JP2021152762A - 学習済みモデル生成方法、学習済みモデル、異常要因推定装置、基板処理装置、異常要因推定方法、学習方法、学習装置、及び、学習データ作成方法 - Google Patents
学習済みモデル生成方法、学習済みモデル、異常要因推定装置、基板処理装置、異常要因推定方法、学習方法、学習装置、及び、学習データ作成方法 Download PDFInfo
- Publication number
- JP2021152762A JP2021152762A JP2020052983A JP2020052983A JP2021152762A JP 2021152762 A JP2021152762 A JP 2021152762A JP 2020052983 A JP2020052983 A JP 2020052983A JP 2020052983 A JP2020052983 A JP 2020052983A JP 2021152762 A JP2021152762 A JP 2021152762A
- Authority
- JP
- Japan
- Prior art keywords
- information
- processing
- substrate
- learning
- time
- 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
- 239000000758 substrate Substances 0.000 title claims abstract description 479
- 238000000034 method Methods 0.000 title claims abstract description 124
- 238000009434 installation Methods 0.000 title abstract 2
- 239000012530 fluid Substances 0.000 claims abstract description 372
- 230000005856 abnormality Effects 0.000 claims abstract description 186
- 230000008569 process Effects 0.000 claims abstract description 59
- 230000007704 transition Effects 0.000 claims abstract description 49
- 238000010801 machine learning Methods 0.000 claims abstract description 36
- 238000012545 processing Methods 0.000 claims description 856
- 230000002159 abnormal effect Effects 0.000 claims description 91
- 230000002547 anomalous effect Effects 0.000 claims description 41
- 230000000903 blocking effect Effects 0.000 claims description 38
- 230000006870 function Effects 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 15
- 230000007423 decrease Effects 0.000 claims description 11
- 238000007599 discharging Methods 0.000 claims description 6
- 239000007788 liquid Substances 0.000 description 90
- 238000004364 calculation method Methods 0.000 description 42
- 238000010586 diagram Methods 0.000 description 31
- 238000001514 detection method Methods 0.000 description 27
- 238000006073 displacement reaction Methods 0.000 description 22
- 238000004891 communication Methods 0.000 description 21
- 239000011261 inert gas Substances 0.000 description 15
- 230000007246 mechanism Effects 0.000 description 15
- KRHYYFGTRYWZRS-UHFFFAOYSA-N Fluorane Chemical compound F KRHYYFGTRYWZRS-UHFFFAOYSA-N 0.000 description 12
- 238000011144 upstream manufacturing Methods 0.000 description 12
- 230000000875 corresponding effect Effects 0.000 description 11
- 238000002156 mixing Methods 0.000 description 11
- 238000007781 pre-processing Methods 0.000 description 11
- 230000000630 rising effect Effects 0.000 description 10
- KFZMGEQAYNKOFK-UHFFFAOYSA-N Isopropanol Chemical compound CC(C)O KFZMGEQAYNKOFK-UHFFFAOYSA-N 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 9
- 239000000243 solution Substances 0.000 description 9
- 239000002585 base Substances 0.000 description 8
- 238000004590 computer program Methods 0.000 description 8
- 230000007547 defect Effects 0.000 description 7
- 238000003745 diagnosis Methods 0.000 description 7
- 239000007789 gas Substances 0.000 description 7
- 230000007257 malfunction Effects 0.000 description 6
- 239000002245 particle Substances 0.000 description 6
- 239000004973 liquid crystal related substance Substances 0.000 description 5
- 239000011259 mixed solution Substances 0.000 description 5
- 238000003672 processing method Methods 0.000 description 5
- 239000000126 substance Substances 0.000 description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- QAOWNCQODCNURD-UHFFFAOYSA-N Sulfuric acid Chemical compound OS(O)(=O)=O QAOWNCQODCNURD-UHFFFAOYSA-N 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000005401 electroluminescence Methods 0.000 description 4
- 238000005530 etching Methods 0.000 description 4
- 239000012495 reaction gas Substances 0.000 description 4
- WGTYBPLFGIVFAS-UHFFFAOYSA-M tetramethylammonium hydroxide Chemical compound [OH-].C[N+](C)(C)C WGTYBPLFGIVFAS-UHFFFAOYSA-M 0.000 description 4
- QTBSBXVTEAMEQO-UHFFFAOYSA-N Acetic acid Chemical compound CC(O)=O QTBSBXVTEAMEQO-UHFFFAOYSA-N 0.000 description 3
- LYCAIKOWRPUZTN-UHFFFAOYSA-N Ethylene glycol Chemical compound OCCO LYCAIKOWRPUZTN-UHFFFAOYSA-N 0.000 description 3
- GRYLNZFGIOXLOG-UHFFFAOYSA-N Nitric acid Chemical compound O[N+]([O-])=O GRYLNZFGIOXLOG-UHFFFAOYSA-N 0.000 description 3
- MUBZPKHOEPUJKR-UHFFFAOYSA-N Oxalic acid Chemical compound OC(=O)C(O)=O MUBZPKHOEPUJKR-UHFFFAOYSA-N 0.000 description 3
- 238000013459 approach Methods 0.000 description 3
- KRKNYBCHXYNGOX-UHFFFAOYSA-N citric acid Chemical compound OC(=O)CC(O)(C(O)=O)CC(O)=O KRKNYBCHXYNGOX-UHFFFAOYSA-N 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 229910017604 nitric acid Inorganic materials 0.000 description 3
- 239000004065 semiconductor Substances 0.000 description 3
- XKRFYHLGVUSROY-UHFFFAOYSA-N Argon Chemical compound [Ar] XKRFYHLGVUSROY-UHFFFAOYSA-N 0.000 description 2
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- VEXZGXHMUGYJMC-UHFFFAOYSA-N Hydrochloric acid Chemical compound Cl VEXZGXHMUGYJMC-UHFFFAOYSA-N 0.000 description 2
- MHAJPDPJQMAIIY-UHFFFAOYSA-N Hydrogen peroxide Chemical compound OO MHAJPDPJQMAIIY-UHFFFAOYSA-N 0.000 description 2
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 description 2
- NBIIXXVUZAFLBC-UHFFFAOYSA-N Phosphoric acid Chemical compound OP(O)(O)=O NBIIXXVUZAFLBC-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000003028 elevating effect Effects 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000010349 pulsation Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- DDFHBQSCUXNBSA-UHFFFAOYSA-N 5-(5-carboxythiophen-2-yl)thiophene-2-carboxylic acid Chemical compound S1C(C(=O)O)=CC=C1C1=CC=C(C(O)=O)S1 DDFHBQSCUXNBSA-UHFFFAOYSA-N 0.000 description 1
- VHUUQVKOLVNVRT-UHFFFAOYSA-N Ammonium hydroxide Chemical compound [NH4+].[OH-] VHUUQVKOLVNVRT-UHFFFAOYSA-N 0.000 description 1
- YCKRFDGAMUMZLT-UHFFFAOYSA-N Fluorine atom Chemical compound [F] YCKRFDGAMUMZLT-UHFFFAOYSA-N 0.000 description 1
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 239000003513 alkali Substances 0.000 description 1
- 229910000147 aluminium phosphate Inorganic materials 0.000 description 1
- QGZKDVFQNNGYKY-UHFFFAOYSA-N ammonia Natural products N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 1
- 229910052786 argon Inorganic materials 0.000 description 1
- SWXQKHHHCFXQJF-UHFFFAOYSA-N azane;hydrogen peroxide Chemical compound [NH4+].[O-]O SWXQKHHHCFXQJF-UHFFFAOYSA-N 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000000919 ceramic Substances 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 239000008367 deionised water Substances 0.000 description 1
- 229910021641 deionized water Inorganic materials 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000011737 fluorine Substances 0.000 description 1
- 229910052731 fluorine Inorganic materials 0.000 description 1
- JEGUKCSWCFPDGT-UHFFFAOYSA-N h2o hydrate Chemical compound O.O JEGUKCSWCFPDGT-UHFFFAOYSA-N 0.000 description 1
- 239000001307 helium Substances 0.000 description 1
- 229910052734 helium Inorganic materials 0.000 description 1
- SWQJXJOGLNCZEY-UHFFFAOYSA-N helium atom Chemical compound [He] SWQJXJOGLNCZEY-UHFFFAOYSA-N 0.000 description 1
- DKAGJZJALZXOOV-UHFFFAOYSA-N hydrate;hydrochloride Chemical compound O.Cl DKAGJZJALZXOOV-UHFFFAOYSA-N 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 229910000040 hydrogen fluoride Inorganic materials 0.000 description 1
- CABDFQZZWFMZOD-UHFFFAOYSA-N hydrogen peroxide;hydrochloride Chemical compound Cl.OO CABDFQZZWFMZOD-UHFFFAOYSA-N 0.000 description 1
- QAOWNCQODCNURD-UHFFFAOYSA-M hydrogensulfate Chemical compound OS([O-])(=O)=O QAOWNCQODCNURD-UHFFFAOYSA-M 0.000 description 1
- 239000003112 inhibitor Substances 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- QPJSUIGXIBEQAC-UHFFFAOYSA-N n-(2,4-dichloro-5-propan-2-yloxyphenyl)acetamide Chemical compound CC(C)OC1=CC(NC(C)=O)=C(Cl)C=C1Cl QPJSUIGXIBEQAC-UHFFFAOYSA-N 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 150000007524 organic acids Chemical class 0.000 description 1
- 235000006408 oxalic acid Nutrition 0.000 description 1
- 239000004094 surface-active agent Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
- H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
- H01L21/67005—Apparatus not specifically provided for elsewhere
- H01L21/67242—Apparatus for monitoring, sorting or marking
- H01L21/67253—Process monitoring, e.g. flow or thickness monitoring
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
- H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
- H01L21/67005—Apparatus not specifically provided for elsewhere
- H01L21/67011—Apparatus for manufacture or treatment
- H01L21/67017—Apparatus for fluid treatment
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
- H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
- H01L21/67005—Apparatus not specifically provided for elsewhere
- H01L21/67011—Apparatus for manufacture or treatment
- H01L21/67017—Apparatus for fluid treatment
- H01L21/67028—Apparatus for fluid treatment for cleaning followed by drying, rinsing, stripping, blasting or the like
- H01L21/6704—Apparatus for fluid treatment for cleaning followed by drying, rinsing, stripping, blasting or the like for wet cleaning or washing
- H01L21/67051—Apparatus for fluid treatment for cleaning followed by drying, rinsing, stripping, blasting or the like for wet cleaning or washing using mainly spraying means, e.g. nozzles
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
- H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
- H01L21/67005—Apparatus not specifically provided for elsewhere
- H01L21/67011—Apparatus for manufacture or treatment
- H01L21/67017—Apparatus for fluid treatment
- H01L21/67063—Apparatus for fluid treatment for etching
- H01L21/67075—Apparatus for fluid treatment for etching for wet etching
- H01L21/6708—Apparatus for fluid treatment for etching for wet etching using mainly spraying means, e.g. nozzles
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
- H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
- H01L21/67005—Apparatus not specifically provided for elsewhere
- H01L21/67242—Apparatus for monitoring, sorting or marking
- H01L21/67288—Monitoring of warpage, curvature, damage, defects or the like
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Power Engineering (AREA)
- Computer Hardware Design (AREA)
- Manufacturing & Machinery (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Automation & Control Theory (AREA)
- Cleaning Or Drying Semiconductors (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
Description
基板処理装置200が出力する時系列データTD1が、温度センサーTSが検出した処理流体の温度を示す場合は、第1特徴量情報XD1は、例えば、第1情報X1〜第4情報X4のうちの少なくとも1つの情報を含む。この場合、図10等を参照して説明した第1情報X1〜第4情報X4の定義において、処理流体を温度と読み替える。時系列データTD1として温度を採用して、機械学習によって学習済みモデルLMを生成することで、基板Wにエッチング不良が発生した場合の異常要因を、学習済みモデルLMによって推定できる。特に、処理流体の温度は、エッチングに影響を与えるからである。
基板処理装置200が出力する時系列データTD1が、センサーSNが検出した処理流体の濃度を示す場合は、第1特徴量情報XD1は、例えば、第3情報X3を含む。この場合、図10等を参照して説明した第3情報X3の定義において、処理流体を濃度と読み替える。時系列データTD1として濃度を採用して、機械学習によって学習済みモデルLMを生成することで、基板Wにエッチング不良が発生した場合の異常要因を、学習済みモデルLMによって推定できる。特に、処理流体の濃度は、エッチングに影響を与えるからである。
基板処理装置200が出力する時系列データTD1が、センサーSNが検出したスピンチャック13の回転数を示す場合は、第1特徴量情報XD1は、例えば、第1情報X1〜第4情報X4のうちの少なくとも1つの情報を含む。この場合、図10等を参照して説明した第1情報X1〜第4情報X4の定義において、処理流体をスピンチャック13と読み替え、流量を回転数と読み替える。時系列データTD1として回転数を採用して、機械学習によって学習済みモデルLMを生成することで、基板Wにパーティクル不良が発生した場合の異常要因を、学習済みモデルLMによって推定できる。
基板処理装置200が出力する時系列データTD1が、センサーSNが検出した遮断板291の位置、変位、又は、回転数を示す場合は、第1特徴量情報XD1は、例えば、昇降する際の遮断板291の位置若しくは変位から算出可能な時間によって表されるか、又は、回転する際の遮断板291の回転数自体によって表される。第1特徴量情報PD1についても同様である。
基板処理装置200が出力する時系列データTD1が、センサーSNが検出したアームAMの位置又は変位を示す場合は、第1特徴量情報XD1は、例えば、スキャン処理を実行する際のアームAMの位置若しくは変位から算出可能な時間によって表される。第1特徴量情報PD1についても同様である。
基板処理装置200が出力する時系列データTD1が、センサーSNが検出したガード33の位置又は変位を示す場合は、第1特徴量情報XD1は、例えば、ガード33が昇降する際のガード33の位置若しくは変位から算出可能な時間によって表される。第1特徴量情報PD1についても同様である。
基板処理装置200が出力する時系列データTD1が、センサーSNが検出したバルブVBの開度を示す場合は、第1特徴量情報XD1は、例えば、バルブVBが開閉する際のバルブVBの開度の時間変化によって表される。第1特徴量情報PD1についても同様である。
基板処理装置200が出力する時系列データTD1が、図5に示す排出管P7に介挿された流量計FW3によって検出された処理流体の流量である場合、第1特徴量情報XD1は、流量の時間推移の特徴部分を時間によって表した情報である。第1特徴量情報PD1についても同様である。
基板処理装置200が出力する時系列データTD1が、図5に示す排出管P7に配置された温度センサーTS7によって検出された処理流体の温度である場合、第1特徴量情報XD1は、温度の時間推移の特徴部分を時間によって表した情報である。第1特徴量情報PD1についても同様である。
73 学習部
83 推定部
200、300 基板処理装置
400 学習データ作成装置
500 学習装置
600 異常要因推定装置
LM 学習済みモデル
W 基板
W1 学習対象基板
W2 処理対象基板
Claims (22)
- 学習データを取得するステップと、
処理流体による処理後の処理対象基板の異常の要因を推定する学習済みモデルを、前記学習データを機械学習することによって生成するステップと
を含み、
前記学習データは、特徴量と異常要因情報とを含み、
前記異常要因情報は、前記処理流体による処理後の学習対象基板の異常の要因を示し、
前記特徴量は、前記処理流体によって前記学習対象基板を処理する基板処理装置が使用する物体の物理量を示す時系列データのうちの区間データの時間推移の特徴を示す第1特徴量情報を含み、
前記第1特徴量情報は、時間によって表される、学習済みモデル生成方法。 - 前記異常要因情報は、第1異常要因情報と第2異常要因情報とのうちの少なくとも1つの情報を含み、
前記第1異常要因情報は、前記基板処理装置による前記学習対象基板の処理時の前記処理流体に関する情報であり、
前記第2異常要因情報は、前記基板処理装置の部品に関する情報である、請求項1に記載の学習済みモデル生成方法。 - 前記第1特徴量情報は、第1情報と第2情報と第3情報と第4情報と第5情報と第6情報とのうちの少なくとも1つの情報を含み、
前記第1情報は、前記物理量が目標値に向かって増加する際の前記物理量の状態を示す情報であり、
前記第2情報は、前記物理量のオーバーシュートを示す情報であり、
前記第3情報は、前記物理量の変動を示す情報であり、
前記第4情報は、前記物理量が前記目標値から減少する際の前記物理量の状態を示す情報であり、
前記第5情報は、前記基板処理装置が互いに異なる少なくとも2つの前記物体を使用する際に、前記2つの物体のうちの一方の物体の前記物理量と他方の物体の前記物理量とのオーバーラップを示す情報であり、
前記第6情報は、時間軸上において、前記一方の物体と前記他方の物体との時間間隔を示す情報である、請求項1又は請求項2に記載の学習済みモデル生成方法。 - 前記物体は、前記処理流体であり、
前記物理量は、前記処理流体を排出する排出管内での前記処理流体の物理量を示す、請求項1又は請求項2に記載の学習済みモデル生成方法。 - 前記物体は、前記処理流体であり、
前記物理量は、前記処理流体の流量、前記処理流体の温度、又は、前記処理流体の濃度を示す、請求項1から請求項4のいずれか1項に記載の学習済みモデル生成方法。 - 前記物体は、前記学習対象基板を回転させる基板保持部、前記学習対象基板に向けて前記処理流体を吐出するノズルを移動させるアーム、前記学習対象基板から飛散した前記処理流体を受けるガード、又は、前記処理流体の流れを調節するバルブであり、
前記物体が前記基板保持部である場合、前記物理量は、前記基板保持部の動作及び/又は状態に関する量を示し、
前記物体が前記アームである場合、前記物理量は、前記アームの動作及び/又は状態に関する量を示し、
前記物体が前記ガードである場合、前記物理量は、前記ガードの動作及び/又は状態に関する量を示し、
前記物体が前記バルブである場合、前記物理量は、前記バルブの動作及び/又は状態に関する量を示す、請求項1から請求項3のいずれか1項に記載の学習済みモデル生成方法。 - 前記物体は、前記学習対象基板の上面を間隔をあけて覆う遮断板を含み、
前記物体が前記遮断板である場合、前記物理量は、前記遮断板の動作及び/又は状態に関する量を示す、請求項1から請求項3のいずれか1項に記載の学習済みモデル生成方法。 - 前記特徴量は、第2特徴量情報をさらに含み、
前記第2特徴量情報は、1つのロットを構成する所定数の前記学習対象基板に対する処理の順番を示す処理順番情報、又は、ロットに対する処理の終了から次のロットに対する処理の開始までの時間間隔を示すロット間隔情報である、請求項1から請求項7のいずれか1項に記載の学習済みモデル生成方法。 - 学習データを機械学習することで構築され、処理流体による処理後の処理対象基板の異常の要因を推定するように、コンピューターを機能させる学習済みモデルであって、
前記学習データは、特徴量と異常要因情報とを含み、
前記異常要因情報は、前記処理流体による処理後の学習対象基板の異常の要因を示し、
前記特徴量は、前記処理流体によって前記学習対象基板を処理する基板処理装置が使用する物体の物理量を示す時系列データのうちの区間データの時間推移の特徴を示す第1特徴量情報を含み、
前記第1特徴量情報は、時間によって表され、
入力情報を入力して、出力情報を出力するように、前記コンピューターを機能させ、
前記入力情報は、前記処理流体によって前記処理対象基板を処理する基板処理装置が使用する物体の物理量を示す時系列データのうちの区間データの時間推移の特徴を示す第1入力情報を含み、
前記第1入力情報は、時間によって表され、
前記出力情報は、前記処理流体による処理後の前記処理対象基板の異常の要因を示す、学習済みモデル。 - 前記異常要因情報は、第1異常要因情報と第2異常要因情報とのうちの少なくとも1つの情報を含み、
前記第1異常要因情報は、前記基板処理装置による前記学習対象基板の処理時の前記処理流体に関する情報であり、
前記第2異常要因情報は、前記学習対象基板を処理する前記基板処理装置の部品に関する情報であり、
前記出力情報は、第1出力情報と第2出力情報とのうちの少なくとも1つの情報を含み、
前記第1出力情報は、前記基板処理装置による前記処理対象基板の処理時の前記処理流体に関する情報であり、
前記第2出力情報は、前記処理対象基板を処理する前記基板処理装置の部品に関する情報である、請求項9に記載の学習済みモデル。 - 前記第1特徴量情報及び前記第1入力情報の各々は、第1情報と第2情報と第3情報と第4情報と第5情報と第6情報とのうちの少なくとも1つの情報を含み、
前記第1情報は、前記物理量が目標値に向かって増加する際の前記物理量の状態を示す情報であり、
前記第2情報は、前記物理量のオーバーシュートを示す情報であり、
前記第3情報は、前記物理量の変動を示す情報であり、
前記第4情報は、前記物理量が前記目標値から減少する際の前記物理量の状態を示す情報であり、
前記第5情報は、前記基板処理装置が互いに異なる少なくとも2つの前記物体を使用する際に、前記2つの物体のうちの一方の物体の前記物理量と他方の物体の前記物理量とのオーバーラップを示す情報であり、
前記第6情報は、時間軸上において、前記一方の物体と前記他方の物体との時間間隔を示す情報である、請求項9又は請求項10に記載の学習済みモデル。 - 前記物体は、前記処理流体であり、
前記物理量は、前記処理流体を排出する排出管内での前記処理流体の物理量を示す、請求項9又は請求項10に記載の学習済みモデル。 - 前記物体は、前記処理流体であり、
前記物理量は、前記処理流体の流量、前記処理流体の温度、又は、前記処理流体の濃度を示す、請求項9から請求項12のいずれか1項に記載の学習済みモデル。 - 前記学習対象基板を処理する前記基板処理装置が使用する前記物体は、前記学習対象基板を回転させる基板保持部、前記学習対象基板に向けて前記処理流体を吐出するノズルを移動させるアーム、前記学習対象基板から飛散した前記処理流体を受けるガード、又は、前記処理流体の流れを調節するバルブであり、
前記処理対象基板を処理する前記基板処理装置が使用する前記物体は、前記処理対象基板を回転させる基板保持部、前記処理対象基板に向けて前記処理流体を吐出するノズルを移動させるアーム、前記処理対象基板から飛散した前記処理流体を受けるガード、又は、前記処理流体の流れを調節するバルブであり、
前記物体が前記基板保持部である場合、前記物理量は、前記基板保持部の動作及び/又は状態に関する量を示し、
前記物体が前記アームである場合、前記物理量は、前記アームの動作及び/又は状態に関する量を示し、
前記物体が前記ガードである場合、前記物理量は、前記ガードの動作及び/又は状態に関する量を示し、
前記物体が前記バルブである場合、前記物理量は、前記バルブの動作及び/又は状態に関する量を示す、請求項9から請求項11のいずれか1項に記載の学習済みモデル。 - 前記学習対象基板を処理する前記基板処理装置が使用する前記物体は、前記学習対象基板の上面を間隔をあけて覆う遮断板を含み、
前記処理対象基板を処理する前記基板処理装置が使用する前記物体は、前記処理対象基板の上面を間隔をあけて覆う遮断板を含み、
前記物体が前記遮断板である場合、前記物理量は、前記遮断板の動作及び/又は状態に関する量を示す、請求項9から請求項11のいずれか1項に記載の学習済みモデル。 - 前記特徴量は、第2特徴量情報をさらに含み、
前記第2特徴量情報は、1つのロットを構成する所定数の前記学習対象基板に対する処理の順番を示す処理順番情報、又は、ロットに対する処理の終了から次のロットに対する処理の開始までの時間間隔を示すロット間隔情報であり、
前記入力情報は、前記処理対象基板に関する第2入力情報をさらに含み、
前記第2入力情報は、1つのロットを構成する所定数の前記処理対象基板に対する処理の順番を示す処理順番情報、又は、ロットに対する処理の終了から次のロットに対する処理の開始までの時間間隔を示すロット間隔情報である、請求項9から請求項15のいずれか1項に記載の学習済みモデル。 - 処理流体による処理後の処理対象基板の異常の要因を推定する異常要因推定装置であって、
学習データを機械学習することで構築される学習済みモデルを記憶する記憶部と、
前記学習済みモデルに入力情報を入力して、前記学習済みモデルから出力情報を取得する推定部と
を備え、
前記学習データは、特徴量と異常要因情報とを含み、
前記異常要因情報は、前記処理流体による処理後の学習対象基板の異常の要因を示し、
前記特徴量は、前記処理流体によって前記学習対象基板を処理する基板処理装置が使用する物体の物理量を示す時系列データのうちの区間データの時間推移の特徴を示す特徴量情報を含み、前記特徴量情報は、時間によって表され、
前記入力情報は、前記処理流体によって前記処理対象基板を処理する基板処理装置が使用する物体の物理量を示す時系列データのうちの区間データの時間推移の特徴を示す情報を含み、前記情報は、時間によって表され、
前記出力情報は、前記処理流体による処理後の前記処理対象基板の異常の要因を示す、異常要因推定装置。 - 請求項17に記載の異常要因推定装置と、
基板を処理する処理装置と
を備える、基板処理装置。 - 処理流体による処理後の処理対象基板の異常の要因を推定する異常要因推定方法であって、
入力情報を取得するステップと、
学習データを機械学習することで構築される学習済みモデルに前記入力情報を入力して、前記学習済みモデルから出力情報を取得するステップと
を含み、
前記学習データは、特徴量と異常要因情報とを含み、
前記異常要因情報は、前記処理流体による処理後の学習対象基板の異常の要因を示し、
前記特徴量は、前記処理流体によって前記学習対象基板を処理する基板処理装置が使用する物体の物理量を示す時系列データのうちの区間データの時間推移の特徴を示す特徴量情報を含み、前記特徴量情報は、時間によって表され、
前記入力情報は、前記処理流体によって前記処理対象基板を処理する基板処理装置が使用する物体の物理量を示す時系列データのうちの区間データの時間推移の特徴を示す情報を含み、前記情報は、時間によって表され、
前記出力情報は、前記処理流体による処理後の前記処理対象基板の異常の要因を示す、異常要因推定方法。 - 学習データを取得するステップと、
前記学習データを機械学習するステップと
を含み、
前記学習データは、特徴量と異常要因情報とを含み、
前記異常要因情報は、処理流体による処理後の学習対象基板の異常の要因を示し、
前記特徴量は、前記処理流体によって前記学習対象基板を処理する基板処理装置が使用する物体の物理量を示す時系列データのうちの区間データの時間推移の特徴を示す特徴量情報を含み、
前記第1特徴量情報は、時間によって表される、学習方法。 - 学習データを記憶する記憶部と、
前記学習データを機械学習する学習部と
を含み、
前記学習データは、特徴量と異常要因情報とを含み、
前記異常要因情報は、処理流体による処理後の学習対象基板の異常の要因を示し、
前記特徴量は、前記処理流体によって前記学習対象基板を処理する基板処理装置が使用する物体の物理量を示す時系列データのうちの区間データの時間推移の特徴を示す特徴量情報を含み、
前記特徴量情報は、時間によって表される、学習装置。 - 処理流体によって学習対象基板を処理する基板処理装置が使用する物体の物理量を示す時系列データから、少なくとも1つの区間データを取得するステップと、
前記区間データの時間推移の特徴を示す特徴量情報を算出するステップと、
前記特徴量情報に異常要因情報を関連付けて記憶するように、記憶部を制御するステップと
を含み、
前記異常要因情報は、前記処理流体による処理後の前記学習対象基板の異常の要因を示し、
前記特徴量情報は、時間によって表され、
前記特徴量情報及び前記異常要因情報は、機械学習の対象である学習データを構成する、学習データ作成方法。
Priority Applications (6)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020052983A JP2021152762A (ja) | 2020-03-24 | 2020-03-24 | 学習済みモデル生成方法、学習済みモデル、異常要因推定装置、基板処理装置、異常要因推定方法、学習方法、学習装置、及び、学習データ作成方法 |
KR1020210018875A KR102583402B1 (ko) | 2020-03-24 | 2021-02-10 | 학습 완료된 모델 생성 방법, 이상 요인 추정 장치, 기판 처리 장치, 이상 요인 추정 방법, 학습 방법, 학습 장치, 및 학습 데이터 작성 방법 |
CN202110205886.3A CN113448307A (zh) | 2020-03-24 | 2021-02-24 | 模型生成方法、异常要因推定装置及方法、基板处理装置、学习方法、装置及数据制作方法 |
US17/185,981 US20210304032A1 (en) | 2020-03-24 | 2021-02-26 | Learned model generating method, abnormality factor estimating device, substrate processing device, abnormality factor estimating method, learning method, learning device, and learning data generating method |
TW112100003A TWI849667B (zh) | 2020-03-24 | 2021-03-04 | 學習完成的模型生成方法、異常主要原因推定裝置、學習完成的模型、異常主要原因推定方法、學習方法、學習裝置以及學習資料製作方法 |
TW110107643A TWI792209B (zh) | 2020-03-24 | 2021-03-04 | 學習完成的模型生成方法、異常主要原因推定裝置、基板處理裝置及方法、學習完成的模型、異常主要原因推定方法、學習方法、學習裝置以及學習資料製作方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020052983A JP2021152762A (ja) | 2020-03-24 | 2020-03-24 | 学習済みモデル生成方法、学習済みモデル、異常要因推定装置、基板処理装置、異常要因推定方法、学習方法、学習装置、及び、学習データ作成方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2021152762A true JP2021152762A (ja) | 2021-09-30 |
Family
ID=77808895
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020052983A Pending JP2021152762A (ja) | 2020-03-24 | 2020-03-24 | 学習済みモデル生成方法、学習済みモデル、異常要因推定装置、基板処理装置、異常要因推定方法、学習方法、学習装置、及び、学習データ作成方法 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20210304032A1 (ja) |
JP (1) | JP2021152762A (ja) |
KR (1) | KR102583402B1 (ja) |
CN (1) | CN113448307A (ja) |
TW (1) | TWI792209B (ja) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023149161A1 (ja) * | 2022-02-04 | 2023-08-10 | 株式会社荏原製作所 | 情報処理装置、推論装置、機械学習装置、情報処理方法、推論方法、及び、機械学習方法 |
WO2023176156A1 (ja) * | 2022-03-18 | 2023-09-21 | 株式会社Screenホールディングス | 基板処理装置および監視方法 |
WO2024070233A1 (ja) * | 2022-09-26 | 2024-04-04 | 株式会社Screenホールディングス | 学習装置、情報処理装置、基板処理装置、基板処理システム、学習方法および処理条件決定方法 |
WO2024070390A1 (ja) * | 2022-09-26 | 2024-04-04 | 株式会社Screenホールディングス | 学習装置、情報処理装置、基板処理装置、基板処理システム、学習方法および処理条件決定方法 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11586160B2 (en) * | 2021-06-28 | 2023-02-21 | Applied Materials, Inc. | Reducing substrate surface scratching using machine learning |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06328034A (ja) * | 1993-05-25 | 1994-11-29 | Toray Ind Inc | カップ回転式スピンコータ及びカップ回転式塗膜形成方法 |
JPH07182011A (ja) * | 1993-12-24 | 1995-07-21 | Dainippon Screen Mfg Co Ltd | 異常診断装置 |
JPH0832281A (ja) * | 1994-07-14 | 1996-02-02 | Matsushita Electric Ind Co Ltd | 品質分析方法 |
JPH10309509A (ja) * | 1997-05-09 | 1998-11-24 | Dainippon Screen Mfg Co Ltd | 回転式基板処理装置および基板処理方法 |
JP2003022116A (ja) * | 2001-07-05 | 2003-01-24 | Dainippon Screen Mfg Co Ltd | 基板処理システム、基板処理装置、装置情報管理方法、プログラム及び記録媒体 |
JP2004172204A (ja) * | 2002-11-18 | 2004-06-17 | Dainippon Screen Mfg Co Ltd | 基板処理装置 |
JP2004186445A (ja) * | 2002-12-03 | 2004-07-02 | Omron Corp | モデル化装置及びモデル解析方法並びにプロセス異常検出・分類システム及びプロセス異常検出・分類方法並びにモデル化システム及びモデル化方法並びに故障予知システム及びモデル化装置の更新方法 |
JP2005142467A (ja) * | 2003-11-10 | 2005-06-02 | Renesas Technology Corp | 半導体デバイスの製造方法および半導体製造システム |
JP2008041939A (ja) * | 2006-08-07 | 2008-02-21 | Matsushita Electric Ind Co Ltd | シリコン異方性エッチング装置及びシリコン異方性エッチング方法 |
KR20110001109A (ko) * | 2009-06-29 | 2011-01-06 | 세종대학교산학협력단 | 전산지능을 이용한 플라즈마 장비의 감시 및 제어 방법 |
JP2012150721A (ja) * | 2011-01-20 | 2012-08-09 | Tokyo Electron Ltd | 処理装置の異常診断方法及びその異常診断システム |
JP2018107338A (ja) * | 2016-12-27 | 2018-07-05 | 株式会社Sumco | ウェーハの洗浄方法 |
JP2018163978A (ja) * | 2017-03-24 | 2018-10-18 | 株式会社Screenホールディングス | 基板処理装置および基板処理方法 |
JP2019140193A (ja) * | 2018-02-08 | 2019-08-22 | 株式会社Screenホールディングス | データ処理方法、データ処理装置、および、データ処理プログラム |
JP2020031083A (ja) * | 2018-08-20 | 2020-02-27 | 株式会社Screenホールディングス | 基板処理方法、基板処理装置および基板処理システム |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004047885A (ja) * | 2002-07-15 | 2004-02-12 | Matsushita Electric Ind Co Ltd | 半導体製造装置のモニタリングシステム及びモニタリング方法 |
JP4882239B2 (ja) * | 2005-02-16 | 2012-02-22 | 東京エレクトロン株式会社 | 半導体製造装置、コンピュータプログラム及び記憶媒体 |
JP2007123643A (ja) * | 2005-10-31 | 2007-05-17 | Matsushita Electric Ind Co Ltd | 成膜装置、成膜方法、成膜装置のモニタリングプログラムおよびその記録媒体 |
US9135103B2 (en) * | 2012-02-16 | 2015-09-15 | Mentor Graphics Corporation | Hybrid memory failure bitmap classification |
WO2015199258A1 (ko) * | 2014-06-25 | 2015-12-30 | 삼성전자 주식회사 | 진단모델 생성 시스템 및 방법 |
CN109891032B (zh) * | 2016-09-29 | 2021-11-09 | 西沃特科技有限公司 | 用于一流体***的常规在线水质及安全监测的***及方法 |
US10041844B1 (en) * | 2017-04-07 | 2018-08-07 | International Business Machines Corporation | Fluid flow rate assessment by a non-intrusive sensor in a fluid transfer pump system |
JP7010641B2 (ja) * | 2017-09-27 | 2022-01-26 | パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカ | 異常診断方法および異常診断装置 |
US11187992B2 (en) | 2017-10-23 | 2021-11-30 | Applied Materials, Inc. | Predictive modeling of metrology in semiconductor processes |
US10579041B2 (en) | 2017-12-01 | 2020-03-03 | Applied Materials, Inc. | Semiconductor process control method |
CN111902924A (zh) * | 2018-03-13 | 2020-11-06 | 应用材料公司 | 用于半导体处理的监测的机器学习*** |
JP6810097B2 (ja) * | 2018-05-21 | 2021-01-06 | ファナック株式会社 | 異常検出器 |
KR102589004B1 (ko) * | 2018-06-18 | 2023-10-16 | 삼성전자주식회사 | 반도체 불량 분석 장치 및 그것의 불량 분석 방법 |
WO2020055555A1 (en) | 2018-09-12 | 2020-03-19 | Applied Materials, Inc. | Deep auto-encoder for equipment health monitoring and fault detection in semiconductor and display process equipment tools |
-
2020
- 2020-03-24 JP JP2020052983A patent/JP2021152762A/ja active Pending
-
2021
- 2021-02-10 KR KR1020210018875A patent/KR102583402B1/ko active IP Right Grant
- 2021-02-24 CN CN202110205886.3A patent/CN113448307A/zh active Pending
- 2021-02-26 US US17/185,981 patent/US20210304032A1/en active Pending
- 2021-03-04 TW TW110107643A patent/TWI792209B/zh active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06328034A (ja) * | 1993-05-25 | 1994-11-29 | Toray Ind Inc | カップ回転式スピンコータ及びカップ回転式塗膜形成方法 |
JPH07182011A (ja) * | 1993-12-24 | 1995-07-21 | Dainippon Screen Mfg Co Ltd | 異常診断装置 |
JPH0832281A (ja) * | 1994-07-14 | 1996-02-02 | Matsushita Electric Ind Co Ltd | 品質分析方法 |
JPH10309509A (ja) * | 1997-05-09 | 1998-11-24 | Dainippon Screen Mfg Co Ltd | 回転式基板処理装置および基板処理方法 |
JP2003022116A (ja) * | 2001-07-05 | 2003-01-24 | Dainippon Screen Mfg Co Ltd | 基板処理システム、基板処理装置、装置情報管理方法、プログラム及び記録媒体 |
JP2004172204A (ja) * | 2002-11-18 | 2004-06-17 | Dainippon Screen Mfg Co Ltd | 基板処理装置 |
JP2004186445A (ja) * | 2002-12-03 | 2004-07-02 | Omron Corp | モデル化装置及びモデル解析方法並びにプロセス異常検出・分類システム及びプロセス異常検出・分類方法並びにモデル化システム及びモデル化方法並びに故障予知システム及びモデル化装置の更新方法 |
JP2005142467A (ja) * | 2003-11-10 | 2005-06-02 | Renesas Technology Corp | 半導体デバイスの製造方法および半導体製造システム |
JP2008041939A (ja) * | 2006-08-07 | 2008-02-21 | Matsushita Electric Ind Co Ltd | シリコン異方性エッチング装置及びシリコン異方性エッチング方法 |
KR20110001109A (ko) * | 2009-06-29 | 2011-01-06 | 세종대학교산학협력단 | 전산지능을 이용한 플라즈마 장비의 감시 및 제어 방법 |
JP2012150721A (ja) * | 2011-01-20 | 2012-08-09 | Tokyo Electron Ltd | 処理装置の異常診断方法及びその異常診断システム |
JP2018107338A (ja) * | 2016-12-27 | 2018-07-05 | 株式会社Sumco | ウェーハの洗浄方法 |
JP2018163978A (ja) * | 2017-03-24 | 2018-10-18 | 株式会社Screenホールディングス | 基板処理装置および基板処理方法 |
JP2019140193A (ja) * | 2018-02-08 | 2019-08-22 | 株式会社Screenホールディングス | データ処理方法、データ処理装置、および、データ処理プログラム |
JP2020031083A (ja) * | 2018-08-20 | 2020-02-27 | 株式会社Screenホールディングス | 基板処理方法、基板処理装置および基板処理システム |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023149161A1 (ja) * | 2022-02-04 | 2023-08-10 | 株式会社荏原製作所 | 情報処理装置、推論装置、機械学習装置、情報処理方法、推論方法、及び、機械学習方法 |
WO2023176156A1 (ja) * | 2022-03-18 | 2023-09-21 | 株式会社Screenホールディングス | 基板処理装置および監視方法 |
WO2024070233A1 (ja) * | 2022-09-26 | 2024-04-04 | 株式会社Screenホールディングス | 学習装置、情報処理装置、基板処理装置、基板処理システム、学習方法および処理条件決定方法 |
WO2024070390A1 (ja) * | 2022-09-26 | 2024-04-04 | 株式会社Screenホールディングス | 学習装置、情報処理装置、基板処理装置、基板処理システム、学習方法および処理条件決定方法 |
Also Published As
Publication number | Publication date |
---|---|
TW202205040A (zh) | 2022-02-01 |
CN113448307A (zh) | 2021-09-28 |
KR102583402B1 (ko) | 2023-09-27 |
US20210304032A1 (en) | 2021-09-30 |
TW202318126A (zh) | 2023-05-01 |
KR20210119289A (ko) | 2021-10-05 |
TWI792209B (zh) | 2023-02-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2021152762A (ja) | 学習済みモデル生成方法、学習済みモデル、異常要因推定装置、基板処理装置、異常要因推定方法、学習方法、学習装置、及び、学習データ作成方法 | |
JP4472637B2 (ja) | 電気的製造制御に対する確率制約最適化 | |
Chang et al. | Virtual metrology technique for semiconductor manufacturing | |
TWI742392B (zh) | 補正方法、基板處理裝置及基板處理系統 | |
JP5292602B2 (ja) | 高度プロセス制御システム及び高度プロセス制御方法 | |
JP5042225B2 (ja) | 熱処理システムのビルトイン・セルフテスト | |
CN1860487A (zh) | 使用第一原理仿真分析半导体处理工具执行的处理的***和方法 | |
JP5096335B2 (ja) | 熱処理システムのビルトイン・セルフテスト | |
JPWO2019182913A5 (ja) | ||
Cheng et al. | Dual-phase virtual metrology scheme | |
Su et al. | Accuracy and real-time considerations for implementing various virtual metrology algorithms | |
JP2021108367A (ja) | 基板処理装置、基板処理方法、基板処理システム、及び学習用データの生成方法 | |
EP4145492A1 (en) | Substrate treatment device, substrate treatment method, method for generating learning data, learning method, learning device, method for generating learned model, and learned model | |
US20120016643A1 (en) | Virtual measuring system and method for predicting the quality of thin film transistor liquid crystal display processes | |
US11378426B2 (en) | System and method for monitoring sensor linearity as part of a production process | |
JP2016152396A (ja) | 処理液供給装置、処理液供給方法及び記憶媒体 | |
TWI849667B (zh) | 學習完成的模型生成方法、異常主要原因推定裝置、學習完成的模型、異常主要原因推定方法、學習方法、學習裝置以及學習資料製作方法 | |
US20230236048A1 (en) | Substrate processing apparatus, abnormality detection method and non-transitory computer readable medium storing abnormality detection program | |
Kowalów et al. | Sequential design for model calibration in iterative learning control of DC motor | |
US20110174336A1 (en) | Substrate processing apparatus | |
JP2024046993A (ja) | 支援装置、支援方法、基板処理システム、記録媒体、及び、支援プログラム | |
Chen et al. | Development of a virtual metrology for high-mix TFT-LCD manufacturing processes | |
US20210202258A1 (en) | Substrate treatment apparatus, substrate treatment method, substrate treatment system, and learning data generation method | |
WO2024157596A1 (ja) | 基板処理装置、推定方法、学習用データの生成方法、学習方法、学習装置、学習済モデルの生成方法、および、学習済モデル | |
EP4231107A1 (en) | Substrate processing condition setting method, substrate processing method, substrate processing condition setting system, and substrate processing system |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20221219 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20231003 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20231004 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20231130 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20240227 |