(19)【発行国】日本国特許庁(JP)
(12)【公報種別】公開特許公報(A)
(11)【公開番号】P2024046993
(43)【公開日】2024-04-05
(54)【発明の名称】支援装置、支援方法、基板処理システム、記録媒体、及び、支援プログラム
(51)【国際特許分類】
H01L 21/02 20060101AFI20240329BHJP
G06N 20/00 20190101ALI20240329BHJP
【FI】
H01L21/02 Z
G06N20/00
【審査請求】未請求
【請求項の数】15
【出願形態】OL
(21)【出願番号】P 2022152398
(22)【出願日】2022-09-26
(71)【出願人】
【識別番号】000207551
【氏名又は名称】株式会社SCREENホールディングス
(74)【代理人】
【識別番号】100168583
【弁理士】
【氏名又は名称】前井 宏之
(72)【発明者】
【氏名】池内 崇
(72)【発明者】
【氏名】佐野 雄大
(57)【要約】
【課題】基板処理の品質を向上させる支援装置を提供する。
【解決手段】支援装置(200)は、基板処理装置(100)のパラメータの値(X2)の調整を支援する。パラメータは、対応する物理量(Z1)が検出される。支援装置(200)の演算処理部(201)は、物理量(Z1)に関する検出データ(Z2)と、品質データ(Y)とを第1機械学習モデル(M1)に学習させて予測モデル(PM)を構築する。演算処理部(201)は、予測モデル(PM)と、獲得関数(AF)と、探索範囲(SW)とに基づいてベイズ最適化を実行して、検出データ推奨値(Z3)を取得する。演算処理部(201)は、パラメータの値(X2)と、検出データ(Z2)とを第2機械学習モデル(M2)に学習させる。演算処理部(201)は、学習後の第2機械学習モデル(M2)に検出データ推奨値(Z3)を入力して、パラメータ推奨値(RX1)を出力する。
【選択図】
図6
【特許請求の範囲】
【請求項1】
パラメータに基づいて動作して基板を処理する基板処理装置の前記パラメータの値の調整を支援する支援装置であって、
前記パラメータは、対応する物理量が検出される検出対象パラメータを含み、
前記支援装置は、
第1機械学習モデルと第2機械学習モデルとを用いて前記パラメータの値の推奨値であるパラメータ推奨値を出力する演算処理部を備え、
前記演算処理部は、
前記物理量に関する検出データと、前記基板処理装置による基板処理の品質に関する品質データとを含む第1訓練データを前記第1機械学習モデルに学習させて、前記基板処理の品質を予測する予測モデルを構築し、
前記予測モデルと、獲得関数と、探索範囲とに基づいてベイズ最適化を実行して、前記基板処理の品質を目標品質に近づける前記検出データの推奨値である検出データ推奨値を取得し、
前記物理量の検出時に設定されていた前記検出対象パラメータの値と、前記検出データとを含む第2訓練データを前記第2機械学習モデルに学習させ、
学習後の前記第2機械学習モデルに前記検出データ推奨値を入力して、前記検出データ推奨値を前記パラメータ推奨値に変換する、支援装置。
【請求項2】
前記検出データは、前記物理量を示す生データを前処理して得られる前処理後データを含み、
前記演算処理部は、前記生データを前処理して前記前処理後データを生成し、
前記前処理後データは、前記生データよりもデータ数が少ない、請求項1に記載の支援装置。
【請求項3】
前記前処理は、前記生データの特徴量を抽出する処理を含む、請求項2に記載の支援装置。
【請求項4】
前記前処理は、前記生データの次元を削減する処理を含む、請求項3に記載の支援装置。
【請求項5】
前記前処理は、前記生データの要約統計量を演算する処理を含む、請求項3に記載の支援装置。
【請求項6】
前記前処理は、前記生データから1つ以上の任意のデータを抽出する処理を含む、請求項2に記載の支援装置。
【請求項7】
パラメータに基づいて動作して基板を処理する基板処理装置の前記パラメータの値の調整を支援する支援方法であって、
前記パラメータは、対応する物理量が検出される検出対象パラメータを含み、
前記支援方法は、
前記物理量に関する検出データと、前記基板処理装置による基板処理の品質に関する品質データとを含む第1訓練データを第1機械学習モデルに学習させて、前記基板処理の品質を予測する予測モデルを構築させるステップと、
前記予測モデルと、獲得関数と、探索範囲とに基づいてベイズ最適化を実行して、前記基板処理の品質を目標品質に近づける前記検出データの推奨値を取得するステップと、
前記物理量の検出時に設定されていた前記検出対象パラメータの値と、前記検出データとを含む第2訓練データを第2機械学習モデルに学習させるステップと、
学習後の前記第2機械学習モデルに前記検出データの推奨値を入力して、前記検出データの推奨値を前記パラメータの値の推奨値に変換するステップと
を含む、支援方法。
【請求項8】
前記検出データは、前記物理量を示す生データを前処理して得られる前処理後データを含み、
前記支援方法は、前記生データを前処理して前記前処理後データを生成するステップを更に含み、
前記前処理後データは、前記生データよりもデータ数が少ない、請求項7に記載の支援方法。
【請求項9】
前記前処理は、前記生データの特徴量を抽出する処理を含む、請求項8に記載の支援方法。
【請求項10】
前記前処理は、前記生データの次元を削減する処理を含む、請求項9に記載の支援方法。
【請求項11】
前記前処理は、前記生データの要約統計量を演算する処理を含む、請求項9に記載の支援方法。
【請求項12】
前記前処理は、前記生データから1つ以上の任意のデータを抽出する処理を含む、請求項8に記載の支援方法。
【請求項13】
パラメータに基づいて動作して基板を処理する基板処理装置と、
請求項1から請求項6のいずれか1項に記載の支援装置と
を備える、基板処理システム。
【請求項14】
コンピュータに実行させる支援プログラムを記録した非一時的コンピュータ読取可能記録媒体であって、
前記支援プログラムは、請求項7から請求項12のいずれか1項に記載の支援方法に従って前記コンピュータに演算を実行させる、記録媒体。
【請求項15】
コンピュータによって実行される支援プログラムであって、
請求項7から請求項12のいずれか1項に記載の支援方法に従って前記コンピュータに演算を実行させる、支援プログラム。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、支援装置、支援方法、基板処理システム、記録媒体、及び、支援プログラムに関する。
【背景技術】
【0002】
基板を処理する基板処理装置が知られている。基板処理装置は、レシピ等において設定されているパラメータ(条件)に基づいて動作する。このような基板処理装置では、基板処理の結果が目標値又は許容値となるようにパラメータの設定値を調整する必要がある。一般的には、パラメータの設定値を変更しながら基板処理(実験)を繰り返し、基板処理の結果(実験結果)を確認してパラメータの設定値を調整する。このように、パラメータの設定値を調整する作業は、非常に手間がかかる作業である。
【0003】
特許文献1には、加工条件導出処理を自動化する手法が開示されている。具体的には、第一ステップにおいて、仮の加工条件の下でウエハの加工を行い、仮の加工条件と実際の加工結果とを対応付けてデータベースに蓄積する。第二ステップでは、データベースに蓄積した情報を学習して(機械学習)、加工条件から推定加工結果を導出する回帰モデルを生成する。第三ステップでは、ベイズ最適化の手法により、加工条件のパラメータを変更しながら回帰モデルに繰り返し入力して(シミュレーションして)、目標とする加工結果を出力する最適な加工条件を探索する。第四ステップでは、推定加工結果と実加工結果とを比較し、加工条件の修正が必要な場合には、そのデータをデータベースに蓄積し、再度回帰モデルを生成する(アクティブラーニング)。
【先行技術文献】
【特許文献】
【0004】
【発明の概要】
【発明が解決しようとする課題】
【0005】
しかしながら、基板処理装置の実際の動作とパラメータの設定値との間には若干のズレが生じる。したがって、パラメータの設定値と基板処理の結果との関係を学習するだけでは基板処理の品質の向上に限界がある。したがって、基板処理の品質の更なる向上のためには、パラメータ設定値の調整を支援する方法に関して更なる改良の余地がある。
【0006】
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、基板処理の品質を向上させることができる支援装置、支援方法、基板処理システム、記録媒体、及び、支援プログラムを提供することにある。
【課題を解決するための手段】
【0007】
本発明の一局面によれば、支援装置は、パラメータに基づいて動作して基板を処理する基板処理装置の前記パラメータの値の調整を支援する。前記パラメータは、対応する物理量が検出される検出対象パラメータを含む。当該支援装置は、第1機械学習モデルと第2機械学習モデルとを用いて前記パラメータの値の推奨値であるパラメータ推奨値を出力する演算処理部を備える。前記演算処理部は、第1訓練データを前記第1機械学習モデルに学習させて、前記基板処理の品質を予測する予測モデルを構築する。前記第1訓練データは、前記物理量に関する検出データと、前記基板処理装置による基板処理の品質に関する品質データとを含む。前記演算処理部は、前記予測モデルと、獲得関数と、探索範囲とに基づいてベイズ最適化を実行して、検出データ推奨値を取得する。前記検出データ推奨値は、前記基板処理の品質を目標品質に近づける前記検出データの推奨値である。前記演算処理部は、第2訓練データを前記第2機械学習モデルに学習させる。前記第2訓練データは、前記物理量の検出時に設定されていた前記検出対象パラメータの値と、前記検出データとを含む。前記演算処理部は、学習後の前記第2機械学習モデルに前記検出データ推奨値を入力して、前記検出データ推奨値を前記パラメータ推奨値に変換する。
【0008】
ある実施形態において、前記検出データは、前記物理量を示す生データを前処理して得られる前処理後データを含む。前記演算処理部は、前記生データを前処理して前記前処理後データを生成する。前記前処理後データは、前記生データよりもデータ数が少ない。
【0009】
ある実施形態において、前記前処理は、前記生データの特徴量を抽出する処理を含む。
【0010】
ある実施形態において、前記前処理は、前記生データの次元を削減する処理を含む。
【0011】
ある実施形態において、前記前処理は、前記生データの要約統計量を演算する処理を含む。
【0012】
ある実施形態において、前記前処理は、前記生データから1つ以上の任意のデータを抽出する処理を含む。
【0013】
本発明の他の局面によれば、支援方法は、パラメータに基づいて動作して基板を処理する基板処理装置の前記パラメータの値の調整を支援する。前記パラメータは、対応する物理量が検出される検出対象パラメータを含む。当該支援方法は、前記物理量に関する検出データと、前記基板処理装置による基板処理の品質に関する品質データとを含む第1訓練データを第1機械学習モデルに学習させて、前記基板処理の品質を予測する予測モデルを構築させるステップと、前記予測モデルと、獲得関数と、探索範囲とに基づいてベイズ最適化を実行して、前記基板処理の品質を目標品質に近づける前記検出データの推奨値を取得するステップと、前記物理量の検出時に設定されていた前記検出対象パラメータの値と、前記検出データとを含む第2訓練データを第2機械学習モデルに学習させるステップと、学習後の前記第2機械学習モデルに前記検出データの推奨値を入力して、前記検出データの推奨値を前記パラメータの値の推奨値に変換するステップとを含む。
【0014】
ある実施形態において、前記検出データは、前記物理量を示す生データを前処理して得られる前処理後データを含む。上記支援方法は、前記生データを前処理して前記前処理後データを生成するステップを更に含む。前記前処理後データは、前記生データよりもデータ数が少ない。
【0015】
ある実施形態において、前記前処理は、前記生データの特徴量を抽出する処理を含む。
【0016】
ある実施形態において、前記前処理は、前記生データの次元を削減する処理を含む。
【0017】
ある実施形態において、前記前処理は、前記生データの要約統計量を演算する処理を含む。
【0018】
ある実施形態において、前記前処理は、前記生データから1つ以上の任意のデータを抽出する処理を含む。
【0019】
本発明の更に他の局面によれば、基板処理システムは、パラメータに基づいて動作して基板を処理する基板処理装置と、上記支援装置とを備える。
【0020】
本発明の更に他の局面によれば、記録媒体は、コンピュータに実行させる支援プログラムを記録した非一時的コンピュータ読取可能記録媒体である。前記支援プログラムは、上記支援方法に従って前記コンピュータに演算を実行させる。
【0021】
本発明の更に他の局面によれば、支援プログラムは、コンピュータによって実行される。前記支援プログラムは、上記支援方法に従って前記コンピュータに演算を実行させる。
【発明の効果】
【0022】
本発明に係る支援装置、支援方法、基板処理システム、記録媒体、及び、支援プログラムによれば、基板処理の品質を向上させることができる。
【図面の簡単な説明】
【0023】
【
図1】本発明の実施形態に係る支援方法の概要を示す図である。
【
図3】基板処理システムと検査装置とを示す図である。
【
図4】本発明の実施形態に係る基板処理システムに含まれる基板処理装置の構成の一例を示す模式図である。
【
図5】
図4に示す基板処理部の構成の一例を模式的に示す断面図である。
【
図6】本発明の実施形態に係る制御装置の構成の一例を示すブロック図である。
【
図7】(a)は、パラメータ設定値と、センシングデータと、品質データとを示す図である。(b)は、検出結果の一例を示す図である。
【
図8】本発明の実施形態に係る支援方法を示すフローチャートである。
【
図9】(a)は、パラメータ設定値を分割する処理を示す図である。(b)は、第1データセットを示す図である。(c)は、第2データセットを示す図である。
【
図10】(a)は、第1機械学習モデルに第1データセットを学習させる処理を示す図である。(b)は、ベイズ最適化の処理を示す図である。
【
図11】(a)は、第2機械学習モデルに第2データセットを学習させる処理を示す図である。(b)は、パラメータの推奨値を生成する処理を示す図である。
【
図12】第2機械学習モデルの変形例を示す図である。
【
図13】
図12に示す第2機械学習モデルにより検査対象パラメータの推奨値を生成する処理を示す図である。
【発明を実施するための形態】
【0024】
以下、図面(
図1~
図13)を参照して本発明の支援装置、支援方法、基板処理システム、記録媒体、及び、支援プログラムに係る実施形態を説明する。但し、本発明は以下の実施形態に限定されるものではなく、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。なお、説明が重複する箇所については、適宜説明を省略する場合がある。また、図中、同一又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。
【0025】
本発明の実施形態における「基板」には、半導体ウエハ、フォトマスク用ガラス基板、液晶表示用ガラス基板、プラズマ表示用ガラス基板、FED(Field Emission Display)用基板、光ディスク用基板、磁気ディスク用基板、及び光磁気ディスク用基板などの各種基板を適用可能である。以下では主として、円盤状の半導体ウエハの処理に用いられる支援装置、支援方法、基板処理システム、記録媒体、及び、支援プログラムを例に本発明の実施形態を説明するが、上に例示した各種の基板の処理にも同様に適用可能である。また、基板の形状についても各種のものを適用可能である。
【0026】
まず、
図1を参照して、本実施形態の支援方法の概要を説明する。本実施形態の支援方法は、作業者によるパラメータ設定値Xの調整を支援する。具体的には、本実施形態の支援方法は、パラメータの推奨値RX(推奨条件)を提供する。ここで、パラメータ設定値Xは、基板処理装置100(
図3参照)のパラメータの設定値である。なお、パラメータは、レシピに規定されているパラメータと、レシピに規定されていないパラメータとの両者を含む。
【0027】
図1は、本実施形態の支援方法の概要を示す図である。
図1に示すように、本実施形態の支援方法は、ステップS1~ステップS3を含む。具体的には、作業者により、基板処理の品質が目標値又は許容値に達するまで、ステップS1~ステップS3が繰り返される。
【0028】
ステップS1では、品質検査(実験)が行われる。品質の指標は、例えば、基板処理により基板Wに付着したパーティクルの数、倒壊率、又は、エッチング量である。具体的には、仮に設定したパラメータの値に基づいて基板処理装置100に未処理の基板Wを処理させ、処理後の基板Wの検査を行い、基板処理装置100による基板処理の品質に関する品質データYを取得する。なお、以下の説明において、未処理の基板Wを、「未処理の基板Wa」と記載する場合がある。また、処理後の基板Wを、「処理後の基板Wb」と記載する場合がある。
【0029】
ステップS2では、品質データY、パラメータ設定値X、及びセンシングデータZ1に基づいてデータセットDSが生成される。センシングデータZ1は、基板処理装置100に設けられたセンサにより検出された物理量を示す。センサの検出対象は、パラメータ設定値Xのうちのいずれかに対応する。例えば、パラメータ設定値Xには、処理液の流量の設定値が含まれる。センシングデータZ1(物理量)には、処理液の流量の検出値(検出結果SE)が含まれる。なお、本実施形態において、基板処理装置100は処理液を用いて基板W(未処理の基板Wa)を処理する。
【0030】
ステップS3では、機械学習モデルMによりデータセットDSが学習されて、機械学習モデルMから推奨条件(パラメータの推奨値RX)が出力される。
【0031】
パラメータの推奨値RXが出力されると、パラメータの設定値Xが推奨値RXに調整された上で、品質検査(ステップS1)が再度行われる。作業者は、品質検査の結果(品質データY)が目標値又は許容値に達すると、パラメータの設定値Xとして、そのときの推奨値RXを選択する。品質検査の結果(品質データY)が目標値又は許容値に達していない場合、ステップS2以降の処理が繰り返される。
【0032】
続いて、
図2を参照して、
図1に示す品質検査(ステップS1)の一例を説明する。
図2は、
図1に示す品質検査(ステップS1)の一例を示す図である。
図2に示す品質検査は、例えば、基板処理により基板Wに付着したパーティクルの数を測定する検査や、エッチング量の検査に適用できる。
図2に示す品質検査は、ステップS11~ステップS14を含む。
【0033】
まず、処理前検査が行われる(ステップS11)。処理前の検査は、未処理の基板Waの検査である。例えば、処理前検査では、未処理の基板Waに付着しているパーティクルの分布が検出される。より詳しくは、未処理の基板Waに付着している各パーティクルの座標が取得される。座標の原点は、基板Wの中心である。あるいは、処理前検査では、未処理の基板Waの膜厚が測定される。なお、以下の説明において、未処理の基板Waに付着しているパーティクルを、「処理前パーティクル」と記載する場合がある。
【0034】
処理前検査の後、基板処理装置100(
図3参照)による基板処理が行われる(ステップS12)。基板処理は、例えば、洗浄、又は、エッチングである。
【0035】
基板処理の後、処理後の基板Wbに対する検査が行われる(ステップS13)。処理後の検査は、処理前検査と同じ検査である。例えば、処理後の検査では、処理後の基板Wbに付着しているパーティクルの分布が検出される。より詳しくは、処理後の基板Wbに付着している各パーティクルの座標が取得される。あるいは、処理後の検査では、処理後の基板Wbの膜厚が測定される。なお、以下の説明において、処理後の基板Wbに付着しているパーティクルを、「処理後パーティクル」と記載する場合がある。
【0036】
処理後の検査の後、品質データYが生成される(ステップS14)。例えば、処理前パーティクルの分布と、処理後パーティクルの分布とに基づいて、基板処理により基板Wに付着したパーティクルの数が算出される。詳しくは、以下のカウント処理が実行される。すなわち、検査対象の処理後パーティクルの座標を中心とする半径Thの円内に、処理前パーティクルの座標のいずれかが含まれるか否かを判定する。そして、検査対象の円内に処理前パーティクルの座標のいずれも含まれない場合に、検査対象の処理後パーティクルを、基板処理により基板Wに付着したパーティクルとみなしてカウントする。このカウント処理を全ての処理後パーティクルに実行して、基板処理により基板Wに付着したパーティクルの数を求める。エッチング量を求める場合、未処理の基板Waの膜厚と、処理後の基板Wbの膜厚との差が算出される。品質データYが生成されると、品質検査(ステップS1)が終了する。
【0037】
なお、品質の指標として倒壊率を検査する場合、処理前検査は行わない。以下では、基板処理により発生するパーティクルの数を測定する場合を例に、本実施形態を説明する。
【0038】
続いて、
図3を参照して、
図1に示す品質検査(ステップS1)の一例を説明する。
図3は、基板処理システム1000と、検査装置300とを示す図である。
【0039】
基板処理システム1000は、基板Wを処理する。
図3に示すように、基板処理システム1000は、基板処理装置100と、制御装置200とを備える。基板処理装置100は、パラメータに基づいて動作して基板W(未処理の基板Wa)を処理する。詳しくは、制御装置200が、パラメータに基づいて基板処理装置100の動作を制御する。検査装置300は、基板Wに付着しているパーティクルの分布を検出する。より詳しくは、検査装置300は、基板Wに付着している各パーティクルの座標を取得する。
【0040】
パラメータ設定値Xの調整時には、検査装置300が未処理の基板Waのパーティクルの分布を検出し、基板処理装置100が、検査装置300で検査された後の未処理の基板Waに対して基板処理を行う。その後、検査装置300が、基板処理装置100により処理された後の基板W(処理後の基板Wb)のパーティクルの分布を検出する。
【0041】
本実施形態では、検査装置300が品質データYを生成する。具体的には、検査装置300が、処理後の基板Wbに付着しているパーティクル(処理後パーティクル)の分布と、未処理の基板Waに付着しているパーティクル(処理前パーティクル)の分布とに基づいて、基板処理により基板Wに付着したパーティクルの数を求める。詳しくは、検査装置300は、処理後パーティクルごとに、既に説明したカウント処理を実行して、基板処理により基板Wに付着したパーティクルの数を算出する。なお、検査装置300は、半径Thを記憶している。
【0042】
品質データYは、制御装置200に入力される。制御装置200は、「支援装置」の一例である。例えば、品質データYは、検査装置300から制御装置200へケーブルを介して送信されてもよいし、検査装置300から制御装置200へ無線通信により送信されてもよい。あるいは、品質データYは、リムーバブルメディアから制御装置200に入力されてもよい。リムーバブルメディアには、例えば、SDカードのようなメモリカードや、USB(Universal Serial Bus)メモリのような記憶媒体や、CD(Compact Disc)やDVD(Digital Versatile Disc)のような光ディスクが含まれる。
【0043】
なお、本実施形態では、検査装置300が品質データYを生成するが、制御装置200が品質データYを生成してもよい。この場合、制御装置200には、未処理の基板Waのパーティクルの分布(各処理前パーティクルの座標)と、処理後の基板Wbのパーティクルの分布(各処理後パーティクルの座標)とが入力される。
【0044】
ここで、
図4及び
図5を参照して、基板処理装置100の構成の一例を説明する。
図4は、本実施形態の基板処理システム1000に含まれる基板処理装置100の構成の一例を示す模式図である。詳しくは、
図4は、基板処理装置100の構成の一例を示す模式的な平面図である。基板処理装置100は、処理液を用いて基板Wを処理する。より具体的には、基板処理装置100は、枚葉式の装置であり、1枚ずつ基板Wを処理する。
【0045】
図4に示すように、基板処理装置100は、複数の基板処理部1と、流体キャビネット100Aと、複数の流体ボックス100B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とを備える。
【0046】
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。センターロボットCRは、インデクサーロボットIRと基板処理部1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載置台(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との間で載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。
【0047】
複数の基板処理部1は、複数のタワーTW(
図1では4つのタワーTW)を形成している。複数のタワーTW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る。各タワーTWは、上下に積層された複数の基板処理部1(
図1では3つの基板処理部1)を含む。
【0048】
流体キャビネット100Aは、処理液を収容する。流体ボックス100Bはそれぞれ、複数のタワーTWのうちの1つに対応している。流体キャビネット100A内の処理液は、いずれかの流体ボックス100Bを介して、流体ボックス100Bに対応するタワーTWに含まれる全ての基板処理部1に供給される。
【0049】
基板処理部1の各々は、処理液を基板Wに供給して、基板Wを処理する。処理液は、薬液と、リンス液とを含む。薬液は、例えば、希フッ酸(DHF)、フッ酸(HF)、フッ硝酸(フッ酸と硝酸(HNO3)との混合液)、バファードフッ酸(BHF)、フッ化アンモニウム、HFEG(フッ酸とエチレングリコールとの混合液)、燐酸(H3PO4)、硫酸、酢酸、硝酸、塩酸、アンモニア水、過酸化水素水、有機酸(例えば、クエン酸、シュウ酸)、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)、硫酸過酸化水素水混合液(SPM)、アンモニア過酸化水素水混合液(SC1)、塩酸過酸化水素水混合液(SC2)、イソプロピルアルコール(IPA)、界面活性剤、又は、腐食防止剤である。リンス液は、例えば、純水(例えば、脱イオン水)、炭酸水、電解イオン水、水素水、オゾン水、又は、希釈濃度(例えば、10ppm~100ppm程度)の塩酸水である。
【0050】
続いて、制御装置200を説明する。制御装置200は、基板処理装置100の各部の動作を制御する。例えば、制御装置200は、基板処理部1、ロードポートLP、インデクサーロボットIR、及びセンターロボットCRを制御する。制御装置200は、制御部201と、記憶部202とを含む。
【0051】
制御部201は、記憶部202に記憶されている各種情報に基づいて基板処理装置100の各部の動作を制御する。更に、制御部201は、記憶部202に記憶されている各種情報に基づいて、
図1を参照して説明したデータセットDSの生成(ステップS2)及びパラメータの推奨値RX(推奨条件)の生成(ステップS3)を行う。制御部201は、「演算処理部」の一例である。
【0052】
制御部201は、プロセッサを含む。例えば、制御部201は、CPU(Central Processing Unit)、又は、MPU(Micro Processing Unit)を含む。制御部201は、汎用演算機、専用演算器、GPU(Graphics Processing Unit)、NPU(Neural Network Processing Unit)、又は、量子コンピュータを含み得る。専用演算器は、例えば、ASIC(Application Specific Integrated Circuit)を含む。
【0053】
記憶部202は、基板処理装置100の動作を制御するための各種情報を記憶する。また、記憶部202は、
図1を参照して説明したデータセットDSの生成(ステップS2)及びパラメータの推奨値RX(推奨条件)の生成(ステップS3)を行うための各種情報を記憶する。
【0054】
具体的には、記憶部202は、コンピュータプログラムを記憶する。コンピュータプログラムには、基板処理装置100の動作を制御するためのコンピュータプログラムが含まれる。また、コンピュータプログラムには、支援プログラムPR(
図5参照)が含まれる。支援プログラムPRには、
図1を参照して説明したデータセットDSの生成(ステップS2)及びパラメータの推奨値RX(推奨条件)の生成(ステップS3)を行うためのコンピュータプログラムが含まれる。
【0055】
また、記憶部202は、データを記憶する。データは、レシピデータを含む。レシピデータは、基板Wの処理内容、処理条件、及び処理手順を規定するレシピを示す。レシピには、処理条件として、各種パラメータが規定されている。また、データは、レシピに規定されていない各種パラメータを含む。以下、レシピに規定されているパラメータの設定値を、「レシピ設定値」と記載する場合がある。また、レシピに規定されていないパラメータの設定値を、「レシピ外設定値」と記載する場合がある。
【0056】
レシピ設定値には、各種処理液の流量の設定値、基板回転数の設定値、各種圧力の設定値、各種設定時間等が含まれる。レシピ外設定値には、特定の処理液の温度の設定値等が含まれる。
【0057】
記憶部202は、主記憶装置を有する。主記憶装置は、例えば、半導体メモリである。記憶部202は、補助記憶装置を更に有してもよい。補助記憶装置は、例えば、半導体メモリ及びハードディスクドライブの少なくも一方を含む。記憶部202はリムーバブルメディアを含んでいてもよい。
【0058】
続いて、
図4及び
図5を参照して、基板処理装置100を説明する。
図5は、
図4に示す基板処理部1の構成の一例を模式的に示す断面図である。
【0059】
図5に示すように、基板処理部1は、チャンバ2と、スピンチャック3と、スピンモータ部4と、ガード部5と、昇降部6と、ノズル11と、第1ノズル移動部110と、第2ノズル移動部120とを備える。また、
図5に示すように、基板処理装置100は、第1供給部130と、第2供給部140と、第3供給部150とを備える。
【0060】
チャンバ2は、内部空間を有する略箱形状の筐体である。チャンバ2には、図示しないシャッター及びその開閉機構が設けられる。通常、シャッターは閉じており、その結果、チャンバ2内外の雰囲気は遮断される。センターロボットCR(
図4)により基板Wがチャンバ2内部に搬入される際、あるいは、センターロボットCR(
図4)により基板Wがチャンバ2内部から搬出される際に、シャッターが開放される。
【0061】
チャンバ2には基板Wが1枚ずつ収容される。チャンバ2には、スピンチャック3、スピンモータ部4、ガード部5、昇降部6、ノズル11、第1ノズル移動部110、及び第2ノズル移動部120が収容される。
【0062】
スピンチャック3は、基板Wを水平に保持する。スピンチャック3は、基板保持部の一例である。具体的には、スピンチャック3は、複数のチャック部材31と、スピンベース33とを有する。複数のチャック部材31は、基板Wの周縁に沿ってスピンベース33に設けられる。複数のチャック部材31は基板Wを水平な姿勢で保持する。スピンベース33は、略円板状であり、水平な姿勢で複数のチャック部材31を支持する。スピンチャック3は、制御装置200によって制御される。
【0063】
スピンモータ部4は、回転軸線AXを中心として基板Wとスピンチャック3とを一体に回転させる。回転軸線AXは、略鉛直方向に延びる。回転軸線AXは中心軸の一例であり、スピンモータ部4は基板回転部の一例である。詳しくは、スピンモータ部4は、回転軸線AXを中心としてスピンベース33を回転させる。したがって、スピンベース33は、回転軸線AXを中心として回転する。その結果、スピンベース33に設けられた複数のチャック部材31に保持された基板Wが、回転軸線AXを中心として回転する。
【0064】
具体的には、スピンモータ部4は、モータ本体41と、シャフト43とを有する。シャフト43はスピンベース33に結合される。モータ本体41は、シャフト43を回転させる。その結果、スピンベース33が回転する。モータ本体41は、制御装置200によって制御される。
【0065】
ノズル11は、基板Wに処理液を供給する。本実施形態において、ノズル11は、第1処理液、第2処理液、及び第3処理液を基板Wに供給する。より具体的には、ノズル11は、第1ノズル11aと、第2ノズル11bと、第3ノズル11cとを有する。
【0066】
第1ノズル11aは、基板Wに第1処理液を供給する。詳しくは、第1ノズル11aは、回転中の基板Wに向けて第1処理液を吐出する。第1処理液は、薬液である。
【0067】
第1供給部130は、第1ノズル11aに第1処理液を供給する。具体的には、第1供給部130は、第1配管PA1と、第1開閉弁V1と、第1制御弁V2と、第1流量センサF1と、温度センサTと、加熱部材Hとを有する。
【0068】
第1配管PA1は、第1ノズル11aまで第1処理液を流通させる。なお、チャンバ2内には、第1配管PA1の一部が収容される。第1開閉弁V1は、第1配管PA1に配置される。第1開閉弁V1は、第1ノズル11aへの第1処理液の供給及び供給停止を切り替える。第1開閉弁V1のアクチュエータは、例えば、空圧アクチュエータ、又は電動アクチュエータである。第1開閉弁V1は、制御装置200によって制御される。
【0069】
第1制御弁V2は、第1配管PA1を流通する第1処理液の流量を制御する。第1制御弁V2は、開度を調整可能である。第1制御弁V2のアクチュエータは、例えば、電動アクチュエータである。第1制御弁V2は、制御装置200によって制御される。
【0070】
第1流量センサF1は、第1配管PA1を流通する第1処理液の流量を検出する。第1処理液の流量は、「物理量」の一例である。パラメータ設定値Xには、第1処理液の流量の設定値が含まれる。第1処理液の流量の設定値は、レシピ設定値の一例である。第1流量センサF1の検出結果SEは、センシングデータZ1の一例であり、制御装置200に入力される。
【0071】
加熱部材Hは、第1配管PA1を流通する第1処理液を加熱する。加熱部材Hは、制御装置200によって制御される。温度センサTは、第1配管PA1を流通する第1処理液の温度を検出する。第1処理液の温度は、「物理量」の一例である。パラメータ設定値Xには、第1処理液の温度の設定値が含まれる。第1処理液の温度の設定値は、レシピ外設定値の一例である。温度センサTの検出結果SEは、センシングデータZ1の一例であり、制御装置200に入力される。
【0072】
第1ノズル移動部110は、略鉛直方向及び略水平方向に第1ノズル11aを移動させる。具体的には、第1ノズル移動部110は、第1アーム111と、第1回動軸113と、第1ノズル移動機構115とを有する。
【0073】
第1アーム111は略水平方向に沿って延びる。第1アーム111の先端部に第1ノズル11aが配置される。第1アーム111は第1回動軸113に結合される。第1回動軸113は、略鉛直方向に沿って延びる。
【0074】
第1ノズル移動機構115は、第1回動軸113を略鉛直方向に沿った回動軸線の回りに回動させて、第1アーム111を略水平面に沿って回動させる。その結果、第1ノズル11aが略水平面に沿って移動する。また、第1ノズル移動機構115は、第1回動軸113を略鉛直方向に沿って昇降させて、第1アーム111を昇降させる。その結果、第1ノズル11aが略鉛直方向に沿って移動する。第1ノズル移動機構115は、例えば、ボールねじ機構と、ボールねじ機構に駆動力を与える電動モータとを備えてもよい。第1ノズル移動機構115は、制御装置200によって制御される。
【0075】
第2ノズル11bは、基板Wに第2処理液を供給する。詳しくは、第2ノズル11bは、回転中の基板Wに向けて第2処理液を吐出する。第2処理液は、薬液である。
【0076】
第2供給部140は、第2ノズル11bに第2処理液を供給する。具体的には、第2供給部140は、第2配管PA2と、第2開閉弁V11と、第2制御弁V12と、第2流量センサF2とを有する。
【0077】
第2配管PA2は、第2ノズル11bまで第2処理液を流通させる。なお、チャンバ2内には、第2配管PA2の一部が収容される。第2開閉弁V11は、第2配管PA2に配置される。第2開閉弁V11は、第2ノズル11bへの第2処理液の供給及び供給停止を切り替える。第2開閉弁V11のアクチュエータは、例えば、空圧アクチュエータ、又は電動アクチュエータである。第2開閉弁V11は、制御装置200によって制御される。
【0078】
第2制御弁V12は、第2配管PA2を流通する第2処理液の流量を制御する。第2制御弁V12は、開度を調整可能である。第2制御弁V12のアクチュエータは、例えば、電動アクチュエータである。第2制御弁V12は、制御装置200によって制御される。
【0079】
第2流量センサF2は、第2配管PA2を流通する第2処理液の流量を検出する。第2処理液の流量は、「物理量」の一例である。パラメータ設定値Xには、第2処理液の流量の設定値が含まれる。第2処理液の流量の設定値は、レシピ設定値の一例である。第2流量センサF2の検出結果SEは、センシングデータZ1の一例であり、制御装置200に入力される。
【0080】
第2ノズル移動部120は、略鉛直方向及び略水平方向に第2ノズル11bを移動させる。具体的には、第2ノズル移動部120は、第2アーム121と、第2回動軸123と、第2ノズル移動機構125とを有する。第2ノズル移動機構125は、制御装置200によって制御される。第2ノズル移動部120の構成は、第1ノズル移動部110と略同様であるため、その説明は割愛する。
【0081】
第3ノズル11cは、基板Wに第3処理液を供給する。詳しくは、第3ノズル11cは、回転中の基板Wに向けて第3処理液を吐出する。第3処理液は、リンス液である。第3ノズル11cは、固定ノズルである。
【0082】
第3供給部150は、第3ノズル11cに第3処理液を供給する。具体的には、第3供給部150は、第3配管PA3と、第3開閉弁V21と、第3制御弁V22と、第3流量センサF3とを有する。
【0083】
第3配管PA3は、第3ノズル11cまで第3処理液を流通させる。なお、チャンバ2内には、第3配管PA3の一部が収容される。第3開閉弁V21は、第3配管PA3に配置される。第3開閉弁V21は、第3ノズル11cへの第3処理液の供給及び供給停止を切り替える。第3開閉弁V21のアクチュエータは、例えば、空圧アクチュエータ、又は電動アクチュエータである。第3開閉弁V21は、制御装置200によって制御される。
【0084】
第3制御弁V22は、第3配管PA3を流通する第3処理液の流量を制御する。第3制御弁V22は、開度を調整可能である。第3制御弁V22のアクチュエータは、例えば、電動アクチュエータである。第3制御弁V22は、制御装置200によって制御される。
【0085】
第3流量センサF3は、第3配管PA3を流通する第3処理液の流量を検出する。第3処理液の流量は、「物理量」の一例である。パラメータ設定値Xには、第3処理液の流量の設定値が含まれる。第3処理液の流量の設定値は、レシピ設定値の一例である。第3流量センサF3の検出結果SEは、センシングデータZ1の一例であり、制御装置200に入力される。
【0086】
ガード部5は、スピンチャック3及びスピンモータ部4の外方に配置される。ガード部5は、略筒形状を有する。換言すると、ガード部5は、スピンチャック3及びスピンモータ部4を取り囲んでいる。ガード部5は、回転する基板Wから飛散する処理液(第1処理液~第3処理液)を受け止める。
図5に示す例では、ガード部5は、3つのガードを含む。
【0087】
昇降部6は、ガード部5を昇降させる。
図5に示す例では、昇降部6は、3つのガードを個別に昇降させる。昇降部6は、制御装置200によって制御される。具体的には、昇降部6は、ガード部5(ここでは、3つのガード)を液受け位置と退避位置との間で昇降させる。液受け位置は、退避位置よりも上方の位置である。
【0088】
詳しくは、センターロボットCR(
図4)により基板Wがチャンバ2内部に搬入される際、あるいは、センターロボットCR(
図4)により基板Wがチャンバ2内部から搬出される際に、ガード部5は退避位置に配置される。各ガードはそれぞれ、処理液を受け止める際に、液受け位置に配置される。
【0089】
続いて、
図6を参照して、制御装置200を説明する。
図6は、本実施形態の制御装置200の構成の一例を示すブロック図である。既に説明したように、制御装置200は、「支援装置」の一例である。
図6に示すように、制御装置200は、制御部201と、記憶部202とに加えて、入力部203と、表示部204とを更に備える。
【0090】
入力部203は、作業者が操作するユーザーインターフェース装置である。入力部203は、作業者の操作に応じた指示(制御信号)を制御部201に入力する。また、入力部203は、作業者の操作に応じたデータを制御部201に入力する。入力部203は、キーボード及びマウスを含み得る。入力部203は、表示部204の表示面に重畳されるタッチセンサを含んでもよい。表示部204の表示面にタッチセンサが重畳されることにより、グラフィカルユーザーインターフェースが構成されてもよい。例えば、作業者は、入力部203を操作して、基板処理装置100による基板Wの処理を開始させることができる。
【0091】
なお、入力部203は、リムーバブルメディアにアクセス可能なインターフェースを更に含み得る。インターフェースは、メモリカードが差し込まれるスロットや、USB端子や、光ディスクからデータを読み取る読取装置を含む。USB端子には、メモリカードリーダのUSBケーブルが接続されてもよい。
【0092】
表示部204は、各種の画面又は画像を表示する。例えば、表示部204は、作業者が制御装置200又は基板処理装置100を操作するための画面を表示する。また、表示部204は、
図1を参照して説明したパラメータの推奨値RXを表示してもよい。表示部204は、例えば、液晶表示装置又は有機EL(electroluminescence)表示装置のような表示装置を含む。
【0093】
既に説明したように、基板処理装置100から制御装置200にセンシングデータZ1が入力される。また、検査装置300から制御装置200に品質データYが入力される。制御部201は、センシングデータZ1及び品質データYを記憶部202に記憶させる。
【0094】
記憶部202は、パラメータ設定値X、センシングデータZ1、品質データY、獲得関数AF、探索範囲SW、及び、支援プログラムPRを記憶する。制御部201は、パラメータ設定値X、センシングデータZ1、品質データY、獲得関数AF、探索範囲SW、及び、支援プログラムPRに基づいて、パラメータの推奨値RXを生成する。具体的には、制御部201は、パラメータ設定値X、センシングデータZ1、品質データY、獲得関数AF、探索範囲SW、及び、支援プログラムPRに基づいて、
図1を参照して説明したデータセットDSの生成(ステップS2)及びパラメータの推奨値RX(推奨条件)の生成(ステップS3)を行う。
【0095】
支援プログラムPRは、機械学習モデルMを含む。具体的には、支援プログラムPRは、第1機械学習モデルM1と、第2機械学習モデルM2とを含む。支援プログラムPRには、ベイズ最適化を実行するプログラムが更に含まれる。獲得関数AF及び探索範囲SWは、ベイズ最適化に用いられる。なお、獲得関数AF及び探索範囲SWは、支援プログラムPRに含まれてもよい。
【0096】
続いて、
図6及び
図7(a)を参照して、パラメータ設定値X、センシングデータZ1、及び品質データYを説明する。
図7(a)は、パラメータ設定値Xと、センシングデータZ1と、品質データYとを示す図である。
図7(a)に示すように、パラメータ設定値Xは、各種パラメータの設定値P(設定値P1、設定値P2等)の集合を示す。センシングデータZ1は、基板処理装置100に設けられた各種センサの検出結果SE(検出結果SE1、検出結果SE2等)の集合を示す。記憶部202は、
図1を参照して説明した品質検査(実験)ごとに、パラメータ設定値Xと、センシングデータZ1と、及び品質データYとを関連付けて記憶する。
【0097】
続いて、
図7(b)を参照して、検出結果SEを説明する。
図7(b)は、検出結果SEの一例を示す図である。
図7(b)に示すように、検出結果SEは、センサで検出された物理量を示す生データである。したがって、検出結果SEはデータ数が多い。
【0098】
続いて、
図6及び
図8を参照して、本実施形態の支援方法を説明する。本実施形態では、
図6を参照して説明した制御装置200により支援方法が実行される。
図8は、本実施形態の支援方法を示すフローチャートである。詳しくは、
図8は、制御部201が実行する処理の流れを示す。
図8に示す処理は、データセットDSを生成する処理(ステップS2)と、パラメータの推奨値RX(推奨条件)を生成する処理(ステップS3)とを含む。データセットDSを生成する処理(ステップS2)は、ステップS31と、ステップS32とを含む。パラメータの推奨値RX(推奨条件)を生成する処理(ステップS3)は、ステップS33~ステップS36を含む。
図8に示す処理は、作業者が入力部203を操作して、パラメータ推奨値RXの生成を指示することにより開始する。
【0099】
図8に示すように、制御部201は、パラメータ推奨値RXの生成が指示されると、センシングデータZ1に含まれる各検出結果SEに対して前処理を行い、前処理後センシングデータZ2を生成する(ステップS31)。前処理により、各検出結果SEのデータ数が削減される。以下、前処理された検出結果SEを、「前処理後データASE」と記載する場合がある。前処理後センシングデータZ2には、前処理後データASE(前処理後データASE1、前処理後データASE2等)が含まれる。前処理後センシングデータZ2は、「物理量に関する検出データ」の一例である。
【0100】
前処理は、例えば、生データ(検出結果SE)の特徴量を抽出する処理である。例えば、前処理は、生データの次元を削減する処理(次元削減処理)、生データの要約統計量を演算する処理、又は、生データから1つ以上の任意のデータを抽出する処理を含む。
【0101】
次元削減処理は、例えば、線形次元削減処理、又は非線形次元削減処理である。線形次元削減処理は、例えば、主成分分析、独立成分分析、又は、テンソル分解である。非線形次元削減処理は、例えば、UMAP(Uniform Manifold Approximation and Projection)、又は、自己符号化器である。例えば、主成分分析により、検出結果SE(生データ)の低次元特徴量が取得される。したがって、前処理が主成分分析である場合、前処理後データASEは、検出結果SE(生データ)の低次元特徴量を示す。
【0102】
要約統計量は、例えば、平均値、中央値、又は最頻値を示す。検出結果SE(生データ)の要約統計量を演算することにより、検出結果SE(生データ)平均値、中央値、又は最頻値が取得される。したがって、前処理が要約統計量を演算する処理である場合、前処理後データASEは、検出結果SE(生データ)平均値、中央値、又は最頻値を示す。
【0103】
ステップS32では、制御部201は、品質データYと、前処理後センシングデータZ2と、パラメータ設定値Xとに基づいて、第1データセットDS1と、第2データセットDS2とを作成する。第1データセットDS1は、第1訓練データの一例であり、第1機械学習モデルM1の訓練(学習)に用いられる。第2データセットDS2は、第2訓練データの一例であり、第2機械学習モデルM2の訓練(学習)に用いられる。第1データセットDS1及び第2データセットDS2については、
図9(a)~
図9(c)を参照して後述する。
【0104】
ステップS33では、制御部201は、第1機械学習モデルM1に第1データセットDS1を学習させる。この結果、基板処理の品質を予測する予測モデルPMが構築される。本実施形態では、予測モデルPMは、基板処理により基板Wに付着したパーティクルの数を予測するモデルである。
【0105】
ステップS34では、制御部201は、予測モデルPMと、獲得関数AFと、探索範囲SWとに基づいてベイズ最適化を実行して、基板処理の品質を目標品質に近づける前処理後データASEの推奨値Z3(推奨値RSE1、推奨値RSE2等)を取得する。本実施形態では、制御部201は、ベイズ最適化により、予測モデルPMを最小化する各前処理後データASEの推奨値Z3を取得する。具体的には、制御部201は、基板処理により基板Wに付着するパーティクルの数を最小にする各前処理後データASEの推奨値Z3を取得する。以下、前処理後データASEの推奨値Z3を、「センシングデータ推奨値Z3」と記載する場合がある。センシングデータ推奨値Z3は、「検出データ推奨値」の一例である。
【0106】
獲得関数AFは、例えば、Expected Improvement(EI)、Mutual Information(MI)、Probability of Improvement(PI)、又は、Upper Confidence bound(UCB)である。探索範囲SWは、任意の範囲である。探索範囲SWは、作業者が入力部203を操作して入力してもよい。なお、本実施形態では、ベイズ最適化により、予測モデルPMを最小化するセンシングデータ推奨値Z3を取得するが、基板処理の品質の指標によっては、予測モデルPMを最大化するセンシングデータ推奨値Z3を取得してもよい。
【0107】
ステップS35では、制御部201は、第2データセットDS2を第2機械学習モデルM2に学習させる。ステップS36では、学習後の第2機械学習モデルM2にセンシングデータ推奨値Z3を入力して、センシングデータ推奨値Z3(推奨値RSE1、推奨値RSE2等)を、パラメータの推奨値RX(推奨値RP1、推奨値RP2等)に変換する。
【0108】
続いて、
図6及び
図9(a)~
図9(c)を参照して、第1データセットDS1及び第2データセットDS2について説明する。
図9(a)は、パラメータ設定値Xを分割する処理を示す図である。
図9(b)は、第1データセットDS1を示す図である。
図9(c)は、第2データセットDS2を示す図である。
【0109】
図9(a)に示すように、制御部201は、第1データセットDS1及び第2データセットDS2を作成する前に、パラメータ設定値Xを第1パラメータ設定値X1と第2パラメータ設定値X2とに分割する。
【0110】
第1パラメータ設定値X1は、対応する物理量がセンサにより検出されるパラメータの設定値P(設定値P1、設定値P2等)を含む。例えば、
図5を参照して説明した例では、第1処理液~第3処理液の流量はそれぞれ第1流量センサF1~第3流量センサF3により検出される。したがって、第1処理液~第3処理液の流量は、対応する物理量がセンサにより検出されるパラメータである。以下、対応する物理量がセンサにより検出されるパラメータを、「検出対象パラメータ」と記載する場合がある。第1パラメータ設定値X1は、検出対象パラメータの設定値Pの集合を示す。
【0111】
第2パラメータ設定値X2は、パラメータ設定値Xのうち、検出対象パラメータ以外のパラメータの設定値P(設定値P4、設定値P5等)の集合を示す。例えば、第2パラメータ設定値X2には、基板回転数の設定値や、各種設定時間が含まれる。なお、基板回転数は、
図5を参照して説明したモータ本体41の回転数を示す。
【0112】
図9(b)に示すように、第1データセットDS1は、品質データYと、前処理後センシングデータZ2と、第2パラメータ設定値X2とを含む。つまり、制御部201は、品質データYと、前処理後センシングデータZ2と、第2パラメータ設定値X2とを用いて第1データセットDS1を作成する。詳しくは、制御部201は、
図1を参照して説明した品質検査(実験)ごとに、品質データYと、前処理後センシングデータZ2と、第2パラメータ設定値X2とを関連付けて記憶部202に記憶させる。
【0113】
図9(c)に示すように、第2データセットDS2は、第1パラメータ設定値X1と、前処理後センシングデータZ2と、第2パラメータ設定値X2とを含む。つまり、制御部201は、第1パラメータ設定値X1と、前処理後センシングデータZ2と、第2パラメータ設定値X2とを用いて第2データセットDS2を作成する。詳しくは、制御部201は、
図1を参照して説明した品質検査(実験)ごとに、第1パラメータ設定値X1と、前処理後センシングデータZ2と、第2パラメータ設定値X2とを関連付けて記憶部202に記憶させる。
【0114】
続いて、
図6、
図9(b)、及び
図10(a)を参照して、第1機械学習モデルM1の学習について説明する。
図10(a)は、第1機械学習モデルM1に第1データセットDS1を学習させる処理(
図8のステップS33)を示す図である。
【0115】
図10(a)に示すように、制御部201は、第1機械学習モデルM1に第1データセットDS1を学習させる。詳しくは、
図9(b)に示すように、目的変数として品質データYを第1機械学習モデルM1に入力し、説明変数として前処理後センシングデータZ2と第2パラメータ設定値X2とを第1機械学習モデルM1に入力する。この結果、第1機械学習モデルM1が学習を行って予測モデルPMが構築される。
【0116】
例えば、第1機械学習モデルM1のアルゴリズムは、ガウス過程回帰である。但し、第1機械学習モデルM1のアルゴリズムは、予測分布を生成できるモデルである限り、特に限定されない。例えば、第1機械学習モデルM1のアルゴリズムは、ベイズ線形回帰、階層ベイズ、ベイズ深層学習、又は、NGBoost(Natural Gradient Boosting)であってもよい。
【0117】
続いて、
図6及び
図10(b)を参照して、ベイズ最適化を説明する。
図10(b)は、ベイズ最適化の処理(
図8のステップS34)を示す図である。
【0118】
図10(b)に示すように、制御部201は、獲得関数AFと、探索範囲SWと、予測モデルPM(学習後の第1機械学習モデルM1)とに基づいてベイズ最適化を行う。この結果、基板処理により基板Wに付着するパーティクルの数を最小にする値として、センシングデータ推奨値Z3と、第2パラメータ設定値X2とが取得される。ここで、センシングデータ推奨値Z3は、各前処理後データASEの推奨値RSE(推奨値RSE1、推奨値RSE2等)の集合を示す。
【0119】
詳しくは、予測モデルPMは、既に説明したように、説明変数である前処理後センシングデータZ2及び第2パラメータ設定値X2に基づいて、基板処理により基板Wに付着したパーティクルの数(目的変数)を予測するモデルである。ベイズ最適化は、基板処理により基板Wに付着したパーティクルの数を最小にする前処理後センシングデータZ2及び第2パラメータ設定値X2を探索範囲SW内で探索する処理である。
【0120】
続いて、
図6、
図9(c)及び
図11(a)を参照して、第2機械学習モデルM2の学習について説明する。
図11(a)は、第2機械学習モデルM2に第2データセットDS2を学習させる処理(
図8のステップS35)を示す図である。
【0121】
図11(a)に示すように、制御部201は、第2機械学習モデルM2に第2データセットDS2を学習させる。詳しくは、
図9(c)に示すように、目的変数として第1パラメータ設定値X1を第2機械学習モデルM2に入力し、説明変数として前処理後センシングデータZ2と第2パラメータ設定値X2とを第2機械学習モデルM2に入力する。この結果、学習後の第2機械学習モデルM2は、前処理後センシングデータZ2と第2パラメータ設定値X2とに基づいて第1パラメータ設定値X1を予測するモデルとなる。
【0122】
なお、第2機械学習モデルM2は特に限定されない。例えば、第2機械学習モデルM2のアルゴリズムは、ランダムフォレストや深層学習のように複数の値を出力するアルゴリズムを含む。
【0123】
続いて、
図6及び
図11(b)を参照して、パラメータの推奨値RXを生成する処理を説明する。
図11(b)は、パラメータの推奨値RXを生成する処理(
図8のステップS36)を示す図である。
【0124】
図11(b)に示すように、制御部201は、第2データセットDS2を学習した後の第2機械学習モデルM2に対し、ベイズ最適化により取得したセンシングデータ推奨値Z3及び第2パラメータ設定値X2を入力する。
【0125】
既に説明したように、学習後の第2機械学習モデルM2は、前処理後センシングデータZ2と第2パラメータ設定値X2とに基づいて第1パラメータ設定値X1を予測するモデルを構築している。したがって、前処理後センシングデータZ2に替えてセンシングデータ推奨値Z3(各前処理後データASEの推奨値RSE)を学習後の第2機械学習モデルM2に入力することにより、検出対象パラメータの推奨値RX1(推奨値RP1、推奨値RP2等)が第2機械学習モデルM2から出力される。換言すると、センシングデータ推奨値Z3(推奨値RSE1、推奨値RSE2等)が検出対象パラメータの推奨値RX1(推奨値RP1、推奨値RP2等)に変換される。なお、第2パラメータ設定値X2はそれ自身が推奨値であるため、制御部201は、入力された第2パラメータ設定値X2を、そのまま出力する。
【0126】
続いて、
図12及び
図13を参照して、第2機械学習モデルM2の変形例を説明する。第2機械学習モデルM2は、一つの値を出力するモデルであってもよい。以下、一つの値を出力するモデルを、「単一出力モデルSM」と記載する場合がある。なお、単一出力モデルSMのアルゴリズムは、例えば、線形回帰、LightGBM、又は深層学習である。
【0127】
図12は、第2機械学習モデルM2の変形例を示す図である。
図12に示すように、第2機械学習モデルM2は、複数の単一出力モデルSMを有してもよい。単一出力モデルSMは、検出対象パラメータの数以上であればよい。
【0128】
図12は、第2機械学習モデルM2に第2データセットDS2を学習させる処理(
図8のステップS35)を示している。
図12に示すように、第2機械学習モデルM2が複数の単一出力モデルSMを含む場合、制御部201は、検査対象パラメータの設定値P(目的変数)と、対応する前処理後データASE(説明変数)とを組み合わせて、それぞれの組を互いに異なる単一出力モデルSMに入力させる。この結果、単一出力モデルSMがそれぞれ、検査対象パラメータの設定値Pと、対応する前処理後データASEとの組み合わせを学習し、前処理後データASEから検査対象パラメータの設定値Pを予測するモデルを構築する。
【0129】
図13は、
図12に示す第2機械学習モデルM2により検査対象パラメータの推奨値RX1(推奨値RP1、推奨値RP2等)を生成する処理(
図8のステップS36)を示す図である。
図13に示すように、制御部201は、単一出力モデルSMのそれぞれに対し、対応する前処理後データASEの推奨値RSEを入力する。この結果、各単一出力モデルSMから、検査対象パラメータの推奨値RP(推奨値RP1、推奨値RP2等)が出力される。
【0130】
以上説明した実施形態によれば、基板処理の品質を向上させることができる。すなわち、本実施形態では、検査対象パラメータの推奨値RX1の演算に、検査対象パラメータの実際の物理量(センシングデータZ1)を反映させることができる。したがって、基板処理装置100の実際の動作とパラメータの設定値Xとの間のズレが考慮された推奨値RX1を取得できる。よって、基板処理の品質を向上させることができる。
【0131】
また、本実施形態によれば、前処理したデータを用いて機械学習を行うので、過学習が発生し難い。よって、機械学習モデルMの予測の精度が高くなるので、基板処理の品質を向上させることができる。但し、生データを用いて機械学習を行ってもよい。
【0132】
以上、図面(
図1~
図13)を参照して本発明の実施形態について説明した。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できる。また、上記の実施形態に開示される複数の構成要素は適宜改変可能である。例えば、ある実施形態に示される全構成要素のうちのある構成要素を別の実施形態の構成要素に追加してもよく、又は、ある実施形態に示される全構成要素のうちのいくつかの構成要素を実施形態から削除してもよい。
【0133】
図面は、発明の理解を容易にするために、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さ、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構成は一例であって、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ことは言うまでもない。
【0134】
例えば、
図1~
図13を参照して説明した実施形態では、基板処理装置100はエッチング処理又は洗浄処理を行うが、基板処理はエッチング処理及び洗浄処理に限定されない。例えば、基板処理は、ブラシ洗浄処理、感光膜塗布処理、現像処理、アニール処理、又は描画処理であってもよい。
【0135】
また、
図1~
図13を参照して説明した実施形態では、基板処理装置100は枚葉式であったが、基板処理装置100はバッチ式であってもよい。
【産業上の利用可能性】
【0136】
本発明は、基板を処理する装置に有用であり、産業上の利用可能性を有する。
【符号の説明】
【0137】
100 :基板処理装置
200 :制御装置
201 :制御部
202 :記憶部
1000 :基板処理システム
AF :獲得関数
ASE :前処理後データ
DS1 :第1データセット
DS2 :第2データセット
F1 :第1流量センサ
F2 :第2流量センサ
F3 :第3流量センサ
M1 :第1機械学習モデル
M2 :第2機械学習モデル
P :パラメータの設定値
PM :予測モデル
PR :支援プログラム
RP :検索対象パラメータの推奨値
RX1 :検索対象パラメータの推奨値
SE :検出結果
SW :探索範囲
T :温度センサ
W :基板
Wa :未処理の基板
Wb :処理後の基板
X1 :第1パラメータ設定値
X2 :第2パラメータ設定値
Y :品質データ
Z1 :センシングデータ
Z2 :前処理後センシングデータ
Z3 :センシングデータ推奨値