JP2023019657A - 基板処理方法及び基板処理装置 - Google Patents
基板処理方法及び基板処理装置 Download PDFInfo
- Publication number
- JP2023019657A JP2023019657A JP2021124568A JP2021124568A JP2023019657A JP 2023019657 A JP2023019657 A JP 2023019657A JP 2021124568 A JP2021124568 A JP 2021124568A JP 2021124568 A JP2021124568 A JP 2021124568A JP 2023019657 A JP2023019657 A JP 2023019657A
- Authority
- JP
- Japan
- Prior art keywords
- substrate
- processing
- information
- nozzle
- speed
- 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
Images
Landscapes
- Weting (AREA)
Abstract
【課題】基板を構成する対象物の厚みを所望の厚みにすることが可能な基板処理方法及び基板処理装置を提供する。【解決手段】基板処理方法は、処理対象の基板Wに対して第1ノズル41から処理液を供給して処理対象の基板Wに処理を実行する。基板処理方法は、処理対象の基板Wの表面に関する処理前表面情報を取得する工程(ステップS202)と、処理前表面情報に基づいて、複数の学習済モデル133から1つの学習済モデル133を選定する工程(ステップS203)と、処理前表面情報と選定した学習済モデル133とに基づいて得られる速度条件で、処理対象の基板Wを処理する工程(ステップS205)とを含む。学習済モデル133は、処理前表面情報が入力されることにより、第1ノズル41と基板Wとの相対的な移動速度である速度条件を出力する。【選択図】図15
Description
本発明は、基板処理方法及び基板処理装置に関する。
表面に被膜が形成されたウエハを処理対象とし、液処理によって被膜の膜厚調整及び異物除去を行う基板処理装置が知られている。このような基板処理装置の一種として、ウエハ表面にエッチング用の処理液を供給するノズルを備えた枚葉型の基板処理装置がある(例えば、特許文献1参照。)。特許文献1の基板処理装置は、エッチング処理の実行時に、予め規定された速度プロファイルに基づいてノズルを移動させながら、エッチング用の処理液をノズルから吐出させる。
しかしながら、予め規定された速度プロファイルに基づいてノズルを移動させる基板処理装置では、表面形状(プロファイル)が異なる複数のウエハに対して、同じ条件でエッチング処理を行うため、処理後のウエハの表面形状のバラツキが大きくなる場合がある。具体的には、各ウエハにおいて表面の絶縁膜等の厚みのバラツキが大きくなる。つまり、基板を構成する対象物の厚みを所望の厚みにすることが困難な場合がある。
本発明は上記課題に鑑みてなされたものであり、その目的は、基板を構成する対象物の厚みを所望の厚みにすることが可能な基板処理方法及び基板処理装置を提供することにある。
本発明の一局面による基板処理方法は、処理対象の基板に対してノズルから処理液を供給して前記処理対象の基板に処理を実行する。基板処理方法は、前記処理対象の基板の表面に関する処理前表面情報を取得する工程と、前記処理前表面情報に基づいて、複数の学習済モデルから1つの学習済モデルを選定する工程と、前記処理前表面情報と選定した前記学習済モデルとに基づいて得られる速度条件で、前記処理対象の基板を処理する工程とを含む。前記学習済モデルは、前記処理前表面情報が入力されることにより、前記ノズルと前記基板との相対的な移動速度である前記速度条件を出力する。
本発明の一態様において、前記複数の学習済モデルは、複数の学習対象の基板を複数の速度条件でそれぞれ処理した際の処理量に関する処理量情報を、複数のクラスタにクラスタリングし、各クラスタの前記速度条件及び前記処理量情報を用いて機械学習させることによって得られた複数のモデルである。
本発明の一態様において、前記複数のクラスタから、前記学習対象の基板の数が所定数以上のクラスタを選定し、選定した前記クラスタの前記速度条件及び前記処理量情報を用いて機械学習させることによって、前記複数の学習済モデルが得られる。
本発明の一態様において、前記各クラスタにおいて他の処理量情報との相関が所定条件以上に高い処理量情報を選定し、選定した前記処理量情報を用いて機械学習させることによって、前記学習済モデルが得られる。
本発明の一態様において、前記1つの学習済モデルを選定する工程において、前記処理前表面情報に基づいて、前記処理対象の基板を処理する処理量の目標値を導出し、前記複数の学習済モデルから、前記処理量の目標値との相関が所定条件以上に高い1つのクラスタの前記処理量情報を用いて得られた前記1つの学習済モデルを選定する。
本発明の一態様において、前記処理前表面情報は、前記処理対象の基板の厚みの分布を示す情報を含む。
本発明の一局面による基板処理装置は、処理対象の基板に対して処理液を供給して前記基板に処理を実行する。基板処理装置は、ノズルと、取得部と、制御部とを備える。前記ノズルは、前記基板に対して前記処理液を供給する。前記取得部は、前記処理対象の基板の表面に関する処理前表面情報を取得する。前記制御部は、前記処理前表面情報に基づいて、複数の学習済モデルから1つの学習済モデルを選定する。前記制御部は、前記処理前表面情報と選定した前記学習済モデルとに基づいて得られる速度条件で、前記処理対象の基板を処理する。前記学習済モデルは、前記処理前表面情報が入力されることにより、前記ノズルと前記基板との相対的な移動速度である前記速度条件を出力する。
本発明によれば、基板を構成する対象物の厚みを所望の厚みにすることが可能な基板処理方法及び基板処理装置を提供できる。
以下、図面を参照して本発明の実施形態を説明する。但し、本発明は以下の実施形態に限定されるものではなく、その要旨を逸脱しない範囲で種々の態様において実施することが可能である。なお、説明が重複する箇所については、適宜説明を省略する場合がある。また、図中、同一又は相当部分については同一の参照符号を付して説明を繰り返さない。
図1を参照して、本発明の一実施形態の基板処理装置100を説明する。図1は、本実施形態の基板処理装置100の模式図である。詳しくは、図1は、基板処理装置100の模式的な平面図である。基板処理装置100は、基板Wを一枚ずつ処理する枚葉式の装置である。本実施形態において、基板Wは半導体ウエハである。基板Wは略円板状である。
図1に示すように、基板処理装置100は、複数の処理ユニット1と、流体キャビネット100Aと、複数の流体ボックス100Bと、複数のロードポートLPと、インデクサーロボットIRと、センターロボットCRと、制御装置101とを備える。
ロードポートLPの各々は、複数枚の基板Wを積層して収容する。インデクサーロボットIRは、ロードポートLPとセンターロボットCRとの間で基板Wを搬送する。センターロボットCRは、インデクサーロボットIRと処理ユニット1との間で基板Wを搬送する。処理ユニット1の各々は、処理液を基板Wに供給して、基板Wに処理を実行する。流体キャビネット100Aは、処理液を収容する。
複数の処理ユニット1は、平面視においてセンターロボットCRを取り囲むように配置された複数のタワーTW(図1では4つのタワーTW)を形成している。各タワーTWは、上下に積層された複数の処理ユニット1(図1では3つの処理ユニット1)を含む。流体ボックス100Bは、それぞれ、複数のタワーTWに対応している。流体キャビネット100A内の処理液は、いずれかの流体ボックス100Bを介して、流体ボックス100Bに対応するタワーTWに含まれる全ての処理ユニット1に供給される。
制御装置101は、基板処理装置100の各部の動作を制御する。例えば、制御装置101は、ロードポートLP、インデクサーロボットIR、及びセンターロボットCRを制御する。
本実施形態において、制御装置101は、学習装置として機能する。具体的には、制御装置101は、機械学習を実行する。機械学習は、例えば、教師あり学習、教師なし学習、半教師あり学習、強化学習、及び深層学習のうちのいずれかである。
続いて図2を参照して、本実施形態の処理ユニット1を説明する。図2は、本実施形態の処理ユニット1の模式図である。詳しくは、図2は、処理ユニット1の模式的な断面図である。
図2に示すように、処理ユニット1は、基板Wを構成する対象物を処理液によって処理する。以下、処理液による処理の対象である対象物を「対象物TG」と記載する。対象物TGは、例えば、基板本体(例えば、シリコンからなる基板本体)、又は、基板本体の表面に形成された物質である。基板本体の表面に形成された物質は、例えば、基板本体と同じ材料の物質(例えば、シリコンからなる層)、又は、基板本体と異なる材料の物質(例えば、シリコン酸化膜、シリコン窒化膜、又はレジスト)である。「物質」は膜を構成していてもよい。
本実施形態において、処理液はエッチング液を含み、処理ユニット1はエッチング処理を実行する。対象物TGは、エッチング液によって処理される(エッチングされる)。エッチング液は、薬液である。エッチング液は、例えば、フッ硝酸(フッ酸(HF)と硝酸(HNO3)との混合液)、フッ酸、バッファードフッ酸(BHF)、フッ化アンモニウム、HFEG(フッ酸とエチレングリコールとの混合液)、又は、燐酸(H3PO4)である。
処理ユニット1は、チャンバー2と、スピンチャック3と、スピンモータ部5と、ノズル移動機構6と、測定部8と、プローブ移動機構9と、複数のガード10(図2では2つのガード10)と、第1ノズル41と、第2ノズル71とを備える。また、基板処理装置100は、エッチング液供給部4と、リンス液供給部7とを備える。エッチング液供給部4は、第1供給配管42を有し、リンス液供給部7は、第2供給配管72を有する。なお、測定部8は、本発明の「取得部」の一例である。また、第1ノズル41は、本発明の「ノズル」の一例である。
チャンバー2は略箱形状を有する。チャンバー2は、基板W、スピンチャック3、スピンモータ部5、ノズル移動機構6、複数のガード10、測定部8、プローブ移動機構9、第1ノズル41、第2ノズル71、第1供給配管42の一部、及び、第2供給配管72の一部を収容する。
スピンチャック3は、基板Wを水平に保持する。具体的には、スピンチャック3は、複数のチャック部材32と、スピンベース33とを有する。複数のチャック部材32は、基板Wの周縁に沿ってスピンベース33に設けられる。複数のチャック部材32は基板Wを水平な姿勢で保持する。スピンベース33は、略円板状であり、水平な姿勢で複数のチャック部材32を支持する。
スピンモータ部5は、第1回転軸線AX1を中心として基板Wとスピンチャック3とを一体に回転させる。第1回転軸線AX1は、上下方向に延びる。本実施形態では、第1回転軸線AX1は、略鉛直方向に延びる。詳しくは、スピンモータ部5は、第1回転軸線AX1を中心としてスピンベース33を回転させる。従って、スピンベース33は、第1回転軸線AX1を中心として回転する。その結果、スピンベース33に設けられた複数のチャック部材32に保持された基板Wが、第1回転軸線AX1を中心として回転する。
具体的には、スピンモータ部5は、モータ本体51と、シャフト53と、エンコーダ55とを有する。シャフト53はスピンベース33に結合される。モータ本体51は、シャフト53を回転させる。その結果、スピンベース33が回転する。
エンコーダ55は、基板Wの回転速度を計測する。エンコーダ55は、基板Wの回転速度を示す信号を生成する。詳しくは、エンコーダ55は、モータ本体51の回転速度を示す回転速度信号を生成する。
第1ノズル41は、基板Wにエッチング液を供給する。詳しくは、第1ノズル41は、回転中の基板Wに向けてエッチング液を吐出する。エッチング液供給部4は、第1ノズル41にエッチング液を供給する。詳しくは、第1ノズル41は、第1供給配管42の一端に接続している。エッチング液は、第1供給配管42を介して第1ノズル41に供給される。第1供給配管42は、エッチング液が流通する管状部材である。
ノズル移動機構6は、第1ノズル41を移動させる。本実施形態において、ノズル移動機構6は、略水平方向に第1ノズル41を移動させる。詳しくは、ノズル移動機構6は、略鉛直方向に沿った第2回転軸線AX2を中心として第1ノズル41を旋回させる。第1ノズル41は、移動しながら(旋回しながら)、基板Wに向けてエッチング液を吐出する。第1ノズル41は、スキャンノズルと称されることがある。
具体的には、ノズル移動機構6は、ノズルアーム61と、第1回転軸63と、第1駆動部65とを有する。ノズルアーム61は略水平方向に沿って延びる。ノズルアーム61の先端部に第1ノズル41が配置される。ノズルアーム61は第1回転軸63に結合される。第1回転軸63は、略鉛直方向に沿って延びる。第1駆動部65は、第2回転軸線AX2を中心として第1回転軸63を回転させて、第1回転軸63を中心にノズルアーム61を略水平面に沿って回転させる。その結果、第1ノズル41が略水平面に沿って移動する。詳しくは、第1ノズル41は、第2回転軸線AX2を中心として第1回転軸63の周りを旋回する。第1駆動部65は、例えば、ステッピングモータを含む。
第2ノズル71は、基板Wにリンス液を供給する。詳しくは、第2ノズル71は、回転中の基板Wに向けてリンス液を吐出する。リンス液供給部7は、第2ノズル71にリンス液を供給する。詳しくは、リンス液は、第2供給配管72を介して第2ノズル71に供給される。第2供給配管72は、リンス液が流通する管状部材である。リンス液は、例えば、脱イオン水、炭酸水、電解イオン水、水素水、オゾン水、又は、希釈濃度(例えば、10ppm~100ppm程度)の塩酸水である。第2ノズル71は、静止した状態でリンス液を吐出する。第2ノズル71は、固定ノズルと称されることがある。なお、第2ノズル71はスキャンノズルであってもよい。
ガード10の各々は、略筒形状を有する。複数のガード10は、基板Wから排出されたエッチング液及びリンス液を受け止める。
測定部8は、基板Wの表面に関する表面情報を取得する。表面情報は、例えば、基板Wの厚みの分布を示す情報を含む。また、表面情報は、例えば、基板Wの表面形状(プロファイル)を示す情報を含む。なお、基板Wの厚みの分布の情報と基板Wの表面の形状の情報との一方に基づいて、他方を得ることが可能である。つまり、基板Wの厚みの分布の情報を取得することと、基板Wの表面の形状の情報を取得することとは、実質的に同じである。
本実施形態では、測定部8は、対象物TGの厚みを非接触方式で測定して、対象物TGの厚みを示す厚み検出信号を生成する。厚み検出信号は、制御装置101に入力される。
測定部8は、例えば、分光干渉法によって対象物TGの厚みを測定する。具体的には、測定部8は、光学プローブ81と、信号線83と、測定器85とを含む。光学プローブ81は、レンズを有する。信号線83は、光学プローブ81と測定器85とを接続する。信号線83は、例えば光ファイバーを含む。測定器85は、光源と受光素子とを有する。測定器85の光源が出射した光は、信号線83及び光学プローブ81を介して、対象物TGに出射される。対象物TGによって反射された光は、光学プローブ81及び信号線83を介して、測定器85の受光素子で受光される。測定器85は、受光素子が受光した光を解析して、対象物TGの厚みを算出する。測定器85は、算出した対象物TGの厚みを示す厚み検出信号を生成する。なお、測定部8の測定方法は、分光干渉法に限らず、対象物TGの厚みを測定できれば他の測定方法を用いてもよい。
プローブ移動機構9は、略水平方向に光学プローブ81を移動させる。詳しくは、プローブ移動機構9は、略鉛直方向に沿った第3回転軸線AX3を中心として光学プローブ81を旋回させる。光学プローブ81は、移動しながら(旋回しながら)、基板Wに向けて光を出射する。従って、厚み検出信号は、対象物TGの厚みの分布を示す。
具体的には、プローブ移動機構9は、プローブアーム91と、第2回転軸93と、第2駆動部95とを有する。プローブアーム91は略水平方向に沿って延びる。プローブアーム91の先端部に光学プローブ81が配置される。プローブアーム91は第2回転軸93に結合される。第2回転軸93は、略鉛直方向に沿って延びる。第2駆動部95は、第3回転軸線AX3を中心として第2回転軸93を回転させて、第2回転軸93を中心にプローブアーム91を略水平面に沿って回転させる。その結果、光学プローブ81が略水平面に沿って移動する。詳しくは、光学プローブ81は、第3回転軸線AX3を中心として第2回転軸93の周りを旋回する。第2駆動部95は、例えば、ステッピングモータを含む。
本実施形態において、測定部8は、処理対象の基板Wの表面に関する表面情報の検出に用いられる。
また、本実施形態において、測定部8は、処理量の検出に用いられる。処理量は、処理ユニット1が基板Wを処理することによって基板Wが処理される量を示す。詳しくは、測定部8は、処理前の基板Wの表面情報(以下、処理前表面情報と記載することがある)と、処理後の基板Wの表面情報(以下、処理後表面情報と記載することがある)とを取得する。処理前表面情報と処理後表面情報との差分から、処理量を算出することができる。本実施形態では、処理量は、第1ノズル41から基板Wに供給されたエッチング液(処理液)によって基板Wが処理される量を示す。本実施形態において、処理量は、エッチング量を示す。エッチング量は、エッチング処理前の対象物TGの厚みと、エッチング処理後の対象物TGの厚みとの差分を示す。
制御装置101は、機械学習の実行時に、測定部8(測定器85)から入力された厚み検出信号に基づいてエッチング量を算出することにより、エッチング量を取得する。より詳しくは、制御装置101は、エッチング量の分布(処理量の分布)を取得する。制御装置101は、取得したエッチング量を用いて、機械学習のための学習用データ(学習用データセット)を生成する。
また、制御装置101は、半導体製品の製造時に、測定部8(測定器85)から入力された厚み検出信号に基づいてエッチング量を算出し、エッチング量を取得してもよい。
また、制御装置101には、エンコーダ55から回転速度信号が入力される。なお、処理時における基板Wの回転速度は、例えば一定である。詳しくは、制御装置101は、図9を参照して説明するように、基板処理装置100の各部を制御するためのレシピ131を記憶しており、レシピ131は、モータ本体51の回転速度の設定値を示す。制御装置101は、レシピ131を参照して、処理ユニット1が実行する処理を制御する。
続いて図3を参照して、第1ノズル41による基板Wのスキャン処理を説明する。図3は、本実施形態のスキャン処理を示す平面図である。図3に示すように、スキャン処理とは、平面視において、対象物TGの表面に対する処理液の着液位置が円弧状の軌跡TJ1を形成するように第1ノズル41が移動しながら、処理液を対象物TGに吐出する処理のことである。軌跡TJ1は、基板Wの中心部CTを通る。中心部CTは、基板Wのうち第1回転軸線AX1が通る部分を示す。スキャン処理は、基板Wの回転中に実行される。
本実施形態では、第1ノズル41は、第1位置X1から第9位置X9まで移動しながら、回転中の基板Wに向けてエッチング液を吐出する。第1位置X1から第9位置X9に含まれる各位置X1~X9は、軌跡TJ1に含まれる。第1位置X1から第9位置X9までの区間は、第1ノズル41が移動する移動区間を示す。
第1位置X1から第9位置X9のうち、第1位置X1は、処理液(エッチング液)の吐出開始位置を示し、第9位置X9は、処理液(エッチング液)の吐出停止位置を示す。第1位置X1における第1ノズル41の移動速度は0mm/sであり、第9位置X9における第1ノズル41の移動速度は0mm/sである。従って、第1位置X1は、スキャン処理の開始位置であり、第9位置X9は、スキャン処理の終了位置である。また、第1位置X1は、第1ノズル41の移動開始位置であり、第9位置X9は、第1ノズル41の移動終了位置である。なお、以下の説明において、スキャン処理時における第1ノズル41の移動速度を「スキャン速度」と記載する場合がある。
第1ノズル41は、スキャン処理中に、第1位置X1と第9位置X9との間の各中間位置(第2位置X2から第8位置X8までの各位置X2~X8)を通過する。
続いて図4を参照して、スキャン速度情報について説明する。スキャン速度情報は、スキャン処理時における第1ノズル41の移動速度の設定値(スキャン速度の設定値)を示す。図4は、本実施形態のスキャン速度情報を示す図である。なお、スキャン速度は、本発明の「速度条件」の一例である。詳しくは、図4は、図3を参照して説明した第1ノズル41の移動区間に含まれる各位置X1~X9と、スキャン速度の設定値との関係を示す。
図4において、上の欄は、第1ノズル41の移動区間に含まれる各位置X1~X9を示し、下の欄は、スキャン速度の設定値を示す。第1ノズル41の移動区間に含まれる各位置X1~X9は、基板Wの半径位置で規定される。詳しくは、上の欄は、第1ノズル41の移動区間の開始位置(第1ノズル41の移動開始位置)、第1ノズル41の移動区間の終了位置(第1ノズル41の移動終了位置)、及び、第1ノズル41の移動区間の開始位置と終了位置との間の複数の中間位置(第1ノズル41が通過する複数の位置)を示す。
図4に示すように、スキャン速度情報は、第1ノズル41の移動区間に含まれる各位置X1~X9ごとに、スキャン速度の設定値を示す。以下、第1ノズル41の移動区間に含まれる各位置X1~X9を、「速度設定位置」と記載する場合がある。本実施形態では、スキャン速度情報は、9か所の速度設定位置を示す。
具体的には、各速度設定位置は、図3を参照して説明した第1位置X1から第9位置X9までの各位置X1~X9に対応する。なお、図3を参照して説明したように、第1ノズル41の移動区間の開始位置(第1位置X1)において設定されるスキャン速度は、0[mm/s]であり、第1ノズル41の移動区間の終了位置(第9位置X9)において設定されるスキャン速度は、0[mm/s]である。
図1及び図2を参照して説明した制御装置101は、スキャン速度情報に基づいて、図2を参照してノズル移動機構6(第1駆動部65)を制御する。その結果、第1ノズル41は、各速度設定位置でのスキャン速度が、スキャン速度情報で規定されているスキャン速度となるように、図3を参照して説明した軌跡TJ1に沿って移動する。
続いて図5を参照して、スキャン処理時における第1ノズル41の移動速度(スキャン速度)について説明する。図5は、本実施形態における第1ノズル41の移動速度の一例を示すグラフである。
図5において、縦軸はスキャン速度[mm/s]を示し、横軸は基板Wの半径位置[mm]を示す。図5に示すように、スキャン処理の開始時のスキャン速度は0[mm/s]である。また、スキャン処理の終了時のスキャン速度は0[mm/s]である。
図3及び図4を参照して説明したように、スキャン速度は、第1位置X1から第9位置X9までの各位置X1~X9(各速度設定位置)ごとに設定されている。その結果、図5に示すように、隣り合う速度設定位置の間で、一方の速度設定位置に対して設定されているスキャン速度から、他方の速度設定位置に対して設定されているスキャン速度まで、スキャン速度が連続的に変化する。例えば、図4に示すように、第3位置X3に対してスキャン速度Y3が設定されており、第4位置X4に対してスキャン速度Y4が設定されている。従って、第1ノズル41のスキャン速度は、第1ノズル41が第3位置X3から第4位置X4に移動する間に、スキャン速度Y3からスキャン速度Y4へ連続的に変化する。
続いて図6を参照して、測定部8による厚み測定処理を説明する。図6は、本実施形態の厚み測定処理を示す平面図である。図6に示すように、厚み測定処理とは、平面視において、対象物TGに対する厚みの測定位置が円弧状の軌跡TJ2を形成するように光学プローブ81が移動しながら、対象物TGの厚みを測定する処理のことである。軌跡TJ2は、基板Wのエッジ部EGと基板Wの中心部CTとを通る。エッジ部EGは、基板Wの周縁部を示す。厚み測定処理は、基板Wの回転中に実行される。
具体的には、光学プローブ81は、平面視において、基板Wの中心部CTとエッジ部EGとの間を移動しながら、対象物TGに向けて光を出射する。この結果、軌跡TJ2に含まれる各測定位置において、対象物TGの厚みが測定される。各測定位置は、基板Wの各半径位置に対応している。従って、厚み測定処理により、基板Wの径方向RDにおける対象物TGの厚みの分布が測定される。なお、対象物TGの表面形状(プロファイル)は、対象物TGの厚みの分布を示す形状と一致する。
続いて図7を参照して、本実施形態のエッチング液供給部4を説明する。図7は、本実施形態のエッチング液供給部4の模式図である。図7に示すように、エッチング液供給部4は、図2を参照して説明した第1供給配管42に加えて、温度センサ421と、濃度センサ422と、バルブ423と、ミキシングバルブ424と、流量計425と、加熱ヒータ426とを更に有する。
温度センサ421は、第1供給配管42を流れるエッチング液の温度を計測する。温度センサ421は、エッチング液の温度を示す温度信号を生成し、制御装置101に入力する。処理時におけるエッチング液の温度は、例えば一定である。
濃度センサ422は、第1供給配管42を流れるエッチング液に含まれるエッチング成分の濃度を計測する。濃度センサ422は、エッチング液の濃度を示す濃度信号を生成し、制御装置101に入力する。処理時におけるエッチング液の濃度は、例えば一定である。
バルブ423は、第1供給配管42に配置される。バルブ423は、第1ノズル41へのエッチング液の供給及び供給停止を切り替える。詳しくは、バルブ423が開くと、第1ノズル41から基板Wに向けてエッチング液が吐出される。一方、バルブ423が閉じると、エッチング液の吐出が停止する。また、バルブ423は、第1供給配管42においてバルブ423よりも下流へ流れるエッチング液の流量を制御する。詳しくは、バルブ423の開度に応じて、バルブ423よりも下流へ流れるエッチング液の流量が調整される。従って、バルブ423の開度に応じて、エッチング液の吐出流量が調整される。バルブ423は、例えば、モータバルブである。
ミキシングバルブ424は、第1供給配管42に配置される。ミキシングバルブ424が開くと、第1供給配管42に純水が流入して、エッチング液の濃度が希釈される。
流量計425は、エッチング液の吐出流量を計測する。具体的には、流量計425の計測対象は、第1供給配管42を流れるエッチング液の流量である。流量計425は、エッチング液の吐出流量を示す吐出流量信号を生成し、制御装置101に入力する。処理時におけるエッチング液の吐出流量は、例えば一定である。
加熱ヒータ426は、第1供給配管42を流れるエッチング液を加熱する。
次に、図8A~図8Cを参照して、基板処理装置100による基板W(具体的には対象物TG)に対するエッチング処理を説明する。図8Aは、エッチング前の厚みパターンTA、TB、TCを示す図である。図8Bは、エッチングレート分布EA、EB、ECを示す図である。図8Cは、エッチング後の厚みパターンTAR、TBR、TCRを示す図である。「厚みパターン」は、対象物TGの複数の測定位置でそれぞれ測定された複数の厚みの分布を示す。つまり、「厚みパターン」は、基板Wの径方向RDにおける対象物TGの厚みの分布を示す。
図8A~図8Cにおいて、横軸は、基板W上の位置を示している。図8A及び図8Cにおいて、縦軸は、対象物TGの厚みを示している。図8Bにおいて、縦軸は、対象物TGのエッチングレートを示している。エッチングレートは、単位時間当たりのエッチング量のことである。
図8Aに示すように、対象物TGがエッチング前に厚みパターンTAを有する場合、図8Bに示すように、厚みパターンTAと相関の高いエッチングレート分布EAを有するように速度条件が定められて、エッチング処理が実行される。その結果、本実施形態によれば、図8Cに示すように、対象物TGがエッチング前に厚みパターンTAを有する場合に、エッチング後の対象物TGの厚みパターンTARが略フラットになる。つまり、対象物TGの広範な領域(中心部CTからエッジ部EGまでの領域)において、エッチング後の対象物TGの厚みのバラツキを抑制できる。
同様に、図8A及び図8Bに示すように、エッチング前の対象物TGの厚みパターンTBと相関の高いエッチングレート分布EBを有するように速度条件が定められて、エッチング処理が実行される。その結果、図8Cに示すように、対象物TGがエッチング前に厚みパターンTBを有する場合に、エッチング後の対象物TGの厚みパターンTBRが略フラットになる。
同様に、図8A及び図8Bに示すように、エッチング前の対象物TGの厚みパターンTCと相関の高いエッチングレート分布ECを有するように速度条件が定められて、エッチング処理が実行される。その結果、図8Cに示すように、対象物TGがエッチング前に厚みパターンTCを有する場合に、エッチング後の対象物TGの厚みパターンTCRが略フラットになる。
次に、図9を参照して、制御装置101を説明する。図9は、本実施形態の制御装置101のブロック図である。図9に示すように、制御装置101は、制御部102と、記憶部103と、入力部104と、表示部105とを有する。
制御部102は、プロセッサーを有する。制御部102は、例えば、CPU(Central Processing Unit)、又は、MPU(Micro Processing Unit)を有する。あるいは、制御部102は、汎用演算機又は専用演算機を有してもよい。制御部102は、NPU(Neural Network Processing Unit)を更に有してもよい。
記憶部103は、データ及びコンピュータプログラムを記憶する。記憶部103は、主記憶装置を有する。主記憶装置は、例えば、半導体メモリである。記憶部103は、補助記憶装置を更に有してもよい。補助記憶装置は、例えば、半導体メモリ及び/又はハードディスクドライブである。記憶部103はリムーバブルメディアを有してもよい。制御部102は、記憶部103が記憶しているデータ及びコンピュータプログラムに基づいて、基板処理装置100の各部の動作を制御する。更に、制御部102は、記憶部103が記憶しているデータ及びコンピュータプログラムに基づいて、機械学習を実行する。
具体的には、記憶部103は、レシピ131と、制御プログラム132と、学習済モデル133と、学習用プログラム134とを記憶する。レシピ131は、基板Wの処理内容及び処理手順を規定する。また、レシピ131は、各種の設定値を示す。
制御部102は、レシピ131及び制御プログラム132に基づいて、基板処理装置100の各部の動作を制御する。学習済モデル133は、入力データに基づいて速度条件を出力する。本実施形態では、学習済モデル133は、入力データとしての表面情報に基づいて、スキャン速度を示す情報を出力する。学習用プログラム134は、学習用データセットの中から一定の規則を見出し、その規則を表現するモデル(学習済モデル133)を生成するアルゴリズムを実行するためのプログラムである。
記憶部103は、機械学習の実行時に、学習対象速度情報♯A1~♯Anを記憶する。ここで、「n」は、正の整数を示す。学習対象速度情報♯A1~♯Anはそれぞれ、図4を参照して説明したスキャン速度情報と同様に、スキャン速度情報を示す。学習対象速度情報♯A1~♯Anは、図4を参照して説明した各速度設定位置に対して設定されるスキャン速度のセットの内容が互いに異なる。
入力部104は、作業者からの入力を受け付けて、入力結果を示す情報を制御部102に出力する。例えば、入力部104は、学習対象速度情報♯A1~♯Anの入力を受け付ける。入力部104は、例えば、タッチパネル及びポインティングデバイスを含む。タッチパネルは、例えば、表示部105の表示面に配置される。入力部104と表示部105とは、例えば、グラフィカルユーザーインターフェースを構成する。
表示部105は各種情報を表示する。本実施形態において、表示部105は、例えば、各種のエラー画面、及び各種の設定画面(入力画面)を表示する。表示部105は、例えば、液晶ディスプレイ又は有機EL(electroluminescence)ディスプレイを有する。
なお、制御装置101は、リムーバブルメモリから学習対象速度情報♯A1~♯Anを取得するインターフェイスを有してもよい。リムーバブルメモリは、例えば、USB(Universal Serial Bus)メモリを含む。あるいは、制御装置101は、リムーバブルメディアから学習対象速度情報♯A1~♯Anを取得するドライブを有してもよい。リムーバブルメディアは、例えば、CD(Compact Disc)のような光ディスクを含む。
続いて図1、図2、図9及び図10を参照して、基板処理装置100が実行する学習用データの生成方法を説明する。図10は、本実施形態における学習用データの生成方法を示すフローチャートである。詳しくは、図10は、学習用データの生成時に制御部102が実行する処理を示す。本実施形態の学習用データの生成方法は、ステップS1~ステップS9の各処理を含む。
図10に示す処理は、作業者が入力部104を操作することにより開始する。学習用データの生成時には、複数のロードポートLPのうちの少なくとも1つに、学習対象の複数枚の基板Wが収容される。なお、学習対象の基板Wには、半導体製品の製造時に使用される基板Wと同じ種類の基板Wが使用される。
学習用データを生成する場合、制御部102は、まず、複数の処理ユニット1のうちの1つを学習対象の処理ユニット1として選択する。なお、図10を参照して説明する処理は、基板処理装置100が備える複数の処理ユニット1に対して順次実行される。
制御部102は、学習対象の処理ユニット1を決定すると、学習対象速度情報♯A1~♯Anのうちの1つを選択して、学習対象速度情報♯A1~♯Anのうちの1つを取得する(ステップS1)。以下、学習対象速度情報♯A1~♯Anのうちの1つを、「学習対象速度情報♯A」と記載する。例えば、制御部102は、学習対象速度情報♯A1~♯Anにそれぞれ付与される識別番号の小さい順に、学習対象速度情報♯Aを選択する。
制御部102は、学習対象速度情報♯A1~♯Anのうちの1つを選択した後、学習対象の基板Wが学習対象の処理ユニット1のチャンバー2内に搬入されるように、インデクサーロボットIRと、センターロボットCRとを制御する(ステップS2)。制御部102は、チャンバー2内に搬入された学習対象の基板Wを、スピンチャック3に保持させる。
制御部102は、学習対象の基板Wがスピンチャック3に保持されると、測定部8に、学習対象の基板Wに含まれる対象物TGの厚みの分布を測定させる(ステップS3)。ここで測定される対象物TGの厚みの分布は、エッチング処理前の対象物TGの厚みの分布を示す。以下、エッチング処理前の対象物TGの厚みの分布を、「処理前の厚みの分布」と記載する場合がある。
処理前の厚みの分布の測定後、制御部102は、学習対象の基板Wに対してエッチング処理が実行されるように、基板処理装置100の各部の動作を制御する(ステップS4)。具体的には、制御部102は、図3~図5を参照して説明したように、学習対象速度情報♯Aに基づく速度で第1ノズル41が移動(旋回)しながら、第1ノズル41から学習対象の基板Wにエッチング液が供給されるように基板処理装置100の各部の動作を制御して、学習対象の基板Wにエッチング処理を実行する。
制御部102は、エッチング処理の実行後、測定部8に、学習対象の基板Wに含まれる対象物TGの厚みの分布を測定させる(ステップS5)。ここで測定される対象物TGの厚みの分布は、エッチング処理後の対象物TGの厚みの分布を示す。以下、エッチング処理後の対象物TGの厚みの分布を、「処理後の厚みの分布」と記載する場合がある。なお、図11を参照して説明するように、処理後の厚みの分布は、乾燥処理後の厚みの分布を示す。
処理後の厚みの分布の測定後、制御部102は、スピンチャック3による学習対象の基板Wの保持を解除して、インデクサーロボットIRに、学習対象の基板Wをチャンバー2から搬出させる(ステップS6)。その後、制御部102は、複数のロードポートLPのうちの1つに学習対象の基板Wが搬送されるように、インデクサーロボットIRと、センターロボットCRとを制御する。
次に、制御部102は、処理量(エッチング量)を示す処理量情報を取得する(ステップS7)。詳しくは、制御部102は、処理前の厚みの分布と処理後の厚みの分布との差分を算出して、処理量情報を取得する。
制御部102は、処理量(エッチング量)情報を取得すると、学習対象速度情報♯Aと処理量情報とに基づいて学習用データを生成する(ステップS8)。学習用データは、学習対象速度情報♯Aと処理量情報とを示す。学習用データは、記憶部103に記憶される。そして、図10に示す処理が終了する。
制御部102は、図10に示す処理を、学習対象速度情報♯A1~♯Anの全てが選択されるまで、繰り返し実行する。その結果、複数の学習用データが記憶部103に記憶される。なお、本実施形態では、後述するように、これら学習用データに基づいて、複数の学習用データセットが生成される。また、ステップS7及びステップS8の各処理のうちの少なくとも1つは、ステップS5の処理とステップS6の処理との間で実行されてもよい。
続いて図2、図9及び図11を参照して、エッチング処理(ステップS4)について説明する。図11は、本実施形態のエッチング処理を示すフローチャートである。
図11に示すように、スピンチャック3が学習対象の基板Wを保持した後に、学習対象の基板Wが処理される(ステップS41)。具体的には、制御部102は、スピンモータ部5に、スピンチャック3が保持する基板Wを回転させる。その後、制御部102は、図10を参照して説明したように、第1ノズル41から学習対象の基板Wに向けてエッチング液が供給されるように、ノズル移動機構6及びエッチング液供給部4を制御する。この結果、学習対象の基板Wがエッチングされる。
学習対象の基板Wのエッチングが完了すると、制御部102は、リンス液供給部7を制御して、学習対象の基板Wにリンス液を供給することにより、学習対象の基板Wからエッチング液を除去する(ステップS42)。具体的には、エッチング液がリンス液によって学習対象の基板Wの外方に押し流され、学習対象の基板Wの周囲に排出される。この結果、学習対象の基板W上のエッチング液の液膜が、リンス液の液膜に置換される。
エッチング液をリンス液に置換した後、制御部102は、スピンモータ部5を制御して、学習対象の基板Wを乾燥させる(ステップS43)。その結果、図11に示す処理が終了する。具体的には、制御部102は、学習対象の基板Wの回転速度を、エッチング処理時及びリンス処理時の回転速度よりも増大させる。この結果、学習対象の基板W上のリンス液に大きな遠心力が付与され、学習対象の基板Wに付着しているリンス液が学習対象の基板Wの周囲に振り切られる。このようにして、学習対象の基板Wからリンス液を除去し、学習対象の基板Wを乾燥させる。なお、制御部102は、例えば学習対象の基板Wの高速回転を開始してから所定時間が経過した後に、スピンモータ部5による基板Wの回転を停止させる。
次に、図12から図14を参照して、複数の学習用データに基づいて学習済モデル133を生成する方法について説明する。本実施形態では、複数の学習用データに基づいて複数の学習用データセットが生成され、複数の学習用データセット毎に学習済モデル133が生成される。つまり、複数の学習用データに基づいて、複数の学習済モデル133が生成される。以下、具体的に説明する。
図12は、本実施形態の学習済モデル133を生成する方法を示すフローチャートである。本実施形態の学習済モデル133の生成方法は、ステップS101~ステップS104を含む。図13は、本実施形態の学習用データテーブルTB10を示す図である。図14は、本実施形態の複数の処理量情報を複数のクラスタにクラスタリングした結果を示すイメージ図である。
図12に示すように、ステップS101において、制御部102は、記憶部103に記憶されている複数の処理量(エッチング量)情報を複数のクラスタにクラスタリングする。つまり、制御部102は、複数の学習対象の基板Wを複数の速度条件(スキャン速度)でそれぞれ処理した際の処理量情報を、複数のクラスタにクラスタリングする。
具体的には、図13に示すように、記憶部103には、学習用データテーブルTB10が記憶されている。学習用データテーブルTB10は、スキャン速度情報である学習対象速度情報♯Aと処理量(エッチング量)情報とを互いに関連付けた状態で含んでいる。制御部102は、学習用データテーブルTB10に含まれる複数(例えば数百個)の処理量情報を、複数(例えば数個~数十個)のクラスタにクラスタリングする。クラスタリングとは、類似性又は相関のある情報を見つけ出し、類似性又は相関のある情報をグループ分けすることである。従って、クラスタリングによって、類似性又は相関のある情報は、1つのクラスタに分類される。
クラスタリング処理によって、例えば、図14に示すようなクラスタデータテーブルTB20が得られる。つまり、処理量(エッチング量)情報であるエッチングプロファイルが類似したデータ毎にグループ分けされる。図14に示すように、各クラスタには、1つ以上、例えば数個~数百個以下の処理量情報が含まれる。なお、図14では、処理量情報をグラフで示している。
また、クラスタリングの方法は、特に限定されないが、例えば、機械学習を用いることができる。また、クラスタリングの方法として、教師なし学習を用いてもよく、例えばk-means法を用いてもよい。また、クラスタの数は、2つ以上であれば特に限定されないが、例えば、エルボー法などを用いて最適な数を決定してもよい。なお、クラスタリングの方法として、機械学習以外の方法を用いてもよい。例えば、グループ分けのルールを設定し、そのルールに従ってクラスタリングを行ってもよいし、ユーザーがグラフの形状から判断してクラスタリングを行ってもよい。
次に、ステップS102において、制御部102は、複数のクラスタから、学習用データセットに用いるクラスタを選定する。具体的には、制御部102は、所定数(閾値)以上の基板Wを含むクラスタを選定する。つまり、基板Wの数が所定数(閾値)未満であるクラスタについては、学習用データセットとして用いない。なお、所定数(閾値)は、特に限定されないが、例えば、5、10又は20である。
クラスタの選定処理によって、例えば、図14のクラスタCL1、クラスタCL2及びクラスタCL3が選定される。その一方、クラスタCL4は、選定されない。つまり、クラスタCL4については、処理量情報が少ないため、学習用データセットとして用いない。
次に、ステップS103において、制御部102は、各クラスタで学習用データに用いる処理量情報を選定する。本実施形態では、制御部102は、各クラスタにおいて他の処理量情報との相関が所定条件以上に高い処理量情報を選定する。つまり、他の処理量情報との相関が比較的低い処理量情報については、学習用データセットとして用いない。
具体的には、学習用データに用いる処理量情報の選定によって、例えば、図14のクラスタCL3において、他の処理量情報との相関が比較的低い処理量情報PIを除く処理量情報が選定される。つまり、クラスタCL3の複数の処理量情報のうち、他の処理量情報との相関が比較的低い処理量情報PIについては、学習用データセットとして用いない。
他の処理量情報との相関性を導出する方法は、特に限定されないが、統計解析を用いることができ、例えば、RMSE(二乗平均平方根誤差)を用いてもよい。つまり、各クラスタの処理量情報から基準処理量情報を選定し、基準処理量情報との相関が所定条件以上に高い処理量情報を選定してもよい。
以上のようにして、学習済モデル133の生成に用いる複数のクラスタ及び複数の処理量情報が選定される。そして、学習済モデル133の生成に用いる複数の処理量情報と、この処理量情報に対応する学習対象速度情報♯Aとによって、学習済モデル133を生成する際に用いる複数の学習用データセットが生成される。なお、学習用データセットの数は、ステップS102で選定されたクラスタの数と等しい。また、ここでは、複数のクラスタから学習用データセットに用いるクラスタを選定した(ステップS102)後に、各クラスタで学習用データに用いる処理量情報を選定する(ステップS103)例について示したが、各クラスタで学習用データに用いる処理量情報を選定した後に、複数のクラスタから学習用データセットに用いるクラスタを選定してもよい。
次に、ステップS104において、制御部102は、複数の学習済モデル133を生成する。具体的には、制御部102は、学習用プログラム134に基づいて学習用データセット(複数の学習用データ)を機械学習することによって、学習済モデル133を生成する。ここで、学習とは、学習用データセットの中から一定の規則を発見することを示す。本実施形態において、学習用データは、スキャン速度情報(各速度設定位置におけるスキャン速度)と、処理量(エッチング量)情報との関係を示している。制御部102は、学習用データセットを学習して、スキャン速度情報と処理量情報との間における一定の規則を発見する。
本実施形態において、「入力」は処理前の表面情報(以下、処理前表面情報と記載することがある)であり、「出力」はスキャン速度情報である。換言すると、処理前表面情報は説明変数であり、学習済モデル133から出力されるスキャン速度(速度条件)情報は目的変数である。なお、処理量(エッチング量)の目標値は、処理前表面情報に基づいて導出されるため、処理前表面情報を「入力」することと、処理量(エッチング量)の目標値を「入力」することとは、実質的に同じである。
また、学習済モデル133を構築するための機械学習アルゴリズムは、教師あり学習であれば、特に限定されず、例えば、決定木、最近傍法、単純ベイズ分類器、サポートベクターマシン、又は、ニューラルネットワークである。従って、学習済モデル133は、決定木、最近傍法、単純ベイズ分類器、サポートベクターマシン、又は、ニューラルネットワークを含む。機械学習に、誤差逆伝搬法が利用されてもよい。
以上、図12~図14を参照して説明したように、本実施形態では、複数の学習済モデル133は、複数の学習対象の基板Wを複数の速度条件(スキャン速度)でそれぞれ処理した際の処理量(エッチング量)情報を、複数のクラスタにクラスタリングし、各クラスタの速度条件及び処理量情報を用いて機械学習させることによって得られた複数のモデルである。従って、類似性又は相関のある処理量情報毎に学習済モデル133が生成される。よって、例えば、全ての処理量情報を用いて1つの学習済モデル133を生成する場合に比べて、学習済モデル133の予測精度を向上できる。
また、本実施形態では、複数のクラスタから、学習対象の基板Wの数が所定数(閾値)以上のクラスタを選定し、選定したクラスタの速度条件及び処理量情報を用いて機械学習させることによって、複数の学習済モデル133が得られる。つまり、学習用データ(速度条件及び処理量情報)が所定数以上であるクラスタについては、学習済モデル133を生成する。その一方、学習用データ(速度条件及び処理量情報)の少ないクラスタについては、学習済モデル133を生成しない。その結果、予測精度の低い学習済モデル133が生成されることを抑制できる。
また、本実施形態では、各クラスタにおいて他の処理量情報との相関が所定条件以上に高い処理量情報を選定し、選定した処理量情報を用いて機械学習させることによって、学習済モデル133が得られる。つまり、他の処理量情報との相関が所定条件以上に高い処理量情報を用いて学習済モデル133を生成する。その一方、他の処理量情報との相関が低い処理量情報については、学習済モデル133の生成に用いない。その結果、学習済モデル133の予測精度が低くなることを抑制できる。
続いて図1、図2及び図15を参照して、基板処理装置100が実行する基板処理方法を説明する。図15は、本実施形態における基板処理方法を示すフローチャートである。詳しくは、図15は、処理対象の基板Wをエッチングする際に制御部102が実行する処理を示す。本実施形態の基板処理方法は、ステップS201~ステップS206の各処理を含む。
図15に示す処理は、作業者が入力部104を操作することにより開始する。複数のロードポートLPのうちの少なくとも1つに、処理対象の複数の基板Wが収容されている。
処理対象の基板Wをエッチングする場合、制御部102は、複数の処理ユニット1のうちの1つの処理ユニット1のチャンバー2内に処理対象の基板Wが搬入されるように、インデクサーロボットIRと、センターロボットCRとを制御する(ステップS201)。制御部102は、チャンバー2内に搬入された処理対象の基板Wを、スピンチャック3に保持させる。
制御部102は、処理対象の基板Wがスピンチャック3に保持されると、測定部8に、処理対象の基板Wに含まれる対象物TGの厚みの分布を測定させる(ステップS202)。換言すると、処理前の厚みの分布が測定される。更に換言すると、制御部102は、処理対象の基板Wの表面に関する処理前表面情報を取得する。
次に、制御部102は、対象物TGの厚みの分布に基づいて、複数の学習済モデル133から1つの学習済モデル133を選定する(ステップS203)。換言すると、制御部102は、処理前表面情報に基づいて、複数の学習済モデル133から1つの学習済モデル133を選定する。
具体的には、制御部102は、図8A~図8Cを用いて説明したように、対象物TGの厚みパターンと最も相関の高いエッチングレート分布を有する学習済モデル133を選定する。換言すると、制御部102は、複数の学習済モデル133のうち、処理量情報の形状(図14参照)が処理対象の基板Wの処理前表面情報(プロファイル)に最も近い学習済モデル133を選定する。制御部102は、例えばk近傍法等の機械学習を用いて、複数の学習済モデル133から1つの学習済モデル133を選定してもよい。
更に言い換えると、ステップS203において、制御部102は、処理量の目標値に基づいて、複数の学習済モデル133から1つの学習済モデル133を選定する。具体的には、制御部102は、処理前表面情報に基づいて、処理量の目標値を導出する。そして、制御部102は、複数の学習済モデル133から、処理量の目標値との相関が所定条件以上に高い1つのクラスタの処理量情報を用いて得られた1つの学習済モデル133を選定する。つまり、制御部102は、各クラスタに含まれる複数の処理量情報と処理量の目標値との相関が最も高い1つのクラスタを選定する。そして、制御部102は、選定したクラスタに対応する1つの学習済モデル133を選定する。つまり、制御部102は、選定したクラスタの処理量情報を用いて得られた1つの学習済モデル133を選定する。
次に、制御部102は、処理前表面情報を学習済モデル133に入力して、学習済モデル133からスキャン速度(速度条件)情報を出力させることにより、目的変数であるスキャン速度(速度条件)情報を取得する(ステップS204)。
スキャン速度(速度条件)情報を取得すると、制御部102は、処理対象の基板Wに対してエッチング処理が実行されるように、基板処理装置100の各部の動作を制御する(ステップS205)。具体的には、制御部102は、図3~図5を参照して説明したように、スキャン速度情報に基づく速度で第1ノズル41が移動(旋回)しながら、第1ノズル41から処理対象の基板Wにエッチング液が供給されるように基板処理装置100の各部の動作を制御して、処理対象の基板Wにエッチング処理を実行する。より詳しくは、図11を参照して説明した処理と同様の処理により、処理対象の基板Wがエッチングされる。
次に、制御部102は、スピンチャック3による処理対象の基板Wの保持を解除して、インデクサーロボットIRに、処理対象の基板Wをチャンバー2から搬出させる(ステップS206)。その後、制御部102は、複数のロードポートLPのうちの1つまで処理対象の基板Wが搬送されるように、インデクサーロボットIRと、センターロボットCRとを制御する。
以上のようにして、処理対象の基板Wに対する処理が終了する。
以上、図1~図15を参照して本発明の一実施形態を説明した。本実施形態では、上記のように、処理対象の基板Wの表面に関する処理前表面情報(対象物TGの厚みの分布)を取得し、処理前表面情報に基づいて複数の学習済モデル133から1つの学習済モデル133を選定する。そして、処理前表面情報と選定した学習済モデル133とに基づいて得られる速度条件(スキャン速度)で、処理対象の基板Wを処理する。従って、基板Wを構成する対象物TGの厚みを所望の厚みにすることができる。
なお、詳細については省略するが、本願発明者は、本実施形態の基板処理方法で処理した基板W(以下、基板Waと記載する)と、図13に示す学習用データテーブルTB10の全てのデータを用いて1つの学習済モデルを生成し、その学習済モデルを用いて処理した基板W(以下、基板Wbと記載する)とについて、対象物TGの厚みのバラツキを比較する実験を行った。この実験では、基板Waの対象物TGの厚みのバラツキは、基板Wbの対象物TGの厚みのバラツキよりも小さくなることを確認した。
また、本実施形態では、処理前表面情報に基づいて、処理前表面情報に基づいて、処理量の目標値を導出する。そして、複数の学習済モデル133から、処理量の目標値との相関が所定条件以上に高い1つのクラスタの処理量情報を用いて得られた1つの学習済モデル133を選定する。従って、対象物TGの厚みを容易に所望の厚みにすることができる。例えば、対象物TGの厚みパターンを所望のパターンにすることもできる。
また、本実施形態では、処理前表面情報は、処理対象の基板Wの表面形状(厚みの分布)を示す情報を含む。従って、処理対象の基板Wの表面形状(厚みの分布)に基づいて、複数の学習済モデル133から1つの学習済モデル133を選定することができる。また、処理対象の基板Wの表面形状(厚みの分布)と、選定した学習済モデル133とに基づいて得られる速度条件で基板Wを処理できる。その結果、基板Wを構成する対象物TGの厚みのバラツキを容易に抑制できる。
以上、本発明の実施形態について図面を参照しながら説明した。但し、本発明は、上記の実施形態に限られるものではなく、その要旨を逸脱しない範囲で種々の態様において実施することが可能である。また、上記の実施形態に開示される複数の構成要素は適宜改変可能である。例えば、ある実施形態に示される全構成要素のうちのある構成要素を別の実施形態の構成要素に追加してもよく、又は、ある実施形態に示される全構成要素のうちのいくつかの構成要素を実施形態から削除してもよい。
図面は、発明の理解を容易にするために、それぞれの構成要素を主体に模式的に示しており、図示された各構成要素の厚さ、長さ、個数、間隔等は、図面作成の都合上から実際とは異なる場合もある。また、上記の実施形態で示す各構成要素の構成は一例であって、特に限定されるものではなく、本発明の効果から実質的に逸脱しない範囲で種々の変更が可能であることは言うまでもない。
例えば、図1~図15を参照して説明した実施形態では、基板Wは半導体ウエハであったが、基板Wは、半導体ウエハに限定されない。例えば、基板Wは、液晶表示装置用基板、電界放出ディスプレイ(Field Emission Display:FED)用基板、光ディスク用基板、磁気ディスク用基板、光磁気ディスク用基板、フォトマスク用基板、セラミック基板、又は、太陽電池用基板であり得る。
また、上記の実施形態では、スキャン速度情報は、第1ノズル41の移動速度を規定したが、スキャン速度情報は、第1ノズル41と基板Wとの相対的な移動速度を規定してもよい。例えば、ノズルが固定され、かつ基板が移動可能な場合、スキャン速度情報は、ノズルに対する基板の移動速度を規定してもよい。なお、基板Wが回転する場合、スキャン速度情報は、回転する基板Wの中心と第1ノズル41との相対的な移動速度を規定する。
また、上記の実施形態では、第1ノズル41が旋回したが、第1ノズル41は、直線移動してもよい。
また、上記の実施形態では、第1ノズル41はスキャンノズルであったが、第1ノズル41は固定ノズルであってもよい。この場合、処理ユニット1は、ノズル移動機構6に替えて、基板Wを移動させる基板移動機構を備える。
また、上記の実施形態では、基板処理装置100の記憶部103に学習済モデル133が記憶されている例について示したが、本発明はこれに限らない。例えば、基板処理装置100とは別の装置等に学習済モデル133が記憶されていてもよい。つまり、基板処理装置100から別の装置等に処理前表面情報を送信し、別の装置等から基板処理装置100に速度条件が送信され、この速度条件に基づいて、基板処理装置100が処理を実行してもよい。この場合、基板処理装置100と、学習済モデル133を記憶する記憶部を有する装置とを備えた基板処理システムも、本願の課題を解決できる。
また、上記の実施形態では、基板処理装置100の制御装置101が機械学習を行う例について示したが、本発明はこれに限らない。例えば、基板処理装置100とは別の学習装置等が機械学習を行って学習済モデルを生成してもよい。
また、上記の実施形態では、処理によって、対象物TGの表面形状を略フラットにする例について示したが、本発明はこれに限らない。処理によって、対象物TGの表面形状を、例えば凸状や凹状等の所望の形状にすることもできる。
また、上記の実施形態では、基板処理装置100が実行する処理はエッチング処理であったが、基板処理装置100が実行する処理はエッチング処理に限定されない。例えば、処理は、成膜処理であってもよい。
本発明は、基板を処理する分野に有用である。
8 :測定部(取得部)
41 :第1ノズル(ノズル)
100 :基板処理装置
102 :制御部
133 :学習済モデル
CL1~CL4 :クラスタ
W :基板
41 :第1ノズル(ノズル)
100 :基板処理装置
102 :制御部
133 :学習済モデル
CL1~CL4 :クラスタ
W :基板
Claims (7)
- 処理対象の基板に対してノズルから処理液を供給して前記処理対象の基板に処理を実行する基板処理方法であって、
前記処理対象の基板の表面に関する処理前表面情報を取得する工程と、
前記処理前表面情報に基づいて、複数の学習済モデルから1つの学習済モデルを選定する工程と、
前記処理前表面情報と選定した前記学習済モデルとに基づいて得られる速度条件で、前記処理対象の基板を処理する工程と
を含み、
前記学習済モデルは、前記処理前表面情報が入力されることにより、前記ノズルと前記基板との相対的な移動速度である前記速度条件を出力する、基板処理方法。 - 前記複数の学習済モデルは、複数の学習対象の基板を複数の速度条件でそれぞれ処理した際の処理量に関する処理量情報を、複数のクラスタにクラスタリングし、各クラスタの前記速度条件及び前記処理量情報を用いて機械学習させることによって得られた複数のモデルである、請求項1に記載の基板処理方法。
- 前記複数のクラスタから、前記学習対象の基板の数が所定数以上のクラスタを選定し、選定した前記クラスタの前記速度条件及び前記処理量情報を用いて機械学習させることによって、前記複数の学習済モデルが得られる、請求項2に記載の基板処理方法。
- 前記各クラスタにおいて他の処理量情報との相関が所定条件以上に高い処理量情報を選定し、選定した前記処理量情報を用いて機械学習させることによって、前記学習済モデルが得られる、請求項2又は請求項3に記載の基板処理方法。
- 前記1つの学習済モデルを選定する工程において、
前記処理前表面情報に基づいて、前記処理対象の基板を処理する処理量の目標値を導出し、
前記複数の学習済モデルから、前記処理量の目標値との相関が所定条件以上に高い1つのクラスタの前記処理量情報を用いて得られた前記1つの学習済モデルを選定する、請求項2から請求項4のいずれか1項に記載の基板処理方法。 - 前記処理前表面情報は、前記処理対象の基板の厚みの分布を示す情報を含む、請求項1から請求項5のいずれか1項に記載の基板処理方法。
- 処理対象の基板に対して処理液を供給して前記基板に処理を実行する基板処理装置であって、
前記基板に対して前記処理液を供給するノズルと、
前記処理対象の基板の表面に関する処理前表面情報を取得する取得部と、
制御部と
を備え、
前記制御部は、
前記処理前表面情報に基づいて、複数の学習済モデルから1つの学習済モデルを選定し、
前記処理前表面情報と選定した前記学習済モデルとに基づいて得られる速度条件で、前記処理対象の基板を処理し、
前記学習済モデルは、前記処理前表面情報が入力されることにより、前記ノズルと前記基板との相対的な移動速度である前記速度条件を出力する、基板処理装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021124568A JP2023019657A (ja) | 2021-07-29 | 2021-07-29 | 基板処理方法及び基板処理装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021124568A JP2023019657A (ja) | 2021-07-29 | 2021-07-29 | 基板処理方法及び基板処理装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2023019657A true JP2023019657A (ja) | 2023-02-09 |
Family
ID=85160183
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021124568A Pending JP2023019657A (ja) | 2021-07-29 | 2021-07-29 | 基板処理方法及び基板処理装置 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2023019657A (ja) |
-
2021
- 2021-07-29 JP JP2021124568A patent/JP2023019657A/ja active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI766506B (zh) | 基板處理裝置、基板處理方法、基板處理系統以及學習用資料的生成方法 | |
KR102609122B1 (ko) | 질량 계측과 광학 계측을 결합하기 위한 시스템들 및 방법들 | |
EP4325549A1 (en) | Substrate processing device, substrate processing system, and data processing method | |
JP7460411B2 (ja) | 基板処理装置及び基板処理方法 | |
JP7166966B2 (ja) | 処理条件選択方法、基板処理方法、基板製品製造方法、処理条件選択装置、コンピュータープログラム、および、記憶媒体 | |
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 | |
JP2023019657A (ja) | 基板処理方法及び基板処理装置 | |
US20220334554A1 (en) | Large spot spectral sensing to control spatial setpoints | |
US20180337069A1 (en) | Systems and methods for detecting undesirable dynamic behavior of liquid dispensed onto a rotating substrate | |
JP7399783B2 (ja) | 基板処理装置、基板処理方法、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 | |
JP7419163B2 (ja) | 基板処理装置、基板処理方法、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 | |
TWI842215B (zh) | 基板處理條件之設定方法、基板處理方法、基板處理條件之設定系統及基板處理系統 | |
JP2023120961A (ja) | 基板処理条件の設定方法、基板処理方法、基板処理条件の設定システム、及び、基板処理システム | |
US20210202258A1 (en) | Substrate treatment apparatus, substrate treatment method, substrate treatment system, and learning data generation method | |
US20240103462A1 (en) | Support device, support method, substrate processing system, and storage medium | |
TWI838864B (zh) | 基板處理裝置及基板處理方法 | |
JP7409956B2 (ja) | 基板処理装置、及び基板処理方法 | |
WO2023042774A1 (ja) | 基板処理装置および基板処理方法 | |
JP2024045749A (ja) | 基板処理装置、基板処理方法、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、及び学習済モデル |