JP7652491B2 - 基板処理システム、情報処理装置、情報処理方法及び情報処理プログラム - Google Patents

Description

本開示は、基板処理システム、情報処理装置、情報処理方法及び情報処理プログラムに関する。

基板の製造プロセスにおいて取得された複数種類の時系列データを用いて、例えば、プラズマ処理が行われる処理空間（チャンバ）内の状態を定量化する試みがなされている。処理空間内の状態を定量化し、それぞれの状態に応じた制御ノブを調整できれば、プラズマ処理後の基板を均質化させることができるからである。

米国特許第６６３３３９１号明細書 米国特許第７８２９４６８号明細書 米国特許第１０５６５５１３号明細書

本開示は、プラズマ処理が行われる処理空間内の状態を定量化する基板処理システム、情報処理装置、情報処理方法及び情報処理プログラムを提供する。

本開示の一態様による基板処理システムは、例えば、以下のような構成を有する。即ち、
基板に対してプラズマ処理が行われるごとに、複数種類の時系列データを取得する取得部と、
第１のフェーズにおいて取得された複数種類の時系列データそれぞれのデータ密集度を算出し、外れ値の範囲を学習することで、該範囲に基づく外れ値を検知するための学習済みの外れ値検知モデルであって、時系列データの種類数に応じた数の前記学習済みの外れ値検知モデルを生成する学習部と、
第２のフェーズにおいて取得された複数種類の時系列データを、対応する前記学習済みの外れ値検知モデルにそれぞれ入力し、対応する前記学習済みの外れ値検知モデルが前記範囲に基づいて検知した外れ値を示す２値情報を集計することで、前記第１のフェーズにおいて取得された複数種類の時系列データからの乖離度を算出し、算出した乖離度を、前記第２のフェーズにおける処理空間内の定量化した状態を示す情報として出力する定量化部とを有する。

本開示によれば、プラズマ処理が行われる処理空間内の状態を定量化する基板処理システム、情報処理装置、情報処理方法及び情報処理プログラムを提供することができる。

基板処理システムのシステム構成の一例を示す図である。 学習装置のハードウェア構成の一例を示す図である。 各フェーズにおいて処理前基板に対してプラズマ処理が行われるごとに取得される複数種類の時系列データの一例を示す図である。 学習装置の機能構成の一例を示す図である。 定量化装置の機能構成の一例を示す図である。 複数種類の時系列データそれぞれの乖離度の具体例を示す図である。 調整装置の機能構成の一例を示す図である。 最適化処理の流れを示すフローチャートである。 発光分光分析装置により取得された発光強度データの一例を示す図である。 複数の処理前基板に対してプラズマ処理を行った際のエッチングレートの推移と、本実施例における動作フェーズとの関係を示す図である。 定量化フェーズにおける各波長の発光強度データの乖離度の一例を示す図である。 特定の波長における乖離度とエッチングレートとの関係を示す図である。

以下、各実施形態について添付の図面を参照しながら説明する。なお、本明細書及び図面において、実質的に同一の機能構成を有する構成要素については、同一の符号を付することにより重複した説明を省略する。

［第１の実施形態］
＜基板処理システムのシステム構成＞
はじめに、基板処理システムのシステム構成について説明する。図１は、基板処理システムのシステム構成の一例を示す図である。図１に示すように、基板処理システム１００は、基板処理装置１１０、時系列データ取得装置１２０＿１～１２０＿ｎ、学習装置１３０、定量化装置１４０、調整装置１５０を有する。

基板処理装置１１０は、プラズマ処理が行われる処理空間（チャンバ）を有し、当該処理空間において、対象物（処理前基板１、２、・・・等）に対してプラズマ処理を行い、結果物（処理後基板１、２、・・・等）を生成する。なお、ここでいう処理前基板１、２、・・・等とは、処理空間においてプラズマ処理が行われる前の基板を指し、処理後基板１、２、・・・等とは、処理空間においてプラズマ処理が行われた後の基板を指す。

時系列データ取得装置１２０＿１～１２０＿ｎは取得部の一例であり、それぞれ処理空間において処理前基板１、２、・・・等に対してプラズマ処理が行われる前、あるいは、プラズマ処理が行われている最中の時系列データを取得する。時系列データ取得装置１２０＿１～１２０＿ｎは、互いに異なる種類の測定項目について測定を行うものとし、時系列データ取得装置１２０＿１～１２０＿ｎそれぞれが測定する測定項目の数は１つであっても複数であってもよい。

なお、図１において、時系列データ１＿１～時系列データｎ＿１は、「処理前基板１」に対してプラズマ処理が行われる前、あるいは、プラズマ処理が行われている最中に、時系列データ取得装置１２０＿１～１２０＿ｎにより取得された時系列データである。

同様に、時系列データ１＿２～時系列データｎ＿２は、「処理前基板２」に対してプラズマ処理が行われる前、あるいは、プラズマ処理が行われている最中に、時系列データ取得装置１２０＿１～１２０＿ｎにより取得された時系列データである。

図１の例は、更に、処理前基板ｘ、処理前基板ｘ＋１、処理前基板ｙ、処理前基板ｙ＋１に対してプラズマ処理が行われる前、あるいは、プラズマ処理が行われている最中に取得された時系列データについて示している。

なお、後述するように、基板処理システム１００の動作フェーズは、学習フェーズ（第１のフェーズの一例）、定量化フェーズ（第２のフェーズの一例）、調整フェーズ（第３のフェーズの一例）に分類される。

このうち、学習フェーズにおいて取得された複数種類の時系列データは、学習装置１３０に送信される。一方、定量化フェーズにおいて取得された複数種類の時系列データは、定量化装置１４０に送信される。

学習装置１３０は、学習フェーズにおいて取得された複数種類の時系列データそれぞれについて、各時間のデータ密集度を算出し、外れ値の範囲を学習する。外れ値の範囲が学習されたそれぞれの学習済みモデルは、定量化装置１４０に通知される。

定量化装置１４０は、定量化フェーズにおいて取得された複数種類の時系列データを、対応する学習済みモデルにそれぞれ入力することで、複数種類の時系列データそれぞれの各時間のデータ密集度を算出することで外れ値を検知する。また、定量化装置１４０は、検知した外れ値に基づいて、定量化フェーズにおいて取得された複数種類の時系列データそれぞれについて、学習フェーズにおいて取得された、対応する複数種類の時系列データそれぞれからの乖離度を算出する。これにより、定量化装置１４０では、定量化フェーズにおいて処理前基板に対してプラズマ処理が行われた際の処理空間内の状態（チャンバコンディション）を定量化することができる。なお、定量化された処理空間内の状態である乖離度は、調整装置１５０に通知される。

調整装置１５０は、定量化装置１４０より通知された処理空間内の状態に応じて制御ノブの調整量を算出し、調整が必要な制御ノブと算出した調整量とを基板処理装置１１０に通知する。これにより、基板処理装置１１０では、次の処理前基板に対してプラズマ処理を行うにあたり、処理空間内の状態に適したプラズマ処理を行うことができる。

なお、図１の説明では、複数種類の時系列データの詳細について言及しなかったが、複数種類の時系列データには、例えば、基板処理装置１１０が有する各種センサにより測定されたプロセスデータが含まれていてもよい。更に、ここでいうプロセスデータには、例えば、
・ＲＦ／ＤＣデータ：プラズマ処理の高周波電力、反射電力、電圧、電流、磁力、
・ガス圧力データ：処理空間内の圧力、ＦＣＳ圧力、配管圧力、ガス供給圧力、バルブ開度、裏面Ｈｅ圧力、
・ガス流量データ：ＲＣＳ流量、ＭＦＣ流量、ポンプ回転数、ポンプ電流値、ポンプ温度、
・駆動データ：モータ電流値、モータトルク、モータ回転数、
・温度データ：壁面温度、冷媒温度、電極温度、基板温度、
等が含まれていてもよい。あるいは、複数種類の時系列データには、例えば、プロセスデータに代えて、あるいは、プロセスデータに加えて、発光分光分析装置により測定された、
・発光データ：各波長の発光強度データ、
が含まれていてもよい。あるいは、複数種類の時系列データには、例えば、プロセスデータに代えて、あるいは、プロセスデータに加えて、分光反射率計により測定された、
・分光データ：基板や壁面の各波長の分光測定データ、
が含まれていてもよい。あるいは、複数種類の時系列データには、例えば、プロセスデータに代えて、あるいは、プロセスデータに加えて、質量分析装置（例えば、四重極形質量分析装置）により測定された、
・質量分析データ：質量に関する値（ｍ／ｚ値）の種類数に応じた数の検出強度データ、
が含まれていてもよい。あるいは、複数種類の時系列データには、例えば、プロセスデータに代えて、あるいは、プロセスデータに加えて、プラズマ計測装置により測定された、
・イオンデータ：イオンエネルギ分布、イオン角度分布、
等が含まれていてもよい。

＜学習装置等のハードウェア構成＞
次に、学習装置１３０、定量化装置１４０、調整装置１５０のハードウェア構成について説明する。なお、学習装置１３０、定量化装置１４０、調整装置１５０は、同様のハードウェア構成を有することから、ここでは、学習装置１３０のハードウェア構成について説明する。図２は、学習装置のハードウェア構成の一例を示す図である。

図２に示すように、学習装置１３０は、プロセッサ２０１、メモリ２０２、補助記憶装置２０３、ユーザインタフェース装置２０４、接続装置２０５、通信装置２０６を有する。なお、学習装置１３０の各ハードウェアは、バス２０７を介して相互に接続されている。

プロセッサ２０１は、ＣＰＵ（Central Processing Unit）、ＧＰＵ（Graphics Processing Unit）等の各種演算デバイスを有する。プロセッサ２０１は、各種プログラム（例えば、後述する学習プログラム等）をメモリ２０２上に読み出して実行する。

メモリ２０２は、ＲＯＭ（Read Only Memory）、ＲＡＭ（Random Access Memory）等の主記憶デバイスを有する。プロセッサ２０１とメモリ２０２とは、いわゆるコンピュータを形成し、プロセッサ２０１が、メモリ２０２上に読み出した各種プログラムを実行することで、当該コンピュータは各種機能を実現する。

補助記憶装置２０３は、各種プログラムや、各種プログラムがプロセッサ２０１によって実行される際に用いられる各種データを格納する。

ユーザインタフェース装置２０４は、例えば、学習装置１３０のユーザが各種コマンドの入力操作等を行うキーボードまたはタッチパネル、学習装置１３０の処理内容を表示するディスプレイ等を含む。

接続装置２０５は、基板処理システム１００内の他の装置と接続する接続デバイスである。通信装置２０６は、ネットワークを介して不図示の外部装置と通信するための通信デバイスである。

＜基板処理システムの動作フェーズ＞
次に、基板処理システム１００の動作フェーズと時系列データとの関係について説明する。図３は、各フェーズにおいて処理前基板に対してプラズマ処理が行われるごとに取得される複数種類の時系列データの一例を示す図である。

図３の例は、学習フェーズにおいて、処理前基板１～処理前基板ｘに対して、プラズマ処理が行われた場合を示している。この場合、学習装置１３０には、
・処理前基板１に対してプラズマ処理が行われた際に取得された複数種類の時系列データ（時系列データ１＿１～時系列データｎ＿１）から、
・処理前基板ｘに対してプラズマ処理が行われた際に取得された複数種類の時系列データ（時系列データ１＿ｘ～時系列データｎ＿ｘ）まで、
が通知される。

これにより、学習装置１３０では、通知された複数種類の時系列データそれぞれについて各時間のデータ密集度を算出し、外れ値の範囲を学習する。この結果、学習装置１３０は、時系列データの種類数に応じた数（ｎ個）の学習済みモデルを生成する。

また、図３の例は、定量化フェーズにおいて、処理前基板ｘ＋１に対して、プラズマ処理が行われた場合を示している。この場合、定量化装置１４０には、
・処理前基板ｘ＋１に対してプラズマ処理が行われた際に取得された複数種類の時系列データ（時系列データ１＿ｘ＋１～時系列データｎ＿ｘ＋１）、
が通知される。

これにより、定量化装置１４０では、通知された複数種類の時系列データを、対応するｎ個の学習済みモデルにそれぞれ入力し、学習フェーズにおいて取得された、対応する複数種類の時系列データそれぞれからの乖離度を算出する。この結果、定量化装置１４０では、処理前基板ｘ＋１に対してプラズマ処理が行われた際の処理空間内の状態（チャンバコンディション）を定量化することができる。

また、図３の例は、定量化された処理空間内の状態である乖離度に基づいて、調整装置１５０が制御ノブを調整した調整フェーズにおいて、基板処理装置１１０が、処理前基板ｙ、処理前基板ｙ＋１、・・・に対して、プラズマ処理を行った様子を示している。

このように定量化フェーズにおいて定量化された処理空間内の状態に基づいて、制御ノブを調整したうえで、調整フェーズにおいてプラズマ処理を行う構成とすることで、調整フェーズにおいては、処理空間内の状態に適したプラズマ処理を行うことができる。

なお、基板処理システム１００における動作フェーズの切り替えタイミングは任意であり、例えば、予め定められた数の処理前基板に対してプラズマ処理が行われた場合に、学習フェーズから定量化フェーズに切り替えられるように構成してもよい。また、予め定められた数の処理前基板に対してプラズマ処理が行われた場合に、定量化フェーズから調整フェーズに切り替えられるように構成してもよい。このとき、基板処理システム１００は、１ロット内で全てのフェーズが切り替えられるように構成してもよいし、複数のロットに跨って各フェーズが切り替えられるように構成してもよい。

また、基板処理システム１００による学習フェーズと定量化フェーズの複数種類の時系列データの取得順序は任意であり、例えば、図３に示すように学習フェーズ→定量化フェーズの順序で複数種類の時系列データが取得されるように構成してもよい。具体的には、定量化フェーズにおいて取得された複数種類の時系列データが、学習フェーズにおいてプラズマ処理が行われた処理前基板よりも後の処理前基板に対してプラズマ処理が行われた際に取得された時系列データとなるように構成してもよい。

あるいは、基板処理システム１００は、定量化フェーズ→学習フェーズの順序で複数種類の時系列データが取得されるように構成してもよい。具体的には、定量化フェーズにおいて取得された複数種類の時系列データが、学習フェーズにおいてプラズマ処理が行われた処理前基板よりも前の処理前基板に対してプラズマ処理が行われた際に取得された時系列データとなるように構成してもよい。

また、基板処理システム１００における動作フェーズの実行パターンは任意であり、基板処理システム１００は、例えば、定量化フェーズと調整フェーズとが、並行して実行されるように構成してもよい。具体的には、調整フェーズにおいて処理前基板ｙ、時系列データｙ＋１、・・・等に対してプラズマ処理が行われた際に取得された複数種類の時系列データ（時系列データ１＿ｙ～時系列データｎ＿ｙ等）が、定量化装置１４０に通知されるように構成してもよい。これにより、基板処理システム１００は、調整フェーズと並行して定量化フェーズを実行させることが可能となる。

この結果、例えば、調整フェーズにおいて、調整装置１５０は、一定数の処理前基板に対してプラズマ処理を行うごとに、定量化された処理空間内の状態に基づいて制御ノブを調整し、調整後の制御ノブのもとで、プラズマ処理を行うことが可能となる。

ただし、この場合も、調整フェーズにおいてプラズマ処理が行われる際に用いられる制御ノブの調整量は、直前の定量化フェーズにおいて算出された乖離度に基づいて算出されるものとする。

また、基板処理システム１００において、学習フェーズ及び定量化フェーズの実行回数は任意である。例えば、基板処理システム１００は、学習フェーズ及び定量化フェーズが、同一ロット内で、複数回実行されるように構成してもよいし、ロットが切り替わるごとに、１回実行されるように構成してもよい。あるいは、同一のレシピを用いて複数のロットに対してプラズマ処理が行われる場合にあっては、レシピが切り替わるごとに、１回実行されるように構成してもよい。あるいは、予め定められた数のロットに対してプラズマ処理（または、予め定められた数の処理前基板に対してプラズマ処理）が行われるごとに、１回実行されるように構成してもよい。あるいは、所定時間に１回実行されるように構成してもよい。

＜学習装置の機能構成＞
次に、学習装置１３０の機能構成について説明する。図４は、学習装置の機能構成の一例を示す図である。学習装置１３０には、学習プログラムがインストールされており、当該プログラムが実行されることで、学習装置１３０は、学習部４００として機能する。

図４に示すように、学習部４００は、時系列データの種類数に応じた数の外れ値検知モデル（モデル４１０＿１～モデル４１０＿ｎ）を有する。

モデル４１０＿１には、
・学習フェーズにおいて処理前基板１に対してプラズマ処理が行われることで時系列データ取得装置１２０＿１により取得された時系列データ１＿１から、
・学習フェーズにおいて処理前基板ｘに対してプラズマ処理が行われることで時系列データ取得装置１２０＿１により取得された時系列データ１＿ｘまで、
が入力される。これにより、モデル４１０＿１は、学習フェーズにおいて、プラズマ処理が行われるごとに時系列データ取得装置１２０＿１により取得された時系列データについて、各時間のデータ密集度を算出する。更に、モデル４１０＿１は、学習フェーズにおいて、プラズマ処理が行われるごとに時系列データ取得装置１２０＿１により取得された時系列データについて、外れ値の範囲を学習する。なお、学習フェーズにおいてモデル４１０＿１により学習された外れ値の範囲は、基準範囲情報として後述するモデル５１０＿１に設定される。

同様に、モデル４１０＿２には、
・学習フェーズにおいて処理前基板１に対してプラズマ処理が行われることで時系列データ取得装置１２０＿２により取得された時系列データ２＿１から、
・学習フェーズにおいて処理前基板ｘに対してプラズマ処理が行われることで時系列データ取得装置１２０＿２により取得された時系列データ２＿ｘまで、
が入力される。これにより、モデル４１０＿２は、学習フェーズにおいて、プラズマ処理が行われるごとに時系列データ取得装置１２０＿２により取得された時系列データについて、各時間のデータ密集度を算出する。更に、モデル４１０＿２は、学習フェーズにおいて、プラズマ処理が行われるごとに時系列データ取得装置１２０＿１により取得された時系列データについて、外れ値の範囲を学習する。なお、学習フェーズにおいてモデル４１０＿２により学習された外れ値の範囲は、基準範囲情報として後述するモデル５１０＿２に設定される。

以下、図４では、モデル４１０＿３～モデル４１０＿ｎ－１について省略しているため、これらの外れ値検知モデルの説明については省略する。

モデル４１０＿ｎには、
・学習フェーズにおいて処理前基板１に対してプラズマ処理が行われることで時系列データ取得装置１２０＿ｎにより取得された時系列データｎ＿１から、
・学習フェーズにおいて処理前基板ｘに対してプラズマ処理が行われることで時系列データ取得装置１２０＿ｎにより取得された時系列データｎ＿ｘまで、
が入力される。これにより、モデル４１０＿ｎは、学習フェーズにおいて、プラズマ処理が行われるごとに時系列データ取得装置１２０＿ｎにより取得された時系列データについて、各時間のデータ密集度を算出する。更に、モデル４１０＿ｎは、学習フェーズにおいて、プラズマ処理が行われるごとに時系列データ取得装置１２０＿ｎにより取得された時系列データについて、外れ値の範囲を学習する。なお、学習フェーズにおいてモデル４１０＿ｎにより学習された外れ値の範囲は、基準範囲情報として後述するモデル５１０＿ｎに設定される。

なお、モデル５１０＿１～モデル５１０＿ｎそれぞれに設定される基準範囲情報は任意である。モデル４１０＿１～モデル４１０＿ｎそれぞれに入力される複数種類の時系列データが、例えば、処理空間内の状態が正常な状態のもとでプラズマ処理が行われた際に取得された時系列データであった場合、基準範囲情報は、正常範囲を示す情報となる。また、モデル４１０＿１～モデル４１０＿ｎそれぞれに入力される複数種類の時系列データが、例えば、処理空間内の状態が異常な状態のもとでプラズマ処理が行われた際に取得された時系列データであった場合、基準範囲情報は、異常範囲を示す情報となる。

あるいは、モデル４１０＿１～モデル４１０＿ｎそれぞれに入力される複数種類の時系列データの中に、
・処理空間内の状態が正常な状態のもとでプラズマ処理が行われた際に取得された複数種類の時系列データと、
・処理空間内の状態が異常な状態のもとでプラズマ処理が行われた際に取得された複数種類の時系列データと、
が含まれていたとする。この場合、学習部４００では、例えば、以下のような手順で処理を行う。
・処理空間内の状態が正常な状態のもとでプラズマ処理が行われた際に取得された複数種類の時系列データを、モデル４１０＿１～モデル４１０＿ｎにそれぞれ入力することで外れ値の範囲を学習し、基準範囲情報として、正常範囲を示す情報を算出する。
・学習を行ったモデル４１０＿１～モデル４１０＿ｎに、処理空間内の状態が異常な状態のもとでプラズマ処理が行われた際に取得された複数種類の時系列データをそれぞれ入力し、上記算出した正常範囲に基づいて検知された外れ値の検知精度を検証する。
・モデル４１０＿１～モデル４１０＿ｎのうち、外れ値の検知精度が高いモデルを、定量化フェーズにおいて用いるモデルとして特定する。

＜定量化装置の機能構成＞
次に、定量化装置１４０の機能構成について説明する。図５は、定量化装置の機能構成の一例を示す図である。定量化装置１４０には、定量化プログラムがインストールされており、当該プログラムが実行されることで、定量化装置は、定量化部５００として機能する。

図５に示すように、定量化部５００は、時系列データの種類数に応じた数の学習済みの外れ値検知モデル（モデル５１０＿１～５１０＿ｎ）と、乖離度算出部（乖離度算出部５２０＿１～５２０＿ｎ）とを有する。また、定量化部５００は、出力部５３０を有する。

モデル５１０＿１には、
・定量化フェーズにおいて処理前基板ｘ＋１に対してプラズマ処理が行われることで時系列データ取得装置１２０＿１により取得された時系列データ１＿ｘ＋１、
が入力される。これにより、モデル５１０＿１は、プラズマ処理が行われるごとに時系列データ取得装置１２０＿１により取得された時系列データについて、各時間のデータ密集度を算出する。更に、モデル５１０＿１は、設定された基準範囲情報に基づいて、当該時系列データの外れ値を検知し、乖離度算出部５２０＿１に通知する。

同様に、モデル５１０＿２には、
・定量化フェーズにおいて処理前基板ｘ＋１に対してプラズマ処理が行われることで時系列データ取得装置１２０＿２により取得された時系列データ２＿ｘ＋１、
が入力される。これにより、モデル５１０＿２は、プラズマ処理が行われるごとに時系列データ取得装置１２０＿２により取得された時系列データについて、各時間のデータ密集度を算出する。更に、モデル５１０＿２は、設定された基準範囲情報に基づいて、当該時系列データの外れ値を検知し、乖離度算出部５２０＿２に通知する。

以下、図５では、モデル５１０＿３～モデル５１０＿ｎ－１について省略しているため、これらの外れ値検知モデルの説明については省略する。

モデル５１０＿ｎには、
・定量化フェーズにおいて処理前基板ｘ＋１に対してプラズマ処理が行われることで時系列データ取得装置１２０＿ｎにより取得された時系列データｎ＿ｘ＋１、
が入力される。これにより、モデル５１０＿ｎは、プラズマ処理が行われるごとに時系列データ取得装置１２０＿ｎにより取得された時系列データについて、各時間のデータ密集度を算出する。更に、モデル５１０＿ｎは、設定された基準範囲情報に基づいて、当該時系列データの外れ値を検知し、乖離度算出部５２０＿ｎに通知する。

乖離度算出部５２０＿１は、モデル５１０＿１により検知された外れ値を示す２値情報に基づいて、時系列データ１＿ｘ＋１全体の乖離度を集計し、出力部５３０に通知する。

同様に、乖離度算出部５２０＿２は、モデル５１０＿２により検知された外れ値を示す２値情報に基づいて、時系列データ２＿ｘ＋１全体の乖離度を集計し、出力部５３０に通知する。

以下、図５では、乖離度算出部５２０＿３～乖離度算出部５２０＿ｎ－１について省略しているため、これらの乖離度算出部の説明については省略する。

乖離度算出部５２０＿ｎは、モデル５１０＿ｎにより検知された外れ値を示す２値情報に基づいて、時系列データｎ＿ｘ＋１全体の乖離度を集計し、出力部５３０に通知する。

出力部５３０は、モデル５１０＿１～５１０＿ｎのうち、予め特定されたモデル（あるいは学習部４００により特定されたモデル）に対応する乖離度算出部を特定する。また、出力部５３０は、特定した乖離度算出部より通知された乖離度が、定量化フェーズにおいて定量化された処理空間内の状態（チャンバコンディション）であるとして、調整装置１５０に通知する。

＜乖離度の具体例＞
次に、乖離度算出部５２０＿１～５２０＿ｎからそれぞれ出力される乖離度の具体例について説明する。図６は、複数種類の時系列データそれぞれの乖離度の具体例を示す図である。図６において、横軸は、時系列データの種類を表している。また、縦軸は、定量化フェーズにおいて取得された複数種類の時系列データそれぞれについて算出された、時系列データ全体の乖離度を表している。

図６の例に示すように、時系列データの種類によっては、学習フェーズにおいて取得された時系列データに対して、定量化フェーズにおいて取得された時系列データが大きく乖離しているものもある。

したがって、特定の種類の時系列データの乖離度に着目することで、学習フェーズに対する定量化フェーズの処理空間内の状態の変化を捉えることができる。

＜調整装置の機能構成＞
次に、調整装置１５０の機能構成について説明する。図７は、調整装置の機能構成の一例を示す図である。調整装置１５０には、調整プログラムがインストールされており、当該プログラムが実行されることで、調整装置１５０は、調整部７１０として機能する。

調整部７１０は、定量化装置１４０により定量化された処理空間内の状態である乖離度を取得すると、関係性データ格納部７２０を参照する。関係性データ格納部７２０には、特定のモデルに対応する乖離度算出部から出力される乖離度と、対応する制御ノブの調整量との対応関係を予め実験的に求めたテーブル７３０が格納されている。

調整部７１０では、テーブル７３０を参照することにより、特定のモデルに対応する乖離度算出部から出力された乖離度に基づいて、対応する制御ノブの調整量を算出する。図７の例は、モデル５１０＿１に対応する乖離度算出部５２０＿１から出力される乖離度（"乖離度１"）に基づいて、対応する制御ノブ（"制御ノブＡ"）の調整量（"ｆ（乖離度１）"）が算出されることを示している。また、図７の例は、モデル５１０＿２に対応する乖離度算出部５２０＿２から出力される乖離度（"乖離度２"）に基づいて、対応する制御ノブ（"制御ノブＢ"）の調整量（"ｆ（乖離度２）"）が算出されることを示している。また、図７の例は、モデル５１０＿３に対応する乖離度算出部５２０＿３から出力された乖離度（"乖離度３"）に基づいて、対応する制御ノブ（"制御ノブＣ"）の調整量（"ｆ（乖離度３）"）が算出されることを示している。

＜基板処理システムによる最適化処理の流れ＞
次に、基板処理システム１００によるプラズマ処理において、処理空間内の状態を定量化し、それぞれの状態に応じた制御ノブを調整することでプラズマ処理を最適化する最適化処理の流れについて説明する。図８は、最適化処理の流れを示すフローチャートである。図８のフローチャートは、所定のタイミングで、学習フェーズ、定量化フェーズ及び調整フェーズを１回実行する場合の最適化処理の流れを示している。

ステップＳ８０１において、学習装置１３０は、学習フェーズにおいて、基板処理装置１１０によりプラズマ処理が行われた際に、各時系列データ取得装置により取得された複数種類の時系列データを取得する。

ステップＳ８０２において、学習装置１３０は、学習フェーズにおいて取得した複数種類の時系列データを、対応するモデルにそれぞれ入力することで、各時間のデータ密集度を算出し、外れ値の範囲を学習する。これにより、学習装置１３０は、時系列データの種類数に応じた数の学習済みモデルを生成する。

ステップＳ８０３において、定量化装置１４０は、定量化フェーズにおいて、基板処理装置１１０によりプラズマ処理が行われた際に、各時系列データ取得装置により取得された複数種類の時系列データを取得する。

ステップＳ８０４において、定量化装置１４０は、定量化フェーズにおいて取得した複数種類の時系列データを、対応する学習済みモデルにそれぞれ入力することで、各時間のデータ密集度を算出し、外れ値を検知する。また、定量化装置１４０は、検知した外れ値に基づいて、定量化フェーズにおいて取得した複数種類の時系列データそれぞれについて、学習フェーズにおいて取得された、対応する複数種類の時系列データそれぞれからの乖離度を算出する。また、定量化装置１４０は、特定の学習済みモデルに対応する乖離度が、定量化された処理空間内の状態であるとして、調整装置１５０に通知する。

ステップＳ８０５において、調整装置１５０は、定量化された処理空間内の状態である乖離度に基づいて、対応する制御ノブの調整量を算出する。また、調整装置１５０は、調整フェーズにおいて、調整が必要な制御ノブと算出した調整量とを基板処理装置１１０に通知する。

＜まとめ＞
以上の説明から明らかなように、第１の実施形態に係る基板処理システム１００は、
・処理前基板に対してプラズマ処理が行われるごとに、複数種類の時系列データをそれぞれ取得する。
・学習フェーズにおいて取得された複数種類の時系列データそれぞれのデータ密集度を算出し、外れ値の範囲を学習する。これにより、時系列データの種類数に応じた数の学習済みの外れ値検知モデルを生成する。
・定量化フェーズにおいて取得された複数種類の時系列データを、対応する学習済みの外れ値検知モデルにそれぞれ入力する。これにより、学習フェーズにおいて取得された複数種類の時系列データからの乖離度を算出し、定量化フェーズにおける処理空間内の状態を定量化する。

この結果、第１の実施形態によれば、プラズマ処理が行われる処理空間内の状態を定量化することができる。

＜＜実施例＞＞
続いて、上記第１の実施形態に係る基板処理システム１００の実施例について説明する。本実施例は、
・基板処理装置：エッチング処理装置、
・時系列データ取得装置１２０＿１～１２０＿ｎ：波長２００～８００［ｎｍ］の発光分光分析装置（ｎ＝６０１）、
・時系列データ１＿１～時系列データ１＿ｎ：波長２００～８００［ｎｍ］の各発光強度データ、
・モデル：外れ値検知モデル、
・動作フェーズの切り替えタイミング：１ロット内、
・学習フェーズの処理前基板：１ロット内の１０枚目の処理前基板、
・定量化フェーズの処理前基板：１ロット内の１枚目及び９枚目の処理前基板、
・調整フェーズの処理前基板：１ロット内の１１枚目以降の処理前基板、
等の構成例のもとで各動作フェーズを実行したものである。

（１）発光強度データの具体例
図９は、発光分光分析装置により取得された発光強度データの一例を示す図である。図９において、横軸は、２００～８００［ｎｍ］の波長を表しており、縦軸は、各波長の所定の時間での発光強度を表している。本実施例では、プラズマ処理中の各波長の発光強度データ（図９参照）を、複数種類の時系列データとして取得した。

（２）動作フェーズの具体例
図１０は、複数の処理前基板に対してプラズマ処理を行った際のエッチングレートの推移と、本実施例における動作フェーズとの関係を示す図である。図１０において、横軸は、プラズマ処理された処理前基板の枚数を表しており、縦軸は、各処理前基板に対してプラズマ処理を行った際のエッチングレートを表している。更に、上段には、それぞれの処理前基板に対してプラズマ処理が行われた際の動作フェーズを示している。

なお、図１０の例の場合、プラズマ処理された処理前基板の枚数が少ない状況では、エッチングレートは低く、プラズマ処理された処理前基板の枚数が多くなると、エッチングレートが高くなり、やがて、エッチングレートが安定するといった推移を示している。

このようなエッチングレートの推移に対して、本実施例では、１０枚目の処理前基板に対するプラズマ処理を学習フェーズとし、１枚目の処理前基板と９枚目の処理前基板とに対するプラズマ処理を定量化フェーズとした。更に、１１枚目以降の処理前基板に対するプラズマ処理を調整フェーズとした。

（３）定量化フェーズにおける各波長の乖離度の具体例
図１１は、定量化フェーズにおける各波長の発光強度データの乖離度の一例を示す図である。このうち、図１１（ａ）は、定量化フェーズにおいて、１枚目の処理前基板に対してプラズマ処理が行われた際に取得された各波長の発光強度データと、各波長の発光強度データを学習済みモデルに入力することで算出された乖離度とを示している。

また、図１１（ｂ）は、定量化フェーズにおいて、９枚目の処理前基板に対してプラズマ処理が行われた際に取得された各波長の発光強度データと、各波長の発光強度データを学習済みモデルに入力することで算出された乖離度とを示している。

図１１（ａ）と図１１（ｂ）とを比較すると、両者は、各波長の発光強度データが類似している一方で、特定の波長の乖離度については、大きく異なっている。ここで、乖離度と、エッチングレートとの関係について検討する。

図１０で示したように、学習フェーズにおいてプラズマ処理された１０枚目の処理前基板は、エッチングレートが安定した後にプラズマ処理された処理前基板である。また、定量化フェーズにおいてプラズマ処理された処理前基板のうち、９枚目の処理前基板も、エッチングレートが安定した後にプラズマ処理された処理前基板である。つまり、両者はエッチングレートの差が少ない状況でプラズマ処理されている。そして、図１１（ｂ）に示したように、定量化フェーズにおいて、９枚目の処理前基板に対してプラズマ処理が行われた際に取得された各波長の発光強度データは、学習フェーズにおいて取得された各波長の発光強度データとの乖離度が少ない。

一方で、図１０で示したように、定量化フェーズにおいてプラズマ処理された処理前基板のうち、１枚目の処理前基板は、エッチングレートが安定する前にプラズマ処理された処理前基板であり、学習フェーズにおけるエッチングレートとの差が大きい。そして、図１１（ａ）に示したように、定量化フェーズにおいて、１枚目の処理前基板に対してプラズマ処理が行われた際に取得された各波長の発光強度データは、学習フェーズにおいて取得された各波長の発光強度データとの乖離度が大きい。

このように、学習フェーズにおいて取得された各波長の発光強度データからの乖離度は、概ね、処理空間内の状態の一例であるエッチングレートの変化を表しているということができる。

具体的には、エッチングレートが安定した後に行われるプラズマ処理を学習フェーズとした場合、学習フェーズにおいて取得された各波長の発光強度データからの乖離度は、安定した後のエッチングレートからの変化を表しているということができる。

また、エッチングレートが安定する前に行われるプラズマ処理を学習フェーズとした場合、学習フェーズにおいて取得された各波長の発光強度データからの乖離度は、安定する前のエッチングレートからの変化を表しているということができる。

（４）波長の特定
図１２は、特定の波長における乖離度とエッチングレートとの関係を示す図である。このうち、図１２（ａ）は、図１１（ａ）と同じグラフに、特定の波長の領域１２００を追記したものである。一方、図１２（ｂ）は、図１２（ａ）に示す特定の波長の領域１２００に含まれる乖離度と、エッチングレートとの関係を示した図である。

図１２（ｂ）に示すように、特定の波長における乖離度とエッチングレートとは概ね線形の関係を有している。

したがって、定量化フェーズにおいて算出された各波長の乖離度のうち、領域１２００に含まれる波長の乖離度を特定して、制御ノブを調整することで、本実施例によれば、エッチングレートの変化に適したプラズマ処理を行うことができる。なお、このときの制御ノブは、例えば、学習フェーズ（つまり、１０枚目の処理前基板に対するプラズマ処理）において用いられた制御ノブの制御量に、特定した波長の乖離度に応じた調整量を付加することで調整してもよい。

［その他の実施形態］
上記第１の実施形態では、外れ値検知モデルを用いる場合について説明したが、モデルの種類はこれに限定されず、時系列データのデータ密集度に基づいてデータの外れ値を検知することができれば、他のモデルを用いてもよい。

また、上記第１の実施形態では、基板処理装置１１０とは別体に学習装置１３０、定量化装置１４０、調整装置１５０を設ける構成とした。しかしながら、学習装置１３０、定量化装置１４０、調整装置１５０の一部または全部は、基板処理装置１１０と一体として設けられてもよい。

また、上記第１の実施形態では、学習装置１３０、定量化装置１４０、調整装置１５０が互いに別体として構成されるものとして説明したが、これらの装置の一部または全部は、一体の情報処理装置として構成されてもよい。この場合、学習装置１３０において実行される学習プログラム、定量化装置１４０により実行される定量化プログラム、調整装置１５０において実行される調整プログラムの一部または全部を含む情報処理プログラムが情報処理装置にて実行されることになる。

なお、上記実施形態に挙げた構成等に、その他の要素との組み合わせ等、ここで示した構成に本発明が限定されるものではない。これらの点に関しては、本発明の趣旨を逸脱しない範囲で変更することが可能であり、その応用形態に応じて適切に定めることができる。

１００ ：基板処理システム
１１０ ：基板処理装置
１２０＿１～１２０＿ｎ ：時系列データ取得装置
１３０ ：学習装置
１４０ ：定量化装置
１５０ ：調整装置
４００ ：学習部
４１０＿１～４１０＿ｎ ：モデル
５００ ：定量化部
５１０＿１～５１０＿ｎ ：モデル
５２０＿１～５２０＿ｎ ：乖離度算出部
５３０ ：出力部
７１０ ：調整部

Claims (9)

1. 基板に対してプラズマ処理が行われるごとに、複数種類の時系列データを取得する取得部と、
   第１のフェーズにおいて取得された複数種類の時系列データそれぞれのデータ密集度を算出し、外れ値の範囲を学習することで、該範囲に基づく外れ値を検知するための学習済みの外れ値検知モデルであって、時系列データの種類数に応じた数の前記学習済みの外れ値検知モデルを生成する学習部と、
   第２のフェーズにおいて取得された複数種類の時系列データを、対応する前記学習済みの外れ値検知モデルにそれぞれ入力し、対応する前記学習済みの外れ値検知モデルが前記範囲に基づいて検知した外れ値を示す２値情報を集計することで、前記第１のフェーズにおいて取得された複数種類の時系列データからの乖離度を算出し、算出した乖離度を、前記第２のフェーズにおける処理空間内の定量化した状態を示す情報として出力する定量化部と
   を有する基板処理システム。
2. 前記学習部は、算出したデータ密集度に基づいて、前記第１のフェーズにおいて取得された複数種類の時系列データそれぞれの外れ値の範囲を学習することで、該範囲に基づく外れ値を検知するための前記学習済みの外れ値検知モデルを生成する、請求項１に記載の基板処理システム。
3. 前記定量化部は、前記第２のフェーズにおいて取得された複数種類の時系列データを、対応する前記学習済みの外れ値検知モデルにそれぞれ入力することで、複数種類の時系列データそれぞれにおいて、対応する前記範囲に基づく外れ値を検知し、検知した外れ値を示す２値情報を集計することで、複数種類の時系列データそれぞれについて前記乖離度を算出する、請求項２に記載の基板処理システム。
4. 前記定量化部により算出された乖離度のうち、特定の乖離度に基づいて、対応する制御ノブを調整する調整部を更に有し、
   第３のフェーズにおいて、基板に対してプラズマ処理を行う際に、前記調整部により調整された調整後の制御ノブを用いてプラズマ処理を行う、請求項２に記載の基板処理システム。
5. 前記第２のフェーズにおいて取得された複数種類の時系列データは、前記第１のフェーズにおいてプラズマ処理が行われた基板よりも後の基板に対してプラズマ処理が行われた際に取得された時系列データである、請求項４に記載の基板処理システム。
6. 前記第２のフェーズにおいて取得された複数種類の時系列データは、前記第１のフェーズにおいてプラズマ処理が行われた基板よりも前の基板に対してプラズマ処理が行われた際に取得された時系列データである、請求項４に記載の基板処理システム。
7. 基板に対してプラズマ処理が行われるごとに、複数種類の時系列データを取得する取得部と、
   第１のフェーズにおいて取得された複数種類の時系列データそれぞれのデータ密集度を算出し、外れ値の範囲を学習することで、該範囲に基づく外れ値を検知するための学習済みの外れ値検知モデルであって、時系列データの種類数に応じた数の前記学習済みの外れ値検知モデルを生成する学習部と、
   第２のフェーズにおいて取得された複数種類の時系列データを、対応する前記学習済みの外れ値検知モデルにそれぞれ入力し、対応する前記学習済みの外れ値検知モデルが前記範囲に基づいて検知した外れ値を示す２値情報を集計することで、前記第１のフェーズにおいて取得された複数種類の時系列データからの乖離度を算出し、算出した乖離度を、前記第２のフェーズにおける処理空間内の定量化した状態を示す情報として出力する定量化部と
   を有する情報処理装置。
8. 基板に対してプラズマ処理が行われるごとに、複数種類の時系列データを取得する取得工程と、
   第１のフェーズにおいて取得された複数種類の時系列データそれぞれのデータ密集度を算出し、外れ値の範囲を学習することで、該範囲に基づく外れ値を検知するための学習済みの外れ値検知モデルであって、時系列データの種類数に応じた数の前記学習済みの外れ値検知モデルを生成する学習工程と、
   第２のフェーズにおいて取得された複数種類の時系列データを、対応する前記学習済みの外れ値検知モデルにそれぞれ入力し、対応する前記学習済みの外れ値検知モデルが前記範囲に基づいて検知した外れ値を示す２値情報を集計することで、前記第１のフェーズにおいて取得された複数種類の時系列データからの乖離度を算出し、算出した乖離度を、前記第２のフェーズにおける処理空間内の定量化した状態を示す情報として出力する定量化工程と
   をコンピュータが実行する情報処理方法。
9. 基板に対してプラズマ処理が行われるごとに、複数種類の時系列データを取得する取得工程と、
   第１のフェーズにおいて取得された複数種類の時系列データそれぞれのデータ密集度を算出し、外れ値の範囲を学習することで、該範囲に基づく外れ値を検知するための学習済みの外れ値検知モデルであって、時系列データの種類数に応じた数の前記学習済みの外れ値検知モデルを生成する学習工程と、
   第２のフェーズにおいて取得された複数種類の時系列データを、対応する前記学習済みの外れ値検知モデルにそれぞれ入力し、対応する前記学習済みの外れ値検知モデルが前記範囲に基づいて検知した外れ値を示す２値情報を集計することで、前記第１のフェーズにおいて取得された複数種類の時系列データからの乖離度を算出し、算出した乖離度を、前記第２のフェーズにおける処理空間内の定量化した状態を示す情報として出力する定量化工程と
   をコンピュータに実行させるための情報処理プログラム。

Images