JP2003124110A

JP2003124110A - 工程装置の制御方法

Info

Publication number: JP2003124110A
Application number: JP2002192055A
Authority: JP
Inventors: Kyoung Shik Jun; 耕植田; Chan-Hoon Park; 贊勳朴; Ichishaku Boku; 一錫朴; 奉秀 ▼曹▲; Bong Su Cho; Kang Hyun Tai; 顯台姜; Jae Won Hwang; 載媛黄; Young Ho Jei; 永鎬諸
Original assignee: Samsung Electronics Co Ltd
Current assignee: Samsung Electronics Co Ltd
Priority date: 2001-07-03
Filing date: 2002-07-01
Publication date: 2003-04-25
Anticipated expiration: 2022-07-01
Also published as: DE10213285A1; DE10213285B4; GB2377278A; CN1214301C; GB0205159D0; TWI221948B; US20030058428A1; CN1393747A; GB2377278B; KR100375559B1; JP3883914B2; US6700648B2; KR20030003803A

Abstract

(57)【要約】【課題】工程装置の制御方法を提供する。【解決手段】ウェーハＷ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

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、工程装置の制御方
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（ＡｄａｐｔｉｖｅＬｅａ
ｓｔＭｅａｎＳｑｕａｒｅＮｅｕｒａｌＮｅｔ
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。

【０００２】

【従来の技術】半導体産業では、競争力の強化を目的と
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−ｌｉｔｈｏｇｒａｐｈｉｃＰｒｏ
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。

【０００３】このようなシステム構築のために、露光工
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。

【０００４】半導体製造工程で高い生産収率を保障する
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（ＰｒｏｃｅｓｓＣｏｎ
ｔｒｏｌＳｙｓｔｅｍ；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。

【０００５】一種の‘経験伝授’方式で過去工程の経験
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（ＨｉｓｔｏｒｙＤａｔａ）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。

【０００６】このため、特定の数学的モデルが存在せず
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、ａｎｄＫ．Ｔｓａｋａｌｉｓ、“Ｍｏｎｉｔｏｒ
ｉｎｇａｎｄＣｏｎｔｒｏｌｏｆＳｅｍｉｃｏ
ｎｄｕｃｔｏｒＭａｎｕｆａｃｔｕｒｉｎｇＰｒｏ
ｃｅｓｓｅｓ”、ＩＥＥＥＣｏｎｔｒｏｌＳｙｓｔ
ｅｍｓ、１９９８．／Ｘ．Ａ．ＷａｎｇａｎｄＲ．
Ｌ．Ｍａｈａｊａｎ、“ＡｒｔｉｆｉｃｉａｌＮｅｕ
ｒａｌＮｅｔｗｏｒｋＭｏｄｅｌ−ＢａｓｅｄＲ
ｕｎ−ｔｏ−ＲｕｎＰｒｏｃｅｓｓＣｏｎｔｒｏｌ
ｌｅｒ”、ＩＥＥＥＴｒａｎｓ．ｏｎＣｏｍｐｏｎ
ｅｎｔ、Ｐａｃｋａｇｉｎｇ、ａｎｄＭａｎｕｆａｃ
ｔｕｒｉｎｇＴｅｃｈｎｏｌｏｇｙ−ＰａｒｔＣ、
ｖｏｌ．１９、ｎｏ．１、Ｊａｎ．１９９６．）が提示
されている。

【０００７】第一に、過去に実施された工程データを利
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。

【０００８】しかし、このような方法は効果的な適用の
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
ｔｉａｌＷｅｉｇｈｔｅｄＭｏｖｉｎｇＡｖｅｒ
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、ａｎｄＡ．Ｉｎ
ｇｏｌｆｓｓｏｎ、“ＲｕｎｂｙＲｕｎＰｒｏｃ
ｅｓｓＣｏｎｔｒｏｌ：ＣｏｍｂｉｎｉｎｇＳＰＣ
ａｎｄＦｅｅｄｂａｃｋＣｏｎｔｒｏｌ”、ＩＥ
ＥＥＴｒａｎｓ．ｏｎＳｅｍｉｃｏｎｄｕｃｔｏｒ
Ｍａｎｕｆａｃｔｕｒｉｎｇ、ｖｏｌ．８、ｎｏ．
１、Ｆｅｂ．１９９５．／Ｍ．Ｓ．Ｐａｔｅｌａｎｄ
Ｓ．Ｔ．Ｊｅｎｋｉｎｓ、“ＡｄａｐｔｉｖｅＯｐ
ｔｉｍｉｚａｔｉｏｎｏｆＲｕｎ−ｔｏ−Ｒｕｎ
Ｃｏｎｔｒｏｌｌｅｒｓ：ＴｈｅＥＷＭＡＥｘａ
ｍｐｌｅ”、ＩＥＥＥＴｒａｎｓ．ｏｎＳｅｍｉｃ
ｏｎｄｕｃｔｏｒＭａｎｕｆａｃｔｕｒｉｎｇ、ｖｏ
ｌ．１３、ｎｏ．１、Ｆｅｂ．２０００．／Ｔ．Ｈ．Ｓ
ｍｉｔｈ、Ｄ．Ｓ．Ｂｏｎｉｎｇ、“ＡＳｅｌｆ−Ｔ
ｕｎｉｎｇＥＷＭＡＣｏｎｔｒｏｌｌｅｒＵｔｉ
ｌｉｚｉｎｇＡｒｔｉｆｉｃｉａｌＮｅｕｒａｌ
ＮｅｔｗｏｒｋＦｕｎｃｔｉｏｎＡｐｐｒｏｘｉｍ
ａｔｉｏｎＴｅｃｈｎｉｑｕｅｓ”、ＩＥＥＥＴｒ
ａｎｓ．ｏｎＣｏｍｐｏｎｅｎｔｓ、Ｐａｃｋａｇｉ
ｎｇ、ａｎｄＭａｎｕｆａｃｔｕｒｉｎｇＴｅｃｈ
ｎｏｌｏｇｙ−ＰａｒｔＣ、ｖｏｌ．２０、ｎｏ．
２、Ａｐｒｉｌ、１９９７．に開示されている。

【０００９】ＥＷＭＡ方法は、モデルが簡単であるだけ
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。

【００１０】

【数式３】

【００１１】しかし、ＥＷＭＡ方式を適用するとき、小
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
ｌｍａｎＦｉｌｔｅｒｉｎｇ）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
ｅｎｔｉａｌＥｑｕａｔｉｏｎ）または差分方程式
（ＤｉｆｆｅｒｅｎｃｅＥｑｕａｔｉｏｎ）でモデリ
ングされ、ホワイトノイズ（ＷｈｉｔｅＮｏｉｓｅ）
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。

【００１２】システムの補正値がノイズにより干渉を受
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）

【００１３】ここで、ｗ（ｋ）は補正値の変化の原因に
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。

【００１４】

【発明が解決しようとする課題】本発明の目的は、多量
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。

【００１５】本発明の他の目的は、露光工程のステッパ
装置を対象に、重畳整列誤差（ＯｖｅｒｌａｙＡｌｉ
ｇｎｍｅｎｔＥｒｒｏｒ）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。

【００１６】

【課題を解決するための手段】上述の目的を達成するた
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。

【００１７】すなわち、本発明では補正値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Ｘ_bias（ｎ）と、変化原因が正確に分か
らない任意的成分Ｘ_rand（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
Ｘ_rand（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。

【００１８】このとき、Ｘ_rand（ｎ）成分は、該当ロッ
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Ｘ_bias（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。

【００１９】従って、素子変更が多い生産ラインでも、
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。

【００２０】

【数式４】

【００２１】ここで、Ｘ_biasはバイアス補正値、Ｗは区
間、Ｘ_sh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。

【００２２】上述の他の目的を達成するための本発明の
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。

【００２３】本発明の検索段階で、ヒストリ構成要素で
あるレチクル、ＰＰＩＤ（ＰｒｏｃｅｓｓＰｒｏｇｒ
ａｍＩＤ）、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。

【００２４】本発明の類推方法は、ヒストリ構成要素の
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。

【００２５】

【発明の実施の形態】以下、図面を参照して本発明の望
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。

【００２６】フォト装備１０はウェーハＷ上に被エッチ
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。

【００２７】ゆえに、フォトリソグラフィ工程は半導体
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。

【００２８】コーティング処理部１２では、ウェーハ表
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。

【００２９】アラインおよび露光処理部１４では、ステ
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。

【００３０】現像処理部１６では、定在波（ｓｔａｎｄ
ｉｎｇｗａｖｅ）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。

【００３１】このように、フォト装備１０を通じてウェ
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。

【００３２】オーバーレイ測定機２０では、重畳された
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。

【００３３】図２に示すように、ウェーハＷ上に形成さ
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。

【００３４】１）ウェーハ関連パラメーターオフセット（Ｏｆｆｓｅｔ）；アラインメントパターン
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。

【００３５】回転（Ｒｏｔａｔｉｏｎ）；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。

【００３６】２）レチクルに関連したパラメーターレチクル回転（ｒｅｔｉｃｌｅＲｏｔａｔｉｏｎ）；
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（ｒｅｔｉｃｌｅＲｅｄｕｃｔｉｏ
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。

【００３７】図３に示すように、ステッパである露光シ
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。

【００３８】したがって、ウェーハアラインメントは、
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。

【００３９】本実施例によるオーバーレイ補正値制御機
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
ｖｅＬｅａｓｔＭｅａｎＳｑｕａｒｅＮｅｕｒ
ａｌＮｅｔｗｏｒｋ）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。

【００４０】ここで、ＦＷＤデータはＫＥＹ層（ＬＡＹ
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。

【００４１】図６は、サンプルに選定したフォト装置の
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。

【００４２】図６から図８に示したように、装備補正値
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。

【００４３】したがって、装備入力値は図９に示したよ
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。

【００４４】しかし、装備補正値ｘ（ｎ）の変化要因に
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Ｘ_bias（ｎ）と、変化原因が正確に分からない任意
的成分であるＸ_rand（ｎ）とに分離し、Ｘ_bias（ｎ）は
該当ロットのヒストリを根本に推定する。

【００４５】Ｘ_bias（ｎ）の正確な推定を困難にする要
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（ｂａｃｋｐｒｏｐａｇａｔｉｏｎ）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。

【００４６】Ｘ_rand（ｎ）成分は、該当ロットのヒスト
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。

【００４７】１．Ｘ_bias（ｎ）推定方法（１）同一ヒストリが存在する場合Ｘ_bias（ｎ）を推定する最も簡単な方法は、過去の同一
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ｘ^sh（ｍ）、
ｍ＝１，２．．．．．，ｎとし、このヒストリに対する
Ｘ_bias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。ｘ^sh（ｍ）＝ｘ_bias＋ｘ^sh _rand（ｍ）（３）この時、ｘ^sh（ｍ）の完全な任意性を仮定すると、次の
数式（４）が成り立つ。

【００４８】

【数式５】

【００４９】ゆえに、次の数式（５）が成り立つ。

【００５０】

【数式６】

【００５１】つまり、Ｘ^sh（ｍ）の平均がＸ_biasに対す
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、Ｘ^sh _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Ｘ_bias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、Ｘ_bias推定のためにＸ^sh（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。

【００５２】

【数式７】

【００５３】Ｘ_bias；バイアス補正値Ｗ；区間Ｘ_sh；同一ヒストリを有する過去バイアス補正値（２）同一ヒストリが存在しない場合数式（６）のように、同一ヒストリデータの分類と区間
線形加重平均とを利用してＸ_bias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。

【００５４】もちろん、一度も工程を実施しない新しい
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。

【００５５】同じデバイスとしても、ヒストリにより装
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、Ｘ_bias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、Ｘ_biasは次のよ
うに示される。

【００５６】ｘ_bias＝ｘ^PPID _bias＋ｘ^BASEI _bias＋ｘ^BASEII _bias＋ｘ^RET _bias （７）数式（７）において、ｘ^PPID _bias、ｘ^BASEI _bias、ｘ
^BASEII _bias、ｘ^RET _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ｘ^RE ^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、ｘ^RET _bias以外の影響力はｘ
^PPID _bias>ｘ^BA ^SEI _bias>ｘ^BASEII _biasの順と把握され
る。

【００５７】同一ヒストリが存在しない場合には、次に
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。

【００５８】（ａ）ベースI、ベースIIまたはＰＰＩＤ
の相対値を用いたＸ_biasの類推現在Ｘ_bias１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｝，ｘ_bias１（８）Ｈ２＝｛Ｐ１，ＢI１，ＢII３，Ｒ１｝，ｘ_bias２（９）Ｈ３＝｛Ｐ２，ＢI４，ＢII２，Ｒ１｝，ｘ_bias３（１０）Ｈ４＝｛Ｐ２，ＢI４，ＢII３，Ｒ１｝，ｘ_bias４（１１）

【００５９】Ｈ１とＨ２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Ｘ_bias１は次の数式（１２）のように
推定することができる。

【００６０】Ｘ_bias１−Ｘ_bias２＝Ｘ_bias３−Ｘ_bias４（１２）したがって、数式（１３）のように類推することができ
る。Ｘ_bias１＝Ｘ_bias３−Ｘ_bias４＋Ｘ_bias２（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。ｘ^RET _bias成分がＸ_bias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。

【００６１】（ｂ）ベースIIまたはベースI値のみが異
なるヒストリの平均値を用いたＸ_bia _sの類推現在、Ｘ_bias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Ｘ_biasはＸ_bias ¹〜Ｘ_bias ^mとすると、次の
数式（１４）のように平均値を類推する。

【００６２】

【数式８】

【００６３】（３）Ｘ_biasを推定できない場合万一、現在の工程を実施するロットに対する同一ヒスト
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。

【００６４】２．Ｘ_rand追随方法装備入力値に影響を及ぼす主な要素は、各ロットのヒス
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Ｘ_bias値を除外したその他の全ての任意
的要素はＸ_randに含まれる。

【００６５】このような、Ｘ_rand値は該当ロットのヒス
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Ｘ_rand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、Ｘ_rand値を推定することは困難である。

【００６６】このような状況で適用可能な効果的な方法
のうちの一つは、神経回路網を用いてＸ_randの変化を追
随するように作る方法である。

【００６７】現在、補正システムでも、このような装置
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。

【００６８】Ｘ_rand追随のために用いた神経回路網は、
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
ｒｒｏｒｂａｃｋｐｒｏｐａｇａｔｉｏｎ）方式を
用いた。

【００６９】ネットワークは入力層５０、隠匿層５２、
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。

【００７０】神経回路網の転向経路を通じたシステムの
出力は次の数式（１５）のとおりである。ａ^m+1＝ｆ^m+1（ｗ^m+1ａ^m＋ｂ^m+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。

【００７１】多層神経回路網の誤謬逆伝播アルゴリズム
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）

【００７２】ここで、Ｆは自乗誤差を示し、Ｘは神経回
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。

【００７３】ｗ^m（ｋ＋１）＝ｗ^m（ｋ）−ａｓ^m（ａ^m-1）^T （１７）ｂ^m（ｋ＋１）＝ｂ^m（ｋ）−ａｓ^m （１８）ここで、ｆの変化を感度（ｓｅｎｓｉｔｉｖｉｔｙ）に
し、行列式で表現すると、次の数式（１９）のとおりで
ある。

【００７４】ｓ^m＝Ｆ^mｎ^m（ｗ^m+1）^Tｓ^m+1 （１９）感度の計算は神経回路網の最後の層で始められ、一番目
段に次のように逆に伝播される。ｓ^m→ｓ^M-1→・・・→ｓ²→ｓ¹

【００７５】ここで、一段の感度は下の数式（２０）で
表現される。ｓ＝−２Ｆ^M（ｎ^M）（ｔ−ａ）（２０）神経回路網を用いると、Ｘ_rand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。

【００７６】ｘ_rand（ｎ）＝ｆ（ｘ_rand（ｎ−１），ｘ_rand（ｎ−２），ｘ_rand（ｎ−３））（２１）すなわち、神経回路網により最近のＸ_rand値３個のデー
タを参考にして、現在のＸ_rand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。

【００７７】隠匿層５２、５４、５６のニューロンの伝
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。

【００７８】神経回路網の一般化能力と学習能力を増加
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。

【００７９】３．フォト装置入力値生成方法および神経
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）。

【００８０】Ｓ１０６段階で、セットアップモードであ
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）。

【００８１】Ｓ１１０段階およびＳ１１４段階を実施し
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。

【００８２】Ｓ１１８段階で、ファイル終了でなけれ
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）。

【００８３】Ｓ１２８段階で、神経回路網学習後に、現
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。

【００８４】図１５に示すように、ロードモジュールで
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。

【００８５】図１６に示すように、要請（ＲＥＱＵＥＳ
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）。

【００８６】万一、同一ヒストリデータが存在する場合
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Ｘ_bias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Ｘ_bias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）。

【００８７】Ｓ１５２およびＳ１５４でバイアス値を推
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Ｘ_bias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。

【００８８】

【数式９】

【００８９】ここで、ｆ（ｎ）は正方向（ｆｅｅｄｆｏ
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、Ｘ_bias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。

【００９０】

【数式１０】

【００９１】神経回路網を学習するためには、フィード
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。

【００９２】

【数式１１】

【００９３】結果的に数式（２７）のようになって、こ
れを神経回路網の誤謬逆伝播学習に用いる。

【００９４】

【数式１２】

【００９５】直交成分の場合には、ｅ（ｎ）をそのまま
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。

【００９６】

【数式１３】

【００９７】つまり、数式（２９）になる。

【００９８】

【数式１４】

【００９９】Ｓ１５６段階以前で、バイアス値を推定す
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）。

【０１００】図１７に示すように、フィードバックモジ
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−ＩＮＲＡＮＧＥ）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）。

【０１０１】Ｓ１６６段階で、５倍未満である場合には
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）。

【０１０２】続いて、神経網データをアップデータし
（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）。

【０１０３】図１９および図２０に示すように、バイア
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）。

【０１０４】Ｓ１９２段階で相対バイアスが求められる
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）。

【０１０５】Ｓ１９６段階で抽出されたデータが存在す
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）。

【０１０６】Ｓ２０２段階で相対バイアスが求められる
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）。

【０１０７】Ｓ２０６段階で抽出されたデータが存在す
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）。

【０１０８】Ｓ２１４段階で相対バイアスが求められる
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）。

【０１０９】図２１に示すように、神経網モジュールで
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）。

【０１１０】図２２に示すように、神経網アップデータ
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。

【０１１１】＊模擬実験結果模擬実験は、Ａ、Ｂ、Ｃの３台のフォト装備データに対
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。

【０１１２】また、実際工程運営時は、フォト工程が終
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。

【０１１３】性能比較のために、模擬実験結果は測定誤
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。

【０１１４】既存補正システムで使用した装置入力値を
ｉ_e（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ｅ_e（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ｅ_a（ｎ）とすると、次の数式（３０）が成立する。

【０１１５】ｉ_e（ｎ）−ｅ_e（ｎ）＝ｉ_a（ｎ）−ｅ_a（ｎ）（３０）また、既存アルゴリズムを用いた場合に、サンプリング
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。

【０１１６】既存システムで、サンプリング工程を実施
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（ｎｏｈｉｓｔｏｒｙｃ
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（ｏｌｄｈｉｓｔｏｒｙｃａ
ｓｅ）とである。

【０１１７】シミュレーションで考慮した期限は１５０
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ｏｌｄｈｉｓｔｏｒｙｃａｓ
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。

【０１１８】したがって、１５０ロット程度の加工時間
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。

【０１１９】スペックイン比を測定するために、ｏｆｆ
ｓｅｔ−Ｘ、ｏｆｆｓｅｔ−Ｙの場合、−０．０３〜
０．０３、Ｓｃａｌｅ−Ｘ、Ｓｃａｌｅ−Ｙ、Ｏｒｔｈ
ｏｇｏｎａｌｉｔｙ、ｗａｆｅｒｒｏｔａｔｉｏｎ−
Ｙの場合は−０．０３〜０．３、また、Ｒｅｔｉｃｌｅ
Ｒｅｄｕｃｔｉｏｎ、ＲｅｔｉｃｌｅＲｏｔａｔｉ
ｏｎの場合は−１．５〜１．５のスペックイン範囲を適
用した。

【０１２０】〈Ａ号機装置に対する模擬実験結果〉デー
タ数５２００個のうちＮｏＨｉｓｔｏｒｙｃａｓｅ
は４０回発生し、そのうちＸ_biasを類推して使用した場
合は１３回であり、ＯｌｄＨｉｓｔｏｒｙｃａｓｅ
ｓは９９回発生した。

【０１２１】

【表１】

【０１２２】

【表２】

【０１２３】

【表３】

【０１２４】〈Ｂ号機装置に対する模擬実験結果〉デー
タ数３４００個のうちＮｏＨｉｓｔｏｒｙｃａｓｅ
は６３回発生し、そのうちＸ_biasを類推して使用した場
合は１３回であり、ＯｌｄＨｉｓｔｏｒｙｃａｓｅ
ｓは１６１回発生した。

【０１２５】

【表４】

【０１２６】

【表５】

【０１２７】

【表６】

【０１２８】〈Ｃ号機装置に対する模擬実験結果〉デー
タ数３０００個のうちＮｏＨｉｓｔｏｒｙｃａｓｅ
は７１回発生し、そのうちＸ_biasを類推して使用した場
合は２３回であり、ＯｌｄＨｉｓｔｏｒｙｃａｓｅ
ｓは７０回発生した。

【０１２９】

【表７】

【０１３０】

【表８】

【０１３１】

【表９】

【０１３２】上述した模擬実験結果を統合すると、スペ
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。

【０１３３】オーバーレイ測定機の測定誤差の散布性の
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。

【０１３４】実際、サンプリング工程回数を減らすため
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Ｘ_bias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。

【０１３５】同一ヒストリが存在しない全ての場合につ
いて、Ｘ_bias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。

【０１３６】長くなったヒストリデータを用いた場合に
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。

【０１３７】＊実際装置に適用した結果ＡＬＭＳ−ＮＮアルゴリズムの実際工程への適合性およ
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。

【０１３８】テスト工程を実施する間に、同一ヒストリ
が存在せずにＸ_bias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。

【０１３９】テストの結果、スペックイン比は約９８％
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。

【０１４０】図２８から図３７は、テストを通じて得た
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。

【０１４１】図２８から図３７に示したように、オーバ
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。

【０１４２】上述した実施例では、露光装置における例
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。

【０１４３】

【発明の効果】本発明によると、フォト工程でオーバー
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。

【図面の簡単な説明】

【図１】本発明の実施例による露光装置の制御システム
を示すブロック図である。

【図２】本発明の実施例によるオーバーレイ測定機の測
定パラメーターを説明するための模式図である。

【図３】本発明の実施例による露光装置の大略的な構成
を示す模式図である。

【図４】本発明の実施例によるオーバーレイ測定機から
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。

【図５】本発明の実施例によるオーバーレイ補正制御機
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。

【図６】本発明の実施例による露光装置の制御システム
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。

【図７】図６の補正値を同一ヒストリ別に再配列した状
態を示す図である。

【図８】図７の補正値から同一ヒストリの平均値（バイ
アス値）を除去した状態を示す図である。

【図９】本発明の実施例によるステッパのＯＦＦＳＥＴ
−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。

【図１０】図９の補正値の周波数スペクトルを示す図で
ある。

【図１１】本発明の実施例による神経回路網の一例を示
す模式図である。

【図１２】本発明の実施例によるオーバーレイ補正制御
機の補正値推定動作を説明するためのフロー図である。

【図１３】本発明の実施例によるオーバーレイ補正制御
機の補正値推定動作を説明するためのフロー図である。

【図１４】本発明の実施例によるオーバーレイ補正制御
機の補正値推定動作を説明するためのフロー図である。

【図１５】本発明の実施例によるオーバーレイ補正制御
機の補正値推定動作を説明するためのフロー図である。

【図１６】本発明の実施例によるオーバーレイ補正制御
機の補正値推定動作を説明するためのフロー図である。

【図１７】本発明の実施例によるオーバーレイ補正制御
機の補正値推定動作を説明するためのフロー図である。

【図１８】本発明の実施例によるオーバーレイ補正制御
機の補正値推定動作を説明するためのフロー図である。

【図１９】本発明の実施例によるオーバーレイ補正制御
機の補正値推定動作を説明するためのフロー図である。

【図２０】本発明の実施例によるオーバーレイ補正制御
機の補正値推定動作を説明するためのフロー図である。

【図２１】本発明の実施例によるオーバーレイ補正制御
機の補正値推定動作を説明するためのフロー図である。

【図２２】本発明の実施例によるオーバーレイ補正制御
機の補正値推定動作を説明するためのフロー図である。

【図２３】本発明の実施例によるオーバーレイ補正制御
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。

【図２４】本発明の実施例によるオーバーレイ補正制御
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。

【図２５】本発明の実施例によるオーバーレイ補正制御
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。

【図２６】本発明の実施例によるオーバーレイ補正制御
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。

【図２７】本発明の実施例によるオーバーレイ補正制御
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。

【図２８】本発明の実施例によるオーバーレイ補正制御
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。

【図２９】本発明の実施例によるオーバーレイ補正制御
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。

【図３０】本発明の実施例によるオーバーレイ補正制御
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。

【図３１】本発明の実施例によるオーバーレイ補正制御
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。

【図３２】本発明の実施例によるオーバーレイ補正制御
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。

【図３３】本発明の実施例によるオーバーレイ補正制御
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。

【図３４】本発明の実施例によるオーバーレイ補正制御
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。

【図３５】本発明の実施例によるオーバーレイ補正制御
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。

【図３６】本発明の実施例によるオーバーレイ補正制御
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。

【図３７】本発明の実施例によるオーバーレイ補正制御
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。

【符号の説明】

１０フォト装備１２コーティング処理部１４ステッパ１６現像処理部２０オーバーレイ測定機３０オーバーレイ補正値制御機４０露光システム４２ウェーハステージ４４レンズ系４６レチクル５０入力層５２、５４、５６隠匿層５８出力層

───────────────────────────────────────────────────── フロントページの続き (72)発明者朴一錫大韓民国京畿道水原市勧善区勧善洞現代アパート202棟1103号 (72)発明者 ▼曹▲ 奉秀大韓民国京畿道城南市盆唐区二梅洞青九アパート611棟405号 (72)発明者姜顯台大韓民国京畿道龍仁市器興邑功細里382− １番地湖水住公アパート105棟201号 (72)発明者黄載媛大韓民国ソウル市西瑞区良才洞９−17番地 (72)発明者諸永鎬大韓民国釜山広域市砂河区下端２洞496− 23番地５／１栄進住宅308 Ｆターム(参考） 5B056 BB00 HH07 5F046 BA03 DA11 DD06 FC04

Claims

【特許請求の範囲】

【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】Ｘ_bias；バイアス補正値Ｗ；区間Ｘ_sh；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】Ｘ_bias；補正値のバイアス成分Ｗ；区間Ｘ_sh；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。