特許 7200387 半導体製造装置ツールにおけるニューラルネットワークを用いたチャンバ整合化

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】

(24)【登録日】2022-12-23

(45)【発行日】2023-01-06

(54)【発明の名称】半導体製造装置ツールにおけるニューラルネットワークを用いたチャンバ整合化

(51)【国際特許分類】

   H01L 21/02 20060101AFI20221226BHJP

   H01L 21/3065 20060101ALI20221226BHJP

   C23C 16/52 20060101ALI20221226BHJP

   C23C 14/54 20060101ALI20221226BHJP

   G03F 7/20 20060101ALI20221226BHJP

   H01L 21/027 20060101ALI20221226BHJP

   G06N 3/02 20060101ALI20221226BHJP

【ＦＩ】

H01L21/02 Z

H01L21/302 101Z

H01L21/302 101M

C23C16/52

C23C14/54

G03F7/20 521

H01L21/30 564Z

H01L21/30 569F

G06N3/02

【請求項の数】 15

(21)【出願番号】P 2021544211

(86)(22)【出願日】2020-01-06

(65)【公表番号】

(43)【公表日】2022-03-23

(86)【国際出願番号】 US2020012416

(87)【国際公開番号】W WO2020159673

(87)【国際公開日】2020-08-06

【審査請求日】2021-07-28

(31)【優先権主張番号】16/261,041

(32)【優先日】2019-01-29

(33)【優先権主張国・地域又は機関】US

(73)【特許権者】

【識別番号】390040660

【氏名又は名称】アプライド マテリアルズ インコーポレイテッド

【氏名又は名称原語表記】ＡＰＰＬＩＥＤ ＭＡＴＥＲＩＡＬＳ，ＩＮＣＯＲＰＯＲＡＴＥＤ

【住所又は居所原語表記】Ｍ／Ｓ １２６９，３０５０ Ｂｏｗｅｒｓ Ａｖｅｎｕｅ Ｓａｎｔａ Ｃｌａｒａ ＣＡ ９５０５４ Ｕ．Ｓ．Ａ．

(74)【代理人】

【識別番号】100094569

【弁理士】

【氏名又は名称】田中 伸一郎

(74)【代理人】

【識別番号】100103610

【弁理士】

【氏名又は名称】▲吉▼田 和彦

(74)【代理人】

【識別番号】100109070

【弁理士】

【氏名又は名称】須田 洋之

(74)【代理人】

【識別番号】100067013

【弁理士】

【氏名又は名称】大塚 文昭

(74)【代理人】

【識別番号】100086771

【弁理士】

【氏名又は名称】西島 孝喜

(74)【代理人】

【識別番号】100109335

【弁理士】

【氏名又は名称】上杉 浩

(74)【代理人】

【識別番号】100120525

【弁理士】

【氏名又は名称】近藤 直樹

(74)【代理人】

【識別番号】100139712

【弁理士】

【氏名又は名称】那須 威夫

(74)【代理人】

【識別番号】100176418

【弁理士】

【氏名又は名称】工藤 嘉晃

(72)【発明者】

【氏名】ハオ ヘン

(72)【発明者】

【氏名】リャオ ティアンチン

(72)【発明者】

【氏名】ディダリ シマ

(72)【発明者】

【氏名】ラヤゴパル ハリクリシュナン

【審査官】小池 英敏

(56)【参考文献】

【文献】米国特許出願公開第２０１８／００８２８２６（ＵＳ，Ａ１）

【文献】特表２０１４－５１９１８２（ＪＰ，Ａ）

【文献】特開２０１８－１１２８６３（ＪＰ，Ａ）

【文献】特開２０１８－１４７１７２（ＪＰ，Ａ）

【文献】韓国登録特許第１０－１０９４５９８（ＫＲ，Ｂ１）

【文献】米国特許出願公開第２００９／００３０６３２（ＵＳ，Ａ１）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｈ０１Ｌ ２１／０２

Ｈ０１Ｌ ２１／３０６５

Ｃ２３Ｃ １６／５２

Ｃ２３Ｃ １４／５４

Ｇ０３Ｆ ７／２０

Ｈ０１Ｌ ２１／０２７

Ｇ０６Ｎ ３／０２

(57)【特許請求の範囲】

【請求項1】

半導体基板を処理する処理チャンバを整合させる方法であって、前記方法が、
仕様の範囲内にある第１の処理チャンバの１つまたは複数のセンサの入力時系列データの第１のセットをディープオートエンコーダ型ニューラルネットワークに供給して、出力時系列データの対応する第１のセットを生成することにより、前記ディープオートエンコーダ型ニューラルネットワークを訓練すること、
入力時系列データの前記第１のセットと出力時系列データの前記対応する第１のセットとの間の第１の誤差を計算すること、
試験下の第２の処理チャンバに関連付けられた対応する１つまたは複数のセンサからの入力時系列データの第２のセットを訓練された前記ディープオートエンコーダ型ニューラルネットワークに供給して、出力時系列データの対応する第２のセットを生成すること、
入力時系列データの前記第２のセットと出力時系列データの前記対応する第２のセットとの間の第２の誤差を計算すること、および
前記第２の誤差と前記第１の誤差の差が、しきい量に等しいかまたは前記しきい量よりも大きいことに応答して、試験下の前記第２の処理チャンバは仕様の範囲内にある前記第１の処理チャンバと整合していないと宣言すること
を含む方法。

【請求項2】

前記第２の誤差と前記第１の誤差の前記差が前記しきい量よりも小さいことに応答して、試験下の前記第２の処理チャンバは仕様の範囲内にある前記第１の処理チャンバと整合していると宣言する、請求項１に記載の方法。

【請求項3】

前記第１の処理チャンバおよび前記第２の処理チャンバが第１のタイプの処理チャンバであり、前記第１のタイプの試験下の第３の処理チャンバをさらに含み、前記方法が、
試験下の前記第３の処理チャンバに関連付けられた対応する１つまたは複数のセンサからの入力時系列データの第３のセットを訓練された前記ディープオートエンコーダ型ニューラルネットワークに供給して、出力時系列データの対応する第３のセットを生成すること、
入力時系列データの前記第３のセットと出力時系列データの前記対応する第３のセットとの間の第３の誤差を計算すること、ならびに
前記第２の誤差と前記第３の誤差の和と前記第１の誤差との差が、２倍の前記しきい量に等しいかまたは２倍の前記しきい量よりも大きいことに応答して、試験下の前記第２の処理チャンバおよび試験下の前記第３の処理チャンバは、仕様の範囲内にある前記第１の処理チャンバと整合していないと宣言すること
をさらに含む、請求項１に記載の方法。

【請求項4】

前記第２の誤差の重み付けされた和と前記第１の誤差との前記差が前記しきい量よりも小さいことに応答して、試験下の前記第２の処理チャンバおよび試験下の前記第３の処理チャンバは、仕様の範囲内にある前記第１の処理チャンバと整合していると宣言する、請求項３に記載の方法。

【請求項5】

前記第１の処理チャンバおよび前記第２の処理チャンバが第１のタイプの仕様の範囲内にある処理チャンバであり、第２のタイプの処理チャンバである試験下の第３の処理チャンバ、および前記第２のタイプの処理チャンバである試験下の第４の処理チャンバをさらに含み、前記方法が、
仕様の範囲内にある前記第３の処理チャンバの１つまたは複数のセンサの入力時系列データの第３のセットを前記ディープオートエンコーダ型ニューラルネットワークに供給して、訓練後の出力時系列データの対応する第３のセットを生成すること、
入力時系列データの前記第３のセットと訓練後の出力時系列データの前記対応する第３のセットとの間の第３の誤差を計算すること、
試験下の前記第４の処理チャンバに関連付けられた対応する１つまたは複数のセンサからの入力時系列データの第４のセットを訓練された前記ディープオートエンコーダ型ニューラルネットワークに供給して、出力時系列データの対応する第４のセットを生成すること、
入力時系列データの前記第４のセットと出力時系列データの前記対応する第４のセットとの間の第４の誤差を計算すること、ならびに
前記第２の誤差と前記第４の誤差の第１の和と前記第１の誤差と前記第３の誤差の第２の和との差が、第２のしきい量に等しいかまたは前記第２のしきい量よりも大きいことに応答して、試験下の前記第２の処理チャンバおよび試験下の前記第４の処理チャンバは、仕様の範囲内にある前記第１の処理チャンバおよび仕様の範囲内にある前記第３の処理チャンバと整合していないと宣言すること
をさらに含む、請求項１に記載の方法。

【請求項6】

前記第２の誤差と前記第４の誤差の前記第１の和と前記第１の誤差と前記第３の誤差の前記第２の和との差が、前記第２のしきい量よりも小さいことに応答して、試験下の前記第２の処理チャンバおよび試験下の前記第４の処理チャンバはそれぞれ、仕様の範囲内にある前記第１の処理チャンバおよび仕様の範囲内にある前記第３の処理チャンバと整合していると宣言する、請求項５に記載の方法。

【請求項7】

チャンバの不整合の宣言に応答して補正処置をとらせることをさらに含む、請求項１に記載の方法。

【請求項8】

前記ディープオートエンコーダ型ニューラルネットワークが再構成誤差を最小化する、請求項１に記載の方法。

【請求項9】

前記第１の誤差および前記第２の誤差が平均２乗誤差である、請求項１に記載の方法。

【請求項10】

再構成誤差を最小化することが、前記ディープオートエンコーダ型ニューラルネットワークに供給された入力時系列データのセットと前記ディープオートエンコーダ型ニューラルネットワークによって出力された時系列データの対応するセットとの間の平均２乗誤差を最小化する、請求項１に記載の方法。

【請求項11】

メモリと、
半導体基板を処理する処理チャンバを整合させる方法を実行するように構成されたプロセッサと
を備え、前記方法が、
仕様の範囲内にある第１の処理チャンバの１つまたは複数のセンサの入力時系列データの第１のセットをディープオートエンコーダ型ニューラルネットワークに供給して、出力時系列データの対応する第１のセットを生成することにより、前記ディープオートエンコーダ型ニューラルネットワークを訓練すること、
入力時系列データの前記第１のセットと出力時系列データの前記対応する第１のセットとの間の第１の誤差を計算すること、
試験下の第２の処理チャンバに関連付けられた対応する１つまたは複数のセンサからの入力時系列データの第２のセットを訓練された前記ディープオートエンコーダ型ニューラルネットワークに供給して、出力時系列データの対応する第２のセットを生成すること、
入力時系列データの前記第２のセットと出力時系列データの前記対応する第２のセットとの間の第２の誤差を計算すること、および
前記第２の誤差と前記第１の誤差の差が、しきい量に等しいかまたは前記しきい量よりも大きいことに応答して、試験下の前記第２の処理チャンバは仕様の範囲内にある前記第１の処理チャンバと整合していないと宣言すること
を含む、コンピュータシステム。

【請求項12】

前記第２の誤差と前記第１の誤差の前記差が前記しきい量よりも小さいことに応答して、試験下の前記第２の処理チャンバは仕様の範囲内にある前記第１の処理チャンバと整合していると宣言する、請求項１１に記載のシステム。

【請求項13】

前記第１の処理チャンバおよび前記第２の処理チャンバが第１のタイプの処理チャンバであり、前記第１のタイプの試験下の第３の処理チャンバをさらに含み、前記方法が、
試験下の前記第３の処理チャンバに関連付けられた対応する１つまたは複数のセンサからの入力時系列データの第３のセットを訓練された前記ディープオートエンコーダ型ニューラルネットワークに供給して、出力時系列データの対応する第３のセットを生成すること、
入力時系列データの前記第３のセットと出力時系列データの前記対応する第３のセットとの間の第３の誤差を計算すること、ならびに
前記第２の誤差と前記第３の誤差の和と前記第１の誤差との差が、２倍の前記しきい量に等しいかまたは２倍の前記しきい量よりも大きいことに応答して、試験下の前記第２の処理チャンバおよび試験下の前記第３の処理チャンバは、仕様の範囲内にある前記第１の処理チャンバと整合していないと宣言すること
をさらに含む、請求項１１に記載のシステム。

【請求項14】

前記第１の処理チャンバおよび前記第２の処理チャンバが第１のタイプの仕様の範囲内にある処理チャンバであり、第２のタイプの処理チャンバである試験下の第３の処理チャンバ、および前記第２のタイプの処理チャンバである試験下の第４の処理チャンバをさらに含み、前記方法が、
仕様の範囲内にある前記第３の処理チャンバの１つまたは複数のセンサの入力時系列データの第３のセットを前記ディープオートエンコーダ型ニューラルネットワークに供給して、訓練後の出力時系列データの対応する第３のセットを生成すること、
入力時系列データの前記第３のセットと訓練後の出力時系列データの前記対応する第３のセットとの間の第３の誤差を計算すること、
試験下の前記第４の処理チャンバに関連付けられた対応する１つまたは複数のセンサからの入力時系列データの第４のセットを訓練された前記ディープオートエンコーダ型ニューラルネットワークに供給して、出力時系列データの対応する第４のセットを生成すること、
入力時系列データの前記第４のセットと出力時系列データの前記対応する第４のセットとの間の第４の誤差を計算すること、ならびに
前記第２の誤差と前記第４の誤差の第１の和と前記第１の誤差と前記第３の誤差の第２の和との差が、第２のしきい量に等しいかまたは前記第２のしきい量よりも大きいことに応答して、試験下の前記第２の処理チャンバおよび試験下の前記第４の処理チャンバは、仕様の範囲内にある前記第１の処理チャンバおよび仕様の範囲内にある前記第３の処理チャンバと整合していないと宣言すること
をさらに含む、請求項１１に記載のシステム。

【請求項15】

前記第２の誤差と前記第４の誤差の前記第１の和と前記第１の誤差と前記第３の誤差の前記第２の和との差が、前記第２のしきい量よりも小さいことに応答して、試験下の前記第２の処理チャンバおよび試験下の前記第４の処理チャンバはそれぞれ、仕様の範囲内にある前記第１の処理チャンバおよび仕様の範囲内にある前記第３の処理チャンバと整合していると宣言する、請求項１４に記載のシステム。

【発明の詳細な説明】

【技術分野】

【0001】

本明細書に記載された実施態様は一般に、時系列トレース（ｔｉｍｅ－ｓｅｒｉｅｓ ｔｒａｃｅ）を解析して、試験下の半導体処理チャンバと仕様（ｓｐｅｃｉｆｉｃａｔｉｏｎｓ）の範囲内にあることが分かっている対応する半導体処理チャンバとの間の不整合を検出することに関する。

【背景技術】

【0002】

半導体産業では、以前から、改良されたプロセス再現性および制御が求められている。新世代の集積回路は、以前の世代で企図された特徴サイズよりも小さな特徴サイズを使用するため、集積回路製造プロセスに対する要求はより大きくなる。プラズマ環境での半導体基板の１つまたは複数の層の堆積およびエッチングは、集積回路製造における最も一般的なステップのうちの２つのステップである。正しい量および質の膜が堆積することまたはエッチングされることを保証するため、生産基板処理前、処理中および処理後に、プロセスチャンバのプラズマ状態を包括的にモニタリングする必要がある。生産基板処理前の包括的なチャンバモニタリングは、適正なチャンバ資格認定（ｃｈａｍｂｅｒ ｑｕａｌｉｆｉｃａｔｉｏｎ）がなされることを可能にする。生産基板処理中の包括的なチャンバモニタリングは、正しい終点および欠陥の検出を可能にする。生産基板処理後の包括的なチャンバモニタリングは、基板処理中に欠陥が検出された場合の欠陥源の診断を可能にする。

【0003】

正しい量および質の膜が堆積することまたはエッチングされることを保証するため、プロセスチャンバをモニタリングし、「基準」チャンバ（「良（ｇｏｏｄ）」チャンバまたは「ゴールデン（ｇｏｌｄｅｎ）」チャンバ）と比較する必要がある。チャンバを比較するために使用される手順は、時に、チャンバ整合化（ｃｈａｍｂｅｒ ｍａｔｃｈｉｎｇ）と呼ばれる。チャンバ整合化は、１つまたは複数の処理チャンバの出力が、生産されるデバイスの特性に関して、仕様の範囲内に正確に整合されている状態である。半導体製造では、使用される生産処理装置の変量がある動作限度内にとどまるように、その生産処理装置が制御される。これらの限度は、非常に幅が狭くなることがあり、通常は、プロセスの異なるステップ、ステージまたはフェーズを通して変動する。処理の間、これらの動作限度内にとどまることに失敗すると、処理されているデバイスおよび／またはウエハの損失または損傷が容易に引き起こされうる。

【0004】

チャンバ整合化手順は、チャンバの使用中のさまざまな時点で使用される。プロセスチャンバが新たに製造されたときには、チャンバの資格を認定する必要があり、これは通常、整合化を含む。チャンバを整合させた後、次いで、チャンバを半導体製造施設に出荷することができる。チャンバが半導体製造施設に到着した後、生産材料を処理する前に、チャンバを再び組み立て、再び「資格認定する」。さらに、半導体製造施設において、プラズマ堆積またはエッチングチャンバを潜在的に使用して、異なる基板に対する異なるプロセス手順（ｐｒｏｃｅｓｓ ｒｅｃｉｐｅ）をランすることができる。プロセス手順を変更する前に、通常は、チャンバを再び「整合させて」、プロセス手順の変更が実施される前にチャンバが正常に動作していることを保証する必要がある。最後に、生産チャンバは、正規の保守または洗浄を経なければならない。保守またはチャンバ洗浄の後、生産ウエハをランする前に、チャンバを再び「整合させる」必要がある。新世代の半導体製造に関しては、プロセス再現性および制御を保証するために、包括的なプラズマモニタリングを利用する厳しいチャンバ整合化技法が必要とされる。

【発明の概要】

【発明が解決しようとする課題】

【0005】

現行のチャンバ整合化技法の大部分は、マルチバリアントセンサデータに対して複雑な特徴エンジニアリングを実行することができるように、チャンバの深い理解を必要とし、したがって、あまりに手順依存であること、スケールアップがあまりにゆっくりであること、ならびに開発および保守があまりに高額であることという欠点を有する。さらに、現行の技法の大部分は、マルチチャンバ整合化を同時に取り扱うことができない。

【0006】

したがって、より正確なチャンバ整合化手法を提供する方法が求められている。

【課題を解決するための手段】

【0007】

半導体基板を処理する処理チャンバを整合させる方法が開示される。一実施態様では、この方法が、仕様の範囲内にある第１の処理チャンバの１つまたは複数のセンサの入力時系列データの第１のセットをニューラルネットワークに供給して、出力時系列データの対応する第１のセットを生成することにより、ニューラルネットワークを訓練することを含む。この方法は、入力時系列データの第１のセットと出力時系列データの対応する第１のセットとの間の第１の誤差を計算することをさらに含む。この方法は、試験下の第２の処理チャンバに関連付けられた対応する１つまたは複数のセンサからの入力時系列データの第２のセットを訓練されたニューラルネットワークに供給して、出力時系列データの対応する第２のセットを生成することをさらに含む。この方法は、入力時系列データの第２のセットと出力時系列データの対応する第２のセットとの間の第２の誤差を計算することをさらに含む。この方法は、第２の誤差と第１の誤差の差が、しきい量（ｔｈｒｅｓｈｏｌｄ ａｍｏｕｎｔ）に等しいかまたはしきい量よりも大きいことに応答して、試験下の第２の処理チャンバは仕様の範囲内にある第１の処理チャンバと整合していないと宣言することをさらに含む。

【0008】

別の実施態様では、コンピュータシステムが提供され、このコンピュータシステムは、メモリと、半導体基板を処理する処理チャンバを整合させる方法を実行するように構成されたプロセッサとを備える。このコンピュータシステムは、仕様の範囲内にある第１の処理チャンバの１つまたは複数のセンサの入力時系列データの第１のセットをニューラルネットワークに供給して、出力時系列データの対応する第１のセットを生成することにより、ニューラルネットワークを訓練する。このコンピュータシステムは、入力時系列データの第１のセットと出力時系列データの対応する第１のセットとの間の第１の誤差を計算する。このコンピュータシステムは、試験下の第２の処理チャンバに関連付けられた対応する１つまたは複数のセンサからの入力時系列データの第２のセットを訓練されたニューラルネットワークに供給して、出力時系列データの対応する第２のセットを生成する。このコンピュータシステムは、入力時系列データの第２のセットと出力時系列データの対応する第２のセットとの間の第２の誤差を計算する。第２の誤差と第１の誤差の差が、しきい量に等しいかまたはしきい量よりも大きいことに応答して、このコンピュータシステムは、試験下の第２の処理チャンバは仕様の範囲内にある第１の処理チャンバと整合していないと宣言する。

【0009】

別の実施態様では、非一過性コンピュータ可読媒体が提供され、この非一過性コンピュータ可読媒体は、半導体基板を処理する処理チャンバを整合させる方法を実行するための命令を含む。この方法は、仕様の範囲内にある第１の処理チャンバの１つまたは複数のセンサの入力時系列データの第１のセットをニューラルネットワークに供給して、出力時系列データの対応する第１のセットを生成することにより、ニューラルネットワークを訓練することを含む。この方法は、入力時系列データの第１のセットと出力時系列データの対応する第１のセットとの間の第１の誤差を計算することをさらに含む。この方法は、試験下の第２の処理チャンバに関連付けられた対応する１つまたは複数のセンサからの入力時系列データの第２のセットを訓練されたニューラルネットワークに供給して、出力時系列データの対応する第２のセットを生成することをさらに含む。この方法は、入力時系列データの第２のセットと出力時系列データの対応する第２のセットとの間の第２の誤差を計算することをさらに含む。この方法は、第２の誤差と第１の誤差の差が、しきい量に等しいかまたはしきい量よりも大きいことに応答して、試験下の第２の処理チャンバは仕様の範囲内にある第１のチャンバと整合していないと宣言することをさらに含む。

【0010】

上に挙げた本開示の特徴を詳細に理解することができるように、上に概要を簡単に示した実施態様が、そのうちのいくつかが添付図面に示されている実施態様を参照することにより、より具体的に説明されていることがある。しかしながら、添付図面は、本開示の典型的な実施態様だけを示しており、したがって、添付図面を、本開示の範囲を限定するものとみなすべきではないことに留意すべきである。これは、本開示が、等しく有効な他の実施態様を受け入れる可能性があるためである。

【図面の簡単な説明】

【0011】

【図1】本開示の一実施形態による、基板処理用の複数の製造ツールを概略的に示す図である。

【図2】本開示の実施形態を実施することができるネットワーク環境を示す図である。

【図3】本開示の実施形態で使用されるディープオートエンコーダ（ｄｅｅｐ ａｕｔｏ－ｅｎｃｏｄｅｒ）を示す図である。

【図4】ディープオートエンコーダのアーキテクチャをモジュール方式で示す図である。

【図5】本開示の実施形態による、チャンバ整合化解析エンジンの構成要素を示す図である。

【図6】１つのゴールデンチャンバおよびゴールデンチャンバと同じタイプの試験下の１つの処理チャンバについて、半導体製造ツールのプロセスチャンバ間の不整合を検出する方法の一実施形態を示す図である。

【図7】１つのゴールデンチャンバおよびゴールデンチャンバと同じタイプの試験下の複数の処理チャンバについて、半導体製造ツールのプロセスチャンバ間の不整合を検出する方法の一実施形態を示す図である。

【図8】異なるタイプの複数のゴールデンチャンバおよびゴールデンチャンバとは異なる対応するタイプの試験の下の複数の処理チャンバについて、半導体製造ツールのプロセスチャンバ間の不整合を検出する方法の一実施形態を示す図である。

【図9】本開示の実施形態を実施することができる例示的なコンピュータシステムを示す図である。

【発明を実施するための形態】

【0012】

理解を容易にするため、可能な場合には、図に共通する同一の要素を示すために、同一の参照符号を使用した。特段の言及なしに、１つの実施態様の要素および特徴を別の実施態様に有益に組み込み得ることが企図される。

【0013】

以下の開示は、製造ツールの複数のセンサから受け取った時系列データの異常（ａｎｏｍａｌｙ）を検出する方法を説明する。以下の説明および図１～７には、本開示のさまざまな実施態様の完全な理解を提供するためのある詳細が記載されている。さまざまな実施態様の説明を不必要に不明瞭にすることを避けるため、以下の開示には、プラズマエッチングにしばしば関連するよく知られた構造およびシステムを記述する他の詳細が記載されていない。

【0014】

図に示された詳細、寸法、構成要素およびその他の特徴の多くは、特定の実施態様の例に過ぎない。したがって、他の実施態様は、本開示の趣旨または範囲から逸脱することなく、他の詳細、構成要素、寸法、角度および特徴を有することができる。さらに、下に記載された詳細のうちのいくつかの詳細がなくても、本開示のさらなる実施態様を実施することができる。

【0015】

生産装置の適正な動作を達成することは通常、処理前の装置の初期設定および構成と、処理中の装置のモニタリングおよび制御の両方を含む。プロセスチャンバに関して、この初期設定はチャンバ整合化を含みうる。上述のとおり、チャンバ整合化は、依頼されているチャンバの性能が知られている一組の良チャンバからのデータと比較される方法である。プロセスチャンバのモニタリングおよび制御に関しては、通常、欠陥検出法が使用される。チャンバ欠陥検出では、データをモニタリングおよび解析して、チャンバの知られている良（正常）動作からの振る舞い偏差（ｂｅｈａｖｉｏｒａｌ ｄｅｖｉａｔｉｏｎ）を識別する。

【0016】

チャンバ整合化によってプロセス装置（ｐｒｏｃｅｓｓ ｅｑｕｉｐｍｅｎｔ）の性能が確認（および補正）された後、プロセスをモニタリングおよび制御する方法を使用してチャンバを動作させることができる。このような方法は欠陥検出を含み、この欠陥検出では、データが、プロセスツールからモニタリングされ、振る舞い偏差に関して解析される。最も単純な手法の１つは、統計的プロセス制御（ｓｔａｔｉｓｔｉｃａｌ ｐｒｏｃｅｓｓ ｃｏｎｔｒｏｌ）、つまりＳＰＣを使用するものであり、このＳＰＣでは、ある量が、上および下制御限界に対してモニタリングされる。このような制御限界は、単純な固定値から複雑な定義を有する値までの範囲に及びうる。１つの量がある限界を超えた場合、そのチャンバは「不良（ｆａｕｌｔｅｄ）」とされ、処理は停止される。この手法は、基板が誤って処理されないことを保証し、そのため、この手法は、スクラップ損を低減させ、チャンバ操作者にこの問題を直ちに知らせる。基板処理のための手順を実行する場合、このＳＰＣ手法は制限される。これは、基板を処理する間、処理チャンバは、その動作空間の異なる一連の領域で動作するためである。単純なＳＰＣ法を用いて手順実行（および振る舞い）の動態を追跡することは難しい。

【0017】

製造環境において、プロセス手順は通常、限界寸法（ｃｒｉｔｉｃａｌ ｄｉｍｅｎｓｉｏｎ）（ＣＤ）およびエッチング速度（ｅｔｃｈ ｒａｔｅ）（ＥＲ）などの計測値（ｍｅｔｒｏｌｏｇｙ ｖａｌｕｅ）を整合させるように調整されている。しかしながら、この手法では、少なくとも、試験および計測のために、処理された基板をプロセスラインから取り出す必要があり、その結果、生産性が失われる。さらに、本来、いくつかの計測技法は破壊的であり、その結果、エッチング速度（ＥＲ）を検証するため、よりいっそう重要には限界寸法（ＣＤ）を検証するために基板が破壊されることにより、収益が失われる。処理された基板を計測ステーションに送る時間消費的な輸送、またはよりいっそうコストがかかる破壊的な計測技法なしでチャンバ整合化およびプロセス調整を確認することを可能にするであろう診断が求められている。そのような新規の診断は、プラズマ処理チャンバ上の既存のセンサから集められたデータを、チャンバ整合化ならびに仕様の範囲内の限界寸法（ＣＤ）およびエッチング速度（ＥＲ）を保証する目的に活用するであろう。

【0018】

先行技術のチャンバ整合化では、モジュールレベルのセンサ値を整合させること、例えば整合ネットワーク上のキャパシタンス位置を整合させることが、デバイス生産中のプラズマパラメータの整合化、したがって生産されるデバイスの特性を保証しない。通常、センサ間変動が、センサ値の直接整合化を有用にするのを妨げる。さらに、統計学的欠陥検出システムの使用は、正常状態と異常状態の間、例えば正常プラズマ状態と異常プラズマ状態の間に、処理されたデバイスから取得されたＣＤ計測データによって定義されるユーザ定義の境界を定義することを要求する。（制御および測定された）パラメータと限界寸法（ＣＤ）との間の直接リンクは存在しないため、そのようなシステムは欠陥を過剰診断する傾向がある。言い換えると、実際に、生産されたデバイスが依然として仕様の範囲内にあるときの欠陥検出の頻度が増大する可能性がある。例えば、パラメータのある良性の変動が偽の欠陥検出を引き起こしうる。あるいは、チャンバ整合化、保守後シーズニングなどの用途に関して、生産されたデバイスの特性に有害でないあるパラメータのわずかな不整合によって、保守担当者が、そのチャンバを長期間、生産に復帰させないことが起こる可能性があり、このことが、不必要な収益損につながる可能性がある。上記の短所に対処するため、本明細書に記載された実施形態は、正常状態と不良なまたは整合していないチャンバ状態との間のより信頼性の高い境界を確立する。

【0019】

シリコン基板上での集積回路の製造は、複数の処理チャンバを含む単一の処理システムまたは「ツール」内で実行することができる異なる一連の処理操作を含む。さらに、これらの多数のシリコン基板処理操作は、１つの時間にわたって実行される。プロセスは、第１の操作から第２の操作への遷移を含むことがある。時系列トレースデータは、遷移（例えば時系列遷移）を含む１つの時間にわたって集められたデータである。試験下のチャンバの限界寸法および製造処理、例えばエッチング速度の測定に関連したセンサの時系列トレースデータは、「ゴールデン」チャンバ、つまり仕様の範囲内にあることが分かっているチャンバの対応する時系列データと比較するための代理の役目を果たすことができる。

【0020】

時系列トレースデータ解析は、チャンバ整合化で使用するプロセスセンサ時系列トレースデータの時系列異常をモニタリングする能力を提供する。時系列トレースデータ解析は、従来の方法によっては検出できない稀な、奇妙なおよび／または予期しないシーケンス（例えば、時系列トレースデータの曲線（サンプルに対してプロットされた値）の形状、振幅、位置など）を検出することができる。一実施形態では、ディープオートエンコーダ型のニューラルネットワークが、訓練時系列トレースデータの再構成誤差を最小化するように訓練される。サーバが、仕様の範囲内にあることが分かっている第１の処理チャンバの１つまたは複数のセンサの入力時系列データの第１のセットをニューラルネットワークに供給して、訓練後の出力時系列データ（ｔｒａｉｎｅｄ ｏｕｔｐｕｔ ｔｉｍｅ－ｓｅｒｉｅｓ ｄａｔａ）の対応する第１のセットを生成するように構成される。このサーバはさらに、入力時系列データの第１のセットと訓練後の出力時系列データの対応する第１のセットとの間の第１の誤差を計算するように構成される。このサーバはさらに、試験下の第２の処理チャンバに関連付けられた対応する１つまたは複数のセンサからの入力時系列データの第２のセットを、訓練されたニューラルネットワークに供給して、出力時系列データの対応する第２のセットを生成するように構成される。このサーバはさらに、入力時系列データの第２のセットと出力時系列データの対応する第２のセットとの間の第２の誤差を計算するように構成される。第２の誤差と第１の誤差の差が、しきい量に等しいかまたはしきい量よりも大きい場合、このサーバは、試験下の第２の処理チャンバは仕様の範囲内にある第１の処理チャンバと整合していないと宣言する。

【0021】

図１は、本開示の一実施形態による、チャンバ整合化を含む基板処理用の製造ツール１０１を概略的に示している。プロセスシーケンスを実行するように構成された他のツールで、本明細書に記載された方法を実施することも企図される。例えば、図１に具体的に示された製造ツール１０１は、米カリフォルニア州Ｓａｎｔａ ＣｌａｒａのＡｐｐｌｉｅｄ Ｍａｔｅｒｉａｌｓ，Ｉｎｃ．から販売されているＥＮＤＵＲＡ（登録商標）クラスタツールである。

【0022】

製造ツール１０１は、そこからデータを取得することができる１つまたは複数のツールを代表している。製造ツール１０１は、真空密構造（ｖａｃｕｕｍ－ｔｉｇｈｔ）の一組の処理チャンバおよびファクトリインターフェース１０２を含む。複数の処理チャンバ１０８、１１０、１１４、１１２、１１６、１１８は個々の処理ステップを実行する。ファクトリインターフェース１０２は、ロードロックチャンバ１２０によって移送チャンバ１０４に結合されている。

【0023】

一実施形態では、ファクトリインターフェース２０２が、少なくとも１つのドッキングステーション、少なくとも１つの基板移送エンドエフェクタ１３８、および少なくとも１つの基板アライナ（ａｌｉｇｎｅｒ）１４０を備える。ドッキングステーションは、フロントオープニングユニファイドポッド（ｆｒｏｎｔ ｏｐｅｎｉｎｇ ｕｎｉｆｉｅｄ ｐｏｄ）（ＦＯＵＰ）１２８を受け入れるように構成されている。図１の実施形態には２つのＦＯＵＰ１２８Ａ、１２８Ｂが示されている。基板移送エンドエフェクタ１３８は、ファクトリインターフェース１０２からロードロックチャンバ１２０に基板を移送するように構成されている。

【0024】

ロードロックチャンバ１２０は、ファクトリインターフェース１０２に結合された第１のポートおよび第１の移送チャンバ１０４に結合された第２のポートを有する。ロードロックチャンバ１２０は圧力制御システムに結合されており、圧力制御システムは、移送チャンバ１０４の真空環境とファクトリインターフェース１０２の実質的な周囲環境（例えば大気環境）との間で基板を移送することを容易にするために、必要に応じてチャンバ１２０を減圧し、チャンバ１２０に通気する。

【0025】

第１の移送チャンバ１０４内および第２の移送チャンバ１０３内にはそれぞれ、第１のエンドエフェクタ１０７および第２のエンドエフェクタ１０５が配されている。エンドエフェクタ１０５、１０７間での基板の移送を容易にするために、移送チャンバ１０４には２つの基板移送プラットホーム１０６Ａは、１０６Ｂが配されている。それぞれの移送チャンバ１０３、１０４内において異なる動作圧力を維持することを可能にするために、プラットホーム１０６Ａ、１０６Ｂは、移送チャンバ１０３、１０４に対して開くこともでき、または移送チャンバ１０３、１０４から選択的に分離する（すなわち封鎖する）こともできる。

【0026】

第１の移送チャンバ１０４内に配されたエンドエフェクタ１０７は、ロードロックチャンバ１２０、処理チャンバ１１６、１１８および基板移送プラットホーム１０６Ａ、１０６Ｂ間で基板を移送することができる。第２の移送チャンバ１０３内に配されたエンドエフェクタ１０５は、基板移送プラットホーム１０６Ａ、１０６Ｂと処理チャンバ１１２、１１４、１１０、１０８との間で基板を移送することができる。

【0027】

一実施形態では、処理チャンバ１０８、１１０、１１４、１１２、１１８、１１６のうちの１つまたは複数の処理チャンバ（例えば１１０）を、１つまたは複数の「ゴールデンチャンバ」として指定されることができ、一方、残りのチャンバ１０８、１１４、１１２、１１８、１１６は、ゴールデンチャンバに対して整合させる試験下の処理チャンバである。別の実施形態では、全ての処理チャンバ１０８、１１０、１１４、１１２、１１８、１１６を試験下の処理チャンバとして指定することができる。処理チャンバ１０８、１１０、１１４、１１２、１１８、１１６のうちの１つまたは複数の処理チャンバを試験するために、１つまたは複数の別個のゴールデンチャンバ（図示せず）を提供することができる。別の実施形態では、サーバ（図示せず）が処理チャンバ１０８、１１０、１１４、１１２、１１８、１１６から取得されたトレースデータと比較するために、１つまたは複数のタイプの１つまたは複数のゴールデンチャンバから取得されたトレースデータをデータベースに記憶することができ、本明細書において後に論じるニューラルネットワークを使用したサーバによるチャンバ整合化のために処理することができる。

【0028】

いくつかの実施形態では、製造ツール１０１が、製造実行システム（ｍａｎｕｆａｃｔｕｒｉｎｇ ｅｘｅｃｕｔｉｏｎ ｓｙｓｔｅｍ）（ＭＥＳ）に関連付けられている。このデータは、例えば、さまざまなセンサの時系列トレースを含むことができる。サーバなどの中央位置でこのデータを集計および解析することができ、このデータを使用して、チャンバの整合または不整合を、時系列トレースデータに基づいてリアルタイムで検出することができる。

【0029】

時系列トレースデータの異常が検出された結果として識別された問題に関して必要に応じて補正処置（ｃｏｒｒｅｃｔｉｖｅ ａｃｔｉｏｎ）をとることができるように、このトレースデータを、サーバから、解析することができるＭＥＳに提供することができる。この異常の検出は、チャンバ間の不整合の宣言に帰着する。サーバはさらに、データの解析に基づいて（例えばセンサの時系列トレースデータと基板のパラメータを測定する他のセンサから取得された計測データとの間の相関を識別することに基づいて）、とるべき適切な補正処置を決定することができ、補正処置を実行するための命令を提供することができる。いくつかの実施形態では、ＭＥＳが、予測情報に基づいて、補正処置（例えばリソグラフィツールのパラメータを再較正または調整すること、基板に対する製造プロセスを部分的にやり直すこと、または他の適当なコンピューティングデバイス）を自動的にとることができる。ある種の実施形態では、予測情報が、基板の１つまたは複数のパラメータに関する問題を識別した場合に、基板を（例えば計測ツールを使用して）解析することによって、その問題を検証することができる。基板を解析することによって問題が確認された場合には、補正処置を（例えば手動でまたはＭＥＳによって自動的に）とることができる。

【0030】

図２は、本開示の実施形態を実施することができるネットワーク環境２００を示している。示されているとおり、ネットワーク環境２００は、ネットワーク２１０を介して別のサーバ２３０に接続されたサーバ２２０を含み、サーバ２３０は、１つまたは複数の製造ツール１０１に接続されている。ネットワーク２１０は例えばインターネットを含むことができる。別の実施形態ではさらに、製造ツール１０１がサーバ２２０に直接に接続されている。

【0031】

サーバ２２０は、ラックサーバ、デスクトップもしくはラップトップコンピュータ、移動電話、タブレットまたは他の適当なコンピューティングデバイスなどのコンピューティングデバイスを含むことができる。示されているとおり、サーバ２２０は、チャンバ整合化解析エンジン２２２を含み、チャンバ整合化解析エンジン２２２は、チャンバを整合させることに関する決定および予測を実施することに関係した本明細書に記載された操作を実行することができる。チャンバ整合化解析エンジン２２２は、データ源２０６Ａ～Ｎ（例えばセンサ）を識別する。データ源２０６Ａ～Ｎ（例えばセンサ）は、システムを定義し、かつ／または製造ツール１０１などのシステムをモニタリングするために使用される。

【0032】

例えば、チャンバ整合化解析エンジン２２２は、チャンバの整合または不整合を検出、解析および検証するために、ＭＥＳ２３２から受け取った時系列センサデータまたは製造ツール１０１から直接に受け取った時系列センサデータを解析することができる。

【0033】

例えば、チャンバ整合化解析エンジン２２２は、１つまたは複数の処理チャンバのセンサトレースデータと、データベース２４０に記憶された対応するゴールデンチャンバの対応するセンサトレースデータとの不整合を検出するために、ＭＥＳ２３２から受け取ったプロセスおよび基板センサ情報、または製造ツール１０１内に適用されたセンサから直接に受け取ったプロセスおよび基板センサ情報を解析することができる。いくつかの実施形態では、サーバ２２０およびデータベース２４０が製造ツール１０１から分離している。他の実施形態では、サーバ２２０およびデータベース２４０を製造ツール１０１の部分とすることができ、またはオフラインサーバとすることができる。

【0034】

例えば、チャンバ整合化解析エンジン２２２は、シリコン基板を処理するように構成された製造ツール１０１に関連付けられた複数のセンサから集められた、温度、ガス流量またはＲＦ電源電流などを表す、ＭＥＳ２３２からの時系列センサトレースデータを受け取ることができる。チャンバ整合化解析エンジン２２２は、入力訓練時系列データの再構成誤差を最小化するように訓練されたディープオートエンコーダ型のニューラルネットワークを使用することができる。

【0035】

チャンバ整合化解析エンジン２２２は、製造ツール１０１のゴールデンチャンバから直接に取得された、またはゴールデンチャンバのトレースを記憶したデータベース２４０から取得された、仕様の範囲内にあることが分かっている第１の処理チャンバ（例えばゴールデンチャンバ）の１つまたは複数のセンサの入力時系列データの第１のセットを、ニューラルネットワークに供給して、訓練後の出力時系列データの対応する第１のセットを生成することができる。チャンバ整合化解析エンジン２２２はさらに、入力時系列データの第１のセットと訓練後の出力時系列データの対応する第１のセットとの間の第１の誤差を計算するように構成されている。チャンバ整合化解析エンジン２２２はさらに、試験下の第２の処理チャンバに関連付けられた対応する１つまたは複数のセンサからの入力時系列データの第２のセットを、訓練されたニューラルネットワークに供給して、出力時系列データの対応する第２のセットを生成するように構成されている。チャンバ整合化解析エンジン２２２はさらに、入力時系列データの第２のセットと出力時系列データの対応する第２のセットとの間の第２の誤差を計算するように構成されている。第２の誤差と第１の誤差の差が、しきい量に等しいかまたはしきい量よりも大きい場合、チャンバ整合化解析エンジン２２２は、試験下の第２の処理チャンバは仕様の範囲内にある第１の処理チャンバと整合していないと宣言する。第２の誤差と第１の誤差の差がしきい量よりも小さい場合、チャンバ整合化解析エンジン２２２は、試験下の第２の処理チャンバは仕様の範囲内にある第１の処理チャンバと整合していると宣言する。

【0036】

一例では、計算された誤差が、チャンバのトレースデータの全分布の計算された平均２乗誤差である。しきい量は、カットオフ（ｃｕｔｏｆｆ）として、この平均２乗誤差に訓練再構成平均２乗誤差の３シグマを加えたものに設定することができる。チャンバ整合化解析エンジン２２２は、不整合の原因となった、試験下のチャンバの１つまたは複数の時系列トレースデータの異常の源を除去するための補正処置をとるように、製造システム（ＭＥＳ）２３２に命令することができる。

【0037】

チャンバ整合化解析エンジン２２２は、センサデータの将来の異常に関する予測情報をＭＥＳ２３２に提供することができる。いくつかの実施形態では、チャンバ整合化解析エンジン２２２がさらに、このデータに基づいて、プロセスまたは個々の基板に関してとるべき補正処置を決定することができる。例えば、チャンバ整合化解析エンジン２２２は、ある種の基板パラメータ問題に相関した、温度センサに関連した測定された異常と、ツールパラメータとの間の相関を識別すること、およびそのツールパラメータをある量だけ調整すべきであると判定することができる。さらに、チャンバ整合化解析エンジン２２２は、予測される１つまたは複数のパラメータを許容範囲に入れるために基板上で実行すべき処置（例えばオーバレイマークの補正、基板のストリッピングおよび再コーティングなど）を決定することができる。

【0038】

基板品質に関するパラメータについての予測情報は、担当者またはＭＥＳ２３２が製造プロセスを改良することを可能にすることができる（例えば、予測可能な特性を達成するためにリソグラフィ、エッチング、堆積および平坦化を改良することができる）。

【0039】

サーバ２３０は、ラックサーバ、デスクトップもしくはラップトップコンピュータ、移動電話、タブレットまたは他の適当なコンピューティングデバイスなどのコンピューティングデバイスを含むことができる。示されているとおり、サーバ２２０はＭＥＳ２３２を含み、ＭＥＳ２３２は、シリコン基板の製造を管理することに関係した本明細書に記載された操作を実行することができる。例えば、ＭＥＳ２３２は、製造ツール１０１によって実行されるプロセスを調整することができ、製造ツール１０１からのデータ（例えばツールパラメータ、厚さ、光学反射率、吸収率、強度、オーバレイおよびアライメントデータ、基板を横切る限界寸法の変動など）、ならびに製造ツール１０１によって使用されるセンサからの時間トレースを集めることができる。いくつかの実施形態では、このデータを、製造プロセスが実行されたときの時間の経過に伴うセンサの振る舞いを表す時系列トレースとすることができる。ＭＥＳ２３２は、この情報を、チャンバ整合化解析エンジン２２２に（例えばネットワーク２１０を介して）提供することができ、チャンバ整合化解析エンジン２２２は、この情報を解析すること、および不整合の検出の検証を提供することができる。いくつかの実施形態では、チャンバ整合化解析エンジン２２２が、個々の欠陥、製造ツール１０１または製造プロセスのその他の態様に対してとるべき補正処置に関する命令をＭＥＳ２３２に提供することができる。ある種の実施形態では、ある種のタスクを実行するように製造ツール１０１内の個々のチャンバの個々のセンサに命令すること（例えば、アライメント欠陥を補正するために基板のストリッピングおよび再コーティングを実行するようにリソグラフィツールに命令すること、または１つもしくは複数のパラメータを変更するように堆積ツールに命令すること）などにより、ＭＥＳ２３２が補正処置を自動的にとる。

【0040】

製造ツール１０１は、シリコン基板を製造することに関係したプロセスを実行する１つまたは複数のチャンバを含むことができる。例えば、製造ツール１０１は、リソグラフィチャンバ、エッチングチャンバ、堆積チャンバおよび平坦化チャンバを含むことができる。製造ツール１０１は、命令を受け取るため、および特定のチャンバ内のセンサからのデータ（例えば、製造中にセンサによって経時的に捕捉され、１つまたは複数のセンサによって出力された、基板のパラメータに関連した値を表す時系列データ）を提供するために、ＭＥＳ２３２と通信することができる。

【0041】

本開示の実施形態は、ディープオートエンコーダとして知られている人工ニューラルネットワークアーキテクチャを使用する。人工ニューラルネットワークは、人間の脳の神経回路網の動作原理から発想を得た機械学習モデルであり、分類および機能近似の問題に広範囲に適用されている。ディープラーニングは、タスク特定のアルゴリズムとは対照的な、データ表現を学習することに基づくより幅広い一群の機械学習法の部分である。ディープラーニングは、非線形処理ユニットの多数の層のカスケードを使用して入力データの特徴抽出および変形を実行する、機械学習アルゴリズムの一種である。それらの多数の層の連続するそれぞれの層は、直前の層からの出力を入力として使用する。次いで、それらの多数の層は、通常は教師なし（例えばパターン解析）方式で次元を低減させるために、一組の入力データの表現（エンコーディング）を学習するように訓練される。

【0042】

ディープオートエンコーダは、隠れノード（ｈｉｄｄｅｎ ｎｏｄｅ）の１つまたは複数の層を有するディープラーニングフィードフォワードニューラルネットワークの一型であり、隠れノードのうち、連続層のノードの数は通常、エンコーディング側半分の入力ノードよりも少なく、デコーディング側半分は通常、エンコーディング側半分に対して鏡面対称である構造を有する。ディープオートエンコーダのこの構造は、埋め込まれたニューラルネットワークが、ゴールデンチャンバまたは仕様の範囲内にあるチャンバの非異常入力センサトレースから導き出された一組の訓練データに対応する入力データの最良の表現を学習すること、および入力データを、入力センサトレースに対応する出力データとして再構成することを手助けする。一実施形態では、ディープオートエンコーダが、非異常センサトレースデータのランを用いて、ディープオートエンコーダの出力において入力センサトレースデータを再現するのに必要な、再構成誤差を最小化する最小限の一組の特徴を学習するように訓練される。より詳細には、この学習は、学習問題を解決しているときに性能が最大化されるような層間の接続重みを決定するプロセスである。この表現は、それぞれのセンサトレースのノーマルシグネチャ（ｎｏｒｍａｌ ｓｉｇｎａｔｕｒｅ）である。それに応じて、オートエンコーダは、入力と全く同じ出力を生成する。

【0043】

図３は、本開示の実施形態で使用されるディープオートエンコーダ３００を示している。ディープオートエンコーダ３００への入力データ３０２は、製造ツール１０１に関連付けられた複数のセンサの複数の時系列トレースデータの行列表現から、またはデータベース２４０に記憶された１つもしくは複数のゴールデンチャンバから導き出されたセンサトレースのタイムスライスを含む。ディープオートエンコーダ３００は、入力層３０４、１つまたは複数の隠れ層（ｈｉｄｄｅｎ ｌａｙｅｒ）３０６、中央ボトルネック層３０８、出力層３１０、およびこれらの層間の完全な一組の接続３１２を含むことができる。隠れ層３０６の構造はボトルネック層３０８に関して対称であり、ボトルネック層３０８は、最も少数のノードを有する。ボトルネック層３０８は、ニューラルネットワーク３００が、入力データ３０２を表す限られた数の特徴を抽出することによって、出力データ３１４に再構成される入力データ３０２の最小限の表現を見つけるのを助けるために使用される。設計者は、ディープオートエンコーダ３００内の層の数、およびそれぞれの層にいくつのノードを配するのかを定義するだけでよい。ディープオートエンコーダ３００は、ゴールデンチャンバからの異常を含まないトレースデータ例を用いて訓練される。ディープオートエンコーダ３００は、入力データ３０２に対応する複数のトレースの再構成物である出力データ３１４を生成するように構成されており、出力データ３１４は、入力トレースに対する最小化された再構成誤差（例えば平均２乗誤差（ｍｅａｎ ｓｑｕａｒｅｄ ｅｒｒｏｒ）ないしＭＳＥ）を有する。一例では、再構成誤差を最小化することが、ニューラルネットワーク３００に供給された訓練時系列トレースデータとニューラルネットワーク３００の出力トレースデータとの間の平均２乗誤差を最小化する。再構成誤差は、入力センサトレースを再現するのに必要な、訓練中にディープオートエンコーダ３００によって学習された大域および時間不変特徴（ｇｌｏｂａｌ ａｎｄ ｔｉｍｅ ｉｎｖａｒｉａｎｔ ｆｅａｔｕｒｅｓ）の最小セットに関して最小化される。

【0044】

再構成誤差の最小化は、例えば入力トレースに対応する入力データ３０２の大域および時間不変特徴をどのように識別するのかを学習することによって、ディープオートエンコーダ３００が次元低減に関与することを強制する。ディープオートエンコーダ３００は、入力層３０４からのデータを圧縮して短いコードにし、次いでそのコードの圧縮を解いて、元の入力データ３０２と密接に整合するデータにするように学習する。

【0045】

ディープオートエンコーダ３００は、実データに対して使用する前に訓練される。ディープオートエンコーダの訓練アルゴリズムは、次のように要約することができる：それぞれの入力について、フィードフォワードパスを実行し、全ての隠れ層、次いで出力層におけるアクティベーション（ａｃｔｉｖａｔｉｏｎ）を計算して、出力を得、再構成誤差を最小化する入力からの偏差（例えば平均２乗誤差）を測定する。次いで、ディープオートエンコーダ３００のノードを通して誤差をバックプロパゲートし、重み更新を実行する。これに応じて、隠れ層３０６の隠れノードが、再構成誤差を最小化することによって、出力において入力を再構成するように訓練される。その結果として、隠れノードは、入力トレースを再現するのに必要な入力トレースの大域および時間不変特徴を学習する。再構成誤差（例えば平均２乗誤差ないしＭＳＥ）の最小化は、対応するセンサ信号を出力するディープオートエンコーダ３００を与える。

【0046】

図４は、ディープオートエンコーダ３００のアーキテクチャ４００をモジュール方式で示している。ディープオートエンコーダ３００を訓練するのに必要な、または実際のトレースランを試験するのに必要な多数のセンサ時系列トレースデータは、チャンバ整合化解析エンジン２２２に含まれるディープオートエンコーダ３００に供給される前に、チャンバ整合化解析エンジン２２２によって前処理される。前処理は、それぞれの時系列トレースデータを［０，１］の範囲に正規化することを含む（最小－最大正規化（ｍｉｎ－ｍａｘ ｎｏｒｍａｌｉｚａｔｉｏｎ）、（ｘ－最小値）／（最大値－最小値））。この方法の展開では、最小最大値が、訓練ランだけに由来するものである。前処理はさらに、複数のタイムスタンプにおけるそれぞれの入力時系列トレースデータの複数のローリング時間窓（ｒｏｌｌｉｎｇ ｔｉｍｅ ｗｉｎｄｏｗ）４０４（部分行列）を、全てのセンサからの全てのタイムスタンプに対する入力時系列トレースデータの値／タイムスタンプ対を含む行列４０２から抽出すること、および値／タイムスタンプデータＶ_ijの複数のローリング時間窓４０４を、入力データとしてディープオートエンコーダ３００に供給することを含む。

【0047】

行列４０２の次元は、ローリング時間窓４０４の長さ（ｗ）およびステップサイズによって決まる。この長さおよびステップサイズは、ディープラーニングモデルのハイパーパラメータである。

【0048】

複数のローリング時間窓４０４から、値Ｖ_li－Ｖ_w1からＶ_ln－Ｖ_wnの行が、チャンバ整合化解析エンジン２２２によってディープオートエンコーダ３００に供給される。ディープオートエンコーダ３００によって、バックプロパゲーションおよび訓練（無欠陥）データに基づく確率的勾配降下法により、入力トレースデータ３０２の最小の大域および時間不変特徴セットが学習される。ディープオートエンコーダのノード３０４、３０６、３０８は、ローリング窓データ４０４をエンコードし、ローリング窓データ４０４を圧縮し、層３０８～３１２においてローリング窓データをデコード／圧縮解除して、再構成された入力トレース値の出力行をタイムスタンプごとの出力トレース値４０８（Ｏ_li－Ｏ_(w1からＯ_ln－Ｏ_wn)）として生成する。試験の間、層３０４～３１０内のノード４０６の鎖全体が、フィードフォワード方式でリアルタイムで操作され、時間窓に対するＲＭＳ再構成誤差を提供する。

【0049】

一実施形態では、ディープオートエンコーダ３００が、オプティマイザ（ｏｐｔｉｍｉｚｅｒ）を使用したゴールデンチャンバの正常なランを用いて訓練される。そのような１つのオプティマイザは、適応モーメント推定（ａｄａｐｔｉｖｅ ｍｏｍｅｎｔ ｅｓｔｉｍａｔｉｏｎ）（Ａｄａｍ）オプティマイザである。Ａｄａｍオプティマイザは、より低次のモーメントの適応推定に基づく、確率的目的関数の１次勾配ベースの最適化のためのアルゴリズムである。全てのセンサにわたる時間窓の平均再構成誤差（例えば平均２乗誤差）は、時間窓が公称状態からどれくらい離れているかを表し、異常の指標として使用される。

【0050】

他の実施形態では、層数、それぞれの層にいくつのノードがあるか、ローリング窓サイズ、ニューラルネットワークのアクティブ化機能などに基づく他のネットワーク構造ハイパーパラメータを使用することができる。

【0051】

最小特徴セットを学習した後、時系列トレースデータの実際の一組のランがディープオートエンコーダ３００に供給され、ディープオートエンコーダ３００は次いで、同じローリング窓技法およびディープオートエンコーダ３００圧縮／圧縮解除技法を使用して、入力データ３０２の最小再構成誤差バージョンに対応する出力データ３１４を生成する。チャンバ整合化解析エンジン２２２は次いで、製造ツール１０１またはゴールデンチャンバに対する複数のセンサのセンサごとに、入力時系列トレースに対応する再構成された入力データを表す出力データ４０８（Ｏ_li－Ｏ_w1からＯ_ln－Ｏ_wn）と、元の時系列トレースに対応する入力データ３０２（Ｖ_li－Ｖ_w1からＶ_ln－Ｖ_wn）との間の平均２乗誤差を計算する。チャンバ整合化解析エンジン２２２は次いで、入力時系列トレースに対応する再構成された入力データを表す出力データ（Ｏ_li－Ｏ_w1からＯ_ln－Ｏ_wn）と、試験の下の製造ツール１０１の入力データ３０２（Ｖ_li－Ｖ_w1からＶ_ln－Ｖ_wn）との間の平均２乗誤差、および入力時系列トレースに対応する再構成された入力データを表す出力データ（Ｏ_li－Ｏ_w1からＯ_ln－Ｏ_wn）と、データベース２４０から取得されたゴールデンチャンバの入力データ３０２（Ｖ_li－Ｖ_w1からＶ_ln－Ｖ_wn）との間の対応する平均２乗誤差を計算する。製造ツール１０１のチャンバの平均２乗誤差が、ゴールデンチャンバの平均２乗誤差よりも所定のしきい値だけ大きい場合、チャンバ整合化解析エンジン２２２は、ゴールデンチャンバと選択された１つのチャンバとの間の不整合を宣言する。

【0052】

個々の平均２乗誤差タイムスタンプ値ＭＳＥ_ij（４１０）は、平均２乗誤差計算の全体に寄与する。入力時系列データがｖ₁、ｖ₂、．．．、ｖ_tであるとすると、訓練されたニューラルネットワークモデルにデータが当てはめられた後、再構成された出力は、同じ大きさの時系列ｏ₁、ｏ₂、．．．、ｏ_tを有する。次いで、２乗再構成誤差ＭＳＥ＝Σ（ｏ_ij－ｖ_ij）²が計算される。それぞれのタイムスタンプは２乗誤差値を有する。異常スコアとして、窓内の２乗誤差の平均が取得される。

【0053】

次いで、タイムスタンプごとのラン当たり（またはステップ当たり）の２乗誤差の平均を集計することができる。このラン当たり（またはステップ当たり）の平均２乗誤差があるしきい値よりも大きい場合、そのラン（またはステップ）は、所与のセンサにおいて異常であると宣言される。

【0054】

図５は、本開示の実施形態による、チャンバ整合化解析エンジン２２２の構成要素を示している。示されているとおり、チャンバ整合化解析エンジン２２２はデータ取得モジュール５１０を含み、データ取得モジュール５１０は、ＭＥＳ２３２から（例えばネットワーク２１０を介して）データを取得すること、またはデータベース２４０からデータを取得することができる。代替実施形態では、データ取得モジュール５１０が、製造ツール１０１のチャンバ内のセンサから直接に時系列トレースデータを取得し、またはゴールデンチャンバを表すデータベース２４０から間接的に時系列トレースデータを取得する。チャンバ整合化解析エンジン２２２はさらにデータ前処理モジュール５２０を含み、データ前処理モジュール５２０は、図６に記載された方法に従って、時系列トレースを前処理すること、それらのトレースをタイムスライスすること、およびそれらのタイムスライスをディープオートエンコーダ３００に供給することができる。チャンバ整合化解析エンジン２２２はさらに不整合検証モジュール５３０を含み、不整合検証モジュール５３０は、ディープオートエンコーダ３００を使用して、製造ツール１０１の試験下のチャンバとデータベース２４０に記憶されたゴールデンチャンバデータとの間に不整合があるかどうかを判定する。試験下のチャンバの再構成された出力時系列トレースと対応する入力時系列トレースとの間の平均２乗誤差の差が、ゴールデンチャンバの再構成された出力時系列トレースと対応する入力時系列トレースとの間の平均２乗誤差の差よりも、所定のしきい量だけ大きいかどうかに基づいて、試験下のチャンバとゴールデンチャンバの間の不整合が宣言される。チャンバ整合化解析エンジン２２２はさらに送信モジュール５４０を含み、送信モジュール５４０は、センサ情報および補正命令などのデータを、ＭＥＳ２３２に（例えばネットワーク２１０を介して）送信すること、または他の送信先に送信することができる。

【0055】

別の実施形態では、図７に関して後に説明するように、チャンバ整合化解析エンジン２２２が、１つのゴールデンチャンバに関する半導体製造ツール１０１のプロセスチャンバとそのゴールデンチャンバと同じタイプの試験下の複数の処理チャンバとの間の不整合を検出することができる。別の実施形態では、図８に関して後に説明するように、チャンバ整合化解析エンジン２２２が、複数のタイプの複数のゴールデンチャンバに関する半導体製造ツール１０１のプロセスチャンバとそのゴールデンチャンバとは異なる複数のタイプの試験下の複数の処理チャンバとの間の不整合を検出することができる。

【0056】

図６は、１つのゴールデンチャンバおよびゴールデンチャンバと同じタイプの試験下の１つの処理チャンバについて、半導体製造ツール１０１のプロセスチャンバ間の不整合を検出する方法６００の一実施形態を示している。方法６００は、ハードウェア（例えば回路、専用論理、プログラム可能論理、マイクロコードなど）、ソフトウェア（例えば処理デバイス上でランされる命令）またはこれらの組合せを含むことができる処理論理によって実行することができる。一実施形態では、方法６００が、図２のチャンバ整合化解析エンジン２２２によって実行される。

【0057】

ブロック６０５で、チャンバ整合化解析エンジン２２２は、仕様の範囲内にある第１の処理チャンバ（例えばゴールデンチャンバ）の１つまたは複数のセンサの入力時系列データの第１のセットをニューラルネットワーク３００に供給して、出力時系列データの対応する第１のセットを生成することにより、ニューラルネットワーク３００を訓練する。ブロック６１０で、チャンバ整合化解析エンジン２２２は、入力時系列データの第１のセットと出力時系列データの対応する第１のセットとの間の第１の誤差を計算する。一例では、第１の誤差が平均２乗誤差である。

【0058】

ブロック６１５で、チャンバ整合化解析エンジン２２２は、試験下の（例えば製造ツール１０１の）第２の処理チャンバに関連付けられた対応する１つまたは複数のセンサからの入力時系列データの第２のセットを訓練されたニューラルネットワーク３００に供給して、出力時系列データの対応する第２のセットを生成する。

【0059】

それぞれの入力時系列トレースデータは最小－最大正規化されている。前処理はさらに、全てのセンサからの入力時系列トレースの全ての瞬間のタイムスライスを含む行列から、それぞれの入力時系列トレースの１つの瞬間の入力タイムスライスを抽出すること、およびそのタイムスライスを入力データとしてディープオートエンコーダ３００に供給することを含む。チャンバ整合化解析エンジン２２２はさらに、全てのセンサからの入力時系列トレースのタイムスライスを含む行列から１つの入力ベクトルを抽出し、そのタイムスライスを入力データとしてニューラルネットワーク３００に供給する。

【0060】

ブロック６２０で、チャンバ整合化解析エンジン２２２は、入力時系列データの第２のセットと出力時系列データの対応する第２のセットとの間の第２の誤差を計算する。一実施形態では、この誤差が平均２乗誤差である。ブロック６２５で、第２の誤差と第１の誤差の差が、しきい量に等しいかまたはしきい量よりも大きい場合、ブロック６３０で、チャンバ整合化解析エンジン２２２は、試験下の第２の処理チャンバは仕様の範囲内にある第１の処理チャンバと整合していないと宣言する。ブロック６３５で、チャンバ整合化解析エンジン２２２は、不整合の宣言に応答して補正処置をとらせる。補正処置は例えば、警報を表示すること、可聴警報を発すること、ツールがさらなる処理を実行することを停止すること、または宣言された不整合の原因を除去するための補正処置をとるよう製造システムに命令することを含むことができる。

【0061】

ブロック６２５で、第２の誤差と第１の誤差の差がしきい量よりも小さい場合、ブロック６４０で、チャンバ整合化解析エンジン２２２は、試験下の第２の処理チャンバは仕様の範囲内にある第１の処理チャンバと整合していると宣言する。一例では、このしきい量を、カットオフとして、平均２乗誤差に訓練再構成平均２乗誤差の３シグマを加えたものに設定することができる。

【0062】

図７は、１つのゴールデンチャンバおよびゴールデンチャンバと同じタイプの試験下の複数の処理チャンバについて、半導体製造ツール１０１のプロセスチャンバ間の不整合を検出する方法７００の一実施形態を示している。方法７００は、ハードウェア（例えば回路、専用論理、プログラム可能論理、マイクロコードなど）、ソフトウェア（例えば処理デバイス上でランされる命令）またはこれらの組合せを含むことができる処理論理によって実行することができる。一実施形態では、方法７００が、図２のチャンバ整合化解析エンジン２２２によって実行される。

【0063】

ブロック７０５で、チャンバ整合化解析エンジン２２２は、仕様の範囲内にある、半導体基板を処理する第１の処理チャンバ（例えばゴールデンチャンバ）の１つまたは複数のセンサの入力時系列データの第１のセットをニューラルネットワーク３００に供給して、出力時系列データの対応する第１のセットを生成することにより、ニューラルネットワーク３００を訓練する。ブロック７１０で、チャンバ整合化解析エンジン２２２は、入力時系列データの第１のセットと出力時系列データの対応する第１のセットとの間の第１の誤差を計算する。一例では、第１の誤差が平均２乗誤差である。

【0064】

ブロック７１５で、チャンバ整合化解析エンジン２２２は、仕様の範囲内にある第１の処理チャンバと同じタイプの試験下の（例えば製造ツール１０１の）複数の第２の処理チャンバに関連付けられた対応する１つまたは複数のセンサからの入力時系列データの第２のセットを、訓練されたニューラルネットワークに供給して、出力時系列データの対応する複数の第２のセットを生成する。

【0065】

ブロック７２０で、チャンバ整合化解析エンジン２２２は、入力時系列データの複数の第２のセットと出力時系列データの対応する複数の第２のセットとの間の複数の第２の誤差を計算する。一実施形態では、これらの誤差が平均２乗誤差である。ブロック７２５で、複数の第２の誤差の和と第１の誤差との差が、しきい量に等しいかまたはしきい量よりも大きい場合、ブロック７３０で、チャンバ整合化解析エンジン２２２は、試験下の第２の複数の処理チャンバは仕様の範囲内にある第１の処理チャンバと整合していないと宣言する。ブロック７３５で、チャンバ整合化解析エンジン２２２は、試験下の１つまたは複数のチャンバを不良（ｆａｉｌｕｒｅ）の源として識別する。ブロック７４０で、チャンバ整合化解析エンジン２２２は、不整合の宣言に応答して補正処置をとらせる。補正処置は例えば、警報を表示すること、可聴警報を発すること、ツールがさらなる処理を実行することを停止すること、または宣言された不整合の原因を除去するための補正処置をとるよう製造システムに命令することを含むことができる。

【0066】

ブロック７２５で、複数の第２の誤差の重み付けされた和と第１の誤差との差がしきい量よりも小さい場合、ブロック７４５で、チャンバ整合化解析エンジン２２２は、試験下の複数のそれぞれの第２の処理チャンバは仕様の範囲内にある第１の処理チャンバと整合していると宣言する。一例では、このしきい量を、カットオフとして、平均２乗誤差に訓練再構成平均２乗誤差の３シグマを加えたものに設定することができる。

【0067】

図８は、異なるタイプの複数のゴールデンチャンバおよびゴールデンチャンバとは異なる対応するタイプの試験の下の複数の処理チャンバについて、半導体製造ツール１０１のプロセスチャンバ間の不整合を検出する方法８００の一実施形態を示している。方法８００は、ハードウェア（例えば回路、専用論理、プログラム可能論理、マイクロコードなど）、ソフトウェア（例えば処理デバイス上でランされる命令）またはこれらの組合せを含むことができる処理論理によって実行することができる。一実施形態では、方法８００が、図２のチャンバ整合化解析エンジン２２２によって実行される。

【0068】

ブロック８０５で、チャンバ整合化解析エンジン２２２は、仕様の範囲内にある、半導体基板を処理する複数の第１の処理チャンバ（例えば複数のゴールデンチャンバ）の１つまたは複数のセンサの入力時系列データの複数の第１のセットをニューラルネットワーク３００に供給して、出力時系列データの対応する複数の第１のセットを生成することにより、ニューラルネットワーク３００を訓練する。ブロック８１０で、チャンバ整合化解析エンジン２２２は、第１の入力時系列データの複数のセットと出力時系列データの対応する複数の第１のセットとの間の複数の第１の誤差を計算する。一例では、第１の誤差が平均２乗誤差である。

【0069】

ブロック８１５で、チャンバ整合化解析エンジン２２２は、仕様の範囲内にある第１の複数の処理チャンバとは異なるタイプの試験下の（例えば製造ツール１０１の）複数の第２の処理チャンバに関連付けられた対応する１つまたは複数のセンサからの入力時系列データの複数の第２のセットを、訓練されたニューラルネットワークに供給して、出力時系列データの対応する複数の第２のセットを生成する。

【0070】

ブロック８２０で、チャンバ整合化解析エンジン２２２は、入力時系列データの複数の第２のセットと出力時系列データの対応する複数の第２のセットとの間の複数の第２の誤差を計算する。一実施形態では、これらの誤差が平均２乗誤差である。ブロック８２５で、複数の第２の誤差の和と複数の第１の誤差の和との差が、しきい量に等しいかまたはしきい量よりも大きい場合、ブロック８３０で、チャンバ整合化解析エンジン２２２は、試験下の第２の複数の処理チャンバは仕様の範囲内にある第１の複数の処理チャンバと整合していないと宣言する。ブロック８３５で、チャンバ整合化解析エンジン２２２は、試験下の１つまたは複数のチャンバを不良の源として識別する。ブロック８４０で、チャンバ整合化解析エンジン２２２は、不整合の宣言に応答して補正処置をとらせる。補正処置は例えば、警報を表示すること、可聴警報を発すること、ツールがさらなる処理を実行することを停止すること、または宣言された不整合の原因を除去するための補正処置をとるよう製造システムに命令することを含むことができる。

【0071】

ブロック８２５で、複数の第２の誤差の和と第１の誤の和との差がしきい量よりも小さい場合、ブロック８４５で、チャンバ整合化解析エンジン２２２は、試験下の複数のそれぞれの第２の処理チャンバは仕様の範囲内にある複数のそれぞれの第１の処理チャンバと整合していると宣言する。一例では、このしきい量を、カットオフとして、平均２乗誤差に訓練再構成平均２乗誤差の３シグマを加えたものに設定することができる。

【0072】

図９は、本開示のいくつかの実施形態による、異常を検出および解析するために使用される例示的なコンピューティングシステム９００を示している。ある種の実施形態では、コンピュータシステム９００がサーバ２２０を表す。コンピュータシステム９００の態様が、本明細書に記載された技法を実行するために使用される他のデバイス（例えばサーバ２３０）を表すこともある。例えば、コンピューティングシステム９００は、パーソナルコンピュータ、産業用プロセッサ、パーソナルディジタルアシスタント、移動電話、モバイルデバイス、または本発明の１つもしくは複数の実施形態を実施するのに適した他の任意のデバイスであることができる。

【0073】

システム９００は、中央処理ユニット（ＣＰＵ）９０２およびシステムメモリ９０４を含み、これらはバス経路を介して通信し、バス経路は、メモリブリッジ９０５を含むことができる。ＣＰＵ９０２は１つまたは複数の処理コアを含み、動作において、ＣＰＵ９０２はシステム９００のマスタプロセッサであり、他のシステム構成要素の動作を制御および調整する。システムメモリ９０４は、ＣＰＵ９０２が使用するためのソフトウェアアプリケーション９０６およびデータを記憶している。ＣＰＵ９０２は、ソフトウェアアプリケーションをランし、オペレーティングシステムをランしてもよい。

【0074】

例として、システムメモリ９０４はチャンバ整合化解析エンジン９８０を含み、チャンバ整合化解析エンジン９８０は、本明細書に記載された技法に従ってチャンバ不整合の検出に関係した操作を実行するチャンバ整合化解析エンジン２２２に対応してもよい。例えば、チャンバ整合化解析エンジン９８０は、図２のチャンバ整合化解析エンジン２２２と等価のチャンバ整合化解析エンジンであってもよく、ディープオートエンコーダ型のニューラルネットワーク３００を使用してもよい。ディープオートエンコーダ型のニューラルネットワーク３００は、訓練時系列トレースの再構成誤差を最小化するモデルに基づいて、１つまたは複数の入力時系列トレースを、対応する１つまたは複数の出力時系列トレースとして再構成し、そのセットに基づいて、処理チャンバの整合または不整合および製造プロセスの他の態様を識別する。

【0075】

例えばＮｏｒｔｈｂｒｉｄｇｅチップとすることができるメモリブリッジ９０５は、バスまたは他の通信経路（例えばＨｙｐｅｒＴｒａｎｓｐｏｒｔリンク）を介してＩ／Ｏ（入力／出力）ブリッジ９０７に接続されている。例えばＳｏｕｔｈｂｒｉｄｇｅチップとすることができるＩ／Ｏブリッジ９０７は、１つまたは複数のユーザ入力デバイス９０８（例えばキーボード、マウス、ジョイスティック、ディジタイザタブレット、タッチパッド、タッチスクリーン、スチルもしくはビデオカメラ、モーションセンサおよび／またはマイクロホン）からユーザ入力を受け取り、その入力をメモリブリッジ７０５を介してＣＰＵ７０２に転送する。

【0076】

メモリブリッジ９８５には、バスまたは他の通信経路（例えばＰＣＩ Ｅｘｐｒｅｓｓ、Ａｃｃｅｌｅｒａｔｅｄ Ｇｒａｐｈｉｃｓ ＰｏｒｔまたはＨｙｐｅｒＴｒａｎｓｐｏｒｔリンク）を介してディスプレイプロセッサ９１２が結合されており、一実施形態では、ディスプレイプロセッサ９１２が、少なくとも１つのグラフィックス処理ユニット（ＧＰＵ）およびグラフィックスメモリを含むグラフィックスサブシステムである。グラフィックスメモリは、出力画像のそれぞれのピクセルのピクセル素データを記憶する目的に使用されるディスプレイメモリ（例えば、フレームバッファ）を含む。グラフィックスメモリは、ＧＰＵと同じデバイスに組み込むこと、別個のデバイスとしてＧＰＵに接続すること、および／またはシステムメモリ９０４内に実装することができる。

【0077】

ディスプレイプロセッサ９１２は、ダッシュボードのピクセルを、ディスプレイデバイス９１０（例えばスクリーンもしくは従来のＣＲＴ、プラズマ、ＯＬＥＤ、ＳＥＤまたはＬＣＤベースのモニタまたはテレビジョン）に定期的に送達する。さらに、ディスプレイプロセッサ９１２は、コンピュータが生成した画像を写真フィルム上に再現するように適合されたフィルムレコーダにピクセルを出力することもできる。ディスプレイプロセッサ９１２は、ディスプレイデバイス９１０にアナログまたはディジタル信号を供給することができる。

【0078】

Ｉ／Ｏブリッジ９０７にはさらに永続性ストレージ９２０が接続されており、永続性ストレージ９２０は、ＣＰＵ９０２およびディスプレイプロセッサ９１２が使用するためのコンテンツならびにデータベースライブラリ９１５などのアプリケーションおよびデータを記憶するように構成されていてもよい。永続性ストレージ９２０は、アプリケーションおよびデータのための不揮発性ストレージを提供し、永続性ストレージ９２０は、固定もしくは取外し可能ハードディスクドライブ、フラッシュメモリデバイス、およびＣＤ－ＲＯＭ、ＤＶＤ－ＲＯＭ、Ｂｌｕ－ｒａｙ、ＨＤ－ＤＶＤまたは他の磁気、光学もしくは固体状態ストレージデバイスを含むことができる。

【0079】

例として、永続性ストレージ９２０は製造データ９９０を含み、製造データ９９０は、チャンバ整合化解析エンジン２２２によって取得された情報を含むことができる。製造データ９９０は例えば、製造プロセス中に基板およびツールから経時的に測定値を取得するさまざまなセンサに関係する、製造ツール１０１によって集められ、ＭＥＳ２３２から受け取った情報を含むことができる。

【0080】

スイッチ９１６は、Ｉ／Ｏブリッジ９０７と他の構成要素との間の接続、例えばＩ／Ｏブリッジ９０７とネットワークアダプタ９１８およびさまざまなアドインカード９２０、９２１との間の接続を提供する。ネットワークアダプタ９１８は、電子通信ネットワークを介してシステム９００が他のシステムと通信することを可能にし、ネットワークアダプタ９１８は、ローカルエリアネットワーク９４０およびインターネットなどのワイドエリアネットワークを介した有線または無線通信を含むことができる。

【0081】

ＵＳＢもしくは他のポート接続、フィルムレコーディングデバイスまたは他の適当なコンピューティングデバイスを含む他の構成要素（図示せず）がＩ／Ｏブリッジ９０７に接続されていてもよい。例えば、ＣＰＵ９０２、システムメモリ９０４または永続性ストレージ９２０によって提供された命令および／またはデータによって、プロセス装置９７０が動作してもよい。図９のさまざまな構成要素を相互接続する通信経路は、ＰＣＩ（Ｐｅｒｉｐｈｅｒａｌ Ｃｏｍｐｏｎｅｎｔ Ｉｎｔｅｒｃｏｎｎｅｃｔ）、ＰＣＩ Ｅｘｐｒｅｓｓ（ＰＣＩＥ）、ＡＧＰ（Ａｃｃｅｌｅｒａｔｅｄ Ｇｒａｐｈｉｃｓ Ｐｏｒｔ）、ＨｙｐｅｒＴｒａｎｓｐｏｒｔまたは他のバスもしくはポイントツーポイント通信プロトコルなどの適当なプロトコルを使用して実装することができ、異なるデバイス間の接続は、当技術分野で知られている異なるプロトコルを使用することができる。

【0082】

プロセス装置９７０を、プラズマ化学気相堆積（ＰＥＣＶＤ）または他のプラズマ処理チャンバなどの１つまたは複数の半導体製造チャンバ、例えば製造ツール１０１に含まれる処理ツールとすることができる。例えば、プロセス装置９７０を、単独の、または１つもしくは複数の他のチャンバと組み合わされた、エッチングチャンバ、化学気相堆積チャンバ、物理的気相堆積チャンバ、注入チャンバ、プラズマ処理チャンバまたは他のプラズマプロセスチャンバとすることができる。

【0083】

一実施形態では、ディスプレイプロセッサ９１２が、数値演算の実行に関して最適化された、例えば数値演算コプロセッサを含む回路を含み、ディスプレイプロセッサ９１２がさらに、グラフィックス処理ユニット（ＧＰＵ）を構成することができる。別の実施形態では、ディスプレイプロセッサ９１２が、汎用処理に関して最適化された回路を含む。別の実施形態では、ディスプレイプロセッサ９１２が、メモリブリッジ９０５、ＣＰＵ７０２およびＩ／Ｏブリッジ９０７などの１つまたは複数の他のシステム要素と統合されて、システムオンチップ（ｓｙｓｔｅｍ ｏｎ ｃｈｉｐ）（ＳｏＣ）を形成していてもよい。別の実施形態では、ディスプレイプロセッサ９１２が省かれており、ＣＰＵ９０２によって実行されるソフトウェアがディスプレイプロセッサ９１２の機能を実行する。

【0084】

ＣＰＵ９０２からディスプレイプロセッサ９１２にピクセルデータを直接に提供することができる。いくつかの実施形態では、異常検証解析を表す命令および／またはデータが、それぞれがシステム９００に類似した一組のサーバコンピュータに、ネットワークアダプタ９１８またはシステムディスク９１４を介して供給される。これらのサーバは、解析のための提供された命令を使用して、それらのデータのサブセットに対する演算を実行することができる。これらの演算による結果は、コンピュータ可読媒体上にディジタルフォーマットで記憶することができ、さらなる解析または表示のためにシステム９００に返してもよい。同様に、データを、表示のために他のシステムに出力すること、システムディスク９１４上のデータベースライブラリ９１５に記憶すること、またはコンピュータ可読媒体上にディジタルフォーマットで記憶することもできる。

【0085】

あるいは、ＣＰＵ９０２は、所望の出力画像を定義するデータおよび／または命令をディスプレイプロセッサ９１２に供給し、ディスプレイプロセッサ９１２は、そのデータおよび／または命令から１つまたは複数の出力画像のピクセルデータを生成する。このピクセルデータの生成は、ステレオ画像対間のオフセットの特徴付けおよび／または調整を含む。所望の出力画像を定義するデータおよび／または命令は、システムメモリ９０４またはディスプレイプロセッサ９１２内のグラフィックスメモリに記憶することができる。ＣＰＵ９０２および／またはディスプレイプロセッサ９１２は、当技術分野で知られている任意の数学的機能または技法を使用して、供給されたデータおよび命令から１つまたは複数の結果を生成することができる。この１つまたは複数の結果の生成は、モデルをランすること、およびセンサからのデータを比較してチャンバ構成要素の運用寿命を追跡することを含む。

【0086】

本明細書に示されたシステムは例示のためのものであること、および変形および変更が可能であることが理解されるであろう。要望に応じて、ブリッジの数および配置を含む接続トポロジを変更することができる。例えば、いくつかの実施形態では、システムメモリ９０４が、ブリッジを通すことなくＣＰＵ９０２に直接に接続されており、他のデバイスが、メモリブリッジ９０５およびＣＰＵ９０２を介してシステムメモリ９０４と通信する。他の代替トポロジでは、ディスプレイプロセッサ９１２がＩ／Ｏブリッジ９０７に接続されており、または、ディスプレイプロセッサ９１２が、メモリブリッジ９０５ではなしにＣＰＵ９０２に直接に接続されている。他の実施形態では、Ｉ／Ｏブリッジ９０７とメモリブリッジ９０５が単一のチップに統合されるであろう。本明細書に示された特定の構成要素は任意であり、例えば、任意の数のアドインカードまたは周辺デバイスがサポートされるであろう。いくつかの実施形態では、Ｉ／Ｏブリッジ９０７にプロセス装置９７０を直接に接続することができる。いくつかの実施形態では、スイッチ９１６が除かれており、ネットワークアダプタ９１８およびアドインカード９２０、９２１がＩ／Ｏブリッジ９０７に直接に接続している。

【0087】

本発明のさまざまな実施形態は、コンピュータシステムとともに使用するプログラム製品として実施することができる。このプログラム製品のソフトウェアルーチンは、（本明細書に記載された方法を含む）実施形態の機能を定義し、このプログラム製品のソフトウェアルーチンは、さまざまなコンピュータ可読ストレージ媒体上に含めることができる。例示的なコンピュータ可読ストレージ媒体は、限定はされないが、（ｉ）情報が永続的に記憶された非書き込み可能ストレージ媒体（例えば、ＣＤ－ＲＯＭドライブによって読出し可能なＣＤ－ＲＯＭディスク、フラッシュメモリ、ＲＯＭチップまたは任意のタイプの固体状態不揮発性半導体メモリなどの、コンピュータ内のリードオンリーメモリデバイス）、および（ｉｉ）変更可能な情報が記憶された書き込み可能ストレージ媒体（例えば、ディスケットドライブ内のフロッピーディスクもしくはハードディスクドライブ、または任意のタイプの固体状態ランダムアクセス半導体メモリ）を含む。

【0088】

１つまたは複数のコンピュータ可読媒体の任意の組合せを利用してプログラム製品を記憶することができ、このプログラム製品は、プログラム製品が実行されたときに、チャンバ構成要素の運用寿命を決定する方法を実行するように構成されている。コンピュータ可読ストレージ媒体は、例えば、限定はされないが、電子、磁気、光学、電磁気、赤外線もしくは半導体システム、装置もしくはデバイス、またはこれらの適当な組合せとすることができる。コンピュータ可読ストレージ媒体のより具体的な例（非網羅的なリスト）は以下のものを含むであろう：ポータブルコンピュータディスケット、ハードディスク、ランダムアクセスメモリ（ＲＡＭ）、リードオンリーメモリ（ＲＯＭ）、消去可能なプログラマブルリードオンリーメモリ（ＥＰＲＯＭもしくはフラッシュメモリ）、光ファイバ、ポータブルコンパクトディスク－リードオンリーメモリ（ＣＤ－ＲＯＭ）、光学ストレージデバイス、磁気ストレージデバイス、またはこれらの適当な組合せ。本明細書の文脈では、コンピュータ可読ストレージ媒体が、命令実行システム、装置もしくはデバイスによって使用されるプログラム、または命令実行システム、装置もしくはデバイスとともに使用されるプログラムを含むことまたは記憶することができる、任意の有形媒体であることがある。

【0089】

本発明の態様のための演算を実行するためのコンピュータプログラムコードは、ＪＡＶＡ（商標）、ＳｍａｌｌＴａｌｋ（商標）、Ｃ＋＋などのオブジェクト指向プログラミング言語、および「Ｃ」プログラミング言語または同種のプログラミング言語などの従来の手続き型プログラミング言語を含む、１つまたは複数のプログラミング言語の任意の組合せで書くことができる。プログラムコードは、全体をユーザのコンピュータ上で実行することができ、一部をユーザのコンピュータ上で実行することができ、独立型ソフトウェアパッケージとして実行することができ、一部をユーザのコンピュータ上で実行し、一部を遠隔コンピュータ上で実行することができ、または全体を遠隔コンピュータもしくはサーバ上で実行することができる。上記の最後のシナリオにおいて、遠隔コンピュータは、ローカルエリアネットワーク（ＬＡＮ）もしくはワイドエリアネットワーク（ＷＡＮ）を含む任意のタイプのネットワークを介してユーザのコンピュータに接続されていてもよく、またはこの接続は、外部コンピュータに対して（例えばインターネットサービスプロバイダを使用してインターネットを介して）実施されてもよい。

【0090】

これらのコンピュータプログラム命令は、コンピュータ、他のプログラム可能装置または他のデバイス上で一連の演算を実行させて、コンピュータによって実施されるプロセスを生み出すために、このコンピュータ、他のプログラム可能データ処理装置または他のデバイス上に、このコンピュータまたは他のプログラム可能装置上で実行される命令が、流れ図および／またはブロック図の１つまたは複数のブロックに指定された機能／動作を実施するためのプロセスを提供するような態様で、ロードすることもできる。

【0091】

本発明の実施形態は、クラウドコンピューティングインフラストラクチャを通してエンドユーザに提供することができる。クラウドコンピューティングは、スケーラブルなコンピューティングリソースをネットワークを介してサービスとして提供することを指す。より正式には、クラウドコンピューティングは、コンピューティングリソースとその基礎をなす技術的アーキテクチャ（例えばサーバ、ストレージ、ネットワーク）との間の抽象化を提供するコンピューティング機能であって、最小限の管理労力またはサービスのプロバイダの最小限のインタラクションで迅速に供給およびリリースすることができる構成可能なコンピューティングリソースの共用プールへの便利なオンデマンドネットワークアクセスを可能にするコンピューティング機能と定義することができる。したがって、クラウドコンピューティングは、コンピューティングリソースを提供するために使用される基礎をなす物理システム（またはそれらのシステムの位置）に関わらず、ユーザが、「クラウド」内の仮想コンピューティングリソース（例えばストレージ、データ、アプリケーションおよび仮想化されたコンピューティングシステム全体）にアクセスすることを可能にする。

【0092】

有利には、本明細書に提示された技法は、リアルタイム異常検出、オフライン問題診断およびチャンバ整合化を可能にする。リアルタイム異常検出に関して、実施形態は、モデルを前もって訓練し、良トレースからの大きな偏差があるかどうか、およびそれに応じて補正を実施するかどうかをリアルタイムで検出する。オフライン問題診断に関して、実施形態は、長時間のラン中にある種の問題が起こったときに、良ランを使用してモデルを訓練し、良ランと比較したときの不良ラン（ｂａｄ ｒｕｎ）の差を調べる。これによって、この差に最も寄与しているセンサを決定して、何がハードウェアまたはプロセス自体（例えばフローバルブ、電力ストライキ遅延など）の実際の問題であるのかの診断に役立てる。チャンバ整合化に関して、実施形態は、１つの／多数の良チャンバからの多数のランを用いてモデルを訓練すること、および不良チャンバから来たデータを除いた良チャンバからの出力データの差を調べることを可能にする。上述のとおり、オートエンコーダは、良チャンバ間の基本的な差異を無視し、より重要な差異（例えばパターン、プロセスなど）を見つけることに重点を置く。この方法は、同じ／同様の手順をランするチャンバ整合化のための従来の方法よりも効率的である。

【0093】

これらの技法は、製造データに基づく基板品質の知的予測を可能にし、また、個々の基板に対してとられる補正処置および製造プロセスの他の態様に関して効率的な判断がなされることを可能にする。本開示の実施形態の使用は、コストを低減させ、効率を向上させ、製造プロセスに関するより良好な戦略的計画を可能にすることができる。

【0094】

当業者には理解されることだが、本発明の態様は、システム、方法またはコンピュータプログラム製品として実施することができる。それに応じて、本発明の態様は、全体がハードウェアの実施形態、（ファームウェア、常駐ソフトウェア、マイクロコードなどを含む）全体がソフトウェアの実施形態、または、本明細書では「回路」、「モジュール」もしくは「システム」と呼ぶことがあるソフトウェア態様とハードウェア態様とを組み合わせた実施形態、の形態をとることができる。さらに、本発明の態様は、その上にコンピュータ可読プログラムコードが実装された１つまたは複数のコンピュータ可読媒体内に実装されたコンピュータプログラム製品の形態をとることもできる。

【0095】

以上では、本開示に提示された実施形態を参照した。しかしながら、本開示の範囲は、記載された特定の実施形態に限定されない。その代わりに、異なる実施形態に関係するか否かに関わらず、企図された実施形態を実装および実施するために、以下の特徴および要素の任意の組合せが企図される。さらに、本明細書に開示された実施形態は、他の可能な解決策または先行技術にはない利点を達成することができるが、所与の実施形態によって特定の利点が達成されるか否かは、本開示の範囲を限定しない。したがって、以下の態様、特徴、実施形態および利点は単なる例であり、それらは、特許請求項に明示的に記載されている場合を除き、添付の特許請求項の要素または限界とはみなされない。同様に、「本発明」への言及は、本明細書に開示された本発明の主題の一般化とはみなされず、特許請求項に明示的に記載されている場合を除き、添付の特許請求項の要素または限界であるとはみなされない。

【0096】

以上の内容は、本開示の実施形態を対象としているが、その基本的範囲を逸脱しない範囲で、本開示の他の追加の実施形態が考案される可能性があり、その範囲は、続く特許請求項によって決定される。

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】