JP6724267B1 - 学習装置、推論装置、学習モデルの生成方法及び推論方法 - Google Patents
学習装置、推論装置、学習モデルの生成方法及び推論方法 Download PDFInfo
- Publication number
- JP6724267B1 JP6724267B1 JP2020503074A JP2020503074A JP6724267B1 JP 6724267 B1 JP6724267 B1 JP 6724267B1 JP 2020503074 A JP2020503074 A JP 2020503074A JP 2020503074 A JP2020503074 A JP 2020503074A JP 6724267 B1 JP6724267 B1 JP 6724267B1
- Authority
- JP
- Japan
- Prior art keywords
- image data
- learning
- data
- simulator
- processed
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims description 54
- 238000004519 manufacturing process Methods 0.000 claims abstract description 26
- 238000013459 approach Methods 0.000 claims abstract description 8
- 238000004088 simulation Methods 0.000 claims description 135
- 238000012545 processing Methods 0.000 claims description 52
- 239000000463 material Substances 0.000 claims description 26
- 239000004065 semiconductor Substances 0.000 claims description 23
- 238000007781 pre-processing Methods 0.000 claims description 11
- 239000000203 mixture Substances 0.000 claims description 7
- 238000001312 dry etching Methods 0.000 description 65
- 238000007493 shaping process Methods 0.000 description 58
- 230000008021 deposition Effects 0.000 description 44
- 238000000151 deposition Methods 0.000 description 44
- 238000010586 diagram Methods 0.000 description 30
- 230000006870 function Effects 0.000 description 18
- 238000007906 compression Methods 0.000 description 17
- 238000010801 machine learning Methods 0.000 description 16
- 230000006835 compression Effects 0.000 description 14
- 238000013500 data storage Methods 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000007790 scraping Methods 0.000 description 4
- 239000000470 constituent Substances 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 1
- 238000005137 deposition process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000010408 film Substances 0.000 description 1
- 150000004767 nitrides Chemical class 0.000 description 1
- 238000005293 physical law Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000010409 thin film Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- 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
-
- C—CHEMISTRY; METALLURGY
- C23—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; CHEMICAL SURFACE TREATMENT; DIFFUSION TREATMENT OF METALLIC MATERIAL; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL; INHIBITING CORROSION OF METALLIC MATERIAL OR INCRUSTATION IN GENERAL
- C23C—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; SURFACE TREATMENT OF METALLIC MATERIAL BY DIFFUSION INTO THE SURFACE, BY CHEMICAL CONVERSION OR SUBSTITUTION; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL
- C23C14/00—Coating by vacuum evaporation, by sputtering or by ion implantation of the coating forming material
- C23C14/22—Coating by vacuum evaporation, by sputtering or by ion implantation of the coating forming material characterised by the process of coating
- C23C14/54—Controlling or regulating the coating process
-
- C—CHEMISTRY; METALLURGY
- C23—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; CHEMICAL SURFACE TREATMENT; DIFFUSION TREATMENT OF METALLIC MATERIAL; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL; INHIBITING CORROSION OF METALLIC MATERIAL OR INCRUSTATION IN GENERAL
- C23C—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; SURFACE TREATMENT OF METALLIC MATERIAL BY DIFFUSION INTO THE SURFACE, BY CHEMICAL CONVERSION OR SUBSTITUTION; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL
- C23C16/00—Chemical coating by decomposition of gaseous compounds, without leaving reaction products of surface material in the coating, i.e. chemical vapour deposition [CVD] processes
- C23C16/44—Chemical coating by decomposition of gaseous compounds, without leaving reaction products of surface material in the coating, i.e. chemical vapour deposition [CVD] processes characterised by the method of coating
- C23C16/52—Controlling or regulating the coating process
-
- 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
-
- 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
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
- H01L21/02—Manufacture or treatment of semiconductor devices or of parts thereof
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
- H01L21/02—Manufacture or treatment of semiconductor devices or of parts thereof
- H01L21/04—Manufacture or treatment of semiconductor devices or of parts thereof the devices having potential barriers, e.g. a PN junction, depletion layer or carrier concentration layer
- H01L21/18—Manufacture or treatment of semiconductor devices or of parts thereof the devices having potential barriers, e.g. a PN junction, depletion layer or carrier concentration layer the devices having semiconductor bodies comprising elements of Group IV of the Periodic Table or AIIIBV compounds with or without impurities, e.g. doping materials
- H01L21/30—Treatment of semiconductor bodies using processes or apparatus not provided for in groups H01L21/20 - H01L21/26
- H01L21/302—Treatment of semiconductor bodies using processes or apparatus not provided for in groups H01L21/20 - H01L21/26 to change their surface-physical characteristics or shape, e.g. etching, polishing, cutting
- H01L21/306—Chemical or electrical treatment, e.g. electrolytic etching
- H01L21/3065—Plasma etching; Reactive-ion etching
-
- 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
- H01L21/67069—Apparatus for fluid treatment for etching for drying etching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30148—Semiconductor; IC; Wafer
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Materials Engineering (AREA)
- Mechanical Engineering (AREA)
- Metallurgy (AREA)
- Organic Chemistry (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Manufacturing & Machinery (AREA)
- Power Engineering (AREA)
- Computer Hardware Design (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Chemical & Material Sciences (AREA)
- Quality & Reliability (AREA)
- Medical Informatics (AREA)
- Plasma & Fusion (AREA)
- Drying Of Semiconductors (AREA)
- Image Analysis (AREA)
Abstract
Description
少なくとも1つのメモリと、
少なくとも1つのプロセッサと、を備え、
前記少なくとも1つのプロセッサは、
処理前画像データと前記処理前画像データに対するシミュレータのパラメータとを取得することと、
前記処理前画像データと前記パラメータとを学習モデルに入力し、前記学習モデルの出力として得られる処理後画像データが、前記処理前画像データに対する前記シミュレータの結果として得られる処理後画像データに近づくように、前記学習モデルを学習することと
を実行するよう構成される。
<シミュレーションシステムの全体構成>
はじめに、半導体製造プロセスのシミュレーションを行うシミュレーションシステムの全体構成について説明する。図1は、シミュレーションシステムの全体構成の一例を示す図である。図1に示すように、シミュレーションシステム100は、学習装置110、推論装置120、シミュレーション装置130を有する。
・推論装置120において、処理前画像データ及びパラメータデータをデータ整形部121に入力してから、実行部122より処理後画像データが出力されるまでのシミュレーション時間と、
・シミュレーション装置130において、物理モデルに基づくシミュレータにパラメータデータを設定した状態で、処理前画像データを実行部131に入力してから、実行部131より処理後画像データが出力されるまでのシミュレーション時間と、
を対比する。これにより、推論装置120のユーザは、学習済みモデルのシミュレーション時間が、物理モデルに基づくシミュレータのシミュレーション時間よりも短縮されているか否かを検証することができる。
・推論装置120において、処理前画像データ及びパラメータデータをデータ整形部121に入力したことで実行部122より出力される処理後画像データと、
・シミュレーション装置130において、物理モデルに基づくシミュレータにパラメータデータを設定した状態で、処理前画像データを実行部131に入力したことで実行部131より出力される処理後画像データと、
を対比する。これにより、推論装置120のユーザは、物理モデルに基づくシミュレータに対する学習済みモデルのシミュレーション精度(物理モデルに基づくシミュレータを代替可能なシミュレーション精度を有しているか否か)を検証することができる。
次に、シミュレーションシステム100を構成する各装置(学習装置110、推論装置120、シミュレーション装置130)のハードウェア構成について、図2を用いて説明する。図2は、シミュレーションシステムを構成する各装置のハードウェア構成の一例を示す図である。
図2の2aは、学習装置110のハードウェア構成の一例を示す図である。図2の2aに示すように、学習装置110は、CPU(Central Processing Unit)201、ROM(Read Only Memory)202を有する。また、学習装置110は、RAM(Random Access Memory)203、GPU(Graphics Processing Unit)204を有する。なお、CPU201、GPU204などのプロセッサ(処理回路、Processing Circuit、Processing Circuitry)と、ROM202、RAM203などのメモリは、いわゆるコンピュータを形成する。
図2の2bは、シミュレーション装置130のハードウェア構成の一例を示す図である。なお、図2の2bに示すように、シミュレーション装置130のハードウェア構成は、学習装置110のハードウェア構成と同じであるため、ここでは説明を省略する。
次に、シミュレーション装置130より送信され、学習用データ格納部113に格納される学習用データについて説明する。図3は、学習用データの一例を示す図である。図3に示すように、学習用データ300には、情報の項目として、“工程”、“シミュレーションID”、“処理前画像データ”、“パラメータデータ”、“処理後画像データ”が含まれる。
・マテリアルごとのけずれ率(etch ratio)、
・マテリアルごとのけずれ方向(lateral ratio)
・マテリアルごとのけずれ深さ(depth)
“処理後画像データ”には、実行部131が各シミュレータを用いてシミュレーションを実行したことで出力された処理後画像データのファイル名が格納される。図3の例は、シミュレーションID=S001の場合、ドライエッチング用シミュレータ310を用いてシミュレーションを実行したことで、“ファイル名”=「形状データLD001’」の処理後画像データが出力されたことを示している。
次に、学習装置110の各部(データ整形部111、学習部112)の機能構成の詳細について説明する。
はじめに、学習装置110の学習部112の機能構成の詳細について説明する。図4は、第1の実施形態に係る学習装置の学習部の機能構成の一例を示す図である。図4に示すように、学習装置110の学習部112は、ドライエッチング用学習モデル420、デポジション用学習モデル421、比較部430、変更部440を有する。
次に、学習装置110のデータ整形部111の機能構成の詳細について説明する。図5は、第1の実施形態に係る学習装置のデータ整形部の機能構成の一例を示す図である。図5に示すように、データ整形部111は、形状データ取得部501、チャネル別データ生成部502、パラメータデータ取得部511、パラメータデータ展開部512、連結部520を有する。
次に、学習装置110の各部による処理のうち、上述したデータ整形部111による処理及び学習部112内のドライエッチング用学習モデル420による処理の具体例について説明する。
図6は、データ整形部による処理の具体例を示す図である。図6において、処理前画像データ600は、例えば、“ファイル名”=「形状データLD001」の処理前画像データである。
次に、学習部112内のドライエッチング用学習モデル420による処理の具体例について説明する。図7は、第1の実施形態に係る学習装置のドライエッチング用学習モデルによる処理の具体例を示す図である。図7に示すように、本実施形態では、ドライエッチング用学習モデル420として、U字型の畳み込みニューラルネットワーク(CNN:Convolutional Neural Network)ベースの学習モデル(いわゆるUNET)を用いる。
次に、シミュレーションシステム100における学習処理の流れについて説明する。図8は、シミュレーションシステムにおける学習処理の流れを示すフローチャートである。
次に、推論装置120の機能構成の詳細について説明する。なお、推論装置120の各部(データ整形部121、実行部122)のうち、データ整形部121の機能構成の詳細は、学習装置110のデータ整形部111の機能構成の詳細と同じである。そこで、データ整形部121の機能構成の詳細についての説明は、ここでは省略し、以下では、実行部122の機能構成の詳細について説明する。
以上の説明から明らかなように、第1の実施形態に係る学習装置は、
・物理モデルに基づくシミュレータに入力される処理前画像データと、物理モデルに基づくシミュレータに設定されたパラメータデータとを取得する。
・取得した処理前画像データの縦サイズ及び横サイズに応じて、取得したパラメータデータを2次元に配列することで画像データの形式に加工し、処理前画像データに、加工したパラメータデータを連結して連結データを生成する。
・生成した連結データをU字型の畳み込みニューラルネットワークベースの学習モデルに入力し、学習モデルより出力される出力結果が、物理モデルに基づくシミュレータより出力される処理後画像データに近づくように、機械学習を行う。
・処理前画像データと、対応するパラメータデータとを取得する。
・取得した処理前画像データの縦サイズ及び横サイズに応じて、取得したパラメータデータを2次元に配列することで画像データの形式に加工し、処理前画像データに、加工したパラメータデータを連結して連結データを生成する。
・生成した連結データを、学習装置にて生成された学習済みモデルに入力し、シミュレーションを実行する。
上記第1の実施形態では、処理前画像データの縦サイズ及び横サイズに応じて、パラメータデータを画像データの形式に加工し、処理前画像データと連結して学習モデル(または学習済みモデル)に入力するものとして説明した。
はじめに、第2の実施形態に係る学習装置のデータ整形部の機能構成の詳細について説明する。図12は、第2の実施形態に係る学習装置のデータ整形部の機能構成の一例を示す図である。図5に示したデータ整形部111の機能構成との相違点は、図12に示すデータ整形部1200の場合、連結部1201と正規化部1202とを有している点である。
次に、ドライエッチング用学習モデルによる処理の具体例について説明する。図13は、第2の実施形態に係る学習装置のドライエッチング用学習モデルによる処理の具体例を示す図である。
以上の説明から明らかなように、第2の実施形態に係る学習装置は、
・物理モデルに基づくシミュレータに入力される処理前画像データと、物理モデルに基づくシミュレータに設定されたパラメータデータとを取得する。
・取得したパラメータデータを正規化し、学習モデルの各層で畳み込み処理される各画像データの各画素の値を変換する際に用いる1次式の係数の形式に加工する。
・学習部が機械学習を行う際、各層で畳み込み処理された画像データの各画素の値を、1次式を用いて変換する。
上記第1及び第2の実施形態では、学習部が機械学習を行うにあたり、半導体製造プロセス固有の事象については特に言及しなかった。一方で、半導体製造プロセスには、固有の事象があり、学習部による機械学習に反映させることで(つまり、学習部による機械学習にドメイン知識を反映させることで)、シミュレーション精度を更に向上させることができる。以下、ドメイン知識を反映させた第3の実施形態について、上記第1及び第2の実施形態との相違点を中心に説明する。
図14は、第3の実施形態に係る学習装置の学習部の機能構成の一例を示す図である。図4に示した学習部112の機能構成とは、学習モデル内の内部構成が異なる。なお、ここでは、ドライエッチング用学習モデル1410を用いて、学習モデル内の内部構成について説明するが、デポジション用学習モデルも同様の内部構成を有しているものとする。
上記第1乃至第3の実施形態では、データ整形部が、処理前画像データの縦サイズ及び横サイズに応じた縦サイズ及び横サイズの連結データを生成するものとして説明した。しかしながら、データ整形部が生成する連結データの縦サイズ及び横サイズは任意であり、処理前画像データを圧縮してから、連結データを生成するように構成してもよい。以下、第4の実施形態について、上記第1乃至第3の実施形態との相違点を中心に説明する。
図15は、第4の実施形態に係る学習装置のデータ整形部の機能構成の一例を示す図である。このうち、図15の15aは、第1の実施形態に係る学習装置のデータ整形部111に、圧縮部1511を付加したデータ整形部1510を示している。
上記第1の実施形態では、学習部112に、ドライエッチング用学習モデル420と、デポジション用学習モデル421とをそれぞれ設け、異なる学習用データを用いて別々に機械学習を行うものとして説明した。
110 :学習装置
111 :データ整形部
112 :学習部
120 :推論装置
121 :データ整形部
122 :実行部
130 :シミュレーション装置
131 :実行部
300 :学習用データ
310 :ドライエッチング用シミュレータ
320 :デポジション用シミュレータ
420 :ドライエッチング用学習モデル
421 :デポジション用学習モデル
430 :比較部
440 :変更部
501 :形状データ取得部
502 :チャネル別データ生成部
511 :パラメータデータ取得部
512 :パラメータデータ展開部
520 :連結部
600 :処理前画像データ
601〜605 :チャネル別データ
610 :パラメータデータ
611〜613 :2次元に配列されたパラメータデータ
620 :連結データ
700 :出力結果
920 :ドライエッチング用学習済みモデル
921 :デポジション用学習済みモデル
930 :出力部
1200 :データ整形部
1201 :連結部
1300 :ドライエッチング用学習モデル
1301 :ニューラルネットワーク部
1310 :連結データ
1400 :学習部
1510、1520 :データ整形部
1511 :圧縮部
Claims (19)
- 少なくとも1つのメモリと、
少なくとも1つのプロセッサと、を備え、
前記少なくとも1つのプロセッサは、
処理前画像データと前記処理前画像データに対するシミュレータのパラメータとを取得することと、
前記処理前画像データと前記パラメータとを学習モデルに入力し、前記学習モデルの出力として得られる処理後画像データが、前記処理前画像データに対する前記シミュレータの結果として得られる処理後画像データに近づくように、前記学習モデルを学習することと
を実行するよう構成される、
学習装置。 - 前記少なくとも1つのプロセッサは、
前記取得したパラメータを前記処理前画像データに応じた形式に加工すること、を更に実行するよう構成され、
前記学習モデルに、前記加工されたパラメータを入力する、
請求項1に記載の学習装置。 - 前記シミュレータが半導体製造プロセスに関するシミュレータである
請求項1または請求項2に記載の学習装置。 - 前記処理前画像データは、前記半導体製造プロセスにおける処理対象のマテリアルに応じた複数のチャネルを有し、各チャネルは各マテリアルの組成比または含有比に応じた値を有する
請求項3に記載の学習装置。 - 前記少なくとも1つのプロセッサは、
前記取得したパラメータを、前記処理前画像データの縦サイズ及び横サイズに応じた2次元配列の形式に加工する、請求項2に記載の学習装置。 - 前記シミュレータは、物理モデルに基づくシミュレータである
請求項1乃至5の何れか1項に記載の学習装置。 - 前記学習モデルは、前記取得したパラメータを、前記学習モデルの各層で畳み込み処理された前記処理前画像データを変換する際に用いる所定の形式に加工し、前記各層で畳み込み処理された前記処理前画像データを、前記加工されたパラメータを用いて変換する
請求項1に記載の学習装置。 - 前記学習モデルは、前記処理前画像データに対する変化率を算出してから、前記学習モデルの出力として得られる処理後画像データを算出するよう構成されており、前記学習モデルは、前記処理前画像データに対する変化率を所定の範囲内に収めるための処理を行う、
請求項1に記載の学習装置。 - 少なくとも1つのメモリと、
少なくとも1つのプロセッサと、を備え、
前記少なくとも1つのメモリは、
第1の処理前画像データと前記第1の処理前画像データに対するシミュレータの第1のパラメータとが入力された場合の出力として得られる第1の処理後画像データが、前記第1の処理前画像データに対する前記第1のパラメータを用いた前記シミュレータの結果として得られる第1の処理後画像データに近づくように学習された学習済みモデルを記憶し、
前記少なくとも1つのプロセッサは、
第2の処理前画像データと前記シミュレータの第2のパラメータとを取得し、
前記第2の処理前画像データと前記シミュレータの前記第2のパラメータとを前記学習済みモデルに入力し、前記第2の処理前画像データに対するシミュレーションを実行するよう構成される、
推論装置。 - 前記少なくとも1つのプロセッサは、
前記第2のパラメータを前記第2の処理前画像データに応じた形式に加工すること、を更に実行するよう構成され、
前記学習済みモデルに、前記加工された第2のパラメータを入力する、
請求項9に記載の推論装置。 - 前記シミュレータが半導体製造プロセスに関するシミュレータである
請求項9または請求項10に記載の推論装置。 - 前記第2の処理前画像データは、前記半導体製造プロセスにおける処理対象のマテリアルに応じた複数のチャネルを有し、各チャネルは各マテリアルの組成比または含有比に応じた値を有する
請求項11に記載の推論装置。 - 前記少なくとも1つのプロセッサは、
前記第2のパラメータを、前記第2の処理前画像データの縦サイズ及び横サイズに応じた2次元配列の形式に加工する、請求項10に記載の推論装置。 - 前記シミュレータは、物理モデルに基づくシミュレータである
請求項9乃至13の何れか1項に記載の推論装置。 - 前記学習済みモデルは、前記第2のパラメータを、前記学習済みモデルの各層で畳み込み処理された前記第2の処理前画像データを変換する際に用いる所定の形式に加工し、前記各層で畳み込み処理された前記第2の処理前画像データを、前記加工された第2のパラメータを用いて変換する
請求項9に記載の推論装置。 - 前記学習済みモデルは、前記第2の処理前画像データに対する変化率を算出してから、前記学習済みモデルの出力として得られる第2の処理後画像データを算出するよう構成されており、前記学習済みモデルは、前記第2の処理前画像データに対する変化率を所定の範囲内に収めるための処理を行う、
請求項9に記載の推論装置。 - 前記少なくとも1つのプロセッサは、
前記第2の処理前画像データに対するシミュレーションを実行することにより得られた第3の処理後画像データと前記シミュレータの第3のパラメータとを前記学習済みモデルに入力し、前記第3の処理後画像データに対するシミュレーションを実行する、
請求項9乃至16の何れか1項に記載の推論装置。 - 少なくとも1つのプロセッサが、
処理前画像データと前記処理前画像データに対するシミュレータのパラメータとを取得することと、
前記処理前画像データと前記パラメータとを学習モデルに入力し、前記学習モデルの出力として得られる処理後画像データが、前記処理前画像データに対する前記シミュレータの結果として得られる処理後画像データに近づくように、前記学習モデルを学習することと
を実行する学習モデルの生成方法。 - 少なくとも1つのメモリが、
第1の処理前画像データと前記第1の処理前画像データに対するシミュレータの第1のパラメータとが入力された場合の出力として得られる第1の処理後画像データが、前記第1の処理前画像データに対する前記第1のパラメータを用いた前記シミュレータの結果として得られる第1の処理後画像データに近づくように学習された学習済みモデルを記憶し、
少なくとも1つのプロセッサが、
第2の処理前画像データと前記シミュレータの第2のパラメータとを取得し、
前記第2の処理前画像データと前記シミュレータの前記第2のパラメータとを前記学習済みモデルに入力し、前記第2の処理前画像データに対するシミュレーションを実行する、
推論方法。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018164930 | 2018-09-03 | ||
JP2018164930 | 2018-09-03 | ||
PCT/JP2019/032025 WO2020049974A1 (ja) | 2018-09-03 | 2019-08-15 | 学習装置、推論装置、学習モデルの生成方法及び推論方法 |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020108905A Division JP7291670B2 (ja) | 2018-09-03 | 2020-06-24 | 推論方法、推論プログラム、モデル生成方法、モデル生成プログラム、推論装置及び学習装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP6724267B1 true JP6724267B1 (ja) | 2020-07-15 |
JPWO2020049974A1 JPWO2020049974A1 (ja) | 2020-09-10 |
Family
ID=69722906
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020503074A Active JP6724267B1 (ja) | 2018-09-03 | 2019-08-15 | 学習装置、推論装置、学習モデルの生成方法及び推論方法 |
JP2020108905A Active JP7291670B2 (ja) | 2018-09-03 | 2020-06-24 | 推論方法、推論プログラム、モデル生成方法、モデル生成プログラム、推論装置及び学習装置 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020108905A Active JP7291670B2 (ja) | 2018-09-03 | 2020-06-24 | 推論方法、推論プログラム、モデル生成方法、モデル生成プログラム、推論装置及び学習装置 |
Country Status (5)
Country | Link |
---|---|
US (1) | US12033311B2 (ja) |
JP (2) | JP6724267B1 (ja) |
KR (1) | KR102513707B1 (ja) |
CN (1) | CN112640037A (ja) |
WO (1) | WO2020049974A1 (ja) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW202243069A (zh) * | 2020-12-28 | 2022-11-01 | 日商東京威力科創股份有限公司 | 參數導出裝置、參數導出方法及參數導出程式 |
JP2023045817A (ja) | 2021-09-22 | 2023-04-03 | 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、レシピ決定方法及び学習プログラム |
JP2023046032A (ja) * | 2021-09-22 | 2023-04-03 | キヤノン株式会社 | 解析方法 |
JP2023056708A (ja) * | 2021-10-08 | 2023-04-20 | 東京エレクトロン株式会社 | エッチング処理システム、エッチング品質予測方法及びエッチング品質予測プログラム |
WO2024005047A1 (ja) * | 2022-07-01 | 2024-01-04 | 東京エレクトロン株式会社 | 基板処理装置の制御方法及び基板処理システム |
JP2024047495A (ja) * | 2022-09-26 | 2024-04-05 | 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 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06224126A (ja) * | 1993-01-25 | 1994-08-12 | Fuji Electric Co Ltd | 半導体製造装置の膜質予測装置 |
JPH11330449A (ja) * | 1998-05-20 | 1999-11-30 | Toshiba Corp | 半導体装置の製造方法、シミュレーション装置、シミュレーション方法、シミュレーションプログラムを記録した記録媒体、及びシミュレーション用データを記録した記録媒体 |
JP2004040004A (ja) * | 2002-07-08 | 2004-02-05 | Renesas Technology Corp | 配線設計データを利用した化学的機械的研磨方法、加工物の製造方法、およびデザインルール決定方法 |
JP2004153229A (ja) * | 2002-03-14 | 2004-05-27 | Nikon Corp | 加工形状の予測方法、加工条件の決定方法、加工量予測方法、加工形状予測システム、加工条件決定システム、加工システム、加工形状予測計算機プログラム、加工条件決定計算機プログラム、プログラム記録媒体、及び半導体デバイスの製造方法 |
JP2007507888A (ja) * | 2003-09-30 | 2007-03-29 | 東京エレクトロン株式会社 | 半導体製造プロセスを制御するために第1の原理シミュレーションを用いたシステム及び方法。 |
JP2007227618A (ja) * | 2006-02-23 | 2007-09-06 | Hitachi High-Technologies Corp | 半導体プロセスモニタ方法およびそのシステム |
JP2010079896A (ja) * | 2008-09-25 | 2010-04-08 | Internatl Business Mach Corp <Ibm> | 集積回路設計中の製造の影響の高速シミュレーションを行なうための装置、方法及びコンピュータ・プログラム |
JP2011071296A (ja) * | 2009-09-25 | 2011-04-07 | Sharp Corp | 特性予測装置、特性予測方法、特性予測プログラムおよびプログラム記録媒体 |
JP2013518449A (ja) * | 2010-01-29 | 2013-05-20 | 東京エレクトロン株式会社 | 半導体製造ツールを自己学習及び自己改善するための方法及びシステム |
JP2016071597A (ja) * | 2014-09-30 | 2016-05-09 | ソニー株式会社 | 情報処理装置、情報処理方法及びプログラム |
US20170194126A1 (en) * | 2015-12-31 | 2017-07-06 | Kla-Tencor Corporation | Hybrid inspectors |
JP2017182129A (ja) * | 2016-03-28 | 2017-10-05 | ソニー株式会社 | 情報処理装置。 |
JP2018049936A (ja) * | 2016-09-21 | 2018-03-29 | 株式会社日立製作所 | 探索装置および探索方法 |
JP2019030648A (ja) * | 2017-08-09 | 2019-02-28 | 学校法人東京女子医科大学 | 線量分布予測システム、線量分布予測方法及び線量分布予測プログラム |
US20190257767A1 (en) * | 2018-02-21 | 2019-08-22 | Applied Materials Israel Ltd. | Generating a training set usable for examination of a semiconductor specimen |
JP2019219756A (ja) * | 2018-06-15 | 2019-12-26 | 国立研究開発法人理化学研究所 | 制御装置、制御方法、プログラム、ならびに、情報記録媒体 |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20020085688A (ko) | 2001-05-09 | 2002-11-16 | 학교법인 인하학원 | 반도체 식각 공정 모의 실험 해석기 및 해석 방법 |
US6819427B1 (en) * | 2001-10-10 | 2004-11-16 | Advanced Micro Devices, Inc. | Apparatus of monitoring and optimizing the development of a photoresist material |
KR20040080742A (ko) | 2003-03-13 | 2004-09-20 | 원태영 | 식각 공정 시뮬레이션의 병렬 연산 구현 방법 |
JP2005202949A (ja) | 2003-12-01 | 2005-07-28 | Oscillated Recall Technology:Kk | 大域的エッチングシミュレータ |
US8722547B2 (en) * | 2006-04-20 | 2014-05-13 | Applied Materials, Inc. | Etching high K dielectrics with high selectivity to oxide containing layers at elevated temperatures with BC13 based etch chemistries |
US9245714B2 (en) * | 2012-10-01 | 2016-01-26 | Kla-Tencor Corporation | System and method for compressed data transmission in a maskless lithography system |
JP6173889B2 (ja) | 2013-11-28 | 2017-08-02 | ソニーセミコンダクタソリューションズ株式会社 | シミュレーション方法、シミュレーションプログラム、加工制御システム、シミュレータ、プロセス設計方法およびマスク設計方法 |
US10056304B2 (en) * | 2014-11-19 | 2018-08-21 | Deca Technologies Inc | Automated optical inspection of unit specific patterning |
US9965901B2 (en) | 2015-11-19 | 2018-05-08 | KLA—Tencor Corp. | Generating simulated images from design information |
KR102160217B1 (ko) * | 2015-12-22 | 2020-09-28 | 에이에스엠엘 네델란즈 비.브이. | 프로세스-윈도우 특성화를 위한 장치 및 방법 |
KR102215873B1 (ko) * | 2017-10-17 | 2021-02-16 | 가부시키가이샤 아루박 | 피처리체의 처리 장치 |
CN107909114B (zh) * | 2017-11-30 | 2020-07-17 | 深圳地平线机器人科技有限公司 | 训练有监督机器学习的模型的方法和装置 |
CN107945175A (zh) * | 2017-12-12 | 2018-04-20 | 百度在线网络技术(北京)有限公司 | 图像的评价方法、装置、服务器及存储介质 |
US10572697B2 (en) * | 2018-04-06 | 2020-02-25 | Lam Research Corporation | Method of etch model calibration using optical scatterometry |
-
2019
- 2019-08-15 CN CN201980057325.4A patent/CN112640037A/zh active Pending
- 2019-08-15 WO PCT/JP2019/032025 patent/WO2020049974A1/ja active Application Filing
- 2019-08-15 JP JP2020503074A patent/JP6724267B1/ja active Active
- 2019-08-15 KR KR1020217006384A patent/KR102513707B1/ko active IP Right Grant
-
2020
- 2020-06-24 JP JP2020108905A patent/JP7291670B2/ja active Active
-
2021
- 2021-03-02 US US17/189,592 patent/US12033311B2/en active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06224126A (ja) * | 1993-01-25 | 1994-08-12 | Fuji Electric Co Ltd | 半導体製造装置の膜質予測装置 |
JPH11330449A (ja) * | 1998-05-20 | 1999-11-30 | Toshiba Corp | 半導体装置の製造方法、シミュレーション装置、シミュレーション方法、シミュレーションプログラムを記録した記録媒体、及びシミュレーション用データを記録した記録媒体 |
JP2004153229A (ja) * | 2002-03-14 | 2004-05-27 | Nikon Corp | 加工形状の予測方法、加工条件の決定方法、加工量予測方法、加工形状予測システム、加工条件決定システム、加工システム、加工形状予測計算機プログラム、加工条件決定計算機プログラム、プログラム記録媒体、及び半導体デバイスの製造方法 |
JP2004040004A (ja) * | 2002-07-08 | 2004-02-05 | Renesas Technology Corp | 配線設計データを利用した化学的機械的研磨方法、加工物の製造方法、およびデザインルール決定方法 |
JP2007507888A (ja) * | 2003-09-30 | 2007-03-29 | 東京エレクトロン株式会社 | 半導体製造プロセスを制御するために第1の原理シミュレーションを用いたシステム及び方法。 |
JP2007227618A (ja) * | 2006-02-23 | 2007-09-06 | Hitachi High-Technologies Corp | 半導体プロセスモニタ方法およびそのシステム |
JP2010079896A (ja) * | 2008-09-25 | 2010-04-08 | Internatl Business Mach Corp <Ibm> | 集積回路設計中の製造の影響の高速シミュレーションを行なうための装置、方法及びコンピュータ・プログラム |
JP2011071296A (ja) * | 2009-09-25 | 2011-04-07 | Sharp Corp | 特性予測装置、特性予測方法、特性予測プログラムおよびプログラム記録媒体 |
JP2013518449A (ja) * | 2010-01-29 | 2013-05-20 | 東京エレクトロン株式会社 | 半導体製造ツールを自己学習及び自己改善するための方法及びシステム |
JP2016071597A (ja) * | 2014-09-30 | 2016-05-09 | ソニー株式会社 | 情報処理装置、情報処理方法及びプログラム |
US20170194126A1 (en) * | 2015-12-31 | 2017-07-06 | Kla-Tencor Corporation | Hybrid inspectors |
JP2017182129A (ja) * | 2016-03-28 | 2017-10-05 | ソニー株式会社 | 情報処理装置。 |
JP2018049936A (ja) * | 2016-09-21 | 2018-03-29 | 株式会社日立製作所 | 探索装置および探索方法 |
JP2019030648A (ja) * | 2017-08-09 | 2019-02-28 | 学校法人東京女子医科大学 | 線量分布予測システム、線量分布予測方法及び線量分布予測プログラム |
US20190257767A1 (en) * | 2018-02-21 | 2019-08-22 | Applied Materials Israel Ltd. | Generating a training set usable for examination of a semiconductor specimen |
JP2019219756A (ja) * | 2018-06-15 | 2019-12-26 | 国立研究開発法人理化学研究所 | 制御装置、制御方法、プログラム、ならびに、情報記録媒体 |
Also Published As
Publication number | Publication date |
---|---|
CN112640037A (zh) | 2021-04-09 |
JP7291670B2 (ja) | 2023-06-15 |
TW202024377A (zh) | 2020-07-01 |
JP2020191096A (ja) | 2020-11-26 |
US12033311B2 (en) | 2024-07-09 |
KR102513707B1 (ko) | 2023-03-23 |
KR20210036391A (ko) | 2021-04-02 |
US20210183051A1 (en) | 2021-06-17 |
JPWO2020049974A1 (ja) | 2020-09-10 |
WO2020049974A1 (ja) | 2020-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6724267B1 (ja) | 学習装置、推論装置、学習モデルの生成方法及び推論方法 | |
JP7190495B2 (ja) | 推論方法、推論装置、モデルの生成方法及び学習装置 | |
WO2018171717A1 (zh) | 面向神经网络处理器的自动化设计方法和*** | |
US10102316B2 (en) | Virtual reality authoring method | |
JP2018173843A (ja) | 情報処理装置、情報処理方法、及びプログラム | |
CN109948680B (zh) | 病历数据的分类方法及*** | |
JP2015197702A (ja) | 情報処理装置、情報処理方法 | |
US20230136021A1 (en) | Method and system for three-dimensional modeling | |
JP2017068608A (ja) | 演算装置、方法及びプログラム | |
CN114418946A (zh) | 一种医学图像分割方法、***、终端以及存储介质 | |
Shi et al. | Cranial implant design through multiaxial slice inpainting using deep learning | |
Li et al. | A generative design method for structural topology optimization via transformable triangular mesh (TTM) algorithm | |
CN113158970B (zh) | 一种基于快慢双流图卷积神经网络的动作识别方法与*** | |
US20220405561A1 (en) | Electronic device and controlling method of electronic device | |
TWI840403B (zh) | 學習裝置、推論裝置、學習模型的生成方法及推論方法 | |
CN116957018A (zh) | 一种逐通道卷积的实现方法 | |
CN115294361A (zh) | 一种特征提取的方法及装置 | |
JP7107797B2 (ja) | 情報処理方法及び情報処理システム | |
Wu et al. | SpeedER: A Supervised Encoder-Decoder Driven Engine for Effective Resistance Estimation of Power Delivery Networks | |
JP6633267B2 (ja) | 次元削減装置、方法及びプログラム | |
US20240127440A1 (en) | Manufacturing method of learning model, learning model, estimation method, image processing system, and program | |
US20240202910A1 (en) | Method and apparatus with semiconductor image processing | |
JP2024086148A (ja) | 構造解析プログラム、構造解析方法および情報処理装置 | |
CN114170102A (zh) | 图像修复方法及装置、计算机可存储介质 | |
CN117892685A (zh) | 一种用于eda验证的数据处理方法、装置和介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200121 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20200121 |
|
A975 | Report on accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A971005 Effective date: 20200325 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20200414 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200422 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20200609 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20200624 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6724267 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |