JP7190495B2 - 推論方法、推論装置、モデルの生成方法及び学習装置 - Google Patents
推論方法、推論装置、モデルの生成方法及び学習装置 Download PDFInfo
- Publication number
- JP7190495B2 JP7190495B2 JP2020541139A JP2020541139A JP7190495B2 JP 7190495 B2 JP7190495 B2 JP 7190495B2 JP 2020541139 A JP2020541139 A JP 2020541139A JP 2020541139 A JP2020541139 A JP 2020541139A JP 7190495 B2 JP7190495 B2 JP 7190495B2
- Authority
- JP
- Japan
- Prior art keywords
- data
- image data
- processing
- learning
- manufacturing process
- 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 60
- 238000004519 manufacturing process Methods 0.000 claims description 99
- 238000012545 processing Methods 0.000 claims description 94
- 239000004065 semiconductor Substances 0.000 claims description 68
- 230000008021 deposition Effects 0.000 claims description 42
- 230000007613 environmental effect Effects 0.000 claims description 34
- 230000008569 process Effects 0.000 claims description 25
- 238000012805 post-processing Methods 0.000 claims description 21
- 238000007781 pre-processing Methods 0.000 claims description 18
- 239000000463 material Substances 0.000 claims description 16
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 230000015654 memory Effects 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 8
- 238000005530 etching Methods 0.000 claims 1
- 238000007493 shaping process Methods 0.000 description 62
- 238000001312 dry etching Methods 0.000 description 56
- 238000004088 simulation Methods 0.000 description 52
- 238000000151 deposition Methods 0.000 description 41
- 235000012431 wafers Nutrition 0.000 description 35
- 238000010586 diagram Methods 0.000 description 31
- 238000010801 machine learning Methods 0.000 description 28
- 230000006835 compression Effects 0.000 description 18
- 238000007906 compression Methods 0.000 description 18
- 230000000875 corresponding effect Effects 0.000 description 18
- 230000006870 function Effects 0.000 description 17
- 238000013500 data storage Methods 0.000 description 10
- 238000005259 measurement Methods 0.000 description 9
- 238000011161 development Methods 0.000 description 8
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000002596 correlated effect Effects 0.000 description 4
- 230000014509 gene expression Effects 0.000 description 4
- 238000007790 scraping Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 239000010408 film Substances 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 238000001069 Raman spectroscopy Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 238000004020 luminiscence type Methods 0.000 description 1
- 150000004767 nitrides Chemical class 0.000 description 1
- 238000005293 physical law Methods 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 238000004611 spectroscopical analysis Methods 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
Images
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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- 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
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural 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
-
- 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
- G06N3/048—Activation functions
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/32—Normalisation of the pattern dimensions
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Power Engineering (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Computer Hardware Design (AREA)
- Manufacturing & Machinery (AREA)
- Mechanical Engineering (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Organic Chemistry (AREA)
- Metallurgy (AREA)
- Materials Engineering (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- General Chemical & Material Sciences (AREA)
- Plasma & Fusion (AREA)
- Drying Of Semiconductors (AREA)
Description
少なくとも1つのプロセッサが、第2の対象物の処理前画像データと前記第2の対象物に対する製造プロセスに応じた処理に関するデータとを推論用のデータとして学習済みモデルに入力し、前記製造プロセスに応じた処理が実行された場合の前記第2の対象物の処理後画像データを推論する、推論方法であって、
前記学習済みモデルは、第1の対象物の処理前画像データと前記第1の対象物に対する前記製造プロセスに応じた処理に関するデータとが学習用の入力データとして入力された場合の出力と、学習用の正解データである、前記製造プロセスに応じた処理が実行された場合の前記第1の対象物の処理後画像データとの差分情報に基づいて学習されたものである。
<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120、推論装置130を有する。なお、シミュレーションシステム100において用いられる各種データ、各種情報は、半導体製造メーカから、あるいは半導体製造装置メーカのデータベースなどから入手される。
・処理前画像データ、パラメータデータ、環境情報をデータ整形部131に入力したことで実行部132により出力される処理後画像データと、
・処理前ウェハが半導体製造装置110により処理され、処理後ウェハが測定装置112により測定されることで生成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130のユーザは、学習済みモデルのシミュレーション誤差を算出し、シミュレーション精度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120、推論装置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。
次に、学習用データ格納部123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”、“ジョブID”、“処理前画像データ”、“パラメータデータ”、“環境情報”、“処理後画像データ”が含まれる。
・Pressure(チャンバ内の圧力)、Power(高周波電源の電力)、Gas(ガス流量)、Temperature(チャンバ内の温度またはウェハの表面の温度)等のように、半導体製造装置110に設定値として設定されるデータ、
・CD(Critical Dimension)、Depth(深さ)、Taper(テーパ角)、Tilting(チルト角)、Bowing(ボーイング)等のように、半導体製造装置110に目標値として設定されるデータ、
・半導体製造装置110のハードウェア形体に関する情報、
等が含まれる。
・Vpp(電位差)、Vdc(直流自己バイアス電圧)、OES(発光分光分析による発光強度)、Reflect(反射波電力)、
等のように、処理中に半導体製造装置110から出力されるデータ(主に電流や電圧に関するデータ)、
・Plasma density(プラズマ密度)、Ion energy(イオンエネルギ)、Ion flux(イオン流量)、
等のように、処理中に測定されるデータ(主に光に関するデータのほか、温度、圧力に関するデータ)、
が含まれる。
次に、学習装置120の各部(データ整形部121、学習部122)の機能構成の詳細について説明する。
はじめに、学習装置120の学習部122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120の学習部122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120のデータ整形部121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121は、形状データ取得部501、チャネル別データ生成部502、1次元データ取得部511、1次元データ展開部512、連結部520を有する。
次に、学習装置120の各部による処理のうち、上述したデータ整形部121による処理及び学習部122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122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、学習処理全体の流れについて説明する。図8は、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130の機能構成の詳細について説明する。なお、推論装置130の各部(データ整形部131、実行部132)のうち、データ整形部131の機能構成の詳細は、学習装置120のデータ整形部121の機能構成の詳細と同じである。そこで、データ整形部131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132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、
・半導体製造装置において、処理前ウェハを処理する際に設定されたパラメータデータと、処理前ウェハを処理する際に測定された処理前ウェハの処理中の環境を示す環境情報とを取得する。
・半導体製造装置において処理される処理前ウェハの処理前の形状を示す画像データである、処理前画像データを取得する。
・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及び環境情報を2次元に配列することで、取得したパラメータデータ及び環境情報を、画像データの形式に加工する。また、処理前画像データに、加工したパラメータデータ及び環境情報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、出力結果が、処理後ウェハの形状を示す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、パラメータデータ及び環境情報とを取得する。
・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及び環境情報を2次元に配列することで、画像データの形式に加工する。また、処理前画像データに、加工したパラメータデータ及び環境情報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、パラメータデータ及び環境情報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121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、
・半導体製造装置において、処理前ウェハを処理する際に設定されたパラメータデータと、処理前ウェハを処理する際に測定された処理前ウェハの処理中の環境を示す環境情報とを取得する。
・半導体製造装置において処理される処理前ウェハの処理前の形状を示す画像データである、処理前画像データを取得する。
・取得したパラメータデータ及び環境情報を正規化し、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制約条件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、固有の制約条件があり、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122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121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122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 :半導体製造装置
111 :測定装置
112 :測定装置
120 :学習装置
121 :データ整形部
122 :学習部
130 :推論装置
131 :データ整形部
132 :実行部
300 :学習用データ
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 :1次元データ取得部
512 :1次元データ展開部
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 :環境情報
621~623 :2次元に配列された環境情報
630 :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 (20)
- 少なくとも1つのプロセッサが、第2の対象物の処理前画像データと前記第2の対象物に対する製造プロセスに応じた処理に関するデータとを推論用のデータとして学習済みモデルに入力し、前記製造プロセスに応じた処理が実行された場合の前記第2の対象物の処理後画像データを推論する、推論方法であって、
前記学習済みモデルは、第1の対象物の処理前画像データと前記第1の対象物に対する前記製造プロセスに応じた処理に関するデータとが学習用の入力データとして入力された場合の出力と、学習用の正解データである、前記製造プロセスに応じた処理が実行された後の前記第1の対象物の処理後画像データとの差分情報に基づいて学習されたものである推論方法。 - 前記少なくとも1つのプロセッサが、前記製造プロセスに応じた処理に関するデータを前記第2の対象物の処理前画像データの縦サイズ及び横サイズに応じて2次元に配列し、
前記少なくとも1つのプロセッサが、前記第2の対象物の処理前画像データと、2次元に配列された、前記製造プロセスに応じた処理に関するデータとを前記推論用のデータとして前記学習済みモデルに入力する
請求項1に記載の推論方法。 - 前記学習済みモデルに入力する前記第2の対象物の処理前画像データは、前記第2の対象物に含まれるマテリアルに応じた複数のチャネルを有する
請求項1または2に記載の推論方法。 - 前記少なくとも1つのプロセッサが、推論した前記第2の対象物の処理後画像データと前記製造プロセスに応じた処理が実行された場合の前記第2の対象物に対する前記製造プロセスに応じた処理に関するデータとを推論用のデータとして前記学習済みモデルに入力し、前記製造プロセスに応じた処理が繰り返し実行された場合の前記第2の対象物の処理後画像データを推論する
請求項1乃至3のいずれか1項に記載の推論方法。 - 前記製造プロセスに応じた処理は、前記製造プロセスに含まれる複数の工程のうちのいずれか1つの工程における処理である、
請求項1乃至4のいずれか1項に記載の推論方法。 - 前記学習済みモデルは、ニューラルネットワークを含む
請求項1乃至5のいずれか1項に記載の推論方法。 - 前記ニューラルネットワークは、前記第2の対象物の処理後画像データを出力する
請求項6に記載の推論方法。 - 前記少なくとも1つのプロセッサが、前記第2の対象物の処理前画像データ及び前記ニューラルネットワークからの出力に基づいて、前記第2の対象物の処理後画像データを生成する
請求項7に記載の推論方法。 - 前記ニューラルネットワークは、前記第2の対象物の処理前画像データに対する変化率に関する情報を出力する
請求項8に記載の推論方法。 - 前記製造プロセスに応じた処理は半導体製造プロセスに応じた処理である
請求項1乃至9のいずれか1項に記載の推論方法。 - 前記半導体製造プロセスに応じた処理は、少なくとも、エッチング、デポジションのいずれか1つの工程における処理を含む
請求項10に記載の推論方法。 - 前記製造プロセスに応じた処理に関するデータは、前記半導体製造プロセスに含まれる複数の工程のうちのいずれか1つの工程における処理を半導体製造装置が実行する際の、処理条件を示すパラメータに関する情報を含む
請求項10または11に記載の推論方法。 - 前記製造プロセスに応じた処理に関するデータは、前記半導体製造プロセスに含まれる複数の工程のうちのいずれか1つの工程における処理を半導体製造装置が実行する際に測定される環境情報を含む
請求項10乃至12のいずれか1項に記載の推論方法。 - 前記パラメータは、少なくとも、前記半導体製造装置に設定される設定値、前記半導体製造装置のハードウェアの形体のいずれか1つを含む
請求項12に記載の推論方法。 - 前記環境情報は、少なくとも、前記半導体製造装置において測定される電流に関するデータ、電圧に関するデータ、光に関するデータ、温度に関するデータ、圧力に関するデータのいずれか1つを含む
請求項13に記載の推論方法。 - 前記第1の対象物及び前記第2の対象物は、少なくとも、ウェハ、半導体製造装置のチャンバ内壁、半導体製造装置のパーツ表面のいずれか1つである、
請求項10乃至15のいずれか1項に記載の推論方法。 - 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の対象物の処理前画像データと前記第1の対象物に対する製造プロセスに応じた処理に関するデータとが学習用の入力データとして入力された場合の出力と、学習用の正解データである、前記製造プロセスに応じた処理が実行された後の前記第1の対象物の処理後画像データとの差分情報に基づいて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の対象物の処理前画像データと前記第2の対象物に対する前記製造プロセスに応じた処理に関するデータとを推論用のデータとして前記学習済みモデルに入力し、前記製造プロセスに応じた処理が実行された場合の前記第2の対象物の処理後画像データを推論すること、を実行する
推論装置。 - 前記少なくとも1つのプロセッサは、
推論した前記第2の対象物の処理後画像データと、前記製造プロセスに応じた処理が実行された場合の前記第2の対象物に対する前記製造プロセスに応じた処理に関するデータとを推論用のデータとして前記学習済みモデルに入力し、前記製造プロセスに応じた処理が繰り返し実行された場合の前記第2の対象物の処理後画像データを推論すること、を更に実行する
請求項17に記載の推論装置。 - 少なくとも1つのプロセッサが、対象物の処理前画像データと前記対象物に対する製造プロセスに応じた処理に関するデータとを学習用の入力データとして学習モデルに入力し、前記学習モデルの出力と、学習用の正解データである、前記製造プロセスに応じた処理が実行された後の前記対象物の処理後画像データとの差分情報に基づいて、前記学習モデルを学習する
モデルの生成方法。 - 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、
対象物の処理前画像データと前記対象物に対する製造プロセスに応じた処理に関するデータとを学習用の入力データとして学習モデルに入力し、前記学習モデルの出力と、学習用の正解データである、前記製造プロセスに応じた処理が実行された後の前記対象物の処理後画像データとの差分情報に基づいて、前記学習モデルを学習すること、を実行する
学習装置。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018164931 | 2018-09-03 | ||
JP2018164931 | 2018-09-03 | ||
PCT/JP2019/033168 WO2020050072A1 (ja) | 2018-09-03 | 2019-08-23 | 学習装置、推論装置及び学習済みモデル |
Publications (2)
Publication Number | Publication Date |
---|---|
JPWO2020050072A1 JPWO2020050072A1 (ja) | 2021-08-26 |
JP7190495B2 true JP7190495B2 (ja) | 2022-12-15 |
Family
ID=69722532
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020541139A Active JP7190495B2 (ja) | 2018-09-03 | 2019-08-23 | 推論方法、推論装置、モデルの生成方法及び学習装置 |
Country Status (6)
Country | Link |
---|---|
US (2) | US11922307B2 (ja) |
JP (1) | JP7190495B2 (ja) |
KR (1) | KR102541743B1 (ja) |
CN (1) | CN112640038A (ja) |
TW (1) | TWI803690B (ja) |
WO (1) | WO2020050072A1 (ja) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20220019717A (ko) * | 2019-06-06 | 2022-02-17 | 도쿄엘렉트론가부시키가이샤 | 기판 검사 장치, 기판 검사 시스템 및 기판 검사 방법 |
WO2021061613A1 (en) | 2019-09-24 | 2021-04-01 | Applied Materials, Inc. | Interactive training of a machine learning model for tissue segmentation |
JP7467292B2 (ja) | 2020-03-13 | 2024-04-15 | 東京エレクトロン株式会社 | 解析装置、解析方法及び解析プログラム |
JP7399783B2 (ja) | 2020-04-30 | 2023-12-18 | 株式会社Screenホールディングス | 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 |
WO2022138272A1 (ja) | 2020-12-25 | 2022-06-30 | 東京エレクトロン株式会社 | 管理システム、管理方法及び管理プログラム |
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 |
WO2022145222A1 (ja) | 2020-12-28 | 2022-07-07 | 東京エレクトロン株式会社 | 管理装置、予測方法及び予測プログラム |
WO2022180827A1 (ja) * | 2021-02-26 | 2022-09-01 | 日本電信電話株式会社 | 光学特性のai予測システム |
US20230043803A1 (en) * | 2021-08-04 | 2023-02-09 | Theia Scientific, LLC | System and method for multi-modal microscopy |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
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 |
US20170194126A1 (en) | 2015-12-31 | 2017-07-06 | Kla-Tencor Corporation | Hybrid inspectors |
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 |
Family Cites Families (19)
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 |
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 |
US10656531B2 (en) | 2015-12-22 | 2020-05-19 | Asml Netherlands B.V. | Apparatus and method for process-window characterization |
JP2017182129A (ja) | 2016-03-28 | 2017-10-05 | ソニー株式会社 | 情報処理装置。 |
JP6688536B2 (ja) * | 2016-09-07 | 2020-04-28 | エレクタ、インク.Elekta, Inc. | 放射線療法治療計画のモデルを学習して放射線療法の線量分布を予測するためのシステムおよび方法 |
US11580398B2 (en) * | 2016-10-14 | 2023-02-14 | KLA-Tenor Corp. | Diagnostic systems and methods for deep learning models configured for semiconductor applications |
US20210305070A1 (en) | 2017-10-17 | 2021-09-30 | Ulvac, Inc. | Object processing apparatus |
US10572697B2 (en) | 2018-04-06 | 2020-02-25 | Lam Research Corporation | Method of etch model calibration using optical scatterometry |
JP2020057172A (ja) * | 2018-10-01 | 2020-04-09 | 株式会社Preferred Networks | 学習装置、推論装置及び学習済みモデル |
JP2021089526A (ja) * | 2019-12-03 | 2021-06-10 | 株式会社Preferred Networks | 推定装置、訓練装置、推定方法、訓練方法、プログラム及び非一時的コンピュータ可読媒体 |
-
2019
- 2019-08-23 JP JP2020541139A patent/JP7190495B2/ja active Active
- 2019-08-23 KR KR1020217006357A patent/KR102541743B1/ko active IP Right Grant
- 2019-08-23 CN CN201980057338.1A patent/CN112640038A/zh active Pending
- 2019-08-23 WO PCT/JP2019/033168 patent/WO2020050072A1/ja active Application Filing
- 2019-09-02 TW TW108131481A patent/TWI803690B/zh active
-
2021
- 2021-03-02 US US17/189,608 patent/US11922307B2/en active Active
-
2024
- 2024-01-29 US US18/425,432 patent/US20240211753A1/en active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
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 |
US20170194126A1 (en) | 2015-12-31 | 2017-07-06 | Kla-Tencor Corporation | Hybrid inspectors |
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 |
Also Published As
Publication number | Publication date |
---|---|
KR102541743B1 (ko) | 2023-06-13 |
US20240211753A1 (en) | 2024-06-27 |
CN112640038A (zh) | 2021-04-09 |
TW202026959A (zh) | 2020-07-16 |
TWI803690B (zh) | 2023-06-01 |
KR20210038665A (ko) | 2021-04-07 |
US11922307B2 (en) | 2024-03-05 |
WO2020050072A1 (ja) | 2020-03-12 |
US20210209413A1 (en) | 2021-07-08 |
JPWO2020050072A1 (ja) | 2021-08-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7190495B2 (ja) | 推論方法、推論装置、モデルの生成方法及び学習装置 | |
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 | |
TWI767108B (zh) | 用於檢查半導體試樣的方法與系統及在其上紀錄相關指令的電腦可讀取媒體 | |
US20200104708A1 (en) | Training apparatus, inference apparatus and computer readable storage medium | |
TWI829807B (zh) | 製造製程之假想測定裝置、假想測定方法及假想測定程式 | |
KR102582921B1 (ko) | 학습 장치, 추론 장치 및 학습 완료 모델 | |
US20180218492A1 (en) | Method And System For Identifying Defects Of Integrated Circuits | |
CN110325843B (zh) | 引导式集成电路缺陷检测 | |
US20230260105A1 (en) | Defect detection for semiconductor structures on a wafer | |
TWI734390B (zh) | 自資料集中提取特徵 | |
JP6956806B2 (ja) | データ処理装置、データ処理方法及びプログラム | |
US20230054159A1 (en) | Method and device for predicting defects | |
WO2022145225A1 (ja) | パラメータ導出装置、パラメータ導出方法及びパラメータ導出プログラム | |
JP2019160589A (ja) | 荷電粒子線装置、断面形状推定プログラム | |
US20230369032A1 (en) | Etching processing apparatus, etching processing system, analysis apparatus, etching processing method, and storage medium | |
US20230281792A1 (en) | Operating method of electronic device including processor executing semiconductor layout simulation module based on machine learning | |
JP2023547049A (ja) | 仮想製造環境内で変形および応力解析モデリングを実行するシステムおよび方法 | |
Nikitin | Use of mathematical modeling for measurements of nanodimensions in microelectronics | |
WO2023237272A1 (en) | Method and system for reducing charging artifact in inspection image | |
CN117546170A (zh) | 用于建立基于物理的模型的***及方法 | |
WO2022135819A1 (en) | Feature extraction method for extracting feature vectors for identifying pattern objects | |
JP2002289842A (ja) | シミュレーション装置およびシミュレーション方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210301 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210301 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220531 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220721 |
|
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: 20221115 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20221205 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7190495 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |