特許 7519996 半導体素子の電気特性予測方法

(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】2024-07-11

(45)【発行日】2024-07-22

(54)【発明の名称】半導体素子の電気特性予測方法

(51)【国際特許分類】

   H01L 21/02 20060101AFI20240712BHJP

   G06N 20/00 20190101ALI20240712BHJP

   G06N 3/02 20060101ALI20240712BHJP

   H01L 29/786 20060101ALI20240712BHJP

   H01L 21/336 20060101ALI20240712BHJP

   H01L 21/66 20060101ALI20240712BHJP

【ＦＩ】

H01L21/02 Z

G06N20/00 130

G06N3/02

H01L29/78 618B

H01L29/78 624

H01L21/66 L

【請求項の数】 7

(21)【出願番号】P 2021520483

(86)(22)【出願日】2020-05-11

(86)【国際出願番号】 IB2020054411

(87)【国際公開番号】W WO2020234685

(87)【国際公開日】2020-11-26

【審査請求日】2023-04-26

(31)【優先権主張番号】P 2019096919

(32)【優先日】2019-05-23

(33)【優先権主張国・地域又は機関】JP

(73)【特許権者】

【識別番号】000153878

【氏名又は名称】株式会社半導体エネルギー研究所

(72)【発明者】

【氏名】井上 聖子

(72)【発明者】

【氏名】幸村 雄介

(72)【発明者】

【氏名】福留 貴浩

【審査官】堀江 義隆

(56)【参考文献】

【文献】特開２００８－２１８０５（ＪＰ，Ａ）

【文献】特開２０２０－４３２７０（ＪＰ，Ａ）

【文献】特表２０２０－５００４２０（ＪＰ，Ａ）

【文献】米国特許出願公開第２０１７／０３３７４８２（ＵＳ，Ａ１）

【文献】米国特許出願公開第２０２０／０３２０３６６（ＵＳ，Ａ１）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｈ０１Ｌ ２１／０２

Ｇ０６Ｎ ２０／００

Ｇ０６Ｎ ３／０２

Ｈ０１Ｌ ２９／７８６

Ｈ０１Ｌ ２１／３３６

Ｈ０１Ｌ ２１／６６

(57)【特許請求の範囲】

【請求項1】

特徴量算出部と、特性予測部とを有する半導体素子の電気特性予測方法であって、
前記特徴量算出部は、第１の学習モデルと、第２の学習モデルと、を有し、
前記特性予測部は、第３の学習モデルを有し、
前記第１の学習モデルが、前記半導体素子を生成するための工程リストを学習するステップを有し、
前記第２の学習モデルが、前記工程リストによって生成される前記半導体素子の電気特性を学習するステップを有し、
前記第１の学習モデルが、第１の特徴量を生成するステップを有し、
前記第２の学習モデルが、第２の特徴量を生成するステップを有し、
前記第３の学習モデルが、前記第１の特徴量と、前記第２の特徴量と、を用いてマルチモーダルな学習をするステップを有し、
前記第３の学習モデルが、前記半導体素子の電気特性を表す計算式に用いる変数の値を出力するステップを有する、
前記半導体素子の電気特性予測方法。

【請求項2】

請求項１において、
前記特徴量算出部は、第４の学習モデルを有し、
前記第４の学習モデルが、前記工程リストを用いて生成する断面模式図を学習するステップを有し、
前記第４の学習モデルが、第３の特徴量を生成するステップを有し、
前記第３の学習モデルが、前記第１の特徴量と、前記第２の特徴量と、前記第３の特徴量と、を用いてマルチモーダルな学習をするステップを有し、
前記第３の学習モデルが、前記半導体素子の電気特特性を表す計算式に用いる前記変数の値を出力するステップを有する、
前記半導体素子の電気特性予測方法。

【請求項3】

請求項１または請求項２において、
前記第１の学習モデルは、第１のニューラルネットワークを有し、
前記第２の学習モデルは、第２のニューラルネットワークを有し、
前記第１のニューラルネットワークが生成する前記第１の特徴量が、前記第２のニューラルネットワークの重み係数を更新するステップを有する前記半導体素子の電気特性予測方法。

【請求項4】

請求項１乃至請求項３のいずれか一において、
前記第１の学習モデルには、推論用工程リストが与えられ、且つ、前記第２の学習モデルには、前記半導体素子の端子に与える電圧の値が与えられる場合、前記第２の学習モデルが、前記電圧の値に応じた電流の値を出力するステップを有する前記半導体素子の電気特性予測方法。

【請求項5】

請求項１乃至請求項３のいずれか一において、
前記第１の学習モデルには、推論用工程リストが与えられ、且つ、前記第２の学習モデルには、前記半導体素子の端子に与える電圧の値が与えられる場合、前記第３の学習モデルが、前記半導体素子の電気特性の計算式に用いる変数の値を出力するステップを有する、前記半導体素子の電気特性予測方法。

【請求項6】

請求項１乃至請求項５のいずれか一において、
前記半導体素子が、トランジスタである前記半導体素子の電気特性予測方法。

【請求項7】

請求項６において、
前記トランジスタは、半導体層に金属酸化物を有する前記半導体素子の電気特性予測方法。

【発明の詳細な説明】

【技術分野】

【0001】

本発明の一態様は、工程レシピ、電気特性、または画像データのいずれか一又は複数を用いたマルチモーダルな学習モデルを学習させる方法に関する。また、本発明の一態様は、工程レシピ、電気特性、または画像データのいずれか一又は複数を用いたマルチモーダルな学習済モデルを用いて半導体素子の電気特性を予測する方法に関する。本発明の一態様は、コンピュータを利用する半導体素子の電気特性予測方法に関する。

【0002】

なお、本明細書などにおいて、半導体素子は、半導体特性を利用することで機能しうる素子を指す。一例としては、トランジスタ、ダイオード、発光素子、または受光素子などの半導体素子である。また別の一例の半導体素子は、容量、抵抗、インダクタなどの、導電膜、または絶縁膜などによって生成される受動素子である。また別の一例の半導体素子は、半導体素子、または受動素子を有する回路を備える半導体装置である。

【背景技術】

【0003】

近年、人工知能（ＡＩ：Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ）を用いた分野、ロボットの分野、またはパワーＩＣなどの高い電力を扱うエネルギー分野では、演算量の増大、または消費電力の増大などの課題を解決するための新しい半導体素子の開発が進められている。市場が求める集積回路または集積回路に用いられる半導体素子は、複雑になる一方で、新たな機能を有する集積回路の早期立ち上げが求められている。ただし、半導体素子の開発におけるプロセス設計、デバイス設計、または回路設計では、熟練した技術者の知識、ノウハウ、または経験などが必要である。

【0004】

近年では、遺伝的アルゴリズムを用いてトランジスタの物理モデルのパラメータ調整することが知られている。特許文献１では、遺伝的アルゴリズムをトランジスタの物理モデルのパラメータ調整に用いるパラメータ調整装置が開示されている。

【先行技術文献】

【特許文献】

【0005】

【文献】特開２００５－３８２１６号公報

【発明の概要】

【発明が解決しようとする課題】

【0006】

半導体素子を開発するには、プロセス設計、デバイス設計、および回路設計が必要である。一例として、半導体素子を形成する場合、半導体素子は、複数のプロセス工程を組み合わせることで形成される。半導体素子は、プロセス工程の順番が変わると半導体素子の電気特性が異なってしまう問題がある。なお、同じ工程であっても、製造装置またはプロセス条件が異なれば、半導体素子の電気特性が異なる問題がある。

【0007】

また、半導体素子は、同じ工程、同じ機能を有する異なる装置、および同じ条件を用いて形成されたとしても微細化が進むことによって異なる電気特性を示す問題がある。一例として、製造装置の膜厚精度または加工精度などが原因の場合と、微細化による物理モデルが異なってくることが原因の場合と、がある。原因を追究するには、様々な実験または評価のため時間を必要とする問題がある。

【0008】

上述のように、プロセス工程の順番、製造装置、プロセス条件、微細化、膜厚精度および加工精度など、半導体素子の電気特性に影響を及ぼす要因は多岐にわたり、半導体素子の電気特性を正確に予測することは非常に困難であった。

【0009】

上記問題に鑑み、本発明の一態様は、簡便な半導体装置の電気特性予測方法を提供することを課題の一とする。または、本発明の一態様は、簡便なコンピュータを利用した半導体素子の電気特性予測方法を提供することを課題の一とする。又は、本発明の一態様は、半導体素子の工程リストを学習し、第１の特徴量を出力するニューラルネットワークを備えることを課題の一つとする。又は、本発明の一態様は、半導体素子の当該工程リストによって生成された半導体素子の電気特性を学習し、第２の特徴量を出力するニューラルネットワークを備えることを課題の一つとする。又は、本発明の一態様は、半導体素子の当該工程リストによって生成された半導体素子の断面模式図または断面観察像を学習し、第３の特徴量を出力するニューラルネットワークを備えることを課題の一つとする。又は、本発明の一態様は、第１乃至第３の特徴量を用いてマルチモーダルな学習をするニューラルネットワークを備えることを課題の一つとする。又は、本発明の一態様は、マルチモーダルな学習をするニューラルネットワークが半導体素子の電気特性を表す計算式に用いる変数の値を出力することを課題の一つとする。

【0010】

なお、これらの課題の記載は、他の課題の存在を妨げるものではない。なお、本発明の一態様は、これらの課題の全てを解決する必要はないものとする。なお、これら以外の課題は、明細書、図面、請求項などの記載から、自ずと明らかとなるものであり、明細書、図面、請求項などの記載から、これら以外の課題を抽出することが可能である。

【課題を解決するための手段】

【0011】

本発明の一態様は、特徴量算出部と、特性予測部と、を有する半導体素子の電気特性予測方法である。特徴量算出部は、第１の学習モデルと、第２の学習モデルと、を有し、特性予測部は、第３の学習モデルを有する。第１の学習モデルが、半導体素子を生成するための工程リストを学習するステップを有する。さらに、第１の学習モデルが、第１の特徴量を生成するステップを有する。第２の学習モデルが、工程リストによって生成される半導体素子の電気特性を学習するステップを有する。さらに、第２の学習モデルが、第２の特徴量を生成するステップを有する。第３の学習モデルが、第１の特徴量と、第２の特徴量と、を用いてマルチモーダルな学習をするステップを有する。さらに、第３の学習モデルが、半導体素子の電気特性を表す計算式に用いる変数の値を出力するステップを有する半導体素子の電気特性予測方法である。

【0012】

上記構成において、特徴量算出部は、第４の学習モデルを有する。第４の学習モデルが、工程リストを用いて生成する断面模式図を学習するステップを有する。さらに、第４の学習モデルが、第３の特徴量を生成するステップを有する。第３の学習モデルが、第１の特徴量と、第２の特徴量と、第３の特徴量と、を用いてマルチモーダルな学習をするステップを有する。第３の学習モデルが、半導体素子の電気特特性を表す計算式に用いる変数の値を出力するステップを有する半導体素子の電気特性予測方法が好ましい。

【0013】

上記構成において、第１の学習モデルは、第１のニューラルネットワークを有し、第２の学習モデルは、第２のニューラルネットワークを有する。第１のニューラルネットワークが生成する第１の特徴量が、第２のニューラルネットワークの重み係数を更新するステップを有する半導体素子の電気特性予測方法が好ましい。

【0014】

上記構成において、第１の学習モデルには、推論用工程リストが与えられ、且つ、第２の学習モデルには、半導体素子の端子に与える電圧の値が与えられる場合、第２の学習モデルが、電圧の値に応じた電流の値を出力するステップを有する半導体素子の電気特性予測方法が好ましい。

【0015】

上記構成において、第１の学習モデルには、推論用工程リストが与えられ、且つ、第２の学習モデルには、半導体素子の端子に与える電圧の値が与えられる場合、第３の学習モデルが、半導体素子の電気特性の計算式に用いる変数の値を出力するステップを有する、半導体素子の電気特性予測方法が好ましい。

【0016】

上記構成において、半導体素子が、トランジスタである半導体素子の電気特性予測方法が好ましい。なお、トランジスタは、半導体層に金属酸化物を含むことが好ましい。

【発明の効果】

【0017】

本発明の一態様は、簡便な半導体素子の電気特性予測方法を提供することができる。または、本発明の一態様では、簡便なコンピュータを利用した半導体素子の電気特性予測方法を提供することができる。又は、本発明の一態様は、半導体素子の工程リストを学習し、第１の特徴量を出力するニューラルネットワークを備えることができる。又は、本発明の一態様は、半導体素子の当該工程リストによって生成された半導体素子の電気特性を学習し、第２の特徴量を出力するニューラルネットワークを備えることができる。又は、本発明の一態様は、半導体素子の当該工程リストによって生成された半導体素子の断面模式図または断面画像を学習し、第３の特徴量を出力するニューラルネットワークを備えることができる。又は、本発明の一態様は、第１乃至第３の特徴量を用いてマルチモーダルな学習をするニューラルネットワークを備えることができる。又は、本発明の一態様は、マルチモーダルな学習をするニューラルネットワークが半導体素子の電気特性を表す計算式に用いる変数の値を出力することができる。

【0018】

なお本発明の一態様の効果は、上記列挙した効果に限定されない。上記列挙した効果は、他の効果の存在を妨げるものではない。なお他の効果は、以下の記載で述べる、本項目で言及していない効果である。本項目で言及していない効果は、当業者であれば明細書又は図面などの記載から導き出せるものであり、これらの記載から適宜抽出することができる。なお、本発明の一態様は、上記列挙した効果、及び／又は他の効果のうち、少なくとも一つの効果を有するものである。したがって本発明の一態様は、場合によっては、上記列挙した効果を有さない場合もある。

【図面の簡単な説明】

【0019】

図１は、半導体素子の電気特性予測方法を説明する図である。
図２Ａ、図２Ｂ、図２Ｃ、図２Ｄは、工程リストを説明する表である。
図３Ａ、図３Ｂは、工程リストを説明する図である。図３Ｃは、工程リストを学習するニューラルネットワークを説明する図である。
図４Ａ、図４Ｂは、半導体素子の電気特性を説明する図である。図４Ｃは、電気特性を学習するニューラルネットワークを説明する図である。
図５は、半導体素子の電気特性予測方法を説明する図である。
図６Ａは、画像データを学習するニューラルネットワークを説明する図である。図６Ｂは、半導体素子の断面模式図を説明する図である。図６Ｃは、半導体素子の断観察像を説明する図である。
図７は、半導体素子の電気特性予測方法を説明する図である。
図８は、半導体素子の電気特性予測方法を説明する図である。
図９は、プログラムを動作させるコンピュータを説明する図である。

【発明を実施するための形態】

【0020】

実施の形態について、図面を用いて詳細に説明する。但し、本発明は以下の説明に限定されず、本発明の趣旨及びその範囲から逸脱することなくその形態及び詳細を様々に変更し得ることは当業者であれば容易に理解される。したがって、本発明は以下に示す実施の形態の記載内容に限定して解釈されるものではない。

【0021】

なお、以下に説明する発明の構成において、同一部分又は同様な機能を有する部分には同一の符号を異なる図面間で共通して用い、その繰り返しの説明は省略する。また、同様の機能を指す場合には、ハッチパターンを同じくし、特に符号を付さない場合がある。

【0022】

また、図面において示す各構成の、位置、大きさ、範囲などは、理解の簡単のため、実際の位置、大きさ、範囲などを表していない場合がある。このため、開示する発明は、必ずしも、図面に開示された位置、大きさ、範囲などに限定されない。

【0023】

また、本明細書にて用いる「第１」、「第２」、「第３」という序数詞は、構成要素の混同を避けるために付したものであり、数的に限定するものではないことを付記する。

【0024】

（実施の形態）
本発明の一態様では、半導体素子の電気特性予測方法について説明する。一例として、半導体素子の電気特性予測方法には、特徴量算出部と、特性予測部と、を用いる。特徴量算出部は、第１の学習モデルと、第２の学習モデルとを有し、特性予測部は、第３の学習モデルを有する。なお、第１の学習モデルは、第１のニューラルネットワークを有し、第２の学習モデルは、第２のニューラルネットワークを有し、第３の学習モデルは、第３のニューラルネットワークを有する。なお、第１乃至第３のニューラルネットワークはそれぞれ異なることが好ましい。

【0025】

最初に、半導体素子の電気特性を予測するための学習方法について説明する。

【0026】

一例として、第１の学習モデルが、半導体素子を生成するための工程リストを学習する場合について説明する。第１の学習モデルは、半導体素子を生成するための工程リストが与えられることで第１のニューラルネットワークの重み係数を更新する。つまり、第１のニューラルネットワークは、工程リストを教師データとして学習するニューラルネットワークである。以降では、一例として、半導体素子をトランジスタと言い換えて説明する。なお、半導体素子は、トランジスタに限定されない。トランジスタは一例であり、半導体素子は、ダイオード、サーミスタ、ジャイロセンサ、加速度センサ、発光素子、または受光素子などでもよい。なお、半導体素子には、抵抗または容量などを含むことができる。

【0027】

なお、上述した工程リストは、トランジスタを形成するために必要な複数の工程が組み合わされた情報である。次に、工程リストに記載される一つの工程項目について説明する。工程項目は、少なくとも工程ＩＤ、装置ＩＤ、および条件を含むことが好ましい。なお、工程の種類には、成膜工程、洗浄工程、レジスト塗布工程、露光工程、現像工程、加工工程、ベーク工程、剥離工程、またはドーピング工程などの少なくとも一つもしくは複数の工程がある。また、条件には、それぞれの装置の設定条件などが含まれる。

【0028】

また、それぞれの工程ＩＤが表す工程内容は、異なる機能を有する装置によって行われる場合がある。例えば、成膜工程には、有機金属気相成長法（ＭＯＣＶＤ）、化学気相成長法（ＣＶＤ）、またはスパッタ法などがある。したがって、第１の学習モデルに与える情報の場合、工程ＩＤおよび装置ＩＤを一つのコードで表すことで２次元の情報を１次元の情報として管理することができる。コードを用いて工程ＩＤと装置ＩＤとを表すことで、学習項目を減らし演算量を削減する。なお、コード生成方法は、図２で詳細に説明する。

【0029】

さらに、第１の学習モデルは、工程リストによって学習した第１のニューラルネットワークによって第１の特徴量を生成する。

【0030】

本発明の一態様では、第１の学習モデルの学習と並行して、第２の学習モデルが第１のモデルによって生成されたトランジスタの電気特性を学習する。詳細に説明すると、第２の学習モデルは、第１の学習モデルに与える工程リストによって生成されたトランジスタの電気特性を学習する。第２の学習モデルは、当該トランジスタの電気特性が与えられることで第２のニューラルネットワークの重み係数を更新する。つまり、第２のニューラルネットワークは、トランジスタの電気特性を教師データとして学習するニューラルネットワークである。一例として、トランジスタの電気特性は、トランジスタの温度特性または閾値電圧などを評価するＩｄ－Ｖｇｓ特性と、トランジスタの飽和特性を評価するＩｄ－Ｖｄｓ特性と、を用いることができる。

【0031】

ドレイン電流Ｉｄは、トランジスタのゲート端子、ドレイン端子、およびソース端子に電圧を与えた時のドレイン端子に流れる電流の大きさを示す。なお、Ｉｄ－Ｖｇｓ特性とは、トランジスタのゲート端子に異なる電圧を与えた時のドレイン電流Ｉｄの変化である。また、Ｉｄ－Ｖｄｓ特性とは、トランジスタのドレイン端子に異なる電圧を与えた時のドレイン電流の値Ｉｄの変化である。

【0032】

さらに、第２の学習モデルは、工程リストによって生成されるトランジスタの電気特性を学習した第２のニューラルネットワークによって第２の特徴量を生成する。

【0033】

続いて、第３の学習モデルは、第１の特徴量と、第２の特徴量と、を用いてマルチモーダルな学習をする。第３の学習モデルは、第１の特徴量と、第２の特徴量とが与えられることで第３のニューラルネットワークの重み係数を更新する。つまり、第３のニューラルネットワークは、工程リストと、工程リストに対応するトランジスタの電気特性と、を教師データとして学習するニューラルネットワークである。

【0034】

なお、マルチモーダルな学習とは、半導体素子を生成するための工程リストから生成される第１の特徴量、当該工程リストによって生成される半導体素子の電気特性から生成される第２の特徴量のように異なる様式の情報を用いて学習することである。一例として、異なる様式の複数の情報から生成される特徴量を入力情報とするニューラルネットワークは、マルチモーダルインターフェースを有するニューラルネットワークと呼ぶことができる。本発明の一態様では、第３のニューラルネットワークがマルチモーダルインターフェースを有するニューラルネットワークに相当する。

【0035】

一例として、第３の学習モデルは、トランジスタの電気特性を表す計算式に用いる変数の値を出力する。つまり、当該変数の値が、半導体素子の電気特性予測方法によって予測する値となる。

【0036】

一例として、トランジスタのグラジュアルチャネル近似式をトランジスタの電気特性を表す計算式として用いる。式（１）は、トランジスタの飽和領域の電気特性を表している。式（２）は、トランジスタの線形領域の電気特性を表している。

【0037】

【数1】

【0038】

【数2】

【0039】

トランジスタの電気特性予測方法が予測する変数には、式（１）または（２）に用いられるドレイン電流Ｉｄ、電界効果移動度μＦＥ、ゲート絶縁膜の単位面積容量Ｃｏｘ、チャネル長Ｌ、チャネル幅Ｗ、または閾値電圧Ｖｔｈなどの変数がある。なお、ゲート端子に与えられるゲート電圧Ｖｇまたはドレイン端子に与えられるドレイン電圧Ｖｄには、後述する推論データが与えられることが好ましい。なお、第３の学習モデルは、上述した変数の値をすべて出力することができる、もしくはいずれか一または複数の変数の値を出力してもよい。

【0040】

半導体素子の電気特性予測方法は、教師データあり学習を利用するため第３の学習モデルの出力結果に対して第１乃至第３のニューラルネットワークに対して報酬を与える。一例として、第１乃至第３のニューラルネットワークは、トランジスタの電気特性から式（１）または（２）から算出した結果に近づくように重み係数を更新する。

【0041】

特徴量算出部は、さらに、第４の学習モデルを有する。第４の学習モデルが、工程リストを用いて生成するトランジスタの断面模式図を学習する。または、第４の学習モデルは、工程リストを用いて生成されたトランジスタの断面ＳＥＭ像を学習する。第４の学習モデルは、トランジスタの断面模式図、または断面ＳＥＭ像を学習することで第３の特徴量を生成する。第４の学習モデルが第３の特徴量を生成する場合、並行して第１の学習モデルが第１の特徴量を生成し、かつ、第２の学習モデルが第２の特徴量を生成することが好ましい。

【0042】

よって、第３の学習モデルが、第１の特徴量と、第２の特徴量と、第３の特徴量を用いてマルチモーダルな学習をする。よって、第３の学習モデルが、トランジスタの電気特特性を表す計算式に用いる変数の値を出力する。

【0043】

さらに、第１の特徴量が、第２のニューラルネットワークの重み係数を更新する。第１の特徴量は、工程リストを学習した第１の学習モデルの出力である。つまり、第１の特徴量は、工程リストによって生成されるトランジスタの電気特性と関係を有する。

【0044】

次に、上記トランジスタの電気特性予測方法を用いて推論を行う方法について説明する。第１の学習モデルには、推論用工程リストが与えられ、且つ、第２の学習モデルには、半導体素子の端子に与える電圧の値が与えられる場合、第３の学習モデルが、トランジスタの電気特性の計算式に用いる変数の値を出力する。

【0045】

また、第１の特徴量が、第２のニューラルネットワークの重み係数を更新する場合、トランジスタの電気特性予測方法を用いた推論を行う方法について説明する。第１の学習モデルには、推論用工程リストが与えられ、且つ、第２の学習モデルには、トランジスタの端子（ゲート端子、ドレイン端子、ソース端子）に与える電圧の値が与えられる。第２の学習モデルは、当該電圧の値に応じたドレイン端子に流れる電流の値を予測値として出力する。

【0046】

続いて、半導体素子の電気特性予測方法について図１乃至図８を用いて説明する。なお、半導体素子は、トランジスタを用いた場合について説明する。

【0047】

図１で説明するトランジスタの電気特性予測方法は、特徴量算出部１１０と、特性予測部１２０と、を有する。特徴量算出部１１０は、学習モデル２１０と、学習モデル２２０とを有し、特性予測部１２０は、学習モデル２３０を有する。

【0048】

なお、学習モデル２１０は、ニューラルネットワーク２１１と、ニューラルネットワーク２１２と、を有する。なお、ニューラルネットワーク２１１と、ニューラルネットワーク２１２と、については、図３Ｃで詳細に説明する。

【0049】

学習モデル２２０は、ニューラルネットワーク２２１と、活性化関数２２２と、を有する。ニューラルネットワーク２２１は、入力層、中間層、および出力層を有することが好ましい。なお、ニューラルネットワーク２２１については、図４Ｃで詳細に説明する。

【0050】

学習モデル２３０は、結合層２３１、全結合層２３２、および全結合層２３３で構成されるニューラルネットワークを有する。なお、結合層２３１は、マルチモーダルインターフェースを有する。図１では、結合層２３１が工程リストから生成される第１の特徴量と、工程リストによって生成されるトランジスタの電気特性から生成される第２の特徴量と、を結合し、全結合層２３２に与える出力データを生成する。

【0051】

全結合層２３３は、出力端子ＯＵＴ＿１乃至ＯＵＴ＿ｗに電気特性（例えばドレイン電流）の予測値を出力する。上述した式（１）または式（２）が有する変数の値は、出力端子ＯＵＴ＿１乃至ＯＵＴ＿ｗに対応する。なお、異なる例として、半導体素子が抵抗または容量の場合、全結合層２３３が出力する変数の値は、抵抗の値を算出する式または容量の大きさを算出する式を用いることが好ましい。なお、ｗは、１以上の整数である。

【0052】

図２Ａ乃至図２Ｄは、学習モデル２１０に与える工程リストについて説明する表である。

【0053】

図２Ａは、工程リストに含まれる最小単位の工程項目を説明する表である。なお、工程リストは、複数の工程項目によって構成される。工程項目は、工程ＩＤ、装置ＩＤ，および装置の設定条件などによって構成される。なお、図２Ａでは、表示していないが、それぞれの工程項目が、トランジスタのどの部分を形成するのか記載してもよい。工程リストに含まれる工程項目の例としては、工程ＩＤ、装置ＩＤ，条件、および形成箇所とすることができる。形成箇所としては、酸化膜、電極（ゲート、ソース、またはドレインなど）、半導体層などがある。実際の半導体素子の形成工程では、さらに、コンタクトの形成、配線の形成などの複数の工程を有する。

【0054】

図２Ｂは、一例として、半導体素子の工程項目を説明する表である。工程ＩＤには、成膜工程、洗浄工程、レジスト塗布工程、露光工程、現像工程、加工工程１、加工工程２、ベーク工程、剥離工程、またはドーピング工程などがある。装置ＩＤは、それぞれの工程で使用する装置が割り当てられることが好ましい。なお、装置の設定条件は、それぞれの工程で使用する装置に設定する項目であることが好ましい。同じ工程であっても、装置ＩＤが異なる場合、それぞれの装置には、異なる装置の設定条件が与えられることがある。

【0055】

工程で使用する装置ＩＤは、次のように設定することができる。例えば、成膜工程：ＣＶＤ１、洗浄工程：ＷＡＳ１、レジスト塗布工程：ＲＥＧ１、露光工程：ＰＡＴ１、現像工程：ＤＥＶ１、加工工程１：ＥＴＣ１、加工工程２：ＣＭＰ１、ベーク工程：ＯＶＮ１、剥離工程ＰＥＲ１、ドーピング工程：ＤＯＰ１などと表す。工程ＩＤは、装置ＩＤと常に関連付けて管理されることが好ましい。なお、工程ＩＤは、装置ＩＤと組み合わせて一つのコードで表すことができる。一例として、工程ＩＤが成膜工程、且つ装置ＩＤがＣＶＤ１の場合、コードを００１１とする。ただし、付与するコードは、ユニークな番号として管理する。さらに、それぞれの装置に設定される条件は、複数の設定項目を有する。なお、図２Ｂにおけるｊ、ｋ、ｍ、ｎ、ｐ、ｒ、ｓ、ｔ、ｕ、およびｖは、１以上の整数である。

【0056】

図２Ｃは、同じ工程項目であっても、使用する装置が異なれば、コードが変更になることを説明する表である。一例として、工程ＩＤが、同じ成膜工程であっても使用する装置が化学気相法を用いて成膜する方法と、スパッタ法（装置ＩＤ：ＳＰＴ１）を用いて成膜する方法がある。また、化学気相法を用いた成膜であっても、プラズマを用いて成膜する装置（装置ＩＤ：ＣＶＤ１）、または熱を用いて成膜する装置（装置ＩＤ：ＣＶＤ２）などがある。また、異なる例として、複数の同じ装置を有する場合に、各々の装置で異なるコードを用いても良い。一例として、工場では、プラズマを用いて成膜する装置が複数ある場合、同じ機能を有する装置であっても、成膜される膜の膜質が異なる場合があるため号機管理をすることは必要である。例えば、トランジスタの電気特性は、工程リストの装置ＩＤに影響を受ける場合がある。

【0057】

図２Ｄは、学習モデル２１０に与える工程リストに含まれる工程項目を説明する表である。一例として、成膜工程を示すコード：００１１について説明する。コード：００１１は、工程ＩＤ：成膜工程、装置ＩＤ：ＣＶＤ１を意味する。また、図２Ｃで示したように、コード：００１１に与えられる成膜の条件は、膜厚、温度、圧力、電力、気体１、および気体１の流量などがある。詳細に説明すると、コード：００１１に与えられる成膜の条件は、膜厚：５ｎｍ、温度：５００℃、圧力：２００Ｐａ、電力：１５０Ｗ、気体１：ＳｉＨ、および気体１の流量：２０００ｓｃｃｍである。なお、工程項目として設定できる条件は、装置によって異なる設定ができることが好ましい。

【0058】

図３Ａ及び図３Ｂは、工程リストの一部を説明する図である。図３Ｃは、工程リストを学習するニューラルネットワークを説明する図である。

【0059】

一例として、成膜工程によって成膜された膜を加工する工程について図３Ａに示した工程リストの一部を用いて説明する。最初に、成膜工程によって指定された膜を成膜する。成膜条件などは、説明を簡便にするため記載を省略する。なお、成膜工程で用いられる装置は、コード：００１１から装置ＩＤ：ＣＶＤ１を用いる。なお、以降において説明する工程では、図面（図２Ｂなど）を参酌し、各工程のそれぞれの条件については説明を省略する。

【0060】

次に、レジスト塗布工程では、成膜された当該膜上にフォトレジストが塗布される。次に、露光工程では、当該膜のマスクパターンがフォトレジストに転写される。次に、現像工程では、転写されたマスクパターン以外のフォトレジストを現像液で除去し、フォトレジストのマスクパターンを形成する。なお現像工程には、フォトレジストを焼成する工程が含まれてもよい。次に、加工工程１では、フォトレジストに形成されるマスクパターンを用いて当該膜を加工する。次に、剥離工程では、フォトレジストを剥離する。

【0061】

図３Ｂは、図３Ａと異なり、成膜工程の後に洗浄工程が追加され、剥離工程の後にベーク工程が追加されている。一例として、成膜工程の後に洗浄工程が追加されることで、成膜された当該膜の上に残留する不純物の除去、または当該膜の上部を形成面の凹凸を均一にする。また、剥離工程の後にベーク工程が追加されることで加工される当該膜の上に残留する不純物（有機溶剤、または水分など）の除去、または当該膜をベークすることで膜中に含まれる元素の反応を促すことで膜質を変えることができる。なお、当該膜をベークすることで、膜の密度が高くなり、膜質を固くすることができる。

【0062】

図３Ｂは、図３Ａと異なる工程が追加されることで、成膜工程で成膜された膜は異なる特性を有する。よって、工程リストは、工程リストによって生成されたトランジスタの電気特性に影響を与える。

【0063】

図３Ｃは、工程リストを学習データとして学習する学習モデル２１０を説明する図である。学習モデル２１０は、ニューラルネットワーク２１１とニューラルネットワーク２１２を有する。

【0064】

ニューラルネットワーク２１１には、工程リストに従い工程項目が工程順に与えられる。工程項目は、図２Ｄで示すように、工程及び工程で使用する装置名が一つのコードで与えられる。それぞれのコードには、使用する装置に設定する複数の条件が与えられる。それぞれの条件は、数字または数字に単位が付与された形で与えられる。なお、ニューラルネットワーク２１１には、複数の工程項目が工程順に記載されたファイルが与えられてもよい。

【0065】

一例として、ニューラルネットワーク２１１は、Ｗｏｒｄ２Ｖｅｃ（Ｗ２Ｖ）を用いて工程項目をベクトル化することが好ましい。なお、テキストデータをベクトル化するには、Ｗｏｒｄ２ＶｅｃＧｌｏＶｅ（Ｇｌｏｂａｌ Ｖｅｃｔｏｒｓ ｆｏｒ Ｗｏｒｄ Ｒｅｐｒｅｓｅｎｔａｔｉｏｎ）、Ｂａｇ－ｏｆ－ｗｏｒｄｓなどを用いることができる。テキストデータをベクトル化するとは、分散表現に変換すると言い換えることができる。また、分散表現は、埋め込み表現（特徴ベクトルまたは埋め込みベクトル）と言い換えることができる。

【0066】

本発明の一態様では、工程項目の条件は、文ではなく、単語の集合として扱う。よって、工程リストは、単語の集合として扱うことが好ましい。一例として、ニューラルネットワーク２１１は、入力層２１１ａ、隠れ層２１１ｂ、および隠れ層２１１ｃを有する。ニューラルネットワーク２１１は、工程リストから生成する特徴ベクトルを出力する。なお当該特徴ベクトルは、複数を出力することができる、もしくは、一つに集約してもよい。以降では、ニューラルネットワーク２１１が特徴ベクトルを複数出力する場合について説明をする。なお、隠れ層は、１層または複数の隠れ層を有することができる。

【0067】

次に、ニューラルネットワーク２１２は、ニューラルネットワーク２１１によって生成された複数の特徴ベクトルが与えられる。ニューラルネットワーク２１２は、ＤＡＮ（Ｄｅｅｐ Ａｖｅｒａｇｅｉｎｇ Ｎｅｔｗｏｒｋ）を用いることが好ましい。一例として、ニューラルネットワーク２１２は、ＡＧＧＲＥＧＡＴＥ層２１２ａ、全結合層２１２ｂ、および全結合層２１２ｃを有する。ＡＧＧＲＥＧＡＴＥ層２１２ａは、ニューラルネットワーク２１１が出力する複数の特徴ベクトルをまとめて扱うことができる。

【0068】

全結合層２１２ｂ、および全結合層２１２ｃは、活性化関数としてシグモイド関数、ステップ関数、またはランプ関数（Ｒｅｃｔｉｆｉｅｌｄ Ｌｉｎｅａｒ Ｕｎｉｔ）などを有することが好ましい。活性化関数が非線形な関数は、複雑な学習データを特徴ベクトル化するのに有効である。したがって、ニューラルネットワーク２１２は、工程リストを構成する工程項目の特徴ベクトルを平均化して一つの特徴ベクトルに集約することができる。集約された特徴ベクトルは、学習モデル２３０に与えられる。なお、全結合層は、１層または複数の場合がある。

【0069】

図４Ａまたは図４Ｂは、学習モデル２１０が学習に用いた工程リストによって生成されたトランジスタの電気特性を説明する図である。図４Ｃは、トランジスタの電気特性を学習するニューラルネットワークを説明する図である。

【0070】

図４Ａは、トランジスタの飽和特性を評価するために用いるＩｄ－Ｖｄｓ特性を示す図である。Ｉｄ－Ｖｄｓ特性は、トランジスタのゲート端子、ドレイン端子、およびソース端子に電圧を与えた時のドレイン端子に流れる電流を示す。つまり、Ｉｄ－Ｖｄｓ特性とは、トランジスタのドレイン端子に異なる電圧を与えた時のドレイン電流の値Ｉｄである。トランジスタのゲート端子に固定電位を与えた場合、図４Ａでは、トランジスタのドレイン端子に電位Ａ１乃至電位Ａ１０を与えた時のドレイン電流Ｉｄをプロットした図である。

【0071】

図４Ｂは、トランジスタの線形特性を評価するために用いるＩｄ－Ｖｇｓ特性を示す図である。Ｉｄ－Ｖｇｓ特性は、トランジスタのゲート端子、ドレイン端子、およびソース端子に電圧を与えた時のドレイン端子に流れる電流を示す。つまり、Ｉｄ－Ｖｇｓ特性とは、トランジスタのゲート端子に異なる電圧を与えた時のドレイン電流の値Ｉｄである。トランジスタのドレイン端子に固定電位を与えた場合、図４Ｂでは、トランジスタのゲート端子に電位Ａ１乃至電位Ａ１０を与えた時のドレイン電流Ｉｄをプロットした図である。

【0072】

図４Ｃは、図４Ａまたは図４Ｂのデータを用いてトランジスタの電気特性を学習するニューラルネットワーク２２１を説明する図である。一例として、ニューラルネットワーク２２１は、入力層にトランジスタのドレイン端子に与える電圧Ｖｄ、トランジスタのゲート端子に与える電圧Ｖｇ、及びトランジスタのソース端子に与える電圧Ｖｓが与えられる。さらに、上述した条件の場合、トランジスタのドレイン端子に流れる電流Ｉｄが与えられてもよい。

【0073】

一例として、ニューラルネットワーク２２１は、入力層がニューロンＸ１乃至Ｘ４を有し、隠れ層がニューロンＹ１乃至Ｙ１０を有し、出力層がニューロンＺ１を有する。ニューロンＺ１は、電気特性を特徴ベクトル化し、活性化関数２２２は、予測値を出力する。隠れ層が有するニューロンの数は、学習データとして与えるプロット数と等しいことが好ましい。もしくは、隠れ層が有するニューロンの数は、学習データとして与えるプロット数よりも多いことがより好ましい。隠れ層が有するニューロンの数が、学習データとして与えるプロット数よりも多い場合、学習モデル２２０は、トランジスタの電気特性を詳細に学習する。なお、ニューロンＺ１は、活性化関数２２２の機能を有する。

【0074】

一例として、ニューラルネットワーク２２１がトランジスタの電気特性を学習する方法について説明する。まず、ニューロンＸ１には、トランジスタのドレイン端子に与える電圧Ｖｄが与えられ、ニューロンＸ２には、トランジスタのゲート端子に与える電圧Ｖｇが与えられ、ニューロンＸ３には、トランジスタのソース端子に与える電圧Ｖｓが与えられ、ニューロンＸ４には、トランジスタのドレイン端子に流れるドレイン電流Ｉｄが与えられる。この時、ドレイン電流Ｉｄは、教師データとして与えられる。ニューロンＺ１の出力もしくは活性化関数２２２の出力がドレイン電流Ｉｄと近づくように隠れ層の重み係数が更新される。なお学習データとしてドレイン電流Ｉｄが与えられない場合は、ニューロンＺ１の出力もしくは活性化関数２２２の出力がドレイン電流Ｉｄと近づくように学習する。

【0075】

なお、図４Ｃでは、トランジスタの電気特性が、プロット点に応じて順次与えられる例について説明したが、すべてのプロット点を同時にニューラルネットワーク２２１に与えてもよい。ニューラルネットワーク２２１は、演算を高速に処理できるようになるため、半導体素子の開発期間の短縮に効果を有する。

【0076】

また、学習モデル２２０は、学習モデル２１０と並列に学習をすることが好ましい。学習モデル２１０に与えられる工程リストは、学習モデル２２０に与えられる電気特性と関連性が高い。したがって、トランジスタの電気特性を予測するための学習には、学習モデル２２０と学習モデル２１０とを並列に学習をすることが効果的である。

【0077】

次に、特性予測部１２０について説明する。特性予測部１２０は、図１を援用して説明する。特性予測部１２０は、学習モデル２３０を有する。学習モデル２３０は、結合層２３１、全結合層２３２、及び全結合層２３３を有するニューラルネットワークである。なお、全結合層は、１層または複数の場合がある。結合層２３１は、異なる学習モデル（学習モデル２１０、学習モデル２２０）が出力する特徴ベクトルを結合し、結合した特徴ベクトルをさらに一つの特徴ベクトルにする。つまり、結合層２３１を設けることで特性予測部１２０は、マルチモーダルインターフェースを備えたニューラルネットワークとして機能する。

【0078】

全結合層２３３は、出力端子ＯＵＴ＿１乃至出力端子ＯＵＴ＿ｗに電気特性の予測値を出力する。なお、本発明の一態様では、出力である電気特性の予測値は上述した式（１）または（２）の電界効果移動度μＦＥ、ゲート絶縁膜の単位面積容量Ｃｏｘ、チャネル長Ｌ、チャネル幅Ｗ、または閾値電圧Ｖｔｈなどが対応する。さらに、ドレイン電圧Ｖｄまたはゲート電圧Ｖｇなどを出力することが好ましい。なお、トランジスタの電気特性から算出した各変数の値を教師データとして結合層２３１に与えてもよい。学習モデル２３０は、教師データが与えられることで重み係数が更新される。

【0079】

図５は、図１とは異なる半導体素子の電気特性予測方法について説明する図である。図５は、特徴量算出部１１０Ａを有する。特徴量抽出部１１０Ａは、学習モデル２４０を有する点が、図１に示す特徴量算出部１１０と異なっている。学習モデル２４０は、画像データを学習するニューラルネットワークである。なお学習モデル２４０が学習する画像データは、工程リストによって形成されるトランジスタの断面模式図または走査型電子顕微鏡（ＳＥＭ）を用いて観察した断面観察像などである。

【0080】

また、特性予測部１２０が有する結合層２３１Ａは、工程リストから生成した特徴ベクトル、工程リストによって生成されるトランジスタの電気特性から生成した特徴ベクトル、および断面模式図または実際の出来上がり断面観察像から生成した特徴ベクトルを結合し、全結合層２３２に与える出力データを生成する。

【0081】

図６Ａは、学習モデル２４０を詳細に説明する図である。学習モデル２４０は、畳み込みニューラルネットワーク２４１および全結合層２４２を有する。畳み込みニューラルネットワーク２４１は、畳み込み層２４１ａ乃至畳み込み層２４１ｅを有する。畳み込み層の数は限定されず、１以上の整数であればよい。なお、図６Ａは、一例として５層の畳み込み層を有する場合を示している。全結合層２４２は、全結合層２４２ａ乃至全結合層２４２ｃを有する。よって、学習モデル２４０は、ＣＮＮ（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）と呼ぶことができる。

【0082】

特徴量算出部１１０Ａが、学習モデル２４０を有することで、異なる３つの特徴ベクトルを用いた半導体素子の電気特性の予測が容易になる。学習させる画像データの一例として、図６Ｂは、学習モデル２１０に与える工程リストによって生成されるトランジスタの断面模式図を示す。また、図６Ｃは、学習モデル２１０に与える工程リストによって生成されるトランジスタの断面観察像を示す。なお、トランジスタの断面模式図を学習する学習モデル２４０は、トランジスタの断面観察像を学習する学習モデルは異なる学習モデルを用いてもよい。

【0083】

一例として、図６Ｂでは、半導体層、ゲート酸化膜、およびゲート電極を示し、また、図６Ｃでは、図６Ｃに対応する半導体層、ゲート酸化膜、およびゲート電極を示している。断面観察像では、トランジスタのゲート酸化膜などが薄膜のため認識するのが難しい場合がある。しかし、断面模式図では、誤検出してしまうような薄膜も認識できるように記載されている場合がある。したがって、断面模式図を学習することで、断面観察像をより正しく学習することができる。よって、工程リストは、トランジスタの電気特性および実際の断面観察像との関連性が向上する。よって半導体素子の電気特性の予測が容易になる。

【0084】

図６Ｂ及び図６Ｃには、半導体層に金属酸化物を有するトランジスタの例を示した。ただし、本発明の一態様である半導体素子の電気特性予測方法は、半導体層に、シリコンを含むトランジスタにも適用することができる。もしくは、化合物半導体または酸化物半導体を含むトランジスタにも適用することができる。なお、当該半導体素子は、トランジスタに限定はされない。本発明の一態様である半導体素子の電気特性予測方法は、抵抗、容量、ダイオード、サーミスタ、ジャイロセンサ、加速度センサ、発光素子、または受光素子などにも適用することができる。

【0085】

図７は、図１とは異なる半導体素子の電気特性予測方法について説明する図である。図７では、特徴量算出部１１０Ｂを有する。特徴量算出部１１０Ｂは、学習モデル２１０の出力が、ニューラルネットワーク２２１の重み係数を更新する点が異なっている。ニューラルネットワーク２２１の重み係数に工程リストの特徴ベクトルを反映させることで、ニューラルネットワーク２２１は、トランジスタの電気特性の予測が向上する。

【0086】

図７では、半導体素子の電気特性予測方法を用いたトランジスタの電気特性の予測方法を説明する。なお、トランジスタの電気特性の予測をする場合は、学習モデル２１０、学習モデル２２０、および学習モデル２３０が学習済であることが好ましい。まず、ニューラルネットワーク２１１には、推論データ１として新しい構成の工程リストを与える。また、ニューラルネットワーク２２１には、推論データ２としてトランジスタのドレイン端子に与えるドレイン電圧、トランジスタのゲート端子に与えるゲート電圧、トランジスタのソース端子に与えるソース電圧などを与える。

【0087】

特性予測部１２０は、推論データ１によって生成される特徴ベクトルと、推論データ２によって生成される特徴ベクトルと、を用いて、上述した式（１）または（２）の各変数の値を予測する。また、活性化関数２２２は、推論データ２によって推論結果１を出力することができる。推論結果１は、トランジスタのドレイン端子に与えるドレイン電圧、トランジスタのゲート端子に与えるゲート電圧、トランジスタのソース端子に与えるソース電圧などによって予測されるドレイン電流Ｉｄを予測することができる。

【0088】

図８は、図５とは異なる半導体素子の電気特性予測方法について説明する図である。図８は、特徴量算出部１１０Ｃを有する。特徴量算出部１１０Ｃは、学習モデル２１０の出力がニューラルネットワーク２２１の重み係数を更新する点が、図５に示す特徴量算出部１１０Ａと異なっている。

【0089】

図８では、半導体素子の電気特性予測方法を用いたトランジスタの電気特性の予測方法を説明する。なお、トランジスタの電気特性の予測をする場合は、学習モデル２１０、学習モデル２２０、学習モデル２３０、および学習モデル２４０が学習済であることが好ましい。まず、ニューラルネットワーク２１１には、推論データ１として新しい構成の工程リストを与える。また、ニューラルネットワーク２２１には、推論データ２としてトランジスタのドレイン端子に与えるドレイン電圧、トランジスタのゲート端子に与えるゲート電圧、トランジスタのソース端子に与えるソース電圧などを与える。また、ニューラルネットワーク２４１には、推論データ３として新しい構成の断面模式図または断面観察像を与える。

【0090】

特性予測部１２０は、推論データ１によって生成される特徴ベクトル、推論データ２によって生成される特徴ベクトル、および推論データ３によって生成される特徴ベクトルを用いて、上述した式（１）または（２）の各変数の値を予測する。また、活性化関数２２２は、推論データ２によって推論結果１を出力することができる。推論結果１は、トランジスタのドレイン端子に与えるドレイン電圧、トランジスタのゲート端子に与えるゲート電圧、トランジスタのソース端子に与えるソース電圧などによって予測されるドレイン電流Ｉｄを予測することができる。

【0091】

図７または図８の全結合層２３３は、出力端子ＯＵＴ＿１乃至出力端子ＯＵＴ＿ｗに電気特性の予測値を出力する。一例として、本発明の一態様では、上述した式（１）または（２）の電界効果移動度μＦＥ、ゲート絶縁膜の単位面積容量Ｃｏｘ、チャネル長Ｌ、チャネル幅Ｗ、または閾値電圧Ｖｔｈなどが対応する。

【0092】

図９は、プログラムを動作させるコンピュータを説明する図である。コンピュータ１０は、ネットワーク（Ｎｅｔｗｏｒｋ）を介してデータベース２１、リモートコンピュータ２２、またはリモートコンピュータ２３を接続する。コンピュータ１０は、演算装置１１、メモリ１２、入出力インターフェース１３、通信デバイス１４、およびストレージ１５を有する。コンピュータ１０は、入出力インターフェース１３を介して、表示装置１６ａ、およびキーボード１６ｂと電気的に接続される。また、コンピュータ１０は、通信デバイス１４を介してネットワークインターフェース１７と電気的に接続され、ネットワークインターフェース１７はネットワークを介してデータベース２１、リモートコンピュータ２２、リモートコンピュータ２３と電気的に接続される。

【0093】

ここで、ネットワークには、ローカルエリアネットワーク（ＬＡＮ）や、インターネットが含まれる。また、上記ネットワークは、有線、および無線のいずれか一方、または両方による通信を用いることができる。また、上記ネットワークにおいて無線通信を用いる場合、Ｗｉ－Ｆｉ（登録商標）、Ｂｌｕｅｔｏｏｔｈ（登録商標）などの近距離通信手段の他に、第３世代移動通信システム（３Ｇ）に準拠した通信手段、ＬＴＥ（３．９Ｇと呼ぶ場合もある）に準拠した通信手段、第４世代移動通信システム（４Ｇ）に準拠した通信手段、または第５世代移動通信システム（５Ｇ）に準拠した通信手段などの様々な通信手段を用いることができる。

【0094】

本発明の一態様である半導体素子の電気特性予測方法はコンピュータ１０を利用して半導体素子の電気特性を予測する。コンピュータ１０が有するプログラムは、メモリ１２、またはストレージ１５に保存されている。プログラムは、演算装置１１を用いて、学習モデルを生成する。プログラムは、入出力インターフェース１３を介して表示装置に表示することができる。ユーザは、表示装置１６ａに表示されたプログラムに対して、キーボードから工程リスト、電気特性、断面模式図、または断面観察像などの学習用データをプログラムに与えることができる。表示装置１６ａは、半導体素子の電気特性予測方法によって予測される半導体素子の電気特性を、数字、数式、またはグラフに変換して表示する。

【0095】

なお、当該プログラムは、ネットワークを介してリモートコンピュータ２２、またはリモートコンピュータ２３でも利用することができる。または、データベース２１、リモートコンピュータ２２、またはリモートコンピュータ２３が有するメモリまたはストレージに保存されたプログラムを利用して、コンピュータ１０で動作させることができる。リモートコンピュータ２２は、携帯情報端末、またはタブレットコンピュータ、ノート型コンピュータなどの携帯端末でもよい。携帯情報端末、または携帯端末などの場合は、無線通信を用いて通信することができる。

【0096】

よって、本発明の一態様は、コンピュータを利用した半導体素子の電気特性予測方法を提供することができる。半導体素子の電気特性予測方法は、学習データとして工程リスト、工程リストによって生成された半導体素子の電気特性、または工程リストによって生成された半導体素子の断面模式図または断面観察像を与えることでマルチモーダルな学習をすることができる。また、半導体素子の電気特性予測方法は、推論データとして新たな工程リスト、半導体素子に与える電圧条件、断面模式図、または断面観察像を与えることで半導体素子の電気特性または電気特性を表す式の変数の値を予測することができる。一例として、工程リストに新たな工程を追加した場合、トランジスタの電気的特性を容易に予測することができる。したがって、本発明の一態様である半導体素子の電気特性予測方法は、半導体素子の開発における確認用の実験を少なくすることができ、且つ、過去の実験の情報を有効に活用することができる。

【0097】

本実施の形態は、その一部を適宜組み合わせて実施することができる。

【符号の説明】

【0098】

ＯＵＴ＿ｗ：出力端子、ＯＵＴ＿１：出力端子、１０：コンピュータ、１１：演算装置、１２：メモリ、１３：入出力インターフェース、１４：通信デバイス、１５：ストレージ、１６ａ：表示装置、１６ｂ：キーボード、１７：ネットワークインターフェース、２１：データベース、２２：リモートコンピュータ、２３：リモートコンピュータ、１１０：特徴量算出部、１１０Ａ：特徴量算出部、１１０Ｂ：特徴量算出部、１１０Ｃ：特徴量算出部、１２０：特性予測部、２１０：学習モデル、２１１：ニューラルネットワーク、２１１ａ：入力層、２１１ｂ：隠れ層、２１１ｃ：隠れ層、２１２：ニューラルネットワーク、２１２ａ：ＡＧＧＲＥＧＡＴＥ層、２１２ｂ：全結合層、２１２ｃ：全結合層、２２０：学習モデル、２２１：ニューラルネットワーク、２３０：学習モデル、２３１：結合層、２３１Ａ：結合層、２３２：全結合層、２３３：全結合層、２４０：学習モデル、２４１：ニューラルネットワーク、２４１ａ：畳み込み層、２４１ｅ：畳み込み層、２４２：全結合層、２４２ａ：全結合層、２４２ｃ：全結合層

【図1】

【図2A】

【図2B】

【図2C】

【図2D】

【図3A】

【図3B】

【図3C】

【図4A】

【図4B】

【図4C】

【図5】

【図6A】

【図6B】

【図6C】

【図7】

【図8】

【図9】