WO2021220633A1 - 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 - Google Patents
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 Download PDFInfo
- Publication number
- WO2021220633A1 WO2021220633A1 PCT/JP2021/009836 JP2021009836W WO2021220633A1 WO 2021220633 A1 WO2021220633 A1 WO 2021220633A1 JP 2021009836 W JP2021009836 W JP 2021009836W WO 2021220633 A1 WO2021220633 A1 WO 2021220633A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- substrate
- chemical solution
- learning
- cured layer
- condition information
- Prior art date
Links
- 239000000758 substrate Substances 0.000 title claims abstract description 685
- 238000011282 treatment Methods 0.000 title claims abstract description 164
- 238000000034 method Methods 0.000 title claims description 76
- 239000000126 substance Substances 0.000 claims abstract description 337
- 238000002347 injection Methods 0.000 claims abstract description 23
- 239000007924 injection Substances 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims description 307
- 239000000243 solution Substances 0.000 claims description 285
- 238000003860 storage Methods 0.000 claims description 72
- 238000005468 ion implantation Methods 0.000 claims description 44
- 238000010801 machine learning Methods 0.000 claims description 28
- 238000006243 chemical reaction Methods 0.000 claims description 24
- 238000010129 solution processing Methods 0.000 claims description 20
- 238000003672 processing method Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 8
- 150000002500 ions Chemical class 0.000 description 39
- 239000007788 liquid Substances 0.000 description 31
- 238000004891 communication Methods 0.000 description 30
- 238000010586 diagram Methods 0.000 description 20
- QAOWNCQODCNURD-UHFFFAOYSA-N Sulfuric acid Chemical compound OS(O)(=O)=O QAOWNCQODCNURD-UHFFFAOYSA-N 0.000 description 18
- MHAJPDPJQMAIIY-UHFFFAOYSA-N Hydrogen peroxide Chemical compound OO MHAJPDPJQMAIIY-UHFFFAOYSA-N 0.000 description 13
- 239000012530 fluid Substances 0.000 description 11
- 238000013528 artificial neural network Methods 0.000 description 9
- 239000002585 base Substances 0.000 description 9
- 238000002513 implantation Methods 0.000 description 9
- 239000004065 semiconductor Substances 0.000 description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 8
- 230000001133 acceleration Effects 0.000 description 7
- 239000003814 drug Substances 0.000 description 6
- 229940079593 drug Drugs 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 6
- KRHYYFGTRYWZRS-UHFFFAOYSA-N Fluorane Chemical compound F KRHYYFGTRYWZRS-UHFFFAOYSA-N 0.000 description 5
- 230000015572 biosynthetic process Effects 0.000 description 5
- 239000011259 mixed solution Substances 0.000 description 5
- VHUUQVKOLVNVRT-UHFFFAOYSA-N Ammonium hydroxide Chemical compound [NH4+].[OH-] VHUUQVKOLVNVRT-UHFFFAOYSA-N 0.000 description 4
- 235000011114 ammonium hydroxide Nutrition 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- QTBSBXVTEAMEQO-UHFFFAOYSA-N Acetic acid Chemical compound CC(O)=O QTBSBXVTEAMEQO-UHFFFAOYSA-N 0.000 description 3
- KRKNYBCHXYNGOX-UHFFFAOYSA-N citric acid Chemical compound OC(=O)CC(O)(C(O)=O)CC(O)=O KRKNYBCHXYNGOX-UHFFFAOYSA-N 0.000 description 3
- 239000012459 cleaning agent Substances 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 229960002050 hydrofluoric acid Drugs 0.000 description 3
- 238000009434 installation Methods 0.000 description 3
- 239000012487 rinsing solution Substances 0.000 description 3
- VEXZGXHMUGYJMC-UHFFFAOYSA-N Hydrochloric acid Chemical compound Cl VEXZGXHMUGYJMC-UHFFFAOYSA-N 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 239000008367 deionised water Substances 0.000 description 2
- 229910021641 deionized water Inorganic materials 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000003028 elevating effect Effects 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- WGTYBPLFGIVFAS-UHFFFAOYSA-M tetramethylammonium hydroxide Chemical compound [OH-].C[N+](C)(C)C WGTYBPLFGIVFAS-UHFFFAOYSA-M 0.000 description 2
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- GRYLNZFGIOXLOG-UHFFFAOYSA-N Nitric acid Chemical compound O[N+]([O-])=O GRYLNZFGIOXLOG-UHFFFAOYSA-N 0.000 description 1
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 239000003513 alkali Substances 0.000 description 1
- -1 alkylene carbonate Chemical compound 0.000 description 1
- QGZKDVFQNNGYKY-UHFFFAOYSA-N ammonia Natural products N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 239000000919 ceramic Substances 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005401 electroluminescence Methods 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- DKAGJZJALZXOOV-UHFFFAOYSA-N hydrate;hydrochloride Chemical compound O.Cl DKAGJZJALZXOOV-UHFFFAOYSA-N 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 229910000040 hydrogen fluoride Inorganic materials 0.000 description 1
- CABDFQZZWFMZOD-UHFFFAOYSA-N hydrogen peroxide;hydrochloride Chemical compound Cl.OO CABDFQZZWFMZOD-UHFFFAOYSA-N 0.000 description 1
- QAOWNCQODCNURD-UHFFFAOYSA-M hydrogensulfate Chemical compound OS([O-])(=O)=O QAOWNCQODCNURD-UHFFFAOYSA-M 0.000 description 1
- 239000003112 inhibitor Substances 0.000 description 1
- 101150043067 lcp1 gene Proteins 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 229910017604 nitric acid Inorganic materials 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000005502 peroxidation Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000004381 surface treatment Methods 0.000 description 1
- 239000004094 surface-active agent Substances 0.000 description 1
- OKIZCWYLBDKLSU-UHFFFAOYSA-N tetramethylazanium;hydrochloride Chemical compound Cl.C[N+](C)(C)C OKIZCWYLBDKLSU-UHFFFAOYSA-N 0.000 description 1
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
- H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
- H01L21/67005—Apparatus not specifically provided for elsewhere
- H01L21/67242—Apparatus for monitoring, sorting or marking
- H01L21/67253—Process monitoring, e.g. flow or thickness monitoring
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
- G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
- G03F7/26—Processing photosensitive materials; Apparatus therefor
- G03F7/40—Treatment after imagewise removal, e.g. baking
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
- G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
- G03F7/26—Processing photosensitive materials; Apparatus therefor
- G03F7/42—Stripping or agents therefor
- G03F7/422—Stripping or agents therefor using liquids only
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
-
- 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
- H01L21/027—Making masks on semiconductor bodies for further photolithographic processing not provided for in group H01L21/18 or H01L21/34
- H01L21/0271—Making masks on semiconductor bodies for further photolithographic processing not provided for in group H01L21/18 or H01L21/34 comprising organic layers
- H01L21/0273—Making masks on semiconductor bodies for further photolithographic processing not provided for in group H01L21/18 or H01L21/34 comprising organic layers characterised by the treatment of photoresist layers
- H01L21/0274—Photolithographic processes
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
- H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
- H01L21/67005—Apparatus not specifically provided for elsewhere
- H01L21/67011—Apparatus for manufacture or treatment
- H01L21/67017—Apparatus for fluid treatment
- H01L21/67028—Apparatus for fluid treatment for cleaning followed by drying, rinsing, stripping, blasting or the like
- H01L21/6704—Apparatus for fluid treatment for cleaning followed by drying, rinsing, stripping, blasting or the like for wet cleaning or washing
- H01L21/67051—Apparatus for fluid treatment for cleaning followed by drying, rinsing, stripping, blasting or the like for wet cleaning or washing using mainly spraying means, e.g. nozzles
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
- H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
- H01L21/67005—Apparatus not specifically provided for elsewhere
- H01L21/67011—Apparatus for manufacture or treatment
- H01L21/67017—Apparatus for fluid treatment
- H01L21/67063—Apparatus for fluid treatment for etching
- H01L21/67075—Apparatus for fluid treatment for etching for wet etching
- H01L21/6708—Apparatus for fluid treatment for etching for wet etching using mainly spraying means, e.g. nozzles
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
- H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
- H01L21/67005—Apparatus not specifically provided for elsewhere
- H01L21/67242—Apparatus for monitoring, sorting or marking
- H01L21/67276—Production flow monitoring, e.g. for increasing throughput
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/45—Nc applications
- G05B2219/45031—Manufacturing semiconductor wafers
-
- 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
- H01L21/02041—Cleaning
- H01L21/02057—Cleaning during device manufacture
-
- 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
- H01L21/31—Treatment of semiconductor bodies using processes or apparatus not provided for in groups H01L21/20 - H01L21/26 to form insulating layers thereon, e.g. for masking or by using photolithographic techniques; After treatment of these layers; Selection of materials for these layers
- H01L21/3105—After-treatment
- H01L21/311—Etching the insulating layers by chemical or physical means
- H01L21/31127—Etching organic layers
- H01L21/31133—Etching organic layers by chemical means
-
- 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
- H01L21/67155—Apparatus for manufacturing or treating in a plurality of work-stations
- H01L21/67207—Apparatus for manufacturing or treating in a plurality of work-stations comprising a chamber adapted to a particular process
- H01L21/67213—Apparatus for manufacturing or treating in a plurality of work-stations comprising a chamber adapted to a particular process comprising at least one ion or electron beam chamber
-
- 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
- H01L21/683—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 for supporting or gripping
- H01L21/687—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 for supporting or gripping using mechanical means, e.g. chucks, clamps or pinches
- H01L21/68714—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 for supporting or gripping using mechanical means, e.g. chucks, clamps or pinches the wafers being placed on a susceptor, stage or support
- H01L21/68792—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 for supporting or gripping using mechanical means, e.g. chucks, clamps or pinches the wafers being placed on a susceptor, stage or support characterised by the construction of the shaft
Definitions
- the present invention relates to a board processing device, a board processing method, a learning data generation method, a learning method, a learning device, a trained model generation method, and a trained model.
- a substrate processing device for processing a substrate is suitably used for manufacturing a semiconductor device or the like.
- ions may be implanted into the substrate to modify the characteristics of the substrate.
- the resist layer is peeled off with a chemical solution. It is known that when ions are injected into a resist layer in the process of manufacturing a substrate, a cured layer or an altered layer is formed in the resist layer (see Patent Document 1).
- Patent Document 1 describes that the resist layer is peeled off and removed with a cleaning agent for semiconductor substrates in which alkylene carbonate is added to sulfuric acid and hydrogen peroxide solution. According to Patent Document 1, this cleaning agent for semiconductor substrates has a cleaning power comparable to that of SPM cleaning agents when peeling the resist layer, while reducing damage to the semiconductor substrate.
- Patent Document 1 may not be able to properly remove the cured layer in the resist layer of the substrate. For example, if the amount of the chemical solution used is too small for the ion-implanted resist layer, the resist layer cannot be sufficiently removed. Further, if the amount of the chemical solution used is too large for the ion-implanted resist layer, the cost increases.
- the present invention has been made in view of the above problems, and an object of the present invention is a substrate processing apparatus capable of appropriately removing a cured layer in a resist layer of a substrate, a substrate processing method, a learning data generation method, a learning method, and the like.
- the purpose of the present invention is to provide a learning device, a method for generating a trained model, and a trained model.
- the substrate processing apparatus includes a substrate holding portion that rotatably holds a substrate to be processed having a resist layer on which a cured layer is formed, and a chemical solution supply unit that supplies a chemical solution to the substrate to be processed. And a substrate for acquiring substrate information including cured layer thickness information indicating the thickness of the cured layer for the substrate to be processed or ion injection condition information indicating the conditions for ion injection in which the cured layer is formed on the resist layer.
- the information acquisition unit, the chemical solution treatment condition information acquisition unit that acquires the chemical solution treatment condition information indicating the chemical solution treatment conditions for the processing target substrate from the trained model based on the substrate information, and the chemical solution treatment condition information acquisition unit.
- the substrate holding section and the control section that controls the chemical solution supply section are provided so that the substrate to be processed is treated with the chemical solution.
- the trained model shows the cured layer thickness information indicating the thickness of the cured layer for the learning target substrate having the resist layer on which the cured layer is formed, or the condition of ion injection in which the cured layer is formed on the resist layer.
- the substrate information including the ion injection condition information, the chemical solution treatment condition information indicating the condition for treating the learning target substrate with the chemical solution, and the processing result information indicating the result of treating the learning target substrate with the chemical solution are associated with each other. It is constructed by machine learning the data.
- the substrate processing apparatus further comprises a storage unit that stores the trained model.
- the cured layer thickness information is the cured layer height information indicating the height of the cured layer or the cured layer width indicating the width of the cured layer. Contains information.
- the chemical solution treatment condition information includes the concentration of the chemical solution, the temperature of the chemical solution, the supply amount of the chemical solution, the discharge pattern of the chemical solution, and the said. Contains information indicating any of the rotational speeds of the substrate when supplying the drug solution.
- the information indicating the concentration of the drug solution indicates a concentration profile in which the concentration of the drug solution changes with time.
- the information indicating the temperature of the chemical solution indicates a temperature profile in which the temperature of the chemical solution changes with time.
- the substrate processing method rotatably holds the substrate to be processed having the resist layer on which the cured layer is formed, and the thickness of the cured layer for the substrate to be processed.
- the process from the trained model based on the step of acquiring the substrate information including the indicated cured layer thickness information or the ion injection condition information indicating the ion injection conditions in which the cured layer is formed on the resist layer and the substrate information.
- This includes a step of acquiring chemical solution treatment condition information indicating the chemical solution treatment condition of the target substrate and a step of treating the treatment target substrate with the chemical solution according to the chemical solution treatment condition of the chemical solution treatment condition information.
- the trained model uses the cured layer thickness information indicating the thickness of the cured layer or the resist layer on the learning target substrate having the resist layer on which the cured layer is formed.
- Substrate information including ion injection condition information indicating the conditions of ion injection forming the cured layer, chemical solution treatment condition information indicating the conditions of the chemical solution treatment performed on the learning target substrate, and the learning target substrate. It is constructed by machine learning the learning data associated with the processing result information indicating the result of the chemical solution treatment performed.
- the method of generating the learning data is based on the time-series data output from the substrate processing apparatus for processing the learning target substrate having the resist layer on which the cured layer is formed.
- the substrate processing from the step of acquiring the substrate information including the cured layer thickness information indicating the thickness of the above or the ion injection condition information indicating the ion injection conditions in which the cured layer is formed on the resist layer, and the time series data.
- Processing result information showing the result of processing the learning target substrate with the chemical solution in the substrate processing apparatus from the step of acquiring the chemical solution processing condition information indicating the condition of treating the learning target substrate with the chemical solution in the apparatus and the time series data.
- the step of acquiring the above and the step of associating the substrate information, the chemical solution treatment condition information, and the processing result information with respect to the learning target substrate and storing the learning data in the storage unit are included.
- the learning method includes a step of acquiring the learning data generated according to the learning data generation method described above, and inputting the learning data into the learning program. It includes a step of machine learning the training data.
- the learning device inputs a storage unit that stores the learning data generated according to the learning data generation method described above, and the learning data into the learning program. It is provided with a learning unit for machine learning the learning data.
- the trained model generation method includes a step of acquiring the training data generated according to the training data generation method described above, and machine learning of the training data. It includes steps to generate a trained model constructed by letting it.
- the trained model is constructed by machine learning the learning data generated according to the training data generation method described above.
- the substrate processing apparatus includes a substrate holding portion that rotatably holds a substrate having a resist layer on which a cured layer is formed, and a chemical liquid supply unit that supplies a chemical liquid to the substrate.
- a storage unit for storing a conversion table in which substrate information including hardened layer thickness information or ion injection condition information indicating ion injection condition information and chemical solution treatment condition information indicating chemical solution treatment conditions are associated with each other, and a storage unit for the substrate. Based on the substrate information acquisition unit that acquires substrate information including cured layer thickness information indicating the thickness of the cured layer or ion injection condition information indicating the ion injection conditions forming the cured layer, and the substrate information.
- the chemical solution treatment condition information acquisition unit that acquires the chemical solution treatment condition information indicating the chemical solution treatment conditions for the substrate using the conversion table and the chemical solution treatment condition information acquired by the chemical solution treatment condition information acquisition unit. It includes a substrate holding unit and a control unit that controls the chemical solution supply unit so that the substrate is treated with a chemical solution.
- the cured layer in the resist layer of the substrate to be processed can be appropriately removed.
- FIG. 1 It is a schematic diagram of the board processing learning system provided with the board processing apparatus of this embodiment. It is a schematic diagram of the board processing system provided with the board processing apparatus of this embodiment. It is a schematic diagram of the substrate processing apparatus of this embodiment. It is a block diagram of the board processing system provided with the board processing apparatus of this embodiment.
- (A) is a flow chart of the substrate processing method of this embodiment, and (b) is a flow chart of chemical liquid treatment in the substrate processing method of this embodiment.
- (A) to (c) are schematic views showing the formation process of the cured layer formed on the substrate to be processed in the substrate processing apparatus of this embodiment.
- (A) to (d) are schematic views showing the formation process of the cured layer formed on the substrate to be processed in the substrate processing apparatus of this embodiment.
- (A) is a schematic view of a substrate to be processed having a resist layer on which a cured layer is formed to be processed by the substrate processing apparatus of the present embodiment
- (b) is a chemical solution acquired based on substrate information. It is a figure which shows the processing condition. It is a figure which shows the learning data input to the learning device of this embodiment. It is a schematic diagram of the substrate processing apparatus of this embodiment. It is a figure which shows the learning data input to the learning device of this embodiment. It is a block diagram of the substrate processing apparatus of this embodiment. It is a figure which shows the conversion table in the substrate processing apparatus of this embodiment.
- the substrate processing learning system 200 including the substrate processing apparatus 100 of the present embodiment will be described with reference to FIG.
- the substrate processing learning system 200 will be described with reference to FIG.
- FIG. 1 is a schematic diagram of the substrate processing learning system 200.
- the board processing learning system 200 includes a board processing device 100, a board processing device 100L, a learning data generation device 300, and a learning device 400.
- the substrate processing device 100 processes the substrate to be processed.
- the substrate to be treated has a resist layer on which a cured layer is formed, and the substrate processing apparatus 100 treats the resist layer of the substrate to be treated with a chemical solution.
- the substrate processing apparatus 100 may perform a treatment other than the chemical solution treatment on the substrate to be processed.
- the substrate processing apparatus 100 is a single-wafer type that processes the substrates to be processed one by one. Typically, the substrate to be processed has a substantially disk shape.
- the board processing device 100L processes the learning target board.
- the learning target substrate has a resist layer on which a cured layer is formed, and the substrate processing apparatus 100L treats the resist layer of the learning target substrate with a chemical solution.
- the substrate processing device 100L may perform processing other than the chemical solution treatment on the learning target substrate.
- the configuration of the learning target substrate is the same as the configuration of the processing target substrate.
- the substrate processing apparatus 100L is a single-wafer type that processes the substrates to be processed one by one. Typically, the substrate to be processed has a substantially disk shape.
- the configuration of the substrate processing apparatus 100L is the same as the configuration of the substrate processing apparatus 100.
- the substrate processing device 100L may be the same as the substrate processing device 100.
- the same substrate processing apparatus may process the learning target substrate in the past, and then process the processing target substrate.
- the substrate processing apparatus 100L may be another product having the same configuration as the substrate processing apparatus 100.
- the learning target substrate may be described as “learning target substrate WL”, and the processing target substrate may be described as “processing target substrate Wp”.
- the learning target substrate WL and the processing target substrate Wp may be described as "board W”.
- the substrate W includes, for example, a semiconductor wafer, a substrate for a liquid crystal display device, a substrate for a plasma display, a substrate for a field emission display (Field Display Display: FED), a substrate for an optical disk, a substrate for a magnetic disk, a substrate for a magneto-optical disk, and a photomask. Substrates, ceramic substrates, or solar cell substrates.
- the board processing device 100L outputs time series data TDL.
- the time-series data TDL is data showing the time change of the physical quantity in the substrate processing apparatus 100L.
- the time series data TDL shows the time change of the physical quantity (value) changed in time series over a predetermined period.
- the time-series data TDL is data indicating the time change of the physical quantity for the processing performed on the learning target substrate by the substrate processing apparatus 100L.
- the time-series data TDL is data indicating a time change of a physical quantity regarding the characteristics of the learning target substrate processed by the substrate processing apparatus 100L.
- the time-series data TDL may include data indicating a manufacturing process before processing the learning target substrate with the substrate processing apparatus 100L.
- the value shown in the time series data TDL may be a value directly measured by the measuring device.
- the value shown in the time series data TDL may be a value obtained by arithmetically processing a value directly measured by the measuring device.
- the value shown in the time series data TDL may be a calculation of the value measured by a plurality of measuring instruments.
- the learning data generation device 300 generates a learning data LD based on at least a part of the time series data TDL or the time series data TDL.
- the learning data generation device 300 outputs the learning data LD.
- the learning data LD includes the substrate information of the learning target substrate WL, the chemical solution treatment condition information indicating the processing conditions of the chemical solution treatment performed on the learning target substrate WL, and the chemical solution treatment performed on the learning target substrate WL. Includes processing result information indicating the result of.
- the substrate information of the learning target substrate WL includes the substrate information of the learning target substrate WL measured before the learning target substrate WL is treated with the chemical solution.
- the learning device 400 generates a trained model LM by machine learning the learning data LD.
- the learning device 400 outputs the trained model LM.
- the board processing device 100 outputs time series data TD.
- the time-series data TD is data indicating a time change of a physical quantity in the substrate processing apparatus 100.
- the time series data TD shows the time change of the physical quantity (value) changed in time series over a predetermined period.
- the time-series data TD is data indicating the time change of the physical quantity of the processing performed on the processing target substrate by the substrate processing apparatus 100.
- the time-series data TD is data indicating a time change of a physical quantity regarding the characteristics of the substrate to be processed processed by the substrate processing apparatus 100.
- the value shown in the time series data TD may be a value directly measured by the measuring device.
- the value shown in the time series data TD may be a value obtained by arithmetically processing a value directly measured by the measuring device.
- the value shown in the time series data TD may be a calculation of the value measured by a plurality of measuring instruments.
- the time-series data TD may include data indicating a manufacturing process before the substrate to be processed is processed by the substrate processing apparatus 100.
- the object used by the substrate processing apparatus 100 corresponds to the object used by the substrate processing apparatus 100L. Therefore, the configuration of the object used by the substrate processing apparatus 100 is the same as the configuration of the object used by the substrate processing apparatus 100L. Further, in the time series data TD, the physical quantity of the object used by the substrate processing apparatus 100 corresponds to the physical quantity of the object used by the substrate processing apparatus 100L. Therefore, the physical quantity of the object used by the substrate processing apparatus 100L is the same as the physical quantity of the object used by the substrate processing apparatus 100.
- the substrate information Cp of the processing target substrate Wp corresponds to the substrate information of the learning target substrate WL.
- the substrate information Cp of the processing target substrate Wp includes the substrate information about the processing target substrate Wp.
- the substrate information of the processing target substrate Wp may be information obtained by measuring the processing target substrate Wp before the processing target substrate Wp is treated with the chemical solution.
- the substrate information of the processing target substrate Wp may be information about the processing performed on the processing target substrate Wp before the chemical solution treatment.
- the chemical solution treatment condition information Rp indicating the chemical solution processing conditions suitable for the processing target substrate Wp in the substrate processing apparatus 100 is output based on the substrate information Cp of the processing target substrate Wp.
- the learning device 400 performs machine learning. Therefore, it is possible to generate a highly accurate trained model LM from time-series data TDL, which is extremely complicated and has a huge number of analysis targets. Further, the board information Cp from the time series data TD is input to the trained model LM, and the drug solution processing condition information Rp indicating the drug solution treatment condition is output from the trained model LM. Therefore, the chemical solution can be treated according to the substrate Wp to be treated.
- FIG. 2 is a schematic plan view of the substrate processing system 10.
- the substrate processing system 10 processes the substrate W.
- the substrate processing system 10 includes a plurality of substrate processing devices 100.
- the substrate processing apparatus 100 processes the substrate W so as to perform at least one of etching, surface treatment, character imparting, treatment film formation, removal of at least a part of the film, and cleaning of the substrate W.
- the substrate processing system 10 includes a fluid cabinet 32, a fluid box 34, a plurality of load port LPs, an indexer robot IR, and a center robot CR.
- the control device 20 is provided. The control device 20 controls the load port LP, the indexer robot IR, and the center robot CR.
- Each of the load port LPs accommodates a plurality of substrates W in a stacked manner.
- the indexer robot IR conveys the substrate W between the load port LP and the center robot CR.
- An installation table (path) on which the substrate W is temporarily placed is provided between the indexer robot IR and the center robot CR, and an installation table (path) is provided between the indexer robot IR and the center robot CR via the installation table.
- the device configuration may be such that the substrate W is indirectly delivered.
- the center robot CR conveys the substrate W between the indexer robot IR and the substrate processing apparatus 100.
- Each of the substrate processing devices 100 discharges a liquid onto the substrate W to process the substrate W.
- the liquid includes a chemical solution and / or a rinse solution. Alternatively, the liquid may contain other treatment liquids.
- the fluid cabinet 32 houses the liquid.
- the fluid cabinet 32 may contain gas.
- the plurality of substrate processing devices 100 form a plurality of tower TWs (four tower TWs in FIG. 2) arranged so as to surround the center robot CR in a plan view.
- Each tower TW includes a plurality of substrate processing devices 100 (three substrate processing devices 100 in FIG. 1) stacked one above the other.
- Each of the fluid boxes 34 corresponds to a plurality of tower TWs.
- the liquid in the fluid cabinet 32 is supplied to all the substrate processing devices 100 included in the tower TW corresponding to the fluid box 34 via one of the fluid boxes 34.
- the gas in the fluid cabinet 32 is supplied to all the substrate processing devices 100 included in the tower TW corresponding to the fluid box 34 via any of the fluid boxes 34.
- the control device 20 controls various operations of the substrate processing system 10.
- the control device 20 includes a control unit 22 and a storage unit 24.
- the control unit 22 has a processor.
- the control unit 22 has, for example, a central processing unit (CPU). Alternatively, the control unit 22 may have a general-purpose arithmetic unit.
- the storage unit 24 stores data and computer programs.
- the data includes recipe data.
- the recipe data includes information indicating a plurality of recipes. Each of the plurality of recipes defines the processing content and processing procedure of the substrate W.
- the storage unit 24 includes a main storage device and an auxiliary storage device.
- the main storage device is, for example, a semiconductor memory.
- Auxiliary storage is, for example, a semiconductor memory and / or a hard disk drive.
- the storage unit 24 may include removable media.
- the control unit 22 executes the computer program stored in the storage unit 24 to execute the board processing operation.
- the storage unit 24 stores a computer program for which a procedure has been determined in advance.
- the substrate processing apparatus 100 operates according to a procedure defined in a computer program.
- FIG. 2 shows that the substrate processing system 10 is provided with one control device 20, each substrate processing device 100 may be provided with a control device 20.
- the board processing system 10 includes a plurality of board processing devices 100 and another control device that controls devices other than the board processing device 100.
- FIG. 3 is a schematic view of the substrate processing apparatus 100 of the present embodiment.
- the substrate processing device 100L also has the same configuration as the substrate processing device 100.
- the substrate processing device 100 processes the substrate W.
- the substrate processing device 100 includes a chamber 110, a substrate holding unit 120, a chemical solution supply unit 130, and a rinse solution supply unit 140.
- the chamber 110 houses the substrate W.
- the substrate holding unit 120 holds the substrate W.
- the substrate holding unit 120 rotatably holds the substrate W.
- the chamber 110 has a substantially box shape having an internal space.
- the chamber 110 houses the substrate W.
- the substrate processing apparatus 100 is a single-wafer type that processes the substrate W one by one, and the chamber 110 accommodates the substrate W one by one.
- the substrate W is housed in the chamber 110 and processed in the chamber 110.
- the chamber 110 houses at least a part of each of the substrate holding unit 120, the chemical solution supply unit 130, and the rinse solution supply unit 140.
- the board holding unit 120 holds the board W.
- the substrate holding portion 120 holds the substrate W horizontally so that the upper surface Wa of the substrate W faces upward and the back surface (lower surface) Wb of the substrate W faces vertically downward. Further, the substrate holding unit 120 rotates the substrate W while holding the substrate W.
- the substrate holding portion 120 may be a sandwiching type that sandwiches the end portion of the substrate W.
- the substrate holding unit 120 may have an arbitrary mechanism for holding the substrate W from the back surface Wb.
- the substrate holding portion 120 may be of a vacuum type. In this case, the substrate holding portion 120 holds the substrate W horizontally by adsorbing the central portion of the back surface Wb of the substrate W, which is a non-device forming surface, to the upper surface.
- the substrate holding portion 120 may combine a holding type and a vacuum type in which a plurality of chuck pins are brought into contact with the peripheral end surface of the substrate W.
- the substrate holding portion 120 includes a spin base 121, a chuck member 122, a shaft 123, and an electric motor 124.
- the chuck member 122 is provided on the spin base 121.
- the chuck member 122 chucks the substrate W.
- the spin base 121 is provided with a plurality of chuck members 122.
- the shaft 123 is a hollow shaft.
- the shaft 123 extends in the vertical direction along the rotation axis Ax.
- a spin base 121 is coupled to the upper end of the shaft 123.
- the back surface of the substrate W is in contact with the spin base 121, and the substrate W is placed above the spin base 121.
- the spin base 121 has a disk shape and supports the substrate W horizontally.
- the shaft 123 extends downward from the central portion of the spin base 121.
- the electric motor 124 applies a rotational force to the shaft 123.
- the electric motor 124 rotates the substrate W and the spin base 121 around the rotation shaft Ax by rotating the shaft 123 in the rotation direction.
- the direction of rotation is counterclockwise.
- the chemical solution supply unit 130 supplies the chemical solution to the substrate W. As a result, the substrate W is treated with the chemical solution.
- the chemical solution contains hydrofluoric acid (hydrogen fluoride water: HF).
- the chemical solution is sulfuric acid, acetic acid, nitric acid, hydrochloric acid, citric acid, buffered fluoric acid (BHF), dilute fluoric acid (DHF), ammonia water, dilute ammonia water, hydrogen peroxide solution, organic alkali (for example, TMAH: It may be a solution containing at least one of a tetramethylammonium hydrochloride, etc.), a surfactant, and a corrosion inhibitor. Further, the chemical solution may be a mixed solution in which the above solutions are mixed.
- examples of the chemical solution in which these are mixed include SPM (mixed solution of hydrogen sulfate solution), SC1 (mixed solution of aqueous ammonia hydrogen peroxide solution), SC2 (mixed solution of mixed solution of hydrochloric acid hydrogen peroxide solution) and the like.
- the chemical solution supply unit 130 includes a nozzle 132, a pipe 134, and a valve 136.
- the nozzle 132 faces the upper surface Wa of the substrate W and discharges the chemical solution toward the upper surface Wa of the substrate W.
- the pipe 134 is coupled to the nozzle 132.
- the nozzle 132 is provided at the tip of the pipe 134.
- a chemical solution is supplied to the pipe 134 from a supply source.
- the valve 136 is provided in the pipe 134. The valve 136 opens and closes the flow path in the pipe 134.
- the chemical supply unit 130 further includes a nozzle moving unit 138.
- the nozzle moving unit 138 moves the nozzle 132 between the discharge position and the retracted position.
- the nozzle 132 is located above the substrate W.
- the nozzle 132 discharges the chemical solution toward the upper surface Wa of the substrate W.
- the nozzle 132 is located radially outside the substrate W with respect to the substrate W.
- the nozzle moving portion 138 includes an arm 138a, a rotating shaft 138b, and a moving mechanism 138c.
- the arm 138a extends along a substantially horizontal direction.
- a nozzle 132 is attached to the tip of the arm 138a.
- the arm 138a is coupled to the rotation shaft 138b.
- the rotation shaft 138b extends along a substantially vertical direction.
- the moving mechanism 138c rotates the rotation shaft 138b around a rotation axis along a substantially vertical direction, and rotates the arm 138a along a substantially horizontal plane.
- the nozzle 132 moves along a substantially horizontal plane.
- the moving mechanism 138c includes an arm swing motor that rotates the rotating shaft 138b around the rotating axis.
- the arm swing motor is, for example, a servo motor.
- the moving mechanism 138c raises and lowers the rotation shaft 138b along a substantially vertical direction to raise and lower the arm 138a.
- the nozzle 132 moves along a substantially vertical direction.
- the moving mechanism 138c includes a ball screw mechanism and an arm elevating motor that applies a driving force to the ball screw mechanism.
- the arm elevating motor is, for example, a servo motor.
- the rinse liquid supply unit 140 supplies the rinse liquid to the substrate W.
- the rinsing solution is Deionized Water (DIW), carbonated water, electrolytic ionized water, ozone water, ammonia water, hydrochloric acid water having a diluted concentration (for example, about 10 ppm to 100 ppm), or reduced water (hydrogen water). Either may be included.
- the rinse liquid supply unit 140 includes a nozzle 142, a pipe 144, and a valve 146.
- the nozzle 142 faces the upper surface Wa of the substrate W and discharges the rinse liquid toward the upper surface Wa of the substrate W.
- the pipe 144 is coupled to the nozzle 142.
- the nozzle 142 is provided at the tip of the pipe 144. Rinse liquid is supplied to the pipe 144 from the supply source.
- the valve 146 is provided in the pipe 144. The valve 146 opens and closes the flow path in the pipe 144.
- the substrate processing apparatus 100 further includes a cup 180.
- the cup 180 collects the liquid scattered from the substrate W.
- the cup 180 can rise vertically upward to the side of the substrate W. Further, the cup 180 may descend vertically downward from the side of the substrate W.
- the control device 20 controls various operations of the substrate processing device 100.
- the control unit 22 controls the substrate holding unit 120, the chemical solution supply unit 130, the rinse solution supply unit 140 and / or the cup 180.
- the control unit 22 controls the electric motor 124, valves 136, 146, moving mechanism 138c and / or cup 180.
- the substrate W can be subjected to chemical treatment and rinsing treatment.
- FIG. 4 is a block diagram of the substrate processing system 10 including the substrate processing apparatus 100.
- the control device 20 controls various operations of the substrate processing system 10.
- the control device 20 controls the indexer robot IR, the center robot CR, the substrate holding unit 120, the chemical solution supply unit 130, the rinse solution supply unit 140, and the cup 180.
- the control device 20 transmits a control signal to the indexer robot IR, the center robot CR, the substrate holding unit 120, the chemical liquid supply unit 130, the rinse liquid supply unit 140, and the cup 180, thereby transmitting the control signal to the indexer robot IR, It controls the center robot CR, the substrate holding unit 120, the chemical liquid supply unit 130, the rinse liquid supply unit 140, and the cup 180.
- control unit 22 controls the indexer robot IR and delivers the substrate W by the indexer robot IR.
- the control unit 22 controls the center robot CR and delivers the substrate W by the center robot CR.
- the center robot CR receives the unprocessed substrate W and carries the substrate W into one of the plurality of chambers 110. Further, the center robot CR receives the processed substrate W from the chamber 110 and carries out the substrate W.
- the control unit 22 controls the substrate holding unit 120 to control the start of rotation of the substrate W, the change of the rotation speed, and the stop of the rotation of the substrate W.
- the control unit 22 can control the substrate holding unit 120 to change the rotation speed of the substrate holding unit 120.
- the control unit 22 can change the rotation speed of the substrate W by changing the rotation speed of the electric motor 124 of the substrate holding unit 120.
- the control unit 22 can control the valve 136 of the chemical solution supply unit 130 and the valve 146 of the rinse solution supply unit 140 to switch the state of the valves 136 and 146 between the open state and the closed state. Specifically, the control unit 22 controls the valves 136 and 146 to open the valves 136 and 146, so that the chemical liquid and the rinse liquid flowing in the pipes 134 and 144 toward the nozzles 132 and 142 are discharged. Can be passed. Further, the control unit 22 controls the valve 136 of the chemical liquid supply unit 130 and the valve 146 of the rinse liquid supply unit 140 to close the valves 136 and 146, so that the pipes 134 toward the nozzles 132 and 142, The chemical solution and rinse solution flowing in 144 can be stopped.
- control unit 22 controls the moving mechanism 138c to move the arm 138a in the horizontal direction and / or the vertical direction. As a result, the control unit 22 can move the nozzle 132 attached to the tip of the arm 138a on the upper surface Wa of the substrate W. Further, the control unit 22 can move the nozzle 132 attached to the tip of the arm 138a between the discharge position and the retracted position.
- the substrate processing device 100 of this embodiment is suitably used for forming a semiconductor device.
- the storage unit 24 stores the learned model LM and the control program PG.
- the substrate processing apparatus 100 operates according to the procedure defined in the control program PG.
- control unit 22 includes a substrate information acquisition unit 22a and a chemical solution processing condition information acquisition unit 22b.
- the board information acquisition unit 22a acquires the board information of the process target board Wp.
- the substrate information of the substrate Wp to be processed includes the cured layer thickness information indicating the thickness of the cured layer of the substrate Wp to be processed or the ion implantation condition information indicating the conditions of ion implantation performed on the substrate Wp to be processed.
- the substrate information acquisition unit 22a may acquire information other than the cured layer thickness information or the ion implantation condition information as the substrate information from the storage unit 24.
- the trained model LM generates chemical solution treatment condition information based on the substrate information.
- the chemical solution processing condition information corresponding to the board information is output.
- the chemical treatment condition information corresponding to the cured layer thickness information or the ion implantation condition information is output.
- the chemical solution treatment condition information acquisition unit 22b acquires the chemical solution treatment condition information from the learned model LM.
- the chemical solution treatment condition information acquisition unit 22b acquires the chemical solution treatment condition information from the trained model LM corresponding to the substrate information of the processing target substrate Wp.
- the control unit 22 controls the substrate holding unit 120 and the chemical solution supply unit 130 according to the chemical solution treatment conditions shown in the chemical solution treatment condition information.
- the board processing system 10 further includes a display unit 42, an input unit 44, and a communication unit 46.
- the display unit 42 displays an image.
- the display unit 42 is, for example, a liquid crystal display or an organic electroluminescence display.
- the input unit 44 is an input device for inputting various information to the control unit 22.
- the input unit 44 is a keyboard and a pointing device, or a touch panel.
- the communication unit 46 is connected to the network and communicates with an external device.
- the network includes, for example, the Internet, a LAN (Local Area Network), a public switched telephone network, and a short-range wireless network.
- the communication unit 46 is a communication device, for example, a network interface controller.
- the substrate processing system 10 further includes a sensor 50.
- a plurality of sensors 50 detect the state of each part of the substrate processing system 10.
- at least a part of the sensor 50 detects the state of each part of the substrate processing apparatus 100.
- the storage unit 24 stores the output result from the sensor 50 and the control parameters by the control program as time series data TD. Typically, the time series data is stored separately for each substrate W.
- the sensor 50 detects the physical quantity of the object used by the substrate processing apparatus 100 in the period from the start of the processing of the substrate W to the end of the processing for each processing of one substrate W, and controls a detection signal indicating the physical quantity. Output to 22. Then, the control unit 22 associates the physical quantity indicated by the detection signal output from the sensor 50 in the period from the start of the processing of the substrate W to the end of the processing with the time for each processing of one substrate W and time-series data. It is stored in the storage unit 24 as a TD.
- the control unit 22 acquires the time-series data TD from the sensor 50 and stores the time-series data TD in the storage unit 24. In this case, the control unit 22 stores the time-series data TD in the storage unit 24 in association with the lot identification information, the board identification information, the processing order information, and the lot interval information.
- the lot identification information is information for identifying a lot (for example, a lot number). Lot indicates the processing unit of the substrate W. One lot is composed of a predetermined number of substrates W.
- the board identification information is information for identifying the board W.
- the processing order information is information indicating the processing order for a predetermined number of substrates W constituting one lot.
- the lot interval information is information indicating a time interval from the end of processing for a lot to the start of processing for the next lot.
- FIG. 5A is a flow chart of a substrate processing method in the substrate processing apparatus 100 of the present embodiment
- FIG. 5B is a flow chart of chemical solution treatment in the substrate processing method of the present embodiment.
- step S10 the processing target substrate Wp is carried into the substrate processing apparatus 100.
- the carried-in processing target substrate Wp is mounted on the substrate holding portion 120.
- the processing target substrate Wp is carried into the substrate processing apparatus 100 by the center robot CR.
- step S20 the substrate Wp to be processed is treated with a chemical solution.
- the chemical solution supply unit 130 supplies the chemical solution to the processing target substrate Wp.
- the chemical solution is discharged from the nozzle 132 of the chemical solution supply unit 130 to the upper surface Wa of the substrate Wp to be processed.
- the chemical solution covers the upper surface Wa of the substrate Wp to be treated.
- the substrate Wp to be processed is treated with the chemical solution.
- the substrate W is rotated by the substrate holding portion 120. The rotation of the processing target substrate Wp may be continued until immediately before the processing target substrate Wp is carried out.
- step S30 the substrate Wp to be processed is rinsed with a rinsing liquid.
- the rinse liquid supply unit 140 supplies the rinse liquid to the substrate Wp to be processed.
- the rinse liquid is discharged from the nozzle 142 of the rinse liquid supply unit 140 to the upper surface Wa of the substrate Wp to be processed.
- the rinse liquid covers the upper surface Wa of the substrate Wp to be processed. As a result, the substrate Wp to be processed is treated with the rinsing liquid.
- step S40 the processing target substrate Wp is detached from the substrate holding unit 120 and the processing target substrate Wp is carried out.
- the processing target substrate Wp is carried out from the substrate processing apparatus 100 by the center robot CR.
- the substrate Wp to be processed can be treated with a chemical solution.
- the substrate Wp to be processed is treated with a chemical solution.
- step S22 the board information of the process target board Wp is acquired.
- the board information acquisition unit 22a acquires the board information of the process target board Wp.
- the substrate information includes the cured layer thickness information or the ion implantation condition information of the substrate Wp to be processed.
- control unit 22 acquires the cured layer thickness information or the ion implantation condition information of the processing target substrate Wp from the storage unit 24.
- the thickness of the cured layer in the substrate Wp to be processed may be measured in the substrate processing system 10 or the substrate processing apparatus 100. Further, the thickness of the cured layer in the substrate Wp to be processed may be measured outside the substrate processing system 10 or the substrate processing apparatus 100.
- ion implantation into the substrate Wp to be processed may be performed in the substrate processing system 10 or the substrate processing apparatus 100. Further, the ion implantation into the substrate Wp to be processed may be executed outside the substrate processing system 10 or the substrate processing apparatus 100.
- the control unit 22 may acquire substrate information other than the cured layer thickness information or ion implantation condition information.
- step S24 the board information of the process target board Wp is input to the trained model LM.
- the trained model LM has the substrate information of the learning target substrate WL, the chemical solution treatment condition information indicating the processing conditions of the chemical solution treatment performed on the learning target substrate WL, and the learning target substrate WL. It is constructed from learning data including processing result information indicating the result of the chemical solution treatment performed.
- the trained model LM outputs the chemical solution processing condition information Rp corresponding to the substrate information of the processing target substrate Wp.
- step S26 the chemical solution treatment condition information is acquired from the learned model LM.
- the chemical solution treatment condition information acquisition unit 22b acquires the chemical solution treatment condition information corresponding to the substrate information from the learned model LM.
- step S28 the substrate holding unit 120 and the chemical solution supply unit 130 execute the chemical solution treatment on the substrate Wp to be processed according to the chemical solution treatment condition information.
- the chemical solution supply unit 130 supplies the chemical solution to the processing target substrate Wp according to the chemical solution treatment condition information. As described above, the substrate Wp to be processed can be treated with a chemical solution.
- the chemical solution treatment condition information corresponding to the substrate information including the cured layer thickness information or the ion implantation condition information of the substrate Wp to be processed is acquired from the trained model LM constructed by machine learning, and the chemical solution is obtained.
- the chemical treatment is executed according to the chemical treatment conditions shown in the treatment condition information.
- the chemical treatment can be appropriately executed according to the thickness of the cured layer in the substrate Wp to be treated.
- FIG. 6 (a) to 6 (c) are schematic views for explaining the formation of a cured layer in the resist layer R of the substrate W.
- a resist layer R is formed on the upper surface of the substrate W.
- the resist layer R extends in the direction perpendicular to the main surface of the substrate W.
- the resist layer R is patterned in a predetermined shape.
- ions are injected into the substrate W.
- the ions are injected in a direction parallel to the normal direction of the main surface of the substrate W.
- Ion implantation alters the surface properties of the substrate W.
- the surface of the resist layer R is also altered to form a cured layer Rc.
- the inside of the resist layer R remains unchanged and remains as the inner layer Ri.
- the hardened layer Rc is harder than the inner layer Ri.
- the cured layer Rc has a predetermined thickness d.
- the thickness d of the cured layer Rc includes the height dt of the cured layer Rc and the width dw of the cured layer Rc.
- the height dt is substantially equal to the width dw.
- the height dt is different from the width dw.
- the height dt becomes larger than the width dw.
- FIG. 7 (a) to 7 (d) are schematic views for explaining the formation of a cured layer in the resist layer R of the substrate W.
- a resist layer R is formed on the upper surface of the substrate W.
- the resist layer R extends in the direction perpendicular to the main surface of the substrate W.
- ions are injected into the substrate W.
- the ions are injected from a direction inclined in one direction (leftward with respect to the paper surface) with respect to the normal direction of the main surface of the substrate W.
- Ion implantation alters the surface properties of the substrate W.
- the surface of the resist layer R is also altered to form a cured layer Rc.
- the left side of the cured layer Rc is relatively thick with respect to the resist layer R, while the right side of the cured layer Rc is relatively thin.
- ions are injected into the substrate W.
- the ions are injected from a direction inclined in the other direction (rightward with respect to the paper surface) with respect to the normal direction of the main surface of the substrate W.
- the altered hardened layer Rc on the surface of the resist layer R expands.
- the cured layer Rc has a predetermined thickness d.
- the thickness d of the cured layer Rc includes the height dt of the cured layer Rc and the width dw of the cured layer Rc.
- the cured layer Rc can be formed.
- the width on the left side and the width on the right side of the cured layer Rc can be made substantially equal. Further, since the ions are implanted into the resist layer R from an oblique direction, not only the height dt of the cured layer Rc but also the width dw of the cured layer Rc can be increased.
- the thickness d, height dt and / or width dw of the cured layer Rc may be measured by a measuring device.
- the thickness d, height dt and / or width dw of the cured layer Rc are the characteristics (composition, thickness, width, etc.) of the resist layer R and / or the conditions for ion implantation (ion species, accelerated energy, implantation amount, etc.). And the injection direction, etc.). Therefore, the thickness d, height dt and / or width dw of the cured layer Rc can be specified from the ion implantation conditions.
- the trained model LM is generated from the training data LD, and the training data LD is generated from the time series data TDL of the board processing apparatus 100L.
- FIG. 8 is a block diagram of a substrate processing system 10L provided with a substrate processing apparatus 100L and a learning data generation apparatus 300.
- the learning data generation device 300 is communicably connected to the substrate processing device 100L.
- the control unit 22L does not have the substrate information acquisition unit 22a and the chemical solution processing condition information acquisition unit 22b, and the storage unit 24L stores the learned model LM. It is the same as the block diagram of the substrate processing system 10 shown in FIG. 4, except that the test recipe TR is stored without the above, and duplicate description is omitted in order to avoid duplication.
- the board processing system 10L includes a plurality of board processing devices 100L, an indexer robot IRL, a center robot CRL, a control device 20L, a display unit 42L, an input unit 44L, a communication unit 46L, and a sensor 50L.
- the board processing device 100L, the indexer robot IRL, the center robot CRL, the control device 20L, the display unit 42L, the input unit 44L, and the communication unit 46L are the board processing device 100 and the indexer robot IR of the board processing system 10 shown in FIG. , Center robot CR, control device 20, display unit 42, input unit 44, and communication unit 46.
- the substrate processing device 100L includes a substrate holding unit 120L, a chemical solution supply unit 130L, a rinse solution supply unit 140L, and a cup 180L.
- the chamber 110L, the substrate holding section 120L, the chemical solution supply section 130L, the rinsing solution supply section 140L and the cup 180L are the substrate holding section 120, the chemical solution supply section 130, the rinsing solution supply section 140 and the cup 180 shown in FIGS. 3 and 4. It is preferable to have a similar configuration.
- the control device 20L has a control unit 22L and a storage unit 24L.
- the storage unit 24L stores the control program PGL.
- the substrate processing apparatus 100L operates according to the procedure specified in the control program PGL.
- the storage unit 24L stores a plurality of test recipes TR.
- the plurality of test recipes TR include recipes having different chemical treatment conditions. Therefore, when the control unit 22L processes the learning target substrate WL according to the test recipe TR, different chemical treatments are performed on the different learning target substrate WL.
- the storage unit 24L stores the time-series data TDL of the learning target substrate WL.
- the time-series data TDL is data showing the time change of the physical quantity in the substrate processing apparatus 100L.
- the time series data TDL shows a plurality of physical quantities detected by the sensor 50L.
- the time-series data TDL may include data indicating a manufacturing process before processing the learning target substrate WL with the substrate processing apparatus 100L.
- the time-series data TDL is used for substrate information including cured layer thickness information or ion implantation condition information, chemical solution treatment condition information indicating chemical solution treatment conditions performed on the learning target substrate WL, and learning target substrate WL. Includes processing result information indicating the results of the chemical treatment performed.
- the learning data generation device 300 is communicably connected to the board processing device 100L.
- the learning data generation device 300 communicates at least a part of the time series data TDL of the board processing device 100L.
- the learning data generation device 300 includes a control device 320, a display unit 342, an input unit 344, and a communication unit 346.
- the learning data generation device 300 can communicate with the control device 20L of the plurality of board processing devices 100L via the communication unit 346.
- the display unit 342, the input unit 344, and the communication unit 346 have the same configurations as the display unit 42, the input unit 44, and the communication unit 46.
- the control device 320 includes a control unit 322 and a storage unit 324.
- the storage unit 324 stores the control program PG3.
- the learning data generation device 300 operates according to the procedure defined in the control program PG3.
- the control unit 322 receives at least a part of the time series data TDL from the substrate processing device 100L, and stores the received time series data TDL in the storage unit 324.
- the storage unit 324 stores at least a part of the time series data TDL of the learning target substrate WL.
- the time-series data TDL is transmitted from the substrate processing device 100L to the learning data generation device 300 via the communication unit 46L and the communication unit 346.
- the control unit 322 stores at least a part of the transmitted time series data TDL in the storage unit 324.
- the time-series data TDL stored in the storage unit 324 includes substrate information, chemical solution treatment condition information, and processing result information of the time-series data TDL.
- the control unit 322 acquires the board information of the learning target board WL, the chemical solution processing condition information, and the processing result information from the time series data TDL of the storage unit 324. Further, the control unit 322 collectively generates the learning data LD by collecting the board information, the chemical solution processing condition information, and the processing result information of the learning target board WL, and the storage unit 324 stores the learning data LD.
- FIG. 9 is a flow chart of a method for generating learning data according to the present embodiment.
- the learning data is generated in the learning data generation device 300.
- step S110 the time series data TDL of the learning target substrate WL is acquired.
- the learning data generation device 300 receives at least a part of the time series data TDL of the learning target board WL from the board processing device 100L.
- the storage unit 324 stores the received time series data TDL.
- step S112 the board information is extracted from the time series data TDL of the learning target board WL stored in the storage unit 324.
- the substrate information includes cured layer thickness information or ion implantation condition information.
- the control unit 322 acquires the board information of the learning target board WL from the time series data TDL of the storage unit 324.
- step S114 the chemical solution treatment condition information of the learning target substrate WL is extracted from the time series data TDL of the learning target substrate WL stored in the storage unit 324.
- the control unit 322 acquires the chemical solution processing condition information of the learning target substrate WL from the time series data TDL of the storage unit 324.
- step S116 the processing result information of the learning target board WL is extracted from the time series data TDL of the learning target board WL stored in the storage unit 324.
- the control unit 322 acquires the processing result information of the learning target board WL from the time series data TDL of the storage unit 324.
- step S118 the board information of the learning target board WL, the chemical solution processing condition information, and the processing result information are associated and generated as the learning data LD, and the storage unit 324 stores the learning data LD for each of the plurality of learning target board WLs. do.
- the generated learning data includes substrate information, chemical solution treatment condition information, and processing result information associated with each other for each learning target substrate WL.
- Such learning data is suitably used for learning processing.
- the learning data generation device 300 is communicably connected to one board processing device 100L, but the present embodiment is not limited to this.
- the learning data generation device 300 may be communicably connected to a plurality of board processing devices 100L.
- the time-series data TDL generated by the board processing device 100L was transmitted to the learning data generation device 300 via the communication unit 46L and the communication unit 346.
- the form is not limited to this.
- the control device 320 of the learning data generation device 300 is incorporated in the control device 20 of the board processing system 10 including the board processing device 100L, and the time series data TDL is not transferred to the network in the board processing system 10.
- the learning data LD may be generated from the time series data TDL.
- FIG. 10 is a schematic diagram of the learning data generation device 300 and the learning device 400 of the present embodiment.
- the learning data generation device 300 and the learning device 400 can communicate with each other.
- the learning device 400 is communicably connected to the learning data generation device 300.
- the learning device 400 receives the learning data LD from the learning data generation device 300.
- the learning device 400 performs machine learning based on the learning data LD and generates a trained model LM.
- the learning device 400 includes a control device 420, a display unit 442, an input unit 444, and a communication unit 446.
- the display unit 442, the input unit 444, and the communication unit 446 have the same configurations as the display unit 42, the input unit 44, and the communication unit 46 of the board processing system 10 shown in FIG.
- the control device 420 includes a control unit 422 and a storage unit 424.
- the storage unit 424 stores the control program PG4.
- the learning device 400 operates according to the procedure defined in the control program PG4.
- the storage unit 424 stores the learning data LD.
- the learning data LD is transmitted from the learning data generation device 300 to the learning device 400 via the communication unit 346 and the communication unit 446.
- the control unit 422 stores the transmitted learning data LD in the storage unit 424.
- the substrate information, the chemical solution processing condition information, and the processing result information of the time series data TDL are associated with each other.
- the storage unit 424 stores the learning program LPG.
- the learning program LPG is a program for finding a certain rule from a plurality of learning data LDs and executing a machine learning algorithm for generating a learned model LM expressing the found rule.
- the control unit 422 generates a trained model LM by adjusting the parameters of the inference program by machine learning the learning data LD by executing the learning program LPG of the storage unit 424.
- the machine learning algorithm is not particularly limited as long as it is supervised learning, and is, for example, a decision tree, a nearest neighbor method, a naive Bayes classifier, a support vector machine, or a neural network. Therefore, the trained model LM includes a decision tree, the nearest neighbor method, a naive Bayes classifier, a support vector machine, or a neural network.
- the error backpropagation method may be used in machine learning to generate the trained model LM.
- a neural network includes an input layer, a single or multiple intermediate layers, and an output layer.
- the neural network is a deep neural network (DNN: Deep Neural Network), a recurrent neural network (RNN: Recurrent Neural Network), or a convolutional neural network (CNN: Convolutional Neural Network).
- DNN Deep Neural Network
- RNN Recurrent Neural Network
- CNN convolutional Neural Network
- a deep neural network includes an input layer, a plurality of intermediate layers, and an output layer.
- the control unit 422 includes an acquisition unit 422a and a learning unit 422b.
- the acquisition unit 422a acquires the learning data LD from the storage unit 424.
- the learning unit 422b machine-learns the learning data LD by executing the learning program LPG of the storage unit 424, and generates a learned model LM from the learning data LD.
- the learning unit 422b machine-learns a plurality of learning data LDs based on the learning program LPG. As a result, a certain rule is found from the plurality of learning data LDs, and the trained model LM is generated. That is, the trained model LM is constructed by machine learning the learning data LD.
- the storage unit 424 stores the trained model LM.
- the trained model LM is transferred to the substrate processing system 10, and the storage unit 24 stores the trained model LM.
- the storage unit 24 of the control device 20 in the substrate processing system 10 stores the learned model LM, and the chemical solution processing condition information acquisition unit 22b learns the storage unit 24. Obtain the chemical treatment conditions from the finished model LM.
- the storage unit 24 does not store the learned model LM, and the chemical solution processing condition information acquisition unit 22b may acquire the chemical solution treatment conditions from the outside of the substrate processing system 10.
- the chemical solution processing condition information acquisition unit 22b transmits the substrate information of the processing target substrate Wp to the learned model LM of the learning device 400 via the communication unit 46 and the communication unit 446, and transmits the substrate information of the processing target substrate Wp via the communication unit 446 and the communication unit 46.
- the chemical solution processing condition information output in the trained model LM may be received from the learning device 400.
- FIG. 11 is a flow chart of the learning method of the present embodiment.
- the learning of the learning data LD and the generation of the trained model LM are performed in the learning device 400.
- step S122 the acquisition unit 422a of the learning device 400 acquires a plurality of learning data LDs from the storage unit 424.
- the learning data LD the substrate information of the learning target substrate WL, the chemical solution treatment condition information, and the processing result information are associated with each other.
- step S124 the learning unit 422b machine-learns a plurality of learning data LDs based on the learning program LPG.
- step S126 the learning unit 422b determines whether or not the machine learning of the learning data LD is completed. Whether or not to end machine learning is determined according to predetermined conditions. For example, machine learning ends when a predetermined number or more of learning data LDs are machine-learned.
- step S126 If machine learning is not completed (No in step S126), the process returns to step S122. In that case, machine learning is repeated. On the other hand, when the machine learning ends (Yes in step S126), the process proceeds to step S128.
- the storage unit 424 stores the trained model LM.
- the learning method is completed and the trained model LM is generated.
- the trained model LM can be generated by machine learning the learning data LD.
- the learning device 400 is communicably connected to one learning data generation device 300, but the present embodiment is not limited to this.
- the learning device 400 may be communicably connected to a plurality of learning data generation devices 300.
- the learning data LD generated by the learning data generation device 300 is transmitted to the learning device 400 via the communication unit 346 and the communication unit 446. Is not limited to this.
- the control device 420 of the learning device 400 is incorporated in the control device 320 of the learning data generation device 300, and the learning data LD is not transferred to the network, and the learning data is stored in the learning data generation device 300.
- a trained model LM may be generated from the LD.
- the time-series data TDL generated by the board processing device 100L is transmitted to the learning data generation device 300 via the communication unit 46L and the communication unit 346 to generate the learning data.
- the learning data LD generated by the device 300 is transmitted to the learning device 400 via the communication unit 346 and the communication unit 446, but the present embodiment is not limited to this.
- the control device 320 of the learning data generation device 300 and the control device 420 of the learning device 400 are incorporated in the control device 20 of the board processing system 10L, and the time-series data TDL and the learning data LD are transferred to the network.
- the trained model LM may be generated from the time-series data TDL in the substrate processing system 10L via the learning data LD.
- FIG. 12 is a diagram showing an example of the learning data LD.
- FIG. 12 shows the substrate information of the learning target substrate WL, the chemical treatment conditions of the learning target substrate WL, and the processing result of the learning target substrate WL.
- the substrate information is the cured layer thickness information of the learning target substrate WL.
- the thickness of the cured layer can be obtained by measuring the cured layer in the resist layer of the substrate WL to be learned.
- the chemical solution treatment condition information indicates the chemical solution treatment conditions performed on the learning target substrate WL.
- the chemical treatment conditions include, for example, the concentration of the chemical solution, the temperature of the chemical solution, the supply amount of the chemical solution, and the rotation speed of the learning target substrate WL when supplying the chemical solution.
- the treatment result shows the result of the learning target substrate WL after the chemical solution treatment.
- the learning data LD includes the learning data LD1 to the learning data LD1000.
- the learning data LD1 shows the substrate information of a certain learning target substrate WL1, the chemical solution treatment conditions, and the processing result.
- Ld1 indicates the thickness of the cured layer of the learning target substrate WL1.
- Lp1 indicates the conditions of the chemical solution treatment performed on the learning target substrate WL1.
- the processing result information indicates the processing result of the chemical solution treatment with respect to the learning target substrate WL1.
- the processing result may be determined by whether or not an abnormality in the characteristics is found in the learning target substrate WL1.
- the result of the learning target substrate treated with the chemical solution was good, so it is shown as ⁇ .
- the result of the learning target substrate treated with the chemical solution is not good, it is indicated by x.
- the learning data LD2 to LD1000 are generated corresponding to the learning target substrates WL2 to WL1000.
- the chemical treatment conditions performed on the learning target substrate WL may be the same or different.
- the processing result greatly varies depending on the thickness of the cured layer of the learning target substrate WL.
- the number of data was 1000, but this embodiment is not limited to this.
- the number of data may be less than 1000 and may be greater than 1000. However, it is preferable that the number of data is as large as possible.
- the board information includes a plurality of items.
- the cured layer thickness information may include cured layer height information indicating the height of the cured layer and cured layer width information indicating the width of the cured layer.
- FIG. 13 is a diagram showing an example of the learning data LD.
- the learning data LD includes the substrate information of the learning target substrate WL, the chemical solution processing condition information of the learning target substrate WL, and the processing result information of the learning target substrate WL.
- the learning data LD of FIG. 13 is the same as the learning data LD described above with reference to FIG. 12, except that the substrate information of the learning target substrate WL includes the cured layer height information and the cured layer width information. , Omit duplicate description to avoid redundancy.
- the substrate information is the cured layer height information and the cured layer width information of the learning target substrate WL.
- the height and width of the cured layer can be obtained by measuring the cured layer in the resist layer of the substrate WL to be learned.
- the learning data LD includes the learning data LD1 to LD1000.
- the learning data LD1 shows the substrate information of a certain learning target substrate WL1, the chemical solution treatment conditions, and the processing result.
- Ldt1 indicates the height of the cured layer of the learning target substrate WL1.
- Ldw1 indicates the width of the cured layer of the learning target substrate WL1.
- the learning data LD2 to LD1000 are generated corresponding to the learning target substrates WL2 to WL1000.
- the processing result greatly varies depending on the height and width of the cured layer of the substrate WL to be learned. It is preferable that the learning data LD has an item that greatly contributes to the fluctuation of the result of the chemical treatment of the learning target substrate WL.
- the processing result when the processing result is good, it is indicated by ⁇ , when the processing result is not good, it is indicated by ⁇ , and the processing results of the learning data LD1 to LD1000 are shown.
- the processing result may be classified into a plurality of values of 3 or more.
- the processing result may be classified into any value between the minimum value and the maximum value.
- the processing result may be quantified in consideration of the amount of the chemical solution used (supply amount), the time required for the chemical solution treatment, and the like, in addition to the characteristics of the learning target substrate WL.
- the chemical treatment conditions include a plurality of items.
- the chemical solution treatment conditions may include the concentration of the chemical solution, the temperature, the supply amount, the discharge pattern of the chemical solution to the learning target substrate, and the rotation speed of the substrate holding portion 120 during the chemical solution treatment.
- FIG. 14 is a diagram showing an example of the learning data LD.
- the learning data LD includes the learning data LD1 to LD1000.
- the learning data LD shows the substrate information of the learning target substrate WL, the chemical treatment conditions of the learning target substrate WL, and the processing result information of the learning target substrate WL.
- the chemical solution treatment conditions include the concentration of the chemical solution, the temperature of the chemical solution, the supply amount of the chemical solution, the discharge pattern of the chemical solution to the learning target substrate, and the rotation speed of the learning target substrate when the chemical solution is supplied.
- the concentration of the chemical solution indicates the concentration of the chemical solution used for the learning target substrate WL.
- the temperature of the chemical solution indicates the temperature of the chemical solution used for the learning target substrate WL.
- the supply amount of the chemical solution indicates the supply amount of the chemical solution used for the learning target substrate WL.
- the discharge pattern of the chemical solution to the learning target substrate indicates the path (moving path of the nozzle 132) of the chemical solution to the learning target substrate WL.
- the rotation speed of the learning target substrate indicates the rotation speed of the learning target substrate WL when supplying the chemical solution. Further, in the learning data LD, when the result of the learning target substrate treated with the chemical solution is good, it is indicated by " ⁇ ", and when the result of the learning target substrate treated with the chemical solution is not good, it is indicated by "x".
- Lc1 indicates the concentration of the chemical solution used for the learning target substrate WL1
- Lt1 indicates the temperature of the chemical solution used for the learning target substrate WL1.
- Ls1 indicates the supply amount of the chemical solution used for the learning target substrate WL1
- Le1 indicates the discharge pattern of the chemical solution for the learning target substrate WL1
- Lv1 supplies the chemical solution to the learning target substrate WL1.
- the rotation speed of the learning target substrate WL1 at the time of the learning is shown.
- the processing result of the learning target substrate WL1 treated with the chemical solution was good, so the processing result is “ ⁇ ”.
- the chemical treatment conditions performed on the learning target substrate WL may be the same or different.
- at least a part of a plurality of chemical solution treatment conditions may be the same or different.
- all of the plurality of items of the chemical treatment conditions may be the same or different.
- the processing result varies depending on the substrate state of the learning target substrate WL and the chemical solution treatment conditions.
- FIG. 15A shows a schematic view of the substrate Wp to be processed
- FIG. 15B shows the chemical solution treatment condition information Rp generated in the trained model LM.
- the substrate Wp to be processed has a resist layer R on which a cured layer Rc is formed.
- the height of the cured layer Rc is dt
- the width of the cured layer Rc is dw.
- FIG. 15B is a diagram showing chemical solution treatment condition information Rp.
- the chemical solution treatment condition information Rp includes the concentration of the chemical solution, the temperature of the chemical solution, the supply amount of the chemical solution, the discharge pattern of the chemical solution to the learning target substrate, and the rotation speed of the chemical solution to be processed when the chemical solution is supplied.
- Rp indicates the concentration of the chemical solution used for the substrate Wp to be treated
- Rt indicates the temperature of the chemical solution used for the substrate Wp to be treated.
- Rs indicates the supply amount of the chemical solution used for the substrate Wp to be processed
- Pe indicates the discharge pattern of the chemical solution used for the substrate Wp to be processed
- Rv indicates the discharge pattern of the chemical solution used for the substrate Wp to be processed. The rotation speed of the substrate Wp to be processed when supplying the chemical solution is shown.
- control unit 22 controls the substrate holding unit 120 and the chemical solution supply unit 130 so that the substrate Wp to be processed is treated with the chemical solution according to the chemical solution treatment conditions indicated in the chemical solution treatment condition information Rp.
- the chemical solution treatment conditions include five items: the chemical solution concentration, the chemical solution temperature, the chemical solution supply amount, the chemical solution discharge pattern, and the rotation speed of the substrate to be treated.
- the chemical treatment condition may have any one or more of these five items.
- the chemical treatment condition may be a combination of any one or more of these five items and another item.
- the chemical treatment conditions may have one or more items different from these five items.
- the substrate information of the learning target substrate WL is the information obtained by measuring the thickness of the cured layer, but the present embodiment is not limited to this.
- the substrate information of the substrate WL to be learned may include information regarding the conditions of ion implantation forming the cured layer.
- FIG. 16 is a diagram showing an example of the learning data LD.
- the learning data LD of FIG. 16 is the same as the learning data LD described above with reference to FIG. 12, except that the substrate information indicates the ion implantation conditions for forming the cured layer of the learning target substrate WL. Therefore, duplicate descriptions are omitted to avoid duplication.
- the learning data LD includes the learning data LD1 to LD1000.
- the learning data LD shows the substrate information of the learning target substrate WL, the chemical treatment conditions of the learning target substrate WL, and the processing result information of the learning target substrate WL.
- the substrate information of the learning target substrate WL includes ion implantation condition information indicating the ion implantation conditions for forming the cured layer of the learning target substrate WL.
- the ion implantation condition information includes the ion type, acceleration energy, implantation amount, and implantation direction.
- the ion species indicates the ion species used for ion implantation, and the acceleration energy indicates the acceleration energy of the ion species at the time of ion implantation.
- the injection amount indicates the amount of ion-implanted ion species, and the injection direction indicates the direction in which ions are implanted into the learning target substrate WL.
- Lk1 indicates the ion type used for ion implantation when forming the cured layer of the learning target substrate WL
- La1 indicates the ion implantation when forming the cured layer of the learning target substrate WL1.
- Lu1 indicates the amount of ions implanted when forming the cured layer of the learning target substrate WL
- Ld1 indicates the direction in which ions are implanted into the learning target substrate WL when forming the cured layer of the learning target substrate WL1. Is shown.
- the substrate information may indicate not the thickness of the cured layer itself but the condition of ion implantation for forming the cured layer.
- the ion implantation condition information may be any item of ion type, acceleration energy, implantation amount, and implantation direction. Further, the ion implantation condition information may have a combination of any one item of the ion type, the acceleration energy, the implantation amount, and the implantation direction and another item. Alternatively, the ion implantation condition information may include one or more items other than the ion type, acceleration energy, implantation amount, and implantation direction. Further, the substrate information may be a combination of the cured layer thickness information and the ion implantation condition information.
- the chemical solution supply unit 130 supplies the chemical solution in a certain state to the substrate W, but the present embodiment is not limited to this.
- the concentration and temperature of the chemical solution may be changed as appropriate.
- FIG. 17 is a schematic view of the substrate processing apparatus 100 of the present embodiment.
- the substrate processing device 100 of FIG. 17 is the same as the substrate processing device 100 described above with reference to FIG. 3, except that the concentration and temperature of the chemical solution supplied from the chemical solution supply unit 130 can be adjusted. , Omit duplicate description to avoid redundancy.
- the chemical solution supply unit 130 supplies SPM as a chemical solution to the substrate W.
- SPM is produced by mixing sulfuric acid and hydrogen peroxide solution.
- the chemical solution supply unit 130 can supply the SPM to the substrate W by changing the concentration (mixing ratio) of the SPM. As a result, the substrate W is processed by SPM.
- the chemical solution supply unit 130 includes a nozzle 132, a pipe 134a, a valve 136a, an adjustment valve 137a, a pipe 134b, a valve 136b, and an adjustment valve 137b.
- the nozzle 132 faces the upper surface Wa of the substrate W and discharges the chemical solution toward the upper surface Wa of the substrate W.
- the pipe 134a is connected to the nozzle 132.
- the nozzle 132 is provided at the tip of the pipe 134a.
- Hydrogen peroxide solution is supplied to the pipe 134a from the supply source.
- the valve 136a and the adjusting valve 137a are provided in the pipe 134a.
- the valve 136a opens and closes the flow path in the pipe 134a.
- the adjusting valve 137a adjusts the flow rate of the hydrogen peroxide solution passing through the flow path in the pipe 134a.
- the pipe 134b is connected to the nozzle 132.
- the nozzle 132 is provided at the tip of the pipe 134b.
- Sulfuric acid is supplied to the pipe 134b from the supply source.
- the temperature of the sulfuric acid may be the same as or different from the temperature of the hydrogen peroxide solution.
- the valve 136b and the adjusting valve 137b are provided in the pipe 134b.
- the valve 136b opens and closes the flow path in the pipe 134b.
- the adjusting valve 137b adjusts the flow rate of sulfuric acid passing through the flow path in the pipe 134b.
- the flow rates of hydrogen peroxide solution and sulfuric acid flowing in the pipes 134a and 134b can be changed by adjusting the adjustment valves 137a and 137b. Therefore, the concentration and temperature of SPM produced by mixing the hydrogen peroxide solution and sulfuric acid can be adjusted.
- the inner layer Ri is relatively easy to remove with a chemical solution, while the cured layer Rc is relatively removed with a chemical solution. It's hard to do. Therefore, when removing the cured layer Rc, the concentration of SPM is controlled so that the ability to remove SPM is high, and when removing the inner layer Ri, the ability of SPM to be removed is low. It is preferable to control the concentration.
- the concentration of SPM is controlled so that the ratio of hydrogen peroxide solution in SPM is high, and when removing the inner layer Ri, peroxidation in SPM is performed.
- the concentration of SPM is controlled so that the ratio of hydrogen peroxide is low.
- FIG. 18 is a diagram showing an example of the learning data LD.
- the learning data LD of FIG. 18 is suitably used for generating the trained model LM of the substrate processing apparatus 100 shown in FIG.
- the learning data LD of FIG. 18 is the same as the learning data LD described above with reference to FIG. 14, except that the value of at least one item of the learning data indicates a profile indicating a time change of the physical property value. The same applies, and duplicate descriptions are omitted to avoid duplication.
- the learning data LD includes the learning data LD1 to LD1000.
- the chemical treatment conditions include the concentration profile of the chemical solution, the temperature profile of the chemical solution, the supply amount of the chemical solution, the discharge pattern of the chemical solution to the learning target substrate, and the rotation speed of the learning target substrate when the chemical solution is supplied.
- the concentration profile shows the time change of the concentration of SPM during the drug solution treatment.
- the temperature profile and the time change of the temperature of the SPM used for the learning target substrate WL are shown.
- the supply amount indicates the supply amount of the SPM used for the learning target substrate WL
- the discharge pattern indicates the discharge pattern and the discharge timing of the SPM for the learning target substrate WL.
- the rotation speed indicates the rotation speed of the learning target substrate WL when supplying SPM to the learning target substrate WL.
- the ratio of hydrogen peroxide solution / sulfuric acid in SPM can be changed by adjusting valves 137a and 137b. Therefore, in FIG. 18, the concentration of the chemical solution indicates the time change of the concentration of the chemical solution used for the learning target substrate WL, and the temperature of the chemical solution is the temperature of the chemical solution used for the learning target substrate WL. Shows time change.
- Lcp1 indicates the concentration profile of SPM supplied to the learning target substrate WL
- Ltp1 indicates the temperature profile of SPM supplied to the learning target substrate WL1.
- Ls1 indicates the supply amount of SPM supplied to the learning target substrate WL
- Le1 indicates the discharge pattern of SPM with respect to the learning target substrate WL1.
- Lv1 indicates the rotation speed of the learning target substrate WL when supplying SPM to the learning target substrate WL1.
- the learning data LD2 to LD1000 The same applies to the learning data LD2 to LD1000.
- the result of the chemical solution treatment of the learning target substrate WL varies greatly depending on the concentration profile and the temperature profile of SPM. Therefore, it is preferable that the learning data LD has an item that greatly contributes to the fluctuation of the result of the chemical treatment of the learning target substrate WL.
- the storage unit 24 of the board processing device 100 or the storage unit 424 of the learning device 400 stores the learned model LM constructed by machine learning.
- the embodiment is not limited to this.
- the storage unit 24 of the substrate processing device 100 or the storage unit 424 of the learning device 400 may store the conversion table CT instead of the trained model LM.
- the substrate processing apparatus 100 of FIG. 19 has the same configuration as the substrate processing apparatus 100 described above with reference to FIG. 4, except that the storage unit 24 stores the conversion table CT instead of the trained model LM. It has, and duplicate description is omitted to avoid redundancy.
- the storage unit 24 stores the conversion table CT.
- the conversion table CT associates the substrate information of the processing target substrate Wp with the chemical solution processing condition information.
- the substrate information of the substrate Wp to be processed includes, for example, cured layer height information and cured layer width information.
- the conversion table CT is created based on the substrate information of the learning target substrate WL, the chemical solution processing condition information, and the processing result information.
- the board information acquisition unit 22a acquires board information from the storage unit 24.
- the substrate information acquisition unit 22a acquires the cured layer height information and the cured layer width information from the storage unit 24.
- the chemical solution treatment condition information acquisition unit 22b acquires the chemical solution treatment condition information from the substrate information based on the conversion table CT. Typically, the chemical solution treatment condition information acquisition unit 22b extracts the value corresponding to the substrate information from the conversion table CT, and based on the relationship between the substrate information associated with the conversion table CT and the chemical solution treatment condition information. Acquire information on chemical treatment conditions. In this way, the chemical solution treatment condition information acquisition unit 22b acquires the chemical solution treatment condition information corresponding to the substrate information by using the conversion table CT.
- control unit 22 controls the substrate holding unit 120 and the chemical solution supply unit 130 according to the chemical solution treatment conditions shown in the chemical solution treatment condition information.
- FIG. 20 is a diagram showing an example of the conversion table CT.
- the conversion table CT shows the substrate information of the substrate Wp to be processed and the chemical solution treatment conditions.
- the substrate information includes information about the cured layer.
- the substrate information of the substrate Wp to be processed includes the cured layer height information and the cured layer width information.
- the conversion table CT1 shows a certain substrate information and the corresponding chemical solution treatment conditions.
- the substrate information includes the cured layer height information and the cured layer width information of the substrate Wp to be processed.
- dt1 indicates the height of the cured layer of a certain substrate Wp to be processed.
- dw1 indicates the width of the cured layer of a certain substrate Wp to be processed.
- Rp1 indicates the chemical solution treatment conditions to be performed on the substrate Wp to be processed. Therefore, if the height of the cured layer of the substrate Wp to be treated is dt1 and the width of the cured layer is dw1, the substrate processing apparatus 100 performs the chemical treatment under the chemical treatment conditions indicated by Rp1.
- conversion tables CD2 to CD1000 typically, at least one of the height of the cured layer and the width of the cured layer is different.
- the chemical treatment conditions of the substrate Wp to be treated are the chemicals shown in the conversion table CT. It may be determined by linear interpolation of the values of the processing conditions. Alternatively, the chemical treatment conditions of the substrate Wp to be processed may be determined by interpolating the values of the chemical treatment conditions shown in the conversion table with a polynomial.
- the present invention is suitably used for a board processing device, a board processing method, a learning data generation method, a learning method, a learning device, a trained model generation method, and a trained model.
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Manufacturing & Machinery (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Computer Hardware Design (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Power Engineering (AREA)
- Automation & Control Theory (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- General Chemical & Material Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Cleaning Or Drying Semiconductors (AREA)
- Exposure Of Semiconductors, Excluding Electron Or Ion Beam Exposure (AREA)
- Container, Conveyance, Adherence, Positioning, Of Wafer (AREA)
- Design And Manufacture Of Integrated Circuits (AREA)
- Drying Of Semiconductors (AREA)
Abstract
基板処理装置(100)は、基板保持部(120)と、薬液供給部(130)と、基板情報取得部(22a)と、薬液処理条件情報取得部(22b)と、制御部(22)とを備える。基板情報取得部(22a)は、処理対象基板のレジスト層における硬化層の厚さを示す硬化層厚さ情報またはレジスト層に硬化層を形成したイオン注入の条件を示すイオン注入条件情報を含む基板情報を取得する。薬液処理条件情報取得部(22b)は、基板情報に基づいて、学習済モデルから処理対象基板についての薬液処理条件を示す薬液処理条件情報を取得する。制御部(22)は、薬液処理条件情報に基づいて、処理対象基板を薬液で処理するように基板保持部(120)および薬液供給部(130)を制御する。
Description
本発明は、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、学習済モデルに関する。
基板を処理する基板処理装置は、半導体装置の製造等に好適に用いられる。基板の製造時に、所定パターンのレジスト層を形成した後で基板にイオン注入して基板の特性を改質することがある。その場合、イオン注入した後で、レジスト層は薬液で剥離される。基板の製造過程でレジスト層にイオンが注入すると、レジスト層に硬化層または変質層が形成されることが知られている(特許文献1参照)。
特許文献1には、硫酸および過酸化水素水に炭酸アルキレンを加えた半導体基板用洗浄剤でレジスト層を剥離・除去することが記載されている。特許文献1によれば、この半導体基板用洗浄剤は、レジスト層を剥離する際に、SPM洗浄剤に匹敵する洗浄力を有する一方で、半導体基板の損傷を低減できる。
しかしながら、特許文献1の手法では、基板のレジスト層中の硬化層を適切に除去できないことがある。例えば、イオン注入されたレジスト層に対して薬液の使用量が少なすぎると、レジスト層を充分に除去できない。また、イオン注入されたレジスト層に対して薬液の使用量が多すぎると、コストが上昇してしまう。
本発明は上記課題に鑑みてなされたものであり、その目的は、基板のレジスト層中の硬化層を適切に除去可能な基板処理装置、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、学習済モデルを提供することにある。
本発明の一局面によれば、基板処理装置は、硬化層の形成されたレジスト層を有する処理対象基板を回転可能に保持する基板保持部と、前記処理対象基板に薬液を供給する薬液供給部と、前記処理対象基板についての前記硬化層の厚さを示す硬化層厚さ情報または前記レジスト層に前記硬化層を形成したイオン注入の条件を示すイオン注入条件情報を含む基板情報を取得する基板情報取得部と、前記基板情報に基づいて、学習済モデルから前記処理対象基板についての薬液処理条件を示す薬液処理条件情報を取得する薬液処理条件情報取得部と、前記薬液処理条件情報取得部において取得された前記薬液処理条件情報に基づいて、前記処理対象基板を薬液で処理するように前記基板保持部および前記薬液供給部を制御する制御部とを備える。前記学習済モデルは、硬化層の形成されたレジスト層を有する学習対象基板について前記硬化層の厚さを示す硬化層厚さ情報または前記レジスト層に前記硬化層を形成したイオン注入の条件を示すイオン注入条件情報を含む基板情報と、前記学習対象基板を薬液で処理した条件を示す薬液処理条件情報と、前記学習対象基板を薬液で処理した結果を示す処理結果情報とが関連付けられた学習用データを機械学習することで構築される。
ある実施形態において、前記基板処理装置は、前記学習済モデルを記憶する記憶部をさらに備える。
ある実施形態において、前記処理対象基板および前記学習対象基板のそれぞれについて、前記硬化層厚さ情報は、前記硬化層の高さを示す硬化層高さ情報または前記硬化層の幅を示す硬化層幅情報を含む。
ある実施形態において、前記処理対象基板および前記学習対象基板のそれぞれについて、前記薬液処理条件情報は、前記薬液の濃度、前記薬液の温度、前記薬液の供給量、前記薬液の吐出パターン、および、前記薬液を供給する際の基板の回転速度のいずれかを示す情報を含む。
ある実施形態において、前記薬液の濃度を示す情報は、前記薬液の濃度が時間とともに変化した濃度プロファイルを示す。
ある実施形態において、前記薬液の温度を示す情報は、前記薬液の温度が時間とともに変化した温度プロファイルを示す。
本発明の別の局面によれば、基板処理方法は、硬化層の形成されたレジスト層を有する処理対象基板を回転可能に保持するステップと、前記処理対象基板についての前記硬化層の厚さを示す硬化層厚さ情報または前記レジスト層に前記硬化層を形成したイオン注入の条件を示すイオン注入条件情報を含む基板情報を取得するステップと、前記基板情報に基づいて、学習済モデルから前記処理対象基板の薬液処理条件を示す薬液処理条件情報を取得するステップと、前記薬液処理条件情報の薬液処理条件に従って前記処理対象基板を薬液で処理するステップとを包含する。前記薬液処理条件情報を取得するステップにおいて、前記学習済モデルは、硬化層の形成されたレジスト層を有する学習対象基板について前記硬化層の厚さを示す硬化層厚さ情報または前記レジスト層に前記硬化層を形成したイオン注入の条件を示すイオン注入条件情報を含む基板情報と、前記学習対象基板に対して行われた薬液処理の条件を示す薬液処理条件情報と、前記学習対象基板に対して行われた薬液処理の結果を示す処理結果情報とが関連付けられた学習用データを機械学習することで構築される。
本発明のさらに別の局面によれば、学習用データの生成方法は、硬化層の形成されたレジスト層を有する学習対象基板を処理する基板処理装置から出力される時系列データから、前記硬化層の厚さを示す硬化層厚さ情報または前記レジスト層に前記硬化層を形成したイオン注入の条件を示すイオン注入条件情報を含む基板情報を取得するステップと、前記時系列データから、前記基板処理装置において前記学習対象基板を薬液で処理した条件を示す薬液処理条件情報を取得するステップと、前記時系列データから、前記基板処理装置において前記学習対象基板を薬液で処理した結果を示す処理結果情報を取得するステップと、前記学習対象基板について前記基板情報、前記薬液処理条件情報および前記処理結果情報を関連付けて学習用データとして記憶部に記憶するステップとを包含する。
本発明のさらに別の局面によれば、学習方法は、上記に記載の学習用データの生成方法にしたがって生成された学習用データを取得するステップと、前記学習用データを学習プログラムに入力して前記学習用データを機械学習するステップとを包含する。
本発明のさらに別の局面によれば、学習装置は、上記に記載の学習用データの生成方法にしたがって生成された学習用データを記憶する記憶部と、前記学習用データを学習プログラムに入力して前記学習用データを機械学習する学習部とを備える。
本発明のさらに別の局面によれば、学習済モデルの生成方法は、上記に記載の学習用データの生成方法にしたがって生成された学習用データを取得するステップと、前記学習用データを機械学習させることで構築された学習済モデルを生成するステップとを包含する。
本発明のさらに別の局面によれば、学習済モデルは、上記に記載の学習用データの生成方法にしたがって生成された学習用データを機械学習させることで構築される。
本発明のさらに別の局面によれば、基板処理装置は、硬化層の形成されたレジスト層を有する基板を回転可能に保持する基板保持部と、前記基板に薬液を供給する薬液供給部と、硬化層厚さ情報またはイオン注入の条件を示すイオン注入条件情報を含む基板情報と、薬液処理の条件を示す薬液処理条件情報とが関連付けられた変換テーブルを記憶する記憶部と、前記基板についての前記硬化層の厚さを示す硬化層厚さ情報または前記硬化層を形成したイオン注入の条件を示すイオン注入条件情報を含む基板情報を取得する基板情報取得部と、前記基板情報に基づいて、前記変換テーブルを用いて前記基板についての薬液処理条件を示す薬液処理条件情報を取得する薬液処理条件情報取得部と、前記薬液処理条件情報取得部において取得された前記薬液処理条件情報に基づいて前記基板を薬液で処理するように前記基板保持部および前記薬液供給部を制御する制御部とを備える。
本発明によれば、処理対象基板のレジスト層中の硬化層を適切に除去できる。
以下、図面を参照して、本発明による基板処理装置、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、学習済モデルの実施形態を説明する。なお、図中、同一または相当部分については同一の参照符号を付して説明を繰り返さない。また、本願明細書では、発明の理解を容易にするため、互いに直交するX方向、Y方向およびZ方向を記載することがある。典型的には、X方向およびY方向は水平方向に平行であり、Z方向は鉛直方向に平行である。
まず、図1を参照して、本実施形態の基板処理装置100を備えた基板処理学習システム200を説明する。まず、図1を参照して、基板処理学習システム200を説明する。
図1は、基板処理学習システム200の模式図である。図1に示すように、基板処理学習システム200は、基板処理装置100と、基板処理装置100Lと、学習用データ生成装置300と、学習装置400とを備える。
基板処理装置100は、処理対象基板を処理する。ここでは、処理対象基板は、硬化層の形成されたレジスト層を有しており、基板処理装置100は、処理対象基板のレジスト層を薬液で処理する。なお、基板処理装置100は、処理対象基板に対して薬液処理以外の処理をしてもよい。基板処理装置100は、処理対象基板を1枚ずつ処理する枚葉型である。典型的には、処理対象基板は略円板状である。
基板処理装置100Lは、学習対象基板を処理する。ここでは、学習対象基板は、硬化層の形成されたレジスト層を有しており、基板処理装置100Lは、学習対象基板のレジスト層を薬液で処理する。なお、基板処理装置100Lは、学習対象基板に対して薬液処理以外の処理をしてもよい。学習対象基板の構成は、処理対象基板の構成と同じである。基板処理装置100Lは、処理対象基板を1枚ずつ処理する枚葉型である。典型的には、処理対象基板は略円板状である。基板処理装置100Lの構成は、基板処理装置100の構成と同じである。基板処理装置100Lは、基板処理装置100と同一物であってもよい。例えば、同一の基板処理装置が過去に学習対象基板を処理し、その後、処理対象基板を処理してもよい。あるいは、基板処理装置100Lは、基板処理装置100と同じ構成を有する別の製品であってもよい。
本明細書の以下の説明において、学習対象基板を「学習対象基板WL」と記載し、処理対象基板を「処理対象基板Wp」と記載することがある。また、学習対象基板WLと処理対象基板Wpとを区別して説明する必要のないときは、学習対象基板WLおよび処理対象基板Wpを「基板W」と記載することがある。
基板Wは、例えば、半導体ウエハ、液晶表示装置用基板、プラズマディスプレイ用基板、電界放出ディスプレイ(Field Emission Display:FED)用基板、光ディスク用基板、磁気ディスク用基板、光磁気ディスク用基板、フォトマスク用基板、セラミック基板、又は、太陽電池用基板である。
基板処理装置100Lは、時系列データTDLを出力する。時系列データTDLは、基板処理装置100Lにおける物理量の時間変化を示すデータである。時系列データTDLは、所定期間にわたって時系列に変化した物理量(値)の時間変化を示す。例えば、時系列データTDLは、基板処理装置100Lが学習対象基板に対して行った処理についての物理量の時間変化を示すデータである。あるいは、時系列データTDLは、基板処理装置100Lによって処理された学習対象基板の特性についての物理量の時間変化を示すデータである。または、時系列データTDLは、学習対象基板を基板処理装置100Lで処理する前の製造プロセスを示すデータを含んでもよい。
なお、時系列データTDLにおいて示される値は、測定機器において直接測定された値であってもよい。または、時系列データTDLにおいて示される値は、測定機器において直接測定された値を演算処理した値であってもよい。あるいは、時系列データTDLにおいて示される値は、複数の測定機器において測定された値を演算したものであってもよい。
学習用データ生成装置300は、時系列データTDLまたは時系列データTDLの少なくとも一部に基づいて学習用データLDを生成する。学習用データ生成装置300は、学習用データLDを出力する。学習用データLDは、学習対象基板WLの基板情報と、学習対象基板WLに対して行われた薬液処理の処理条件を示す薬液処理条件情報と、学習対象基板WLに対して行われた薬液処理の結果を示す処理結果情報とを含む。また、学習対象基板WLの基板情報は、学習対象基板WLが薬液処理される前に測定された学習対象基板WLの基板情報を含む。
学習装置400は、学習用データLDを機械学習することによって、学習済モデルLMを生成する。学習装置400は、学習済モデルLMを出力する。
基板処理装置100は、時系列データTDを出力する。時系列データTDは、基板処理装置100における物理量の時間変化を示すデータである。時系列データTDは、所定期間にわたって時系列に変化した物理量(値)の時間変化を示す。例えば、時系列データTDは、基板処理装置100が処理対象基板に対して行った処理についての物理量の時間変化を示すデータである。あるいは、時系列データTDは、基板処理装置100によって処理された処理対象基板の特性についての物理量の時間変化を示すデータである。
なお、時系列データTDにおいて示される値は、測定機器において直接測定された値であってもよい。または、時系列データTDにおいて示される値は、測定機器において直接測定された値を演算処理した値であってもよい。あるいは、時系列データTDにおいて示される値は、複数の測定機器において測定された値を演算したものであってもよい。または、時系列データTDは、処理対象基板を基板処理装置100で処理する前の製造プロセスを示すデータを含んでもよい。
基板処理装置100が使用する物体は、基板処理装置100Lが使用する物体に対応する。従って、基板処理装置100が使用する物体の構成は、基板処理装置100Lが使用する物体の構成と同じである。また、時系列データTDにおいて、基板処理装置100が使用する物体の物理量は、基板処理装置100Lが使用する物体の物理量に対応する。従って、基板処理装置100Lが使用する物体の物理量は、基板処理装置100が使用する物体の物理量と同じである。
時系列データTDから、処理対象基板Wpの基板情報Cpが生成される。処理対象基板Wpの基板情報Cpは、学習対象基板WLの基板情報に対応する。処理対象基板Wpの基板情報Cpは、処理対象基板Wpについての基板情報を含む。処理対象基板Wpの基板情報は、処理対象基板Wpが薬液処理される前に処理対象基板Wpを測定することによって得られた情報であってもよい。あるいは、処理対象基板Wpの基板情報は、薬液処理前に、処理対象基板Wpに対して行われた処理についての情報であってもよい。
学習済モデルLMから、処理対象基板Wpの基板情報Cpに基づいて、基板処理装置100における処理対象基板Wpに適した薬液処理条件を示す薬液処理条件情報Rpが出力される。
以上、図1を参照して説明したように、本実施形態によれば、学習装置400は、機械学習を行う。従って、非常に複雑かつ解析対象が膨大な時系列データTDLから精度の高い学習済モデルLMを生成できる。また、学習済モデルLMに対して、時系列データTDからの基板情報Cpを入力して、学習済モデルLMから、薬液処理条件を示す薬液処理条件情報Rpを出力させる。従って、処理対象基板Wpに応じて薬液処理できる。
次に、図2を参照して、本実施形態の基板処理装置100を備えた基板処理システム10を説明する。図2は、基板処理システム10の模式的な平面図である。
基板処理システム10は、基板Wを処理する。基板処理システム10は、複数の基板処理装置100を備える。基板処理装置100は、基板Wに対して、エッチング、表面処理、特性付与、処理膜形成、膜の少なくとも一部の除去および洗浄のうちの少なくとも1つを行うように基板Wを処理する。
図1に示すように、基板処理システム10は、複数の基板処理装置100に加えて、流体キャビネット32と、流体ボックス34と、複数のロードポートLPと、インデクサーロボットIRと、センターロボットCRと、制御装置20とを備える。制御装置20は、ロードポートLP、インデクサーロボットIRおよびセンターロボットCRを制御する。
ロードポートLPの各々は、複数枚の基板Wを積層して収容する。インデクサーロボットIRは、ロードポートLPとセンターロボットCRとの間で基板Wを搬送する。なお、インデクサーロボットIRとセンターロボットCRとの間に、基板Wを一時的に載置する設置台(パス)を設けて、インデクサーロボットIRとセンターロボットCRとの間で設置台を介して間接的に基板Wを受け渡しする装置構成としてもよい。センターロボットCRは、インデクサーロボットIRと基板処理装置100との間で基板Wを搬送する。基板処理装置100の各々は、基板Wに液体を吐出して、基板Wを処理する。液体は、薬液および/またはリンス液を含む。または、液体は、他の処理液を含んでもよい。流体キャビネット32は、液体を収容する。なお、流体キャビネット32は、気体を収容してもよい。
具体的には、複数の基板処理装置100は、平面視においてセンターロボットCRを取り囲むように配置された複数のタワーTW(図2では4つのタワーTW)を形成している。各タワーTWは、上下に積層された複数の基板処理装置100(図1では3つの基板処理装置100)を含む。流体ボックス34は、それぞれ、複数のタワーTWに対応している。流体キャビネット32内の液体は、いずれかの流体ボックス34を介して、流体ボックス34に対応するタワーTWに含まれる全ての基板処理装置100に供給される。また、流体キャビネット32内の気体は、いずれかの流体ボックス34を介して、流体ボックス34に対応するタワーTWに含まれる全ての基板処理装置100に供給される。
制御装置20は、基板処理システム10の各種動作を制御する。制御装置20は、制御部22および記憶部24を含む。制御部22は、プロセッサーを有する。制御部22は、例えば、中央処理演算機(Central Processing Unit:CPU)を有する。または、制御部22は、汎用演算機を有してもよい。
記憶部24は、データおよびコンピュータプログラムを記憶する。データは、レシピデータを含む。レシピデータは、複数のレシピを示す情報を含む。複数のレシピの各々は、基板Wの処理内容および処理手順を規定する。
記憶部24は、主記憶装置と、補助記憶装置とを含む。主記憶装置は、例えば、半導体メモリである。補助記憶装置は、例えば、半導体メモリおよび/またはハードディスクドライブである。記憶部24はリムーバブルメディアを含んでいてもよい。制御部22は、記憶部24の記憶しているコンピュータプログラムを実行して、基板処理動作を実行する。
記憶部24には、予め手順の定められたコンピュータプログラムが記憶されている。基板処理装置100は、コンピュータプログラムに定められた手順に従って動作する。
なお、図2には、基板処理システム10に対して1つの制御装置20を備えるように示しているが、基板処理装置100ごとに制御装置20を備えてもよい。ただし、その場合、基板処理システム10は、複数の基板処理装置100および基板処理装置100以外の装置を制御する別の制御装置を備えることが好ましい。
次に、図3を参照して、本実施形態の基板処理装置100を説明する。図3は、本実施形態の基板処理装置100の模式図である。なお、ここでは、基板処理装置100の構成を説明するが、基板処理装置100Lも基板処理装置100と同様の構成を有している。
基板処理装置100は、基板Wを処理する。基板処理装置100は、チャンバー110と、基板保持部120と、薬液供給部130と、リンス液供給部140とを備える。チャンバー110は、基板Wを収容する。基板保持部120は、基板Wを保持する。基板保持部120は、基板Wを回転可能に保持する。
チャンバー110は、内部空間を有する略箱形状である。チャンバー110は、基板Wを収容する。ここでは、基板処理装置100は基板Wを1枚ずつ処理する枚葉型であり、チャンバー110には基板Wが1枚ずつ収容される。基板Wは、チャンバー110内に収容され、チャンバー110内で処理される。チャンバー110には、基板保持部120、薬液供給部130、および、リンス液供給部140のそれぞれの少なくとも一部が収容される。
基板保持部120は、基板Wを保持する。基板保持部120は、基板Wの上面Waを上方に向け、基板Wの裏面(下面)Wbを鉛直下方に向くように基板Wを水平に保持する。また、基板保持部120は、基板Wを保持した状態で基板Wを回転させる。
例えば、基板保持部120は、基板Wの端部を挟持する挟持式であってもよい。あるいは、基板保持部120は、基板Wを裏面Wbから保持する任意の機構を有してもよい。例えば、基板保持部120は、バキューム式であってもよい。この場合、基板保持部120は、非デバイス形成面である基板Wの裏面Wbの中央部を上面に吸着させることにより基板Wを水平に保持する。あるいは、基板保持部120は、複数のチャックピンを基板Wの周端面に接触させる挟持式とバキューム式とを組み合わせてもよい。
例えば、基板保持部120は、スピンベース121と、チャック部材122と、シャフト123と、電動モータ124とを含む。チャック部材122は、スピンベース121に設けられる。チャック部材122は、基板Wをチャックする。典型的には、スピンベース121には、複数のチャック部材122が設けられる。
シャフト123は、中空軸である。シャフト123は、回転軸Axに沿って鉛直方向に延びている。シャフト123の上端には、スピンベース121が結合されている。基板Wの裏面は、スピンベース121に接触し、基板Wは、スピンベース121の上方に載置される。
スピンベース121は、円板状であり、基板Wを水平に支持する。シャフト123は、スピンベース121の中央部から下方に延びる。電動モータ124は、シャフト123に回転力を与える。電動モータ124は、シャフト123を回転方向に回転させることにより、回転軸Axを中心に基板Wおよびスピンベース121を回転させる。ここでは、回転方向は、反時計回りである。
薬液供給部130は、基板Wに薬液を供給する。これにより、基板Wは、薬液で処理される。
例えば、薬液は、フッ酸(フッ化水素水:HF)を含む。あるいは、薬液は、硫酸、酢酸、硝酸、塩酸、クエン酸、バッファードフッ酸(BHF)、希フッ酸(DHF)、アンモニア水、希アンモニア水、過酸化水素水、有機アルカリ(例えば、TMAH:テトラメチルアンモニウムハイドロオキサイド等)、界面活性剤、腐食防止剤のうちの少なくとも1つを含む液であってもよい。また、薬液は、上記液を混合した混合液であってもよい。例えば、これらを混合した薬液の例としては、SPM(硫酸過酸化水素水混合液)、SC1(アンモニア過酸化水素水混合液)、SC2(塩酸過酸化水素水混合液)等が挙げられる。
薬液供給部130は、ノズル132と、配管134と、バルブ136とを含む。ノズル132は、基板Wの上面Waと対向し、基板Wの上面Waに向けて薬液を吐出する。配管134は、ノズル132に結合される。ノズル132は、配管134の先端に設けられる。配管134には、供給源から薬液が供給される。バルブ136は、配管134に設けられる。バルブ136は、配管134内の流路を開閉する。
薬液供給部130は、ノズル移動部138をさらに含む。ノズル移動部138は、吐出位置と退避位置との間でノズル132を移動する。ノズル132が吐出位置にある場合、ノズル132は、基板Wの上方に位置する。ノズル132が吐出位置にある場合、ノズル132は、基板Wの上面Waに向けて薬液を吐出する。ノズル132が退避位置にある場合、ノズル132は、基板Wよりも基板Wの径方向外側に位置する。
ノズル移動部138は、アーム138aと、回動軸138bと、移動機構138cとを含む。アーム138aは、略水平方向に沿って延びる。アーム138aの先端部にはノズル132が取り付けられる。アーム138aは、回動軸138bに結合される。回動軸138bは、略鉛直方向に沿って延びる。移動機構138cは、回動軸138bを略鉛直方向に沿った回動軸線のまわりに回動させて、アーム138aを略水平面に沿って回動させる。その結果、ノズル132が略水平面に沿って移動する。例えば、移動機構138cは、回動軸138bを回動軸線のまわりに回動させるアーム揺動モータを含む。アーム揺動モータは、例えば、サーボモータである。また、移動機構138cは、回動軸138bを略鉛直方向に沿って昇降させて、アーム138aを昇降させる。その結果、ノズル132は、略鉛直方向に沿って移動する。例えば、移動機構138cは、ボールねじ機構と、ボールねじ機構に駆動力を与えるアーム昇降モータとを含む。アーム昇降モータは、例えば、サーボモータである。
リンス液供給部140は、基板Wにリンス液を供給する。リンス液は、脱イオン水(Deionized Water:DIW)、炭酸水、電解イオン水、オゾン水、アンモニア水、希釈濃度(例えば、10ppm~100ppm程度)の塩酸水、または、還元水(水素水)のいずれかを含んでもよい。
リンス液供給部140は、ノズル142と、配管144と、バルブ146とを含む。ノズル142は、基板Wの上面Waと対向し、基板Wの上面Waに向けてリンス液を吐出する。配管144は、ノズル142に結合される。ノズル142は、配管144の先端に設けられる。配管144には、供給源からリンス液が供給される。バルブ146は、配管144に設けられる。バルブ146は、配管144内の流路を開閉する。
基板処理装置100は、カップ180をさらに備える。カップ180は、基板Wから飛散した液体を回収する。カップ180は、基板Wの側方にまで鉛直上方に上昇できる。また、カップ180は、基板Wの側方から鉛直下方に下降してもよい。
制御装置20は、基板処理装置100の各種動作を制御する。制御部22は、基板保持部120、薬液供給部130、リンス液供給部140および/またはカップ180を制御する。一例では、制御部22は、電動モータ124、バルブ136、146、移動機構138cおよび/またはカップ180を制御する。
本実施形態の基板処理装置100では、基板Wに対して、薬液処理およびリンス処理できる。
次に、図1~図4を参照して、本実施形態の基板処理装置100を説明する。図4は、基板処理装置100を備えた基板処理システム10のブロック図である。
図4に示すように、制御装置20は、基板処理システム10の各種動作を制御する。制御装置20は、インデクサーロボットIR、センターロボットCR、基板保持部120、薬液供給部130、リンス液供給部140およびカップ180を制御する。詳細には、制御装置20は、インデクサーロボットIR、センターロボットCR、基板保持部120、薬液供給部130、リンス液供給部140およびカップ180に制御信号を送信することによって、インデクサーロボットIR、センターロボットCR、基板保持部120、薬液供給部130、リンス液供給部140およびカップ180を制御する。
具体的には、制御部22は、インデクサーロボットIRを制御して、インデクサーロボットIRによって基板Wを受け渡しする。
制御部22は、センターロボットCRを制御して、センターロボットCRによって基板Wを受け渡しする。例えば、センターロボットCRは、未処理の基板Wを受け取って、複数のチャンバー110のうちのいずれかに基板Wを搬入する。また、センターロボットCRは、処理された基板Wをチャンバー110から受け取って、基板Wを搬出する。
制御部22は、基板保持部120を制御して、基板Wの回転の開始、回転速度の変更および基板Wの回転の停止を制御する。例えば、制御部22は、基板保持部120を制御して、基板保持部120の回転数を変更することができる。具体的には、制御部22は、基板保持部120の電動モータ124の回転数を変更することによって、基板Wの回転数を変更できる。
制御部22は、薬液供給部130のバルブ136、および、リンス液供給部140のバルブ146を制御して、バルブ136、146の状態を開状態と閉状態とに切り替えることができる。具体的には、制御部22は、バルブ136、146を制御して、バルブ136、146を開状態にすることによって、ノズル132、142に向かって配管134、144内を流れる薬液、リンス液を通過させることができる。また、制御部22は、薬液供給部130のバルブ136およびリンス液供給部140のバルブ146を制御して、バルブ136、146を閉状態にすることによって、ノズル132、142に向かって配管134、144内を流れる薬液、リンス液を停止させることができる。
また、制御部22は、移動機構138cがアーム138aを水平方向および/または垂直方向に移動させるように制御する。これにより、制御部22は、アーム138aの先端に取り付けられたノズル132を基板Wの上面Waで移動させることができる。また、制御部22は、アーム138aの先端に取り付けられたノズル132を吐出位置と退避位置との間で移動させることができる。本実施形態の基板処理装置100は、半導体装置を形成するために好適に用いられる。
本実施形態の基板処理装置100では、記憶部24は、学習済モデルLMおよび制御プログラムPGを記憶する。基板処理装置100は、制御プログラムPGに定められた手順に従って動作する。
また、制御部22は、基板情報取得部22aと、薬液処理条件情報取得部22bとを含む。基板情報取得部22aは、処理対象基板Wpの基板情報を取得する。処理対象基板Wpの基板情報は、処理対象基板Wpの硬化層の厚さを示す硬化層厚さ情報または処理対象基板Wpに対して行われたイオン注入の条件を示すイオン注入条件情報を含む。なお、基板情報取得部22aは、記憶部24から、基板情報として、硬化層厚さ情報またはイオン注入条件情報以外の別の情報を取得してもよい。
学習済モデルLMは、基板情報に基づいて薬液処理条件情報を生成する。典型的には、学習済モデルLMに対して基板情報を入力すると、基板情報に対応した薬液処理条件情報が出力される。一例では、学習済モデルLMに対して硬化層厚さ情報またはイオン注入条件情報を入力すると、硬化層厚さ情報またはイオン注入条件情報に対応した薬液処理条件情報が出力される。
薬液処理条件情報取得部22bは、学習済モデルLMから薬液処理条件情報を取得する。薬液処理条件情報取得部22bは、学習済モデルLMから、処理対象基板Wpの基板情報に対応して薬液処理条件情報を取得する。
制御部22は、薬液処理条件情報に示された薬液処理条件に従って基板保持部120および薬液供給部130を制御する。
基板処理システム10は、表示部42、入力部44および通信部46をさらに備えることが好ましい。
表示部42は画像を表示する。表示部42は、例えば、液晶ディスプレイ、または、有機エレクトロルミネッセンスディスプレイである。
入力部44は、制御部22に対して各種情報を入力するための入力機器である。例えば、入力部44は、キーボードおよびポインティングデバイス、または、タッチパネルである。
通信部46は、ネットワークに接続され、外部装置と通信する。本実施形態において、ネットワークは、例えば、インターネット、LAN(Local Area Network)、公衆電話網、及び、近距離無線ネットワークを含む。通信部46は、通信機であり、例えば、ネットワークインターフェースコントローラーである。
さらに、基板処理システム10は、センサー50をさらに備えることが好ましい。典型的には、複数のセンサー50が、基板処理システム10の各部分の状態を検知する。例えば、センサー50の少なくとも一部は、基板処理装置100の各部分の状態を検知する。
記憶部24は、センサー50からの出力結果および制御プログラムによる制御パラメータを時系列データTDとして記憶する。典型的には、時系列データは、基板Wごとに分かれて記憶される。
センサー50は、1枚の基板Wの処理ごとに、基板Wの処理開始から処理終了までの期間において、基板処理装置100が使用する物体の物理量を検出して、物理量を示す検出信号を制御部22に出力する。そして、制御部22は、基板Wの処理開始から処理終了までの期間においてセンサー50から出力される検出信号によって示される物理量を、1枚の基板Wの処理ごとに、時間と関連付けて時系列データTDとして、記憶部24に記憶させる。
制御部22は、センサー50から時系列データTDを取得して、時系列データTDを記憶部24に記憶させる。この場合、制御部22は、時系列データTDを、ロット識別情報、基板識別情報、処理順番情報、及び、ロット間隔情報と関連付けて記憶部24に記憶させる。ロット識別情報は、ロットを識別するための情報(例えば、ロット番号)である。ロットは基板Wの処理単位を示す。1つのロットは、所定数の基板Wによって構成される。基板識別情報は、基板Wを識別するための情報である。処理順番情報は、1つのロットを構成する所定数の基板Wに対する処理の順番を示す情報である。ロット間隔情報は、ロットに対する処理の終了から次のロットに対する処理の開始までの時間間隔を示す情報である。
次に、図1~図5を参照して、本実施形態の基板処理装置100による基板処理方法を説明する。図5(a)は、本実施形態の基板処理装置100における基板処理方法のフロー図であり、図5(b)は、本実施形態の基板処理方法における薬液処理のフロー図である。
図5(a)に示すように、ステップS10において、処理対象基板Wpを基板処理装置100に搬入する。搬入された処理対象基板Wpは、基板保持部120に装着される。典型的には、処理対象基板Wpは、センターロボットCRによって基板処理装置100に搬入される。
ステップS20において、処理対象基板Wpを薬液で処理する。薬液供給部130は、処理対象基板Wpに薬液を供給する。薬液供給部130のノズル132から薬液を処理対象基板Wpの上面Waに吐出する。薬液は、処理対象基板Wpの上面Waを覆う。これにより、処理対象基板Wpは薬液で処理される。なお、処理対象基板Wpを薬液で処理する際に、基板Wは基板保持部120によって回転される。処理対象基板Wpの回転は、処理対象基板Wpの搬出する直前まで継続してもよい。
ステップS30において、処理対象基板Wpをリンス液でリンスする。リンス液供給部140は、処理対象基板Wpにリンス液を供給する。リンス液供給部140のノズル142からリンス液を処理対象基板Wpの上面Waに吐出する。リンス液は、処理対象基板Wpの上面Waを覆う。これにより、処理対象基板Wpはリンス液で処理される。
ステップS40において、基板保持部120から処理対象基板Wpを脱離して処理対象基板Wpを搬出する。典型的には、処理対象基板Wpは、センターロボットCRによって基板処理装置100から搬出される。以上のようにして、処理対象基板Wpを薬液処理できる。
本実施形態の基板処理装置100において、図5(b)に示すように、処理対象基板Wpを薬液処理する。
ステップS22において、処理対象基板Wpの基板情報を取得する。基板情報取得部22aは、処理対象基板Wpの基板情報を取得する。基板情報は、処理対象基板Wpの硬化層厚さ情報またはイオン注入条件情報を含む。
例えば、制御部22は、記憶部24から処理対象基板Wpの硬化層厚さ情報またはイオン注入条件情報を取得する。なお、処理対象基板Wpにおける硬化層の厚さは、基板処理システム10または基板処理装置100内において測定されてもよい。また、処理対象基板Wpにおける硬化層の厚さは、基板処理システム10または基板処理装置100の外部で測定されてもよい。
あるいは、処理対象基板Wpに対するイオン注入は、基板処理システム10または基板処理装置100内において実行されてもよい。また、処理対象基板Wpに対するイオン注入は、基板処理システム10または基板処理装置100の外部で実行されてもよい。なお、制御部22は、硬化層厚さ情報またはイオン注入条件情報以外の基板情報を取得してもよい。
ステップS24において、処理対象基板Wpの基板情報を学習済モデルLMに入力する。詳細は後述するが、学習済モデルLMは、学習対象基板WLの基板情報と、学習対象基板WLに対して行われた薬液処理の処理条件を示す薬液処理条件情報と、学習対象基板WLに対して行われた薬液処理の結果を示す処理結果情報とを含む学習用データから構築される。学習済モデルLMは、処理対象基板Wpの基板情報に対応して薬液処理条件情報Rpを出力する。
ステップS26において、学習済モデルLMから薬液処理条件情報を取得する。薬液処理条件情報取得部22bは、学習済モデルLMから、基板情報に対応する薬液処理条件情報を取得する。
ステップS28において、薬液処理条件情報に従って、基板保持部120および薬液供給部130が処理対象基板Wpに対して薬液処理を実行する。図3に示した基板処理装置100では、薬液供給部130は、薬液処理条件情報に従って処理対象基板Wpに薬液を供給する。以上のようにして、処理対象基板Wpを薬液処理できる。
本実施形態によれば、機械学習によって構築された学習済モデルLMから、処理対象基板Wpの硬化層厚さ情報またはイオン注入条件情報を含む基板情報に対応する薬液処理条件情報を取得し、薬液処理条件情報に示された薬液処理条件にしたがって薬液処理を実行する。本実施形態によれば、処理対象基板Wpにおける硬化層の厚さに応じて薬液処理を適切に実行できる。
次に、図6を参照して本実施形態の基板処理方法の対象となる基板Wに形成された硬化層について説明する。図6(a)~図6(c)は、基板Wのレジスト層Rにおける硬化層の形成を説明するための模式図である。
図6(a)に示すように、基板Wの上面にレジスト層Rが形成されている。レジスト層Rは、基板Wの主面に対して垂直方向に延びる。レジスト層Rは、所定の形状にパターニングされている。
図6(b)に示すように、基板Wに対してイオンを注入する。ここでは、イオンは、基板Wの主面の法線方向に平行な方向に注入される。イオン注入により、基板Wの表面の特性が変質する。このとき、レジスト層Rの表面も変質して硬化層Rcが形成される。なお、レジスト層Rの内部は変質しないままであり、内部層Riとして残る。硬化層Rcは、内部層Riよりも硬い。
図6(c)に示すように、硬化層Rcは所定の厚さdを有する。詳細には、硬化層Rcの厚さdは、硬化層Rcの高さdtおよび硬化層Rcの幅dwを含む。レジスト層Rに対して等方的にイオンが注入される場合、高さdtは幅dwとほぼ等しい。
一方で、レジスト層Rに対して非等方的にイオンが注入されると、高さdtは幅dwとは異なる。例えば、図6(b)に示したように、イオンが、基板Wの主面の法線方向に平行な方向から注入されると、高さdtは幅dwよりも大きくなる。
次に、図7を参照して本実施形態の基板処理方法の対象となる基板Wに形成された硬化層について説明する。図7(a)~図7(d)は、基板Wのレジスト層Rにおける硬化層の形成を説明するための模式図である。
図7(a)に示すように、基板Wの上面にレジスト層Rが形成されている。レジスト層Rは、基板Wの主面に対して垂直方向に延びる。
図7(b)に示すように、基板Wに対してイオンを注入する。ここでは、イオンは、基板Wの主面の法線方向に対して一方向(紙面に対して左方向)に傾いた方向から注入される。イオン注入により、基板Wの表面の特性が変質する。このとき、レジスト層Rの表面も変質して硬化層Rcが形成される。この場合、レジスト層Rに対して硬化層Rcの左側は比較的厚い一方で、硬化層Rcの右側は比較的薄い。
図7(c)に示すように、基板Wに対してイオンを注入する。ここでは、イオンは、基板Wの主面の法線方向に対して他方向(紙面に対して右方向)に傾いた方向から注入される。イオン注入により、レジスト層Rの表面の変質した硬化層Rcが拡大する。
図7(d)に示すように、硬化層Rcは所定の厚さdを有する。詳細には、硬化層Rcの厚さdは、硬化層Rcの高さdtおよび硬化層Rcの幅dwを含む。以上のようして、硬化層Rcを形成できる。
なお、図7(b)および図7(c)では、イオン注入を、レジスト層Rの左斜め方向および右斜め方向から行うため、硬化層Rcの左側の幅および右側の幅をほぼ等しくできる。また、レジスト層Rに対してイオン注入を斜め方向から行うため、硬化層Rcの高さdtだけでなく硬化層Rcの幅dwも大きくできる。
上述したように、硬化層Rcの厚さd、高さdtおよび/または幅dwは、測定機器で測定されてもよい。あるいは、硬化層Rcの厚さd、高さdtおよび/または幅dwは、レジスト層Rの特性(組成、厚さ、幅等)および/またはイオン注入の条件(イオン種、加速エネルギー、注入量および注入方向等)によってほぼ規定される。このため、イオン注入条件から硬化層Rcの厚さd、高さdtおよび/または幅dwを特定できる。
図1を参照して上述したように、学習済モデルLMは、学習用データLDから生成され、学習用データLDは、基板処理装置100Lの時系列データTDLから生成される。
次に、図8を参照して、学習用データLDの生成を説明する。図8は、基板処理装置100Lを備えた基板処理システム10Lおよび学習用データ生成装置300のブロック図である。ここでは、学習用データ生成装置300は、基板処理装置100Lと通信可能に接続される。図8の基板処理装置100Lを備えた基板処理システム10Lは、制御部22Lが基板情報取得部22aおよび薬液処理条件情報取得部22bを有しておらず、記憶部24Lが学習済モデルLMを記憶せずにテストレシピTRを記憶する点を除いて、図4に示した基板処理システム10のブロック図と同様であり、冗長を避けるために重複する記載を省略する。
基板処理システム10Lは、複数の基板処理装置100Lと、インデクサーロボットIRLと、センターロボットCRLと、制御装置20Lと、表示部42Lと、入力部44Lと、通信部46Lと、センサー50Lを備える。基板処理装置100L、インデクサーロボットIRL、センターロボットCRL、制御装置20L、表示部42L、入力部44Lおよび通信部46Lは、図4に示した基板処理システム10の基板処理装置100、インデクサーロボットIR、センターロボットCR、制御装置20、表示部42、入力部44および通信部46と同様の構成を有する。
また、基板処理装置100Lは、基板保持部120Lと、薬液供給部130Lと、リンス液供給部140Lと、カップ180Lとを備える。チャンバー110L、基板保持部120L、薬液供給部130L、リンス液供給部140Lおよびカップ180Lは、図3および図4に示した基板保持部120、薬液供給部130、リンス液供給部140およびカップ180と同様の構成を有することが好ましい。
制御装置20Lは、制御部22Lと、記憶部24Lとを有する。記憶部24Lは、制御プログラムPGLを記憶する。基板処理装置100Lは、制御プログラムPGLに定められた手順に従って動作する。
また、記憶部24Lは、複数のテストレシピTRを記憶する。複数のテストレシピTRは、薬液処理条件の異なるレシピを含む。このため、制御部22Lが、テストレシピTRに従って学習対象基板WLを処理する場合、異なる学習対象基板WLに対して異なる薬液処理が行われる。
記憶部24Lは、学習対象基板WLの時系列データTDLを記憶する。時系列データTDLは、基板処理装置100Lにおける物理量の時間変化を示すデータである。時系列データTDLは、センサー50Lによって検知された複数の物理量を示す。時系列データTDLは、学習対象基板WLを基板処理装置100Lで処理する前の製造プロセスを示すデータを含んでもよい。なお、時系列データTDLは、硬化層厚さ情報またはイオン注入条件情報を含む基板情報、学習対象基板WLに対して行われた薬液処理条件を示す薬液処理条件情報および学習対象基板WLに対して行われた薬液処理の結果を示す処理結果情報を含む。
学習用データ生成装置300は、基板処理装置100Lと通信可能に接続される。学習用データ生成装置300は、基板処理装置100Lの時系列データTDLの少なくとも一部を通信する。
学習用データ生成装置300は、制御装置320と、表示部342と、入力部344と、通信部346とを備える。学習用データ生成装置300は、通信部346を介して複数の基板処理装置100Lの制御装置20Lと通信可能である。表示部342、入力部344および通信部346は、表示部42、入力部44および通信部46と同様の構成を有している。
制御装置320は、制御部322と、記憶部324とを含む。記憶部324は、制御プログラムPG3を記憶する。学習用データ生成装置300は、制御プログラムPG3に定められた手順に従って動作する。
制御部322は、基板処理装置100Lから、時系列データTDLの少なくとも一部を受信し、受信した時系列データTDLを記憶部324に記憶させる。記憶部324は、学習対象基板WLの時系列データTDLの少なくとも一部を記憶する。時系列データTDLは、通信部46Lおよび通信部346を介して基板処理装置100Lから学習用データ生成装置300に送信される。制御部322は、送信された時系列データTDLの少なくとも一部を記憶部324に記憶させる。記憶部324に記憶された時系列データTDLは、時系列データTDLの基板情報、薬液処理条件情報および処理結果情報を含む。
制御部322は、記憶部324の時系列データTDLから、学習対象基板WLの基板情報、薬液処理条件情報および処理結果情報を取得する。さらに、制御部322は、学習対象基板WLの基板情報、薬液処理条件情報および処理結果情報をまとめて学習用データLDを生成し、記憶部324は、学習用データLDを記憶する。
次に、図8および図9を参照して、本実施形態の学習用データの生成方法を説明する。図9は、本実施形態の学習用データの生成方法のフロー図である。学習用データの生成は、学習用データ生成装置300において行われる。
図9に示すように、ステップS110において、学習対象基板WLの時系列データTDLを取得する。典型的には、学習用データ生成装置300は、基板処理装置100Lから学習対象基板WLの時系列データTDLの少なくとも一部を受信する。記憶部324は、受信した時系列データTDLを記憶する。
ステップS112において、記憶部324に記憶された学習対象基板WLの時系列データTDLから基板情報を抽出する。基板情報は、硬化層厚さ情報またはイオン注入条件情報を含む。制御部322は、記憶部324の時系列データTDLから学習対象基板WLの基板情報を取得する。
ステップS114において、記憶部324に記憶された学習対象基板WLの時系列データTDLから学習対象基板WLの薬液処理条件情報を抽出する。制御部322は、記憶部324の時系列データTDLから学習対象基板WLの薬液処理条件情報を取得する。
ステップS116において、記憶部324に記憶された学習対象基板WLの時系列データTDLから学習対象基板WLの処理結果情報を抽出する。制御部322は、記憶部324の時系列データTDLから学習対象基板WLの処理結果情報を取得する。
ステップS118において、学習対象基板WLの基板情報、薬液処理条件情報および処理結果情報を関連付けて学習用データLDとして生成し、記憶部324は、複数の学習対象基板WLごとに学習用データLDを記憶する。
本実施形態において、生成された学習用データは、学習対象基板WLごとに互い関連付けられた基板情報、薬液処理条件情報および処理結果情報を含む。このような学習用データは、学習処理に好適に用いられる。
なお、図8では、学習用データ生成装置300は、1つの基板処理装置100Lと通信可能に接続されたが、本実施形態はこれに限定されない。学習用データ生成装置300は、複数の基板処理装置100Lと通信可能に接続されてもよい。
また、図8および図9を参照した説明では、基板処理装置100Lで生成された時系列データTDLが通信部46Lおよび通信部346を介して学習用データ生成装置300に送信されたが、本実施形態はこれに限定されない。学習用データ生成装置300の制御装置320は、基板処理装置100Lを備える基板処理システム10の制御装置20に組み込まれており、時系列データTDLがネットワークを転送されることなく、基板処理システム10内にて時系列データTDLから学習用データLDが生成されてもよい。
次に、図10を参照して、本実施形態の学習済モデルLMの生成を説明する。図10は、本実施形態の学習用データ生成装置300および学習装置400の模式図である。学習用データ生成装置300および学習装置400は互いに通信可能である。
学習装置400は、学習用データ生成装置300と通信可能に接続される。学習装置400は、学習用データ生成装置300から学習用データLDを受信する。学習装置400は、学習用データLDに基づいて機械学習を行い、学習済モデルLMを生成する。
学習装置400は、制御装置420と、表示部442と、入力部444と、通信部446とを備える。表示部442、入力部444および通信部446は、図4に示した基板処理システム10の表示部42、入力部44および通信部46と同様の構成を有している。
制御装置420は、制御部422および記憶部424を含む。記憶部424は、制御プログラムPG4を記憶する。学習装置400は、制御プログラムPG4に定められた手順に従って動作する。
記憶部424は、学習用データLDを記憶する。学習用データLDは、通信部346および通信部446を介して学習用データ生成装置300から学習装置400に送信される。制御部422は、送信された学習用データLDを記憶部424に記憶させる。記憶部424に記憶された学習用データLDでは、時系列データTDLの基板情報、薬液処理条件情報および処理結果情報が互い関連づけられている。
記憶部424は、学習プログラムLPGを記憶する。学習プログラムLPGは、複数の学習用データLDの中から一定の規則を見出し、見出した規則を表現する学習済モデルLMを生成するための機械学習アルゴリズムを実行するためのプログラムである。制御部422は、記憶部424の学習プログラムLPGを実行することにより、学習用データLDを機械学習することで推論プログラムのパラメータを調整して学習済モデルLMを生成する。
機械学習アルゴリズムは、教師あり学習であれば、特に限定されず、例えば、決定木、最近傍法、単純ベイズ分類器、サポートベクターマシン、または、ニューラルネットワークである。従って、学習済モデルLMは、決定木、最近傍法、単純ベイズ分類器、サポートベクターマシン、または、ニューラルネットワークを含む。学習済モデルLMを生成する機械学習において、誤差逆伝搬法を利用してもよい。
例えば、ニューラルネットワークは、入力層、単数又は複数の中間層、及び、出力層を含む。具体的には、ニューラルネットワークは、ディープニューラルネットワーク(DNN:Deep Neural Network)、再帰型ニューラルネットワーク(RNN:Recurrent Neural Network)、又は、畳み込みニューラルネットワーク(CNN:Convolutional Neural Network)であり、ディープラーニングを行う。例えば、ディープニューラルネットワークは、入力層、複数の中間層、及び、出力層を含む。
制御部422は、取得部422aと、学習部422bとを含む。取得部422aは、記憶部424から学習用データLDを取得する。学習部422bは、記憶部424の学習プログラムLPGを実行することにより、学習用データLDを機械学習し、学習用データLDから学習済モデルLMを生成する。
学習部422bは、学習プログラムLPGに基づいて複数の学習用データLDを機械学習する。その結果、複数の学習用データLDの中から一定の規則が見出されて、学習済モデルLMが生成される。つまり、学習済モデルLMは、学習用データLDを機械学習することで構築される。記憶部424は、学習済モデルLMを記憶する。
その後、典型的には、学習済モデルLMは、基板処理システム10に転送され、記憶部24が学習済モデルLMを記憶する。この場合、図4を参照した上述したように、基板処理システム10における制御装置20の記憶部24が学習済モデルLMを記憶しており、薬液処理条件情報取得部22bは、記憶部24の学習済モデルLMから薬液処理条件を取得する。
ただし、本施形態はこれに限定されない。記憶部24は、学習済モデルLMを記憶しておらず、薬液処理条件情報取得部22bは、基板処理システム10の外部から薬液処理条件を取得してもよい。例えば、薬液処理条件情報取得部22bは、通信部46および通信部446を介して学習装置400の学習済モデルLMに処理対象基板Wpの基板情報を送信し、通信部446および通信部46を介して学習装置400から学習済モデルLMにおいて出力された薬液処理条件情報を受信してもよい。
次に、図1~図11を参照して、本実施形態の学習装置400における学習方法を説明する。図11は、本実施形態の学習方法のフロー図である。学習用データLDの学習および学習済モデルLMの生成は、学習装置400において行われる。
図11に示すように、ステップS122において、学習装置400の取得部422aは、記憶部424から複数の学習用データLDを取得する。学習用データLDでは、学習対象基板WLの基板情報、薬液処理条件情報および処理結果情報が互い関連づけられている。
次に、ステップS124において、学習部422bは、学習プログラムLPGに基づいて複数の学習用データLDを機械学習する。
次に、ステップS126において、学習部422bは、学習用データLDの機械学習が終了するか否かを判定する。機械学習を終了するか否かは、予め定められた条件にしたがって決定される。例えば、機械学習は、所定数以上の学習用データLDを機械学習すると終了する。
機械学習が終了しない場合(ステップS126においてNo)、処理は、ステップS122に戻る。その場合、機械学習が繰り返される。一方、機械学習が終了する場合(ステップS126においてYes)、処理は、ステップS128に進む。
ステップS128において、学習部422bは、最新の複数のパラメータ(係数)つまり、複数の学習済パラメータ(係数)を適用したモデル(1以上の関数)を、学習済モデルLMとして出力する。記憶部424は学習済モデルLMを記憶する。
以上のようにして、学習方法は終了し、学習済モデルLMが生成される。本実施形態によれば、学習用データLDを機械学習することで、学習済モデルLMを生成できる。
なお、図10では、学習装置400は、1つの学習用データ生成装置300と通信可能に接続されたが、本実施形態はこれに限定されない。学習装置400は、複数の学習用データ生成装置300と通信可能に接続されてもよい。
また、図10および図11を参照した説明では、学習用データ生成装置300で生成された学習用データLDが通信部346および通信部446を介して学習装置400に送信されたが、本実施形態はこれに限定されない。学習装置400の制御装置420は、学習用データ生成装置300の制御装置320に組み込まれており、学習用データLDがネットワークを転送されることなく、学習用データ生成装置300内にて学習用データLDから学習済モデルLMが生成されてもよい。
さらに、図8~図11を参照した説明では、基板処理装置100Lで生成された時系列データTDLが通信部46Lおよび通信部346を介して学習用データ生成装置300に送信され、学習用データ生成装置300で生成された学習用データLDが通信部346および通信部446を介して学習装置400に送信されたが、本実施形態はこれに限定されない。学習用データ生成装置300の制御装置320および学習装置400の制御装置420は、基板処理システム10Lの制御装置20に組み込まれており、時系列データTDLおよび学習用データLDがネットワークを転送されることなく、基板処理システム10L内にて時系列データTDLから学習用データLDを介して学習済モデルLMが生成されてもよい。
次に、図12を参照して学習用データLDの一例を説明する。図12は、学習用データLDの一例を示す図である。
図12は、学習対象基板WLの基板情報、学習対象基板WLの薬液処理条件、および、学習対象基板WLの処理結果を示す。ここでは、基板情報は、学習対象基板WLの硬化層厚さ情報である。硬化層の厚さは、学習対象基板WLのレジスト層における硬化層を測定することによって取得できる。薬液処理条件情報は、学習対象基板WLに対して行われた薬液処理の条件を示す。薬液処理条件は、例えば、薬液の濃度、薬液の温度、薬液の供給量および薬液を供給する際の学習対象基板WLの回転速度を含む。処理結果は、薬液処理後の学習対象基板WLの結果を示す。図12において、学習用データLDは、学習用データLD1から学習用データLD1000を含む。
学習用データLD1は、ある学習対象基板WL1の基板情報、薬液処理条件、および、処理結果を示す。ここでは、学習用データLD1において、Ld1は、学習対象基板WL1の硬化層の厚さを示す。また、Lp1は、学習対象基板WL1に対して行われた薬液処理の条件を示す。
処理結果情報は、学習対象基板WL1に対して薬液処理の処理結果を示す。処理結果は、学習対象基板WL1において特性の異常が発見されたか否かによって判定されてもよい。学習用データLD1では、薬液処理された学習対象基板の結果は良好であったので、〇と示す。一方、薬液処理された学習対象基板の結果が良好ではない場合、×と示す。
学習用データLD2~LD1000は、学習対象基板WL2~WL1000に対応して生成される。学習対象基板WLに対して行われる薬液処理条件は、同じであってもよく、異なってもよい。処理結果は、学習対象基板WLの硬化層の厚さに応じて大きく変動する。
図12に示した学習用データLDでは、データの数は1000個であったが、本実施形態はこれに限定されない。データの数は、1000個より小さくてもよく、1000個よりも大きくてもよい。ただし、データの数は、できるだけ多いことが好ましい。
なお、学習用データLDにおいて、基板情報は、複数の項目を含むことが好ましい。例えば、硬化層厚さ情報は、硬化層の高さを示す硬化層高さ情報および硬化層の幅を示す硬化層幅情報を含んでもよい。
図13は、学習用データLDの一例を示す図である。図13に示すように、学習用データLDは、学習対象基板WLの基板情報、学習対象基板WLの薬液処理条件情報、および、学習対象基板WLの処理結果情報を含む。図13の学習用データLDは、学習対象基板WLの基板情報が硬化層高さ情報および硬化層幅情報を含む点を除いて、図12を参照して上述した学習用データLDと同様であり、冗長を避けるために重複する記載を省略する。
ここでは、基板情報は、学習対象基板WLの硬化層高さ情報および硬化層幅情報である。硬化層の高さおよび幅は、学習対象基板WLのレジスト層における硬化層を測定することによって取得できる。図13において、学習用データLDは、学習用データLD1~LD1000を含む。
学習用データLD1は、ある学習対象基板WL1の基板情報、薬液処理条件、および、処理結果を示す。ここでは、学習用データLD1において、Ldt1は、学習対象基板WL1の硬化層の高さを示す。Ldw1は、学習対象基板WL1の硬化層の幅を示す。
学習用データLD2~LD1000は、学習対象基板WL2~WL1000に対応して生成される。処理結果は、学習対象基板WLの硬化層の高さおよび幅に応じて大きく変動する。学習用データLDは、学習対象基板WLの薬液処理の結果の変動に大きく寄与する項目を有することが好ましい。
なお、図12および図13を参照した上述の説明では、処理結果が良好であるときに〇と示し、処理結果が良好でないときに×と示しており、学習用データLD1~LD1000の処理結果は2値化されていたが、本実施形態はこれに限定されない。処理結果は、3以上の複数の値に分類されてもよい。あるいは、処理結果は、最低値と最大値の間の任意の値に分類されてもよい。例えば、処理結果は、学習対象基板WLの特性に加えて、薬液の使用量(供給量)または薬液処理に要する時間等を考慮して数値化されてもよい。
なお、学習用データLDにおいて、薬液処理条件は、複数の項目を含むことが好ましい。例えば、薬液処理条件は、薬液の濃度、温度、供給量、学習対象基板に対する薬液の吐出パターン、薬液処理時の基板保持部120の回転速度を含んでもよい。
次に、図14を参照して、本実施形態の学習方法において用いられる学習用データLDを説明する。図14は、学習用データLDの一例を示す図である。
図14に示すように、学習用データLDは、学習用データLD1~LD1000を含む。学習用データLDは、学習対象基板WLの基板情報、学習対象基板WLの薬液処理条件、および、学習対象基板WLの処理結果情報を示す。ここでは、薬液処理条件は、薬液の濃度、薬液の温度、薬液の供給量、学習対象基板に対する薬液の吐出パターン、および薬液を供給する際の学習対象基板の回転速度を含む。
薬液の濃度は、学習対象基板WLに用いられた薬液の濃度を示す。薬液の温度は、学習対象基板WLに用いられた薬液の温度を示す。薬液の供給量は、学習対象基板WLに用いられた薬液の供給量を示す。学習対象基板に対する薬液の吐出パターンは、学習対象基板WLに対して薬液の吐出された経路(ノズル132の移動経路)を示す。学習対象基板の回転速度は、薬液を供給する際の学習対象基板WLの回転速度を示す。また、学習用データLDにおいて、薬液処理された学習対象基板の結果が良好であるときは「〇」と示し、薬液処理された学習対象基板の結果が良好でないときは「×」と示す。
学習用データLD1において、Lc1は、学習対象基板WL1に対して用いられた薬液の濃度を示し、Lt1は、学習対象基板WL1に対して用いられた薬液の温度を示す。また、Ls1は、学習対象基板WL1に対して用いられた薬液の供給量を示し、Le1は、学習対象基板WL1に対する薬液の吐出パターンを示し、Lv1は、学習対象基板WL1に対して薬液を供給する際の学習対象基板WL1の回転速度を示す。学習用データLD1では、薬液処理された学習対象基板WL1の処理結果が良好であったため、処理結果は「〇」である。
学習用データLD2~LD1000についても同様である。なお、学習対象基板WLに対して行われる薬液処理条件は、同じであってもよく、異なってもよい。例えば、薬液処理条件の複数の項目の少なくとも一部が、同じであってもよく、異なってもよい。あるいは、薬液処理条件の複数の項目のすべてが、同じであってもよく、異なってもよい。処理結果は、学習対象基板WLの基板状態および薬液処理条件に応じて変動する。
次に、図1~図15を参照して、本実施形態の基板処理装置100における薬液処理を説明する。図15(a)は、処理対象基板Wpの模式図を示し、図15(b)は、学習済モデルLMにおいて生成された薬液処理条件情報Rpを示す。
図15(a)に示すように、処理対象基板Wpは、硬化層Rcの形成されたレジスト層Rを有する。ここで、硬化層Rcの高さはdtであり、硬化層Rcの幅はdwである。
図15(b)は、薬液処理条件情報Rpを示す図である。薬液処理条件情報Rpは、薬液の濃度、薬液の温度、薬液の供給量、学習対象基板に対する薬液の吐出パターン、および、薬液を供給する際の処理対象基板の回転速度を含む。
薬液処理条件情報Rpにおいて、Rcは、処理対象基板Wpに対して用いられる薬液の濃度を示し、Rtは、処理対象基板Wpに対して用いられる薬液の温度を示す。また、Rsは、処理対象基板Wpに対して用いられる薬液の供給量を示し、Peは、処理対象基板Wpに対して用いられる薬液の吐出パターンを示し、Rvは、処理対象基板Wpに対して薬液を供給する際の処理対象基板Wpの回転速度を示す。
この場合、制御部22は、薬液処理条件情報Rpに示された薬液処理条件に従って処理対象基板Wpを薬液で処理するように基板保持部120および薬液供給部130を制御する。
なお、図14および図15を参照した説明では、薬液処理条件は、薬液の濃度、薬液の温度、薬液の供給量、薬液の吐出パターン、および、処理対象基板の回転速度の5つの項目を有したが、本実施形態はこれに限定されない。薬液処理条件は、これらの5項目の1以上のいずれの項目を有してもよい。または、薬液処理条件は、これらの5項目の1以上のいずれかの項目と別の項目との組合せであってもよい。あるいは、薬液処理条件は、これらの5項目とは異なる1以上の項目を有してもよい。
なお、図12~図15を参照した上述の説明では、学習対象基板WLの基板情報は、硬化層の厚さの測定によって得られる情報であったが、本実施形態はこれに限定されない。学習対象基板WLの基板情報は、硬化層を形成するイオン注入の条件に関する情報を含んでもよい。
次に、図16を参照して、本実施形態の学習方法において用いられる学習用データLDを説明する。図16は、学習用データLDの一例を示す図である。なお、図16の学習用データLDは、基板情報が学習対象基板WLの硬化層を形成するためのイオン注入条件を示す点を除いて、図12を参照して上述した学習用データLDと同様であり、冗長を避けるために重複する記載を省略する。
図16に示すように、学習用データLDは、学習用データLD1~LD1000を含む。学習用データLDは、学習対象基板WLの基板情報、学習対象基板WLの薬液処理条件、および、学習対象基板WLの処理結果情報を示す。ここでは、学習対象基板WLの基板情報は、学習対象基板WLの硬化層を形成するためのイオン注入条件を示すイオン注入条件情報を含む。
また、イオン注入条件情報は、イオン種、加速エネルギー、注入量、および、注入方向を含む。イオン種は、イオン注入に用いられたイオン種を示し、加速エネルギーは、イオン注入時のイオン種の加速エネルギーを示す。また、注入量は、イオン注入されたイオン種の量を示し、注入方向は、学習対象基板WLに対してイオンを注入した方向を示す。
学習用データLD1において、Lk1は、学習対象基板WL1の硬化層を形成する際のイオン注入に用いられたイオン種を示し、La1は、学習対象基板WL1の硬化層を形成する際のイオン注入時の加速エネルギーを示す。また、Lu1は、学習対象基板WL1の硬化層を形成する際のイオン注入量を示し、Ld1は、学習対象基板WL1の硬化層を形成する際に学習対象基板WLに対してイオンを注入した方向を示す。
学習用データLD2~LD1000についても同様である。このように、基板情報は、硬化層の厚さ自体でなく、硬化層を形成するためのイオン注入の条件を示してもよい。なお、イオン注入条件情報は、イオン種、加速エネルギー、注入量、および、注入方向のいずれかの項目であってもよい。また、イオン注入条件情報は、イオン種、加速エネルギー、注入量、および、注入方向のいずれかの項目と別の項目との組合せを有してもよい。あるいは、イオン注入条件情報は、イオン種、加速エネルギー、注入量、および、注入方向以外の1以上の項目を有してもよい。さらには、基板情報は、硬化層厚さ情報とイオン注入条件情報との組合せであってもよい。
なお、図3に示した基板処理装置100では、薬液供給部130は、一定状態の薬液を基板Wに供給したが、本実施形態はこれに限定されない。薬液の濃度・温度は適宜変更されてもよい。
次に、図17を参照して本実施形態の基板処理装置100を説明する。図17は、本実施形態の基板処理装置100の模式図である。なお、図17の基板処理装置100は、薬液供給部130から供給される薬液の濃度・温度が調整可能である点を除いて、図3を参照して上述した基板処理装置100と同様であり、冗長を避けるために重複する記載を省略する。
図17に示した本実施形態の基板処理装置100において、薬液供給部130は、基板Wに薬液としてSPMを供給する。SPMは、硫酸と過酸化水素水との混合によって生成される。例えば、薬液供給部130は、SPMの濃度(混合比率)を変更して基板WにSPMを供給できる。これにより、基板Wは、SPMで処理される。
薬液供給部130は、ノズル132と、配管134aと、バルブ136aと、調整バルブ137aと、配管134bと、バルブ136bと、調整バルブ137bとを含む。ノズル132は、基板Wの上面Waと対向し、基板Wの上面Waに向けて薬液を吐出する。
配管134aは、ノズル132に結合される。ノズル132は、配管134aの先端に設けられる。配管134aには、供給源から過酸化水素水が供給される。バルブ136aおよび調整バルブ137aは、配管134aに設けられる。バルブ136aは、配管134a内の流路を開閉する。調整バルブ137aは、配管134a内の流路を通過する過酸化水素水の流量を調整する。
配管134bは、ノズル132に結合される。ノズル132は、配管134bの先端に設けられる。配管134bには、供給源から硫酸が供給される。硫酸の温度は、過酸化水素水の温度と同じであってもよく、異なってもよい。バルブ136bおよび調整バルブ137bは、配管134bに設けられる。バルブ136bは、配管134b内の流路を開閉する。調整バルブ137bは、配管134b内の流路を通過する硫酸の流量を調整する。
本実施形態によれば、調整バルブ137a、137bを調整することにより、配管134a、134b内を流れる過酸化水素水、硫酸の流量を変更できる。このため、過酸化水素水と硫酸との混合によって生成されるSPMの濃度・温度を調整できる。
なお、図6および図7を参照して上述したように、基板Wのレジスト層Rを除去する場合、内部層Riは薬液で比較的除去しやすい一方で、硬化層Rcは薬液で比較的除去しにくい。このため、硬化層Rcを除去する際には、SPMの除去能力が高くなるようにSPMの濃度を制御し、内部層Riを除去する際には、SPMの除去能力が低くなるようにSPMの濃度を制御することが好ましい。
例えば、硬化層Rcを除去する際には、SPMのうちの過酸化水素水の比率が高くなるようにSPMの濃度を制御し、内部層Riを除去する際には、SPMのうちの過酸化水素水の比率が低くなるようにSPMの濃度を制御する。これにより、レジスト層Rの損傷を抑制しながらレジスト層を除去できる。
次に、図18を参照して、本実施形態の学習方法において用いられる学習用データLDを説明する。図18は、学習用データLDの一例を示す図である。図18の学習用データLDは、図17に示した基板処理装置100の学習済モデルLMを生成するために好適に用いられる。なお、図18の学習用データLDは、学習用データの少なくとも1つの項目の値が物性値の時間変化を示すプロファイルを示す点を除いて、図14を参照して上述した学習用データLDと同様であり、冗長を避けるために重複する記載を省略する。
図18に示すように、学習用データLDは、学習用データLD1~LD1000を含む。薬液処理条件は、薬液の濃度プロファイル、薬液の温度プロファイル、薬液の供給量、学習対象基板に対す薬液の吐出パターン、および薬液を供給する際の学習対象基板の回転速度を含む。濃度プロファイルは、薬液処理中のSPMの濃度の時間変化を示す。温度プロファイル、学習対象基板WLに対して用いられたSPMの温度の時間変化を示す。また、供給量は、学習対象基板WLに対して用いられたSPMの供給量を示し、吐出パターンは、学習対象基板WLに対するSPMの吐出パターンおよび吐出タイミングを示す。また、回転速度は、学習対象基板WLに対してSPMを供給する際の学習対象基板WLの回転速度を示す。
図17に示した基板処理装置100では、調整バルブ137a、137bにより、SPMのうちの過酸化水素水/硫酸の比率を変更できる。このため、図18において、薬液の濃度は、学習対象基板WLに対して用いられた薬液の濃度の時間変化を示し、薬液の温度は、学習対象基板WLに対して用いられた薬液の温度の時間変化を示す。
学習用データLD1において、Lcp1は、学習対象基板WL1に供給されたSPMの濃度プロファイルを示し、Ltp1は、学習対象基板WL1に供給されたSPMの温度プロファイルを示す。Ls1は、学習対象基板WL1に供給されたSPMの供給量を示し、Le1は、学習対象基板WL1に対するSPMの吐出パターンを示す。また、Lv1は、学習対象基板WL1に対してSPMを供給する際の学習対象基板WLの回転速度を示す。
学習用データLD2~LD1000についても同様である。学習対象基板WLについてSPMの濃度プロファイルおよび温度プロファイルに応じて学習対象基板WLの薬液処理の結果は大きく変動する。このため、学習用データLDは、学習対象基板WLの薬液処理の結果の変動に大きく寄与する項目を有することが好ましい。
なお、図1~図18を参照した上述の説明では、基板処理装置100の記憶部24または学習装置400の記憶部424が機械学習によって構築された学習済モデルLMを記憶していたが、本実施形態はこれに限定されない。基板処理装置100の記憶部24または学習装置400の記憶部424は、学習済モデルLMに代えて変換テーブルCTを記憶していてもよい。
次に、図19を参照して本実施形態の基板処理装置100を説明する。図19の基板処理装置100は、記憶部24が学習済モデルLMに代えて変換テーブルCTを記憶している点を除いて、図4を参照して上述した基板処理装置100と同様の構成を有しており、冗長を避けるために重複する記載を省略する。
図19に示すように、基板処理装置100において、記憶部24は、変換テーブルCTを記憶する。変換テーブルCTは、処理対象基板Wpの基板情報と、薬液処理処条件情報とを関連付ける。処理対象基板Wpの基板情報は、例えば、硬化層高さ情報および硬化層幅情報を含む。なお、変換テーブルCTは、学習対象基板WLの基板情報、薬液処理処条件情報および処理結果情報に基づいて作成される。
基板情報取得部22aは、記憶部24から、基板情報を取得する。例えば、基板情報取得部22aは、記憶部24から、硬化層高さ情報および硬化層幅情報を取得する。
薬液処理条件情報取得部22bは、変換テーブルCTに基づいて、基板情報から薬液処理条件情報を取得する。典型的には、薬液処理条件情報取得部22bは、変換テーブルCTから基板情報に対応する値を抽出し、変換テーブルCTにおいて関連付けられた基板情報と薬液処理処条件情報との関係に基づいて、薬液処理条件情報を取得する。このように、薬液処理条件情報取得部22bは、変換テーブルCTを用いて、基板情報に対応する薬液処理条件情報を取得する。
その後、制御部22は、薬液処理条件情報に示された薬液処理条件に従って基板保持部120および薬液供給部130を制御する。
図20は、変換テーブルCTの一例を示す図である。図20に示すように、変換テーブルCTは、処理対象基板Wpの基板情報、および、薬液処理条件を示す。変換テーブルCTにおいて、基板情報は、硬化層に関する情報を含む。ここでは、処理対象基板Wpの基板情報は、硬化層高さ情報および硬化層幅情報を含む。
変換テーブルCT1は、ある基板情報と対応する薬液処理条件を示す。ここでは、変換テーブルCT1において、基板情報は、処理対象基板Wpの硬化層高さ情報および硬化層幅情報を含む。dt1は、ある処理対象基板Wpの硬化層の高さを示す。dw1は、ある処理対象基板Wpの硬化層の幅を示す。Rp1は、この処理対象基板Wpに対して行われるべき薬液処理条件を示す。このため、仮に、処理対象基板Wpの硬化層の高さがdt1であり、硬化層の幅がdw1である場合、基板処理装置100は、Rp1で示された薬液処理条件で薬液処理を行う。
変換テーブルCD2~CD1000についても同様である。典型的には、変換テーブルCT1~CD1000について、硬化層の高さおよび硬化層の幅の少なくとも一方が異なる。
なお、処理対象基板Wpの硬化層の高さおよび硬化層の幅が、変換テーブルCTに示された値と一致しない場合、処理対象基板Wpの薬液処理条件は、変換テーブルCTに示された薬液処理条件の値の線形補間によって決定されてもよい。あるいは、処理対象基板Wpの薬液処理条件は、変換テーブルに示された薬液処理条件の値を多項式で補間することによって決定されてもよい。
以上、図面を参照して本発明の実施形態を説明した。ただし、本発明は、上記の実施形態に限られるものではなく、その要旨を逸脱しない範囲で種々の態様において実施することが可能である。また、上記の実施形態に開示される複数の構成要素を適宜組み合わせることによって、種々の発明の形成が可能である。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。さらに、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。図面は、理解しやすくするために、それぞれの構成要素を主体に模式的に示しており、図示された各構成要素の厚み、長さ、個数、間隔等は、図面作成の都合上から実際とは異なる場合もある。また、上記の実施形態で示す各構成要素の材質、形状、寸法等は一例であって、特に限定されるものではなく、本発明の効果から実質的に逸脱しない範囲で種々の変更が可能である。
本発明は、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、学習済モデルに好適に用いられる。
10 基板処理システム
20 制御装置
22 制御部
22a 基板情報取得部
22b 薬液処理条件情報取得部
24 記憶部
LM 学習済モデル
100 基板処理装置
130 薬液供給部
140 リンス液供給部
200 基板処理学習システム
300 学習用データ生成装置
400 学習装置
20 制御装置
22 制御部
22a 基板情報取得部
22b 薬液処理条件情報取得部
24 記憶部
LM 学習済モデル
100 基板処理装置
130 薬液供給部
140 リンス液供給部
200 基板処理学習システム
300 学習用データ生成装置
400 学習装置
Claims (13)
- 硬化層の形成されたレジスト層を有する処理対象基板を回転可能に保持する基板保持部と、
前記処理対象基板に薬液を供給する薬液供給部と、
前記処理対象基板についての前記硬化層の厚さを示す硬化層厚さ情報または前記レジスト層に前記硬化層を形成したイオン注入の条件を示すイオン注入条件情報を含む基板情報を取得する基板情報取得部と、
前記基板情報に基づいて、学習済モデルから前記処理対象基板についての薬液処理条件を示す薬液処理条件情報を取得する薬液処理条件情報取得部と、
前記薬液処理条件情報取得部において取得された前記薬液処理条件情報に基づいて、前記処理対象基板を薬液で処理するように前記基板保持部および前記薬液供給部を制御する制御部と
を備え、
前記学習済モデルは、硬化層の形成されたレジスト層を有する学習対象基板について前記硬化層の厚さを示す硬化層厚さ情報または前記レジスト層に前記硬化層を形成したイオン注入の条件を示すイオン注入条件情報を含む基板情報と、前記学習対象基板を薬液で処理した条件を示す薬液処理条件情報と、前記学習対象基板を薬液で処理した結果を示す処理結果情報とが関連付けられた学習用データを機械学習することで構築される、基板処理装置。 - 前記学習済モデルを記憶する記憶部をさらに備える、請求項1に記載の基板処理装置。
- 前記処理対象基板および前記学習対象基板のそれぞれについて、前記硬化層厚さ情報は、前記硬化層の高さを示す硬化層高さ情報または前記硬化層の幅を示す硬化層幅情報を含む、請求項1または2に記載の基板処理装置。
- 前記処理対象基板および前記学習対象基板のそれぞれについて、前記薬液処理条件情報は、前記薬液の濃度、前記薬液の温度、前記薬液の供給量、前記薬液の吐出パターン、および、前記薬液を供給する際の基板の回転速度のいずれかを示す情報を含む、請求項1から3のいずれかに記載の基板処理装置。
- 前記薬液の濃度を示す情報は、前記薬液の濃度が時間とともに変化した濃度プロファイルを示す、請求項4に記載の基板処理装置。
- 前記薬液の温度を示す情報は、前記薬液の温度が時間とともに変化した温度プロファイルを示す、請求項4または5に記載の基板処理装置。
- 硬化層の形成されたレジスト層を有する処理対象基板を回転可能に保持するステップと、
前記処理対象基板についての前記硬化層の厚さを示す硬化層厚さ情報または前記レジスト層に前記硬化層を形成したイオン注入の条件を示すイオン注入条件情報を含む基板情報を取得するステップと、
前記基板情報に基づいて、学習済モデルから前記処理対象基板の薬液処理条件を示す薬液処理条件情報を取得するステップと、
前記薬液処理条件情報の薬液処理条件に従って前記処理対象基板を薬液で処理するステップと
を包含する、基板処理方法であって、
前記薬液処理条件情報を取得するステップにおいて、前記学習済モデルは、硬化層の形成されたレジスト層を有する学習対象基板について前記硬化層の厚さを示す硬化層厚さ情報または前記レジスト層に前記硬化層を形成したイオン注入の条件を示すイオン注入条件情報を含む基板情報と、前記学習対象基板に対して行われた薬液処理の条件を示す薬液処理条件情報と、前記学習対象基板に対して行われた薬液処理の結果を示す処理結果情報とが関連付けられた学習用データを機械学習することで構築される、基板処理方法。 - 硬化層の形成されたレジスト層を有する学習対象基板を処理する基板処理装置から出力される時系列データから、前記硬化層の厚さを示す硬化層厚さ情報または前記レジスト層に前記硬化層を形成したイオン注入の条件を示すイオン注入条件情報を含む基板情報を取得するステップと、
前記時系列データから、前記基板処理装置において前記学習対象基板を薬液で処理した条件を示す薬液処理条件情報を取得するステップと、
前記時系列データから、前記基板処理装置において前記学習対象基板を薬液で処理した結果を示す処理結果情報を取得するステップと、
前記学習対象基板について前記基板情報、前記薬液処理条件情報および前記処理結果情報を関連付けて学習用データとして記憶部に記憶するステップと
を包含する、学習用データの生成方法。 - 請求項8に記載の学習用データの生成方法にしたがって生成された学習用データを取得するステップと、
前記学習用データを学習プログラムに入力して前記学習用データを機械学習するステップと
を包含する、学習方法。 - 請求項8に記載の学習用データの生成方法にしたがって生成された学習用データを記憶する記憶部と、
前記学習用データを学習プログラムに入力して前記学習用データを機械学習する学習部と
を備える、学習装置。 - 請求項8に記載の学習用データの生成方法にしたがって生成された学習用データを取得するステップと、
前記学習用データを機械学習させることで構築された学習済モデルを生成するステップと
を包含する、学習済モデルの生成方法。 - 請求項8に記載の学習用データの生成方法にしたがって生成された学習用データを機械学習させることで構築された学習済モデル。
- 硬化層の形成されたレジスト層を有する基板を回転可能に保持する基板保持部と、
前記基板に薬液を供給する薬液供給部と、
硬化層厚さ情報またはイオン注入の条件を示すイオン注入条件情報を含む基板情報と、薬液処理の条件を示す薬液処理条件情報とが関連付けられた変換テーブルを記憶する記憶部と、
前記基板についての前記硬化層の厚さを示す硬化層厚さ情報または前記硬化層を形成したイオン注入の条件を示すイオン注入条件情報を含む基板情報を取得する基板情報取得部と、
前記基板情報に基づいて、前記変換テーブルを用いて前記基板についての薬液処理条件を示す薬液処理条件情報を取得する薬液処理条件情報取得部と、
前記薬液処理条件情報取得部において取得された前記薬液処理条件情報に基づいて前記基板を薬液で処理するように前記基板保持部および前記薬液供給部を制御する制御部と
を備える、基板処理装置。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US17/921,864 US20230161301A1 (en) | 2020-04-30 | 2021-03-11 | Substrate processing apparatus, substrate processing method, training data generation method, training method, training device, trained model creation method, and trained model |
CN202180029372.5A CN115428123A (zh) | 2020-04-30 | 2021-03-11 | 基板处理装置、基板处理方法、学习用数据的生成方法、学习方法、学习装置、学习完成模型的生成方法及学习完成模型 |
EP21795461.9A EP4145492A4 (en) | 2020-04-30 | 2021-03-11 | SUBSTRATE TREATMENT APPARATUS, SUBSTRATE TREATMENT METHOD, METHOD FOR GENERATING LEARNING DATA, LEARNING METHOD, LEARNING APPARATUS, METHOD FOR GENERATING A LEARNED MODEL AND LEARNED MODEL |
KR1020227040832A KR102674868B1 (ko) | 2020-04-30 | 2021-03-11 | 기판 처리 장치, 기판 처리 방법, 학습용 데이터의 생성 방법, 학습 방법, 학습 장치, 학습이 완료된 모델의 생성 방법, 및, 학습이 완료된 모델 |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020-080114 | 2020-04-30 | ||
JP2020080114A JP7421410B2 (ja) | 2020-04-30 | 2020-04-30 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
WO2021220633A1 true WO2021220633A1 (ja) | 2021-11-04 |
Family
ID=78278738
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
PCT/JP2021/009836 WO2021220633A1 (ja) | 2020-04-30 | 2021-03-11 | 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 |
Country Status (7)
Country | Link |
---|---|
US (1) | US20230161301A1 (ja) |
EP (1) | EP4145492A4 (ja) |
JP (1) | JP7421410B2 (ja) |
KR (1) | KR102674868B1 (ja) |
CN (1) | CN115428123A (ja) |
TW (1) | TWI782476B (ja) |
WO (1) | WO2021220633A1 (ja) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210202258A1 (en) * | 2019-12-27 | 2021-07-01 | SCREEN Holdings Co., Ltd. | Substrate treatment apparatus, substrate treatment method, substrate treatment system, and learning data generation method |
JP2023120961A (ja) * | 2022-02-18 | 2023-08-30 | 株式会社Screenホールディングス | 基板処理条件の設定方法、基板処理方法、基板処理条件の設定システム、及び、基板処理システム |
JP2023141070A (ja) * | 2022-03-23 | 2023-10-05 | 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 (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10135182A (ja) * | 1996-11-01 | 1998-05-22 | Nec Corp | レジスト除去方法及びレジスト除去装置 |
US6025273A (en) * | 1998-04-06 | 2000-02-15 | Taiwan Semiconductor Manufacturing Company, Ltd. | Method for etching reliable small contact holes with improved profiles for semiconductor integrated circuits using a carbon doped hard mask |
JP2012067254A (ja) | 2010-09-27 | 2012-04-05 | Fujifilm Corp | 半導体基板用洗浄剤、これを利用した洗浄方法及び半導体素子の製造方法 |
CN102968003A (zh) * | 2012-11-29 | 2013-03-13 | 上海华力微电子有限公司 | 光刻胶的去除方法 |
JP2016072613A (ja) * | 2014-09-30 | 2016-05-09 | 芝浦メカトロニクス株式会社 | 基板処理装置及び基板処理方法 |
JP2017073467A (ja) * | 2015-10-07 | 2017-04-13 | 株式会社Screenホールディングス | 基板処理方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5951377B2 (ja) * | 2011-08-26 | 2016-07-13 | 東京エレクトロン株式会社 | 液処理装置及び液処理方法 |
JP6191953B2 (ja) * | 2013-09-02 | 2017-09-06 | 株式会社Screenホールディングス | 基板処理方法および基板処理装置 |
JP7096004B2 (ja) * | 2018-02-07 | 2022-07-05 | 株式会社Screenホールディングス | 基板処理方法および基板処理装置 |
-
2020
- 2020-04-30 JP JP2020080114A patent/JP7421410B2/ja active Active
-
2021
- 2021-03-11 WO PCT/JP2021/009836 patent/WO2021220633A1/ja unknown
- 2021-03-11 CN CN202180029372.5A patent/CN115428123A/zh active Pending
- 2021-03-11 US US17/921,864 patent/US20230161301A1/en active Pending
- 2021-03-11 KR KR1020227040832A patent/KR102674868B1/ko active IP Right Grant
- 2021-03-11 EP EP21795461.9A patent/EP4145492A4/en active Pending
- 2021-04-09 TW TW110112848A patent/TWI782476B/zh active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10135182A (ja) * | 1996-11-01 | 1998-05-22 | Nec Corp | レジスト除去方法及びレジスト除去装置 |
US6025273A (en) * | 1998-04-06 | 2000-02-15 | Taiwan Semiconductor Manufacturing Company, Ltd. | Method for etching reliable small contact holes with improved profiles for semiconductor integrated circuits using a carbon doped hard mask |
JP2012067254A (ja) | 2010-09-27 | 2012-04-05 | Fujifilm Corp | 半導体基板用洗浄剤、これを利用した洗浄方法及び半導体素子の製造方法 |
CN102968003A (zh) * | 2012-11-29 | 2013-03-13 | 上海华力微电子有限公司 | 光刻胶的去除方法 |
JP2016072613A (ja) * | 2014-09-30 | 2016-05-09 | 芝浦メカトロニクス株式会社 | 基板処理装置及び基板処理方法 |
JP2017073467A (ja) * | 2015-10-07 | 2017-04-13 | 株式会社Screenホールディングス | 基板処理方法 |
Non-Patent Citations (1)
Title |
---|
See also references of EP4145492A4 |
Also Published As
Publication number | Publication date |
---|---|
JP7421410B2 (ja) | 2024-01-24 |
JP2021174958A (ja) | 2021-11-01 |
KR102674868B1 (ko) | 2024-06-14 |
TW202201601A (zh) | 2022-01-01 |
EP4145492A1 (en) | 2023-03-08 |
CN115428123A (zh) | 2022-12-02 |
EP4145492A4 (en) | 2024-05-29 |
TWI782476B (zh) | 2022-11-01 |
KR20230004753A (ko) | 2023-01-06 |
US20230161301A1 (en) | 2023-05-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021220633A1 (ja) | 基板処理装置、基板処理方法、学習用データの生成方法、学習方法、学習装置、学習済モデルの生成方法、および、学習済モデル | |
TWI526257B (zh) | 使用噴嘴清洗基板上之一層的控制 | |
WO2021241124A1 (ja) | 基板処理装置、基板処理方法、学習用データの生成方法、学習方法、学習装置、学習済モデルの生成方法、および、学習済モデル | |
WO2022220126A1 (ja) | 基板処理装置、基板処理システム、及びデータ処理方法 | |
WO2018147008A1 (ja) | 基板処理方法および基板処理装置 | |
JP7399783B2 (ja) | 基板処理装置、基板処理方法、学習用データの生成方法、学習方法、学習装置、学習済モデルの生成方法、および、学習済モデル | |
JP2024045749A (ja) | 基板処理装置、基板処理方法、学習用データの生成方法、学習方法、学習装置、学習済モデルの生成方法、及び学習済モデル | |
KR102698257B1 (ko) | 기판 처리 장치, 기판 처리 방법, 학습용 데이터의 생성 방법, 학습 방법, 학습 장치, 학습이 완료된 모델의 생성 방법, 및, 학습이 완료된 모델 | |
JP4405236B2 (ja) | 基板処理方法および基板処理装置 | |
WO2023042774A1 (ja) | 基板処理装置および基板処理方法 | |
TWI838864B (zh) | 基板處理裝置及基板處理方法 | |
WO2024157596A1 (ja) | 基板処理装置、推定方法、学習用データの生成方法、学習方法、学習装置、学習済モデルの生成方法、および、学習済モデル | |
US20240103462A1 (en) | Support device, support method, substrate processing system, and storage medium | |
US20230268208A1 (en) | Substrate processing condition setting method, substrate processing method, substrate processing condition setting system, and substrate processing system | |
TW201433374A (zh) | 旋轉基板用處理液體分配之控制系統 | |
JP2023019657A (ja) | 基板処理方法及び基板処理装置 | |
JP2021174926A (ja) | 基板処理装置、及び基板処理方法 | |
KR20220125152A (ko) | 기판 처리 장치, 및 기판 처리 방법 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 21795461 Country of ref document: EP Kind code of ref document: A1 |
|
ENP | Entry into the national phase |
Ref document number: 20227040832 Country of ref document: KR Kind code of ref document: A |
|
NENP | Non-entry into the national phase |
Ref country code: DE |
|
ENP | Entry into the national phase |
Ref document number: 2021795461 Country of ref document: EP Effective date: 20221130 |