[go: up one dir, main page]

TWI803690B - 推估方法、推估裝置、模型之產生方法及學習裝置 - Google Patents

推估方法、推估裝置、模型之產生方法及學習裝置 Download PDF

Info

Publication number
TWI803690B
TWI803690B TW108131481A TW108131481A TWI803690B TW I803690 B TWI803690 B TW I803690B TW 108131481 A TW108131481 A TW 108131481A TW 108131481 A TW108131481 A TW 108131481A TW I803690 B TWI803690 B TW I803690B
Authority
TW
Taiwan
Prior art keywords
data
learning
image data
mentioned
manufacturing process
Prior art date
Application number
TW108131481A
Other languages
English (en)
Other versions
TW202026959A (zh
Inventor
中郷孝祐
本木大資
渡部正樹
小松智希
茂木弘典
本田昌伸
加藤隆彦
新関智彦
Original Assignee
日商首選網絡股份有限公司
日商東京威力科創股份有限公司
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 日商首選網絡股份有限公司, 日商東京威力科創股份有限公司 filed Critical 日商首選網絡股份有限公司
Publication of TW202026959A publication Critical patent/TW202026959A/zh
Application granted granted Critical
Publication of TWI803690B publication Critical patent/TWI803690B/zh

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • C—CHEMISTRY; METALLURGY
    • C23—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; CHEMICAL SURFACE TREATMENT; DIFFUSION TREATMENT OF METALLIC MATERIAL; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL; INHIBITING CORROSION OF METALLIC MATERIAL OR INCRUSTATION IN GENERAL
    • C23C—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; SURFACE TREATMENT OF METALLIC MATERIAL BY DIFFUSION INTO THE SURFACE, BY CHEMICAL CONVERSION OR SUBSTITUTION; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL
    • C23C14/00—Coating by vacuum evaporation, by sputtering or by ion implantation of the coating forming material
    • C23C14/22—Coating by vacuum evaporation, by sputtering or by ion implantation of the coating forming material characterised by the process of coating
    • C23C14/54—Controlling or regulating the coating process
    • C—CHEMISTRY; METALLURGY
    • C23—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; CHEMICAL SURFACE TREATMENT; DIFFUSION TREATMENT OF METALLIC MATERIAL; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL; INHIBITING CORROSION OF METALLIC MATERIAL OR INCRUSTATION IN GENERAL
    • C23C—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; SURFACE TREATMENT OF METALLIC MATERIAL BY DIFFUSION INTO THE SURFACE, BY CHEMICAL CONVERSION OR SUBSTITUTION; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL
    • C23C16/00—Chemical coating by decomposition of gaseous compounds, without leaving reaction products of surface material in the coating, i.e. chemical vapour deposition [CVD] processes
    • C23C16/44—Chemical coating by decomposition of gaseous compounds, without leaving reaction products of surface material in the coating, i.e. chemical vapour deposition [CVD] processes characterised by the method of coating
    • C23C16/52—Controlling or regulating the coating process
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • H10P50/242—
    • H10P72/04—
    • H10P95/00—
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/32—Normalisation of the pattern dimensions

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Metallurgy (AREA)
  • Mechanical Engineering (AREA)
  • Organic Chemistry (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Materials Engineering (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • General Chemical & Material Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Drying Of Semiconductors (AREA)
  • Image Analysis (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Manufacturing & Machinery (AREA)
  • Computer Hardware Design (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Power Engineering (AREA)

Abstract

一種提高製造程序的模擬精度的學習裝置，包括取得部，取得對象物的影像資料和關於針對該對象物的處理的資料；以及學習部，向學習模型輸入該對象物的影像資料和關於該處理的資料，並且以使該學習模型的輸出接近該處理後的該對象物的影像資料的方式，使該學習模型進行學習。

Description

推估方法、推估裝置、模型之產生方法及學習裝置
本發明係關於一種學習裝置、推估裝置及學習完成模型。
傳統上，半導體製造商藉由針對各製造程序(例如乾蝕刻、沉積等)產生物理模型並執行模擬，從而進行最佳配方的探索以及程序參數的調整等。
另一方面，由於半導體製造程序的動作複雜，因此亦存在無法用物理模型表現的現象，在模擬精度上存在極限。因此，最近正在研究應用進行了機器學習的學習完成模型來代替基於物理模型的模擬。
在此，在學習完成模型的情況下，具有無需如物理模型般地使用物理方程式等來規定半導體製造程序的各現象的優點，並且有望實現無法由基於物理模型的模擬實現的模擬精度。
本公開的目的在於提高製造程序的模擬精度。
本公開的一個實施方式中的學習裝置例如具有以下結構。亦即，包括：取得部，取得對象物的影像資料和關於針對該對象物的處理的資料；以及學習部，向學習模型輸入該對象物的影像資料和關於該處理的資料，並且以使該學習模型的輸出接近該處理後的該對象物的影像資料 的方式，使該學習模型進行學習。
100:模擬系統
110:半導體製造裝置
111:測定裝置
112:測定裝置
120:學習裝置
121:資料構形部
122:學習部
123:學習用資料儲存部
130:推估裝置
131:資料構形部
132:執行部
300:學習用資料
420:乾蝕刻用學習模型
421:沉積用學習模型
430:比較部
440:變更部
501:形狀資料取得部
502:通道特定資料產生部
511:一維資料取得部
512:一維資料展開部
520:連結部
600:處理前影像資料
601~605:通道特定資料
610:參數資料
611~613:二維排列的參數資料
620:環境資訊
621~623:二維排列的環境資訊
630:連結資料
700:輸出結果
920:乾蝕刻用學習完成模型
921:沉積用學習完成模型
930:輸出部
1200:資料構形部
1201:連結部
1300:乾蝕刻用學習模型
1301:神經網路部
1310:連結資料
1400:學習部
1510、1520:資料構形部
1511:壓縮部
圖1是示出模擬系統的整體結構的示例的圖。
圖2是示出構成模擬系統的各裝置的硬體結構的示例的圖。
圖3是示出學習用資料的示例的圖。
圖4是示出第1實施方式中的學習裝置的學習部的功能結構的示例的圖。
圖5是示出第1實施方式中的學習裝置的資料構形部的功能結構的示例的圖。
圖6是示出第1實施方式中的學習裝置的資料構形部所進行的處理的具體示例的圖。
圖7是示出第1實施方式中的學習裝置的乾蝕刻用學習模型所進行的處理的具體示例的圖。
圖8是示出學習處理的流程的流程圖。
圖9是示出推估裝置的執行部的功能結構的示例的圖。
圖10是示出乾蝕刻用學習完成模型的模擬精度的圖。
圖11是示出沉積用學習完成模型的模擬精度的圖。
圖12是示出第2實施方式中的學習裝置的資料構形部的功能結構的示例的圖。
圖13是示出第2實施方式中的學習裝置的乾蝕刻用學習模型所進行的處理的具體示例的圖。
圖14是示出第3實施方式中的學習裝置的學習部的功能構成的示例的圖。
圖15是示出第4實施方式中的學習裝置的資料構形部的功能結構的示例的圖。
圖16是示出推估裝置的應用示例的圖。
以下，參照圖式對各實施方式進行說明。需要說明的是，在本說明書及圖式中，針對具有實質上相同的功能結構的構成要素賦予相同的符號並省略重複的說明。
[第1實施方式]
<模擬系統的整體結構>
首先，對進行半導體製造程序的模擬的模擬系統的整體結構進行說明。圖1是示出模擬系統的整體結構的示例的圖。如圖1所示，模擬系統100具有學習裝置120和推估裝置130。需要說明的是，在模擬系統100中所使用的各種資料、各種資訊從半導體製造商或半導體製造裝置製造商的資料庫等獲得。
如圖1的上部所示，在半導體製造裝置110中，藉由設定預定的參數資料(詳細內容將在後面說明)並且對複數個處理前晶圓(對象物)進行搬送，從而執行與各製造程序(例如乾蝕刻、沉積)對應的處理。
需要說明的是，複數個處理前晶圓之中的一部分處理前晶圓被搬送至測定裝置111，在各種位置處由測定裝置111進行形狀的測定。由此，在測定裝置111中，例如產生用於表示處理前晶圓在各位置處的剖面形狀的處理前影像資料(二維的影像資料)。需要說明的是，測定裝置111包括掃描式電子顯微鏡(SEM)、長度測量掃描式電子顯微鏡(CD- SEM)、透射電子顯微鏡(TEM)、原子力顯微鏡(AFM)等。另外，假定由測定裝置111產生的處理前影像資料與顯微鏡的放大率等各種元資料關聯。
在圖1的示例中示出了測定裝置111產生檔案名稱=「形狀資料LD001」、「形狀資料LD002」、「形狀資料LD003」...等處理前影像資料作為處理前影像資料的情況。
另一方面，在執行與各製造程序對應的處理之後，將處理後晶圓從半導體製造裝置110中搬出。在半導體製造裝置110中，對在針對處理前晶圓執行與各製造程序對應的處理時的處理期間的環境進行測定，並將其作為環境資訊保存。
作為處理後晶圓從半導體製造裝置110中搬出的複數個處理後晶圓之中的一部分處理前晶圓被搬送至測定裝置112，在各種位置處由測定裝置112進行形狀的測定。由此，在測定裝置112中，例如產生用於表示處理後晶圓在各位置處的剖面形狀的處理後影像資料(二維的影像資料)。需要說明的是，與測定裝置111同樣，測定裝置112包括掃描式電子顯微鏡(SEM)、長度測量掃描式電子顯微鏡(CD-SEM)、透射電子顯微鏡(TEM)、原子力顯微鏡(AFM)等。
在圖1的示例中示出了測定裝置112產生檔案名稱=「形狀資料LD001’」、「形狀資料LD002’」、「形狀資料LD003’」...等處理後影像資料作為處理後影像資料的情況。
由測定裝置111產生的處理前影像資料、在半導體製造裝置110中設定的參數資料及保存的環境資訊、以及由測定裝置112產生的處理後影像資料作為學習用資料被學習裝置120收集。另外，在學習裝置 120中，將收集的學習用資料儲存在學習用資料儲存部123中。需要說明的是，在半導體製造裝置110中設定的參數資料及保存的環境資訊是在半導體製造裝置110針對處理前晶圓(對象物)執行與製造程序對應的處理時的關於該處理的任意的資料。如此一來，藉由以執行與製造程序對應的處理時的關於該處理的任意的資料作為學習用資料，從而能夠在機器學習中反映與製造程序的各現象相關的因素。
藉由在學習裝置120中安裝資料構形程式及學習程式，並且執行該程式，從而使學習裝置120起到資料構形部121和學習部122的功能。
資料構形部121是加工部的示例。資料構形部121將儲存在學習用資料儲存部123中的學習用資料讀出，並且將讀出的學習用資料的一部分加工成適合由學習部122向學習模型輸入的預定的形式。
學習部122使用所讀出的學習用資料(包括由資料構形部121所加工的學習用資料)，針對學習模型進行機器學習，並產生半導體製造程序的學習完成模型。由學習部122所產生的學習完成模型被提供給推估裝置130。
藉由在推估裝置130中安裝資料構形程式及執行程式，並且執行該程式，從而使推估裝置130起到資料構形部131和執行部132的功能。
資料構形部131是加工部的示例。資料構形部131取得由測定裝置111所產生的處理前影像資料、以及輸入至推估裝置130的參數資料、環境資訊。另外，資料構形部131將取得的參數資料及環境資訊加工成適合由執行部132向學習完成模型輸入的預定的形式。
執行部132藉由向學習完成模型輸入處理前影像資料、以及在資料構形部131中被加工成預定形式的參數資料及環境資訊，並執行模擬，從而輸出(推估)處理後影像資料(模擬結果)。
推估裝置130的用戶藉由對藉由使執行部132使用學習完成模型執行模擬而輸出的處理後影像資料、與由測定裝置112所產生的對應的處理後影像資料進行對比，從而對學習完成模型進行驗證。
具體來說，推估裝置130的用戶對
．藉由將處理前影像資料、參數資料、環境資訊輸入至資料構形部131從而由執行部132所輸出的處理後影像資料、．藉由使半導體製造裝置110對處理前晶圓進行處理並使測定裝置112對處理後晶圓進行測定而產生的處理後影像資料進行對比。由此，推估裝置130的用戶能夠計算出學習完成模型的模擬誤差，並對模擬精度進行驗證。
需要說明的是，在驗證完成之後，向推估裝置130輸入任意的處理前資料、以及任意的參數資料及環境資訊，執行各種模擬。
<構成模擬系統的各裝置的硬體結構>
接著，使用圖2對構成模擬系統100的各裝置(學習裝置120、推估裝置130)的硬體結構進行說明。圖2是示出構成模擬系統的各裝置的硬體結構的示例的圖。
需要說明的是，由於學習裝置120與推估裝置130的硬體結構大致相同，因此在此對學習裝置120的硬體結構進行說明。
圖2是示出學習裝置的硬體結構的示例的圖。如圖2所示，學習裝置120具有CPU(Central Processing Unit：中央處理器)201、 ROM(Read Only Memory：唯讀記憶體)202。另外，學習裝置120具有RAM(Random Access Memory：隨機存取記憶體)203、GPU(Graphics Processing Unit：圖形處理單元)204。需要說明的是，CPU201、GPU204等處理器(處理電路、Processing Circuit、Processing Circuitry)、以及ROM 202、RAM 203等記憶體形成所謂的電腦。
此外，學習裝置120具有輔助記憶裝置205、操作裝置206、顯示裝置207、I/F(Interface：介面)裝置208、驅動裝置209。需要說明的是，學習裝置120的各硬體經由匯流排210彼此連接。
CPU 201是對安裝在輔助記憶裝置205中的各種程式(例如資料構形程式、學習程式等)進行執行的運算設備。
ROM 202為非揮發性記憶體，並且起到主記憶裝置的功能。ROM 202用於對安裝在輔助記憶裝置205中的各種程式進行執行所需的各種程式、資料等進行儲存。具體來說，ROM 202儲存BIOS(Basic Input/Output System：基本輸入輸出系統)或EFI(Extensible Firmware Interface：可延伸韌體介面)等引導程式等。
RAM 203為DRAM(Dynamic Random Access Memory：動態隨機存取記憶體)或SRAM(Static Random Access Memory：靜態隨機存取記憶體)等揮發性記憶體，並且起到主記憶裝置的功能。RAM 203提供當安裝在輔助記憶裝置205中的各種程式被CPU 201執行時展開的工作區域。
GPU 204為影像處理用的運算設備，並且當CPU 201執行各種程式時針對各種影像資料進行並行處理的高速運算。
輔助記憶裝置205是用於對各種程式、以及各種程式被 CPU 201執行時由GPU 204進行影像處理的各種影像資料等進行記憶的記憶部。例如，學習用資料儲存部123在輔助記憶裝置205中實現。
操作裝置206是當學習裝置120的管理者針對學習裝置120輸入各種指示時所使用的輸入設備。顯示裝置207是對學習裝置120的內部狀態進行顯示的顯示設備。I/F裝置208是用於與其他裝置連接並進行通信的連接設備。
驅動裝置209是用於設置記錄媒體220的設備。在此所說的記錄媒體220包括CD-ROM、軟性碟、磁光碟等以光學方式、電氣方式或磁氣方式對資訊進行記錄的媒體。另外，記錄媒體220可以包括ROM、快閃記憶體等以電氣方式對資訊進行記錄的半導體記憶體。
需要說明的是，安裝在輔助記憶裝置205中的各種程式例如藉由將分發的記錄媒體220設置在驅動裝置209中，並且利用驅動裝置209將記錄在該記錄媒體220中的各種程式讀出來安裝。或者，安裝在輔助記憶裝置205中的各種程式可以藉由經由未圖示的網路下載來安裝。
<學習用資料的說明>
接著，對儲存在學習用資料儲存部123中的學習用資料進行說明。圖3是示出學習用資料的示例的圖。如圖3所示，學習用資料300包括“步驟”、“工作ID”、“處理前影像資料”、“參數資料”、“環境資訊”、“處理後影像資料”作為資訊項。
在“步驟”中，儲存有表示半導體製造程序的名稱。圖3的示例示出了儲存有「乾蝕刻」和「沉積」2個名稱作為“步驟”的情況。
在“工作ID”中，儲存有用於對由半導體製造裝置110執行的工作進行識別的標識符。
圖3的示例示出了儲存有「PJ001」和「PJ002」作為乾蝕刻的“工作ID”的情況。另外，圖3的示例示出了儲存有「PJ101」作為沉積的“工作ID”的情況。
在“處理前影像資料”中，儲存有由測定裝置111產生的處理前影像資料的檔案名稱。圖3的示例示出了在工作ID=「PJ001」的情況下，針對該工作的批次(晶圓組)之中的1個處理前晶圓由測定裝置111產生檔案名稱=「形狀資料LD001」的處理前影像資料的情況。
另外，圖3的示例示出了在工作ID=「PJ002」的情況下，針對該工作的批次(晶圓組)之中的1個處理前晶圓由測定裝置111產生檔案名稱=「形狀資料LD002」的處理前影像資料的情況。此外，圖3的示例示出了在工作ID=「PJ101」的情況下，針對該工作的批次(晶圓組)之中的1個處理前晶圓由測定裝置111產生檔案名稱=「形狀資料LD101」的處理前影像資料的情況。
在“參數資料”中，儲存有當在半導體製造裝置110對處理前晶圓進行處理時所設定的用於表示預定的處理條件的參數。圖3的示例示出了當在半導體製造裝置110中執行工作ID=「PJ001」的處理時設定「參數001_1」、「參數001_2」、「參數001_3」...的情況。
需要說明的是，在「參數001_1」、「參數001_2」、「參數001_3」...中，例如包括以下資料或資訊等。
．Pressure(腔室內的壓力)、Power(高頻電源的功率)、Gas(氣體流量)、Temperature(腔室內的溫度或晶圓的表面的溫度)等在半導體製造裝置110中作為設定值設定的資料、．CD(Critical Dimension)、Depth(深度)、Taper(錐角)、Tilting(傾斜 角)、Bowing(彎曲)等在半導體製造裝置110中作為目標值設定的資料、．關於半導體製造裝置110的硬體之形體的資訊
在“環境資訊”中，儲存有在半導體製造裝置110中對處理前晶圓進行處理時所測定的用於表示處理前晶圓的處理期間的環境的資訊。圖3的示例示出了在半導體製造裝置110執行工作ID=「PJ001」的處理時對作為環境資訊的「環境資料001_1」、「環境資料001_2」、「環境資料001_3」...進行測定的情況。
需要說明的是，在「環境資料001_1」、「環境資料001_2」、「環境資料001_3」...中，例如包括以下資料。
．Vpp(電位差)、Vdc(直流自偏壓)、OES(基於發射光譜分析的發光強度)、Reflect(反射波功率)等在處理期間從半導體製造裝置110輸出的資料(主要關於電流或電壓的資料)
．Plasma density(電漿密度)、Ion energy(離子能量)、Ion flux(離子流量)等在處理期間測定的資料(主要關於光的資料、以及關於溫度、壓力的資料)。
在“處理後影像資料”中，儲存有由測定裝置112產生的處理後影像資料的檔案名稱。圖3的示例示出了在工作ID=「PJ001」的情況下，由測定裝置112產生檔案名稱=「形狀資料LD001’」的處理後影像資料的情況。
另外，圖3的示例示出了在工作ID=「PJ002」的情況下，由測定裝置112產生檔案名稱=「形狀資料LD002’」的處理後影像資料的情況。此外，圖3的示例示出了在工作ID=「PJ101」的情況下，由測定裝置112產生檔案名稱=「形狀資料LD101’」的處理後影像資料的情況。
<學習裝置的功能結構>
接著，對學習裝置120的各部(資料構形部121、學習部122)的功能結構的細節進行說明。
(1)學習部的功能結構的細節
首先，對學習裝置120的學習部122的功能結構的細節進行說明。圖4是示出第1實施方式中的學習裝置的學習部的功能結構的示例的圖。如圖4所示，學習裝置120的學習部122具有乾蝕刻用學習模型420、沉積用學習模型421、比較部430、變更部440。
學習用資料儲存部123中儲存的學習用資料300的處理前影像資料、參數資料、環境資訊被資料構形部121讀出，並被輸入對應的學習模型。需要說明的是，在本實施方式中，參數資料和環境資訊被資料構形部121加工成預定的形式後，被輸入至對應的學習模型。然而，參數資料和環境資訊亦可以被預先加工成預定的形式，資料構形部121將預先被加工成預定形式的資料及資訊讀出，並將其輸入至對應的學習模型。
向乾蝕刻用學習模型420輸入處理前影像資料、以及被資料構形部121加工成預定形式的參數資料及環境資訊(但是，僅限於與“步驟”=「乾蝕刻」關聯的資料及資訊)。在被輸入處理前影像資料、以及被加工成預定形式的參數資料及環境資訊後，乾蝕刻用學習模型420輸出輸出結果。另外，乾蝕刻用學習模型420將輸出結果輸入至比較部430。
同樣地，向沉積用學習模型421輸入處理前影像資料、以及被資料構形部121加工成預定形式的參數資料及環境資訊(但是，僅限於與“步驟”=「沉積」關聯的資料及資訊)。在被輸入處理前影像資料、以及被加工成預定形式的參數資料及環境資訊後，沉積用學習模型421輸出 輸出結果。另外，沉積用學習模型421將輸出結果輸入至比較部430。
比較部430對從乾蝕刻用學習模型420輸入的輸出結果與學習用資料300的處理後影像資料(與“步驟”=「乾蝕刻」關聯的處理後影像資料)進行比較，並且向變更部440通知差分資訊。
同樣地，比較部430對從沉積用學習模型421輸入的輸出結果與學習用資料300的處理後影像資料(與“步驟”=「沉積」關聯的處理後影像資料)進行比較，並且向變更部440通知差分資訊。
變更部440基於從比較部430通知的差分資訊來更新乾蝕刻用學習模型420或沉積用學習模型421的模型參數。需要說明的是，用於更新模型參數的差分信息可以是平方誤差或絕對誤差。
如此一來，在學習部122中，向學習模型輸入處理前影像資料、以及被加工成預定形式的參數資料及環境資訊，並且以使由學習模型所輸出的輸出結果接近處理後影像資料方式，藉由機器學習來更新模型參數。
由此，在學習部122中，能夠在機器學習中反映顯現出半導體製造程序的各現象的處理後影像資料，並且能夠對該些現象與參數資料及環境資訊之間的關係進行機器學習。
(2)資料構形部的功能結構的細節
接著，對學習部120的資料構形部121的功能結構的細節進行說明。圖5是示出第1實施方式中的學習裝置的資料構形部的功能結構的示例的圖。如圖5所示，資料構形部121具有形狀資料取得部501、通道特定資料產生部502、一維資料取得部511、一維資料展開部512、連結部520。
形狀資料取得部501從學習用資料儲存部123讀出學習用資 料300的處理前影像資料，並通知給通道特定資料產生部502。
通道特定資料產生部502是產生部的示例。通道特定資料產生部502取得從形狀資料取得部501通知的處理前影像資料(在此，為由與各材料的組成比(或含量比)對應的像素值所表現的資料)。另外，通道特定資料產生部502根據所取得的處理前影像資料，產生與材料的種類對應的複數個通道的影像資料。以下，將與材料的種類對應的複數個通道的影像資料稱為通道特定資料。例如，通道特定資料產生部502根據處理前影像資料，產生包括空氣的層的通道特定資料、以及包括4種材料各自的層的4個通道特定資料。
另外，通道特定資料產生部502向連結部520通知所產生的複數個通道特定資料。需要說明的是，在本實施方式中，雖然是由通道特定資料產生部502來產生通道特定資料，然而亦可以預先產生通道特定資料。在此情況下，通道特定資料產生部502讀出預先產生的通道特定資料，並向連結部520通知。
一維資料取得部511從學習用資料儲存部123讀出學習用資料300的參數資料、環境資訊，並向一維資料展開部512通知。
一維資料展開部512將從一維資料取得部511通知的參數資料、環境資訊加工成與處理前影像資料對應的形式(與處理前影像資料的縱向尺寸和橫向尺寸對應的二維排列的形式)。
在此，參數資料例如藉由將「參數001_1」、「參數001_2」、「參數001_3」、...等各參數的數值一維地排列而成。具體來說，參數資料藉由將N種參數的數值一維地排列而成。
因此，在一維資料展開部512中，將參數資料中包含的N種 參數的數值按每一種逐一地提取出，並且根據處理前影像資料的縱向尺寸和橫向尺寸將所提取出的數值二維地排列。由此，在一維資料展開部512中，產生了二維地排列的N個參數資料。
另外，一維資料展開部512向連結部520通知二維地排列的N個參數資料。
同樣地，環境資訊例如藉由將「環境資料001_1」、「環境資料001_2」、「環境資料001_3」、...等各環境資訊的數值一維地排列而成。具體來說，環境資訊藉由將M種環境資料的數值一維地排列而成。
因此，在一維資料展開部512中，將環境資訊中包含的M種環境資料的數值按每一種逐一地提取出，並且根據處理前影像資料的縱向尺寸和橫向尺寸將所提取出的數值二維地排列。由此，在一維資料展開部512中，產生了二維地排列的M個環境資訊。
另外，一維資料展開部512向連結部520通知二維地排列的M個環境資訊。
連結部520在從通道特定資料產生部502通知的複數個通道特定資料上，將從一維資料展開部512通知的二維地排列的N個參數資料和M個環境資訊作為新的通道進行連結，並產生連結資料。需要說明的是，在本實施方式中，雖然由連接部520產生連結資料，然而亦可以預先產生連結資料。在此情況下，連結部520讀出預先產生的連結資料，並將其輸入至學習模型。
<學習裝置的各部所進行的處理的具體示例>
接著，對學習裝置120的各部所進行的處理之中的上述資料構形部 121所進行的處理以及學習部122內的乾蝕刻用學習模型420所進行的處理的具體示例進行說明。
(1)資料構形部所進行的處理的具體示例
圖6是示出資料構形部所進行的處理的具體示例的圖。在圖6中，處理前影像資料600例如是檔案名稱=「形狀資料LD001」的處理前影像資料。
如圖6所示，處理前影像資料600包括空氣的層、材料A的層、材料B的層、材料C的層、材料D的層。在此情況下，在通道特定資料產生部502中，產生通道特定資料601、602、603、604、605。
另外，如圖6所示，參數資料610例如藉由將各參數(「參數001_1」、「參數001_2」、「參數001_3」、...等)的數值一維地排列而成。
此外，如圖6所示，環境資訊620例如藉由將「環境資料001_1」、「環境資料001_2」、「環境資料001_3」、...等各環境資料的數值一維地排列而成。
在此情況下，一維資料展開部512根據處理前影像資料600的縱向尺寸和橫向尺寸，將參數001_1二維地排列(將相同值排列在縱向和橫向上)。同樣地，一維資料展開部512根據處理前影像資料600的縱向尺寸和橫向尺寸，將參數001_2二維地排列。同樣地，一維資料展開部512根據處理前影像資料600的縱向尺寸和橫向尺寸，將參數001_3二維地排列。
另外，一維資料展開部512根據處理前影像資料600的縱向尺寸和橫向尺寸，將環境資料001_1二維地排列(將相同值排列在縱向和橫 向上)。同樣地，一維資料展開部512根據處理前影像資料600的縱向尺寸和橫向尺寸，將環境資料001_2二維地排列。同樣地，一維資料展開部512根據處理前影像資料600的縱向尺寸和橫向尺寸，將環境資料001_3二維地排列。
二維地排列的參數資料611、612、613等、以及二維地排列的環境資訊621、622、623等被連結部520作為新的通道連結至通道特定資料601~605，並產生連結資料630。
(2)乾蝕刻用學習模型所進行的處理的具體示例
接著，對學習部122內的乾蝕刻用學習模型420所進行的處理的具體示例進行說明。圖7是示出第1實施方式中的學習裝置的乾蝕刻用學習模型所進行的處理的具體示例的圖。如圖7所示，在本實施方式中，作為乾蝕刻用學習模型420，使用基於U字型的卷積神經網路(CNN：Convolutional Neural Network)的學習模型(所謂的UNET)。
在UNET的情況下，通常輸入影像資料，並輸出影像資料。因此，藉由使用該UNET作為學習部122的學習模型，能夠輸入和輸出半導體製造程序的處理前後的影像資料。
另一方面，在UNET的情況下，針對並非影像資料的形式資料，需要預先對影像資料的形式進行加工。上述資料構形部121的一維資料展開部512被構成為將參數資料和環境資訊二維地排列是為了將被輸入至UNET的資料變為影像資料的形式。藉由使針對UNET輸入參數資料和環境資訊成為可能，從而能夠利用與乾蝕刻的各現象相關的因素來進行機器學習。
圖7的示例示出了向使用了UNET的乾蝕刻用學習模型420 輸入連結資料630並輸出包含複數個通道特定資料的輸出結果700的情況。
需要說明的是，在圖7的示例中示出了乾蝕刻用學習模型420所進行的處理的具體示例，沉積用學習模型421所進行的處理的具體示例亦同樣。
<學習處理的流程>
接著，對學習處理整體的流程進行說明。圖8是示出學習處理的流程的流程圖。
在步驟S801中，測定裝置111針對由半導體製造裝置110處理前的處理前晶圓在各個位置處對進行形狀的測定，產生處理前影像資料。
在步驟S802中，測定裝置112針對由半導體製造裝置110處理後的處理後晶圓在各個位置處對進行形狀的測定，產生處理後影像資料。
在步驟S803中，學習裝置120取得在由半導體製造裝置110執行與各製造程序對應的處理時在半導體製造裝置110中設定的參數資料、以及藉由對處理期間的環境進行測定而得到的環境資訊。
在步驟S804中，學習裝置120將由測定裝置111產生的處理前影像資料、由測定裝置112產生的處理後影像資料、所取得的參數資料及環境資訊作為學習用資料，儲存在學習用資料儲存部123中。
在步驟S805中，學習裝置120的資料構形部121從學習用資料儲存部123讀出處理前影像資料、參數資料、環境資訊，並產生連結資料。
在步驟S806中，學習裝置120的學習部122將連結資料作為輸入，將處理後影像資料作為輸出，針對學習模型進行機器學習，產生學習完成模型。
在步驟S807中，學習裝置120的學習部122將所產生的學習完成模型發送至推估裝置130。
<推估裝置的功能結構>
接著，對推估裝置130的功能結構的細節進行說明。需要說明的是，推估裝置130的各部(資料構形部131、執行部132)之中的資料構形部131的功能結構的細節與學習裝置120的資料構形部121的功能結構的細節相同。因此，在此省略針對資料構形部131的功能結構的細節的說明，以下對執行部132的功能結構的細節進行說明。
圖9是示出推估裝置的執行部的功能結構的示例的圖。如圖9所示，推估裝置130的執行部132具有乾蝕刻用學習完成模型920、沉積用學習完成模型921、輸出部930。
在取得由測定裝置111產生的處理前影像資料(例如未被用於機器學習的資料)並向推估裝置130輸入參數資料及環境資訊後，在資料構形部131產生連結資料。另外，由資料構形部131將產生的連結資料輸入至各學習完成模型。需要說明的是，圖9的示例示出了作為由測定裝置111所產生的處理前影像資料，取得了檔案名稱=「形狀資料SD001」、「形狀資料SD002」、...等的情況。
在乾蝕刻用學習完成模型920中，在從資料構形部131輸入連結資料後，執行模擬。另外，乾蝕刻用學習完成模型920向輸出部930通知藉由執行模擬而輸出的輸出結果。
同樣地，在沉積用學習完成模型921中，在從資料構形部131輸入連結資料後，執行模擬。另外，沉積用學習完成模型921向輸出部930通知藉由執行模擬而輸出的輸出結果。
需要說明的是，在此，雖然是輸入由測定裝置111所產生的處理前影像資料，然而亦可以向乾蝕刻用學習完成模型920、沉積用學習完成模型921輸入任意的處理前影像資料。
輸出部930根據從乾蝕刻用學習完成模型920通知的輸出結果，產生處理後影像資料(例如檔案名稱=「形狀資料SD001”」)，並將其作為模擬結果輸出。同樣地，輸出部930根據從沉積用學習完成模型921通知的輸出結果，產生處理後影像資料(例如檔案名稱=「形狀資料SD101”」)，並將其作為模擬結果輸出。
在此，假設推估裝置130的用戶輸入了與在半導體製造裝置110中所設定的參數資料及所保存的環境資訊相同的參數資料及環境資訊。在此情況下，推估裝置130的用戶能夠對從輸出部930所輸出的處理後影像資料與由測定裝置112所產生的處理後影像資料(例如檔案名稱=「形狀資料SD001’」)進行對比。因此，推估裝置130的用戶能夠對推估裝置130的模擬精度進行驗證。
圖10是示出乾蝕刻用學習完成模型的模擬精度的圖。其中，圖10的10a示出了作為比較對象的由測定裝置111所產生的處理前影像資料(檔案名稱=「形狀資料SD001」)和由測定裝置112所產生的處理後影像資料(檔案名稱=「形狀資料SD001’」)。
另一方面，圖10的10b示出了由乾蝕刻用學習完成模型920執行模擬的情況下的處理前影像資料(檔案名稱=「形狀資料SD001」)和 處理後影像資料(檔案名稱=「形狀資料SD001”」)。
在對圖10的10a的處理後影像資料(檔案名稱=「形狀資料SD001」)與圖10的10b的處理後影像資料(檔案名稱=「形狀資料SD001”」)進行對比後，兩者並無差異。如此一來，根據乾蝕刻用學習完成模型920，針對由半導體製造裝置110所進行的乾蝕刻，能夠實現高精度的模擬。
同樣地，圖11是示出沉積用學習完成模型的模擬精度的圖。其中，圖11的11a示出了作為比較對象的由測定裝置111所產生的處理前影像資料(檔案名稱=「形狀資料SD101」)和由測定裝置112所產生的處理後影像資料(檔案名稱=「形狀資料SD101’」)。
另一方面，圖11的11b示出了由沉積用學習完成模型921執行模擬的情況下的處理前影像資料(檔案名稱=「形狀資料SD101」)和處理後影像資料(檔案名稱=「形狀資料SD101”」)。
在對圖11的11a的處理後影像資料(檔案名稱=「形狀資料SD101’」)與圖11的11b的處理後影像資料(檔案名稱=「形狀資料SD101”」)進行對比後，兩者並無差異。如此一來，根據沉積用學習完成模型921，針對由半導體製造裝置110所進行的沉積，能夠實現高精度的模擬。
需要說明的是，即使與一般的物理模型(基於物理定律對半導體製造程序進行檢定的模型)相比，執行部132的各學習完成模型的情況亦能夠提高模擬精度。
其原因在於，在一般的物理模型的情況下，無法在模擬中反映無法利用物理方程式來表現的各現象，相比之下，在學習模型的情況 下，能夠在機器學習中反映對於處理後影像資料顯現出影響的各現象。另外，其原因在於，在本實施方式中的學習模型的情況下，由於輸入有與半導體製造程序的各現象相關的因素(參數資料、環境資訊)，因此能夠對各現象與因素之間的關係進行機器學習。
需要說明的是，作為無法利用物理方程式來表現的各現象，在乾蝕刻的情況下，例如可以舉出腔室內的氣體變得不均勻的現象等。或者，可以舉出被蝕刻的顆粒作為沉積而附著的現象等。另外，在沉積的情況下，例如可以舉出顆粒反彈1次以上後附著的現象等。
針對該些現象，在一般的物理模型中，作為在乾蝕刻期間腔室內的氣體均勻來處理。另外，在一般的物理模型中，作為在沉積期間顆粒附著在最初接觸的位置處來處理。
相比之下，在學習完成模型的情況下，能夠在機器學習中反映顯現出該些現象的影響的處理後影像資料，並且能夠對該些現象與參數資料及環境資訊之間的關係進行機器學習。因此，與一般的物理模型相比，學習完成模型能夠提高模擬精度。
如此一來，根據學習完成模型，能夠實現在基於物理模型的模擬中無法實現的模擬精度。此外，根據學習完成模型，與基於物理模型的模擬相比，能夠縮短模擬時間。再者，學習完成模型的情況亦具有如基於物理模型的模擬般無需手動創建規則或構建適當的物理方程式的優點。
<總結>
從上述說明可以看出，第1實施方式中的學習裝置進行以下步驟。
．在半導體製造裝置中，取得對處理前晶圓進行處理時設定的參數資 料、以及對處理前晶圓進行處理時測定出的表示處理前晶圓的處理期間的環境的環境資訊。
．取得處理前影像資料，該處理前影像資料是表示在半導體製造裝置中被處理的處理前晶圓的處理前的形狀的影像資料。
．藉由根據所取得的處理前影像資料的縱向尺寸和橫向尺寸，將所取得的參數資料和環境資訊二維地排列，從而將所取得的參數資料和環境資訊加工成影像資料的形式。另外，在處理前影像資料上連結所加工的參數資料和環境資訊以產生連結資料。
．將所產生的連結資料輸入至基於U字型的卷積神經網路的學習模型中，並且以使輸出結果接近用於表示處理後晶圓的形狀的處理後影像資料的方式進行機器學習。
由此，根據第1實施方式中的學習裝置，能夠在機器學習中反映與半導體製造程序的各現象相關的因素，並且能夠產生實現高精度模擬的學習完成模型。
另外，第1實施方式中的推估裝置進行以下步驟。
．取得處理前影像資料、以及參數資料和環境資訊。
．藉由根據所取得的處理前影像資料的縱向尺寸和橫向尺寸，將所取得的參數資料和環境資訊二維地排列，從而將其加工成影像資料的形式。另外，在處理前影像資料上連結所加工的參數資料和環境資訊以產生連結資料。
．將所產生的連結資料輸入學習完成模型，並執行模擬。
由此，根據第1實施方式中的推估裝置，能夠產生利用與半導體製造程序的各現象相關的因素進行了機器學習的學習完成模型，並 且能夠實現高精度的模擬。
如此一來，根據第1實施方式，能夠在半導體製造程序的模擬中提高模擬精度。
[第2實施方式]
在上述第1實施方式中，對根據處理前影像資料的縱向尺寸和橫向尺寸將參數資料和環境資訊加工成影像資料的形式並且將其與處理前影像資料連結並輸入至學習模型(或學習完成模型)的情況進行了說明。
然而，參數資料和環境資訊的加工方法、以及所加工的參數資料和環境資訊的針對學習模型(或學習完成模型)的輸入方法不限於此。例如，可以構成為將所加工的參數資料和環境資訊輸入至學習模型(或學習完成模型)的各層中。另外，可以構成為在將參數資料和環境資訊輸入至學習模型(或學習完成模型)的各層中時，將該參數資料和環境資訊加工成在對由學習模型(或學習完成模型)的各層進行卷積處理的影像資料進行轉換時所使用的預定形式。以下，針對第2實施方式以其與上述第1實施方式的不同點為中心進行說明。
<資料構形部的功能結構>
首先，對第2實施方式中的學習裝置的資料構形部的功能結構的細節進行說明。圖12是示出第2實施方式中的學習裝置的資料構形部的功能結構的示例的圖。與圖5所示的資料構形部121的功能結構的不同點在於，圖12所示的資料構形部1200具有連結部1201和正規化部1202。
連結部1201對由通道特定資料產生部502通知的複數個通道特定資料進行連結，並產生連結資料。
正規化部1202對由一維資料取得部511通知的參數資料和 環境資訊進行正規化，並產生正規化參數資料和正規化環境資訊。
<學習模型所進行的處理的具體示例>
接著，對乾蝕刻用學習模型所進行的處理的具體示例進行說明。圖13是示出第2實施方式中的學習裝置的乾蝕刻用學習模型所進行的處理的具體示例的圖。
如圖13所示，在第2實施方式中的學習裝置的情況下，向乾蝕刻用學習模型1300中輸入由資料構形部1200的連結部1201所產生的連結資料1301。
另外，如圖13所示，在第2實施方式中的學習裝置的情況下，向乾蝕刻用學習模型1300中輸入由資料構形部1200的正規化部1202所產生的正規化參數資料、正規化環境資訊。
需要說明的是，如圖13所示，在乾蝕刻用學習模型1300中，除了包括作為基於CNN的學習模型的UNET以外，還包括作為全連接型的學習模型的神經網路部1301。
在被輸入正規化參數資料和正規化環境資訊後，神經網路部1301輸出在對由UNET的各層進行卷積處理的各影像資料的各像素的值進行轉換時所使用的預定形式的值(例如一階公式的係數γ、β)。即，神經網路部1301起到將正規化參數資料和正規化環境資訊加工成預定形式(例如一階公式的係數的形式)的功能。
在圖13的示例中，由於UNET由9層構成，因此神經網路部1301輸出(γ1、β1)~(γ9、β9)作為一階公式的係數。需要說明的是，在圖13的示例中，由於空間的原因，在各層中分別輸入有1組的一階公式的係數，然而在各層中按照每個通道特定資料分別輸入有複數組的一階公式的 係數。
在UNET的各層中，例如使用一階公式=h×γ+β(第一層的情況下為h×γ1+β1)對進行卷積處理的各個通道特定資料的各影像資料的各像素的值(在此設為“h”)進行轉換。
在此，一階公式的係數(γ1、β1)~(γ9、β9)可以被看作用於表示在UNET的各層中進行卷積處理的各個通道特定資料的各影像資料之中的哪個影像資料重要的指標。即，在神經網路部1301中，進行基於正規化參數資料和正規化環境資訊來計算用於表示在學習模型的各層中所處理的各影像資料的重要度的指標的處理。
根據上述結構，在向乾蝕刻用學習模型1300中輸入連結資料1310、以及正規化參數資料和正規化環境資訊後，輸出包括複數個通道特定資料的輸出結果700。需要說明的是，在比較部430對輸出結果700與處理後影像資料進行比較，並計算差分資訊。在第2實施方式中的學習裝置的情況下，變更部440基於差分資訊，對乾蝕刻用學習模型1300內的UNET的模型參數、以及神經網路部1301的模型參數進行更新。
如此一來，根據第2實施方式中的學習裝置，在針對乾蝕刻學習模型1300進行機器學習時，能夠在UNET的各層基於正規化參數資料和正規化環境資訊來提取重要度較高的影像資料。
<總結>
從上述說明可以看出，第2實施方式中的學習裝置進行以下步驟。
．在半導體製造裝置中，取得對處理前晶圓進行處理時設定的參數資料、以及對處理前晶圓進行處理時測定出的表示處理前晶圓的處理期間的環境的環境資訊。
．取得處理前影像資料，該處理前影像資料是表示在半導體製造裝置中被處理的處理前晶圓的處理前的形狀的影像資料。
．對所取得的參數資料和環境資訊進行正規化，並將其加工成在對由學習模型的各層進行卷積處理的各影像資料的各像素的值進行轉換時所使用的一階公式的係數的形式。
．學習部在進行機器學習時，使用一階公式對在各層中進行卷積處理的影像資料的各像素的值進行轉換。
由此，根據第2實施方式中的學習裝置，能夠在機器學習中反映與半導體製造程序的各現象相關的因素，並且能夠產生實現高精度模擬的學習完成模型。
需要說明的是，在第2實施方式中，對學習裝置進行了說明，但是在推估裝置中由執行部執行模擬時亦進行同樣的處理。
[第3實施方式]
在第1實施方式和第2實施方式中，當學習部進行機器學習時，並未特別提及半導體製造程序固有的約束條件。另一方面，在半導體製造程序中存在固有約束條件，藉由將其反映在學習部所進行的機器學習中(即，藉由在學習部所進行的機器學習中反映領域知識(domain knowledge))，從而能夠進一步提高模擬精度。以下，針對反映了領域知識的第3實施方式，以其與第1實施方式及第2實施方式的不同點為中心進行說明。
<學習模型的功能結構的細節>
圖14是示出第3實施方式中的學習裝置的學習部的功能構成的示例的圖。其與圖4所示的學習部122的功能結構在學習模型內的內部結構上不同。需要說明的是，在此，雖然使用乾蝕刻用學習模型1410對學習模型 內的內部結構進行說明，然而沉積用學習模型亦具有同樣的內部結構。
如圖14所示，學習部1400的乾蝕刻用學習模型1410除了具有UNET1411以外，還具有S型函數(sigmoid function)部1412和乘法部1413。
S型函數部1412是處理部的示例，並且如圖14所示，藉由將作為UNET 1411的輸出的第一輸出結果乘以S型函數1420，從而輸出第二輸出結果1421。
乘法部1413從S型函數部1412取得第二輸出結果1421。另外，乘法部1413從資料構形部121取得處理前影像資料。此外，乘法部1413藉由將所取得的處理前影像資料乘以所取得的第二輸出結果1421，從而將最終輸出結果1422通知給比較部430。
如此一來，藉由構成為乘以處理前影像資料並輸出最終輸出結果1422，從而從使乾蝕刻用學習模型1410進行機器學習的情況下的UNET 1411輸出用於表示切削率的影像資料作為第一輸出結果。
在此，切削率是指用於表示處理前影像資料中包含的各材料的層在處理後影像資料中被切削何種程度的變化率的值。藉由使乾蝕刻用學習模型1410進行機器學習，從而使切削率接近處理後影像資料除以處理前影像資料而得到的值。但是，在機器學習的過程中從UNET 1411輸出的第一輸出結果取任意的值。
另一方面，在乾蝕刻的情況下，關於形狀的變化存在“原料在處理的前後不會增加”的約束條件(領域知識)。因此，在乾蝕刻的情況下，切削率在0~1的範圍內。
在此，S型函數部1412是將任意的值轉換為0~1的值的函 數，並且藉由利用S型函數部1412將第一輸出結果轉換為第二輸出結果，從而能夠反映上述領域知識。
需要說明的是，雖然在圖14中未示出，但是亦可以藉由在沉積用學習模型中配置S型函數部和乘法部等來進行同樣的處理。具體來說，從使沉積用學習模型進行機器學習的情況下的UNET輸出用於表示附著率的影像資料作為第一輸出結果。
在此，附著率是指用於表示相對於處理前影像資料中包含的各材料的層在處理後影像資料中附著了何種程度的薄膜的變化率的值。藉由使沉積用學習模型進行機器學習，從而使附著率接近處理前影像資料與處理後影像資料之差分除以處理前影像資料而得到的值。但是，在機器學習的過程中從UNET輸出的第一輸出結果取任意的值。
另一方面，在沉積的情況下，關於形狀的變化存在“原料在處理的前後不會減少”的約束條件(領域知識)。因此，在沉積的情況下，附著率在0~1的範圍內。
如上所述，S型函數部是將任意的值轉換為0~1的值的函數，並且藉由利用S型函數部將第一輸出結果轉換為第二輸出結果，從而能夠反映上述領域知識。
如此一來，根據第3實施方式中的學習裝置120的學習部1400，能夠在機器學習中反映領域知識，並且能夠進一步提高模擬精度。
[第4實施方式]
在第1實施方式至第3實施方式中，對資料構形部產生與處理前影像資料的縱向尺寸和橫向尺寸對應的縱向尺寸和橫向尺寸的連結資料的情況 進行了說明。然而，由資料構形部產生的連結資料的縱向尺寸和橫向尺寸可以為任意的尺寸，並且可以構成為對處理前影像資料進行壓縮後產生連結資料。以下，對第4實施方式以其與上述第1實施方式至第3實施方式的不同點為中心進行說明。
<資料構形部的功能結構的細節>
圖15是示出第4實施方式中的學習裝置的資料構形部的功能結構的示例的圖。其中，圖15的15a示出了向第1實施方式中的學習裝置的資料構形部121附加了壓縮部1511的資料構形部1510。
壓縮部1511對在形狀資料取得部501取得的處理前影像資料進行壓縮。在壓縮部1511中，例如針對相鄰的n個(n為2以上的整數。例如，在縱向2個×橫向2個的情況下n=4)像素的像素值計算平均值，並且將該平均值作為匯集該n個像素的1個像素的像素值。由此，在壓縮部1511中，能夠將處理前影像資料壓縮至1/n倍。
如此一來，在壓縮單元1511中，鑑於處理前影像資料是表示各材料的組成比(或含量比)的影像資料，因此以極力維持壓縮前後的材料的組成比(或含量比)的方式進行壓縮處理。需要說明的是，壓縮部1511所進行的壓縮處理的壓縮率不限於整數倍，在壓縮部1511中可以進行任意壓縮率的壓縮處理。
同樣地，圖15的15b示出了在第2實施方式中的學習裝置的資料構形部1200中附加了壓縮部1511的資料構形部1520。
資料構形部1520所具有的壓縮部1511具有與資料構形部1510所具有的壓縮部1511相同的功能。因此，在此省略詳細的說明。
如此一來，藉由在資料構形部1510或1520中附加壓縮部 1511，從而能夠縮小輸入至學習部122、1400(或執行部132)的連結資料的大小。因此，根據第4實施方式，能夠縮短由學習部122、1400進行機器學習時的學習時間、或者由執行部132執行模擬時的模擬時間。
[其他實施方式]
在上述第1實施方式中，對在學習部122中分別設置乾蝕刻用學習模型420和沉積用學習模型421，並且使用不同的學習用資料分別進行機器學習的情況進行了說明。
然而，在半導體製造程序中，乾蝕刻和沉積有時亦會同時發生。設想該類情況，可以構成為在學習部122中設置1個學習模型，並使其對乾蝕刻和沉積同時發生的情況進行機器學習。
在此情況下，在學習部122中，針對該1個學習模型，使用包括乾蝕刻和沉積發生前的處理前影像資料、以及乾蝕刻和沉積發生後的處理後影像資料的學習用資料進行機器學習。
如此一來，在一般的物理模型中，需要針對乾蝕刻和沉積分開設置模擬器，相比之下，在學習模型中亦可以統合設置。
另外，在上述第1實施方式中，對資料構形部121將參數資料和環境資訊兩者加工成預定形式並將其輸入至對應的學習模型的情況進行了說明。然而，資料構形部121亦可以僅將參數資料加工成預定形式並將其輸入至對應的學習模型。換言之，當在學習部122中進行學習模型的機器學習時，可以不使用環境資訊而僅使用參數資料。
同樣地，在上述第1實施方式中，對資料構形部131將參數資料和環境資訊兩者加工成預定形式並將其輸入至對應的學習完成模型的情況進行了說明。然而，資料構形部131亦可以僅將參數資料加工成預定 形式並將其輸入至對應的學習完成模型。換言之，當在執行部132中使用學習完成模型進行模擬時，可以不使用環境資訊而僅使用參數資料。
另外，在上述第1實施方式中，對處理前影像資料和處理後影像資料為二維的影像資料的情況進行了說明。然而，處理前影像資料和處理後影像資料不限於二維的影像資料，亦可以為三維的影像資料(所謂的體素(voxel)資料)。
需要說明的是，雖然在處理前影像資料為二維的影像資料的情況下，連結資料為(通道、縱向尺寸、橫向尺寸)的排列，但是在處理前影像資料為三維的影像資料的情況下，連結資料為(通道、縱向尺寸、橫向尺寸、深度尺寸)的排列。
另外，在上述第1實施方式中，雖然對維持原樣地處理二維的影像資料進行了說明，但是亦可以構成為對二維的影像資料進行變形，或者對三維的影像資料進行變形。例如，可以取得三維的影像資料，產生預定剖面的二維的影像資料，並將其作為處理前影像資料輸入。或者，可以基於連續的預定剖面的二維的影像資料，產生三維的影像資料，並將其作為處理前影像資料輸入。
另外，在上述第1實施方式中，對通道特定資料產生部502按照空氣層、各材料層來產生通道特定資料的情況進行了說明。然而，通道特定資料的產生方法不限於此，亦可以並非按照特定的膜種類，而是基於如Oxide(氧化物)、Silicon(矽)、Organics(有機物)、Nitride(氮化物)等更大的分類來產生通道特定資料。
另外，在上述第1實施方式至第4實施方式中，對當推估裝置130被輸入處理前影像資料、參數資料及環境資訊時輸出處理後影像資 料並結束處理的情況進行了說明。然而，推估裝置130的結構不限於此。例如，亦可以構成為將藉由輸入處理前影像資料、參數資料及環境資訊而輸出的處理後影像資料、與對應的參數資料及環境資訊一起再次輸入至推估裝置130中。由此，在推估裝置130中，能夠連續地輸出形狀的變化。需要說明的是，在向推估裝置130再次輸入處理後影像資料時，可以任意地變更對應的參數資料及環境資訊。
另外，在上述第1實施方式至第4實施方式中，對於推估裝置130的具體的應用示例並未特別言及。然而，推估裝置130可以應用於探索最佳的配方、最佳的參數資料或最佳的硬體之形體並將其提供給半導體製造商的服務。
圖16是示出推估裝置的應用示例的圖，並且示出了將推估裝置130應用於服務提供系統1600的示例。
服務提供系統1600例如經由網路1640與半導體製造商的各辦公室連接，並取得處理前影像資料。另外，在服務提供系統1600中，將所取得的處理前影像資料儲存在資料儲存部1602中。
另外，推估裝置130從資料儲存部1602讀出處理前影像資料，並且一邊改變參數資料及環境資訊一邊執行模擬。由此，推估裝置130的用戶能夠探索最佳的配方、最佳的參數資料或最佳的硬體之形體。
在資訊提供裝置1601中，將由推估裝置130的用戶探索出的最佳的配方、最佳的參數資料提供給半導體製造商的各辦公室。
如此一來，藉由將推估裝置130應用於服務提供系統1600，從而能夠在服務提供系統1600中向半導體製造商提供最佳的配方、最佳的參數資料。
另外，在上述第1實施方式至第4實施方式中，雖然對以處理前晶圓作為對象物的情況進行了說明，然而對象物不限於處理前晶圓，例如亦可以為半導體製造裝置110的腔室內壁或零件表面等。
另外，在上述第1實施方式至第4實施方式中，對由測定裝置111(或測定裝置112)產生處理前影像資料(或處理後影像資料)的情況進行了說明。然而，不限於處理前影像資料(或處理後影像資料)由測定裝置111(或測定裝置112)產生的情況。例如，亦可以構成為由測定裝置111(或測定裝置112)產生用於表示對象物的形狀的多維的測量資料，並且由學習裝置120基於該測量資料來產生處理前影像資料(或處理後影像資料)。
需要說明的是，在由測定裝置111(或測定裝置112)所產生的測量資料中，例如包括具有位置資訊和膜種類資訊等的資料。具體來說，包括組合有利用CD-SEM所產生的位置資訊和CD測量長度資料的資料。或者，包括組合有利用X射線或拉曼法所產生的二維或三維的形狀和膜種類等資訊的資料。換言之，在用於表示對象物的形狀的多維的測量資料中，包括與測定裝置的種類對應的各種表現形式。
另外，在上述第1實施方式至第4實施方式中，雖然示出了學習裝置120和推估裝置130為單獨的個體，然而亦可以一體地構成。
另外，在上述第1實施方式至第4實施方式中，雖然對學習裝置120由1台電腦構成的情況進行了說明，然而其亦可以由複數台電腦構成。同樣地，在上述第1實施方式至第4實施方式中，雖然對推估裝置130由1台電腦構成的情況進行了說明，然而其亦可以由複數台電腦構成。
另外，在上述第1實施方式至第4實施方式中，雖然對將學 習裝置120、推估裝置130應用於半導體製造程序的情況進行了說明，然而其顯然亦可以應用於半導體製造程序以外的其他程序。在此所說的半導體製造程序以外的其他程序包括半導體製造程序以外的其他製造程序、非製造程序。
另外，在上述第1實施方式至第4實施方式中，雖然學習裝置120、推估裝置130是藉由使通用的電腦執行各種程式來實現，然而學習裝置120、推估裝置130的實現方法不限於此。
例如，可以藉由安裝有處理器、記憶體等的IC(積體電路)等專用的電子電路(即硬體)來實現。複數個構成要素可以由一個電子電路來實現，一個構成要素可以由複數個電子電路來實現，構成要素和電子電路可以藉由一對一的方式實現。
本發明不限於上述實施方式中列舉的結構等與其他要素的組合等在此示出的結構。關於此點，可以在不脫離本發明的主旨的範圍內進行改變，並且可以根據其應用形態來適當地確定。
本申請案係主張基於2018年9月3日申請的日本發明專利申請案第2018-164931號的優先權，該日本發明專利申請案的全部內容係藉由參照而併入本申請中。
100:模擬系統
110:半導體製造裝置
111:測定裝置
112:測定裝置
120:學習裝置
121:資料構形部
122:學習部
123:學習用資料儲存部
130:推估裝置
131:資料構形部
132:執行部

Claims (20)

  1. 一種推估方法，其中至少一個處理器係：將第二對象物之處理前影像資料及對上述第二對象物之與製造程序對應之處理所相關之資料作為推估用之資料輸入至學習完成模型，推估執行了與上述製造程序對應之處理之情形時的上述第二對象物之處理後影像資料；且上述學習完成模型係：基於被輸入第一對象物之處理前影像資料及對上述第一對象物之與上述製造程序對應之處理所相關之資料作為學習用之輸入資料之情形時的輸出、與作為學習用之正確資料的執行了與上述製造程序對應之處理後之上述第一對象物之處理後影像資料的差分資訊進行了學習。
  2. 如請求項1之推估方法，其中上述至少一個處理器將與上述製造程序對應之處理所相關之資料根據上述第二對象物之處理前影像資料之縱向尺寸及橫向尺寸二維地排列，且上述至少一個處理器將上述第二對象物之處理前影像資料、及經二維地排列之與上述製造程序對應之處理所相關之資料作為上述推估用之資料輸入至上述學習完成模型。
  3. 如請求項1或2之推估方法，其中輸入至上述學習完成模型之上述第二對象物之處理前影像資料具有：與上述第二對象物中所包含之材料對應的複數個通道。
  4. 如請求項1之推估方法，其中上述至少一個處理器係：將所推估之上述第二對象物之處理後影像資料及對執行了與上述製造程序對應之處理之情形時之上述第二對象物的與上述製造程序對應之處理所相關之資料作為推估用之資料輸入至上述學習完成模型，推估重複執行了與上述製造程序對應之處理之情形時之上述第二對象物之處理後影像資料。
  5. 如請求項1或4之推估方法，其中與上述製造程序對應之處理係上述製造程序中所包含之複數個步驟中之任一個步驟中之處理。
  6. 如請求項1或4之推估方法，其中上述學習完成模型包含神經網路(Neural Network)。
  7. 如請求項6之推估方法，其中上述神經網路輸出上述第二對象物之處理後影像資料。
  8. 如請求項7之推估方法，其中上述至少一個處理器係：基於上述第二對象物之處理前影像資料及來自上述神經網路之輸出，產生上述第二對象物之處理後影像資料。
  9. 如請求項8之推估方法，其中上述神經網路輸出：對上述第二對象物之處理前影像資料之變化率所相關之資訊。
  10. 如請求項1或4之推估方法，其中與上述製造程序對應之處理為與半導體製造程序對應之處理。
  11. 如請求項10之推估方法，其中與上述半導體製造程序對應之處理至少包含蝕刻、沉積之任一個步驟中之處理。
  12. 如請求項10之推估方法，其中與上述製造程序對應之處理所相關之資料包括：半導體製造裝置執行與上述半導體製造程序中所包含之複數個步驟中之任一個步驟中之處理時的表示處理條件之參數所相關之資訊。
  13. 如請求項10之推估方法，其中與上述製造程序對應之處理所相關之資料包括：半導體製造裝置執行與上述半導體製造程序中所包含之複數個步驟中之任一個步驟中之處理時測定之環境資訊。
  14. 如請求項12之推估方法，其中上述參數至少包括：上述半導體製造裝置中設定之設定值、上述 半導體製造裝置之硬體之形體之任一者。
  15. 如請求項13之推估方法，其中上述環境資訊至少包括：上述半導體製造裝置中測定之電流所相關之資料、電壓所相關之資料、光所相關之資料、溫度所相關之資料、壓力所相關之資料之任一者。
  16. 如請求項10之推估方法，其中上述第一對象物及上述第二對象物至少為晶圓、半導體製造裝置之腔室內壁、半導體製造裝置之零件表面之任一者。
  17. 一種推估裝置，其具備：至少一個記憶體；及至少一個處理器；上述至少一個記憶體係：記憶學習完成模型，上述學習完成模型係：基於被輸入第一對象物之處理前影像資料及對上述第一對象物之與製造程序對應之處理所相關之資料作為學習用之輸入資料之情形時的輸出、與作為學習用之正確資料的執行了與上述製造程序對應之處理後之上述第一對象物之處理後影像資料的差分資訊進行了學習；上述至少一個處理器構成為執行：將第二對象物之處理前影像資料及對上述第二對象物之與上述製造程序對應之處理所相關之資料作為推估用之資料輸入至上述學習完成模 型，推估執行了與上述製造程序對應之處理之情形時之上述第二對象物之處理後影像資料。
  18. 如請求項17之推估裝置，其中上述至少一個處理器構成為進一步執行：將所推估之上述第二對象物之處理後影像資料及對執行了與上述製造程序對應之處理之情形時之上述第二對象物的與上述製造程序對應之處理所相關之資料作為推估用之資料輸入至上述學習完成模型，推估重複執行了與上述製造程序對應之處理之情形時之上述第二對象物之處理後影像資料。
  19. 一種模型之產生方法，其中至少一個處理器係：將對象物之處理前影像資料及對上述對象物之與製造程序對應之處理所相關之資料作為學習用之輸入資料輸入至學習模型，基於上述學習模型之輸出、與作為學習用之正確資料的執行了與上述製造程序對應之處理後之上述對象物之處理後影像資料的差分資訊，將上述學習模型進行學習。
  20. 一種學習裝置，其具備：至少一個記憶體；及至少一個處理器；上述至少一個處理器構成為執行：將對象物之處理前影像資料及對上述對象物之與製造程序對應之處 理所相關之資料作為學習用之輸入資料輸入至學習模型，基於上述學習模型之輸出、與作為學習用之正確資料的執行了與上述製造程序對應之處理後之上述對象物之處理後影像資料的差分資訊，將上述學習模型進行學習。
TW108131481A 2018-09-03 2019-09-02 推估方法、推估裝置、模型之產生方法及學習裝置 TWI803690B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2018-164931 2018-09-03
JP2018164931 2018-09-03

Publications (2)

Publication Number Publication Date
TW202026959A TW202026959A (zh) 2020-07-16
TWI803690B true TWI803690B (zh) 2023-06-01

Family

ID=69722532

Family Applications (1)

Application Number Title Priority Date Filing Date
TW108131481A TWI803690B (zh) 2018-09-03 2019-09-02 推估方法、推估裝置、模型之產生方法及學習裝置

Country Status (6)

Country Link
US (2) US11922307B2 (zh)
JP (1) JP7190495B2 (zh)
KR (1) KR102541743B1 (zh)
CN (1) CN112640038B (zh)
TW (1) TWI803690B (zh)
WO (1) WO2020050072A1 (zh)

Families Citing this family (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW202530685A (zh) * 2019-06-06 2025-08-01 日商東京威力科創股份有限公司 畫像生成裝置、畫像生成方法及程式
US11321839B2 (en) * 2019-09-24 2022-05-03 Applied Materials, Inc. Interactive training of a machine learning model for tissue segmentation
TWI895368B (zh) * 2020-03-13 2025-09-01 日商東京威力科創股份有限公司 解析裝置、解析方法及解析程式
JP7467292B2 (ja) * 2020-03-13 2024-04-15 東京エレクトロン株式会社 解析装置、解析方法及び解析プログラム
JP7399783B2 (ja) * 2020-04-30 2023-12-18 株式会社Ｓｃｒｅｅｎホールディングス 基板処理装置、基板処理方法、学習用データの生成方法、学習方法、学習装置、学習済モデルの生成方法、および、学習済モデル
US20240045401A1 (en) 2020-12-25 2024-02-08 Tokyo Electron Limited, Management system, management method, and management program
JP7609538B2 (ja) 2020-12-28 2025-01-07 東京エレクトロン株式会社 管理装置、予測方法及び予測プログラム
TWI893255B (zh) * 2020-12-28 2025-08-11 日商東京威力科創股份有限公司 參數導出裝置、參數導出方法及參數導出程式
JP7590671B2 (ja) * 2021-02-26 2024-11-27 日本電信電話株式会社 光学特性のａｉ予測システム
KR20220125208A (ko) * 2021-03-01 2022-09-14 주식회사 히타치하이테크 실험 포인트 추천 장치, 실험 포인트 추천 방법 및 반도체 장치 제조 시스템
TW202242958A (zh) * 2021-03-02 2022-11-01 日商東京威力科創股份有限公司 資料收集系統、資料收集裝置、資料收集方法及資料收集程式
JP7722793B2 (ja) * 2021-05-14 2025-08-13 東京エレクトロン株式会社 評価装置、評価方法及び評価プログラム
JP7636076B2 (ja) * 2021-06-02 2025-02-26 東京エレクトロン株式会社 情報処理装置、シミュレーション方法及び情報処理システム
US12231802B2 (en) * 2021-08-04 2025-02-18 Theia Scientific, LLC System and method for multi-modal microscopy
JP7808940B2 (ja) 2021-09-22 2026-01-30 株式会社Ｓｃｒｅｅｎホールディングス 学習装置、情報処理装置、基板処理装置、基板処理システム、学習方法、レシピ決定方法及び学習プログラム
WO2023082280A1 (zh) * 2021-11-15 2023-05-19 Oppo广东移动通信有限公司 用于无线信道处理的模型更新方法、装置、终端及介质
DE102021130884A1 (de) 2021-11-25 2023-05-25 MTU Aero Engines AG Verfahren zum Klassifizieren einer Ätzanzeige eines Bauteils
JP7709930B2 (ja) * 2022-02-18 2025-07-17 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
US20230281439A1 (en) * 2022-03-07 2023-09-07 Applied Materials, Inc. Synthetic time series data associated with processing equipment
JP7575432B2 (ja) * 2022-08-26 2024-10-29 株式会社アルバック 情報処理装置、情報処理方法およびプログラム

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011071296A (ja) * 2009-09-25 2011-04-07 Sharp Corp 特性予測装置、特性予測方法、特性予測プログラムおよびプログラム記録媒体
US20170194126A1 (en) * 2015-12-31 2017-07-06 Kla-Tencor Corporation Hybrid inspectors
WO2018048575A1 (en) * 2016-09-07 2018-03-15 Elekta, Inc. System and method for learning models of radiotherapy treatment plans to predict radiotherapy dose distributions
TW201816670A (zh) * 2016-10-14 2018-05-01 美商克萊譚克公司 用於經組態用於半導體應用之深度學習模型之診斷系統及方法

Family Cites Families (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06224126A (ja) * 1993-01-25 1994-08-12 Fuji Electric Co Ltd 半導体製造装置の膜質予測装置
JPH11330449A (ja) * 1998-05-20 1999-11-30 Toshiba Corp 半導体装置の製造方法、シミュレーション装置、シミュレーション方法、シミュレーションプログラムを記録した記録媒体、及びシミュレーション用データを記録した記録媒体
KR20020085688A (ko) 2001-05-09 2002-11-16 학교법인 인하학원 반도체 식각 공정 모의 실험 해석기 및 해석 방법
US6819427B1 (en) 2001-10-10 2004-11-16 Advanced Micro Devices, Inc. Apparatus of monitoring and optimizing the development of a photoresist material
JP4333166B2 (ja) * 2002-03-14 2009-09-16 株式会社ニコン 加工形状の予測方法、加工条件の決定方法、加工量予測方法、加工形状予測システム、加工条件決定システム、加工システム、加工形状予測計算機プログラム、加工条件決定計算機プログラム、プログラム記録媒体、及び半導体デバイスの製造方法
JP2004040004A (ja) * 2002-07-08 2004-02-05 Renesas Technology Corp 配線設計データを利用した化学的機械的研磨方法、加工物の製造方法、およびデザインルール決定方法
KR20040080742A (ko) 2003-03-13 2004-09-20 원태영 식각 공정 시뮬레이션의 병렬 연산 구현 방법
JP2005202949A (ja) 2003-12-01 2005-07-28 Oscillated Recall Technology:Kk 大域的エッチングシミュレータ
JP4920268B2 (ja) * 2006-02-23 2012-04-18 株式会社日立ハイテクノロジーズ 半導体プロセスモニタ方法およびそのシステム
US8722547B2 (en) 2006-04-20 2014-05-13 Applied Materials, Inc. Etching high K dielectrics with high selectivity to oxide containing layers at elevated temperatures with BC13 based etch chemistries
US8396582B2 (en) * 2008-03-08 2013-03-12 Tokyo Electron Limited Method and apparatus for self-learning and self-improving a semiconductor manufacturing tool
US9245714B2 (en) 2012-10-01 2016-01-26 Kla-Tencor Corporation System and method for compressed data transmission in a maskless lithography system
JP6173889B2 (ja) 2013-11-28 2017-08-02 ソニーセミコンダクタソリューションズ株式会社 シミュレーション方法、シミュレーションプログラム、加工制御システム、シミュレータ、プロセス設計方法およびマスク設計方法
US10056304B2 (en) 2014-11-19 2018-08-21 Deca Technologies Inc Automated optical inspection of unit specific patterning
US9965901B2 (en) * 2015-11-19 2018-05-08 KLA—Tencor Corp. Generating simulated images from design information
KR102160217B1 (ko) 2015-12-22 2020-09-28 에이에스엠엘 네델란즈 비.브이. 프로세스-윈도우 특성화를 위한 장치 및 방법
JP2017182129A (ja) * 2016-03-28 2017-10-05 ソニー株式会社 情報処理装置。
JP6608344B2 (ja) * 2016-09-21 2019-11-20 株式会社日立製作所 探索装置および探索方法
SG11201908445PA (en) 2017-10-17 2020-05-28 Ulvac Inc Object processing apparatus
US10572697B2 (en) 2018-04-06 2020-02-25 Lam Research Corporation Method of etch model calibration using optical scatterometry
JP2020057172A (ja) * 2018-10-01 2020-04-09 株式会社Ｐｒｅｆｅｒｒｅｄ Ｎｅｔｗｏｒｋｓ 学習装置、推論装置及び学習済みモデル
JP2021089526A (ja) * 2019-12-03 2021-06-10 株式会社Ｐｒｅｆｅｒｒｅｄ Ｎｅｔｗｏｒｋｓ 推定装置、訓練装置、推定方法、訓練方法、プログラム及び非一時的コンピュータ可読媒体

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011071296A (ja) * 2009-09-25 2011-04-07 Sharp Corp 特性予測装置、特性予測方法、特性予測プログラムおよびプログラム記録媒体
US20170194126A1 (en) * 2015-12-31 2017-07-06 Kla-Tencor Corporation Hybrid inspectors
WO2018048575A1 (en) * 2016-09-07 2018-03-15 Elekta, Inc. System and method for learning models of radiotherapy treatment plans to predict radiotherapy dose distributions
TW201816670A (zh) * 2016-10-14 2018-05-01 美商克萊譚克公司 用於經組態用於半導體應用之深度學習模型之診斷系統及方法

Also Published As

Publication number Publication date
TW202026959A (zh) 2020-07-16
KR102541743B1 (ko) 2023-06-13
CN112640038B (zh) 2025-01-14
KR20210038665A (ko) 2021-04-07
WO2020050072A1 (ja) 2020-03-12
US20210209413A1 (en) 2021-07-08
US11922307B2 (en) 2024-03-05
CN112640038A (zh) 2021-04-09
JP7190495B2 (ja) 2022-12-15
US20240211753A1 (en) 2024-06-27
JPWO2020050072A1 (ja) 2021-08-26

Similar Documents

Publication Publication Date Title
TWI803690B (zh) 推估方法、推估裝置、模型之產生方法及學習裝置
CN110325843B (zh) 引导式集成电路缺陷检测
JP6352382B2 (ja) 予測３ｄ仮想製作システムおよび方法
US20180218492A1 (en) Method And System For Identifying Defects Of Integrated Circuits
TW201946185A (zh) 生成可用於半導體試樣的檢查的訓練集
US20200104708A1 (en) Training apparatus, inference apparatus and computer readable storage medium
TW202414338A (zh) 用於壓縮用於電子設計之形狀資料之方法及系統
US20230260105A1 (en) Defect detection for semiconductor structures on a wafer
JP5745573B2 (ja) 製造ツールのレシピを生成する方法及びそのシステム
CN112149379A (zh) 用于仿真集成电路的方法和设备以及计算机可读介质
JP7281547B2 (ja) プロセス制御のためのインダイメトロロジ方法及びシステム
TWI734390B (zh) 自資料集中提取特徵
CN117546170B (zh) 用于建立基于物理的模型的系统及方法
CN111527486A (zh) 数据处理装置、数据处理方法以及程序
TWI900708B (zh) 用於提取特徵向量以辨識圖案物件之特徵提取方法的非暫時性電腦可讀媒體
Valade et al. Tilted beam SEM, 3D metrology for industry
US20230205075A1 (en) System and method for performing local cdu modeling and control in a virtual fabrication environment
CN112529833B (zh) 一种用于确定半导体工艺的工艺极限的方法和装置
TWI911241B (zh) 用於確定在半導體裝置虛擬製造環境中的規格界限之非暫態電腦可讀媒體、計算裝置實現的方法及計算系統
Guo et al. Attention-enhanced conditional variational autoencoder integrating 3D plasma etching simulation for etching process optimization
CN120747328B (zh) 一种模拟扫描电子显微镜的仿真图像生成方法及相关设备
TWI911212B (zh) 用於在虛擬工廠環境中執行局部ｃｄｕ建模和控制的非暫時性的媒體、系統及方法
CN116348998A (zh) 在虚拟制造环境中执行变形和应力分析建模的系统和方法
JP2009088313A (ja) 荷電粒子ビーム描画装置及び描画データの検証方法
JP2011133795A (ja) マスク設計方法、マスク設計装置、プログラムおよび半導体装置の製造方法