基片处理的条件设定辅助方法、基片处理系统、存储介质和学习模型
文献发布时间:2023-06-19 11:27:38
技术领域
本发明涉及基片处理的条件设定辅助方法、基片处理系统、存储介质和学习模型。
背景技术
专利文献1公开了一种在基片的表面形成感光性覆膜,在对该感光性覆膜进行曝光处理后进行该感光性覆膜的显影处理的装置。
现有技术文献
专利文献1:日本特开2017-73522号公报
发明内容
发明要解决的技术问题
本发明提供一种条件设定辅助方法,能够有效地简化对基片处理的处理条件进行设定的作业。
解决问题的技术手段
本发明的一个方面的基片处理的条件设定辅助方法,包括:将数据集输入到机器学习装置的步骤,其中,所述数据集包括基片处理的处理条件和关于该基片处理的质量的实际数据,所述基片处理由基片处理装置执行并且包括对基片供给处理液的处理;和基于学习模型导出基片处理的推荐处理条件的步骤,其中,所述学习模型是由机器学习装置基于多组所述数据集通过机器学习而生成的模型,能够响应于处理条件的输入而输出关于基片处理的质量的预测数据。
发明效果
采用本发明能够提供一种条件设定辅助方法,能够有效地简化对基片处理的处理条件进行设定的作业。
附图说明
图1是表示一个示例性实施方式的基片处理系统的结构的示意图。
图2是举例表示涂敷单元的概略结构的示意图。
图3是举例表示显影单元的概略结构的示意图。
图4是举例表示处理后检查装置的概略结构的示意图。
图5是举例表示处理中检查装置的概略结构的示意图。
图6是举例表示控制装置和机器学习装置的功能性结构的框图。
图7是举例表示控制装置和机器学习装置的硬件结构的框图。
图8是举例表示控制装置所执行的条件设定辅助步骤的流程图。
图9是举例表示控制装置进一步执行的条件设定辅助步骤的流程图。
图10是举例表示机器学习装置所执行的条件设定辅助步骤的流程图。
图11是举例表示机器学习装置进一步执行的条件设定辅助步骤的流程图。
具体实施方式
下面说明各种示例性实施方式。在说明中,对同一要素或者具有相同功能的要素标注相同的附图标记,省略重复的说明。
[基片处理系统]
基片处理系统1是在基片的表面形成感光性覆膜,并对曝光处理后的该感光性覆膜实施显影处理的系统。处理对象的基片例如是半导体晶圆W。感光性覆膜例如是抗蚀剂膜。
如图1所示,基片处理系统1包括涂敷显影装置2和控制装置100。涂敷显影装置2包括承载器区块4、处理区块5和接口区块6。
承载器区块4用于将晶圆W(基片)导入涂敷显影装置2内,以及将晶圆W从涂敷显影装置2内导出。例如,承载器区块4内置有交接臂A1,其能够支承晶圆W用的多个承载器C。承载器C例如收纳圆形的多个晶圆W。交接臂A1从承载器C取出未处理的晶圆W,并使处理后的晶圆W返回承载器C。
处理区块5包括多个处理模块11、12、13、14。处理模块11、12、13(处理部)进行成膜处理,在晶圆W的表面Wa涂敷成膜液(成膜用的处理液)来形成覆膜。例如,处理模块11、12、13内置有涂敷单元U1、热处理单元U2和输送臂A3,该输送臂A3对上述单元输送晶圆W。
处理模块11利用涂敷单元U1和热处理单元U2在晶圆W的表面上形成下层膜。处理模块11的涂敷单元U1将下层膜形成用的处理液涂敷在晶圆W上。处理模块11的热处理单元U2进行下层膜的形成过程中所需的各种热处理。
处理模块12利用涂敷单元U1和热处理单元U2在下层膜上形成抗蚀剂膜。处理模块12的涂敷单元U1将抗蚀剂膜形成用的处理液涂敷在下层膜之上。处理模块12的热处理单元U2进行抗蚀剂膜的形成过程中所需的各种热处理。
处理模块13利用涂敷单元U1和热处理单元U2在抗蚀剂膜上形成上层膜。处理模块13的涂敷单元U1将上层膜形成用的液体涂敷在抗蚀剂膜之上。处理模块13的热处理单元U2进行上层膜的形成过程中所需的各种热处理。
如图2所示,涂敷单元U1包括旋转保持部50和成膜液供给部60。旋转保持部50保持晶圆W并使其旋转。例如,旋转保持部50包括保持部51和旋转驱动部52。保持部51用于支承水平配置的晶圆W,通过例如真空吸附等方式对晶圆进行保持。旋转驱动部52例如使用电动机等作为动力源,使保持部51绕铅垂的轴线旋转。由此,保持在保持部51上的晶圆W也随之旋转。
成膜液供给部60对保持在保持部51上的晶圆W的表面Wa供给成膜液。例如,成膜液供给部60具备喷嘴61和液体源62。喷嘴61配置在保持于保持部51的晶圆W的上方,对下方喷出处理液。液体源62对喷嘴61压送处理液。
回到图1,处理模块14(处理部)进行显影处理,在晶圆W的表面Wa对实施了曝光处理后的抗蚀剂膜(感光性覆膜)供给显影用的处理液。例如,处理模块14内置显影单元U3、热处理单元U4和对上述单元输送晶圆W的输送臂A3。处理模块14利用显影单元U3和热处理单元U4进行曝光后的抗蚀剂膜的显影处理。显影单元U3在已曝光的晶圆W的表面上涂敷显影液(显影用的处理液),之后利用冲洗液(冲洗用的处理液)对其冲洗,由此进行抗蚀剂膜的显影处理。热处理单元U4进行显影处理过程中所需的各种热处理。作为热处理的具体示例,能够列举显影处理前的加热处理(PEB:Post Exposure Bake)、显影处理后的加热处理(PB:Post Bake)等。
如图3所示,显影单元U3包括旋转保持部20、显影液供给部30和冲洗液供给部40。旋转保持部20保持晶圆W并使其旋转。例如,旋转保持部20包括保持部21和旋转驱动部22。保持部21用于支承水平配置的晶圆W,例如通过真空吸附等方式对晶圆进行保持。旋转驱动部22例如使用电动机等作为动力源,使保持部21绕铅垂的轴线旋转。由此,保持在保持部21上的晶圆W也随之旋转。
显影液供给部30对保持于保持部21的晶圆W的表面Wa供给显影液。例如,显影液供给部30包括喷嘴31、喷嘴移送部32、液体源33。喷嘴31配置在保持于保持部21的晶圆W的上方,向下方喷出显影液。喷嘴移送部32使用电动机等作为动力源,使喷嘴31在水平方向上移动。液体源33对喷嘴31压送显影液。
冲洗液供给部40对保持于保持部21的晶圆W的表面Wa供给冲洗液。例如,冲洗液供给部40包括喷嘴41、喷嘴移送部42和液体源43。喷嘴41配置在保持于保持部21的晶圆W的上方,向下方喷出冲洗液。喷嘴移送部42使用电动机等作为动力源,使喷嘴41在水平方向上移动。液体源43对喷嘴41压送冲洗液。
回到图1,接口区块6在其与曝光装置(未图示)之间进行晶圆W的交接,曝光装置用于对形成在晶圆W上的抗蚀剂膜进行曝光处理。例如,接口区块6内置有交接臂A8,与曝光装置连接。交接臂A8将曝光处理前的晶圆W交接给曝光装置,并从曝光装置接收曝光处理后的晶圆W。
处理区块5与承载器区块4之间设置有收纳部U10。收纳部U10被划分为在上下方向上排列的多个小室(cell),能够在各小室收纳晶圆W。收纳部U10用于承载器区块4与处理区块5之间的晶圆W的交接等。收纳部U10的附近设置有升降臂A7。升降臂A7使晶圆W在收纳部U10的各小室之间升降。处理区块5与接口区块6之间设置有收纳部U11。收纳部U11也被划分为在上下方向上排列的多个小室,能够在各小室收纳晶圆W。收纳部U11用于处理区块5与接口区块6之间的晶圆W的交接等。
控制装置100例如控制涂敷显影装置2,使得按照以下的顺序执行涂敷显影处理。首先,控制装置100控制交接臂A1将承载器C内的晶圆W输送至收纳部U10,并控制升降臂A7将该晶圆W配置在处理模块11用的小室内。
接着,控制装置100控制输送臂A3将收纳部U10的晶圆W输送到处理模块11内的涂敷单元U1和热处理单元U2。此外,控制装置100控制涂敷单元U1和热处理单元U2在该晶圆W的表面上形成下层膜。之后,控制装置100控制输送臂A3将形成有下层膜的晶圆W送回收纳部U10,并控制升降臂A7将该晶圆W配置在处理模块12用的小室内。
然后,控制装置100控制输送臂A3将收纳部U10的晶圆W输送到处理模块12内的涂敷单元U1和热处理单元U2。此外,控制装置100控制涂敷单元U1和热处理单元U2在该晶圆W的下层膜上形成抗蚀剂膜。之后,控制装置100控制输送臂A3将晶圆W送回收纳部U10,并控制升降臂A7将该晶圆W配置在处理模块13用的小室内。
接着,控制装置100控制输送臂A3将收纳部U10的晶圆W输送到处理模块13内的各单元。此外,控制装置100控制涂敷单元U1和热处理单元U2在该晶圆W的抗蚀剂膜上形成上层膜。之后,控制装置100控制输送臂A3将晶圆W输送到收纳部U11。
然后,控制装置100控制交接臂A8将收纳部U11的晶圆W送出到曝光装置3。之后,控制装置100控制交接臂A8,从曝光装置3接收实施了曝光处理后的晶圆W,并将其配置在收纳部U11中的处理模块14用的小室内。
接着,控制装置100控制输送臂A3将收纳部U11的晶圆W输送到处理模块14内的各单元,并控制显影单元U3和热处理单元U4对该晶圆W的抗蚀剂膜实施显影处理。之后,控制装置100控制输送臂A3将晶圆W送回收纳部U10,并控制升降臂A7和交接臂A1将该晶圆W送回承载器C内。通过以上方式,完成涂敷显影处理。
基片处理系统的具体结构并不限定于以上例示的结构。基片处理系统可以为任意结构,只要包括进行基片处理的处理部和能够控制该处理部的控制装置100即可,其中,基片处理包括对基片供给处理液等处理。
(条件设定辅助系统)
基片处理系统1还包括条件设定系统7。条件设定系统7包括质量检查装置70。条件设定系统7的至少一部分由上述控制装置100构成。即,条件设定系统7包括质量检查装置70和控制装置100。质量检查装置70检测关于涂敷显影装置2进行的基片处理的质量的信息。
控制装置100执行下述步骤:按照预先设定的处理条件,使涂敷显影装置2(基片处理装置)执行基片处理的步骤,其中基片处理包括对晶圆W供给处理液;从质量检查装置70取得关于按照处理条件进行的基片处理的质量的实际数据(即,实际结果数据)的步骤;将包括基片处理的处理条件和该基片处理的实际数据的数据集输入到机器学习装置200的步骤;和基于学习模型导出基片处理的推荐处理条件的步骤,其中学习模型是由机器学习装置200基于多组数据集通过机器学习而生成的,其能够响应于处理条件的输入,而输出关于基片处理的质量的预测数据。预测数据例如是预测上述实际数据的数据。实际数据只要与基片处理的质量有关即可,可以为任何数据。基片处理后的基片的质量的数据与基片处理的质量有关。基片处理的过程中的处理液的供给状态也与基片处理的质量有关。
条件设定系统7可以还包括机器学习装置200。机器学习装置200执行下述步骤:取得上述数据集的步骤;和基于多组数据集进行机器学习来生成上述学习模型的步骤。机器学习装置200可以与控制装置100收纳在同一壳体内,也可以设置在远离控制装置100的位置。在设置在远离控制装置100的位置的情况下,机器学习装置200例如经由局域网与控制装置100连接。机器学习装置200也可以经由所谓互联网等广域网与控制装置100连接。以下详细说明各部分的结构。
(质量数据检测装置)
质量检查装置70例如具有图4所示的处理后检查部80。处理后检查部80检测关于基片处理后的基片的质量的信息。例如,处理后检查部80检测关于形成在显影处理后的晶圆W的表面的抗蚀剂图案的线宽的信息。例如,处理后检查部80检测图像信息,其中,从该图像信息中能够将抗蚀剂图案的线宽的差异作为色相、明度和纯度的至少任一者的差异识别出来。
具体来说,处理后检查部80包括保持部83、线性驱动部84、拍摄部81和投光反射部82。保持部83将晶圆W水平地保持。线性驱动部84例如使用电动机等作为动力源,使保持部83沿着水平的直线状的路径移动。拍摄部81取得晶圆W表面的图像数据。拍摄部81在保持部83的移动方向上设置在处理后检查部80内的一端侧,并且面朝该移动方向的另一端侧。
投光反射部82向拍摄范围投射光线,并将来自该拍摄范围的反射光引导到拍摄部81一侧。例如,投光反射部82包括半反镜86和光源87。半反镜86在比保持部83高的位置,设置在保持部83的移动范围的中间部,将来自下方的光反射到拍摄部81一侧。光源87设置在半反镜86之上,通过半反镜86向下方照射照明光。
处理后检查部80按下述方式工作,取得晶圆W的表面的图像数据。首先,线性驱动部84使保持部83移动。由此,晶圆W从半反镜86的下方经过。在该经过过程中,来自晶圆W表面各部分的反射光被依次送到拍摄部81。拍摄部81使来自晶圆W表面各部分的反射光成像,取得晶圆W表面的图像数据。由此,能够检测出抗蚀剂图案的图像信息。
处理后检查部80也可以检测关于形成在成膜处理后的晶圆W的表面的覆膜的膜厚的信息。例如,处理后检查部80检测图像信息,从该图像信息中能够将覆膜的膜厚的差异作为色相、明度和纯度的至少任一者的差异识别出来。该图像信息也能够利用图4中举例表示的结构检测。
质量检查装置70可以还具有图5所示的处理中检查部90。处理中检查部90检测关于基片处理过程中的处理液的供给状态的信息。作为一例,处理中检查部90检测关于显影处理过程中的显影液的供给状态的信息。例如,处理中检查部90包括液体飞溅检测部91、液体存积检测部92和液体滴落检测部93。
液体飞溅检测部91检测关于显影液供给过程中的液体飞溅的产生状态的信息。例如,液体飞溅检测部91包括照射部94和拍摄部95。照射部94例如固定在喷嘴31等上,在晶圆W的上方沿水平方向照射激光。照射部94的设置高度被设定为从表面Wa溅起的液滴能够到达的高度。拍摄部95取得照射部94的激光的照射范围的图像数据。在产生了液体飞溅时,因飞溅的液体导致产生激光的散射等,拍摄部95取得的图像数据会发生变化。因此,拍摄部95取得的图像数据包含关于液滴的产生状态的信息。
液体存积检测部92检测关于表面Wa上的显影液液膜的形成状态的信息。例如,液体存积检测部92包含拍摄部96。拍摄部96取得保持在保持部21上的晶圆W的表面Wa的图像数据。拍摄部96取得的图像数据包含关于液膜的形成状态的信息。
液体滴落检测部93检测关于显影液从喷嘴31发生滴落的产生状态的信息。液体滴落是指在预先设定的显影液的供给期间以外,显影液从喷嘴31落下的现象。例如,液体滴落检测部93包含拍摄部97。拍摄部97取得喷嘴31及其下方的图像数据。拍摄部97取得的图像数据包含关于液体滴落的产生状态的信息。
处理中检查部90还可以检测关于成膜处理过程中的成膜液的供给状态的信息。在该情况下,利用与上述的液体飞溅检测部91、液体存积检测部92和液体滴落检测部93等相同的结构,能够检测关于涂敷单元U1中的成膜液的供给状态的信息。
(控制装置和机器学习装置)
如图6所示,控制装置100的功能上的结构(下称“功能模块”)包括处理条件保持部111、处理控制部112、数据取得部113、数据输入部114和推荐条件导出部115。
处理条件保持部111存储预先设定的处理条件。例如,处理条件保持部111存储处理模块14的显影处理条件。显影处理条件包括热处理单元U4的热处理条件和显影单元U3的液体处理条件。显影单元U3的液体处理条件包括显影液的供给、冲洗液的供给和干燥(利用旋转进行的甩干干燥)等流程。此外,上述显影单元U3的液体处理条件包括各流程中的晶圆W的转速、显影液的供给量、显影液的供给时间、冲洗液的供给量、冲洗液的喷出时间和甩干干燥时间等。在一边通过喷嘴移送部32使喷嘴31移动一边供给显影液的情况下,显影单元U3的液体处理条件可以还包括显影液供给过程中的喷嘴31的移动开始位置、移动速度和移动结束位置等。
处理条件保持部111可以也存储处理模块11、12、13的成膜处理条件。成膜处理条件包括涂敷单元U1的液体处理条件和热处理单元U2的热处理条件。涂敷单元U1的液体处理条件包括成膜液的供给等流程。此外,涂敷单元U1的液体处理条件包括各流程中的晶圆W的转速、成膜液的供给量、成膜液的供给时间等。
处理控制部112按照处理条件保持部111中存储的处理条件,使处理部执行基片处理。例如,处理控制部112按照处理条件保持部111中存储的显影处理条件,使处理模块14执行显影处理。作为一例,处理控制部112控制热处理单元U4,使其按照预先设定的热处理条件对曝光处理后的晶圆W实施热处理(例如,上述PEB)。之后,处理控制部112控制显影单元U3使其按照预先设定的液体处理条件对晶圆W实施显影处理。之后,处理控制部112控制显影单元U4使其按照预先设定的热处理条件对晶圆W实施热处理(例如,上述PB)。
处理控制部112也可以按照处理条件保持部111中存储的成膜处理条件,使处理模块11、12、13执行成膜处理。作为一例,处理控制部112控制涂敷单元U1使其按照预先设定的液体处理条件对晶圆W的表面Wa涂敷成膜液。之后,处理控制部112控制热处理单元U2使其按照预先设定的热处理条件对晶圆W实施热处理。
数据取得部113取得关于按照处理条件进行的基片处理的质量的实际数据。数据取得部113可以取得包括多个项目的实际值的实际数据。多个项目的实际值可以包括表示基片处理后的晶圆W的质量的处理后项目,和表示基片处理途中的处理液的供给状态的处理中项目的实际值。作为多个项目的实际值,可以取得包括多个相同种类的实际值的实际数据。多个相同种类的实际值是指理想情况下应当为相同值的多个实际值。作为多个相同种类的实际值的具体示例,能够列举在多个部位取得的多个实际值。
例如,作为处理后项目的一个例子,数据取得部113取得表示通过显影处理而形成在晶圆W的表面Wa的抗蚀剂图案的线宽的实际值(下称“线宽实际值”)。具体来说,数据取得部113基于处理后检查部80检测到的信息来取得线宽实际值。数据取得部113可以基于处理后检查部80检测到的信息,取得表面Wa上的多个部位的线宽实际值。
作为处理中项目的一个例子,数据取得部113取得表示显影处理过程中的显影液的供给状态的实际值。具体来说,数据取得部113基于处理中检查部90检测到的信息,取得显影液的液体飞溅、液膜的形成不良和液体滴落的有无的实际值。
作为处理后项目的一个例子,数据取得部113可以取得表示通过成膜处理而形成在晶圆W的表面Wa的覆膜的膜厚的实际值(下称“膜厚实际值”)。具体来说,数据取得部113可以基于处理后检查部80检测到的信息来取得膜厚实际值。数据取得部113可以基于处理后检查部80检测到的信息,取得表面Wa上的多个部位的膜厚实际值。
作为处理中项目的一个例子,数据取得部113可以取得表示成膜处理过程中的成膜液的供给状态的实际值。具体来说,数据取得部113可以基于处理中检查部90检测到的信息,取得成膜液的液体飞溅、液膜的形成不良和液体滴落的有无的实际值。
数据输入部114将包含处理条件和与该处理条件对应的实际数据的数据集输入到机器学习装置200的模型生成部214(后述)。数据输入部114可以基于上述处理中项目的实际值,选择要输入到模型生成部214的数据集。例如,数据输入部114可以将处理液的供给状态为不良的数据集从要输入到模型生成部214的输入对象中除去。作为处理液的供给状态为不良的具体示例,能够列举产生了上述液体飞溅、液膜的形成不良和液体滴落的至少任一者的情况。
推荐条件导出部115基于学习模型导出基片处理的推荐处理条件,其中学习模型是由模型生成部214基于多组数据集通过机器学习而生成的。如后文所述,生成学习模型使其能够响应于处理条件的输入而输出关于基片处理的质量的预测数据(即,生成以处理条件为输入、以关于基片处理的质量的预测数据为输出的学习模型)。推荐处理条件是基于学习模型和预测数据的规定的评价条件而判断为应当推荐采用的处理条件。
例如,推荐条件导出部115的更细化的功能模块包括评价条件输入部121和搜索结果取得部122。评价条件输入部121将预测数据的评价条件输入到机器学习装置200的条件搜索部216(后述)。评价条件是用于判断预测数据是否处于容许水平(allowable level)的条件。
评价条件输入部121可以将用于评价多个项目的预测值的评价条件输入到条件搜索部216。评价条件输入部121输入到条件搜索部216的评价条件也可以包括与多个项目的至少一部分的预测值的波动(离散)有关的条件。例如,评价条件包括预测数据的评价得分(score)的导出方法和评价得分的容许水平。
作为一例,评价条件输入部121将用于评价表面Wa上多个部位的上述线宽的预测值(下称“线宽预测值”)的评价条件输入到条件搜索部216。在该评价条件中,作为上述评价得分的导出方法的一个例子,包含计算多个部位的至少一部分(例如,所有部位)的线宽预测值的波动的计算公式(例如,标准差计算公式)。在该评价条件中,作为上述评价得分的容许水平,包含通过上述计算公式计算出的波动的容许上限值。
评价条件输入部121可以将用于评价表面Wa上多个部位的上述膜厚的预测值的评价条件输入到条件搜索部216。在该评价条件中,作为上述评价得分的导出方法的一个例子,包含计算多个部位的至少一部分(例如,所有部位)的膜厚预测值的波动的计算公式(例如,标准差的计算公式)。在该评价条件中,作为上述评价得分的容许水平,包含通过上述计算公式计算出的波动的容许上限值。
搜索结果取得部122取得条件搜索部216导出的推荐处理条件,将其保存在处理条件保持部111。如后文所述,推荐处理条件是基于多组数据集、学习模型和评价条件输入部121输入的评价条件而导出的。
在此,处理控制部112可以进一步按照推荐处理条件使处理部执行基片处理。数据取得部113可以进一步取得关于按照推荐处理条件进行的基片处理的质量的追加实际数据。数据输入部114可以进一步将包括推荐处理条件和追加实际数据的追加数据集输入到模型生成部214。模型生成部214可以基于追加数据集更新学习模型,推荐条件导出部115可以基于更新了的学习模型来更新推荐处理条件。学习模型的更新指的是,基于增加了追加数据集后的多组数据集生成新的学习模型。推荐处理条件的更新指的是,基于模型生成部214更新的学习模型导出新的推荐处理条件。
该情况下,控制装置100可以还包括条件评价部116和反复管理部117。条件评价部116用于评价推荐处理条件是否能够采用。反复管理部117至少反复进行下述处理,直到条件评价部116的评价结果为能够采用。
i)处理控制部112进一步按照推荐处理条件使处理部执行基片处理。
ii)数据取得部113进一步取得追加实际数据。
iii)数据输入部114进一步将追加数据集输入到模型生成部214。
iv)模型生成部214基于追加数据集更新学习模型,推荐条件导出部115基于更新了的学习模型更新推荐处理条件。
条件评价部116的推荐处理条件的评价方法无特别限定。例如,条件评价部116根据基于规定的评价条件得到的上述追加实际数据的评价结果,来评价推荐处理条件是否能够采用。该评价条件可以与上述的预测数据的评价条件相同。例如,评价条件包括追加实际数据的评价得分的导出方法和评价得分的容许水平。
作为一例,条件评价部116基于规定的评价条件评价表面Wa上的多个部位的上述线宽实际值。在该评价条件中,作为上述评价得分的导出方法的一个例子,包含计算多个部位的至少一部分(例如,所有部位)的线宽实际值的波动的计算公式(例如,标准差的计算公式)。在该评价条件中,作为上述评价得分的容许水平,包含通过上述计算公式计算出的波动的容许上限值。
评价条件输入部121可以基于规定的评价条件评价表面Wa上的多个部位的上述膜厚实际值。在该评价条件中,作为上述评价得分的导出方法的一个例子,包含计算多个部位的至少一部分(例如,所有部位)的膜厚实际值的波动的计算公式(例如,标准差的计算公式)。在该评价条件中,作为上述评价得分的容许水平,包含通过上述计算公式计算出的波动的容许上限值。
条件评价部116可以基于最新的推荐处理条件与过去的推荐处理条件(例如,上一次的推荐处理条件)之差是否为容许水平,来评价最新的推荐处理条件是否能够采用。假定在反复管理部117实施的迭代处理下,推荐处理条件能够逐渐收敛于一个条件。通过使最新的推荐处理条件与过去的推荐处理条件之差缩小至容许水平,能够采用接近收敛结果的推荐处理条件。
条件评价部116也可以基于最新的追加实际数据与过去的追加实际数据之差是否为容许水平,来评价最新的推荐处理条件是否能够采用。条件评价部116也可以基于最新的追加实际数据的评价得分与过去的追加实际数据的评价得分之差是否为容许水平,来评价最新的推荐处理条件是否能够采用。
控制装置100还可以具有实际数据校正部118。实际数据校正部118在数据输入部114将数据集输入模型生成部214之前,从该数据集的实际数据中除去由涂敷显影装置2的处理部执行的基片处理之外的原因导致的成分。例如,实际数据校正部118从上述多个部位的线宽实际值除去因曝光处理导致的波动成分。具体来说,实际数据校正部118将预先调查的曝光处理所特有的波动模式(离散模式)从多个部位的线宽实际值除去。
机器学习装置200的功能模块包括搜索运算部211、数据取得部212、数据保持部213、模型生成部214、模型保持部215和条件搜索部216。搜索运算部211是机器学习装置200中的机器学习的引擎。例如,搜索运算部211基于预先设定的学习条件通过遗传算法搜索最优解。该学习条件包括第一代的个体、个体的评价得分的导出方法、评价得分的容许水平。
搜索运算部211取得第一代的多个个体,计算各个体的评价得分。然后,搜索运算部211将评价得分离容许水平较远的个体淘汰,同时对多个个体通过交叉、倒位和变异等运算使之进化为下一代的多个个体。之后,搜索运算部211反复进行个体的评价得分的导出、个体的淘汰和个体的进化,由此导出评价得分为容许水平的个体。
数据取得部212从数据输入部114取得上述数据集和追加数据集。数据保持部213将数据取得部212取得的数据集存储为学习用的数据库。
模型生成部214基于数据保持部213存储的多组数据集通过进行机器学习来生成上述学习模型。模型生成部214可以通过机器学习来生成学习模型,其中,该机器学习包括通过遗传程序搜索上述学习模型的运算处理。例如,模型生成部214生成包含多个模型公式的学习模型,其中,多个模型公式能够响应于处理条件的输入而分别输出多个项目的预测值。在生成各模型公式时,模型生成部214设定用于导出模型公式的上述学习条件,向搜索运算部211请求导出遵循该学习条件的模型公式。
例如,模型生成部214生成能够响应于处理条件的输入而生成预测值的多个临时模型公式,将它们用作上述第一代的多个个体。临时模型公式以各种运算符和随机的数值为元素,用树形结构表示计算公式。模型生成部214以表示实际值与基于临时模型公式得到的预测值之间的偏离的偏离得分作为上述学习条件中的评价得分,确定其导出方法。例如,模型生成部214确定至少包含以下步骤的导出方法。
a1)将多组数据集的处理条件输入到临时模型公式中导出多个预测值的步骤。
a2)导出表示多个预测值与多组数据集的实际值之间的偏离的偏离得分的步骤。
偏离得分只要能够表示多个预测值与多组数据集的实际值之间的偏离即可,可以为任意的值。作为偏离得分的具体示例,能够列举预测值与实际值之差的平方和/或者该平方和的平方根等。模型生成部214用针对偏离得分预先设定的上限值作为上述学习条件中的评价得分的容许水平。
搜索运算部211反复进行临时模型公式的偏离得分的导出、临时模型公式的淘汰和临时模型公式的进化,由此导出偏离得分为上限值以下的模型公式。模型生成部214取得搜索运算部211导出的模型公式,将其保存在模型保持部215。通过以上的步骤,模型生成部214将各模型公式保存在模型保持部215中,于是在模型保持部215中生成了包含多个模型公式的学习模型。
条件搜索部216基于数据保持部213中存储的多组数据集、模型保持部215中存储的学习模型和评价条件输入部121输入的评价条件,来导出推荐处理条件。条件搜索部216可以通过搜索处理来导出推荐处理条件,其中该搜索处理包括通过遗传算法搜索推荐处理条件的运算处理。例如,条件搜索部216设定用于导出推荐处理条件的上述学习条件,向搜索运算部211请求导出遵循该学习条件的推荐处理条件。
例如,条件搜索部216将数据保持部213中存储的多组数据集的处理条件用作第一代的多个个体。各处理条件用树形结构表示多个项目的条件。
条件搜索部216以至少包含以下步骤的方式确定上述学习条件中的评价得分的导出方法。
b1)将多组数据集的处理条件输入到模型保持部215中存储的学习模型,来导出预测数据的步骤。
b2)按照评价条件输入部121输入的评价条件中的导出方法,来导出预测数据的评价得分的步骤。
条件搜索部216使用评价条件输入部121输入的评价条件中的容许水平作为上述学习条件中的评价得分的容许水平。
搜索运算部211反复进行处理条件的评价得分的导出、处理条件的淘汰和处理条件的进化,由此导出评价得分为容许水平的推荐处理条件。条件搜索部216取得搜索运算部211导出的推荐处理条件,将其输出到搜索结果取得部122。
图7是举例表示控制装置100和机器学习装置200的硬件结构的框图。控制装置100包括电路190。电路190包括至少一个处理器191、存储器192、存储装置193、显示器件194、输入器件195、输入输出端口196和通信端口197。存储装置193是计算机可读的非易失性存储介质(例如,闪存)。例如,存储装置193存储用于使控制装置100执行下述步骤的程序:按照预先设定的处理条件,使涂敷显影装置2执行基片处理的步骤;从质量检查装置70取得关于按照处理条件进行的基片处理的质量的实际数据的步骤;将包括基片处理的处理条件和该基片处理的实际数据的数据集输入到机器学习装置200的步骤;和基于上述学习模型导出基片处理的推荐处理条件的步骤,其中学习模型是由机器学习装置200基于多组数据集生成的。例如,存储装置193包含存储用于构成上述功能模块的程序的存储区域,和分配给处理条件保持部111的存储区域。
显示器件194用于显示推荐处理条件等。显示器件194和输入器件195作为控制装置100的用户接口发挥作用。显示器件194例如包含液晶监视器等,用于向用户显示信息。输入器件195例如为键盘等,用于取得用户输入的信息。显示器件194和输入器件195可以一体构成为所谓的触摸面板。输入器件195能够用于输入处理条件和评价条件等。
存储器192暂时存储从存储装置193加载的程序和处理器191的运算结果等。处理器191与存储器192联动地执行上述程序,来进行涂敷显影装置2的控制。输入输出端口196根据来自处理器191的指令,在显示器件194和输入器件195之间进行电信号的输入输出。通信端口197根据来自处理器191的指令,与机器学习装置200之间进行网络通信。
机器学习装置200包括电路290。电路290包括处理器291、存储器292、存储装置293和通信端口294。存储装置293是计算机可读的非易失性存储介质(例如,闪存)。例如,存储装置293存储用于使机器学习装置200执行以下步骤的程序:取得上述数据集的步骤;和基于多组数据集通过机器学习来生成上述学习模型的步骤。例如,存储装置293包括存储用于构成上述功能模块的程序的存储区域,和分配给数据保持部213和模型保持部215的存储区域。
存储器292暂时存储从存储装置293加载的程序和处理器291的运算结果等。处理器291与存储器292联动地执行上述程序,来生成上述学习模型。通信端口294根据来自处理器291的指令,与机器学习装置100之间进行网络通信。
[条件设定辅助步骤]
接着,作为条件设定辅助方法的一个例子,说明控制装置100和机器学习装置200各自执行的条件设定辅助步骤。控制装置100执行的条件设定辅助步骤包括推荐处理条件的导出步骤和推荐处理条件的改进(brush up)步骤。机器学习装置200执行的条件设定辅助步骤包括学习模型的生成步骤和推荐处理条件的搜索步骤。下面具体举例表示各步骤。
(推荐处理条件的导出步骤)
控制装置100进行的推荐处理条件的导出步骤包括:按照预先设定的处理条件,使涂敷显影装置2执行基片处理的步骤,其中基片处理包括对晶圆W供给处理液;取得关于按照处理条件进行的基片处理的质量的实际数据的步骤;将包括基片处理的处理条件和该基片处理的实际数据的数据集输入到机器学习装置200的步骤;和基于上述学习模型导出推荐处理条件的步骤,其中学习模型是由机器学习装置200基于多组数据集生成的。其中,导出推荐处理条件的步骤可以包括:将预测数据的评价条件输入到机器学习装置200的步骤;和取得由机器学习装置200基于多组数据集、学习模型和评价条件而导出的推荐处理条件的步骤。
如图8所示,控制装置100首先执行步骤S01、S02、S03。在步骤S01中,处理控制部112使涂敷显影装置2开始按照处理条件保持部111中存储的处理条件执行基片处理。在步骤S02中,数据取得部113取得上述处理中项目的实际值。数据取得部113可以取得多个处理中项目的实际值。例如,数据取得部113基于处理中检查部90检测到的信息,取得显影液的液体飞溅、液膜的形成不良和液体滴落的有无的实际值。数据取得部113还可以基于处理中检查部90检测到的信息,取得成膜液的液体飞溅、液膜的形成不良和液体滴落的有无的实际值。在步骤S03中,处理控制部112确认是否完成了按照处理条件进行的基片处理。
在步骤S03中判断为基片处理未结束的情况下,控制装置100使处理返回步骤S02。之后继续取得处理中项目的实际值,直到基片处理结束为止。在步骤S03中判断为基片处理结束的情况下,控制装置100执行步骤S04。在步骤S04中,数据输入部114基于处理中项目的实际值确认处理液的供给状态是否未产生不良。
在步骤S04中判断为处理液的供给状态未产生不良的情况下,控制装置100执行步骤S05、S06、S07。在步骤S05中,数据取得部113取得上述处理后项目的实际值。数据取得部113可以取得多个处理后项目的实际值。例如,数据取得部113基于处理后检查部80检测到的信息,取得表面Wa上的多个部位的上述线宽实际值。数据取得部113还可以基于处理后检查部80检测到的信息,取得表面Wa上的多个部位的上述膜厚实际值。在步骤S06中,实际数据校正部118从多个处理后项目的实际值除去由基片处理之外的原因导致的成分。在步骤S07中,数据输入部114将包含处理条件和与该处理条件对应的实际数据(多个处理后项目的实际值)的数据集输入到机器学习装置200。
接着,控制装置100执行步骤S08。在步骤S04中判断为处理液的供给状态产生了不良的情况下,控制装置100不执行步骤S05、S06、S07而直接执行步骤S08。在步骤S08中,数据输入部114确认是否已完成了机器学习装置200中进行机器学习所需数量的数据集的输入。
在步骤S08中判断为尚未完成进行机器学习所需数量的数据集的输入的情况下,控制装置100执行步骤S09。在步骤S09中,处理控制部112改变处理条件。例如,处理控制部112基于用户对输入器件195的输入等改变处理条件。然后,控制装置100使处理返回步骤S01。之后,反复进行处理条件的改变、基片处理的执行和数据集的输入,直到完成了进行机器学习所需数量的数据集的输入为止。
在步骤S08中,在判断为已完成进行机器学习所需数量的数据集的输入的情况下,控制装置100执行步骤S11、S12、S13、S14。在步骤S11中,评价条件输入部121等待从机器学习装置200收到学习完成通知。在步骤S12中,评价条件输入部121设定预测数据的评价条件。例如,评价条件输入部121基于用户对输入器件195的输入等设定上述预测数据的评价条件。在步骤S13中,评价条件输入部121将步骤S12中设定的评价条件输入到机器学习装置200。在步骤S14中,搜索结果取得部122取得由机器学习装置200基于多组数据集、学习模型和评价条件输入部121输入的评价条件而导出的推荐处理条件,将其保存在处理模块11中。至此,推荐处理条件的导出步骤就完成了。
(推荐处理条件的改进步骤)
控制装置100进行的推荐处理条件的改进步骤包括:按照推荐处理条件,使涂敷显影装置2进一步执行基片处理的步骤;进一步取得关于按照推荐处理条件进行的基片处理的质量的追加实际数据的步骤;将包含推荐处理条件和追加实际数据的追加数据集进一步输入到机器学习装置200的步骤;和基于更新了的学习模型来更新推荐处理条件的步骤,其中更新了的学习模型是由机器学习装置200基于追加数据集更新得到的。该改进步骤还可以包括对推荐处理条件进行评价的步骤,其中,直到推荐处理条件的评价结果达到规定的水平为止,反复进行下述步骤:按照推荐处理条件使涂敷显影装置2进一步执行基片处理的步骤;进一步取得追加实际数据的步骤;将追加数据集进一步输入到机器学习装置200的步骤;和基于由机器学习装置200根据追加数据集而更新的学习模型来更新推荐处理条件的步骤。
如图9所示,控制装置100首先执行步骤S21、S22、S23、S24、S25。在步骤S21中,处理控制部112使涂敷显影装置2按照处理条件保持部111中存储的推荐处理条件执行基片处理。在步骤S22中,数据取得部113取得上述处理后项目的追加实际值。数据取得部113可以取得多个处理后项目的追加实际值。在步骤S23中,实际数据校正部118从多个处理后项目的追加实际值除去由基片处理之外的原因导致的成分。在步骤S24中,条件评价部116对推荐处理条件进行评价。在步骤S25中,反复管理部117基于步骤S24的评价结果确认推荐处理条件是否能够采用。
在步骤S25判断为推荐处理条件不能采用的情况下,控制装置100执行步骤S26、S27、S28。在步骤S26中,数据输入部114将包含处理条件和与该处理条件对应的追加实际数据(多个处理后项目的追加实际值)的追加数据集输入到机器学习装置200。在步骤S27中,搜索结果取得部122等待从机器学习装置200收到学习模型的更新完成通知。在步骤S28中,搜索结果取得部122取得由机器学习装置200基于追加数据集而更新了的推荐处理条件,将其保存在处理模块11中。然后,控制装置100使处理返回步骤S21。之后,反复进行追加实际数据的取得和推荐处理条件的更新,直到推荐处理条件能够采用为止。
在步骤S25中判断为推荐处理条件能够采用的情况下,控制装置100使处理结束。至此,推荐处理条件的改进步骤就完成了。
(学习模型的生成步骤)
机器学习装置200进行的学习模型的生成步骤包括:取得上述数据集的步骤;基于多组数据集通过机器学习来生成学习模型的步骤。通过机器学习来生成学习模型的步骤可以包括通过遗传程序搜索学习模型的运算处理。可以生成包含多个模型公式的学习模型,该多个模型公式能够响应于处理条件的输入而分别输出多个项目的预测值。
如图10所示,机器学习装置200首先执行步骤S31、S32、S33。在步骤S31中,数据取得部212等待从数据输入部114输入数据集。在步骤S32中,数据取得部212将输入的数据集存储在数据保持部213。在步骤S33中,数据保持部213确认存储在数据保持部213的数据集的数量是否达到机器学习所需要的数量。
在步骤S33中判断为存储的数据集的数量未达到机器学习所需要的数量的情况下,控制装置100使处理返回步骤S31。之后,反复进行数据集的取得,直到存储了机器学习所需要的数量的数据集为止。
在步骤S33中判断为存储的数据集的数量达到机器学习所需要的数量的情况下,控制装置100执行步骤S34、S35、S36。在步骤S34中,模型生成部214设定用于导出与任一预测值对应的模型公式的上述学习条件,向搜索运算部211请求导致遵循该学习条件的模型公式。例如,模型生成部214生成能够响应于处理条件的输入而生成预测值的多个临时模型公式,将它们用作上述第一代的多个个体。另外,模型生成部214以上述偏离得分为评价得分确定其导出方法,用上述偏离得分的上限值作为评价得分的容许水平。在步骤S35中,搜索运算部211按照上述学习条件计算各临时模型公式的偏离得分。在步骤S36中,搜索运算部211按照上述学习条件确认是否存在偏离得分为上述上限值以下的临时模型公式。
在步骤S36中判断为不存在偏离得分为上限值以下的临时模型公式的情况下,机器学习装置200执行步骤S37。在步骤S37中,搜索运算部211将偏离得分超过上限值较多的临时模型公式淘汰,同时对多个临时模型公式通过交叉、倒位和变异等运算使之进化为下一代的多个临时模型公式。然后,机器学习装置200使处理返回步骤S35。之后,反复进行临时模型公式的偏离得分的导出、临时模型公式的淘汰和临时模型公式的进化,直到能够导出偏离得分为上限值以下的临时模型公式为止。
在步骤S36中判断为存在偏离得分为上限值以下的临时模型公式的情况下,机器学习装置200执行步骤S38、S39。在步骤S38中,搜索运算部211选择偏离得分最优的(最小的)临时模型公式,将其作为学习模型的一个模型公式保存在模型保持部215。在步骤S39中,模型生成部214确认是否已经完成了用于构成学习模型的所有模型公式(即,导出多个项目的预测值所需要的所有的模型公式)的导出。
在步骤S39中判断为未完成所有模型公式的导出的情况下,机器学习装置200执行步骤S41。在步骤S41中,模型生成部214改变导出对象的模型公式。换言之,模型生成部214改变模型公式的预测对象的项目。然后,机器学习装置200使处理返回步骤S34。之后,反复进行学习条件的设定和在此基础上的模型公式的导出,直到完成所有模型公式的导出为止。
在步骤S39中判断为已完成所有模型公式的导出的情况下,机器学习装置200结束学习模型的生成。至此,学习模型的生成步骤就完成了。
(推荐处理条件的搜索步骤)
机器学习装置200进行的推荐处理条件的搜索步骤包括基于多组数据集、学习模型和预测数据的评价条件,导出基片处理的推荐处理条件的步骤。导出推荐处理条件的步骤可以包括通过遗传算法搜索推荐处理条件的运算处理。可以基于多组数据集、多个模型公式和对多个项目的预测值进行评价的评价条件,来导出推荐处理条件。例如,可以基于下述评价条件导出推荐处理条件,其中该评价条件包含关于多个项目的预测值的波动的条件。
如图11所示,机器学习装置200首先执行步骤S51、S52。在步骤S51中,条件搜索部216等待从评价条件输入部121输入评价条件。在步骤S52中,条件搜索部216设定用于导出推荐处理条件的上述学习条件,向搜索运算部211请求导出遵循该学习条件的推荐处理条件。例如,条件搜索部216将数据保持部213中存储的多组数据集的处理条件用作第一代的多个个体。另外,条件搜索部216基于评价条件输入部121输入的评价条件,确定评价得分的导出方法和评价得分的容许水平。
接着,机器学习装置200执行步骤S53、S54、S55。在步骤S53中,搜索运算部211将各处理条件输入到模型保持部215中存储的学习模型,导出预测数据。在步骤S54中,搜索运算部211导出预测数据的评价得分。在步骤S55中,搜索运算部211确认是否存在评价得分为容许水平的处理条件。
在步骤S55中判断为不存在评价得分为容许水平的处理条件的情况下,机器学习装置200执行步骤S56。在步骤S56中,搜索运算部211将评价得分离容许水平较远的处理条件淘汰,同时对多个处理条件通过交叉、倒位和变异等运算使之进化为下一代的多个处理条件。然后,机器学习装置200使处理返回步骤S53。之后,反复进行处理条件的评价得分的导出、处理条件的淘汰和处理条件的进化,直到能够导出评价得分为容许水平的处理条件为止。
在步骤S55中判断为存在评价得分为容许水平的处理条件的情况下,机器学习装置200执行步骤S57、S58。在步骤S57中,搜索运算部211将评价得分为最优值的处理条件用作推荐处理条件。在步骤S58中,条件搜索部216取得搜索运算部211导出的推荐处理条件,将其输出到搜索结果取得部122。至此,推荐处理条件的搜索步骤就完成了。
推荐处理条件的导出不限于通过上述遗传算法搜索推荐处理条件的运算处理。例如,在步骤S55中,能够反复进行处理条件的改变和评价得分的导出直到评价得分达到容许水平,通过这样的运算处理也能够导出推荐处理条件。
(具体示例)
作为一例,具体举例表示显影单元U3中的显影处理的处理条件的设定辅助步骤。显影单元U3中的显影处理的处理条件例如包括晶圆W的转速、显影液的供给量、显影液的供给时间、冲洗液的供给量、冲洗液的喷出时间、甩干干燥时间、喷嘴31的移动开始位置、喷嘴31的移动速度和喷嘴31移动结束位置等。其中,需要采用推荐处理条件的项目例如是显影液供给过程中的晶圆W的转速和喷嘴31的移动速度。在该情况下,在上述步骤S01~S09中,反复进行一边改变晶圆W的转速和喷嘴31的移动速度,一边对机器学习装置200输入数据集的操作。
例如,在步骤S01~S09中,在晶圆W的转速为200rpm的状态下,使喷嘴31的移动速度为15mm/s、20mm/s、25mm/s,接着,在晶圆W的转速为250rpm的状态下,使喷嘴31的移动速度为15mm/s、20mm/s、25mm/s,然后,在晶圆W的转速为300rpm的状态下,使喷嘴31的移动速度为15mm/s、20mm/s、25mm/s。在执行上述处理条件中的任一个的步骤S04中,在判断为处理液的供给状态产生了不良的情况下,将与该处理条件对应的数据集从要输入到机器学习装置200的输入对象中除去。该情况下,为了得到机器学习所需要的数量的数据集,能够通过步骤S09进一步改变处理条件。例如,在转速300rpm、移动速度25mm/s的处理条件下判断为产生了显影液的液体飞溅的情况下,将转速改变为290rpm,再次取得转速290rpm、移动速度25mm/s的条件下的实际数据。
在步骤S05中,例如,对于分割为n个部位的晶圆W,取得分割区域各自的线宽平均值作为n个线宽实际值。该情况下的数据集的示例如下。
处理条件:晶圆W的转速=200rpm、喷嘴的移动速度=15mm/s
实际数据:W1=23nm、W2=28nm、W3=31nm、…Wn=24nm(Wi:分割区域i中的线宽平均值)
基于该数据集在机器学习装置200中生成的学习模型例如是,能够响应于晶圆W的转速和喷嘴的移动速度的输入,而输出n个分割区域的线宽平均值的预测值。在步骤S12中,作为上述评价得分的计算公式,例如设定了n个线宽预测值的标准差的计算公式,而作为上述容许水平设定了标准差的容许值。基于如上所述设定的评价条件,在机器学习装置200中,作为上述推荐处理条件能够导出晶圆W的转速和喷嘴31的移动速度的推荐值(例如,晶圆W的转速=234rpm、喷嘴31的移动速度=22rpm)。
(本实施方式的效果)
如以上说明,本实施方式的基片处理的条件设定辅助方法包括将数据集输入到机器学习装置200的步骤,和基于学习模型导出基片处理的推荐处理条件的步骤,其中,数据集包括由涂敷显影装置2执行的基片处理的处理条件和关于该基片处理的质量的实际数据,该基片处理包括对晶圆W供给处理液的处理,上述学习模型是由机器学习装置200基于多组数据集通过机器学习而生成的,其能够响应于处理条件的输入,而输出关于基片处理的质量的预测数据。
采用该条件设定辅助方法,由于推荐处理条件是基于以机器学习的方法生成的学习模型而导出的,因此能够高效地搜索适合的处理条件。所以,能够有效地简化对基片处理的处理条件进行设定的作业。
基片处理的条件设定辅助方法可以包括:按照推荐处理条件,使涂敷显影装置2进一步执行基片处理的步骤;进一步取得关于按照推荐处理条件进行的基片处理的质量的追加实际数据的步骤;将包含推荐处理条件和追加实际数据的追加数据集进一步输入到机器学习装置200的步骤;和基于更新了的学习模型来更新推荐处理条件的步骤,其中更新了的学习模型是由机器学习装置200基于追加数据集更新得到的。该情况下,通过推荐处理条件和追加实际数据的反馈来更新推荐处理条件。因此,能够高效地搜索更适合的处理条件。
基片处理的条件设定辅助方法可以还包括对推荐处理条件进行评价的步骤,其中,直到推荐处理条件的评价结果达到规定的水平为止,反复进行下述步骤:按照推荐处理条件使涂敷显影装置2进一步执行基片处理的步骤;进一步取得追加实际数据的步骤;将追加数据集进一步输入到机器学习装置200的步骤;和基于由机器学习装置200根据追加数据集而更新了的学习模型来更新推荐处理条件的步骤。该情况下,通过迭代处理能够高效地搜索更适合的处理条件。
导出推荐处理条件的步骤可以包括:将预测数据的评价条件输入到机器学习装置200的步骤;和取得由机器学习装置200基于多组数据集、学习模型和评价条件而导出的推荐处理条件的步骤。该情况下,推荐处理条件的搜索也由机器学习装置200进行,能够进一步高效地搜索更适合的处理条件。
在基片处理的条件设定辅助方法中,可以是,取得包含多个项目的实际值的实际数据,将其输入到生成学习模型的机器学习装置200,并且将评价多个项目的预测值的评价条件输入到机器学习装置200,其中,学习模型包括多个模型公式,该多个模型公式能够响应于处理条件的输入而分别输出多个项目的预测值。该情况下,通过将评价条件展开为多个项目,能够更适当地评价处理的质量,能够搜索更适当的处理条件。
在基片处理的条件设定辅助方法中,输入到机器学习装置200的评价条件可以包括关于多个项目的至少一部分的预测值的波动的条件。该情况下,能够高效地评价多个项目,能够高效地搜索更适当的处理条件。
在基片处理的条件设定辅助方法中,可以是,取得包括处理后项目和处理中项目的实际值的实际数据,基于处理中项目的实际值,选择要输入到机器学习装置200的数据集,其中,处理后项目表示基片处理后的晶圆W的质量,处理中项目表示基片处理途中的处理液的供给状态。该情况下,能够用处理中的数据直接掌握处理中的异常,能够缩小基于处理后的质量来搜索推荐处理条件的搜索范围。所以,能够更高效地搜索适当的处理条件。
基片处理的条件设定辅助方法可以还包括:在将数据集输入到机器学习装置200之前,从该数据集的实际数据中除去由基片处理之外的原因导致的成分的步骤。该情况下,能够搜索更适当的处理条件。
基片处理可以包括在晶圆W的表面Wa对实施了曝光处理后的感光性覆膜供给显影液的显影处理,取得的实际数据可以包括通过显影处理而形成在晶圆W的表面Wa上的图案的线宽的实际值。在基片处理包含显影处理的情况下,为了导出适合的处理条件,存在需要耗费更大劳力的趋势。因此,采用上述的条件设定辅助方法,能够高效地搜索适当的处理条件,有效性显著。
基片处理可以包括在晶圆W的表面Wa上涂敷成膜液来形成覆膜的成膜处理,取得的实际数据可以包括通过成膜处理而形成在晶圆W的表面Wa上的覆膜的膜厚的实际值。在基片处理包含成膜处理的情况下,基片处理的质量对于处理条件非常敏感,因此,为了导出适合的处理条件,存在需要耗费更大劳力的趋势。因此,采用上述的条件设定辅助方法,能够高效地搜索适当的处理条件,有效性显著。
上面对实施方式进行了说明,但本发明并不一定限于上述的实施方式,在不脱离其思想的范围内能够进行各种变更。例如,处理对象基片不限于半导体晶圆,例如可以是玻璃基片、掩模基片、FPD(Flat Panel Display)等。
附图标记说明
2…涂敷显影装置(基片处理装置),11、12、13、14…处理模块(处理部),112…处理控制部,113…数据取得部,114…数据输入部,115…推荐条件导出部,121…评价条件输入部,122…搜索结果取得部,214…模型生成部,W…晶圆,Wa…表面。
- 基片处理的条件设定辅助方法、基片处理系统、存储介质和学习模型
- 基片处理方法、存储介质和基片处理系统