特表2024-524862 | 知財ポータル「IP Force」

知財求人 - 知財ポータルサイト「IP Force」

▶ アプライド　マテリアルズ　インコーポレイテッドの特許一覧

特表2024-524862機械学習を使用した基板処理の終点検出

書誌要約請求の範囲詳細な説明課題実施例実施するための形態図面の説明

目に優しい文字サイズ小中大 PDF Top

< >

1
2
3
4
5
6
7A
7B
7C
7D
7E
7F
8
9
10
11

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公表特許公報(A)

(11)【公表番号】

(43)【公表日】2024-07-09

(54)【発明の名称】機械学習を使用した基板処理の終点検出

(51)【国際特許分類】

G06N 20/00 20190101AFI20240702BHJP

G06N 3/02 20060101ALI20240702BHJP

G06F 18/27 20230101ALI20240702BHJP

H01L 21/02 20060101ALI20240702BHJP

【ＦＩ】

G06N20/00

G06N3/02

G06F18/27

H01L21/02 Z

【審査請求】有

【予備審査請求】未請求

(21)【出願番号】P 2023575391

(86)(22)【出願日】2022-06-09

(85)【翻訳文提出日】2024-01-04

(86)【国際出願番号】 US2022032879

(87)【国際公開番号】W WO2022261358

(87)【国際公開日】2022-12-15

(31)【優先権主張番号】17/344,787

(32)【優先日】2021-06-10

(33)【優先権主張国・地域又は機関】US

(31)【優先権主張番号】17/344,788

(32)【優先日】2021-06-10

(33)【優先権主張国・地域又は機関】US

(81)【指定国・地域】

(71)【出願人】

【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】ＡＰＰＬＩＥＤＭＡＴＥＲＩＡＬＳ，ＩＮＣＯＲＰＯＲＡＴＥＤ

【住所又は居所原語表記】３０５０ＢｏｗｅｒｓＡｖｅｎｕｅＳａｎｔａＣｌａｒａＣＡ９５０５４Ｕ．Ｓ．Ａ．

(74)【代理人】

【識別番号】100101502

【弁理士】

【氏名又は名称】安齋嘉章

(72)【発明者】

【氏名】ハンペンユ

(72)【発明者】

【氏名】リェンレイ

(72)【発明者】

【氏名】チェンシュユ

(72)【発明者】

【氏名】イーガントッド

(72)【発明者】

【氏名】ライワンシュエ

(72)【発明者】

【氏名】リーチャオシェン

(72)【発明者】

【氏名】ルピンハム

(72)【発明者】

【氏名】ヤオジェンピン

(72)【発明者】

【氏名】クレイバーバリー

(57)【要約】

基板処理の終点検出のための方法及びシステムが提供される。機械学習モデルのセットがトレーニングされ、基板について収集されたスペクトルデータに基づき、基板の特定の種類の計測測定に関連する計測測定値が提供される。計測測定の特定の種類に関連する性能評価を考慮して、将来の基板の将来の基板処理の間に収集される将来のスペクトルデータが適用される各々の機械学習モデルが選択される。現在のスペクトルデータが現在の基板の現在の処理中に収集され、各々の機械学習モデルの入力として提供される。現在の基板に対応する各々の計測測定値の指標がトレーニング済み機械学習モデルの１つ以上の出力から抽出される。各々の計測測定が計測測定基準を満たすと決定したことに応答して、現在の処理を停止させるコマンドを含む命令が生成される。

【特許請求の範囲】

【請求項1】

基板に対して実行される基板処理中に収集されたスペクトルデータに基づいて、複数の機械学習モデルの各々をトレーニングするためのトレーニングデータを提供し、基板の特定の種類の計測測定に関連する計測測定値を提供する工程であって、複数の機械学習モデルの各々は、機械学習モデルの種類のセットの異なる種類に関連する工程と、
計測測定の測定値を考慮して、各々の機械学習モデルにより提供される計測測定値の精度に基づいて、複数の機械学習モデルの各々に性能評価を割り当てる工程であって、測定値は以前の基板のセットの以前の基板についての計測装置により収集された履歴計測データに基づいて生成される工程と、
複数の機械学習モデルの各々の性能評価を考慮して、将来の基板に対して実行される将来の基板処理中に収集される将来のスペクトルデータに適用される各々の機械学習モデルを選択する工程とを含む方法。

【請求項2】

以前の基板のセットの追加の以前の基板に対して実行された以前の基板処理中に収集された履歴スペクトルデータを受信する工程と、
追加の基板の履歴計測測定値を取得する工程であって、履歴計測測定値は追加の以前の基板の計測装置により収集された追加の履歴計測データに基づいて生成される工程と、
複数の機械学習モデルの各々をトレーニングするためのトレーニングデータを生成する工程であって、
履歴スペクトルデータを含むトレーニング入力を生成する工程と、
トレーニング入力に対する目標出力を生成する工程であって、目標出力は追加の基板についての履歴計測測定値を含む工程とを含み、
複数の機械学習モデルの各々をトレーニングするためにトレーニングデータを提供することは、（ｉ）トレーニング入力を含むトレーニング入力のセット、及び（ｉｉ）目標出力を含む目標出力のセットを提供することを含むトレーニングデータを生成する工程を含む、請求項１に記載の方法。

【請求項3】

履歴スペクトルデータは、以前の基板処理を実行した製造システムのシステムコントローラ、又は製造システムの終点検出システムの少なくとも１つから受信される、請求項２に記載の方法。

【請求項4】

将来の処理は将来の基板に対して第１の製造システムで実行され、以前の処理は以前の基板に対して、第１の製造システムとは異なる第２の製造システムで実行される、請求項２に記載の方法。

【請求項5】

以前の基板のセットのための検証データセットを取得する工程であって、検証データセットは、（ｉ）以前の基板のセット追加の以前の基板に対して実行された以前の基板処理中に収集された履歴スペクトルデータと、及び（ｉｉ）計測された計測測定値を含む工程と、
履歴スペクトルデータを複数の機械学習モデルの各々に入力として提供する工程と、
各々の機械学習モデルの１つ以上の出力から計測測定値を抽出する工程と、
抽出された計測測定値と計測測定の測定値との差に基づいて、各々の機械学習モデルの精度を決定する工程とを含む、請求項１に記載の方法。

【請求項6】

複数の機械学習モデルの各々に対する性能評価は、各々の機械学習モデルが計測測定の抽出値を提供する速度、又は将来の基板に対して将来の基板処理を実行するように構成された製造システムの処理デバイスに各々の機械学習モデルを送信する時間量の少なくとも１つに更に基づいて割り当てられる、請求項１に記載の方法。

【請求項7】

将来のスペクトルデータに適用される各々の機械学習モデルを選択する工程は、各々の機械学習モデルに割り当てられる性能評価が評価基準を満たしていると決定する工程を含む、請求項１に記載の方法。

【請求項8】

各々の機械学習モデルに割り当てられる性能評価が性能基準を満たすことを決定する工程は、
性能評価が性能評価閾値を超え、性能評価が機械学習モデルのうち他の機械学習モデルの性能評価より大きいことを決定する工程を含む、請求項７に記載の方法。

【請求項9】

複数の機械学習モデルのいずれの機械学習モデルに割り当てられる性能評価が性能評価閾値を超えないとの決定に応答して、複数の機械学習モデルの各々について追加のトレーニングデータを取得する工程と、
複数の機械学習モデルの各々を更にトレーニングするために追加のトレーニングデータを提供する工程とを含む、請求項１に記載の方法。

【請求項10】

機械学習モデルのタイプのセットは、線形回帰モデルタイプ、部分最小二乗回帰モデルタイプ、ガウス回帰モデルタイプ、ランダムフォレストモデルタイプ、サポートベクターマシンモデルタイプ、ニューラルネットワークタイプ、又はリッジ回帰モデルタイプを含む、請求項１に記載の方法。

【請求項11】

システムであって、
メモリと、
メモリに結合された処理デバイスであって、
製造システムにおける現在の基板の現在の処理中に収集された現在のスペクトルデータに基づいて、計測測定の現在値を提供するようにトレーニングされた機械学習モデルを取得し、トレーニング済み機械学習モデルは、計測測定の種類に関連する性能基準を満たす性能評価に関連付けられており、
現在のスペクトルデータをトレーニング済み機械学習モデルへの入力として提供し、トレーニング済み機械学習モデルの１つ以上の出力から、現在の基板に対応する各々の計測測定値の指標を抽出し、各々の計測測定値は計測測定のタイプに関連付けられ、
各々の計測値が、現在の処理に関連する計測測定基準を満たしているとの決定に応答して、製造システムで現在の処理を終了させるコマンドを含む命令を生成する処理デバイスを含むシステム。

【請求項12】

処理デバイスは、基板の現在の処理を実行する製造システムのシステムコントローラの一部であり、
トレーニング済み機械学習モデルを取得するために、処理デバイスは、システムコントローラに結合されたコンピューティングシステムの処理デバイスからトレーニング済み機械学習モデルを受信する、請求項１１記載のシステム。

【請求項13】

トレーニング済み機械学習モデルを取得するために、処理デバイスは機械学習モデルをトレーニングするためのトレーニングデータを提供し、計測測定の現在値を提供する、請求項１１記載のシステム。

【請求項14】

処理デバイスは、現在の基板の現在の処理中に収集された現在のスペクトルデータを取得し、
現在のスペクトルデータが現在の基板に関連する目標スペクトルデータに対応しないとの決定に応答して、製造システムに接続されたクライアントデバイスにエラー通知を送信する、請求項１１記載のシステム。

【請求項15】

各々の計測測定値が計測測定基準を満たすことを決定するために、処理デバイスは、各々の計測測定値が、現在の基板の現在の処理に関連する目標計測測定値に対応することを決定する、請求項１１に記載のシステム。

【請求項16】

各々の計測測定値が計測測定基準を満たさないとの決定に応答して、処理デバイスは、
製造システムに接続されたクライアントデバイスにエラー通知を送信すること、又は
収集されたスペクトルデータ及び各々の計測測定値をトレーニングデータとして提供して、トレーニング済み機械学習モデルを更にトレーニングすることの少なくとも１つを実行する、請求項１１に記載のシステム。

【請求項17】

トレーニング済み機械学習モデルは、線形回帰モデルタイプ、部分最小二乗回帰モデルタイプ、ガウス回帰モデルタイプ、ランダムフォレストモデルタイプ、サポートベクトルモデルタイプ、ニューラルネットワークタイプ、又はリッジ回帰モデルタイプの少なくとも１つに関連する、請求項１１に記載のシステム。

【請求項18】

トレーニング済み機械学習モデルは、現在の基板の現在の処理を実行する製造システムとは異なる追加の製造システムで、以前の基板に対して実行された以前の基板処理中に収集された履歴スペクトルデータを使用してトレーニングされる、請求項１１に記載のシステム。

【請求項19】

命令を含む非一時的なコンピュータ可読媒体であって、処理デバイスにより実行されると、処理デバイスは、
基板に対して実行される基板処理中に収集されたスペクトルデータに基づいて、複数の機械学習モデルの各々をトレーニングするためのトレーニングデータを提供し、基板の特定の種類の計測測定に関連する計測測定値を提供し、複数の機械学習モデルの各々は機械学習モデルの種類のセットの異なる種類に関連付けられ、
計測測定の測定値を考慮して、各々の機械学習モデルにより提供される計測測定値の精度に基づいて、複数の機械学習モデルの各々に性能評価を割り当て、測定値は以前の基板のセットの以前の基板についての計測装置により収集された履歴計測データに基づいて生成され、
複数の機械学習モデルの各々の性能評価を考慮して、将来の基板に対して実行される将来の基板処理中に収集される将来のスペクトルデータに適用される各々の機械学習モデルを選択する、非一時的なコンピュータ可読媒体。

【請求項20】

各々の計測値が計測測定基準を満たすことを決定するため、処理デバイスは、各々の計測測定値が、現在の基板の現在の処理に関連する目標計測値に対応することを決定する、請求項１９記載の非一時的なコンピュータ可読媒体。

【請求項21】

第１の製造システムで現在の処理に従って処理されている現在の基板の計測測定を提供するために機械学習モデルをトレーニングする方法であって、
以前の処理に従って第２の製造システムで処理された以前の基板に関連する履歴スペクトルデータのセットを取得する工程であって、履歴スペクトルデータのセットは、以前の処理の複数の工程の各々の間に以前の基板に対して収集された履歴スペクトルデータを含む工程と、
履歴スペクトルデータのセットに基づいて正規化された履歴スペクトルデータのセットを生成する工程であって、正規化された履歴スペクトルデータのセットは、以前の処理の複数の工程の最初の工程中に収集された第１の履歴スペクトルデータと、複数工程の１つ以上の後続の工程中に収集された第２の履歴スペクトルデータとの間の差に基づいて生成される工程と、
機械学習モデルのトレーニングデータを生成する工程であって、
正規化された履歴スペクトルデータのセットから抽出された履歴スペクトルデータのサブセットを含むトレーニング入力を生成する工程であって、履歴スペクトルデータのサブセットは、特定の種類の計測測定に関連する１つ以上の履歴スペクトルフィーチャの指標を含む工程と、
トレーニング入力に対する目標出力を生成する工程であって、目標出力は、以前の基板の履歴計測測定値を含み、履歴計測測定値は、特定の種類の計測測定に関連する工程を含むトレーニングデータを生成する工程と、
（ｉ）トレーニング入力を含むセットのトレーニング入力、及び（ｉｉ）目標出力を含むセットの目標出力に関して機械学習モデルをトレーニングするためのトレーニングデータを提供する工程を含む方法。

【請求項22】

正規化された履歴スペクトルデータのセットを生成する工程は、
履歴スペクトルデータのセットから、以前の処理の複数の工程の最初の工程中に収集された第１の履歴スペクトルデータを識別する工程と、
履歴スペクトルデータのセットから、複数の工程の各々の後続の工程中に収集された第２の履歴スペクトルデータを識別する工程と、
第１の履歴スペクトルデータと第２の履歴スペクトルデータとの間の差を決定する工程を含む、請求項２１記載の方法。

【請求項23】

履歴スペクトルデータのサブセットを含むトレーニング入力を生成する工程は、
特定の種類の計測測定に関連するスペクトルフィーチャを決定する工程と、
正規化された履歴スペクトルデータのセットから、決定されたスペクトルフィーチャに対応する履歴スペクトルフィーチャの指標を含む各々の履歴スペクトルデータを識別する工程と、
正規化された履歴スペクトルデータのセットから、履歴データのサブセットを抽出する工程であって、履歴データのサブセットは各々の履歴スペクトルデータを含む工程を含む、請求項２１に記載の方法。

【請求項24】

特定の種類の計測測定に関連するスペクトルフィーチャは、基板表面の他の部分のプロファイルパターンとは異なるプロファイルパターンを含む基板表面の一部に対応する、請求項２３に記載の方法。

【請求項25】

特定の種類の計測測定に関連するスペクトルフィーチャを決定する工程は、
第２の製造システムにおいて、以前の処理に従って処理された校正基板の表面に対して二次元スキャンを実行する工程と、
二次元スキャンの結果に基づいて、表面の他の部分のプロファイルパターンとは異なるプロファイルパターンを含む校正基板の表面の一部を識別する工程と、
校正基板について収集された履歴スペクトルデータから、校正基板の表面の識別された部分に関連する１つ以上のスペクトルフィーチャを選択する工程とを含む、請求項２４に記載の方法。

【請求項26】

特定の種類の計測測定に関連するスペクトルフィーチャは、スペクトル波長の範囲外にある他のスペクトル波長よりも高い精度を有する特定の種類の計測測定に関連する計測測定値を示すと決定されるスペクトル波長の範囲に対応する、請求項２３に記載の方法。

【請求項27】

特定の種類の計測測定に関連するスペクトルフィーチャを決定する工程は、
他のスペクトル波長よりも高い精度を有する特定の種類の計測測定に関連する計測測定値を示すスペクトル波長を提供するようにトレーニングされた波動解析モデルへの入力として、履歴スペクトルデータのセットの１つ以上の部分を提供する工程と、
波解析モデルの1つ以上の出力を取得する工程と、
１つ以上の出力からスペクトル波長の範囲を抽出する工程とを含む、請求項２６に記載の方法。

【請求項28】

履歴スペクトルデータのサブセットは、以前の処理の複数の工程の最終工程に対応する、請求項２１に記載の方法。

【請求項29】

第１の製造システムは第２の製造システムと同じである、請求項２１に記載の方法。

【請求項30】

以前の処理はエッチング処理又は堆積処理のうちの少なくとも１つを含む、請求項２１に記載の方法。

【請求項31】

特定の種類の計測測定は、以前の処理の実行後に以前の基板の表面に堆積された以前の膜の厚さ、以前の処理の実行後に以前の膜にエッチングされた１つ以上のフィーチャの特性、以前の処理の処理速度、又は以前処理の処理速度の均一性の少なくとも１つを含む、請求項２１に記載の方法。

【請求項32】

システムであって、
トレーニング済み機械学習モデルを保存するメモリと、
メモリに結合された処理デバイスであって、
現在の処理に従って製造システムで処理されている現在の基板に関連するスペクトルデータのセットを受信し、受信したスペクトルデータのセットは、現在の基板に対して実行される現在の処理の現在の工程に関連付けられ、
受信したスペクトルデータのセットに基づいて正規化されたスペクトルデータのセットを生成し、正規化されたスペクトルデータのセットは、現在の処理の現在の工程中に収集されたスペクトルデータと、現在の処理の以前の工程中に収集されたスペクトルデータとの間の差に基づいて生成され、
トレーニング済み機械学習モデルへの入力として、正規化されたスペクトルデータのセットから抽出されたスペクトルデータのサブセットを提供し、スペクトルデータのサブセットは特定の種類の計測測定に対応する１つ以上のスペクトルフィーチャの指標を含み、
トレーニング済み機械学習モデルの1つ以上の出力を取得し、
１つ以上の出力から、特定の種類の計測測定に関連する１つ以上の計測測定値を識別する計測測定データと、以前の処理に従って製造システムで処理された以前の基板について取得された１つ以上の計測測定値と、１つ以上の計測測定値の各々が現在の基板に対応する信頼性のレベルの指標を抽出する処理デバイスを含むシステム。

【請求項33】

正規化されたスペクトルデータのセットを生成するため、処理デバイスは、
現在の処理の以前の工程で収集されたスペクトルデータをメモリから取得し、
処理の現在の工程中に収集されたスペクトルデータと、現在の処理の以前の工程中に収集されたスペクトルデータとの間の差を決定する、請求項３２に記載のシステム。

【請求項34】

現在の処理の以前の工程は現在の処理の最初の工程である、請求項３３に記載のシステム。

【請求項35】

処理デバイスは
特定の種類の計測測定に関連するスペクトルフィーチャを決定し、
正規化されたスペクトルデータのセットから、決定されたスペクトルフィーチャに対応するスペクトルフィーチャの指標を含む各々のスペクトルデータを識別し、
正規化されたスペクトルデータのセットから、スペクトルデータのサブセットを抽出し、スペクトルデータのサブセットは各々のスペクトルデータを含む、請求項３２に記載のシステム。

【請求項36】

特定の種類の計測測定に関連するスペクトルフィーチャは現在の基板の表面の一部に対応し、表面の一部は、現在の処理の終点において、基板表面の他の部分のプロファイルパターンとは異なるプロファイルパターンを含む、請求項３５に記載のシステム。

【請求項37】

特定の種類の計測測定に関連するスペクトルフィーチャは、特定の種類の計測測定に関連する計測測定値を表示すると決定されたスペクトル波長の範囲に対応し、スペクトル波長の範囲外の他のスペクトル波長より高い精度を有する特定の種類の計測測定に関連する、請求項３５に記載のシステム。

【請求項38】

特定の種類の計測測定は、現在の処理の実行中に現在の基板の表面に堆積された現在の膜の厚さ、現在の処理の実行中に現在の膜にエッチングされた１つ以上のフィーチャの特性、現在の処理の処理速度、又は現在の処理の処理速度の均一性の少なくとも１つを含む、請求項３２に記載の方法。

【請求項39】

トレーニング済み機械学習モデルは、現在の基板を処理する製造システムとは異なる追加の製造システムで以前の処理に従って処理された以前の基板について収集された履歴スペクトルデータを使用してトレーニングされる、請求項３２に記載のシステム。

【請求項40】

命令を含む非一時的なコンピュータ可読媒体であって、処理デバイスにより実行されると、処理デバイスは、
現在の処理に従って製造システムで処理されている現在の基板に関連するスペクトルデータのセットを受信し、受信したスペクトルデータのセットは、現在の基板に対して実行される現在の処理の現在の工程に関連付けられ、
受信したスペクトルデータのセットに基づいて正規化されたスペクトルデータのセットを生成し、正規化されたスペクトルデータのセットは、現在の処理の現在の工程中に収集されたスペクトルデータと、現在の処理の以前の工程中に収集されたスペクトルデータとの間の差に基づいて生成され、
トレーニング済み機械学習モデルへの入力として、正規化されたスペクトルデータのセットから抽出されたスペクトルデータの１つ以上のサブセットを提供し、スペクトルデータの１つ以上のサブセットは特定の種類の計測測定に対応する１つ以上のスペクトルフィーチャの指標を含み、
トレーニング済み機械学習モデルの1つ以上の出力を取得し、
１つ以上の出力から、特定の種類の計測測定に関連する１つ以上の計測測定値を識別する計測測定データと、以前の処理に従って製造システムで処理された以前の基板について取得された１つ以上の計測測定値と、１つ以上の計測測定値の各々が現在の基板に対応する信頼性のレベルの指標を抽出する非一時的なコンピュータ可読媒体。

【発明の詳細な説明】

【技術分野】

【0001】

本開示の実施形態は、一般に、製造システムに関し、より具体的には、機械学習を使用した基板処理終点検出に関する。

【背景】

【0002】

マイクロエレクトロニクス及び集積回路デバイスの製造には、多くの場合、半導体、誘電体、及び導電性の基板上で多数のオペレーションを実行することが含まれる。場合により、単結晶、半導体膜、コーティング、及び他の多数の物質が電子デバイスの製造やその他の実用用途に使用される。選択されたタイプの原子が基板に追加され（例えば、堆積により）、又は基板から除去される（例えば、エッチングにより）ため、効率的且つ正確な終点監視技術及びシステムが価値を有する。処理不足（例えば、堆積不足、エッチング不足）及び処理過剰（例えば、堆積過剰、処理過剰）は、デバイスが標準以下で誤オペレーションする可能性を生じさせる。従って、デバイス製造の様々な段階をリアルタイムで監視できる光学制御システムは製品の品質を大幅に向上させることができ、高品質の半導体デバイスに対する要求が絶え間なく高まっていることを考えると、特に有用である。

【概要】

【0003】

説明される実施形態の幾つかは、第１の製造システムで現在の処理に従って処理されている現在の基板の計測測定を提供するために機械学習モデルをトレーニングする方法をカバーする。この方法は、以前の処理に従って第２の製造システムで処理された以前の基板に関連する履歴スペクトルデータのセットを取得することを含む。履歴スペクトルデータのセットには、以前の処理の工程のセットの各々の間に以前の基板について収集された履歴スペクトルデータを含む。この方法は更に、履歴スペクトルデータのセットに基づいて、正規化された履歴スペクトルデータのセットを生成することを含む。正規化された履歴スペクトルデータのセットは、以前の処理の工程のセットの最初の工程中に収集された第１の履歴スペクトルデータと、工程のセットの１つ以上の後続の工程中に収集された第２の履歴スペクトルデータとの間の差に基づいて生成される。この方法は更に、機械学習モデルのトレーニングデータを生成することを含む。トレーニングデータを生成することは、正規化された履歴スペクトルデータのセットから抽出された履歴スペクトルデータのサブセットを含むトレーニング入力を生成することを含む。履歴スペクトルデータのサブセットは、特定の種類の計測測定に関連する１つ以上の履歴スペクトルフィーチャの指標を含む。トレーニングデータを生成することは、トレーニング入力に対する目標出力を生成することを更に含む。目標出力は、以前の基板の履歴計測測定値と、特定の種類の計測計測に関連する履歴計測測定値を含む。この方法は、（ｉ）トレーニング入力を含むトレーニング入力のセット、及び（ｉｉ）目標出力を含む目標出力のセットに基づいて機械学習モデルをトレーニングするためのトレーニングデータを提供する工程を更に含む。

【0004】

幾つかの実施形態では、システムは、トレーニング済み機械学習モデルを格納するメモリと、メモリに接続された処理デバイスとを含む。処理デバイスは、現在の処理に従って製造システムで処理されている現在の基板に関連するスペクトルデータのセットを受信する。受信したスペクトルデータのセットは、現在の基板に対して実行される現在の処理の現在の工程に関連する。処理デバイスは更に、受信したスペクトルデータのセットに基づいて、正規化されたスペクトルデータのセットを生成する。正規化されたスペクトルデータのセットは、現在の処理の現在の工程中に収集されたスペクトルデータと、現在の処理の以前の工程中に収集されたスペクトルデータとの間の差に基づいて生成される。処理デバイスは更に、正規化されたスペクトルデータのセットから抽出されたスペクトルデータのサブセットを、トレーニング済み機械学習モデルへの入力として提供する。スペクトルデータのサブセットは、特定の種類の計測測定に対応する１つ以上のスペクトルフィーチャの指標を含む。処理デバイスは更に、トレーニング済み機械学習モデルの１つ以上の出力を取得する。処理デバイスは更に、１つ以上の出力から、特定の種類の計測測定に関連する１つ以上の計測測定値を識別する計測測定データ、以前の処理に従って製造システムで処理された以前の基板について取得された１つ以上の計測測定値、及び１つ以上の計測測定値の各々が現在の基板に対応する信頼性レベルの指標を抽出する。

【0005】

幾つかの実施形態では、非一時的なコンピュータ可読記憶媒体は、処理デバイスにより実行されると、現在の処理に従って製造システムで処理されている現在の基板に関連するスペクトルデータのセットを処理デバイスに受信させる命令を含む。受信したスペクトルデータのセットは、現在の基板に対して実行される現在の処理の現在の工程に関連する。処理デバイスは更に、受信したスペクトルデータのセットに基づいて、正規化されたスペクトルデータのセットを生成する。正規化されたスペクトルデータのセットは、現在の処理の現在の工程中に収集されたスペクトルデータと、現在の処理の以前の工程中に収集されたスペクトルデータとの間の差に基づいて生成される。処理デバイスは更に、正規化されたスペクトルデータのセットから抽出されたスペクトルデータのサブセットを、トレーニング済み機械学習モデルへの入力として提供する。スペクトルデータのサブセットは、特定の種類の計測測定に対応する１つ以上のスペクトルフィーチャの指標を含む。処理デバイスは更に、トレーニング済み機械学習モデルの１つ以上の出力を取得する。処理デバイスは更に、１つ以上の出力から、特定の種類の計測測定に関連する１つ以上の計測測定値を識別する計測測定データ、以前の処理に従って、製造システムで処理された以前の基板について取得された１つ以上の計測測定値、及び１つ以上の計測測定値の各々が現在の基板に対応する信頼レベルの指標を抽出する。

【0006】

幾つかの実施形態では、機械学習モデルのセットの各々をトレーニングするためのトレーニングデータを提供して、基板の特定の種類の計測測定に関連する計測測定値を、基板について実行される基板処理中に収集されたスペクトルデータに基づいて提供する工程を含む方法を提供する。機械学習モデルのセットの各々は、機械学習モデルタイプの種類のセットの異なる種類に関連付けられる。この方法は、計測測定の測定値を考慮して、各々の機械学習モデルにより提供される計測測定の提供値の精度に基づいて、機械学習モデルのセットの各々に性能評価を割り当てる工程を更に含み、測定値は、以前の基板のセットのうちの以前の基板について計測装置により収集された履歴計測データに基づいて生成される。この方法は、機械学習モデルのセットの各々の性能評価を考慮して、将来の基板に対して実行される将来の基板処理中に収集される将来のスペクトルデータに適用される各々の機械学習モデルを選択する工程を更に含む。

【0007】

幾つかの実施形態では、システムは、メモリと、メモリに接続された処理デバイスとを含む。処理デバイスは、製造システムで現在の基板の現在の処理中に収集される現在のスペクトルデータに基づいて、計測測定のための現在値を提供するようにトレーニングされた、トレーニング済み機械学習モデルを取得する。トレーニング済み機械学習モデルは、計測測定の種類に関連する性能基準を満たす性能評価に関連付けられる。処理デバイスは更に、現在のスペクトルデータをトレーニング済み機械学習モデルへの入力として提供する。処理デバイスは更に、トレーニング済み機械学習モデルの１つ以上の出力から、現在の基板に対応する各々の計測測定値の指標を抽出する。各々の計測測定値は、計測測定のタイプに関連付けられる。処理デバイスは更に、各々の計測測定値が現在の処理に関連する計測基準を満たすとの決定に応答して、製造システムで現在の処理を終了させるコマンドを含む命令を生成する。

【0008】

幾つかの実施形態では、非一時的なコンピュータ可読記憶媒体は、処理デバイスにより実行されると、機械学習モデルのセットの各々をトレーニングするためのトレーニングデータを処理デバイスに提供させ、基板に対して実行される基板処理中に収集されたスペクトルデータに基づき、基板の特定の種類の計測測定に関連する計測測定値を提供する命令を含む。機械学習モデルのセットの各々は、機械学習モデルの種類のセットの異なる種類に関連付けられる。処理デバイスは更に、計測測定の測定値を考慮して、各々の機械学習モデルにより提供される計測測定の提供値の精度に基づいて、機械学習モデルのセットの各々に性能評価を割り当てる。測定値は、以前の基板のセットのうちの以前の基板についての計測装置により収集された履歴計測データに基づいて生成される。処理デバイスは更に、機械学習モデルのセットの各々の性能評価を考慮して、将来の基板に対して実行される将来の基板処理中に収集される将来のスペクトルデータに適用される各々の機械学習モデルを選択する。

【図面の簡単な説明】

【0009】

本開示は、限定ではなく例として添付図面に示されており、同様の参照符号は同様の要素を示す。本開示における「一実施形態」又は「１つの実施形態」への異なる言及は必ずしも同じ実施形態を指すわけではなく、そのような言及は少なくとも１つを意味することに留意すべきである。

【図1】本開示の態様による、例示的なコンピュータシステムアーキテクチャを示す。

【図2】本開示の態様による、例示的な製造システムの上面概略図である。

【図3】本開示の態様による、基板処理の終点検出のための例示的なシステムアーキテクチャを示す。

【図4】本開示の態様による、機械学習モデルをトレーニングする方法のフローチャートである。

【図5】本開示の態様による、終点検出装置の概略側面断面図である。

【図6】本開示の態様による、機械学習モデルで使用するデータを取得する方法のフローチャートである。

【図7A】～

【図7F】本開示の態様による、機械学習モデルで使用するためのデータの取得を示す図である。

【図8】本開示の態様による、機械学習モデルを使用して基板のプロファイルの計測値を推定する方法のフローチャートである。

【図9】本開示の態様による、計測測定値のタイプを推定するための機械学習モデルを選択する方法のフローチャートである。

【図10】本開示の態様による、機械学習モデルを使用して基板処理の終点を検出する方法のフローチャートである。

【図11】本開示の１つ以上の態様に従ってオペレーションする例示的なコンピュータシステムのブロック図を示す。

【実施形態の詳細な説明】

【0010】

本開示の実施形態は、スペクトルデータ収集が強化された終点検出システムを対象とする。基板処理（例えば、堆積処理、エッチング処理等）は、製造システムの処理チャンバで基板に対して実行することができる。基板処理の終点とは、基板のプロファイルが目標基板プロファイルに対応する（即ち、一致又は実質的に一致する）処理の点を意味する。例えば、目標基板プロファイルのパターンを含むマスクを、シリコンウエハ等の基板のエッチング処理中に使用することができる。マスクはウエハの表面上に配置され、反応性（例えば、ウェット又はドライエッチング）環境に曝され、マスクにより保護されていない基板の部分を除去することができる。エッチング処理の終点とは、基板プロファイルがマスクにより提供される目標基板プロファイルのパターンに対応するエッチング処理の点を意味する。

【0011】

処理手順からの逸脱により、基板処理の速度及び／又は均一性が変動する場合がある。例えば、エッチング環境の変化やフォトマスクパターンの違いにより、基板の表面全体に亘って、又は複数の基板のエッチング処理間で、エッチングの速度と均一性にばらつきが生じる可能性がある。このような変化を追跡し、これに応答するには、基板処理中の様々な期間で基板の表面を特徴付ける正確且つ実質的な光学応答データを収集することができる、正確で調整可能な光学終点システムが必要である。精度の目標は、マイクロ電子デバイスの寸法の縮小、フォトマスクの設計の益々の複雑化、デバイスの均一性への要求の高まりにより更に推進されている。既存の終点検出システムは、多くの場合、このような増大する技術的要求に応えることができない。

【0012】

本開示の態様及び実施形態は、機械学習を使用した基板処理終点検出のための方法及びシステムにより、従来技術のこの欠点及び他の欠点に対処する。終点検出装置は、処理チャンバに結合又は処理チャンバと伴に配置することができ、基板処理中に基板のスペクトルデータを収集するように構成することができる。スペクトルデータは、基板の表面から反射された光の各々の波長について検出されたエネルギーの波の強度（即ち、エネルギーの強度又は量）に関連するデータを意味する。終点検出装置は、収集されたスペクトルデータを、処理チャンバを含む製造システムの処理デバイス（例えば、製造システムのシステムコントローラ）に送信することができる。処理デバイスは、終点検出装置により収集されたスペクトルデータに基づいて、正規化されたスペクトルデータを生成することができ、特定の種類の計測（例えば、限界寸法等）に関連するスペクトルフィーチャを含むスペクトルデータのサブセットを正規化されたスペクトルデータから抽出することができる。

【0013】

処理デバイスは、スペクトルデータのサブセットを、スペクトルデータが収集される期間における基板の特定の種類の計測測定に関連する計測測定値を提供するようにトレーニングされた機械学習モデルへ入力として提供することができる。機械学習モデルは、各々が異なる機械学習モデルの種類に関連するトレーニング済み機械学習モデルのセットから、基板のスペクトルデータに適用するように選択することができる。機械学習モデルは、特定の種類の計測測定に関する性能基準を満たす性能評価を有する、トレーニング済み機械学習モデルとして選択することができる。幾つかの実施形態では、機械学習モデルは、システムコントローラにより使用されるようにトレーニングされ、選択される。他の又は同様の実施形態では、機械学習モデルは、製造システムのシステムコントローラとは別の他の処理デバイス（例えば、製造システムのユーザがアクセスできないオフラインサーバ）により使用されるようにトレーニング及び／又は選択される。

【0014】

処理デバイスは、トレーニング済み機械学習モデルの１つ以上の出力を取得し、１つ以上の出力から基板に対して提供された計測測定値を抽出することができる。処理デバイスは、提供された計測測定値が測定基準を満たすかどうか（即ち、基板処理の目標計測測定値にほぼ対応するかどうか）を決定することができる。提供された計測値が測定基準を満たしている場合、基板処理の終点に到達したと示すことができる（即ち、基板の現在のプロファイルが目標基板プロファイルに対応する）。測定基準が満たされたとの決定に応答して、処理デバイスは処理チャンバで基板処理を終了させることができる。例えば、処理デバイスは、基板処理を終了させる命令を生成することができる。測定基準が満たされていないとの決定に応答して、処理デバイスは、処理チャンバで基板処理を継続させることができる（例えば、処理デバイスは、処理チャンバに対する命令を生成しない）。

【0015】

本開示の態様は、基板処理の終点を検出するために機械学習モデルをトレーニングし及び使用するためのシステム及び方法を提供することにより、従来の技術の欠陥に対処する。処理チャンバに接続された終点検出装置は、基板処理中に特定の周波数で基板のスペクトルデータを収集することができる。収集されたスペクトルデータはトレーニング済み機械学習モデルへの入力として提供され、基板の特定の種類の計測測定値のリアルタイム推定値を提供し、基板処理の終点に到達したかどうかを決定するために使用される。スペクトルデータの周波数収集と計測測定値の推定により、処理チャンバでの周波数終点モニタリングが可能になり、基板の処理不足（例えば、エッチング不足、堆積不足等）又は処理過剰（例えば、エッチング過剰、堆積過剰等）の可能性を防止する。その結果、製造システム内で発生する欠陥の数が減少し、システム全体の効率とシステム全体の歩留まりが向上する。

【0016】

基板の特定の種類の計測測定値を、他の種類の計測測定値に関連する他の終点メトリクスよりも高い精度で基板処理の終点を示す終点メトリクスとして（例えば、オペレータ、エンジニア等が）選択することができる。機械学習モデルはトレーニングされ、特定の種類の計測測定値に関連する性能基準を満たす性能評価を持つモデルとして、異なる種類の機械学習モデルのセットから選択される。従って、基板について提供される計測測定値は、従来の計測推定システムにより提供される他の計測測定値よりも高い精度に関連する。従って、選択された機械学習モデルにより提供される計測測定値は高精度評価に関連付けられ、提供された計測測定値に基づいて終点検出の精度が向上し、基板の処理不足又は処理過剰の可能性を更に防止する。

【0017】

更に、上述のように、機械学習モデルを、製造システムのシステムコントローラとは別の処理デバイスでトレーニングし、機械学習モデルのセットから選択することができる。これにより、システムコントローラにより消費されるシステムリソースの量が大幅に削減され、システム全体の効率が向上し、システム全体の遅延が減少する。

【0018】

本開示の終点検出システムは、従来の終点検出システムでは不可能であった強化されたスペクトルデータ収集を提供する。本開示の終点検出システムの光バンドルは、送信信号のパワーを低減することがある追加機器（ビームスプリッタ等）を使用することなく、光源コンポーネントから基板表面への複数の入射光信号の伝送、及び基板表面から光検出器への複数の反射光信号の伝送を可能にする。そのため、光バンドルは反射光をより効率的に収集し、反射光ビームの信号損失を低減し、反射光信号が従来の光ファイバケーブルよりも全体的に大きくなるようにする。終点検出システムのコリメータアセンブリは、広範囲の波長に対して均一な空間プロファイルを有する入射光のビームを生成する。例えば、入射光ビームの幅は、ビームの２５０ｎｍのスペクトル成分についても、ビームの７５０ｎｍのスペクトル成分についても同じにすることができる。更に、異なる製造システム間でビームのアライメントが異なる場合でも、入射光ビームの幅を同じにすることができる。向上した均一性により、処理チャンバ内の基板表面の目標部分の光学応答のより正確な測定が可能となり、従って、基板処理中の基板プロファイルの状態をより正確に決定することを可能にする、より正確なデータが提供される。

【0019】

図１は、本開示の態様による、例示的なコンピュータシステムアーキテクチャ１００を示す。コンピュータシステムアーキテクチャ１００は、クライアントデバイス１２０、製造装置１２２、計測装置１３２、予測サーバ１１２（例えば、予測データを生成するため、モデル適応を提供するため、知識ベースを使用するため等）、及びデータストア１５０を含む。予測サーバ１１２は予測システム１１０の一部であってもよい。更に、予測システム１１０はサーバマシン１７０、１８０を含むことができる。幾つかの実施形態では、コンピュータシステムアーキテクチャ１００は、基板を処理するための製造システム（例えば、図２の製造システム２００等）を含むか、又はその一部であってもよい。追加的又は代替的な実施形態では、コンピュータシステムアーキテクチャ１００は、基板処理の終点を検出するための終点検出システムを含むか、又はその一部であってもよい。終点検出システムに関する更なる詳細は図３に関連して提供される。

【0020】

クライアントデバイス１２０、製造装置１２２、計測装置１３２、予測システム１１０、及び／又はデータストア１５０のコンポーネントは、ネットワーク１４０を介して相互に結合することができる。幾つかの実施形態では、ネットワーク１４０は、クライアントデバイス１２０に予測サーバ１１２、データストア１５０、及び他の公的に利用可能なコンピューティングデバイスへのアクセスを提供するパブリックネットワークである。幾つかの実施形態では、ネットワーク１４０は、クライアントデバイス１２０に製造装置１２２、計測装置１３２、データストア１５０、及び他の私的に利用可能なコンピューティングデバイスへのアクセスを提供する私的なネットワークである。ネットワーク１４０は、１つ以上のワイドエリアネットワーク（ＷＡＮ）、ローカルエリアネットワーク（ＬＡＮ）、有線ネットワーク（例えば、イーサネットネットワーク）、無線ネットワーク（例えば、８０２．１１ネットワーク又はＷｉ‐Ｆｉネットワーク）、セルラーネットワーク（例えば、ロングタームエボリューション（ＬＴＥ）ネットワーク）、ルータ、ハブ、スイッチ、サーバコンピュータ、クラウドコンピューティングネットワーク、及び／又はこれらの組み合わせを含むことができる。

【0021】

クライアントデバイス１２０は、パーソナルコンピュータ（ＰＣ）、ラップトップ、携帯電話、スマートフォン、タブレットコンピュータ、ネットブックコンピュータ、ネットワーク接続テレビ（「スマートＴＶ」）、ネットワーク接続メディアプレーヤ（例えば、ブルーレイプレーヤ）、セットトップボックス、オーバーザトップ（ＯＴＴ）ストリーミングデバイス、オペレータボックス等のコンピューティングデバイスを含むことができる。

【0022】

製造装置１２２は、レシピに従って製品を生産するか、又は一定期間に亘って作用を実行することができる。幾つかの実施形態では、製造装置１２２は、基板に対して異なる作用を実行するように構成された１つ以上のステーション（例えば、処理チャンバ、搬送チャンバ、ロードロック等）を含む処理ツールを含むか、又はその一部であってもよい。更に、幾つかの実施形態では、製造装置１２２は、製造装置１２２において基板に対して実行される処理の終点を検出するために用いられるデータを収集するように構成された終点検出装置１２４を含むことができる。基板処理の終点とは、基板のプロファイルが目標（ターゲット）プロファイルに対応する（即ち、一致又は実質的に一致する）処理の点を意味する。終点検出装置１２４は、基板処理中に基板表面のプロファイルの１つ以上の部分に関連するスペクトルデータを収集及び／又は生成するように構成された１つ以上のコンポーネントを含むことができる。スペクトルデータは、検出された波の各波長に対するエネルギーの検出された波の強度（即ち、エネルギーの強度又は量）に関連するデータを意味する。

【0023】

幾つかの実施形態では、終点検出装置１２４は、光源からの入射光を基板の表面に向け、基板の表面からの反射光を光検出コンポーネントに伝送するように構成された光ファイババンドル及びコリメータアセンブリを含むことができる。終点検出装置１２４に結合された処理デバイス（例えば、処理ツールのシステムコントローラ）は、光検出コンポーネントに伝送された反射光に基づいて基板のプロファイルのスペクトルデータを生成することができる。他の又は同様の実施形態では、終点検出装置１２４は、基板プロファイルに関連するスペクトルデータを生成するように構成されたセンサを含むことができる。このようなセンサは、反射率センサ、エリプソメトリセンサ、熱スペクトルセンサ、容量センサ等を含むことができる。製造装置１２２及び終点検出装置１２４に関する更なる詳細は、各々、図２及び５に関連して提供される。

【0024】

幾つかの実施形態では、製造装置１２２の１つ以上のステーションは、製造装置１２２に関連するセンサデータを生成及び／又は収集するように構成されたセンサを含むことができる。センサデータは、温度（例えば、ヒータ温度）、スペース（ＳＰ）、圧力、高周波周波数（ＨＦＲＦ）、静電チャック（ＥＳＣ）の電圧、電流、流量、電力、電圧等の１つ以上の値を含むことができる。センサデータは、ハードウェアパラメーター等の製造パラメータ（例えば、製造装置１２２の設定又はコンポーネント（例えば、サイズ、タイプ等）等）、又は製造装置１２２の処理パラメータに関連し、又は表示することができる。センサデータは、製造装置１２２が基板処理を実行している間に提供することができる。センサデータは基板ごとに異なる場合がある。

【0025】

幾つかの実施形態では、製造装置１２２は計測装置１２６を含むことができる。計測装置１２６は、製造装置１２２により処理される基板に関連する計測データを生成するように構成することができる。計測データは、膜特性データ（例えば、ウエハ空間膜特性）、寸法（例えば、厚さ、高さ等）、誘電率、ドーパント濃度、密度、欠陥等の１つ以上の値を含むことができる。更に、幾つかの実施形態では、計測データは、１つ以上の表面プロファイル特性データ（例えば、エッチング速度、エッチング速度の均一性、基板の表面に含まれる１つ以上のフィーチャの限界寸法、基板の表面に亘る限界寸法の均一性、エッジ配置誤差等）の値を含むことができる。計測データは、最終的なもの又は準最終的なものの場合がある。計測データは基板ごとに異なる場合がある。

【0026】

計測装置１２６は、基板処理の前又は後に基板に関連する計測データを生成するように構成することができる。計測装置１２６は、製造装置１２２の処理ツールのステーションと統合することができる。幾つかの実施形態では、計測装置１２６は、真空環境（例えば、処理チャンバ、搬送チャンバ等）に維持される処理ツールのステーションに結合され、又はその一部であってもよい。このような計測装置１２６は、統合計測装置１２８と呼ばれる。従って、基板は、基板が真空環境にある間に、統合計測装置１２８により測定されることができる。例えば、基板処理（例えば、エッチング処理、堆積処理等）が基板に対して実行された後、処理された基板を真空環境から取り出すことなく、処理された基板の計測データを統合計測装置１２８により生成することができる。他の又は同様の実施形態では、計測装置１２６は、真空環境下で維持されない処理ツールステーション（例えば、ファクトリインターフェースモジュール等）に結合されるか、又はその一部であってもよい。このような計測装置１２６は、インライン計測装置１３０と呼ばれる。従って、基板は、真空環境の外側でインライン計測装置１３０により測定される。

【0027】

計測装置１２６に加えて、又は計測装置１２６の代わりに、コンピュータシステムアーキテクチャ１００は計測装置１３２を含むことができる。計測装置１３２は、製造機器１２２とは別個（即ち、外部）の計測測定デバイスを含むことができる。例えば、計測装置１３２は、は、製造装置１２２のどのステーションにも結合されていないスタンドアローン装置であってもよい。計測装置１３２を使用して基板の測定値を取得するために、製造システムのユーザ（例えば、エンジニア、オペレータ）は、製造装置１２４で処理された基板を、製造装置１２２から取り出し、測定のために計測装置１３２に移送することができる。幾つかの実施形態では、計測装置１３２は、基板に対して生成された計測データを、ネットワーク１４０を介して計測装置１３２に結合されたクライアントデバイス１２０に転送することができる（例えば、オペレータ又はエンジニア等の製造ユーザへの提示のために）。他の又は同様の実施形態では、製造システムのユーザは、計測装置１３２から基板の計測データを取得することができ、クライアントデバイス１２０のグラフィカルユーザインターフェース（ＧＵＩ）を介して、計測データをコンピュータシステムアーキテクチャに提供することができる。

【0028】

データストア１５０は、メモリ（例えば、ランダムアクセスメモリ）、ドライブ（例えば、ハードドライブ、フラッシュドライブ）、データベースシステム、又はデータを格納できる他の種類のコンポーネント又はデバイスであってもよい。データストア１５０は、複数のコンピューティングデバイス（例えば、複数のサーバコンピュータ）をスパンすることができる複数のストレージコンポーネント（例えば、複数のドライブ又は複数のデータベース）を含むことができる。データストア１５０は、スペクトルデータ、非スペクトルデータ（例えば、センサデータ）、計測データ、予測データ等を記憶することができる。スペクトルデータは、履歴スペクトルデータ（例えば、製造装置１２２又はネットワーク１４０を介してデータストア１５０に結合された他の製造装置で処理された以前の基板に対して生成されたスペクトルデータ）、及び／又は現在のスペクトルデータ（製造装置１２２で処理されている現在の基板に対して生成されたスペクトルデータ）を含むことができる。現在のスペクトルデータは、予測データが生成されるデータであってもよい。幾つかの実施形態では、計測データは、履歴計測データ（例えば、製造装置１２２又は他の製造装置で処理された以前の基板の計測測定値）を含むことができる。また、データストア１５０は、製造システムで処理されている基板に関連するコンテキストデータ（例えば、レシピ名、レシピ工程番号、予防保守インジケータ、オペレータ等）を保存することができる。

【0029】

データストア１５０の１つ以上の部分は、製造システムのユーザがアクセスできないデータを保存するように構成することができる。幾つかの実施形態では、データストア１５０に格納された全てのデータは、製造システムのユーザによりアクセスできない場合がある。他の又は同様の実施形態では、データストア１５０に保存されたデータの一部はユーザによりアクセスできないが、データストア１５０に保存されたデータの他の部分はユーザによりアクセス可能である。幾つかの実施形態では、データストア１５０に格納されたアクセス不可能なデータは、ユーザにとって未知の暗号化機構を使用して暗号化される（例えば、データは秘密暗号鍵を使用して暗号化される）。他の又は同様の実施形態では、データストア１５０は、ユーザがアクセスできないデータが第１のデータストアに格納され、ユーザがアクセスできるデータが第２のデータストアに格納される複数のデータストアを含むことができる。

【0030】

幾つかの実施形態では、予測システム１１０は、サーバマシン１７０及びサーバマシン１８０を含む。サーバマシン１７０は、機械学習モデル１９０又は機械学習モデル１９０のセットをトレーニングし、検証し、及び／又はテストするためのトレーニングデータセット（例えば、データ入力のセット及び目標出力のセット）を生成することができるトレーニングセットジェネレータ１７２を含む。トレーニングセットジェネレータ１７２の幾つかのオペレーションは、図４に関して以下で詳細に説明される。幾つかの実施形態では、トレーニングセットジェネレータ１７２は、トレーニングデータをトレーニングセット、検証セット、及びテストセットに分割することができる。

【0031】

サーバマシン１８０はトレーニングエンジン１８２を含むことができる。エンジンは、ハードウェア（例えば、回路、専用ロジック、プログラマブルロジック、マイクロコード、処理デバイス等）、ソフトウェア（例えば、処理デバイス、汎用コンピュータシステム、又は専用マシン上で実行される命令等）、ファームウェア、マイクロコード、又はこれらの組み合わせを意味することができる。トレーニングエンジン１８２は、機械学習モデル１９０又は機械学習モデル１９０のセットをトレーニングすることができる。機械学習モデル１９０は、トレーニング入力及び対応する目標出力（各々のトレーニング入力に対する正解）を含むトレーニングデータを使用してトレーニングエンジン１８２により生成されるモデルアーチファクトを意味することができる。トレーニングエンジン１８２は、トレーニング入力を目標出力（予測される答え）にマッピングするトレーニングデータ内のパターンを見つけ、これらのパターンを捕捉する機械学習モデル１９０を提供することができる。機械学習モデル１９０は、線形回帰モデル、部分最小二乗回帰モデル、ガウス回帰モデル、ランダムフォレストモデル、サポートベクタマシンモデル、ニューラルネットワーク、リッジ回帰モデル等を含むことができる。

【0032】

また、トレーニングエンジンは１８２は、トレーニングセットジェネレータ１７２からの検証セットの対応するフィーチャセットを使用して、トレーニング済み機械学習モデル１９０を検証することができる。幾つかの実施形態では、トレーニングエンジン１８２は、トレーニング済み機械学習モデル１９０のセットの各々に対して性能評価を割り当てることができる。性能評価は、各々のトレーニング済みモデルの精度、各々のモデルの速度、及び／又は各々のモデルの効率に対応することができる。トレーニングエンジン１８２は、本明細書に記載の実施形態により、予測コンポーネント１１４により使用される性能基準を満たす性能評価を有するトレーニング済み機械学習モデル１９０を選択することができる。トレーニングエンジン１８２に関する更なる詳細は図９に関連して提供される。

【0033】

予測サーバ１１２は、製造装置１２２で処理されている現在の基板の一部のスペクトルデータをトレーニング済み機械学習モデル１９０への入力として提供し、入力上でトレーニング済みモデル１９０を実行して１つ以上の出力を得ることができる予測エンジン１１４を含む。幾つかの実施形態では、予測エンジン１１４により実行されるトレーニング済みモデル１９０は、上述のように、性能基準を満たす性能評価を有するものとしてトレーニングエンジン１８２により選択される。また、図８に関連して更に説明されるように、幾つかの実施形態では、予測エンジン１１４は、トレーニング済み機械学習モデル１９０の出力からデータを抽出し、その信頼データを使用して基板の一部の計測測定を提供することができる。

【0034】

信頼性データは、計測値が現在のスペクトルデータに関連する基板の１つ以上の特性に対応するという信頼性のレベルを含むか、又は示すことができる。一例では、信頼レベルは０と１の間の実数であり、０は計測値が現在のスペクトルデータに関連する基板の１つ以上の特性に対応するという信頼がないことを示し、１は計測値が現在のスペクトルデータに関連する基板の１つ以上の特性に対応する絶対的な信頼性を示す。幾つかの実施形態では、終点検出システムは、インライン計測装置１２８、統合計測装置１３０、及び／又は外部計測装置１３２を使用して測定値を決定する代わりに、予測システム１１０を使用して、製造システムで処理されている基板の計測値を提供し、計測値を決定することができる。終点検出システムは、本明細書で提供される実施形態により、基板に対して提供された計測値に基づいて、基板処理の終点に到達したかどうかを決定することができる。

【0035】

幾つかの他の実施形態では、予測サーバ１１２と同様にサーバマシン１７０及び１８０の機能は、より多くの又はより少ない数のマシンにより提供することができることに留意すべきである。例えば、幾つかの実施形態では、サーバマシン１７０及び１８０を単一のマシンに統合することができ、他の幾つかの又は類似の実施形態では、サーバマシン１７０及び１８０、及び予測サーバ１１２を単一のマシンに統合することができる。一般に、一実施形態においてサーバマシン１７０、サーバマシン１８０、及び／又は予測サーバ１１２により実行されるものとして説明されている機能は、クライアントデバイス１２０上でも実行することができる。更に、特定のコンポーネントに起因する機能は、異なる又は連携して作動する複数のコンポーネントにより実行することもできる。サーバマシン１７０、１８０及び予測サーバ１１２の機能のグループ化に関する更なる詳細は、図３に関連して提供される。

【0036】

実施形態では、「ユーザ」は単一の個人として表すことができる。しかし、本開示の他の実施形態では、複数のユーザ及び／又は自動ソースにより制御されるエンティティである「ユーザ」を包含する。例えば、管理者のグループとしてフェデレーションされた一連の個々のユーザを「ユーザ」とみなすことができる。

【0037】

図２は例示的な製造システム２００の上面概略図である。製造システム２００は、基板２０２上で１つ以上の処理を実行することができる。基板２０２は、本開示の態様により、その上に電子デバイス又は回路コンポーネントを製造するのに適した、任意の適切な剛性の固定寸法の平面物品（例えば、シリコン含有ディスク又はウエハ、パターン化ウエハ、ガラス板等）であってもよい。幾つかの実施形態では、製造システム２００は、図１に関連して説明された実施形態により、コンピュータシステムアーキテクチャ１１０を含むか、又はその一部とすることができる。

【0038】

製造システム２００は、処理ツール２０４と、処理ツール２０４に結合されたファクトリインターフェース２０６を含むことができる。処理ツール２０４は、内部に搬送チャンバ２１０を有するハウジング２０８を含むことができる。搬送チャンバ２１０は、その周囲に配置され、それに結合された１つ以上の処理チャンバ（プロセスチャンバとも呼ばれる）２１４、２１６、２１８を含むことができる。処理チャンバ２１４、２１６、２１８は、各々のポート（例えば、スリットバルブ等）を介して搬送チャンバ２１０に結合することができる。また、搬送チャンバ２１０は、処理チャンバ２１４、２１６、２１８、ロードロック２２０等の間で基板２０２を搬送するように構成された搬送チャンバロボット２１２を含むことができる。搬送チャンバロボット２１２は１つ以上のアームを含み、各々のアームは各々のアームの端部に１つ以上のエンドエフェクタを含むことができる。エンドエフェクタは、ウエハ等の特定の物体を取り扱うように構成することができる。

【0039】

また、幾つかの実施形態では、搬送チャンバ２１０は、図１に関して説明された統合計測装置１２８等の計測装置を含むことができる。統合計測装置１２８は、基板が真空環境に維持されている間に、基板処理の前又は最中に基板２０２に関連する計測データを生成するように構成することができる。図２に示されるように、統合計測装置１２８は搬送チャンバ２１０内に配置することができる。他の又は同様の実施形態では、統合計測装置１２８は搬送チャンバ２１０に結合することができる。統合計測装置１２８が搬送チャンバ２１０内に配置されるか又は搬送チャンバに結合されると、基板２０２を真空環境から取り出すことなく（例えば、ファクトリインターフェース２０６に移送する）、基板２０２に関連する計測データを生成することができる。

【0040】

処理チャンバ２１４、２１６、２１８は、基板２０２上で任意の数の処理を実行するように適合させることができる。同一の又は異なる基板処理を各々の処理チャンバ２１４、２１６、２１８で実行することができる。基板処理は、原子層堆積（ＡＬＤ）、物理気相堆積（ＰＶＤ）、化学気相堆積（ＣＶＤ）、エッチング、アニーリング、硬化、前洗浄、金属又は金属酸化物の除去等を含むことができる。他の処理をその中の基板上で実行することができる。幾つかの実施形態では、終点検出装置（例えば、図１に関して説明された終点検出装置１２４）を、処理チャンバ２１４、２１６、２１８に結合するか、処理チャンバ２１４、２１６、２１８内に配置することができる。終点検出装置１２４は、基板処理中の基板表面のプロファイルに関するスペクトルデータを収集するように構成することができる。終点検出装置１２４（例えば、システムコントローラ２２８）に結合された処理デバイスは、収集されたスペクトルデータに基づいて、エッチング処理の終点に到達したかどうか（即ち、目標プロファイルが基板表面にエッチングされたかどうか）を決定することができる。幾つかの実施形態では、終点検出装置１２４の１つ以上のコンポーネントは、図５に関して説明されるコンポーネントを含むことができる（例えば、光ファイババンドル、コリメータアセンブリ等）。他の又は同様の実施形態では、終点検出装置１２４は、処理チャンバ２１４、２１６、２１８の内部又は外部に配置され、基板処理の前、後、又は最中に、基板２０２の一部、及び／又は処理チャンバ２１４、２１６、２１８内の環境に関するスペクトルデータを収集するように構成された１つ以上のセンサを含むことができる。

【0041】

また、ロードロック２２０をハウジング２０８及び搬送チャンバ２１０に結合することができる。ロードロック２２０は、一方の側で搬送チャンバ２１０とインターフェースし、結合し、他方の側でファクトリインターフェース２０６とインターフェースし、結合するように構成することができる。幾つかの実施形態では、ロードロック２２０は、真空環境（基板は搬送チャンバ２１０に、及び搬送チャンバから搬送される）から、大気圧又は大気圧に近い不活性ガス環境（基板はファクトリインターフェース２０６に、ファクトリインターフェースから搬送される）に変更することができる環境制御雰囲気を有することができる。

【0042】

ファクトリインターフェース２０６は、例えば機器フロントエンドモジュール（ＥＦＥＭ）等の任意の適切なエンクロージャとすることができる。ファクトリインターフェース２０６は、ファクトリインターフェース２０６の様々なロードポート２２４にドッキングされた基板キャリア２２２（例えば、フロントオープニングユニファイドポッド（ＦＯＵＰ））から基板２０２を受け取るように構成することができる。ファクトリインターフェースロボット２２６（破線で示す）は、基板キャリア（コンテナとも称される）とロードロック２２０の間で基板を搬送するように構成することができる。他の実施形態及び／又は類似の実施形態では、ファクトリインターフェース２０６は、交換部品保管コンテナ２２２から交換部品を受け取るように構成することができる。

【0043】

幾つかの実施形態では、製造システム２００は、真空環境の外側で基板２０２に関連する計測データを生成するように構成された計測装置を含むことができる。例えば、図２に示されるように、統合計測装置１２８は処理チャンバ（例えば、処理チャンバ２１４、２１６、及び／又は２１８）に結合することができる。統合計測装置１２８は、基板２０２が真空環境に置かれる（例えば、ロードロック２２０に移送される）前、及び／又は基板２０２が真空環境から除去された（例えば、ロードロック２２０から除去される）後に、基板２０２に関連する計測データを生成するように構成することができる。図２は、ファクトリインターフェース２０６に結合されたインライン計測装置１３０を示し、インライン計測装置１３０は、真空環境の外側にある処理ツール２０４の任意の部分に結合することができる（例えば、ロードロック２２０に結合される等）。

【0044】

また、製造システム２００は、製造システム２００に関する情報をユーザ（例えば、オペレータ）に提供するように構成されたクライアントデバイス（例えば、図１のクライアントデバイス１２０）に接続することができる。幾つかの実施形態では、クライアントデバイスは、１つ以上のグラフィカルユーザインターフェース（ＧＵＩ）を介して、製造システム２００のユーザに情報を提供することができる。例えば、クライアントデバイスは、ＧＵＩを介して、処理チャンバ２１４、２１６、２１８で実行される基板処理の終点に関する情報を提供することができる。

【0045】

また、製造システム２００は、システムコントローラ２２８を含むか、システムコントローラ２２８に結合することができる。システムコントローラ２２８は、コンピューティングデバイス（例えば、パーソナルコンピュータ、サーバコンピュータ、プログラマブルロジックコントローラ（ＰＬＣ）、マイクロコントローラ等）であってもよく、及び／又はこれらを含むことができ、これらは汎用処理デバイス（例えば、マイクロプロセッサ、中央処理デバイス等）であってもよい。より具体的には、処理デバイスは、複合命令セットコンピューティング（ＣＩＳＣ）マイクロプロセッサ、縮小命令セットコンピューティング（ＲＩＳＣ）マイクロプロセッサ、超長命令ワード（ＶＬＩＷ）マイクロプロセッサ、他の命令セットを実行するプロセッサ、又は命令セットの組み合わせを実行するプロセッサであってもよい。また、処理デバイスは、１つ以上の専用処理デバイス（例えば、特定用途向け集積回路（ＡＳＩＣ）、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、デジタル信号プロセッサ（ＤＳＰ）、ネットワークプロセッサ等）であってもよい。システムコントローラ２２８は、データ記憶装置（例えば、１つ以上のディスクドライブ及び／又はソリッドステートドライブ）、メインメモリ、スタティックメモリ、ネットワークインターフェース、及び／又は他のコンポーネントを含むことができる。システムコントローラ２２８は、本明細書に記載される方法及び／又は実施形態のうちの任意の１つ以上を実行するための命令を実行することができる。幾つかの実施形態では、システムコントローラ２２８は、処理レシピに従って製造システム３００で１つ以上のオペレーションを実行する命令を実行することができる。命令はコンピュータ可読記憶媒体に記憶することができ、これはメインメモリ、スタティックメモリ、二次記憶装置、及び／又は処理デバイス（命令の実行中）を含むことができる。

【0046】

幾つかの実施形態では、システムコントローラ２２８は、製造システム３００の様々な部分（例えば、処理チャンバ３１４、３１６、３１８、搬送チャンバ３１０、ロードロック３２０等）上又はその中に含まれるセンサ又は他のコンポーネント（例えば、終点検出装置１２４等）からデータを受信することができる。システムコントローラ２２８により受信されるデータは、基板３０２の一部についてのスペクトルデータ及び／又は非スペクトルデータを含むことができる。本説明の目的上、システムコントローラ２２８は、処理チャンバ３１４、３１６、３１８に接続された、又はその内部に配置された終点検出装置１２４からデータを受信するものとして説明される。しかし、システムコントローラ２２８は、本明細書に記載の実施形態により、製造システム２００の任意の部分からデータを受信することができ、その部分から受信したデータを使用することができる。例示的な例では、システムコントローラ２２８は、処理チャンバ２１４、２１６、２１８における基板処理の前、後、又は処理中に、処理チャンバ２１４、２１６、２１８に結合された終点検出装置１２４からスペクトルデータを受信することができる。製造システム２００の終点検出装置１２４又は他のセンサから受信したデータは、データストア２５０に格納することができる。データストア２５０はシステムコントローラ２２８内のコンポーネントとして含めることができ、またシステムコントローラ２２８とは別個のコンポーネントとすることもできる。幾つかの実施形態では、図１に関連して説明されるように、データストア２５０はデータストア１５０の一部であるか、又はその一部を含むことができる。

【0047】

図３は、本開示の態様による、基板処理の終点検出のための例示的なシステムアーキテクチャ３００を示す。幾つかの実施形態では、終点検出システム３００は、コンピュータアーキテクチャ１００及び／又は製造システム２００の１つ以上のコンポーネントを含むか、又はその一部であってもよい。終点検出システム３００は、製造装置１２４（例えば、終点検出装置１２６等）、計測装置１３０、サーバマシン３２０、及びサーバマシン３５０の１つ以上のコンポーネントを含むことができる。

【0048】

上述のように、製造装置１２２は、レシピに従って製品を生産するか、又は一定期間にわたって作用を実行することができる。製造装置１２２は、基板処理レシピに従って基板の基板処理を実行するように構成された処理チャンバ３１０を含むことができる。幾つかの実施形態では、処理チャンバ３１０は、図２に関連して説明された処理チャンバ２１４、２１８、２１８のいずれであってもよい。また、製造装置１２２は、本明細書に記載されるように、終点検出装置１２４を含むことができる。終点検出装置１２４は処理チャンバ３１０に結合又は処理チャンバ３１０内に配置することができ、基板処理レシピの工程の終点を検出するために使用されるスペクトルデータを収集することができる。また、幾つかの実施形態では、製造装置１２２は、本明細書に記載されるように、統合計測装置１２８を含むことができる。統合計測装置１２８は、基板処理が完了する前又は後に、基板に関連する計測データを生成するように構成することができる。

【0049】

製造装置１２２はサーバマシン３２０に結合することができる。サーバマシン３２０は、処理デバイス３２２及び／又はデータストア３３２を含むことができる。幾つかの実施形態では、処理デバイス３２２は、製造装置１２２でオペレーションを実行するための１つ以上の命令を実行するように構成することができる。例えば、処理デバイス３２２は、図２に関連して説明されたシステムコントローラ２２８を含むか、又はその一部であってもよい。幾つかの実施形態では、データストア３３２は、データストア１５０及び／又はデータストア２５０を含むか、又はその一部であってもよい。

【0050】

処理デバイス３２２は、製造装置１２２の１つ以上のコンポーネントから（即ち、ネットワークを介して）データを受信するように構成することができる。例えば、処理デバイス３２２は、処理チャンバ３１０における基板の基板処理中に終点検出装置１２４により収集されたスペクトルデータ３３６を受信することができる。他の例では、処理デバイス３２２は、基板の基板処理の前及び／又は後に統合計測装置１２８により収集された計測データ３３８を受信することができる。計測データ３３８は、統合計測装置１２８により基板に対して生成された計測測定値を含むことができる。幾つかの実施形態では、処理デバイス３２２は、受信したスペクトルデータ及び／又は受信した計測データ３３８をデータストア３３２に記憶することができる。

【0051】

幾つかの実施形態では、処理デバイス３２２は他の計測装置から計測データ３３８を受信することができる。例えば、幾つかの実施形態では、サーバ３２０をインライン計測装置１３０に（即ち、ネットワークを介して）接続することができる。本明細書に記載されるように、基板を処理チャンバ２１０から取り出し、インライン計測装置１３０に移送することができる。インライン計測装置１３０は、基板の計測データ３３８を生成し、生成された計測データ３３８をネットワークを介して処理デバイス３２２に送信することができる。他の例では、基板を製造装置１２２から取り出し、図１Ａに関連して説明された外部計測装置１３２等の外部計測装置に移送することができる。クライアントデバイス１２０等のクライアントデバイスは、（即ち、ネットワークを介して）サーバ３２０に接続することができる。幾つかの実施形態では、製造装置１２２のユーザは、外部計測装置１３２を使用して計測データ３３８を取得することができ、クライアントデバイス１２０のＧＵＩを介して、取得された計測データ３３８を提供することができる。クライアントデバイス１２０は、ネットワークを介して計測データ３３８を送信することができる。追加的又は代替的実施形態では、外部計測装置１３２はネットワークを介してサーバ３２０に結合することができ、外部計測装置１３２は計測データ３３８を処理デバイス３３２に直接送信することができる。

【0052】

処理デバイス３２２は、予測エンジン３２８及び処理終点エンジン３３０を含むことができる。予測エンジン３２８は、基板処理中に基板について収集されたスペクトルデータ３３６に基づいて、計測測定値を提供するように構成することができる。例えば、予測エンジン３２８は、処理チャンバ３１０で現在の基板に対して実行される現在の処理に対して収集されたスペクトルデータ３３６を、トレーニング済み機械学習モデル３３４への入力として提供することができる。予測エンジン３２８は、機械学習モデル３３４の出力として、現在の基板に対応する計測測定値の表示を含む計測データ３３８を得ることができる。幾つかの実施形態では、予測エンジン３２８は、図１に関連して説明された予測エンジン１１４に対応することができる。

【0053】

図３に示されるように、幾つかの実施形態では、処理デバイス３２２はトレーニングセットジェネレータ３２４、及び／又はトレーニングエンジン３２６を含むことができる。幾つかの実施形態では、トレーニングセットジェネレータ３２４は、図１に関連して説明されたトレーニングセットジェネレータ１７２に対応することができ、及び／又はトレーニングエンジン３２６はトレーニングエンジン１８２に対応することができる。トレーニングセットジェネレータ３２４は、機械学習モデル３３４又は機械学習モデル３３４のセットをトレーニングするためのトレーニングセット３４０を生成するように構成することができる。例えば、トレーニングセットジェネレータ３２４は、以前の基板に関連する履歴スペクトルデータ３３６に基づき、トレーニング入力を生成することができる。幾つかの実施形態では、トレーニングセットジェネレータ３２４はデータストア３３２から履歴スペクトルデータ３３６を取得し、トレーニング入力を生成することができる。トレーニングセットジェネレータ３２４は、以前の基板について取得された履歴計測データ３３８に基き、トレーニング入力に対する目標出力を生成することができる。上述のように、履歴計測データ３３８は、インライン計測装置１２８、統合計測装置１３０、又は外部計測装置１３２により生成することができる。トレーニングセットジェネレータ３２４は、生成されたトレーニング入力及び生成された目標出力をトレーニングセット３４０に含めることができる。トレーニングセット３４０の生成に関する詳細は図４に関連して提供される。

【0054】

トレーニングエンジン３２６は、機械学習モデル３３４又は機械学習モデル３３４のセットをトレーニング、検証、及び／又はテストするように構成することができる。トレーニングエンジン３２６は、機械学習モデル３３４をトレーニングし、トレーニング済み機械学習モデルをデータストア３３２に保存するためのトレーニングセット３４０を提供することができる。幾つかの実施形態では、トレーニングエンジン３２６は検証セット３４２を使用して、トレーニング済み機械学習モデル３３４を検証することができる。検証セット３４２は、前の基板（即ち、処理チャンバ３１０又は他の処理チャンバで処理されたもの）について取得されたスペクトルデータ３３６と計測データ３３８とを含むことができる。トレーニングセットジェネレータ３２４及び／又はトレーニングエンジン３２６は、以前の基板について取得された履歴スペクトルデータ３３６及び履歴計測データ３３８に基づいて検証セット３４２を生成することができる。幾つかの実施形態では、検証セット３４２は、履歴スペクトルデータ３３６、履歴スペクトルデータ３３６とは異なる履歴計測データ３３８、及びトレーニングセット３４０に含まれる履歴計測データ３３８を含むことができる。

【0055】

トレーニングエンジン３２６は、トレーニング済み機械学習モデル３３４への入力として以前の基板のスペクトルデータ３３６を提供することができ、トレーニング済みモデル３３４の１つ以上の出力から以前の基板の計測測定値を抽出することができる。トレーニングエンジン３３６は、検証セット３４２に含まれる以前の基板の計測データ３３８の計測値を考慮して、以前の基板の計測測定値の精度に基づき、トレーニング済みモデル３３４に対する性能スコアを割り当てることができる。性能スコアが性能スコア基準を満たす（例えば、性能スコア閾値を超える等）との決定に応答して、トレーニングエンジン３３６は、処理チャンバ３１０で処理される将来の基板の将来の計測測定値を提供するために使用されるトレーニング済みモデルを選択することができる。トレーニング済みモデル３３４の選択に関する更なる詳細は図９に関連して提供される。

【0056】

前述のように、幾つかの実施形態では、トレーニングセットジェネレータ３２４及び／又はトレーニングエンジン３２６は、サーバ３２０での処理デバイス３２２のコンポーネントであってもよい。追加的又は代替的実施形態では、トレーニングセットジェネレータ３２４及び／又はトレーニングエンジン３２６は、サーバ３５０での処理デバイス３５２のコンポーネントであってもよい。サーバ３５０は、製造システム２００とは別個のコンピューティングシステムを含んでもよく、又はその一部であってもよい。上述のように、幾つかの実施形態では、サーバ３２０は、図２に関連して説明されたシステムコントローラ２２８を含むか、又はその一部であってもよい。このような実施形態では、サーバ３５０は、システムコントローラ２２８に（即ち、ネットワークを介して）結合されるが、システムコントローラ２２８とは別個のコンピューティングシステムを含むか、又はその一部であってもよい。例えば、製造システム２００のユーザは、データストア３３２の１つ以上の部分に格納されたデータ、又は処理デバイス３２２で実行される１つ以上の処理へのアクセスが提供される。しかし、製造システム２００のユーザは、データストア３５４の１つ以上の部分に格納されたデータ、又は処理デバイス３５２で実行されるいかなる処理へのアクセスが提供されない場合もある。

【0057】

処理デバイス３５２は、処理デバイス３２２と同様の方法で、トレーニングセットジェネレータ３２４及び／又はトレーニングエンジン３２６を実行するように構成することができる。幾つかの実施形態では、サーバ３５０は、ネットワークを介して製造装置１２２及び／又はインライン計測装置１３０に結合することができる。従って、処理デバイス３２２に関連して説明された実施形態により、処理デバイス３５２は、トレーニングセット３４０及び検証セット３４２を生成するためにトレーニングセットジェネレータ３２４及び／又はトレーニングエンジン３２６により使用されるスペクトルデータ３３６及び計測データ３３８を取得することができる。他の又は同様の実施形態では、サーバ３５０は、製造装置１２２及び／又は外部計測装置１３０に接続されない。従って、処理デバイス３５２は、処理デバイス３２２からスペクトルデータ３３６及び計測データ３３８を取得することができる。例えば、前術のように、処理デバイス３２２は終点検出装置１２４からスペクトルデータ３３６を受信することができる。処理デバイス３２２は、受信したスペクトルデータ３３６を処理デバイス３５２に（即ち、ネットワークを介して）送信することができる。幾つかの実施形態では、処理デバイス３５２はスペクトルデータ３３６をデータストア３５２に格納することができる。幾つかの実施形態では、処理デバイス３２２は、同様に、基板について取得された計測データ３３８を処理デバイス３５２に送信することができる。例えば、上述のように、処理デバイス３２２は、インライン計測装置１２８、統合計測装置１３０、及び／又は外部計測装置１３２から計測データ３３８を受信することができる。処理デバイス３５２は、受信した計測データ３３８を処理デバイス３２２から送信することができ、幾つかの実施形態では、計測データ３３８をデータストア３５４に格納することができる。

【0058】

処理デバイス３５２のトレーニングセットジェネレータ３２４は、前述の実施形態により、トレーニングセット３４０を生成することができる。処理デバイス３５２のトレーニングエンジン３２６は、前述の実施形態により、機械学習モデル３４０をトレーニング及び／又は検証することができる。幾つかの実施形態では、サーバ３５０は、製造装置１２２及び／又はサーバマシン３２０とは異なる他の製造装置及び／又は他のサーバマシンに結合することができる。本明細書に記載の実施形態により、処理デバイス３５２は、他の製造装置及び／又はサーバマシンからスペクトルデータ３３６及び／又は計測データ３３８を取得することができる。幾つかの実施形態では、トレーニングセット３４０及び／又は検証セット３４２は、処理チャンバ３１０で処理された基板について取得されたスペクトルデータ３３６及び計測データ３３８、及び他の製造システムの処理チャンバで処理された他の基板について取得された他のスペクトルデータ及び計測データに基き、生成することができる。

【0059】

トレーニングエンジン３２６が、処理チャンバ３１０における将来の基板の将来のスペクトルデータに適用されるトレーニング済みモデル３３４を選択することに応答して、処理デバイス３５２はトレーニング済みモデル３３４を処理デバイス３２２に送信することができる。上述のように、予測エンジン３２８はトレーニング済みモデル３３４を使用して、処理チャンバ３１０における将来の基板の計測測定値を提供することができる。

【0060】

処理デバイス３２２の処理終点エンジン３３０は、処理チャンバ３１０で基板に対して実行される処理の終点を検出するように構成することができる。処理終点エンジン３３０は、処理チャンバ３１０での現在の基板の計測測定値を予測エンジン３２８から取得することができる。計測測定値が計測測定基準を満たす（例えば、目標計測測定値に対応する等）との決定に応答して、処理終点エンジン３３０は、処理チャンバ３１０での現在の処理（又は現在の処理の現在の工程）を終了するコマンドを含む命令を生成することができる。処理デバイス３２２は、製造装置１２２に命令を送信し、現在の基板に対する現在の処理を終了させることができる。計測測定基準が満たされていないとの決定に応答して、処理終点エンジン３３０は、現在の基板に対して現在の処理を継続させるようにすることができる（例えば、処理を終了する命令を生成しない）。現在の処理の終点の検出に関連する更なる詳細は、図１０に関連して提供される。

【0061】

図４は、本開示の態様による、機械学習モデルをトレーニングするための方法４００のフローチャートである。方法４００は、ハードウェア（回路、専用ロジック等）、ソフトウェア（汎用コンピュータシステム又は専用マシン上で実行されるもの等）、ファームウェア、又はこれらの組み合わせを含むことができる処理ロジックにより実行される。一実施形態では、方法４００は、図１のコンピュータシステムアーキテクチャ１００等のコンピュータシステムにより実行することができる。他の又は同様の実施形態では、方法４００の１つ以上のオペレーションは、図示されていない１つ以上の他のマシンにより実行することができる。幾つかの態様では、方法４００の１つ以上のオペレーションは、図３に関連して説明されたサーバマシン３２０又はサーバマシン３５０のトレーニングセットジェネレータ３２４により実行することができる。

【0062】

ブロック４１０で、処理ロジックはトレーニングセットＴを空のセット（例えば、｛｝）に初期化する。ブロック４１２で、処理ロジックは、製造システムの処理チャンバで処理された基板に関連するスペクトルデータを取得する。幾つかの実施形態では、スペクトルデータは、処理チャンバ内に配置された、又は処理チャンバに結合された１つ以上のセンサから受信することができる。他の又は同様の実施形態では、スペクトルデータは、処理チャンバ内に配置された、又は処理チャンバに結合された終点検出装置から受信することができる。図５は、本開示の態様による、処理チャンバ３１０に結合された終点検出装置１２４の概略側面断面図である。幾つかの実施形態では、処理チャンバ３１０は、腐食性プラズマ環境が提供される処理に使用することができる。例えば、処理チャンバ３１０は、プラズマエッチャ又はプラズマエッチングリアクタ、プラズマクリーナ等のためのチャンバであってもよい。他の又は同様の実施形態では、処理チャンバ３１０は、非腐食性環境が提供される処理に使用することができる。例えば、処理チャンバ３１０は、化学気相堆積（ＣＶＤ）チャンバ、物理気相堆積（ＰＶＤ）チャンバ、原子層堆積（ＡＬＤ）チャンバ、イオンアシスト堆積（ＩＡＤ）チャンバ、及び他のタイプの処理チャンバとして使用することができる。

【0063】

簡単に言えば、処理チャンバ３１０は、内部容積５０６を包囲するチャンバ本体５０２、蓋５３０、及び／又はシャワーヘッド（図示せず）を含む。チャンバ本体５０２は、一般に、側壁５０８及び底部５１２を含む。シャワーヘッドは、シャワーヘッド基部と、シャワーヘッドガス分配プレートを含むことができる。蓋５３０及び／又はシャワーヘッドは、チャンバ本体５０２の側壁５０８上に支持することができる。蓋５３０（又はシャワーヘッド）は、処理チャンバ５１０の内部容積５０６へのアクセスを可能にするために開くことができ、また、閉じている時には、処理チャンバ５１０へシールを提供することができる。ガスパネル（図示せず）を処理チャンバ５１０に結合し、蓋５３０及びノズル（例えば、シャワーヘッド又は蓋及びノズルの開口部を通して）、及び／又はシャワーヘッドを介して、内部容積５０６に処理ガス及び／又はクリーニングガスを提供することができる。排気ポート５２６をチャンバ本体５０２内に画定することができ、内部容積５０６をポンプシステム５２８に結合することができる。ポンプシステム５２８は、処理チャンバ５１０の内部容積５０６の圧力を排気し、調整するために用いられる１つ以上のポンプ及びスロットルバルブを含むことができる。基板支持アセンブリ５４８は、内部容積５０６内で、蓋５３０及び／又はシャワーヘッドの下に配置される。基板支持アセンブリ５４８は処理中に基板（例えば、図２の基板２０２等）を保持する。一実施形態では、基板支持アセンブリ５４８は、静電チャック５５０を支持する台座５５２を含む。

【0064】

終点検出システム１２４は、基板２０２の基板処理中に内部容積５０６の環境を光学的に監視するように構成することができる。幾つかの実施形態では、終点検出システム１２４はチャンバ本体５０２に機械的に結合され、内部容積５０６の環境と光学的にインターフェースされることができる（即ち、光学的インターフェース５７０を介して）。終点検出システム１２４は、コリメータアセンブリ５５４、光ファイババンドル５５６、光コンポーネント５６２、処理デバイス５７６、及び幾つかの実施形態では、偏光子コンポーネント５６８を含むことができる。図５に示されるように、コリメータアセンブリ５５４をチャンバインターフェース５７０に結合することができる。幾つかの実施形態では、チャンバインターフェース５７０は、オリフィス、収束又は発散レンズ、透明スラブ、又はコリメータアセンブリ５５４、又は内部容積５０６の環境の間で光を伝送することができる任意の他のデバイス又は材料であってもよい。図５は蓋５３０内に埋設されているチャンバインターフェース５７０を示すが、チャンバインターフェース５７０は処理チャンバ３１０の任意の部分（例えば、側壁５０８、底部５１０等）内に埋設するか、又はそれに結合することができる。

【0065】

光ファイババンドル５５６の第１の端をコリメータアセンブリ５５４に結合することができ、光ファイババンドル５５６の第２の端を光コンポーネント５６２に結合することができる。光コンポーネント５６２は、光を生成するように構成された光源５６４を含むことができる。本明細書において、「光」とは、可視光、遠近赤外光（ＩＲ）、遠近紫外光（ＵＶ）等を含む任意のスペクトル範囲の電磁放射を意味する。更に、「光」は、非偏光（例えば、自然）光、直線偏光、円偏光、又は楕円偏光、部分偏光、集束光、発散光、平行光等を含むことができる。幾つかの実施形態では、光源５６４は、発光ダイオード（ＬＥＤ）、レーザ、電球等の狭帯域光源を含むことができる。他の又は同様の実施形態では、光源５６４は広帯域光源を含むことができる。幾つかの実施形態では、光源５６４は、（一緒にすると）広帯域光入力を生成する複数の狭帯域光源等の２つ以上のコンポーネント光源を含むことができる。光源５６４は、光のスペクトル分布及び／又は偏光を制御するため、追加的な光学要素（即ち、フィルタ、吸収体、偏光子等）を含むことができる。

【0066】

光源５６４により生成された光（本明細書では入力光と呼ぶ）を、光バンドル５５６の１つ以上の放射光ファイバ５５８を介してコリメータアセンブリ５５４に伝送することができる。放射光ファイバ５５８を介して入力光を受信したことに応答して、コリメータアセンブリ５５４は、入力光を光ビーム５７２に変換することができるように構成されている。例えば、入力光は、レンズ、反射器、フィルタ、アパーチャ等のコリメータアセンブリ５５４の１つ以上の光学要素を通過することができる。幾つかの実施形態では、コリメータアセンブリ５５４により生成される光ビームの空間特性は、光ビーム５７２の複数のスペクトル成分について同じであってもよい。例えば、光ビーム５７２の直径は、入力光、従って、光ビーム５７２に含まれる様々なスペクトル成分の波長λの広い範囲内で同じであってもよい。幾つかの実施形態では、コリメータアセンブリ５５４は、１つ以上の色消しレンズを含むことができる。従って、コリメータアセンブリ５５４により生成される光ビーム５７２は、無彩色の光ビームであってもよい。

【0067】

図５に示されるように、幾つかの実施形態では、コリメータアセンブリ５５４は偏光子コンポーネント５６８を含むことができる。偏光子コンポーネント５６８は、光源５６４により生成された非偏光（例えば自然光）を偏光するように構成されている。例えば、偏光子コンポーネント５６８は、非偏光の入力光を線形偏光、円偏光又は楕円偏光に変換することができる。なお、図５は偏光子コンポーネント５６８をコリメータアセンブリ５５４の一部として示しているが、偏光子コンポーネント５６８は、入力光を光インターフェース５７０に通過させる終点検出装置１２４の任意の部分に結合することができる。例えば、偏光子コンポーネント５６８は、光源５６４光の出口、１つ以上の放射光ファイバ５５８の出口、コリメータアセンブリと光インターフェース５７０の間等に接続することができる。

【0068】

コリメータ５７２は、光学インターフェース５７０を介して、基板支持アセンブリ５４８上に配置された基板２０２の表面に光ビーム５７２を導くことができる。光ビーム５７２は反射光ビーム５７４として基板２０２の表面で反射され、コリメータアセンブリ５５４により受光されることができる。光バンドル５５６の１つ以上の入射光ファイバ５６０は、反射光ビーム５７４を光コンポーネント５６２の光検出器５６６に伝送することができる。光検出器５６６は、１つ以上の分光器、分光計、回折格子、ミラー、レンズ、フォトダイオード、及び他のデバイスを含むことができる。光検出器５６６は、単独で、又は処理デバイス５７６と連携して、反射光ビーム５７４に基づいて基板２０２の表面に関連する１つ以上の光学応答を決定することができる。例えば、光検出器５６６及び／又は処理デバイス５７６は、反射率Ｒ（λ）、屈折率ｎ（λ）、又は反射光５７４に基づいて基板２０２を特徴付けるために使用することができる他の任意の光学量を決定することができる。幾つかの実施形態では、光学応答を使用して、基板２０２について、反射率の偏光依存性、反射時の偏光面の回転角、発光強度等を特徴付けることができる。本出願に関連して説明されるように、スペクトルデータは、反射光５７４の光学応答、及び／又は反射光５７４の光学応答から導出される基板２０２の光学特性に対応するデータを意味することができる。

【0069】

幾つかの実施形態では、処理デバイス５７６は、処理チャンバ３１０を含む製造システム用のシステムコントローラ（例えば、システムコントローラ２２８）の一部として含まれることができる。そのような実施形態では、処理デバイス５７６は、基板２０２に対して生成されたスペクトルデータを、処理デバイス５７６に結合されたデータストア（例えば、データストア２５０、３３２、３５２等）に記憶することができる。他の又は同様の実施形態では、処理デバイス５７６は、システムコントローラとは別個であるが、ネットワークを介してシステムコントローラに結合される処理コンポーネントとすることができる。処理デバイス５７６は、生成されたスペクトルデータを、製造システムの各々のデータストアに記憶するためにシステムコントローラに送信することができる。

【0070】

図４に戻ると、ブロック４１４で、処理ロジックは基板の計測データを取得する。上述のように、計測データは、膜特性データ（例えば、ウエハの空間膜特性等）、寸法（例えば、厚さ、高さ等）、誘電率、ドーパント濃度、密度、欠陥等の１つ以上の値を含むことができる。更に、幾つかの実施形態では、計測データは、１つ以上の表面プロファイル特性データの値（例えば、エッチング速度、エッチング速度の均一性、基板の表面に含まれる１つ以上のフィーチャの限界寸法、基板表面全体の臨界寸法均一性、エッジ配置誤差等）を含むことができる。幾つかの実施形態では、計測測定値は、製造システム２００の計測装置（例えば、インライン計測装置１２６、統合計測装置１２８等）から受信することができる。例えば、基板処理が完了した後、基板を製造システム２００のインライン計測装置１２８又は統合計測装置１３０に移送することができる。インライン計測装置１２８又は統合計測装置１３０は、基板に関連する計測データを生成し、ネットワークを介して、処理ロジックを含むコンピューティングデバイス（例えば、サーバマシン３２０、サーバマシン３５０等）に計測データを送信することができる。他の又は同様の実施形態では、本明細書に記載されるように、製造システム２００とは別個の計測装置（例えば、外部計測装置１３２）から計測測定値を受信することができる。

【0071】

ブロック４１６で、処理ロジックは、ブロック４１２で基板について取得されたスペクトルデータに基づき、トレーニング入力を生成する。幾つかの実施形態では、トレーニング入力は、基板について取得されたスペクトルデータに基づいて生成された正規化されたスペクトルデータのセットを含むことができる。正規化されたスペクトルデータのセットは、特定の種類の計測測定に対応する１つ以上のスペクトルフィーチャを含むことができる。トレーニング入力の生成に関する更なる詳細は図６に関連して説明される。ブロック４１８で、処理ロジックは、ブロック４１４で基板に対して取得された計測データに基づいて目標出力を生成することができる。目標出力は、基板に関連する計測値に対応することができる。例えば、ブロック４１４で、処理ロジックは、エッチング処理後の基板の表面の１つ以上の部分における膜の厚さを示す計測データを取得することができる。処理ロジックは、エッチング処理について取得された計測データ及び処理データに基づいて、エッチング速度及び／又はエッチング速度の均一性に対応する目標出力を生成することができる。

【0072】

ブロック４２０で、処理ロジックは入力／出力マッピングを生成する。入力／出力マッピングは、基板のデータを含む又はそれに基づくトレーニング入力と、トレーニング入力の目標出力を意味する。ここで、目標出力は基板の計測値を識別し、トレーニング入力は目標出力に関連する（マッピングされる）。ブロック４２２で、処理ロジックは入出力マッピングをトレーニングセットＴに追加する。

【0073】

ブロック４２４で、処理ロジックは、トレーニングセットＴが機械学習モデルをトレーニングするのに十分な量のトレーニングデータを含むかどうかを決定する。幾つかの実施形態では、トレーニングセットＴの十分性は単にトレーニングセット内の入力／出力マッピングの数に基づいて決定することができるが、他の実施形態では、トレーニングセットＴの十分性は、入力／出力マッピングの数に加えて、又はその代わりに、１つ以上の他の基準(トレーニング例の多様性の尺度等)に基づいて決定することができる。トレーニングセットＴに機械学習モデルをトレーニングするのに十分な量のトレーニングデータが含まれていると決定すると、処理ロジックは機械学習モデルにトレーニングセットＴを提供する。トレーニングセットに機械学習モデルをトレーニングするのに十分な量のトレーニングデータが含まれていない決定すると、方法４００はブロック４１２に戻る。

【0074】

ブロック４２６では、処理ロジックは機械学習モデルをトレーニングするためにトレーニングセットＴを提供する。幾つかの実施形態では、トレーニングセットＴは、トレーニングを実行するためにサーバマシン３２０及び／又はサーバマシン３５０のトレーニングエンジン３２６に提供される。例えば、ニューラルネットワークの場合、特定の入出力マッピングの入力値(例えば、以前の基板のスペクトルデータ)がニューラルネットワークに入力され、入出力マッピングの出力値がニューラルネットワークの出力ノードに記憶される。次いで、ニューラルネットワーク内の接続重みが、学習アルゴリズム（例えば、バックプロパゲーション等）に従って調整され、この手順が、トレーニングセットＴ内の他の入出力マッピングに対して繰り返される。ブロック４２６の後、機械学習モデル１９０を使用して、（例えば、後述する図８の方法８００に従って）製造システムで処理される将来の基板の計測値を提供することができる。

【0075】

図６は、本開示の態様による、機械学習モデル（例えば、機械学習モデル３３４）で使用するデータを取得するための方法６００のフローチャートである。方法６００は、ハードウェア（回路、専用ロジック等）、ソフトウェア（例えば、汎用コンピュータシステム又は専用マシン上で実行されるもの等）、ファームウェア、又はこれらの何らかの組み合わせを含むことができる処理ロジックにより実行される。一実施形態では、方法６００は、図１のコンピュータシステムアーキテクチャ１００等のコンピュータシステムにより実行することができる。他の又は同様の実施形態では、方法６００の１つ以上のオペレーションは、図示されていない１つ以上の他のマシンにより実行することができる。幾つかの態様では、方法６００の１つ以上のオペレーションは、図３に関連して説明されたサーバマシン３２０又はサーバマシン３５０のトレーニングセットジェネレータ３２４により実行することができる。追加的又は代替的に、方法６００の１つ以上のオペレーションは、サーバマシン３５０の予測エンジン３２８により実行することができる。一例では、トレーニングセットジェネレータ３２４は、図４の方法４００に関連して説明された実施形態により、ブロック６１０～６２４のうちの１つ以上に関連して説明されたオペレーションを実行して、トレーニング入力を生成することができる。他の例では、予測エンジン３２８は、図８の方法８００に関連して説明されるように、ブロック６２０～６２４のうちの１つ以上に関連して説明されるオペレーションを実行し、トレーニング済み機械学習モデルへの入力として提供されるスペクトルデータのサブセットを取得することができる。

【0076】

ブロック６１０で、処理ロジックは、基板に関連するスペクトルデータを取得することができる。幾つかの実施形態では、スペクトルデータは、方法４００のブロック４１２に関連して説明されたように、トレーニングセットジェネレータ３２４の処理ロジックにより取得されたスペクトルデータに対応することができる。他の又は類似の実施形態では、スペクトルデータは、本明細書で説明されるように、予測エンジン３２８の処理ロジックにより取得されたスペクトルデータに対応することができる。図７Ａは、本明細書に記載の実施形態による、基板処理中に基板について収集されたスペクトルデータを示す。図７Ａに示されるように、スペクトルデータは、基板処理の各々の期間中に処理チャンバ内に配置され、又は処理チャンバに結合されたセンサ又は終点検出装置により検出される、光信号の特定の波長を有する光波の振幅に対応することができる。例えば、スペクトルデータは、基板のエッチング処理の期間の初期（例えば、時間０秒）、中間（例えば、時間１秒から時間Ｎ－１秒）、終期（例えば、時間Ｎ秒）の間に終点検出装置１２４により検出される波長Ｘ、Ｙ、及びＺの振幅に対応することができる。

【0077】

図６に戻って参照すると、幾つかの実施形態では、処理ロジックは、基板に関連する計測データを追加的に取得することができる。処理ロジックは、方法４００のブロック４１４に関連して説明された実施形態により、計測データを取得することができる。

【0078】

ブロック６１２で、処理ロジックは、基板に対して実行される基板処理の速度に関連するデータを取得することができる。幾つかの実施形態では、基板処理はエッチング処理であってもよく、速度データはエッチング処理のエッチング速度であってもよい。他の又は同様の実施形態では、基板処理は堆積処理であってもよく、速度データは堆積処理の堆積速度であってもよい。基板処理は、エッチング処理及び／又は堆積処理以外の他の処理であってもよく、処理ロジックは各々の基板処理に関連する対応する速度データを取得することができることに留意すべきである。

【0079】

幾つかの実施形態では、処理ロジックは、基板のコンテキストデータ及び／又は計測データに基づいて速度データを取得することができる。例えば、取得された計測データは、基板処理の前及び／又は後に基板の表面に堆積された膜の厚さを示すことができる。図７Ｂは、本明細書に記載の実施形態による、基板処理の速度データの例を示す。データ点７０２は、エッチング処理前に基板の表面に堆積された膜の厚さを示す。データ点７０４は、基板処理後の膜の厚さを示す。処理ロジックは、本明細書に記載の実施形態により、エッチング処理後に基板について収集された計測データに基づいてデータポイント７０４を取得することができる。幾つかの実施形態では、処理ロジックは、エッチング処理前に基板について収集された計測データに基づいてデータポイント７０２を取得することができる。他の又は同様の実施形態では、処理ロジックは、エッチング処理前に計測装置により生成されなかったデータに基づいてデータポイント７０２を取得することができる。例えば、製造システムのユーザは、基板処理前に、製造システムに接続されたクライアントデバイスを介して、膜の厚さに関連するデータ（例えば、基板仕様から）を提供することができる。他の例では、計測装置は、他のエッチング処理が実行される前に、他の基板の計測データを生成することができる。データ点７０２は、他の基板について収集された計測データに基づいて得られた膜の厚さを示すことができる。

【0080】

幾つかの実施形態では、処理ロジックは、基板に関連するコンテキストデータ（例えば、データストア１５０に格納されている）から基板処理の長さの指標を取得することができる。例えば、処理ロジックは、基板のエッチング処理が初期時間期間０秒で開始され、エッチング処理が最終時間期間Ｎ付近で完了したことを示すデータをデータストア１５０から取得することができる。従って、処理ロジックは、エッチング処理の長さが約Ｎ秒であると決定することができる。

【0081】

処理ロジックは、基板処理の前後の膜厚の差と基板処理の長さに基づいて処理速度を決定することができる。例えば、処理ロジックは、データポイント７０２が膜厚１０オングストローム（Å）に対応し、データポイント７０４が膜厚２Åに対応すると決定することができる（即ち、エッチング処理中に膜の８Åがエッチングで除去される）。取得したコンテキストデータに基づいて、処理ロジックはエッチング処理の長さが８秒であると決定することができる。従って、処理ロジックは、エッチング処理のエッチング速度７０６が約１Å／秒であると決定することができる。

【0082】

幾つかの実施形態では、処理ロジックは他の技術に基づいて基板処理の速度を決定することができることに留意すべきである。幾つかの実施形態では、処理ロジックは、製造システムのユーザにより提供されるデータに基づいて、基板処理の速度データを取得することができる。例えば、製造システムのユーザは、製造システムに接続されたクライアントデバイスを介してエッチング処理のエッチング速度を提供することができる。他の又は同様の実施形態では、処理ロジックは、基板に関連する処理レシピデータに基づいて基板処理の速度を決定する。他の例では、処理ロジックは、データストア１５０からエッチング処理レシピデータを取得し、エッチング処理の１つ以上の期間において処理チャンバで生成されるエッチングプラズマの量に基づいて、エッチング処理のエッチング速度を決定することができる。また、幾つかの実施形態では、処理ロジックは、基板処理の期間中に処理速度が一定であるかどうかを決定することができる。例えば、ユーザはクライアントデバイスを介して、エッチング処理のエッチング速度が一定であることを示すことができる。代替的に、ユーザは、エッチング速度がエッチング処理において一定ではないという表示を提供することができ、また、エッチング処理中の各々の時点でのエッチング速度の表示を提供することができる。他の例では、処理ロジックは、前述の実施形態により、処理レシピデータに基づいて処理速度が一定であるかどうかを決定することができる。また、処理速度が一定でない場合、処理ロジックは、処理レシピデータに基づいて（例えば、処理チャンバにおいて各々の時点で処理チャンバで生成されるエッチングプラズマの量に基づいて）処理速度を決定することができる。

【0083】

ブロック６１４で、処理ロジックは、基板について取得された速度データに基づいて、基板についての合成計測データを生成することができる。幾つかの実施形態では、基板の合成計測データは、基板処理の初期期間と基板処理の最終期間との間の１つ以上の中間期間における基板表面上の膜の推定厚さに対応することができる。幾つかの実施形態では、処理ロジックは、基板処理中に基板のスペクトルデータが生成された中間期間ごとに合成計測データを生成することができる。図７Ｃは、本明細書に記載の実施形態により、基板に対して生成された合成データを示す。図７Ｂで説明されたように、処理ロジックは、データポイント７０２、データポイント７０４、及びエッチング処理の長さ（例えば、エッチング処理のコンテキストデータから得られる）に基づいて、エッチング処理のエッチング速度７０６を決定することができる。処理ロジックは、決定されたエッチング速度７０６に基づいて、エッチング処理中の他の時間における膜の厚さを決定することができる。前に提供された例によれば、処理ロジックは、エッチング処理の長さが約８秒であると決定し、エッチングは速度７０６は約１Å／秒であると決定することができる。従って、処理ロジックは、膜の厚さがエッチング処理の開始から１秒後に約９Åであり、エッチング処理の開始から２秒後に約８Åとなる等と推定することができる。合成計測データは、初期期間と最終期間との間の一連の期間の各々における推定膜厚に対応することができる。

【0084】

ブロック６１６で、処理ロジックは、取得されたスペクトルデータを、基板の取得された計測データ及び合成計測データにマッピングすることができる。図７Ｄに示されるように、処理ロジックは、基板処理の初期及び最終期間で得られた計測データを、基板処理の各々の期間中に収集されたスペクトルデータにマッピングすることができる。例えば、処理ロジックは、エッチング処理の初期期間における膜の初期厚さ（即ち、データポイント７０２）を、初期期間において終点検出装置１２４により検出された各々の波長の振幅にマッピングすることができる。追加的又は代替的に、処理ロジックは、エッチング処理の各々の中間期間に関連して生成された合成計測データを、各々の中間期間において検出された各々の波長の振幅にマッピングすることができる。

【0085】

ブロック６１８で、処理ロジックは基板の正規化されたスペクトルデータを生成することができる。正規化されたスペクトルデータとは、異なる処理チャンバ又は異なる時点で実行された基板処理について収集されるデータを、自然にもたらす差異を考慮して調整されたスペクトルデータを意味することができる（例えば、朝の勤務中に実行される処理と、午後又は夕方の勤務中に実行される処理）。幾つかの実施形態では、処理ロジックは、スペクトルデータのセットをベースラインスペクトルデータとして選択することにより、正規化されたスペクトルデータを生成することができる。幾つかの実施形態では、ベースラインスペクトルデータは、基板処理の初期期間中に収集されたスペクトルデータであってもよい。処理ロジックは、選択されたスペクトルデータのセットに基づいて、検出された光信号の１つ以上の波長の振幅を決定することができる。幾つかの実施形態では、処理ロジックは、基板処理の初期期間中に、検出された光信号の各々の波長の振幅を決定することができる。他の又は同様の実施形態では、処理ロジックは、検出された光信号の特定の波長の振幅を決定することができる。例えば、処理ロジックは、基板の計測データの特定の計測測定に対応する検出信号の１つ以上の特定の波長を決定することができる。

【0086】

幾つかの実施形態では、処理ロジックは、厳密結合波解析（ＲＣＷＡ）モデル等の波動解析モデルを使用した特定の計測測定に対応する１つ以上の波長を決定することができる。波動解析モデルは、他のスペクトル波長よりも高い精度を有する特定の種類の計測測定に関連する計測測定値に対応するスペクトル波長（即ち、理論スペクトル波長）を提供するようにトレーニングされた理論モデルであってもよい。例えば、波動解析モデルをトレーニングして、スペクトル波長の範囲を識別することができる。スペクトル波長範囲の一部の波長は、基板の表面に亘る臨界寸法の変化を考慮すると、波長範囲の他の波長とは異なる挙動を示す場合がある。このようなスペクトル波長は、終点検出装置２００により検出される光信号の他のスペクトル波長よりも高い精度で限界寸法測定値を示すことができる。処理ロジックは、取得されたスペクトルデータの１つ以上の部分を波形解析モデルへの入力として提供することができ、波動解析モデルの１つ以上の出力を取得することができる。処理ロジックは、１つ以上の出力から特定の計測測定に対応するスペクトル波長の範囲を抽出することができる。幾つかの実施形態では、スペクトル波長の範囲は、光スペクトルの特定の部分に対応することができる。例えば、スペクトル波長の範囲は、可視光スペクトルの特定の色（例えば、緑色）に対応することができる。追加的又は代替的実施形態では、スペクトル波長の範囲は、光スペクトルの特定の波長に対応することができる。スペクトル波長の範囲の抽出に応答して、処理ロジックは、スペクトルデータのセットに含まれるスペクトル波長の範囲ごとにベースラインスペクトルデータを選択することができる。

【0087】

初期期間における検出された光信号の１つ以上の波長の振幅の決定に応答して、処理ロジックは、基板処理中にスペクトルデータが収集された後の各々の期間における１つ以上の波長の振幅を決定することができる。上述のように、終点検出装置１２４は、エッチング処理の１つ以上の中間期間（例えば、時間１秒から時間Ｎ－１秒まで）及び最終期間（例えば、時間Ｎ秒）において基板のスペクトルデータを収集することができる。従って、処理ロジックは、各々の中間期間及び最終期間において、検出された光信号の１つ以上の波長の各々の振幅を決定することができる。

【0088】

幾つかの実施形態では、処理ロジックは、エッチング処理の初期期間における１つ以上の波長の振幅と、後続の各々の期間（即ち、エッチング処理の各々の中間期間と最終期間）における１つ以上の波長の振幅との間の差に基づいて、基板の正規化されたスペクトルデータを生成することができる。例示的な例では、処理ロジックは、初期期間における波長Ｘの振幅が約１０単位であり、第１の中間期間における波長Ｘの振幅が約１１単位であると決定することができる。正規化されたスペクトルデータは、第１の中間期間における波長Ｘの正規化された振幅が約１単位（例えば、初期期間における波長Ｘの振幅と第２の期期間における波長Ｘの振幅との差）であることを示す第１の正規化スペクトルデータ点を含むことができる。また、処理ロジックは、第２の中間期間における波長Ｘが約１２単位であると決定することができる。従って、正規化スペクトルデータは、第２の中間期間における波長Ｘの正規化振幅が約２単位であることを示す第２の正規化スペクトルデータ点を含むことができる。処理ロジックは、上記の例に従って、各々の中間期間及び最終期間の正規化されたスペクトルデータを生成することができる。

【0089】

他の又は同様の実施形態では、処理ロジックは、エッチング処理の後続の各々の期間における１つ以上の波長の振幅と、初期期間おける１つ以上の波長の振幅の間の比に基づいて、基板の正規化されたスペクトルデータを生成することができる。例えば、処理ロジックは、初期期間における波長Ｘの振幅が約５単位であり、第１の中間期間における波長Ｘの振幅が約１０単位であると決定することができる。正規化されたスペクトルデータは、第１の中間期間における波長Ｘの正規化された振幅が約２単位（例えば、第２の期間における波長Ｘの振幅と第１の期間の波長Ｘの振幅との比）であることを示す第１の正規化スペクトルデータ点を含むことができる。

【0090】

更に、図７Ｄは、基板処理のために取得された合成計測データにマッピングされる正規化されたスペクトルデータの例を示す。上述のように、正規化されたスペクトルデータは、終点検出装置１２４により収集された生のスペクトルデータに存在するあらゆる分散（例えば、処理チャンバの差異、処理実行時間の差異等）を無視する。ここで図７Ｄに示されるように、各々の波長についての正規化されたスペクトルデータを表す各々の線は、図７Ａの各々の波長についての生のスペクトルデータを表す各々の線と比較して滑らかである。上述のように、幾つかの実施形態では、処理ロジックは、初期期間における１つ以上の波長の振幅と、各々の後続期間における１つ以上の波長の振幅との間の差に基づいて、正規化されたスペクトルデータを生成することができる。このような実施形態では、時間０において、各々の波長の大きさはほぼ０単位である。他の又は同様の実施形態では、処理ロジックは、各々の後続期間における１つ以上の波長の振幅と、初期期間における１つ以上の波長の振幅との間の比に基づいて、正規化されたスペクトルデータを生成することができる。このような実施形態では、時間０において、各々の波長の大きさは約１単位である。

【0091】

図６に戻って参照すると、ブロック６２０で、処理ロジックは、正規化されたスペクトルデータから、特定の種類の計測測定に対応する１つ以上のスペクトルフィーチャを含むスペクトルデータのセットを抽出することができる。幾つかの実施形態では、処理ロジックは、スペクトルデータの最も重要なフィーチャを選択するために主成分分析（ＰＣＡ）を実行することができる。主成分分析とは、実座標空間内の点の集合を分析して、点の集合に対して基底変更を行うことを意味する。幾つかの実施形態では、スペクトルフィーチャのセットは、特定の種類の計測測定に対応する検出光の波長範囲を含む。このような実施形態では、処理ロジックは、上述した波動解析モデルの出力に基づいて特定の波長を識別することができる。例えば、処理ロジックは、基板の構造に関連するデータ（例えば、ＣＤ、厚さ、材料特性、ＳＷＡ等）を波形解析モデルへの入力として提供し、１つ以上の出力を抽出することができる。処理ロジックは、１つ以上の出力に基づいて、光スペクトルの特定の範囲が特定の種類の計測測定に対応し、波長Ｘ及びＹが特定の範囲に含まれることを決定することができる。追加的又は代替的実施形態では、波動解析モデルの出力は、波長Ｘ及びＹが特定の種類の計測測定に対応することを示すことができる。特定の種類の計測測定に対応する特定の波長の識別に応答して、処理ロジックは、正規化されたスペクトルデータから波長Ｘ及びＹに対応するスペクトルデータのセットを抽出することができる。

【0092】

幾つかの実施形態では、スペクトルフィーチャのセットは、特定の種類の計測測定に対応する１つ以上の波長のスペクトルデータに存在するスペクトル傾向又はパターンを含む。処理ロジックは、１つ以上の波長の正規化されたスペクトルデータに対して１つ以上の分析オペレーション（例えば、ＲＣＷＡ、二次元スキャンオペレーション等）を実行して、特定の種類の計測測定値に対応するスペクトル傾向又はパターンを識別することができる。幾つかの実施形態では、処理ロジックは、特定の種類の計測測定に関連する特定の波長の正規化されたスペクトルデータの一部を識別することができる。例えば、処理ロジックは、初期期間と第１の中間期間の間の波長Ｙの正規化されたスペクトルデータが限界寸法測定に関連していることを識別することができる。図７Ｅのデータ範囲７１０は、このように特定された正規化されたスペクトルデータを示す。他の又は同様の実施形態では、処理ロジックは、特定の種類の計測測定に関連する各々の波長に共通するスペクトル傾向又はパターンを示す正規化スペクトルデータの部分を識別することができる。例えば、処理ロジックは、波長Ｘと波長Ｙに共通するスペクトル傾向を識別することができる。図７Ｅのデータ範囲７１２、７１４、７１６は、このような識別された正規化スペクトルデータを示す。

【0093】

他の又は同様の実施形態では、処理ロジックは、校正基板の二次元走査の結果に基づいて、特定の種類の測定値に対応する正規化スペクトルデータの部分を識別することができる。校正基板は、特定の基板処理に関連する目標プロファイルフィーチャに対応する１つ以上のプロファイルフィーチャを含む基板を意味することができる。校正基板は、基板の表面を走査し、基板プロファイルのトポグラフィーに関連するスペクトルデータを収集するように構成された走査装置（例えば、計測装置又は他の装置）に配置することができる。収集されたスペクトルデータは、基板表面の特定の部分又は領域に各々関連するスペクトルデータのセットを含むことができる。処理ロジックは、校正基板のデータを取得することができ、スペクトルデータのセットに基づいて、基板表面の他の部分における他のプロファイルパターンとは異なるプロファイルパターンを含む校正基板の一部又は領域を識別することができる。処理ロジックは、校正基板の二次元スキャン中に収集された個別のプロファイルパターンのスペクトルデータに対応する、波長Ｘ、Ｙ及びＺの正規化されたスペクトルデータのスペクトル傾向を識別することができる。

【0094】

図６に戻って参照すると、ブロック６２２で、処理ロジックは、抽出されたスペクトルデータのセットから、基板処理の特定の期間に関連するスペクトルデータのサブセットを識別することができる。幾つかの実施形態では、基板処理の特定の期間は、基板処理の最終期間及び／又は最終期間に隣接する基板処理の１つ以上の中間期間を含むことができる。他の又は同様の実施形態では、基板処理の特定の期間は、現在の基板処理の現在の期間に最も近い期間を含むことができる。図７Ｆは、エッチング処理の最終期間（即ち、時間Ｎ）及びエッチング処理の隣接する中間期間（即ち、時間Ｎ－１）に関連するスペクトルデータのサブセット７１８を示す。処理ロジックは、正規化されたスペクトルデータから抽出されたデータ範囲７１０～７１６からサブセット７１８を識別することができる。

【0095】

上述のように、方法６００の１つ以上のオペレーションは、トレーニングセットジェネレータ３２４により実行することができる。例えば、トレーニングセットジェネレータ３２４は、サブセット７１８を取得するためにオペレーション６１０～６２２を実行することができる。図４に関連して提供される実施形態により、サブセット７１８は、機械学習モデル３３４のトレーニングのために生成されたトレーニング入力に含めることができる。他の又は同様の実施形態では、方法６００の１つ以上のオペレーションは、予測エンジン３２８により実行することができる。例えば、予測エンジン３２８は、オペレーション６１０及び６１８～６２２を実行し、サブセット７１８を取得することができる。サブセット７１８は、トレーニングされたプログラムへの入力として提供することができる。以下の図８に関連して説明される実施形態により、サブセット７１８を入力としてトレーニング済み機械学習モデル３３４に提供することができる。

【0096】

図８は、本開示の態様による、機械学習モデルを使用して基板のプロファイルの計測値を推定するための方法８００のフローチャートである。方法８００は、ハードウェア（回路、専用ロジック等）、ソフトウェア（汎用コンピュータシステム又は専用マシン上で実行されるもの等）、ファームウェア、又はこれらの何らかの組み合わせを含むことができる処理ロジックにより実行される。一実施形態では、方法８００は、図１のコンピュータシステムアーキテクチャ１００等のコンピュータシステムにより実行することができる。他の又は同様の実施形態では、方法８００の１つ以上のオペレーションは、図示されていない１つ以上の他のマシンにより実行することができる。幾つかの態様では、方法８００の１つ以上のオペレーションは、図３に関連して説明されたサーバマシン３２０の予測エンジン３２８により実行することができる。

【0097】

ブロック８１０では、処理ロジックは、製造システムの処理チャンバで処理されている基板に関連するスペクトルデータを受信する。幾つかの実施形態では、スペクトルデータは、前述の実施形態により、終点検出装置１２４等の終点検出装置、又は処理チャンバ内に配置された又は処理チャンバに結合された他のセンサから受信することができる。ブロック８１２では、特定の種類の計測測定に対応するスペクトルフィーチャの指標を含む正規化されたスペクトルデータの１つ以上のサブセットを取得する。幾つかの実施形態では、処理ロジックは、図６の方法６００に関連して説明された１つ以上のオペレーション（例えば、オペレーション６１８～６２２）を実行することにより、正規化されたスペクトルデータの１つ以上のサブセットを取得することができる。ブロック８１６で、処理ロジックは、正規化されたスペクトルデータの抽出された１つ以上のサブセットを、トレーニング済み機械学習モデルへの入力として提供する。幾つかの実施形態では、トレーニング済み機械学習モデルは、図３に関連して説明された機械学習モデル３３４に対応することができる。幾つかの実施形態では、トレーニングエンジン３２６は、図９に関連して説明される実施形態により、予測エンジン３２８により使用される機械学習モデル３３４を選択する。ブロック８１８で、処理ロジックは機械学習モデルの１つ以上の出力を取得する。ブロック８２０で、処理ロジックは、１つ以上の出力から、（ｉ）特定の種類の計測測定に関連する１つ以上の計測測定値、及び（２）１つ以上の計測測定値の各々が基板のプロファイルに対応する信頼性のレベルの表示を識別する計測測定データを抽出する。一例では、信頼度は０から１までの実数である。幾つかの実施形態では、信頼レベルは確率に対応しないことに留意すべきである。例えば、すべての計測測定値の信頼レベルの合計が１に等しくない場合がある。

【0098】

幾つかの実施形態では、処理ロジックは、計測測定データを使用して、製造システムで処理されている基板の計測測定値を提供することができる。幾つかの実施形態では、計測測定値の信頼レベルが閾値条件を満たす場合、基板は計測測定値に関連付けられていると識別される。処理ロジックは、信頼レベルが信頼レベルの閾値を超えているとの決定に応答して、計測測定値の信頼レベルが閾値条件を満たすと決定することができる。処理ロジックは、図１０に関連して説明される実施形態により、処理終点エンジン３３０に計測測定値を提供することができる。

【0099】

図９は、本開示の態様による、計測測定値のタイプを推定するための機械学習モデルを選択するための方法９００のフローチャートである。方法９００は、ハードウェア（回路、専用ロジック等）、ソフトウェア（例えば、汎用コンピュータシステム又は専用マシン上で実行されるもの等）、ファームウェア、又はこれらの何らかの組み合わせを含むことができる処理ロジックにより実行される。一実施形態では、方法９００は、図１のコンピュータシステムアーキテクチャ１００等のコンピュータシステムにより実行することができる。他の又は同様の実施形態では、方法９００の１つ以上のオペレーションは、図示されていない１つ以上の他のマシンにより実行することができる。幾つかの態様では、方法９００の１つ以上のオペレーションは、図３に関連して説明されたサーバマシン３２０のトレーニングエンジン３２６により実行することができる。

【0100】

ブロック９１０で、処理ロジックは、機械学習モデルのセットのトレーニングデータ及び／又は検証データを受信する。機械学習モデルのセットの各々は、異なる機械学習モデルタイプに対応することができる。例えば、機械学習モデルのセットの各々は、線形回帰モデル、部分最小二乗回帰モデル、ガウス回帰モデル、ランダムフォレストモデル、サポートベクターマシンモデル、ニューラルネットワーク、リッジ回帰モデル等に対応することができる。幾つかの実施形態では、処理ロジックは、サーバマシン３２０又は３５０のトレーニングセットジェネレータ３２４からトレーニングデータ及び検証データを受信することができる。トレーニングセットジェネレータ３２４は、図４の方法４００に関連して説明された実施形態により、トレーニングデータを生成することができる。他の又は同様の実施形態では、処理ロジックはトレーニングセットジェネレータ３２４からトレーニングデータを受信することができ、受信したトレーニングデータに基づいて検証データを生成することができる。図３に関連して説明されたように、トレーニングデータはトレーニングセット３４０に対応し、検証データは検証セット３４２に含まれるデータに対応することができる。

【0101】

ブロック９１２で、処理ロジックは、受信したトレーニングデータを使用して機械学習モデルのセットの各々をトレーニングする。ブロック９１４で、処理ロジックは、検証データを使用して、機械学習モデルのセットの各々に対して１つ以上のテストオペレーションを実行する。上述のように、検証セット３４２は、トレーニングデータに含まれるスペクトルデータ及び計測データとは異なる、処理チャンバで処理された以前の基板のスペクトルデータ及び計測データを含むことができる。１つ以上のテストオペレーションを実行するために、処理ロジックは、検証セット３４２のスペクトルデータを、トレーニング済み機械学習モデルのセットの各々への入力として提供することができ、トレーニング済みモデルの各々の１つ以上の出力を取得することができる。処理ロジックは、本明細書で提供される実施形態により、取得された１つ以上の出力から計測測定値を抽出することができる。

【0102】

ブロック９１６で、処理ロジックは、ブロック９１４に関して実行された１つ以上のテストオペレーションの結果に基づいて、機械学習モデルのセットの各々に性能評価を割り当てる。幾つかの実施形態では、処理ロジックは、機械学習モデルに対して決定された精度スコアに基づき、各機械学習モデルに性能評価を割り当てることができる。処理ロジックは、各々の機械学習モデルの出力から抽出された計測測定値と基板の実際の計測測定値との差が閾値差値を下回ることに基づいて精度スコアを決定することができる。例えば、ブロック９１４に関連して説明されたように、処理ロジックは、検証セット３４２からのスペクトルデータを各々の機械学習モデルへの入力として提供することができ、モデルの出力から計測値を抽出することができる。処理ロジックは、抽出された計測値を、検証セット３４２の提供されたスペクトルデータに関連する実際の計測値と比較することができる。処理ロジックは、抽出された値と検証セット３４２の実際の値との差に基づいてモデルに精度スコアを割り当てることができる。例えば、モデルにより生成された抽出値と実際の値との差が小さい場合、処理ロジックは各々のモデルに高精度スコアを割り当てることができる。同様に、差が大きい場合、処理ロジックは各々のモデルに低い精度スコアを割り当てることができる。

【0103】

追加的又は代替的実施形態では、更に、処理ロジックは機械学習モデルに対して決定された速度スコアに基づいて、各々の機械学習モデルに性能評価を割り当てることができる。幾つかの実施形態では、処理ロジックは、処理ロジックがスペクトルデータをモデルへの入力として提供した後、モデルの１つ以上の出力が取得されるまでの時間量に基づいて速度スコアを決定することができる。他の又は同様の実施形態では、処理ロジックは、処理ロジックがモデルへの入力としてスペクトルデータを提供した後、処理ロジックが取得された１つ以上の出力から計測測定値を抽出するまでの時間量に基づいて速度スコアを決定することができる。一例では、処理ロジックがモデルへの入力としてスペクトルデータを提供した後、モデルが１つ以上の出力を提供する（又は処理ロジックが計測測定値を抽出する）までの時間量が小さい場合、処理ロジックは各々のモデルに高速スコアを割り当てることができる。

【0104】

幾つかの実施形態では、処理ロジックは、機械学習モデルに対して決定された効率スコアに基づいて、各々の機械学習モデルに性能評価を割り当てることができる。図３に関連して説明されたように、幾つかの実施形態では、トレーニングエンジン３５６は、サーバマシン３２０とは別個のサーバマシン３５０に含まれることができる。そのような実施形態では、トレーニングエンジン３５６は、サーバマシン３５０で機械学習モデルのセットの各々をトレーニングすることができる。トレーニングエンジン３５６はブロック９１４に関連して説明された１つ以上のテストオペレーションを実行して、機械学習モデルのセットのどれが予測エンジン３２８により使用されるためにサーバマシン３２０に送信されるかを決定することができる。処理ロジックは、各々の機械学習モデルの効率スコアを決定することができる。決定は、各々の機械学習モデルのサーバマシン３５０からサーバマシン３２０への送信、及び／又はサーバマシン３２０での各々の機械学習モデルの初期化に関する全体的なシステム効率（例えば、製造システムについて）に基づいて行われる。実施形態では、処理ロジックは、各々のトレーニング済み機械学習モデルを格納するために使用されるメモリの量、サーバマシン３２０のデータストア３３２で利用可能なメモリの量、各々のトレーニング済み機械学習モデルをサーバマシン３２０に送信するために利用できるネットワーク帯域幅の量等に基づいて効率スコアを決定することができる。

【0105】

ブロック９１８で、処理ロジックは、機械学習モデルの各々に割り当てられた性能評価に基づいて、性能基準が満たされるかどうかを決定する。幾つかの実施形態では、処理ロジックは、各々の機械学習モデルに割り当てられた性能評価（即ち、精度スコア、幾つかの実施形態では速度スコア及び／又は効率スコアに基づいて決定される）が性能スコアの閾値を超えるかを決定することにより、性能基準が満たされるかどうかを決定することができる。他の又は同様の実施形態では、処理ロジックは、各々のモデルの精度スコアが閾値スコアを超えるかどうか、及び全体的な性能評価（即ち、精度スコア及び速度スコア及び／又は効率スコアに基づいて決定される）が性能評価閾値を超えるかを決定することにより、性能基準が満たされるかどうかを決定することができる。幾つかの実施形態では、複数のトレーニング済み機械学習モデルを、各々閾値スコア及び／又は閾値評価を満たす精度スコア及び／又は性能評価に関連付けることができる。このような実施形態では、処理ロジックは、複数のトレーニング済みモデルの各々のモデルが、性能基準を満たす最高の精度スコア及び／又は性能評価に関連すると決定することができる。幾つかの実施形態では、処理ロジックは、機械学習モデルのセットのうちのどのトレーニング済み機械学習モデルも、各々閾値スコア及び／又は閾値評価を満たす精度スコア及び／又は性能評価に関連付けられていないと決定することができる。このような実施形態では、処理ロジックは、どのモデルも性能基準を満たさないと決定することができる。

【0106】

性能基準が満たされたとの決定に応答して、処理ロジックはブロック９２０に進む。ブロック９２０で、処理ロジックは、将来の基板処理に従って処理される将来の基板について収集される将来のスペクトルデータに適用される各々の機械学習モデルを選択する。上述のように、幾つかの実施形態では、トレーニングエンジン３２６は、サーバマシン３２０の予測エンジン３２８に含めることができる。このような実施形態では、将来のスペクトルデータに適用される各々の機械学習モデルの選択に応答して、処理ロジックは、各々の機械学習モデル、及び／又は各々のモデルが予測エンジン３２８により使用されるとの表示をデータストア３３２に記憶することができる。他の実施形態では、トレーニングエンジン３２６をサーバマシン３５０に含めることができる。そのような実施形態では、トレーニングエンジン３２６が将来のスペクトルデータに適用される各々の機械学習モデルを選択したことに応答して、サーバマシン３５０は、データストア１５０に記憶するために各々の機械学習モデルをサーバ３２０に送信することができる。

【0107】

性能基準が満たされていないとの決定に応答して、処理ロジックはブロック９２２に進む。ブロック９２２で、処理ロジックは、機械学習モデルのセットを更にトレーニングするための追加のトレーニングデータを受け取る。処理ロジックは、前述の実施形態により、トレーニングセットジェネレータ３２４から追加のトレーニングデータを受信することができる。

【0108】

図１０は、本開示の態様による、機械学習モデルを使用して基板処理の終点を検出するための方法１０００のフローチャートである。方法１０００は、ハードウェア（回路、専用ロジック等）、ソフトウェア（例えば、汎用コンピュータシステム又は専用マシン上で実行されるもの等）、ファームウェア、又はこれらの何らかの組み合わせを含むことができる処理ロジックにより実行される。一実施形態では、方法１０００は、図１のコンピュータシステムアーキテクチャ１００等のコンピュータシステムにより実行することができる。他の又は同様の実施形態では、方法１０００の１つ以上のオペレーショは、図示されていない１つ以上の他のマシンにより実行することができる。幾つかの態様では、方法１０００の１つ以上のオペレーションは、図３に関連して説明されたサーバマシン３２０の処理終点エンジン３３０により実行することができる。

【0109】

ブロック１０１０で、処理ロジックは、製造システム２００における現在の処理に従って処理される現在の基板に関連するスペクトルデータを受信する。前述のように、幾つかの実施形態では、処理ロジックは、終点検出装置１２４、又は現在の処理を実行する処理チャンバ内に配置され、又は接続された他のセンサから現在のスペクトルデータを受信することができる。幾つかの実施形態では、処理ロジックは、現在の処理の特定の期間に現在のスペクトルデータを受信することができる。例えば、終点検出装置１２４は、基板処理中に特定の間隔で（例えば、毎秒１回）現在の基板のスペクトルデータを収集するように構成することができる。終点検出装置１２４は基板処理の各々の間隔でスペクトルデータを収集し、スペクトルデータをサーバマシン３２０に送信することができ、ここで処理終点エンジン３３０の処理ロジックにより受信される。

【0110】

ブロック１０１２で、処理ロジックは、基板基準が満たされるかどうかを決定する。幾つかの実施形態では、処理ロジックは、受信したスペクトルデータが特定の種類の基板処理及び／又は特定の種類の基板に関連するスペクトルデータに対応すると決定することにより、基板基準が満たされると決定することができる。例えば、処理ロジックは、特定の種類の処理に従って処理された特定の種類の基板について以前に収集されたスペクトルデータを（例えば、データストア１５０から）取得することができる。以前に収集されたスペクトルデータは、基板の種類及び／又は処理の種類、又は処理の種類の特定の工程又は期間に特有の１つ以上のスペクトルデータフィーチャ（例えば、スペクトルシグネチャ）を含むことができる。処理ロジックは、現在の基板について受信したスペクトルデータが、以前に収集されたスペクトルデータに含まれる各々のスペクトルデータフィーチャに対応する（即ち、ほぼ等しい）１つ以上のスペクトルデータフィーチャを含むかどうかを決定することができる。

【0111】

現在のスペクトルデータフィーチャが以前に収集されたデータのスペクトルフィーチャに対応しないとの決定に応答して、処理ロジックは、基板基準が満たされていないと決定することができる。現在のスペクトルデータのフィーチャが以前に収集されたデータのスペクトルフィーチャに対応しないという決定は、現在の基板が基板処理の予想される種類の基板に関連付けられていないこと、又は現在の処理又は現在の処理の工程が現在の処理の予期される種類又は現在の工程に対応していないことを示すことができる。従って、処理ロジックが基板基準を満たしていないと決定したことに応答して、方法１０００はブロック１０１４に進み、処理ロジックは製造システム２００のクライアントデバイスにアラートを送信する。アラートは、現在の基板が現在の基板の予期される種類に対応しない、及び／又は現在の処理又は処理の工程が、処理の予期される種類又は工程に対応しない可能性があるとの表示を含むことができる。

【0112】

現在のスペクトルデータフィーチャが以前に収集されたデータのスペクトルフィーチャに対応するという決定に応答して、処理ロジックは基板基準が満たされていると決定することができる。処理ロジックが基板基準を満たしていると決定したことに応答して、方法１０００はブロック１０１６に進む。ブロック１０１６で、処理ロジックは、トレーニング済み機械学習モデルへの入力として使用されるスペクトルデータを提供する。幾つかの実施形態では、処理ロジックはスペクトルデータを予測エンジン３２８に提供することができ、これにより、予測エンジン３２８に、図８に関連して説明された方法８００の１つ以上のオペレーションを実行させることが可能になる。

【0113】

ブロック１０１８で、処理ロジックは、トレーニング済み機械学習モデルの１つ以上の出力から抽出された計測測定値を取得する。幾つかの実施形態では、処理ロジックは、方法８００に従って取得された、予測エンジン３２８から計測測定値の表示を受信することができる。ブロック１０２０で、処理ロジックは、計測測定基準が満たされているかどうかを決定する。幾つかの実施形態では、処理ロジックは、抽出された計測測定値が現在の処理の終点に関連する計測測定値に対応するかどうかを決定することにより、計測測定基準が満たされるかどうかを決定することができる。抽出された計測値と終点値との差が差閾値を下回る場合、抽出された計測値は、現在の処理の終点に関連する計測値に対応することができる。

【0114】

処理ロジックが計測測定基準が満たされたと決定したことに応答して、方法１０００はブロック１０２２に進む。ブロック１０２２で、処理ロジックは、製造システムにおける現在の処理を終了させる命令を生成する。幾つかの実施形態では、処理ロジックは、システムコントローラ（例えば、システムコントローラ２２８）に命令を送信することができ、これによりシステムコントローラに現在の処理を終了させる。他の又は同様の実施形態では、処理ロジックは、処理チャンバのローカル処理デバイスに命令を送信することができ、これにより処理チャンバは現在の処理を終了する。追加的又は代替的実施形態では、処理ロジックは、スペクトルデータ及び抽出された計測測定値を、追加のトレーニングデータとして使用するためにトレーニングセットジェネレータ３２４（即ち、サーバマシン３２０又はサーバマシン３５０）に送信することができる。

【0115】

処理ロジックが計測測定基準は満たされていないと決定したことに応答して、方法１０００はブロック１０２４に進む。ブロック１０２４で、処理ロジックは現在の基板に対する現在の処理を継続する。幾つかの実施形態では、処理ロジックは、処理チャンバが現在の処理を継続するような命令をシステムコントローラ２２８又はローカルコントローラに送信することにより、現在の処理を継続することができる。他の又は同様の実施形態では、処理ロジックは、命令を生成及び送信しないで、現在の処理を継続することができる。処理ロジックは、上述のように、スペクトルデータ及び抽出された計測測定値をトレーニングセットジェネレータ３２４に送信して、追加のトレーニングデータとして使用することができる。

【0116】

ブロック１０２０に戻って参照すると、幾つかの実施形態では、処理ロジックは、抽出された計測測定値が、現在の処理の期間に関連する予想計測測定値の範囲内にあるかどうかを決定することにより、計測測定基準が満たされているかどうかを更に決定することができる。予想される計測測定値の範囲は、現在の処理の現在の期間における現在の基板に関連すると予想される一連の値を含むことができる。例えば、その期間が（即ち、現在の基板処理及び以前の基板処理の処理データを考慮して）現在の基板処理の最終期間であると予想される場合、予想される計測測定値の範囲は終点の計測値と隣接する期待値(例えば、終点値±Ｘ等)を含むことができる。抽出された計測値が計測値の予想範囲内に入らないとの決定に応答して、処理ロジックは、上述のように、製造システムのクライアントデバイスにアラートを送信することができる。幾つかの実施形態では、処理ロジックは、抽出された計測測定値を考慮して、トレーニング済み機械学習モデルの精度がもはや精度基準を満たさない（即ち、トレーニング済み機械学習モデルの全体的な精度が全体的な精度の閾値を下回る）と決定することができる。従って、処理ロジックは、機械学習モデルを再トレーニングすべきことを示す通知をクライアントデバイスに送信することができる。幾つかの実施形態では、処理ロジックは、本明細書で説明される実施形態により、機械学習モデルを再トレーニングするために、トレーニングセットジェネレータ３２４及び／又はトレーニングエンジン３２６に通知を送信することができる。

【0117】

図１１は、本明細書で説明される方法のいずれか１つ以上をマシンに実行させるための命令セットを実行することができるコンピューティングデバイス１１００の例示的な形態のマシンの図表示を示す。代替実施形態では、マシンは、ローカルエリアネットワーク（ＬＡＮ）、イントラネット、エクストラネット、又はインターネット内の他のマシンに接続（例えば、ネットワーク接続）することができる。マシンは、クライアント／サーバネットワーク環境ではサーバ又はクライアントマシンとしてオペレーションでき、又はピアツーピア（又は、分散）ネットワーク環境ではピアマシンとしてオペレーションすることができる。このマシンは、パーソナルコンピュータ（ＰＣ）、タブレットコンピュータ、セットトップボックス（ＳＴＢ）、携帯情報端末（ＰＤＡ）、携帯電話、Ｗｅｂアプライアンス、サーバ、ネットワークルータ、スイッチ又はブリッジ、又はそのマシンが実行するアクションを指定する命令セット（シーケンス又はその他）を実行できる任意のマシンであってもよい。更に、単一のマシンのみが図示されているが、「マシン」という用語は、本明細書で説明される方法のいずれか１つ以上を実行する１つ以上の命令セット（又は複数セット）を個別に又は共同で実行するマシンの集合（例えば、コンピュータ）も含むと解釈される。実施形態では、コンピューティングデバイス１１００は、本明細書で説明されるように、サーバマシン１７０、サーバマシン１８０、予測サーバ１１２、又はシステムコントローラ２２８、サーバマシン３２０、サーバマシン３５０の１つ以上に対応することができる。

【0118】

例示的なコンピューティングデバイス１１００は、処理デバイス１１０２、メインメモリ１１０４（例えば、リードオンリーメモリ（ＲＯＭ）、フラッシュメモリ、同期ＤＲＡＭ（ＳＤＲＡＭ）等のダイナミックランダムアクセスメモリ（ＤＲＡＭ）等）、スタティックメモリ９０６（例えば、フラッシュメモリ、スタティックランダムアクセスメモリ（ＳＲＡＭ）等）、及び二次メモリ（例えば、データ記憶装置９２８）を含み、これらはバス９０８を介して互いに通信する。

【0119】

処理デバイス１１０２は、マイクロプロセッサ、中央処理デバイス等の１つ以上の汎用プロセッサを表すことができる。より具体的には、処理デバイス９０２は、複合命令セットコンピューティング（ＣＩＳＣ）マイクロプロセッサ、縮小命令セットコンピューティング（ＲＩＳＣ）マイクロプロセッサ、超長命令ワード（ＶＬＩＷ）マイクロプロセッサ、他の命令セットを実行するプロセッサ、又は命令セットの組み合わせを実行するプロセッサであってもよい。また、処理デバイス１１０２は、特定用途向け集積回路（ＡＳＩＣ）、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、デジタル信号プロセッサ（ＤＳＰ）、ネットワークプロセッサ等の１つ以上の専用処理デバイスであってもよい。また、処理デバイス９０２は、システムオンチップ（ＳｏＣ）、プログラマブルロジックコントローラ（ＰＬＣ）、又は他の種類の処理デバイスであってもよいし、これらを含むこともできる。処理デバイス１１０２は、本明細書で説明するオペレーション及び工程を実行するための処理ロジックを実行するように構成される。

【0120】

更に、コンピューティングデバイス１１００は、ネットワーク１１６４と通信するためのネットワークインターフェースデバイス１１２２を含むことができる。また、コンピューティングデバイス１１００は、ビデオ表示ユニット１１１０（例えば、液晶ディスプレイ（ＬＣＤ）又は陰極線管（ＣＲＴ））、英数字入力装置１１１２（例えば、キーボード）、カーソル制御装置１１１４（例えば、マウス）、及び信号生成装置１１２０（例えば、スピーカ）を含むことができる。

【0121】

データ記憶装置１１２８は、本明細書で記載された方法又は機能のいずれか１つ以上を具体化する１つ以上の命令セット１１２６が記憶されるマシン可読記憶媒体（又はより具体的には、非一時的コンピュータ可読記憶媒体）１１２４を含むことができる。ここで、非一時的記憶媒体とは、搬送波以外の記憶媒体を意味する。また、命令１１２６は、コンピュータデバイス１１００、メインメモリ１１０４、及びコンピュータ可読記憶媒体を装置を構成する処理デバイス１１０２による実行中に、メインメモリ１１０４、及び／又は処理デバイス内に、完全に又は少なくとも部分的に常駐することができる。

【0122】

コンピュータ可読記憶媒体１１２４は例示的な実施形態では単一の媒体であるように示されているが、「コンピュータ可読記憶媒体」という用語は、１つ以上の命令セットを保存する単一の媒体又は複数の媒体（例えば、集中型又は分散型データベース、及び／又は関連するキャッシュ及びサーバ）を意味する。また、「コンピュータ可読記憶媒体」という用語は、マシンによる実行のため命令セットを記憶又は符号化することができ、マシンに本開示の方法のいずれか１つ以上を実行させる任意の媒体も含むと解釈される。従って、「コンピュータ可読記憶媒体」という用語は、ソリッドステートメモリ、光媒体及び磁気媒体を含むものと解釈されるが、これらに限定されない。

【0123】

前述の説明では、本開示の幾つかの実施形態の十分な理解を提供するために、特定のシステム、コンポーネント、方法等の例等の多くの特定の詳細を記載した。しかし、本開示の少なくとも幾つかの実施形態は、これらの特定の詳細がなくても実施できることが当業者には明らかである。他の例では、本開示を不必要に曖昧にすることを避けるために、周知の構成要素又は方法は詳細に説明されないか、又は単純なブロック図形式で提示されている。従って、記載された具体的な詳細は単なる例示にすぎない。特定の実施はこれらの例示的な詳細とは異なる場合があるが、依然として本開示の範囲内にあると考えられる。

【0124】

本明細書全体に亘る「一実施形態」又は「実施形態」への言及は、実施形態に関連して説明される特定のフィーチャ、構造、又は特徴が少なくとも１つの実施形態に含まれることを意味する。従って、本明細書全体の様々な場所に現れる「一実施形態において」又は「実施形態において」という語句は、必ずしも全てが同じ実施形態を意味するわけではない。更に、用語「又は」は、排他的な「又は」ではなく、包括的な「又は」を意味することを意図している。「約」又は「およそ」という用語が本明細書で使用される場合、これは、提示された公称値が±１０％以内の精度を意味することを意図している。

【0125】

本明細書における方法のオペレーションは特定の順序で示され説明されているが、各々の方法のオペレーションの順序を変更することができ、特定のオペレーションを逆の順序で実行し、特定のオペレーションを、少なくとも部分的に、他のオペレーションと並行して実行することができる。他の実施形態では、個他のオペレーションの命令又はサブオペレーションは、断続的及び／又は交互の方法で行うことができる。

【0126】

上記の説明は例示を目的としたものであり、限定的なものではないと理解される。上記の説明を読んで理解すれば、他の多くの実施形態が当業者には明らかとなる。従って、本開示の範囲は、添付の特許請求の範囲と、そのような特許請求の範囲が権利を有する均等物の全範囲を参照して決定されるべきである。

【図1】