforward)ネッ
トワークである。ALMS−NNアルゴリズムで用いた
誤謬逆伝播学習方法では、入力層50の各ノードに入力
パターンを与えると、この信号は各ノードで変化し隠匿
層52、54、56に伝達され、最後に出力層58に出
力される。この出力値と期待値を比較してその差異を減
少させる方向へ、連結強度(ウェイト)Wを調節し、上
位層で逆伝播し、下位層ではこれを根拠に再び磁気層の
連結強度(ウェイト)Wを調整する。
出力は次の数式(15)のとおりである。 am+1=fm+1(wm+1am+bm+1) (15) ここで、mは0、1、...M−1であり、aは各ニュ
ーロンの出力、bはバイアス、fは伝達関数、wはウェ
イトを示す。Mは神経回路網の層数を示す。
で期待値と差による誤差は次の数式(16)のとおりで
ある。 F(X)=(t(k)−a(k))T(t(k)−a(k))=e(k)Te( k) (16)
路網のウェイトとバイアスバクトルを示し、tは期待出
力値を示す。ここで、近似化された最急降下アルゴリズ
ムを行列式で表現すると、次の数式(17)、(18)
のとおりである。
し、行列式で表現すると、次の数式(19)のとおりで
ある。
段に次のように逆に伝播される。 sm→sM-1→・・・→s2→s1
表現される。 s=−2FM(nM)(t−a) (20) 神経回路網を用いると、Xrandの変化を追随するよう
に、次の数式(21)のような入出力関係を考慮する。
タを参考にして、現在のXrand値の推定値を生成する。
生成された推定値は、後にオーバーレイ測定機を通じて
測定された実際値との誤差を減少させる方向へ神経回路
網を学習させる過程を通じて、神経回路網の出力がX
rand値の変化を追随するようにする。
達関数としては、次の数式(22)で示されるシグモイ
ド(sigmoid)関数を用いる。 φ(v)=1/(1+exp(−av)) (22) 出力ニューロンの伝達関数は、線形関数を使用する。
させるために、隠匿層を有するようにしたが、隠匿層の
数と神経回路網の性能とが比例関係にあるわけではな
く、3層以上の隠匿層は神経回路網の性能向上に大きく
助けにならないということが一般的である。
回路網の学習方法 図12に示すように、本実施例のシステムではまず、シ
ステムのALMS−NN変数および神経網セットアップ
変数などを初期化する(S102)。続いて、実行モー
ドが入力され(S104)、入力された実行モードがセ
ットアップモードであるかロードモードであるかを判断
する(S106)。
ると判断すると、セットアップファイルをオープンし、
一つのレコードを読んで上記の初期化された各変数に代
入し(S108)、セットアップモジュールを実施する
(S110)。S106段階で、セットアップモードで
はないと判断すると、ロードモードであるかをチェック
する(S112)。S112段階で、ロードモードであ
ると判断すると、ファイル名を入力しファイルをローデ
ィングする(S114)。
た後には、ロードモジュールを実施する(S116)。
図13および図14に示すように、セットアップモジュ
ールはセットアップファイルが終了であるかをチェック
し、終了であると、結果を出力し(S120)、メイン
プログラムにリターンする。
ば、任意変数に貯蔵されたデータをセットアップモジュ
ールに使用される変数に代入する(S122)。代入さ
れた変数のうちのヒストリ構成要素である変数の値を使
用し、同一ヒストリデータが存在するかを検索する(S
124)。また、代入された変数から装備純粋補正値を
計算し(S126)、神経網学習モジュールを実施する
(S128)。
在、学習されたデータの同一ヒストリが存在しない場合
には(S130)、新しいバイアスデータを追加し(S
132)、S118段階を実施する。S130段階で、
同一ヒストリデータが存在する場合には、同一ヒストリ
バイアスデータがウィンドウサイズであるかを判断する
(S134)。S134段階で、ウィンドウサイズであ
ると判断した場合には、ウィンドウサイズにバイアス平
均値を求め(S136)、S118段階を実施する。S
134段階で、ウィンドウサイズではないと判断した場
合には、バイアスの平均値を求め(S138)、S11
8段階を実施する。
は実施モードを選択し(S140)、選択された三つの
実行モードにより要請(REQUEST)モジュール
(S142)、フィードバック(FEEDBACK)モ
ジュール(S144)および修正(MODIFY)モジ
ュール(S146)を各々実施する。
T)モジュール(S142)では、新しいロットが装備
にトラックイン(track−in)されると、ロット
データを読んで要請(REQUEST)モジュールで使
用される変数に代入する(S148)。ALMS−NN
アルゴリズムでのロットのヒストリ構成要素、すなわち
PPID、ベースI、ベースIIおよびレチクルを確認
し、過去に同一のヒストリを有するロットを加工したと
きのデータを探す(S150)。
には、最近の10個のバイアスデータを読んで(S15
2)、これらデータに対する区間線形加重平均に該当ロ
ットに対するXbiasの推定値を求める。S150段階
で、同一ヒストリにデータが存在しない場合には、上述
した2段階の類推方法によりXbiasの推定値を求めるた
めに、バイアス類推モジュールを実施する(S15
4)。
定し、ランダム値を推定するために神経回路網モジュー
ルを実施し(S156)、装備入力値を推定する。最近
の、3個のランダム補正値を根拠に神経回路網が推定し
たXbiasの推定値を求める。最終装備の入力値は次の数
式(23)により決定される。
ward)入力値である。直交(orthogonal
ity)の場合は、他の入力パラメーターとは異なり、
補正値が数式(24)のように与えられる。 x(n)=i(n)+f(n)+e(n) (24) そのため、Xbiasを推定するときや入力値を生成すると
き、若干の差異ができる。従って、直交成分の装備入力
値は次の数式(25)で示される。
バックされたオーバーレイ測定機の測定値を用いる。あ
るロットに対する測定機の測定誤差を0にすることがで
きる理想的な装備入力値をi(n)とするとき、数式
(23)で与えられる装備入力値とi(n)との差異が
測定誤差として示されるので、数式で説明すると次の数
式(26)のとおりである。
れを神経回路網の誤謬逆伝播学習に用いる。
にフィードバックさせるわけではなく、−e(n)をフ
ィードバックさせなければならない。したがって、数式
(28)のようになる。
ることができない場合には、サンプリングの可否を判断
(S158)し、サンプリング工程が必要でない場合に
は、現在ロットに対する入力値をファイルに出力し、デ
ータを貯蔵する(S160)。S158段階でサンプリ
ング工程が必要であると判断されると、サンプリング実
施を勧告するメッセージを出力し、サンプリング実施デ
ータを貯蔵する(S162)。
ュールでは、フィードバックファイルでデータを読んで
くる(S164)。フィードバックデータ値がスペック
イン範囲(SPEC−IN RANGE)の5倍以上で
あるか否かを判断(S166)し、5倍以上である場
合、現在フィードバックされたデータと同一データを任
意ファイルデータ(以下、任意ファイルデータを「AS
S−DATA」という)で削除する(S168)。
ASS−DATAで現在フィードバックされたデータと
同一ロットデータを探し(S170)、該当ロットに対
するヒストリ存在可否を判断し、神経回路網アップデー
タのための純粋補正値を計算する(S172)。
(S174)、神経網データモジュールを実施した後
に、メインプログラムにリターンする(S176)。図
18に示すように、修正モジュールではASS−DAT
Aを出力してモニター上にディスプレーする(S17
8)。これに、オペレーターにより消すロット番号が入
力され(S180)、入力された該当ロット変数をAS
S−DATAで削除し(S182)、削除された結果を
モニター上にディスプレーする(S184)。
ス類推モジュールでは、まず、ヒストリ構成要素のう
ち、影響力が最も小さいベースII成分のみ異なり、その
他の3個のヒストリ構成要素が同一のバイアスデータを
抽出する(S186)。S186段階で抽出されたデー
タが存在するかをチェックし(S188)、存在する場
合には現在ロットと同一なバイアスデータを抽出する
(S190)。抽出されたバイアスデータを組合せて、
上述したようにベースIIの相対バイアスを求める(S1
92)。
場合には終了し、要請(REQUEST)モジュールに
リターンする(S194)。S192段階で上述した式
による相対バイアスが得られないときや、S188段階
でバイアスデータの抽出がない場合には、ベースIIのみ
異なり、その他3個のヒストリが同一のバイアスデータ
を抽出する(S196)。
るか否かをチェックし(S198)、存在する場合に
は、現在ロットと同一なバイアスデータを抽出する(S
200)。抽出されたバイアスデータを組合せて、上述
したようにベースIの相対バイアスを求める(S20
2)。
場合には終了し、要請(REQUEST)モジュールに
リターンする(S204)。S202段階で相対バイア
スが得られないときや、S198段階でバイアスデータ
の抽出がない場合には、PPIDのみ異なり、その他3
個のヒストリが同一のバイアスデータを抽出する(S2
06)。
るか否かをチェックし(S208)、存在する場合に
は、現在ロットと同一なバイアスデータを抽出する(S
210)。抽出されたバイアスデータを組合せて、上述
したようにPPIDの相対バイアスを求める(S21
4)。
場合には終了し、要請(REQUEST)モジュールに
リターンする(S216)。S214段階で上述した式
による相対バイアスが得られない場合には、各々ベース
II、ベースIのうちのいずれか一つのみ異なり、その他
3個のヒストリが同一のバイアスデータの平均値を求め
る(S212)。
は、神経網の入力層データをアップデータし(S21
4)、1次隠匿層出力(S216)、2次隠匿層出力
(S218)および3次隠匿層出力(S220)を経て
出力層を通じて最終出力を算出する(S222)。算出
されたランダム補正値とバイアス値を合算し、装備補正
値を計算する(S224)。
モジュールでは、誤謬逆伝播学習のために3次隠匿層か
ら1次隠匿層まで順次に各層の感度を計算する(S22
6〜S230)。続いて、計算された感度に応答して3
次隠匿層から1次隠匿層まで順次に各層のウェイトをア
ップデータし(S232〜S236)、神経網のアップ
データを終了する。
して実施する。装置を初めて始動した場合を仮定して、
過去実施データが全く無しの状態で模擬実験を始め、既
存アルゴリズムとの性能比較を通じてALMS−NNア
ルゴリズムの性能を検証した。
わった後、すぐに測定を行わないため、模擬実験はこれ
を考慮して5ロット程度の測定遅延を仮定して実施し
た。すなわち、工程を実施してから5ロット程度の工程
時間が経過した後に、測定誤差を用いることができるよ
うにした。
差がスペックイン範囲を超えない比率であるスペックイ
ン比である。既存アルゴリズムのスペックイン比は、デ
ータ上の測定誤差を求め、ALMS−NNアルゴリズム
に対してALMS−NNアルゴリズムから生成された装
置入力値を適用した場合に、測定されるものであると思
われる仮想の測定誤差を求めてスペックイン比を求め
た。
ie(n)、これを用いて工程を実施たロットで測定さ
れたオーバーレイ測定誤差をee(n)といい、ALM
S−NNアルゴリズムで計算された装備入力値をi
a(n)、これを用いた場合に測定される仮想測定誤差
をea(n)とすると、次の数式(30)が成立する。
工程を実施できない場合に対してALMS−NNアルゴ
リズムを適用した場合のスペックイン比を通じて、サン
プリング工程回数の減少の可能性を検証した。
すべきである場合としては、現在工程進行中のロットと
同一のヒストリを有するロットを加工したことがなく、
参考するデータがない場合(no history c
ase)と、同一ヒストリを有するロットを加工したこ
とはあるが、定まった期限を過ぎてそのデータを信頼す
ることができない場合(old history ca
se)とである。
ロットの加工時間である。すなわち、同一ヒストリデー
タが存在するが、最近の150ロットにはヒストリデー
タが存在しない場合をold history cas
eとした。一つのロットを加工するのにかかる時間は約
40分であるが、全てのロットに対して測定を行うわけ
ではないという点を考慮したとき、模擬実験で使用した
データは全て測定を行った場合のみを用いるので、1ロ
ットの加工時間を約1時間にしても関係ないと見なされ
る。
は、約5から6時間である。既存アルゴリズムで使用で
きるデータの期限は3〜5日であるので、最近工程を実
施した約150ロットに現在ロットと同一のヒストリを
有するロットが存在しないと、既存アルゴリズムではサ
ンプリング工程を実施しなければならない。
set−X、offset−Yの場合、−0.03〜
0.03、Scale−X、Scale−Y、Orth
ogonality、wafer rotation−
Yの場合は−0.03〜0.3、また、Reticle
Reduction、Reticle Rotati
onの場合は−1.5〜1.5のスペックイン範囲を適
用した。
タ数5200個のうちNo History case
は40回発生し、そのうちXbiasを類推して使用した場
合は13回であり、Old History case
sは99回発生した。
タ数3400個のうちNo History case
は63回発生し、そのうちXbiasを類推して使用した場
合は13回であり、Old History case
sは161回発生した。
タ数3000個のうちNo History case
は71回発生し、そのうちXbiasを類推して使用した場
合は23回であり、Old History case
sは70回発生した。
ックイン比の場合、ALMS−NNアルゴリズムが既存
アルゴリズムに比べて多少向上された結果を示してい
る。しかし、ALMS−NNアルゴリズムを提案した最
も主な目的は、スペックイン比の向上よりは多品種少量
生産体制で大きな問題になっているサンプリング工程の
回数を減少させることにある。ゆえに、模擬実験結果で
示しているALMS−NNアルゴリズムのスペックイン
比がどのくらい満足な結果かを判断する。
ために、A号機の場合の測定機測定誤差の分布を図23
から図27でグラフに示したが、既存アルゴリズムとA
LMS−NNアルゴリズム間の大きい差異はなかった。
なお、B、C号機に対する計測測定誤差分布はA号機と
類似するので説明を省略する。
には、同一ヒストリデータが存在しない場合に、ALM
S−NNアルゴリズムを適用してXbias値を類推して用
いた場合とか、長くなったヒストリデータを用いた場合
のスペックイン比が、全体スペックイン比と比較した場
合、多く遅れてはいけない。
いて、Xbias値を類推することができる確率はA号機が
32.5%、B号機が20.1%、C号機が32.4%
程度であり、このように類推した値を用いて生成された
装備入力値で工程を実施したと仮定したときのスペック
イン比は全体スペックイン比よりは多少低下するが、約
70〜80%程度に確保される。
関するスペックイン比は、模擬実験を実施した三つの装
置全てのスペックイン比と殆ど対等な結果を示してい
る。これはALMS−NNアルゴリズムを適用すると、
既存アルゴリズムで大きな問題になったデータ使用期限
問題を解決することができる可能性を示す結果というこ
とができる。
び妥当性検証のための工程適用は、三日にわたって実施
し、テストを通じて計67ロットの工程を実施した。
が存在せずにXbiasを類推するアルゴリズムを適用した
場合はなく、既存アルゴリズムを利用した場合であれ
ば、データの期限のためにサンプリング工程を実施しな
ければならない場合が17回発生した。もちろん、AL
MS−NNアルゴリズムの場合、データの期限を考慮せ
ずに適用したために、このような場合もサンプリング工
程なしにそのままに工程を実施した。
程度を得ることができた。すなわち、スペックアウトが
発生して工程を再実施する場合が約2%程度発生し、こ
れはALMS−NNアルゴリズムを適用せずに既存アル
ゴリズムを適用したときの全体スペックアウト発生率で
ある8%よりは非常に低かった。
ALMS−NNアルゴリズムを適用した測定機測定誤差
(A−KLA)と既存アルゴリズムで生成した装置入力
値を適用したと仮定するときの仮想の測定機測定誤差
(E−KLA)との比較グラフ、ならびにALMS−N
Nアルゴリズムで生成された装置入力値の構成を示すグ
ラフである。
ーレイ測定機測定誤差の散布性はALMS−NNアルゴ
リズムを用いた場合、ならびに既存アルゴリズムを用い
た場合が殆ど同一であった。図33から図37に示した
ように、装置入力値はバイアス値とランダム値(神経回
路網出力値)の和に一致することが分かる。
を挙げて説明したが、半導体工程でコンピュータを用い
た自動制御方式の全ての装備、たとえばプラズマ装備、
CMP装備、CVD装備などに対して、過去のヒストリ
を根拠としたバイアス補正値と任意的なランダム値とに
区分して装備補正値を制御する場合、本発明のアルゴリ
ズムの適用が可能である。以上、本発明の実施例を詳細
に説明したが、本発明はこれに限定されず、本発明が属
する技術分野において通常の知識を有するものであれば
本発明の思想と精神を離れることなく、本発明の実施例
を修正または変更できるであろう。
レイ測定誤差の正確な予測と誤差を補正するための装備
入力値の決定をバイアス成分とランダム成分に分離し、
バイアス成分はヒストリ推定および類推により決定し、
ランダム成分は神経回路網を用いた学習と追随により決
定し、時間制限なしに全データを活用できるようにする
ことにより、サンプリング工程数を大幅に減少させるこ
とができるので、生産収率を向上させることができる。
を示すブロック図である。
定パラメーターを説明するための模式図である。
を示す模式図である。
オーバーレイ補正制御機にダウンされる測定データの構
造を示す模式図である。
からステッパに入力される補正データの構造を示す模式
図である。
において時間によるステッパの補正値変動を示す図であ
る。
態を示す図である。
アス値)を除去した状態を示す図である。
−Xに対する補正値の時間による変動状況を示す図であ
る。
ある。
す模式図である。
機の補正値推定動作を説明するためのフロー図である。
機の補正値推定動作を説明するためのフロー図である。
機の補正値推定動作を説明するためのフロー図である。
機の補正値推定動作を説明するためのフロー図である。
機の補正値推定動作を説明するためのフロー図である。
機の補正値推定動作を説明するためのフロー図である。
機の補正値推定動作を説明するためのフロー図である。
機の補正値推定動作を説明するためのフロー図である。
機の補正値推定動作を説明するためのフロー図である。
機の補正値推定動作を説明するためのフロー図である。
機の補正値推定動作を説明するためのフロー図である。
機と既存制御機との測定誤差分布を比較するための図で
ある。
機と既存制御機との測定誤差分布を比較するための図で
ある。
機と既存制御機との測定誤差分布を比較するための図で
ある。
機と既存制御機との測定誤差分布を比較するための図で
ある。
機と既存制御機との測定誤差分布を比較するための図で
ある。
アルゴリズムを実際装備に適用した結果を分析するため
の図である。
アルゴリズムを実際装備に適用した結果を分析するため
の図である。
アルゴリズムを実際装備に適用した結果を分析するため
の図である。
アルゴリズムを実際装備に適用した結果を分析するため
の図である。
アルゴリズムを実際装備に適用した結果を分析するため
の図である。
アルゴリズムを実際装備に適用した結果を分析するため
の図である。
アルゴリズムを実際装備に適用した結果を分析するため
の図である。
アルゴリズムを実際装備に適用した結果を分析するため
の図である。
アルゴリズムを実際装備に適用した結果を分析するため
の図である。
アルゴリズムを実際装備に適用した結果を分析するため
の図である。
Claims (18)
- 【請求項1】 被処理物を処理するための工程装置の入
力値と、前記工程装置で処理された被処理物を測定して
得た測定値との間の誤差値を得て、前記誤差値を減少さ
せるように前記工程装置の入力値を補正するための補正
値を算出し、前記補正値を次の補正値算出時に使用する
ための工程データとして管理する工程装置の制御方法に
おいて、 前記工程装置にローディングされる被処理物と同一ヒス
トリを有する過去工程データを検索する段階と、 前記検索された同一ヒストリを有する過去工程データの
うちの最近の複数の過去補正値から現在バイアス補正値
を推定する段階と、 前記過去工程データのうちの最近の複数の過去ランダム
補正値を基盤として神経回路網により現在ランダム補正
値を推定する段階と、 前記工程装置の現在補正値に前記推定されたバイアス補
正値およびランダム補正値を合算する段階と、 前記誤差値を使用して前記ランダム補正値の変化を推定
するように、前記神経回路網を学習させる段階と、 を含むことを特徴とする工程装置の制御方法。 - 【請求項2】 前記現在バイアス補正値の推定段階は、
次の数式(A)により定義された区間線形重量平均アル
ゴリズムにより推定を行うことを特徴とする請求項1に
記載の工程装置の制御方法。 【数式1】 Xbias;バイアス補正値 W;区間 Xsh;同一ヒストリを有する過去バイアス補正値 - 【請求項3】 前記神経回路網は多層神経網により構成
され、学習法は誤謬逆伝播方式であることを特徴とする
請求項1に記載の工程装置の制御方法。 - 【請求項4】 前記工程装置は、多品種少量生産体制の
半導体装置の製造装置であることを特徴とする請求項1
に記載の工程装置の制御方法。 - 【請求項5】 ウェーハ上のフォトレジストを露光する
ための露光装置の入力値と、前記露光装置で露光処理さ
れ現像されたフォトレジストパターンをオーバーレイ測
定装置を通じて測定して得た測定値との間の誤差値を得
て、前記誤差値を減少させるように前記入力値を補正す
るための補正値を算出し、前記補正値を次の補正値の算
出時に使用するための露光工程データとして生成時間単
位に管理する露光装置の制御方法において、 前記露光装置にローディングされる新しいロットと同一
ヒストリを有する過去工程データを検索する段階と、 前記検索された同一ヒストリを有する過去工程データの
うちの最近の複数の過去補正値から現在補正値のバイア
ス成分を推定する段階と、 前記過去工程データのうちの最近の複数の過去ランダム
補正値を基盤として神経回路網により現在補正値のラン
ダム成分を推定する段階と、 前記露光装置の現在補正値に前記推定されたバイアス成
分およびランダム成分を合算する段階と、 前記誤差値を使用して前記ランダム成分の変化を推定す
るように、前記神経回路網を学習させる段階と、 を含むことを特徴とする露光装置の制御方法。 - 【請求項6】 前記現在補正値のバイアス部分推定段階
は、次の数式(A)により定義された区間線形重量平均
アルゴリズムにより推定されることを特徴とする請求項
5に記載の露光装置の制御方法。 【数式2】 Xbias;補正値のバイアス成分 W;区間 Xsh;同一ヒストリを有する過去バイアス成分 - 【請求項7】 前記区間は、10にすることを特徴とす
る請求項6に記載の露光装置の制御方法。 - 【請求項8】 前記検索の段階で、ヒストリ構成要素で
あるレチクル、PPID、ベースIおよびベースIIが全
て同一のデータを同一ヒストリ工程データとして検出す
ることを特徴とする請求項5に記載の露光装置の制御方
法。 - 【請求項9】 前記検索の段階で前記同一ヒストリの工
程データが存在しない場合には、前記レチクルの要素が
同一の工程データのうち、レチクル以外の要素の優先順
位により補正値のバイアス部分を類推することを特徴と
する請求項8に記載の露光装置の制御方法。 - 【請求項10】 前記類推の方法は、 前記ヒストリ構成要素のうちいずれか一つの構成要素の
み他の工程データを抽出する段階と、 前記抽出された一つの構成要素のみ他の工程データのう
ちのいずれか一つの構成要素の相対値を利用し、補正値
のバイアス成分を類推する段階と、 前記相対値を利用してバイアス成分を算出することがで
きない場合には、前記抽出されたいずれか一つの構成要
素のみ他の工程データの平均を求め、補正値のバイアス
成分を類推する段階と、 を含むことを特徴とする請求項9に記載の露光装置の制
御方法。 - 【請求項11】 前記優先順位は、各成分補正値に影響
が少ない順序であるベースII、ベースI、PPIDの順
であることを特徴とする請求項10に記載の露光装置の
制御方法。 - 【請求項12】 前記類推ができない場合には、サンプ
リング工程の実施を要請する段階をさらに含むことを特
徴とする請求項10に記載の露光装置の制御方法。 - 【請求項13】 前記神経回路網は多層神経回路網によ
り構成され、学習法は誤謬逆伝播方式であることを特徴
とする請求項5に記載の露光装置の制御方法。 - 【請求項14】 前記多層神経網は、3つの入力ノード
を有する入力層と、1つの出力ノードを有する出力層
と、前記入力層と前記出力層との間に設けられている3
層の隠匿層とを備えることを特徴とする請求項13に記
載の露光装置の制御方法。 - 【請求項15】 前記隠匿層のニューロンは、伝達関数
としてシグモイド関数を使用することを特徴とする請求
項14に記載の露光装置の制御方法。 - 【請求項16】 前記出力層のニューロンは、伝達関数
として線形関数を使用することを特徴とする請求項14
に記載の露光装置の制御方法。 - 【請求項17】 ウェーハ上のフォトレジストを露光す
るための露光装置の入力値と、前記露光装置で露光処理
され現像されたフォトレジストパターンをオーバーレイ
測定装置を通じて測定して得た測定値との間の誤差値を
求め、前記誤差値を減少させるように前記入力値を補正
するための補正値を算出し、前記補正値を次の補正値算
出時に使用するための露光工程データとして生成時間単
位に管理する露光装置の制御方法において、 ヒストリ構成要素であるレチクル、PPID、ベースI
およびベースIIが前記露光装置にローディングされる新
しいロットと同一である過去工程データを検索する段階
と、 前記検索された同一ヒストリを有する過去工程データの
うちの最近の複数の過去補正値から現在補正値のバイア
ス成分を推定する段階と、 前記同一ヒストリを有する過去工程データが存在しない
場合には、前記ヒストリ構成要素のうちのレチクルを除
外したいずれかの一つの構成要素のみ他の工程データを
抽出する段階と、 前記抽出された一つの構成要素のみ他の工程データのう
ちのいずれか一つの構成要素の相対値を利用し、補正値
のバイアス成分を類推する段階と、 前記相対値を利用してバイアス成分を算出することがで
きない場合には、前記抽出されたいずれかの一つの構成
要素のみ他の工程データの平均値を求め、補正値のバイ
アス成分を類推する段階と、 前記過去工程データのうちの最近の複数の過去ランダム
補正値を基盤として、神経回路網により現在補正値のラ
ンダム成分を推定する段階と、 前記露光装置の現在補正値に前記推定されたバイアス成
分およびランダム成分を合算する段階と、 前記誤差値を使用して前記ランダム成分の変化を推定す
るように、前記神経回路網を学習させる段階と、 を含むことを特徴とする露光装置の制御方法。 - 【請求項18】 前記類推の段階では、各成分の補正値
に影響が少ない順序であるベースII、ベースI、PPI
Dの順に類推することを特徴とする請求項17に記載の
露光装置の制御方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR2001-39371 | 2001-07-03 | ||
KR10-2001-0039371A KR100375559B1 (ko) | 2001-07-03 | 2001-07-03 | 공정장치의 제어방법 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2003124110A true JP2003124110A (ja) | 2003-04-25 |
JP3883914B2 JP3883914B2 (ja) | 2007-02-21 |
Family
ID=19711692
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2002192055A Expired - Fee Related JP3883914B2 (ja) | 2001-07-03 | 2002-07-01 | 工程装置の制御方法 |
Country Status (7)
Country | Link |
---|---|
US (1) | US6700648B2 (ja) |
JP (1) | JP3883914B2 (ja) |
KR (1) | KR100375559B1 (ja) |
CN (1) | CN1214301C (ja) |
DE (1) | DE10213285B4 (ja) |
GB (1) | GB2377278B (ja) |
TW (1) | TWI221948B (ja) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008117444A1 (ja) * | 2007-03-27 | 2008-10-02 | Fujitsu Limited | リソグラフィ処理の露光位置アライメント方法 |
US7435978B2 (en) | 2004-10-13 | 2008-10-14 | Kabushiki Kaisha Toshiba | System, method and a program for correcting conditions for controlling a charged particle beam for lithography and observation, and a program and method for manufacturing a semiconductor device |
JP2017538156A (ja) * | 2014-12-02 | 2017-12-21 | エーエスエムエル ネザーランズ ビー.ブイ. | リソグラフィ方法及び装置 |
US10078272B2 (en) | 2014-12-02 | 2018-09-18 | Asml Netherlands B.V. | Lithographic method and apparatus |
JP2019102495A (ja) * | 2017-11-28 | 2019-06-24 | キヤノン株式会社 | 情報処理装置、プログラム、リソグラフィ装置、リソグラフィシステム、および物品の製造方法 |
US10429749B2 (en) | 2015-09-24 | 2019-10-01 | Asml Netherlands B.V. | Method of reducing effects of reticle heating and/or cooling in a lithographic process |
Families Citing this family (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6766214B1 (en) * | 2003-04-03 | 2004-07-20 | Advanced Micro Devices, Inc. | Adjusting a sampling rate based on state estimation results |
TW594434B (en) * | 2003-04-30 | 2004-06-21 | Nanya Technology Corp | Exposure system and method |
US7590175B2 (en) | 2003-05-20 | 2009-09-15 | Rambus Inc. | DFE margin test methods and circuits that decouple sample and feedback timing |
US7627029B2 (en) | 2003-05-20 | 2009-12-01 | Rambus Inc. | Margin test methods and circuits |
DE102005009071B4 (de) * | 2005-02-28 | 2008-06-26 | Advanced Micro Devices, Inc., Sunnyvale | Verfahren zur Prozesssteuerung |
JP4281719B2 (ja) * | 2005-08-10 | 2009-06-17 | コニカミノルタビジネステクノロジーズ株式会社 | ファイル処理装置、ファイル処理方法、およびファイル処理プログラム |
JP2008122929A (ja) * | 2006-10-20 | 2008-05-29 | Toshiba Corp | シミュレーションモデルの作成方法 |
TWI338916B (en) * | 2007-06-08 | 2011-03-11 | Univ Nat Cheng Kung | Dual-phase virtual metrology method |
WO2009013741A2 (en) * | 2007-07-22 | 2009-01-29 | Camtek Ltd | Method and system for controlling a manufacturing process |
WO2009058412A1 (en) * | 2007-10-29 | 2009-05-07 | Nec Laboratories America, Inc. | Discovering optimal system configurations using decentralized probability based active sampling |
JP2009224374A (ja) * | 2008-03-13 | 2009-10-01 | Oki Semiconductor Co Ltd | Peb装置及びその制御方法 |
US8260732B2 (en) | 2009-11-24 | 2012-09-04 | King Fahd University Of Petroleum And Minerals | Method for identifying Hammerstein models |
CN103293878B (zh) * | 2013-05-31 | 2015-07-15 | 上海华力微电子有限公司 | 光刻机产能监测*** |
CN110488576B (zh) * | 2014-09-04 | 2023-05-16 | 株式会社尼康 | 处理*** |
US10684600B2 (en) * | 2015-11-19 | 2020-06-16 | Dspace Digital Signal Processing And Control Engineering Gmbh | Method for operating a control device and for external bypassing of a configured control device |
KR20190048491A (ko) | 2017-10-31 | 2019-05-09 | 삼성전자주식회사 | 식각 효과 예측 방법 및 입력 파라미터 결정 방법 |
KR102468295B1 (ko) * | 2020-01-20 | 2022-11-16 | 두산에너빌리티 주식회사 | 인공지능 알고리즘을 이용한 물리적 모델의 오차 감소를 위한 장치 및 이를 위한 방법 |
US20220026798A1 (en) * | 2020-05-06 | 2022-01-27 | Kla Corporation | Inter-step feedforward process control in the manufacture of semiconductor devices |
KR102271975B1 (ko) * | 2021-01-13 | 2021-07-02 | (주)에이피에스티 | 공정 관리를 위한 동특성 해석 시스템 및 방법 |
US20230107813A1 (en) * | 2021-10-06 | 2023-04-06 | Applied Materials, Inc. | Time constraint management at a manufacturing system |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0982612A (ja) * | 1995-09-18 | 1997-03-28 | Mitsubishi Electric Corp | 重ね合せずれの検査方法 |
JP2000081712A (ja) * | 1998-09-04 | 2000-03-21 | Mitsubishi Electric Corp | アライメント補正方法、半導体装置の製造方法、アライメント補正装置および半導体装置 |
JP2001006997A (ja) * | 1999-06-22 | 2001-01-12 | Nec Kyushu Ltd | 目合わせ露光装置システム及び目合わせ露光方法 |
JP2001117900A (ja) * | 1999-10-19 | 2001-04-27 | Fuji Xerox Co Ltd | ニューラルネットワーク演算装置 |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0443249B1 (en) * | 1990-02-22 | 1997-03-05 | AT&T Corp. | Manufacturing adjustment during article fabrication |
SG70554A1 (en) | 1992-12-14 | 2000-02-22 | At & T Corp | Active neural network control of wafer attributes in a plasma etch process |
US5467883A (en) * | 1992-12-14 | 1995-11-21 | At&T Corp. | Active neural network control of wafer attributes in a plasma etch process |
JPH07141005A (ja) * | 1993-06-21 | 1995-06-02 | Hitachi Ltd | 半導体集積回路装置の製造方法および製造装置 |
US5448684A (en) * | 1993-11-12 | 1995-09-05 | Motorola, Inc. | Neural network, neuron, and method for recognizing a missing input valve |
US6215896B1 (en) * | 1995-09-29 | 2001-04-10 | Advanced Micro Devices | System for enabling the real-time detection of focus-related defects |
US5864773A (en) * | 1995-11-03 | 1999-01-26 | Texas Instruments Incorporated | Virtual sensor based monitoring and fault detection/classification system and method for semiconductor processing equipment |
KR0166321B1 (ko) * | 1996-03-14 | 1999-01-15 | 김광호 | 스테퍼별 정렬노광조건 설정방법 |
JP2867982B2 (ja) * | 1996-11-29 | 1999-03-10 | 日本電気株式会社 | 半導体装置の製造装置 |
KR100251279B1 (ko) * | 1997-12-26 | 2000-04-15 | 윤종용 | 반도체 제조용 증착설비의 막두께 조절방법 |
KR100292062B1 (ko) * | 1998-03-12 | 2001-08-07 | 황인길 | 반도체 웨이퍼의 노광 시간 보정방법 |
KR100268042B1 (ko) * | 1998-03-12 | 2000-11-01 | 김규현 | 반도체 웨이퍼의 오버레이 보정 방법 |
US6197604B1 (en) * | 1998-10-01 | 2001-03-06 | Advanced Micro Devices, Inc. | Method for providing cooperative run-to-run control for multi-product and multi-process semiconductor fabrication |
US6556876B1 (en) * | 2000-10-12 | 2003-04-29 | National Semiconductor Corporation | Hybrid fuzzy closed-loop sub-micron critical dimension control in wafer manufacturing |
-
2001
- 2001-07-03 KR KR10-2001-0039371A patent/KR100375559B1/ko active IP Right Grant
- 2001-10-26 TW TW090126637A patent/TWI221948B/zh not_active IP Right Cessation
-
2002
- 2002-02-12 US US10/072,901 patent/US6700648B2/en not_active Expired - Lifetime
- 2002-03-05 GB GB0205159A patent/GB2377278B/en not_active Expired - Lifetime
- 2002-03-25 DE DE10213285A patent/DE10213285B4/de not_active Expired - Lifetime
- 2002-04-02 CN CNB021087997A patent/CN1214301C/zh not_active Expired - Lifetime
- 2002-07-01 JP JP2002192055A patent/JP3883914B2/ja not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0982612A (ja) * | 1995-09-18 | 1997-03-28 | Mitsubishi Electric Corp | 重ね合せずれの検査方法 |
JP2000081712A (ja) * | 1998-09-04 | 2000-03-21 | Mitsubishi Electric Corp | アライメント補正方法、半導体装置の製造方法、アライメント補正装置および半導体装置 |
JP2001006997A (ja) * | 1999-06-22 | 2001-01-12 | Nec Kyushu Ltd | 目合わせ露光装置システム及び目合わせ露光方法 |
JP2001117900A (ja) * | 1999-10-19 | 2001-04-27 | Fuji Xerox Co Ltd | ニューラルネットワーク演算装置 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7435978B2 (en) | 2004-10-13 | 2008-10-14 | Kabushiki Kaisha Toshiba | System, method and a program for correcting conditions for controlling a charged particle beam for lithography and observation, and a program and method for manufacturing a semiconductor device |
WO2008117444A1 (ja) * | 2007-03-27 | 2008-10-02 | Fujitsu Limited | リソグラフィ処理の露光位置アライメント方法 |
JP2017538156A (ja) * | 2014-12-02 | 2017-12-21 | エーエスエムエル ネザーランズ ビー.ブイ. | リソグラフィ方法及び装置 |
US10078272B2 (en) | 2014-12-02 | 2018-09-18 | Asml Netherlands B.V. | Lithographic method and apparatus |
US10451977B2 (en) | 2014-12-02 | 2019-10-22 | Asml Netherlands B.V. | Lithographic method and apparatus |
US10429749B2 (en) | 2015-09-24 | 2019-10-01 | Asml Netherlands B.V. | Method of reducing effects of reticle heating and/or cooling in a lithographic process |
US10564555B2 (en) | 2015-09-24 | 2020-02-18 | Asml Netherlands B.V. | Method of reducing effects of reticle heating and/or cooling in a lithographic process |
JP2019102495A (ja) * | 2017-11-28 | 2019-06-24 | キヤノン株式会社 | 情報処理装置、プログラム、リソグラフィ装置、リソグラフィシステム、および物品の製造方法 |
JP7262921B2 (ja) | 2017-11-28 | 2023-04-24 | キヤノン株式会社 | 情報処理装置、プログラム、リソグラフィ装置、リソグラフィシステム、および物品の製造方法 |
Also Published As
Publication number | Publication date |
---|---|
DE10213285A1 (de) | 2003-01-23 |
DE10213285B4 (de) | 2007-02-01 |
GB2377278A (en) | 2003-01-08 |
CN1214301C (zh) | 2005-08-10 |
GB0205159D0 (en) | 2002-04-17 |
TWI221948B (en) | 2004-10-11 |
US20030058428A1 (en) | 2003-03-27 |
CN1393747A (zh) | 2003-01-29 |
GB2377278B (en) | 2003-11-19 |
KR100375559B1 (ko) | 2003-03-10 |
JP3883914B2 (ja) | 2007-02-21 |
US6700648B2 (en) | 2004-03-02 |
KR20030003803A (ko) | 2003-01-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2003124110A (ja) | 工程装置の制御方法 | |
US6904328B2 (en) | Large scale process control by driving factor identification | |
US6528331B1 (en) | Method for identifying and controlling impact of ambient conditions on photolithography processes | |
KR101003558B1 (ko) | 전기적 가공 제어를 위한 확률 제약 최적화 | |
KR100994271B1 (ko) | 제품 설계 및 수율 피드백 시스템에 기초하는 포괄적인집적 리소그래피 공정 제어 시스템 | |
US5497331A (en) | Semiconductor integrated circuit device fabrication method and its fabrication apparatus | |
JP2003506898A (ja) | 重ね合せレジストレーションのランごとの制御のための方法および装置 | |
JP2005513771A (ja) | フィードフォワードオーバーレイ情報を導入したフォトリソグラフィー・オーバーレイ整合を制御するための方法および装置 | |
CN113366390A (zh) | 半导体制造过程中的决定方法 | |
US7460922B1 (en) | Scanner optimization for reduced across-chip performance variation through non-contact electrical metrology | |
JP2002353104A (ja) | 半導体デバイスの露光方法、その露光システム及びそのプログラム | |
Park et al. | Run-to-run overlay control of steppers in semiconductor manufacturing systems based on history data analysis and neural network modeling | |
Bode | Run-to-run control of overlay and linewidth in semiconductor manufacturing | |
Jebri et al. | Virtual metrology on chemical mechanical planarization process based on Just-in-time learning | |
Schneider et al. | Automated photolithography critical dimension controls in a complex, mixed technology, manufacturing fab | |
JP2021028652A (ja) | リソグラフィ処理される半導体デバイスのためのプロセス制御方法 | |
TW202006568A (zh) | 提升產品製程品質之回饋系統及其方法 | |
Zhang et al. | A novel strategy of correntropy-based iterative neural networks for data reconciliation and gross error estimation in semiconductor industry | |
TWI814370B (zh) | 用於程序控制之因果卷積網路 | |
WO2001050208A1 (en) | Semiconductor production control | |
US20230260855A1 (en) | Method of determining a correction strategy in a semiconductor manufacturing process and associated apparatuses | |
Yu et al. | A composite algorithm of lithography process in AlGaN/GaN-on-SiC HEMTs manufacturing | |
Hu et al. | Advanced regression OPC model setup | |
NL2024999A (en) | Determining lithographic matching performance | |
CN116431833A (zh) | 一种知识图谱动态更新的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20061018 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20061023 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20061115 |
|
R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 Ref document number: 3883914 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20101124 Year of fee payment: 4 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20111124 Year of fee payment: 5 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20121124 Year of fee payment: 6 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20121124 Year of fee payment: 6 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20131124 Year of fee payment: 7 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
LAPS | Cancellation because of no payment of annual fees |