JP7220573B2 - 情報処理システム、情報処理方法、プログラム及び基板処理装置 - Google Patents

情報処理システム、情報処理方法、プログラム及び基板処理装置 Download PDF

Info

Publication number
JP7220573B2
JP7220573B2 JP2019010209A JP2019010209A JP7220573B2 JP 7220573 B2 JP7220573 B2 JP 7220573B2 JP 2019010209 A JP2019010209 A JP 2019010209A JP 2019010209 A JP2019010209 A JP 2019010209A JP 7220573 B2 JP7220573 B2 JP 7220573B2
Authority
JP
Japan
Prior art keywords
values
parameter
parameters
learning
performance
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
Application number
JP2019010209A
Other languages
English (en)
Other versions
JP2020120004A (ja
Inventor
計介 並木
誠 福島
治 鍋谷
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ebara Corp
Original Assignee
Ebara Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ebara Corp filed Critical Ebara Corp
Priority to JP2019010209A priority Critical patent/JP7220573B2/ja
Priority to TW108144087A priority patent/TW202042963A/zh
Priority to PCT/JP2019/047317 priority patent/WO2020153001A1/ja
Priority to CN201980090127.8A priority patent/CN113329845B/zh
Priority to KR1020217026411A priority patent/KR20210118128A/ko
Priority to US17/425,195 priority patent/US20220093409A1/en
Priority to SG11202107874TA priority patent/SG11202107874TA/en
Publication of JP2020120004A publication Critical patent/JP2020120004A/ja
Application granted granted Critical
Publication of JP7220573B2 publication Critical patent/JP7220573B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • H01L21/30625—With simultaneous mechanical treatment, e.g. mechanico-chemical polishing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B24—GRINDING; POLISHING
    • B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
    • B24B37/00—Lapping machines or devices; Accessories
    • B24B37/005—Control means for lapping machines or devices
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/15—Correlation function computation including computation of convolution operations
    • 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
    • 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
    • H01L21/304—Mechanical treatment, e.g. grinding, polishing, cutting

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Medical Informatics (AREA)
  • Mechanical Engineering (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Manufacturing & Machinery (AREA)
  • Computer Hardware Design (AREA)
  • Computational Linguistics (AREA)
  • Power Engineering (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • General Factory Administration (AREA)
  • Mechanical Treatment Of Semiconductor (AREA)
  • Finish Polishing, Edge Sharpening, And Grinding By Specific Grinding Devices (AREA)
  • Complex Calculations (AREA)

Description

本発明は、情報処理システム、情報処理方法、プログラム及び基板処理装置に関する。
近年、半導体デバイスの高集積化が進むにつれて回路の配線が微細化し、配線間距離もより狭くなりつつある。半導体デバイスの製造では、基板処理装置が、基板（例えばウエハ）に対して種々の処理を実行する。基板処理装置の一例である、化学機械研磨（ＣＭＰ）を行う研磨装置（ＣＭＰ装置ともいう）は、ウエハの表面を平坦化する一手段として用いられる。研磨装置によりウエハの表面を平坦にすることによって、半導体デバイスの製造において、ウエハの上に多くの種類の材料が膜状に繰り返し形成されたときに、均一な積層構造を形成することができる。
この種の研磨装置は、一般に、研磨パッドが取り付けられたターンテーブル（研磨テーブルともいう）と、ウエハを保持するトップリング（研磨ヘッドともいう）と、研磨液を研磨パッド上に供給するノズルとを備えている。ノズルから研磨液（スラリーともいう）を研磨パッド上に供給しながら、トップリングによりウエハを研磨パッドに押し付け、さらにトップリングとターンテーブルとを相対移動させることにより、ウエハを研磨してその表面を平坦にする。
このような研磨装置において、研磨中のウエハと研磨パッドとの間の相対的な押圧力がウェアの全面に亘って均一でない場合には、ウエハの各部分に与えられる押圧力に応じて研磨不足や過研磨が生じてしまう。ウエハに対する押圧力を均一化するために、トップリングの下部に弾性膜（メンブレン）から形成される複数の圧力室を設け、この複数の圧力室に加圧空気などの流体をそれぞれ供給することで弾性膜を介した流体圧によりウエハを研磨パッドに押圧して研磨することが行われている。
またトップリングは、ウエハを研磨面に対して押圧するトップリング本体と、ウエハの外周縁を保持してウエハがトップリングから飛び出さないようにするリテーナリングととから基本的に構成されている。また、研磨工程を長時間行っていると、研磨パッドの削屑やスラリーが研磨パッドの微細な穴に入り込んで目詰りを起こし、研磨速度が著しく低下することから、ドレッサと呼ばれる装置を用いて研磨パッドの目立て（ドレッシング）が行われる。
特開２００１－１６０５４４号公報
代表的なＣＭＰ装置は、研磨レシピ、すなわち一連の研磨ステップ（各ステップは、研磨圧力、ターンテーブル回転数など、予め設定された１組のパラメータを用いて実行される）に従うソフトウェアによって制御される。この１組のパラメータの設定は、試行錯誤を通して作成されるので、時間がかかる上に困難である。
これに対して、特許文献１には、複数の研磨パラメータセットを用いて複数のテスト基板を研磨するステップと、複数のテスト基板の研磨プロファイルをそれぞれ測定するステップと、予測基板プロファイルと所望基板プロファイル間の差を最小とする各研磨パラメータセットについて研磨時間を計算するステップと、を含む、研磨レシピの決定方法が開示されている。
しかしながら、依然として、基板処理装置（例えば研磨装置）において、複数のパラメータを基板処理装置の性能値が向上するように調節することは難しいという問題がある。
本発明は、上記問題に鑑みてなされたものであり、基板処理装置の複数のパラメータを基板処理装置の性能値が向上するように調節することを容易化することを可能とする情報処理システム、情報処理方法、プログラム及び基板処理装置を提供することを目的とする。
本発明の第１の態様に係る情報処理システムは、基板処理装置のパラメータ値の組み合わせを提供する情報処理システムであって、互いにパラメータ種別の組み合わせが異なるパラメータの組を入力値とし対応する前記基板処理装置の性能値を出力値とする複数の第１学習データセットそれぞれについて学習し、学習後に、複数の検証用データセットであって学習時とパラメータ種別の組み合わせが共通する複数の検証用データセットそれぞれを入力として、性能値を予測する第１の人工知能部と、前記予測の性能値の正答の割合を示す値、当該学習にかかる時間、及び前記性能値の予測に要する時間のうち少なくとも一つを用いて、前記複数の検証用データセットに含まれる複数のパラメータ種別の組のうちから一つのパラメータ種別の組を選択する選択部と、前記選択されたパラメータ種別の組で構成される過去のパラメータ値の組を入力値とし対応する過去の性能値を出力値とする複数の第２学習データセットを用いて学習し、学習後に、前記選択されたパラメータ種別の組で構成されるパラメータのうち対象の基板処理装置で必然的に決まってしまう固定パラメータを入力として、前記選択されたパラメータ種別の組で構成されるパラメータのうち可変のパラメータを変化させた場合に前記対象の基板処理装置の性能値を予測し、予測された性能値のうち、当該性能値が抽出基準を満たすパラメータ値の組み合わせを出力する第２の人工知能部と、を備える。
この構成によれば、一旦、指標を用いて、パラメータ種別を選択してから、選択されたパラメータ種別のパラメータで学習することによって、性能値の予測精度が向上する。そして、予測精度が向上した性能値が抽出基準を満たすパラメータ値の組み合わせを出力するので、基板処理装置の複数のパラメータを基板処理装置の性能値が向上するようにすることができる。従って、基板処理装置の複数のパラメータを基板処理装置の性能値が向上するように調節することを容易化することができる。
本発明の第２の態様に係る情報処理システムは、第１の態様に係る情報処理システムであって、前記基板処理装置の複数のパラメータ値それぞれと性能値との間の相関を決定し、決定された複数の相関を用いて、前記第１の人工知能部が入力値として用いる複数のパラメータのパラメータ種別を決定する決定部を更に備える。
この構成によれば、性能値と相関が高い複数のパラメータを選択することができ、第２の人工知能部で性能値と相関が高い複数のパラメータを用いて性能値を予測することができるので、第２の人工知能部が、より高い性能値のパラメータ値の組み合わせを出力することができる。
本発明の第３の態様に係る情報処理システムは、第２の態様に係る情報処理システムであって、前記決定部は、前記基板処理装置の複数のパラメータ値それぞれの間の相互相関をそれぞれ決定し、決定された相互相関を用いて、前記第２の人工知能部が入力値として用いる複数のパラメータのパラメータ種別を追加または一部もしくは全部入れ替える。
この構成によれば、第２の人工知能部で学習及び予測に使用されていたパラメータと相関が高いパラメータが追加または入れ替えられるので、第２の人工知能部で性能値と相関が高い複数のパラメータを用いて性能値を予測することができるので、第２の人工知能部が、より高い性能値のパラメータ値の組み合わせを出力することができる。
本発明の第４の態様に係る情報処理システムは、第１から３のいずれかの態様に係る情報処理システムであって、前記基板処理装置の一つのパラメータ値と性能値との間の相関式を決定し、当該相関式を用いて、異常値を排除する基準を決定する排除基準決定部を更に備え、前記選択部は、前記決定された基準を満たすパラメータを除いて、前記パラメータ種別の組を選択する。
この構成によれば、性能値と相関がないパラメータを学習対象から除外することによって、第２の人工知能部が、より性能値が高いパラメータ値の組み合わせを出力する可能性を向上させることができるので、第２の人工知能部が、より高い性能値のパラメータ値の組み合わせを出力することができる。
本発明の第５の態様に係る情報処理システムは、第１から４のいずれかの態様に係る情報処理システムであって、前記第２の人工知能部は、対象の基板処理装置が使用している複数のパラメータ値とその際の性能値の組を、前記第２学習データセットに追加または既存の前記第２学習データセットに含まれるデータと置換して更に学習し、学習後に、前記選択されたパラメータ種別の組で構成されるパラメータを含む複数の検証用データセットを入力として、前記基板処理装置の性能値を予測し、予測された性能値のうち当該性能値が前記抽出基準を満たすパラメータ値の組み合わせを出力する。
この構成によれば、更に性能値が高いパラメータ値の組み合わせを出力することができる可能性がある。
本発明の第６の態様に係る情報処理方法は、基板処理装置のパラメータ値の組み合わせを提供する情報処理方法であって、互いにパラメータ種別の組み合わせが異なるパラメータの組を入力値とし対応する前記基板処理装置の性能値を出力値とする複数の第１学習データセットそれぞれについて学習し、学習後に、複数の検証用データセットであって学習時とパラメータ種別の組み合わせが共通する複数の検証用データセットそれぞれを入力として、性能値を予測するステップと、前記予測の性能値の正答の割合を示す値、当該学習にかかる時間、及び前記性能値の予測に要する時間のうち少なくとも一つを用いて、前記複数の検証用データセットに含まれる複数のパラメータ種別の組のうちから一つのパラメータ種別の組を選択するステップと、前記選択されたパラメータ種別の組で構成される過去のパラメータ値の組を入力値とし対応する過去の性能値を出力値とする複数の第２学習データセットを用いて学習し、学習後に、前記選択されたパラメータ種別の組で構成されるパラメータを含む複数の検証用データセットを入力として、前記基板処理装置の性能値を予測し、予測された性能値のうち、当該性能値が抽出基準を満たすパラメータ値の組み合わせを出力するステップと、を有する。
この構成によれば、一旦、指標を用いて、パラメータ種別を選択してから、選択されたパラメータ種別のパラメータで学習することによって、性能値の予測精度が向上する。そして、予測精度が向上した性能値が抽出基準を満たすパラメータ値の組み合わせを出力するので、基板処理装置の複数のパラメータを基板処理装置の性能値が向上するようにすることができる。従って、基板処理装置の複数のパラメータを基板処理装置の性能値が向上するように調節することを容易化することができる。
本発明の第７の態様に係るプログラムは、第１から５のいずれかの態様に係る情報処理システムで用いられるコンピュータを、互いにパラメータ種別の組み合わせが異なるパラメータの組を入力値とし対応する前記基板処理装置の性能値を出力値とする複数の第１学習データセットそれぞれについて学習し、学習後に、複数の検証用データセットであって学習時とパラメータ種別の組み合わせが共通する複数の検証用データセットそれぞれを入力として、性能値を予測する第１の人工知能部として機能させるためのプログラムである。
この構成によれば、予測の性能値の正答の割合を示す値、当該学習にかかる時間、及び前記性能値の予測に要する時間のうち少なくとも一つを用いて、パラメータ種別を選択することができる。
本発明の第８の態様に係る情報処理システムは、第１から５のいずれかの態様に係る情報処理システムで用いられるコンピュータを、前記選択されたパラメータ種別の組で構成される過去のパラメータ値の組を入力値とし対応する過去の性能値を出力値とする複数の第２学習データセットを用いて学習し、学習後に、前記選択されたパラメータ種別の組で構成されるパラメータのうち対象の基板処理装置で必然的に決まってしまう固定パラメータを入力として、前記選択されたパラメータ種別の組で構成されるパラメータのうち可変のパラメータを変化させた場合に前記対象の基板処理装置の性能値を予測し、予測された性能値のうち、当該性能値が抽出基準を満たすパラメータ値の組み合わせを出力する第２の人工知能部として機能させるためのプログラムである。
この構成によれば、選択されたパラメータ種別のパラメータで学習することによって、性能値の予測精度が向上する。そして、予測精度が向上した性能値が抽出基準を満たすパラメータ値の組み合わせを出力するので、基板処理装置の複数のパラメータを基板処理装置の性能値が向上するようにすることができる。従って、基板処理装置の複数のパラメータを基板処理装置の性能値が向上するように調節することを容易化することができる。
本発明の第９の態様に係る基板処理装置は、基板処理装置であって、選択済のパラメータ種別の組で構成されるパラメータ値の組と性能値との関係性を機械学習した第２の人工知能部であって、当該選択済のパラメータ種別の組で構成されるパラメータのうち当該基板処理装置で必然的に決まってしまう固定パラメータを入力として、前記選択済のパラメータ種別の組で構成されるパラメータのうち可変のパラメータを変化させた場合に当該基板処理装置の性能値を予測し、予測された性能値のうち、当該性能値が抽出基準を満たすパラメータ値の組み合わせを出力する第２の人工知能部を備え、前記出力されたパラメータ値の組み合わせを用いて基板を処理する。
この構成によれば、学習済の第２の人工知能部を用いて、抽出基準を満たすパラメータ値の組み合わせを出力し、このパラメータ値の組み合わせで基板を処理するので、基板処理装置の性能を向上させることができる。
本発明の一態様によれば、一旦、指標を用いて、パラメータ種別を選択してから、選択されたパラメータ種別のパラメータで学習することによって、性能値の予測精度が向上する。そして、予測精度が向上した性能値が抽出基準を満たすパラメータ値の組み合わせを出力するので、基板処理装置の複数のパラメータを基板処理装置の性能値が向上するようにすることができる。従って、基板処理装置の複数のパラメータを基板処理装置の性能値が向上するように調節することを容易化することができる。
第１の実施形態に係るＣＭＰシステムの一例の概略構成図である。 第１の実施形態に係る記憶媒体に記憶されているテーブルの一例である。 第１の実施形態に係る情報処理システムＳ１の概略構成図である。 第１の実施形態に係る情報処理システムの前処理の流れの一例を示すフローチャートである。 第１の実施形態に係る情報処理システムの実行の流れの一例を示すフローチャートである。 第２の実施形態に係るＣＭＰシステムの一例の概略構成図である。 第３の実施形態に係るＣＭＰシステムの一例の概略構成図である。 第４の実施形態に係るＣＭＰシステムの一例の概略構成図である。 第５の実施形態に係るＣＭＰシステムの一例の概略構成図である。 第６の実施形態に係るＣＭＰシステムの一例の概略構成図である。 第７の実施形態に係るＣＭＰシステムの一例の概略構成図である。
以下、各実施形態について、図面を参照しながら説明する。但し、必要以上に詳細な説明は省略する場合がある。例えば、既によく知られた事項の詳細説明や実質的に同一の構成に対する重複説明を省略する場合がある。これは、以下の説明が不必要に冗長になるのを避け、当業者の理解を容易にするためである。各実施形態では、基板処理装置の一例ととしてＣＭＰ装置を例にして説明する。
＜第１の実施形態＞
図１は、第１の実施形態に係るＣＭＰシステムの一例の概略構成図である。図１に示すように、第１の実施形態に係るＣＭＰシステムＣ１において、半導体製造のための第１工場（以下、単に第１工場という）にＣＭＰ装置１～３が設けられ、外部機器２１が設けられている。更に、第１の実施形態に係るＣＭＰシステムＣ１において、半導体製造のための第２工場（以下、単に第２工場という）にＣＭＰ装置４～６が設けられ、外部機器２２が設けられている。第１工場及び第２工場内の外部機器２１及び２２は、例えば、ウエハ検査・測定機（膜厚測定機、パーティクル測定機など）である。
なお、本実施形態では、説明が簡単になるように、一例として工場が二つあり、各工場にはＣＭＰ装置が３台あるものとして説明するが、これに限ったものではなく、工場は一つであっても三つ以上あってもよく、また各工場におけるＣＭＰ装置の台数は同数である必要はなく、各工場におけるＣＭＰ装置の数は二つ以下であってもよいし、四つ以上であってもよい。
第１の実施形態に係るＣＭＰシステムＣ１において、第１工場及び第２工場の外には、外部機器２３が設けられている。この外部機器２３は例えば、消耗部材メーカの検査・測定機、及び、それらを格納された記憶媒体などである。
分析センタ－には、情報処理システムＳ１が設けられている。情報処理システムＳ１は、第１の人工知能部１１、選択部１２、第２の人工知能部１３、及び記憶媒体１４を備える。
図２は、第１の実施形態に係る記憶媒体に記憶されているテーブルの一例である。図２において、レコードを識別するレコードＩＤと、パラメータ（例えば研磨圧力、ターンテーブル回転数など）と、当該パラメータの組でＣＭＰ装置を動作させたときの性能値（例えば、研磨レート）と、性能値が基準をみたせない要因の組のレコードが蓄積されている。このように、記憶媒体１４には、図２に示すように、各ＣＭＰ装置の過去のパラメータの組と、当該パラメータの組でＣＭＰ装置を動作させたときの性能値が関連付けられて記憶されている。記憶媒体１４には例えば、これらのデータが大量に記憶されており、いわゆるビックデータとして記憶されている。記憶媒体１４は例えばハードディスクである。
＜パラメータ＞
本実施形態に係るパラメータについて説明する。パラメータは、以下のうちの少なくとも一つである。
研磨パラメータ（例えば、研磨圧力、ターンテーブル回転数、ヘッド回転数、研磨時間、研磨温度など）、純水研磨パラメータ（例えば、研磨圧力、ターンテーブル回転数、ヘッド回転数、研磨時間、純水流量、純水温度など）
パッドドレスパラメータ（例えば、ドレッサ押し付け圧、ドレッサ回転数、ドレッサ揺動速度、ドレス時間、ターンテーブル回転数、ドレス液流量、ドレッサ消耗度など）
洗浄パラメータ（例えば、洗浄部材押し付け圧、洗浄部材回転数、ウエハ回転数、洗浄時間、洗浄液種類、洗浄液流量など）
ウエハ乾燥パラメータ（例えば、ウエハ回転数、ウエハ回転加速度、乾燥時間など）
ウエハパラメータ（例えば、外径寸法、反り、平面度、厚さ、べベル形状、研磨面粗さなど）
膜条件（例えば、膜種、イニシャル膜厚分布、表面自然酸化膜層厚さなど）
スラリーパラメータ（例えば、流量、プリロード量、パッド上の液膜分布、砥粒材質、粒径、粒径分布、砥粒濃度、ｐＨ、温度、添加薬液種類、添加薬液濃度、添加薬液ｐＨ、添加薬液混合比など）
パッドパラメータ（例えば、材質、厚さ、パッド孔隙率、圧縮弾性率、圧縮回復率、硬度、曲げ強度、表面溝形状、厚さプロファイル、表面粗さ、表面付着物有無、スラリー残渣堆積有無、内部への水のしみ込み面積、ウエハ処理枚数など）
メンブレンパラメータ（例えば、ゴム種類、ゴム硬度、外径寸法、ゴム物性検査データ、材料ロット、製造ロット、ウエハ処理枚数など）
リテーナリングパラメータ（例えば、材料種類、材料物性検査データ、材料ロット、製造ロット、厚み、溝の形状・寸法、ウエハ処理枚数など）
ハードウェアパラメータ（例えば、ターンテーブルトルク、ヘッド回転トルク、ヘッド揺動トルク、ドレッサ回転炉トルク、ドレッサ揺動トルク、メンブレン圧力立ち上がり・立ち下がり、メンブレン圧力ライン流量振れ、リテーナリングエアバック圧力立ち上がり・立ち下がり、リテーナリングエアバック圧力ライ流量振れなど）
＜ＣＭＰ装置の性能値＞
次にＣＭＰ装置の性能値は、研磨レート、ウエハ内面内均一性（研磨レート、残膜量）、ウエハ間均一性（研磨レート、残膜量）、パターン段差解消性、または欠陥（スクラッチ、ゴミ、腐食、ウォーターマークなど）などである。ウォーターマークは、乾燥プロセス特有の汚染物で、シミ、水垢のようなものである。
＜データ収集方法＞
図１に示すように、ＣＭＰ装置１～６と記憶媒体１４をネットワークＮＷで繋がれており、ＣＭＰ装置１～６内部に設置されている計測器や機器で取得した次の情報及びデータが、記憶媒体１４に蓄積される。
研磨パラメータ（研磨圧力、ターンテーブル回転数、ヘッド回転数、研磨時間、研磨温度）
純水研磨パラメータ（研磨圧力、ターンテーブル回転数、ヘッド回転数、研磨時間、純水流量、純水温度）
パッドドレスパラメータ（ドレッサ押し付け圧、ドレッサ回転数、ドレッサ揺動速度、ドレス時間、ターンテーブル回転数、ドレス液流量、ドレッサ消耗度）
洗浄パラメータ（洗浄部材押し付け圧、洗浄部材回転数、ウエハ回転数、洗浄時間、洗浄液種類、洗浄液流量）
ウエハ乾燥パラメータ（ウエハ回転数、ウエハ回転加速度、乾燥時間）、スラリーパラメータ（流量、プリロード量、パッド上の液膜分布）
パッドパラメータ（厚さプロファイル、表面粗さ、表面付着物有無、スラリー残渣堆積有無、内部への水のしみ込み面積、ウエハ処理枚数）
メンブレンパラメータ（ウエハ処理枚数）、リテーナリングパラメータ（厚み、ウエハ処理枚数）
ハードウェアパラメータ（ターンテーブルトルク、ヘッド回転トルク、ヘッド揺動トルク、ドレッサ回転炉トルク、ドレッサ揺動トルク、メンブレン圧力立ち上がり・立ち下がり、メンブレン圧力ライン流量振れ、リテーナリングエアバック圧力立ち上がり・立ち下がり、リテーナリングエアバック圧力ライン流量振れ）
図１に示すように、第１工場及び第２工場内のＣＭＰ装置１～６の外部にある外部機器２１、２２（例えば、計測器及び／または機器）と記憶媒体１４がネットワークＮＷで接続されている。これにより、外部機器２１、２２で取得した次の情報及びデータが、記憶媒体１４に蓄積される。
初期ウエハ膜厚分布、研磨レート、ウエハ内面内均一性（Removal、Remaining）、ウエハ間均一性（Removal、Remaining）、パターン段差解消性、欠陥、ウエハロット情報、膜種、スラリーパラメータ（pH、温度、添加薬液種類、添加薬液濃度、添加薬液pH、添加薬液混合比など）
ここで、Removalは研磨された膜厚、Remainは研磨後に残った膜厚を意味する。
工場外部で計測された次の情報及びデータは、サプライヤーから情報及びデータを集め、例えば当該情報処理システムの管理者が、これらの集めた情報及びデータをまとめて記憶媒体１４へ蓄積してもよい。あるいは、サプライヤーの端末装置（図示せず）と記憶媒体１４がネットワークＮＷを介して接続されており、当該情報及びデータの取得後、当該サプライヤーの端末装置から記憶媒体１４へこれらのデータが送信されて記憶媒体１４で蓄積されてもよい。
ウエハパラメータ（Lot ID、S/N、外径寸法、反り、平面度、厚さ、べベル形状、研磨面粗さ）、スラリーパラメータ（Lot ID、S/N、砥粒材質、粒径、粒径分布、砥粒濃度）、パッドパラメータ（Lot ID、S/N、材質、厚さ、パッド孔隙率、圧縮弾性率、圧縮回復率、硬度、曲げ強度、表面溝形状、厚さプロファイル、表面粗さ）、メンブレンパラメータ（Lot ID、S/N、ゴム種類、ゴム硬度、外径寸法、ゴム物性検査データ、材料Lot、製造Lot）、リテーナリングパラメータ（Lot ID、S/N、材料種類、材料物性検査データ、材料Lot、製造ロット、厚み、溝の形状・寸法）
図３は、第１の実施形態に係る情報処理システムＳ１の概略構成図である。図３に示すように、第１の実施形態に係る情報処理システムＳ１は、第１の人工知能部１１と、選択部１２と、第２の人工知能部１３と、記憶媒体１４と、を備える。第１の人工知能部１１は一例として、ＡＩ実行部１１０と、決定部１５と、排除基準決定部１６とを備える。ここで、ＡＩ実行部１１０は例えば、ＡＩ（人工知能）１１１、１１２、１１３とを有し、それぞれのＡＩ１１１～１１３が並列処理する。なお、ＡＩ実行部１１０は、一つのＡＩだけを内蔵して、シリアルに処理を実行してもよいし、二つのＡＩを有しても、四つ以上のＡＩを有してもよい。なお、決定部１５と、排除基準決定部１６とは、第１の人工知能部１１の外部に設けられていてもよい。
決定部１５は、より効率的にＣＭＰ性能予測を行うため、記憶媒体１４に記憶された情報について、ＣＭＰの性能値とパラメータとの間の相関分析、またはパラメータと他のパラメータとの相関分析などを行う。決定部１５は、例えばＣＭＰの性能値とパラメータとの間の相関分析を実行し（例えば相関係数を算出し）、ＣＭＰの性能値との間で相関（例えば、相関係数）が基準より高いパラメータの種別を複数選択し、選択したパラメータの種別の組を第１の人工知能部１１に出力する。このように、決定部１５は、基板処理装置（ここでは一例としてＣＭＰ装置）の複数のパラメータ値それぞれと性能値との間の相関を決定し、決定された複数の相関を用いて、第１の人工知能部１１が入力値として用いる複数のパラメータのパラメータ種別を決定する。これにより、性能値と相関が高い複数のパラメータを選択することができ、第２の人工知能部１３で性能値と相関が高い複数のパラメータを用いて性能値を予測することができるので、第２の人工知能部１３が、より高い性能値のパラメータ値の組み合わせを出力することができる。
なお、更に記憶媒体１４へ情報が蓄積されるにつれ、特異点の要因が解明され、新たなパラメータとの相関が明らかになった場合、決定部１５は、第２の人工知能部１３に学習させる際のパラメータを追加、又は入れ替えを行い、フィルタリングルールの更新を定期的に行ってもよい。このように、決定部１５は、基板処理装置（ここでは一例としてＣＭＰ装置）の複数のパラメータ値それぞれの間の相互相関をそれぞれ決定し、決定された相互相関を用いて、第２の人工知能部１３が入力値として用いる複数のパラメータのパラメータ種別を追加または一部もしくは全部入れ替えてもよい。
これにより、第２の人工知能部１３で学習及び予測に使用されていたパラメータと相関が高いパラメータが追加または入れ替えられるので、第２の人工知能部１３で性能値と相関が高い複数のパラメータを用いて性能値を予測することができるので、第２の人工知能部１３が、より高い性能値のパラメータ値の組み合わせを出力することができる。
第１の人工知能部１１のＡＩ実行部１１０は、決定部１５によって決定された複数のパラメータ種別のうち、互いにパラメータ種別の組み合わせが異なるパラメータの組を入力値とし対応する基板処理装置（ここでは一例としてＣＭＰ装置）の性能値を出力値とする複数の第１学習データセットそれぞれについて学習する。この学習は例えば、機械学習であり、具体的には例えば教師あり学習である。この機械学習としては、ニューラルネットワークの教師あり学習（例えば、ディープラーニングの教師あり学習）であっても、パターン認識モデルを用いた教師あり学習（例えば、サポートベクターマシーンの教師あり学習）であってもよいし、確率モデルを用いた教師あり学習（例えば、単純ベイズ分類器の教師あり学習）であってもよい。
例えば、決定部１５によって決定された複数のパラメータ種別がＡ、Ｂ、Ｃの三種類の場合を想定する。パラメータの組Ｐ１は、パラメータ種別Ａのパラメータとパラメータ種別Ｂのパラメータの組み合わせである。パラメータの組Ｐ２は、パラメータ種別Ａのパラメータとパラメータ種別Ｃのパラメータの組み合わせである。パラメータの組Ｐ３は、パラメータ種別Ｂのパラメータとパラメータ種別Ｃのパラメータの組み合わせである。
ＡＩ１１１は、パラメータの組Ｐ１を入力値とし、そのパラメータの組Ｐ１のときのＣＭＰ装置の性能値Ｅ１を出力値とする学習データセットを複数用いて、学習する。
ＡＩ１１２は、パラメータの組Ｐ２を入力値とし、そのパラメータの組Ｐ１のときのＣＭＰ装置の性能値Ｅ２を出力値とする学習データセットを複数用いて、学習する。
ＡＩ１１３は、パラメータの組Ｐ３を入力値とし、そのパラメータの組Ｐ１のときのＣＭＰ装置の性能値Ｅ３を出力値とする学習データセットを複数用いて、学習する。
第１の人工知能部１１は、学習後に、複数の検証用データセットであって学習時とパラメータ種別の組み合わせが共通する複数の検証用データセットそれぞれを入力として、性能値を予測する。
具体的には、検証用のパラメータの組Ｑ１は、パラメータ種別Ａのパラメータとパラメータ種別Ｂのパラメータの組み合わせである。学習後のＡＩ１１１は、検証用のパラメータの組Ｑ１を入力したとき、予測の性能値を出力する。つまり、学習時と同じパラメータ種別の組み合わせの検証用のパラメータが入力される。
同様に、検証用のパラメータの組Ｑ２は、パラメータ種別Ａのパラメータとパラメータ種別Ｃのパラメータの組み合わせである。学習後のＡＩ１１２は、検証用のパラメータの組Ｑ２を入力したとき、予測の性能値を出力する。つまり、学習時と同じパラメータ種別の組み合わせの検証用のパラメータが入力される。
同様に、検証用のパラメータの組Ｑ３は、パラメータ種別Ｂのパラメータとパラメータ種別Ｃのパラメータの組み合わせである。学習後のＡＩ１１２は、検証用のパラメータの組Ｑ３を入力したとき、予測の性能値を出力する。つまり、学習時と同じパラメータ種別の組み合わせの検証用のパラメータが入力される。
ＡＩ１１１、１１２、１１３それぞれは、予測の性能値の正答の割合を示す値（例えば正答率）、当該学習にかかる時間（以下、学習時間ともいう）、及び第１の人工知能部１１が性能値の予測に要する時間（以下、予測時間ともいう）を選択部１２へ出力する。
選択部１２は、予測の性能値の正答の割合を示す値（例えば正答率）、当該学習にかかる時間、及び前記第１の人工知能部が性能値の予測に要する時間のうち少なくとも一つを用いて、複数の検証用データセットに含まれる複数のパラメータ種別の組のうちから一つのパラメータ種別の組を選択する。選択部１２は例えば、学習時間、予測時間及び正答率のバランスを基に、パラメータ種別の組を選択してもよい。具体的には例えば選択部１２は、学習時間が第１の基準時間より短く、且つ予測時間が第２の基準時間より短い中で、最も正答率が高いものをパラメータ種別の組を選択してもよい。これにより、学習時間、及び予測時間が許容範囲に収まるなかで、最も正答率が高いパラメータ種別の組を選択することができる。
なお、ＡＩ１１１、１１２、１１３から出力される正答率のうち、ＡＩ１１１から出力される正答率が一番高い場合、選択部１２は、パラメータ種別Ａとパラメータ種別Ｂの組を選択してもよい。
排除基準決定部１６は、パラメータ値のうち異常値を排除するための異常値排除条件を決定する。具体的には例えば、排除基準決定部１６は、基板処理装置（ここでは例えばＣＭＰ装置）の一つのパラメータ値と性能値との間の相関式を決定し、当該相関式を用いて、異常値を排除する基準（例えば、相関式から閾値を超えて離れた点を排除するなど）を決定する。そして選択部１２は例えば、排除基準決定部１６によって決定された基準を満たすパラメータを除いて、パラメータ種別の組を選択する。この構成によれば、性能値と相関がないパラメータを学習対象から除外することによって、第２の人工知能部１３が、より性能値が高いパラメータ値の組み合わせを出力する可能性を向上させることができるので、第２の人工知能部１３が、より高い性能値のパラメータ値の組み合わせを出力することができる。
更に第１の人工知能部１１は、ＣＭＰ装置のレシピ以外のパラメータ、例えば、使用する消耗部材の種類及び組合せ、材料、物性の傾向などの最適条件の提案も行い、ここで得られた情報はプロセス開発や消耗部材の開発、改善にも使用することができる。第１の人工知能部１１におけるアルゴリズムにはニューラルネットワークなどを用いてもよい。
＜第２の人工知能部１３の学習時＞
第２の人工知能部１３は、選択部１２によって選択されたパラメータ種別の組で構成される過去のパラメータの組及び対応する過去の性能値を、記憶媒体１４から読み出す。そして、第２の人工知能部１３は、読み出した過去のパラメータの組を入力値とし対応する過去の性能値を出力値とする複数の第２学習データセットを用いて学習する。
このように、第２の人工知能部１３は、選択部１２によって選択されたパラメータ種別の組で構成される過去のパラメータ値の組を入力値とし対応する過去の性能値を出力値とする学習データを用いて学習する。この学習は例えば、機械学習であり、具体的には例えば教師あり学習である。この機械学習としては、ニューラルネットワークの教師あり学習（例えば、ディープラーニングの教師あり学習）であっても、パターン認識モデルを用いた教師あり学習（例えば、サポートベクターマシーンの教師あり学習）であってもよいし、確率モデルを用いた教師あり学習（例えば、単純ベイズ分類器の教師あり学習）であってもよい。
＜第２の人工知能部１３の検証時＞
第２の人工知能部１３は、学習後に、選択部１２によって選択されたパラメータ種別の組で構成されるパラメータのうち、ＣＭＰ装置１～６毎に必然的に決まってしまう固定パラメータを対象のＣＭＰ装置１～６へ要求する。
第２の人工知能部１３は、この要求に応じて、ＣＭＰ装置ｉ（ｉは１～６までの整数）から送信された固定パラメータの組Ｕｉ（ｉは１～６までの整数）を受信する。
第２の人工知能部１３は、対象のＣＭＰ装置ｉについて、受信した固定パラメータの組Ｕｉ（ｉは１～６までの整数）を入力として、選択部１２によって選択されたパラメータ種別のうち可変のパラメータについてパラメータの値を振った（変化させた）場合に、それぞれのＣＭＰ装置ｉの性能値を予測する。そして、第２の人工知能部１３は、ＣＭＰ装置ｉに対して予測された性能値のうち、当該性能値が抽出基準を満たすパラメータ値の組み合わせを出力する。具体的には例えば、第２の人工知能部１３は、ＣＭＰ装置ｉに対して予測された性能値のうち、当該性能値が最も良いパラメータ値の組み合わせを出力する。第２の人工知能部１３は、これらの一連の処理を、ＣＭＰ装置１～６それぞれ毎に行う。
このように、第２の人工知能部１３は、学習後に、選択部１２によって選択されたパラメータ種別の組で構成されるパラメータのうち対象の基板処理装置（ここでは一例としてＣＭＰ装置）で必然的に決まってしまう固定パラメータを入力として、前記選択されたパラメータ種別の組で構成されるパラメータのうち可変のパラメータを変化させた場合に当該対象の基板処理装置（ここでは一例としてＣＭＰ装置）の性能値を予測する。そして、第２の人工知能部１３は、予測された性能値のうち、当該性能値が抽出基準を満たすパラメータ値の組み合わせを出力する。
第２の人工知能部１３は、抽出基準を満たすパラメータ値の組み合わせを、パラメータの組Ｘｉ（ｉは１～６までの整数）として、対応するＣＭＰ装置ｉ（ｉは１～６までの整数）へ出力する。第２の人工知能部１３は、この処理を、ＣＭＰ装置１～６それぞれ毎に行う。すなわち、パラメータの組Ｘ１は、ＣＭＰ装置１へ出力され、パラメータの組Ｘ２は、ＣＭＰ装置２へ出力され、パラメータの組Ｘ３は、ＣＭＰ装置３へ出力され、パラメータの組Ｘ４は、ＣＭＰ装置４へ出力され、パラメータの組Ｘ５は、ＣＭＰ装置５へ出力され、パラメータの組Ｘ６は、ＣＭＰ装置６へ出力される。これにより、ＣＭＰ装置ｉは、パラメータの組Ｘｉ（ｉは１～６までの整数）を使用して動作するので、いずれのＣＭＰ装置１～６も性能値が性能基準を満たすことができる。
その後、第２の人工知能部１３は、対象の基板処理装置が使用している複数のパラメータ値とその際の性能値の組を、第２学習データセットに追加または既存の第２学習データセットに含まれるデータと置換して更に学習してもよい。これにより、更に性能値が高いパラメータ値の組み合わせを出力することができる可能性がある。
続いて、図４を用いて第１の人工知能部１１の学習、検証、第２の人工知能部１３の学習の処理について説明する。図４は、第１の実施形態に係る情報処理システムの前処理の流れの一例を示すフローチャートである。
（ステップＳ１１）まず、決定部１５は例えば、ＣＭＰ装置の複数のパラメータ値それぞれと性能値との間の相関を決定し、決定された複数の相関を用いて、第１の人工知能部１１が入力値として用いる複数のパラメータのパラメータ種別を決定する。具体的には例えば、決定部１５は、ＣＭＰの性能値とパラメータとの間の相関分析を実行し（例えば相関係数を算出し）、ＣＭＰの性能値との間で相関（例えば、相関係数）が基準より高いパラメータの種別を決定する。
（ステップＳ１２）次に、第１の人工知能部１１は例えば、ステップＳ１１で決定されたパラメータ種別のパラメータと、当該パラメータのときのＣＭＰ装置の性能値を記憶媒体１４から読み出す。
（ステップＳ１３）次に、第１の人工知能部１１は例えば、パラメータの組を入力値とし対応するＣＭＰ装置の性能値を出力値とする複数の第１学習データセットそれぞれについて学習する。
（ステップＳ１４）次に、第１の人工知能部１１は例えば、複数の検証用データセットであって学習時とパラメータ種別の組み合わせが共通する複数の検証用データセットそれぞれを入力として、性能値を予測する。
（ステップＳ１５）次に、選択部１２は例えば、正答率、学習時間及び予測時間のうち少なくとも一つを用いて、複数の検証用データセットに含まれる複数のパラメータ種別の組のうちから一つのパラメータ種別の組を選択する。
（ステップＳ１６）次に、第２の人工知能部１３は、選択部１２によって選択されたパラメータ種別の組で構成される過去のパラメータの組及び対応する過去の性能値を、記憶媒体から読み出す。
（ステップＳ１７）次に、第２の人工知能部１３は、読み出した過去のパラメータの組を入力値とし対応する過去の性能値を出力値とする複数の第２学習データセットを用いて学習する。以上で、本フローチャートの処理が終了する。
続いて、図５を用いて第２の人工知能部１３の実行の処理について説明する。図５は、第１の実施形態に係る情報処理システムの実行の流れの一例を示すフローチャートである。
（ステップＳ２１）まず、第２の人工知能部１３は、選択部１２で選択されたパラメータ種別の組で構成されるパラメータのうち、ＣＭＰ装置毎に必然的に決まってしまう固定パラメータ、例えば、対象となるＣＭＰ装置で使用している消耗部材種類（スラリー、バッド種類など）、消耗部材の状態を表すもの（物性、性状、寸法、使用時間、消耗度など）、研磨対象膜種、稼働中のＣＭＰ装置の状態を表すもの（研磨温度、回転部トルクなど）を対象のＣＭＰ装置へ要求し、対象のＣＭＰ装置はこれらのデータや情報を第２の人工知能部１３へ送る。
（ステップＳ２２）次に、第２の人工知能部１３は、対象のＣＭＰ装置から送られた固定パラメータを入力として、ＣＭＰ装置の設定変更などで可変のパラメータ（レシピなど）についてパラメータ振りを行い、パラメータ振り後のそれぞれのデータセットで予測されたＣＭＰ装置の性能値のうち、性能値が最も良いパラメータ値の組み合わせを出力し、対象のＣＭＰ装置へ送る。
（ステップＳ２３）次に、対象のＣＭＰ装置は、第２の人工知能部１３から受けたパラメータ値の組み合わせでウエハを処理する。
（ステップＳ２４）外部機器２１または２２でウエハを測定し、得られた性能値をウエハＩＤと当該パラメータの組と関連付けて、記憶媒体１４へ送る。記憶媒体１４は、この性能値をウエハＩＤと当該パラメータの組と関連付けて記憶する。
以上で、本フローチャートの処理が終了する。このように、第２の人工知能部１３が学習を完了した後、選択されたパラメータ種別の組の中で、まず対象のＣＭＰ装置における固有値をＣＭＰ装置から現在の情報を引き出し、固定パラメータ（例えば、そのＣＭＰ装置で使用している消耗部材種類、研磨対象膜種、稼働中のＣＭＰ装置の状態量、消耗部材の状態量）として第２の人工知能部１３へ入力後、レシピなどＣＭＰ装置の設定で変えられる可変パラメータに対して、所定の範囲でパラメータを振り（複数のパラメータを同時に振り総当たり戦を行う）、性能値が最も良い場合の可変パラメータのそれぞれの値を出力する。これは消耗品など工場やＣＭＰ毎に異なる環境パラメータ（固定パラメータ）の下で、レシピなどの可変パラメータを最適化するのが目的である。或いは、ＣＭＰ装置から現在の情報を引き出した後、最適化するパラメータを指定して（通常はＣＭＰ装置のレシピを構成しているパラメータ）、条件振りを行ってもよい。
＜不良時の対処方法＞
第２の人工知能部１３の予測性能と実際の性能に予め決められた基準以上の乖離が見られた場合には、第２の人工知能部１３は、ＣＭＰ装置に対してウエハの処理を停止するよう要求してもよい。この場合、第２の人工知能部１３は、ＣＭＰ装置から警告を発報するようにＣＭＰ装置に対して要求してもよいし、ＣＭＰ装置がウエハの処理を停止するよう要求された場合にＣＭＰ装置のコントローラが警告を発報するように制御してもよい。
性能予測に使用しているパラメータについて、予測性能と実際の性能に一定の乖離が見られたときの実際のパラメータ値（実値ともいう）に異常がないかどうかを確認してもよい。例えば、スラリー流量がパラメータとして使用されている場合、突然のＣＭＰ装置の不具合などの原因で、性能予測の際に第２の人工知能部１３がＣＭＰから受け取ったスラリー流量と、ＣＭＰ装置が実際にウエハを処理したときのスラリー流量が乖離があった場合などがある。このため、ＣＭＰ装置から警告を受けた場合、予測性能と実際の性能に一定の乖離が見られたときの実際のスラリー流量などのパラメータ値に異常がないかどうかを確認してもよい。
もしウエハが異常処理されてしまったときの実際のパラメータ値（実値）に異常があれば、直前に異常値を学習してしまい、第２の人工知能部１３の予測精度が悪化した可能性があるので、第１の人工知能部１１にて、異常値を排除する基準（例えば、異常値検出の閾値）を変更して（フィルタリング条件を変えて）学習させたときの予測性能と実際の性能との乖離を検証して、新たな異常値を排除する基準を決定して、排除基準決定部１６における異常値排除条件を更新してもよい。
以上、本実施形態に係る情報処理システムＳ１は、基板処理装置のパラメータ値の組み合わせを提供する情報処理システムである。情報処理システムＳ１は、互いにパラメータ種別の組み合わせが異なるパラメータの組を入力値とし対応する前記基板処理装置の性能値を出力値とする複数の第１学習データセットそれぞれについて学習する第１の人工知能部１１を備える。第１の人工知能部１１は、学習後に、複数の検証用データセットであって学習時とパラメータ種別の組み合わせが共通する複数の検証用データセットそれぞれを入力として、性能値を予測する。更に情報処理システムＳ１は、前記予測の性能値の正答の割合を示す値、当該学習にかかる時間、及び前記第１の人工知能部が性能値の予測に要する時間のうち少なくとも一つを用いて、前記複数の検証用データセットに含まれる複数のパラメータ種別の組のうちから一つのパラメータ種別の組を選択する選択部１２を備える。更に情報処理システムＳ１は、前記選択されたパラメータ種別の組で構成される過去のパラメータ値の組を入力値とし対応する過去の性能値を出力値とする複数の第２学習データセットを用いて学習する第２の人工知能部１３を備える。第２の人工知能部１３は、学習後に、前記選択されたパラメータ種別の組で構成されるパラメータを含む複数の検証用データセットを入力として、前記基板処理装置の性能値を予測し、予測された性能値のうち、当該性能値が抽出基準を満たすパラメータ値の組み合わせを出力する。
この構成によれば、一旦、指標を用いて、パラメータ種別を選択してから、選択されたパラメータ種別のパラメータで学習することによって、性能値の予測精度が向上する。そして、予測精度が向上した性能値が抽出基準を満たすパラメータ値の組み合わせを出力するので、基板処理装置の複数のパラメータを基板処理装置の性能値が向上するようにすることができる。従って、基板処理装置の複数のパラメータを基板処理装置の性能値が向上するように調節することを容易化することができる。
＜第２の実施形態＞
続いて第２の実施形態について説明する。図６は、第２の実施形態に係るＣＭＰシステムの一例の概略構成図である。第１の実施形態のＣＭＰシステムＣ１では、図１に示すように、第１の人工知能部１１、選択部１２、第２の人工知能部１３、記憶媒体１４が全て分析センターに設けられていた。一方、第２の実施形態のＣＭＰシステムＣ２では、図６に示すように、第１の人工知能部１１、選択部１２、記憶媒体１４は分析センターに設けられているが、第２の人工知能部１３は、第１工場、第２工場にそれぞれ設けられている。図６に示すように、第２の実施形態に係る情報処理システムは、第１の人工知能部１１、選択部１２、記憶媒体１４及び二つの第２の人工知能部１３を備える。
＜第３の実施形態＞
続いて第３の実施形態について説明する。図７は、第３の実施形態に係るＣＭＰシステムの一例の概略構成図である。第１の実施形態のＣＭＰシステムＣ１では、図１に示すように、第１の人工知能部１１、選択部１２、第２の人工知能部１３、記憶媒体１４が全て分析センターに設けられていた。一方、第３の実施形態のＣＭＰシステムＣ３では、図７に示すように、第１の人工知能部１１、選択部１２、記憶媒体１４は分析センターに設けられているが、第２の人工知能部１３は、ＣＭＰ装置１～６毎に設けられている。図７に示すように、第３の実施形態に係る情報処理システムＳ３は、第１の人工知能部１１、選択部１２、記憶媒体１４及び六つの第２の人工知能部１３を備える。
＜第４の実施形態＞
続いて第４の実施形態について説明する。図８は、第４の実施形態に係るＣＭＰシステムの一例の概略構成図である。第１の実施形態のＣＭＰシステムＣ１では、図１に示すように、第１の人工知能部１１、選択部１２、第２の人工知能部１３、記憶媒体１４が全て分析センターに設けられていた。一方、第４の実施形態のＣＭＰシステムＣ４では、図８に示すように、各工場に、第１の人工知能部１１、選択部１２、第２の人工知能部１３、及び記憶媒体１４を備える分析センターが設けられている。図８に示すように、第４の実施形態に係る情報処理システムＳ４－１、Ｓ４－２はそれぞれ、第１の人工知能部１１、選択部１２、第２の人工知能部１３、及び記憶媒体１４を備える。
＜第５の実施形態＞
続いて第５の実施形態について説明する。図９は、第５の実施形態に係るＣＭＰシステムの一例の概略構成図である。第１の実施形態のＣＭＰシステムＣ１では、図１に示すように、第１の人工知能部１１、選択部１２、第２の人工知能部１３、記憶媒体１４が全て分析センターに設けられていた。一方、第５の実施形態のＣＭＰシステムＣ５では、図９に示すように、各工場に、第１の人工知能部１１、選択部１２、及び記憶媒体１４を備える分析センターが設けられており、且つ第２の人工知能部１３は、ＣＭＰ装置１～６毎に設けられている。図９に示すように、第５の実施形態に係る情報処理システムＳ５－１、Ｓ５－２はそれぞれ、第１の人工知能部１１、選択部１２、三つの第２の人工知能部１３、及び記憶媒体１４を備える。
＜第６の実施形態＞
続いて第６の実施形態について説明する。図１０は、第６の実施形態に係るＣＭＰシステムの一例の概略構成図である。第１の実施形態のＣＭＰシステムＣ１では、図１に示すように、第１の人工知能部１１、選択部１２、第２の人工知能部１３、記憶媒体１４が全て分析センターに設けられていた。一方、第６の実施形態のＣＭＰシステムＣ６では、図１０に示すように、第１の人工知能部１１、選択部１２、第２の人工知能部１３及び記憶媒体１４が、ＣＭＰ装置１～６毎に設けられている。図１０に示すように、第６の実施形態に係る情報処理システムＳ６－１～Ｓ６－６はそれぞれ、第１の人工知能部１１、選択部１２、第２の人工知能部１３、及び記憶媒体１４を備える。
＜第７の実施形態＞
続いて第７の実施形態について説明する。図１１は、第７の実施形態に係るＣＭＰシステムの一例の概略構成図である。第１の実施形態のＣＭＰシステムＣ１では、図１に示すように、第１の人工知能部１１、選択部１２、第２の人工知能部１３、記憶媒体１４が全て分析センターに設けられていた。一方、第７の実施形態のＣＭＰシステムＣ７では、図１１に示すように、第１の人工知能部１１、選択部１２、第２の人工知能部１３及び第２記憶媒体１４ｂが、ＣＭＰ装置１～６毎に設けられており、第１記憶媒体１４ａが工場毎に設けられている。ここで、第１記憶媒体１４ａは、ＣＭＰ装置１～６の外部の情報を格納しており、第２記憶媒体１４ｂは、対応するＣＭＰ装置の内部の情報、及びＣＭＰ外部の情報を格納している。図１１に示すように、第７の実施形態に係る情報処理システムＳ７－１～Ｓ７－６はそれぞれ、第１の人工知能部１１、選択部１２、第２の人工知能部１３、第１記憶媒体１４ａ、及び第２記憶媒体１４ｂを備える。
なお、各実施形態において、基板処理装置は、選択済のパラメータ種別の組で構成されるパラメータ値の組と性能値との関係性を学習した第２の人工知能部１３を備えてもよい。ここで学習は例えば機械学習である。その場合、第２の人工知能部１３は、当該選択済のパラメータ種別の組で構成されるパラメータのうち当該基板処理装置で必然的に決まってしまう固定パラメータを入力として、前記選択済のパラメータ種別の組で構成されるパラメータのうち可変のパラメータを変化させた場合に当該基板処理装置の性能値を予測し、予測された性能値のうち、当該性能値が抽出基準を満たすパラメータ値の組み合わせを出力する。その場合、当該基板処理装置は、当該出力されたパラメータ値の組み合わせで基板を処理する。この構成によれば、学習済の第２の人工知能部１３を用いて、抽出基準を満たすパラメータ値の組み合わせを出力し、このパラメータ値の組み合わせを用いて基板を処理するので、基板処理装置の性能を向上させることができる。
なお、上述した実施形態で説明した情報処理システムＳ１～Ｓ７の少なくとも一部は、ハードウェアで構成してもよいし、ソフトウェアで構成してもよい。ハードウェアで構成する場合には、情報処理システムＳ１～Ｓ７の少なくとも一部の機能を実現するプログラムをフレキシブルディスクやＣＤ－ＲＯＭ等のコンピュータ読み取り可能な記録媒体に収納し、コンピュータに読み込ませて実行させてもよい。記録媒体は、磁気ディスクや光ディスク等の着脱可能なものに限定されず、ハードディスク装置やメモリなどの固定型の記録媒体でもよい。
また、情報処理システムＳ１～Ｓ７の少なくとも一部の機能を実現するプログラムを、インターネット等の通信回線（無線通信も含む）を介して頒布してもよい。さらに、同プログラムを暗号化したり、変調をかけたり、圧縮した状態で、インターネット等の有線回線や無線回線を介して、あるいは記録媒体に収納して頒布してもよい。
さらに、一つまたは複数の情報処理装置によって情報処理システムＳ１～Ｓ７を機能させてもよい。複数の情報処理装置を用いる場合、情報処理装置のうちの１つをコンピュータとし、当該コンピュータが所定のプログラムを実行することにより情報処理システムＳ１～Ｓ７の少なくとも１つの手段として機能が実現されてもよい。
また、方法の発明においては、全ての工程（ステップ）をコンピュータによって自動制御で実現するようにしてもよい。また、各工程をコンピュータに実施させながら、工程間の進行制御を人の手によって実施するようにしてもよい。また、さらには、全工程のうちの少なくとも一部を人の手によって実施するようにしてもよい。
以上、本発明は上記実施形態そのままに限定されるものではなく、実施段階ではその要旨を逸脱しない範囲で構成要素を変形して具体化できる。また、上記実施形態に開示されている複数の構成要素の適宜な組み合わせにより、種々の発明を形成できる。例えば、実施形態に示される全構成要素から幾つかの構成要素を削除してもよい。更に、異なる実施形態にわたる構成要素を適宜組み合わせてもよい。
１～６ ＣＭＰ装置
１１ 第１の人工知能部
１１０ ＡＩ実行部
１１１ ＡＩ
１１２ ＡＩ
１１３ ＡＩ
１２ 選択部
１３ 第２の人工知能部
１４ 記憶媒体
１５ 決定部
１６ 排除基準決定部
２１～２３ 外部機器
Ｃ１～Ｃ７ ＣＭＰシステム
Ｓ１～Ｓ３、Ｓ４－１、Ｓ４－２、Ｓ５－１、Ｓ５－２、Ｓ６－１～Ｓ６－６、Ｓ７－１～Ｓ７－６ 情報処理システム

Claims (8)

  1. 基板処理装置のパラメータ値の組み合わせを提供する情報処理システムであって、
    互いにパラメータ種別の組み合わせが異なるパラメータの組を入力値とし対応する前記基板処理装置の性能値を出力値とする複数の第１学習データセットそれぞれについて学習し、学習後に、複数の検証用データセットであって学習時とパラメータ種別の組み合わせが共通する複数の検証用データセットそれぞれを入力として、性能値を予測する第１の人工知能部と、
    前記予測の性能値の正答の割合を示す値、当該学習にかかる時間、及び前記性能値の予測に要する時間のうち少なくとも一つを用いて、前記複数の検証用データセットに含まれる複数のパラメータ種別の組のうちから一つのパラメータ種別の組を選択する選択部と、
    前記選択されたパラメータ種別の組で構成される過去のパラメータ値の組を入力値とし対応する過去の性能値を出力値とする複数の第２学習データセットを用いて学習し、学習後に、前記選択されたパラメータ種別の組で構成されるパラメータのうち対象の基板処理装置で必然的に決まってしまう固定パラメータを入力として、前記選択されたパラメータ種別の組で構成されるパラメータのうち可変のパラメータを変化させた場合に前記対象の基板処理装置の性能値を予測し、予測された性能値のうち、当該性能値が抽出基準を満たすパラメータ値の組み合わせを出力する第２の人工知能部と、
    を備える情報処理システム。
  2. 前記基板処理装置の複数のパラメータ値それぞれと性能値との間の相関を決定し、決定された複数の相関を用いて、前記第１の人工知能部が入力値として用いる複数のパラメータのパラメータ種別を決定する決定部を更に備える
    請求項１に記載の情報処理システム。
  3. 前記決定部は、前記基板処理装置の複数のパラメータ値それぞれの間の相互相関をそれぞれ決定し、決定された相互相関を用いて、前記第２の人工知能部が入力値として用いる複数のパラメータのパラメータ種別を追加または一部もしくは全部入れ替える
    請求項２に記載の情報処理システム。
  4. 前記基板処理装置の一つのパラメータ値と性能値との間の相関式を決定し、当該相関式を用いて、異常値を排除する基準を決定する排除基準決定部を更に備え、
    前記選択部は、前記決定された基準を満たすパラメータを除いて、前記パラメータ種別の組を選択する
    請求項１から３のいずれか一項に記載の情報処理システム。
  5. 前記第２の人工知能部は、対象の基板処理装置が使用している複数のパラメータ値とその際の性能値の組を、前記第２学習データセットに追加または既存の前記第２学習データセットに含まれるデータと置換して更に学習し、学習後に、前記選択されたパラメータ種別の組で構成されるパラメータを含む複数の検証用データセットを入力として、前記基板処理装置の性能値を予測し、予測された性能値のうち当該性能値が前記抽出基準を満たすパラメータ値の組み合わせを出力する
    請求項１から４のいずれか一項に記載の情報処理システム。
  6. 基板処理装置のパラメータ値の組み合わせを提供する情報処理方法であって、
    互いにパラメータ種別の組み合わせが異なるパラメータの組を入力値とし対応する前記基板処理装置の性能値を出力値とする複数の第１学習データセットそれぞれについて学習し、学習後に、複数の検証用データセットであって学習時とパラメータ種別の組み合わせが共通する複数の検証用データセットそれぞれを入力として、性能値を予測するステップと、
    前記予測の性能値の正答の割合を示す値、当該学習にかかる時間、及び前記性能値の予測に要する時間のうち少なくとも一つを用いて、前記複数の検証用データセットに含まれる複数のパラメータ種別の組のうちから一つのパラメータ種別の組を選択するステップと、
    前記選択されたパラメータ種別の組で構成される過去のパラメータ値の組を入力値とし対応する過去の性能値を出力値とする複数の第２学習データセットを用いて学習し、学習後に、前記選択されたパラメータ種別の組で構成されるパラメータを含む複数の検証用データセットを入力として、前記基板処理装置の性能値を予測し、予測された性能値のうち、当該性能値が抽出基準を満たすパラメータ値の組み合わせを出力するステップと、
    を有する情報処理方法。
  7. 請求項１から５のいずれか一項に情報処理システムで用いられるコンピュータを、
    互いにパラメータ種別の組み合わせが異なるパラメータの組を入力値とし対応する前記基板処理装置の性能値を出力値とする複数の第１学習データセットそれぞれについて学習し、学習後に、複数の検証用データセットであって学習時とパラメータ種別の組み合わせが共通する複数の検証用データセットそれぞれを入力として、性能値を予測する第１の人工知能部
    として機能させるためのプログラム。
  8. 請求項１から５のいずれか一項に情報処理システムで用いられるコンピュータを、
    前記選択されたパラメータ種別の組で構成される過去のパラメータ値の組を入力値とし対応する過去の性能値を出力値とする複数の第２学習データセットを用いて学習し、学習後に、前記選択されたパラメータ種別の組で構成されるパラメータのうち対象の基板処理装置で必然的に決まってしまう固定パラメータを入力として、前記選択されたパラメータ種別の組で構成されるパラメータのうち可変のパラメータを変化させた場合に前記対象の基板処理装置の性能値を予測し、予測された性能値のうち、当該性能値が抽出基準を満たすパラメータ値の組み合わせを出力する第２の人工知能部
    として機能させるためのプログラム。
JP2019010209A 2019-01-24 2019-01-24 情報処理システム、情報処理方法、プログラム及び基板処理装置 Active JP7220573B2 (ja)

Priority Applications (7)

Application Number Priority Date Filing Date Title
JP2019010209A JP7220573B2 (ja) 2019-01-24 2019-01-24 情報処理システム、情報処理方法、プログラム及び基板処理装置
TW108144087A TW202042963A (zh) 2019-01-24 2019-12-03 資訊處理系統、資訊處理方法、程式製品及基板處理裝置
CN201980090127.8A CN113329845B (zh) 2019-01-24 2019-12-04 信息处理***、信息处理方法、程序以及基板处理装置
KR1020217026411A KR20210118128A (ko) 2019-01-24 2019-12-04 정보 처리 시스템, 정보 처리 방법, 프로그램 및 기판 처리 장치
PCT/JP2019/047317 WO2020153001A1 (ja) 2019-01-24 2019-12-04 情報処理システム、情報処理方法、プログラム及び基板処理装置
US17/425,195 US20220093409A1 (en) 2019-01-24 2019-12-04 Information processing system, information processing method, program, and substrate processing apparatus
SG11202107874TA SG11202107874TA (en) 2019-01-24 2019-12-04 Information processing system, information processing method, program, and substrate processing apparatus

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2019010209A JP7220573B2 (ja) 2019-01-24 2019-01-24 情報処理システム、情報処理方法、プログラム及び基板処理装置

Publications (2)

Publication Number Publication Date
JP2020120004A JP2020120004A (ja) 2020-08-06
JP7220573B2 true JP7220573B2 (ja) 2023-02-10

Family

ID=71736336

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2019010209A Active JP7220573B2 (ja) 2019-01-24 2019-01-24 情報処理システム、情報処理方法、プログラム及び基板処理装置

Country Status (7)

Country Link
US (1) US20220093409A1 (ja)
JP (1) JP7220573B2 (ja)
KR (1) KR20210118128A (ja)
CN (1) CN113329845B (ja)
SG (1) SG11202107874TA (ja)
TW (1) TW202042963A (ja)
WO (1) WO2020153001A1 (ja)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020131353A (ja) * 2019-02-19 2020-08-31 パナソニックＩｐマネジメント株式会社 研磨加工システム、学習装置、学習装置の学習方法
US20220193858A1 (en) * 2020-12-18 2022-06-23 Applied Materials, Inc. Adaptive slurry dispense system
KR20230124638A (ko) * 2020-12-25 2023-08-25 도쿄엘렉트론가부시키가이샤 관리 시스템, 관리 방법 및 관리 프로그램
JP2022162709A (ja) * 2021-04-13 2022-10-25 株式会社Ｓｃｒｅｅｎホールディングス 基板処理装置、基板処理システム、及びデータ処理方法
KR20240024919A (ko) * 2021-06-22 2024-02-26 가부시키가이샤 에바라 세이사꾸쇼 연마 방법 및 연마 장치
WO2023166991A1 (ja) * 2022-03-01 2023-09-07 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
KR20230137613A (ko) 2022-03-22 2023-10-05 사회복지법인 삼성생명공익재단 대퇴골 x-레이 영상을 이용한 학습 모델 기반의 종양 분류 방법 및 분석장치
WO2023230517A1 (en) * 2022-05-27 2023-11-30 Onto Innovation Inc. Performance management of semiconductor substrate tools
JP2024015933A (ja) * 2022-07-25 2024-02-06 株式会社荏原製作所 情報処理装置、機械学習装置、情報処理方法、及び、機械学習方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006501684A (ja) 2002-10-01 2006-01-12 東京エレクトロン株式会社 プラズマプロセスのデータを解析するための方法とシステム
JP2010272053A (ja) 2009-05-25 2010-12-02 Victor Co Of Japan Ltd データ分類器作成装置、データ分類装置、データ分類器作成方法、データ分類方法、データ分類器作成プログラム、データ分類プログラム
JP2012074574A (ja) 2010-09-29 2012-04-12 Hitachi Ltd 加工装置制御システムおよび加工装置制御方法
JP2014507801A (ja) 2011-01-19 2014-03-27 東京エレクトロン株式会社 ツール操作パラメータ及び材料測定と分光情報を関連付けることによるツール性能の改良
JP2017135365A (ja) 2015-12-17 2017-08-03 ラム リサーチ コーポレーションＬａｍ Ｒｅｓｅａｒｃｈ Ｃｏｒｐｏｒａｔｉｏｎ 表面反応速度モデル最適化によるエッチングプロファイルマッチングのための方法および装置
JP2018117116A (ja) 2016-12-23 2018-07-26 ラム リサーチ コーポレーションＬａｍ Ｒｅｓｅａｒｃｈ Ｃｏｒｐｏｒａｔｉｏｎ 処理のエンドポイントを制御するためのスペクトルの時系列からの特徴強要方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5664066A (en) * 1992-11-09 1997-09-02 The United States Of America As Represented By The United States Department Of Energy Intelligent system for automatic feature detection and selection or identification
US6439964B1 (en) 1999-10-12 2002-08-27 Applied Materials, Inc. Method of controlling a polishing machine
US7001243B1 (en) * 2003-06-27 2006-02-21 Lam Research Corporation Neural network control of chemical mechanical planarization
WO2014027354A1 (en) * 2012-08-15 2014-02-20 Nova Measuring Instruments Ltd. Optical metrology for in-situ measurements
WO2018074091A1 (ja) * 2016-10-18 2018-04-26 株式会社 荏原製作所 基板処理制御システム、基板処理制御方法、およびプログラム

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006501684A (ja) 2002-10-01 2006-01-12 東京エレクトロン株式会社 プラズマプロセスのデータを解析するための方法とシステム
JP2010272053A (ja) 2009-05-25 2010-12-02 Victor Co Of Japan Ltd データ分類器作成装置、データ分類装置、データ分類器作成方法、データ分類方法、データ分類器作成プログラム、データ分類プログラム
JP2012074574A (ja) 2010-09-29 2012-04-12 Hitachi Ltd 加工装置制御システムおよび加工装置制御方法
JP2014507801A (ja) 2011-01-19 2014-03-27 東京エレクトロン株式会社 ツール操作パラメータ及び材料測定と分光情報を関連付けることによるツール性能の改良
JP2017135365A (ja) 2015-12-17 2017-08-03 ラム リサーチ コーポレーションＬａｍ Ｒｅｓｅａｒｃｈ Ｃｏｒｐｏｒａｔｉｏｎ 表面反応速度モデル最適化によるエッチングプロファイルマッチングのための方法および装置
JP2018117116A (ja) 2016-12-23 2018-07-26 ラム リサーチ コーポレーションＬａｍ Ｒｅｓｅａｒｃｈ Ｃｏｒｐｏｒａｔｉｏｎ 処理のエンドポイントを制御するためのスペクトルの時系列からの特徴強要方法

Also Published As

Publication number Publication date
KR20210118128A (ko) 2021-09-29
WO2020153001A1 (ja) 2020-07-30
US20220093409A1 (en) 2022-03-24
SG11202107874TA (en) 2021-08-30
JP2020120004A (ja) 2020-08-06
TW202042963A (zh) 2020-12-01
CN113329845A (zh) 2021-08-31
CN113329845B (zh) 2023-07-25

Similar Documents

Publication Publication Date Title
JP7220573B2 (ja) 情報処理システム、情報処理方法、プログラム及び基板処理装置
JP4808453B2 (ja) 研磨方法及び研磨装置
KR100572039B1 (ko) 모델예측제어를 사용하는 반도체 제조에서 개별부품들의 제조를 제어하는 시스템 및 방법
KR100701356B1 (ko) Ｃｍｐ 공정 최적화 방법
US6567718B1 (en) Method and apparatus for monitoring consumable performance
CN111133560A (zh) 使用机器学习方式以产生工艺控制参数的半导体制造
US7175505B1 (en) Method for adjusting substrate processing times in a substrate polishing system
CN107107309B (zh) 抛光研磨处理中研磨量的模拟方法、抛光研磨装置及研磨量的模拟用存储介质
WO2020235581A1 (ja) 基板処理システム
US20220193858A1 (en) Adaptive slurry dispense system
US7097534B1 (en) Closed-loop control of a chemical mechanical polisher
JP4777658B2 (ja) 研磨制御のための方法および器具
US20180336301A1 (en) Substrate processing apparatus and storage medium having program stored therein
JP5686148B2 (ja) 加工条件の決定方法、及び半導体デバイスの製造方法
JP2007324458A (ja) 半導体装置の製造方法及び半導体装置の製造装置
KR102276869B1 (ko) 화학적 기계적 연마 자동화된 레시피 생성
CN107195547A (zh) 在线改良晶圆表面平坦度的方法
CN107953259B (zh) 抛光垫修整方法及包含其的化学机械抛光方法
KR100806338B1 (ko) 반도체 기판의 공정 후 토폴로지 제어 시스템, 화학적기계적 연마 시스템의 제어 방법, 화학적 기계적 연마시스템용 퍼지 로직 제어 장치, 및 이를 이용하여 제조된반도체 장치
Kincal et al. Impact of pad conditioning on thickness profile control in chemical mechanical planarization
KR101796728B1 (ko) 반도체 웨이퍼 연마장치 모니터링 시스템
KR102279045B1 (ko) 공정 제어정보 생성 장치, 방법 및 이를 포함하는 공정 제어장치
JP2005252036A (ja) 化学的機械的研磨方法、化学的機械的研磨システム、及び半導体装置の製造方法
CN111571446B (zh) 金刚石研磨盘上风险金刚石的确定方法
Popov et al. Visual analysis of CMP metrology data for predictive modeling

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20211005

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20220830

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20220921

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: 20230110

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20230131

R150 Certificate of patent or registration of utility model

Ref document number: 7220573

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150