JPH05190457A - 学習指示機能付半導体製造装置 - Google Patents

Abstract

(57)【要約】 【目的】ＥＣＲプラズマＣＶＤ法で成膜する半導体製造
装置等ではガスの種類，流量等の成膜パラメータ（成膜
条件）とこれによる成膜結果を評価した屈折率，残留応
力等の膜質データとの相関関係が明確でなく、目的とす
る膜を得る成膜条件の決定のため経験と勘による試行錯
誤が繰返されていることを改善する。 【構成】成膜条件調整量指示手段１Ａは、過去の成膜結
果における成膜データのうち目標膜質データに近い膜質
データを持つ成膜データを基準として、この基準成膜デ
ータに対する各成膜データの差としての成膜パラメータ
調整量と膜質調整量データとをニューラルネットワーク
ボード５に与えて学習を行わせたのち、この学習済のニ
ューラルネットワークボード５に所望の膜質調整量デー
タを入力してこの膜質を得る成膜パラメータ調整量を指
示出力させる。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明はＣＶＤ（化学気相成長）
法を用いて成膜を行う半導体製造装置であって、学習に
より成膜パラメータの指示を行う機能を備えた学習指示
機能付半導体製造装置に関する。なお以下各図において
同一の符号は同一もしくは相当部分を示す。

【０００２】

【従来の技術】シリコン系半導体デバイスの作成方法と
してＣＶＤ（化学気相成長）法がある。これは、シリコ
ン基板（以下ウェハという）を真空雰囲気中に置き、そ
の表面に材料ガスを流し込み、ウェハ表面上での化学反
応により膜を成長させていく方法である。この時に、熱
・プラズマ・光（レーザ）等のエネルギを利用して化学
反応を促進させる方法が何種類もある。これらのＣＶＤ
により生成した膜には、屈折率・応力・成膜速度・エッ
チング速度等の成膜データと呼ぶ評価項目があり、これ
らの評価項目をすべて満たして初めて製品の成膜に使用
できるようになる。

【０００３】

【発明が解決しようとする課題】しかし、各ＣＶＤにお
ける成膜プロセスの反応過程（原理）は充分に解析され
ておらず、多くの成膜パラメータ（つまりガス組成・ガ
ス流量・圧力・プラズマＣＶＤの例ではプラズマ制御パ
ラメータなどの成膜条件項目）と多くの評価項目との相
関関係は判っていない。そのため、目的とする膜を生成
する条件（成膜パラメータ）を捜すことは容易ではな
く、経験と勘により試行錯誤を繰り返して、１つの成膜
プロセスを完成するのに多大な時間をかけているのが実
情である。

【０００４】そこで本発明は上記の成膜パラメータと膜
質との相関関係がハッキリしていない成膜プロセスを、
人間の脳を工学的にモデル化したニューラルネットワー
クに学習させることにより、試行錯誤せずにプロセス最
適化を導き、プロセス完成時間を大幅に短縮することが
できる学習指示機能付半導体製造装置を提供することを
課題としている。

【０００５】

【課題を解決するための手段】前記の課題を解決するた
めに、本発明は成膜用ガスの種類および流量並びにこの
種類および流量の組合せ，成膜温度，圧力，プラズマ条
件などの条件項目を成膜パラメータ（２２など）として
成膜し、その成膜結果が膜の硬さ，残留応力，屈折率，
エッチング速度，膜厚およびこの膜厚の均一性などの評
価項目からなる膜質データ（２３など）によって評価さ
れる半導体製造装置において、１または複数のニューラ
ルネットワーク（５１など）を設け、過去の成膜に基づ
く前記成膜パラメータの１つを基準成膜パラメータに、
またこの基準成膜パラメータによって得られた前記膜質
データを基準膜質データに夫々設定し、予め過去の複数
の成膜結果についての前記膜質データと前記基準膜質デ
ータとの差（膜質調節量データΔ２３など）を入力デー
タ（入力パターン４５Ｂなど）、該膜質データに対応す
る成膜パラメータと前記基準成膜パラメータとの差（成
膜パラメータ調節量Δ２２など）を教師データ（教師パ
ターン４５Ｃなど）として前記ニューラルネットワーク
に学習を行わせ、この学習済のニューラルネットワーク
へ、目標の前記膜質データと前記基準膜質データとの差
を入力して、このニューラルネットワークから前記目標
膜質データを得る成膜パラメータと前記基準成膜パラメ
ータとの差（予測成膜パラメータ調整量など）を指示出
力させるようにする。

【０００６】

【作用】半導体製造装置を制御するコンピュータ、ある
いはそれに接続可能な別の補助コンピュータまたは上記
コンピュータで格納したデータを読み取れる別のコンピ
ュータ上にニューラルネットワーク５１を持たせ、その
ニューラルネットワークに入力するデータを０以上１以
下又は−１以上１以下の値に正規化する手段、この正規
化したデータをニューラルネットワークに学習させる手
段、ニューラルネットワークからの出力を人間が理解で
きる絶対値に変換する手段、更には、オペレータ（ユー
ザ）とニューラルネットワークとの会話をするためのデ
ータ入力と表示の機能をコンピュータに持たせ、過去の
成膜に基づく前記成膜パラメータの１つを基準成膜パラ
メータに、またこの基準成膜パラメータによって得られ
た膜質データを基準膜質データに夫々設定し、予め過去
の複数の成膜結果についての膜質データと基準膜質デー
タとの差（膜質調節量データΔ２３）を入力データ（入
力パターン４５Ｂ）、該膜質データに対応する成膜パラ
メータと基準成膜パラメータとの差（成膜パラメータ調
節量データΔ２２）を教師データ（教師パターン４５
Ｃ）として前記ニューラルネットワーク５１に学習を行
わせ、この学習済のニューラルネットワークへ、目標の
前記膜質データと前記基準膜質データとの差を入力し
て、このニューラルネットワークから前記目標膜質デー
タを得る成膜パラメータと前記基準成膜パラメータとの
差（予測成膜パラメータ調整量）を指示出力させる。

【０００７】

【実施例】以下、図１ないし図６を参照して本発明の実
施例を説明する。図１は本発明の一実施例としてのニュ
ーラルネットワークを用いた成膜パラメータ調整量指示
システムを備えてなるＥＣＲプラズマＣＶＤ方式の半導
体製造装置のシステム構成図である（なおＥＣＲは電子
サイクロトロン共鳴、ＣＶＤは化学的気相成長法の略記
である）。

【０００８】図１において、コンピュータ１は成膜パラ
メータ調整量指示システムの処理を実行するコンピュー
タであり、このコンピュータ１にはキーボード２，ＣＲ
Ｔ３，補助記憶装置４，半導体製造装置７が接続されて
いる。補助記憶装置４内には過去の成膜結果を記録した
成膜データ４Ａと、成膜データ４Ａを学習させたニュー
ラルネットワークの各種データを記録したネットワーク
データ４Ｂとが格納されている。

【０００９】また、コンピュータ１内にはニューラルネ
ットワークの学習及び認識を高速に行うためのハードウ
ェアとしてのニューラルネットワークボード５が組み込
まれている。またコンピュータ１内の成膜条件調整量指
示手段１Ａおよび半導体製造装置制御手段６はこのコン
ピュータ１の機能の一部を分担すると見做したときの主
要な部分機能部（ソフトウェア）である。

【００１０】ここで成膜条件調整量指示手段１Ａは、成
膜データ４Ａを学習させたニューラルネットワークを用
いてなる成膜パラメータ調整量指示システムを介しオペ
レータにより入力された膜質調整量データに対してこれ
を実現するための適切な成膜パラメータ調整量データを
出力する。また半導体製造装置制御手段６は前記のよう
に出力された成膜パラメータ調整量データ等を用いて半
導体製造装置７を制御し成膜を実行する。

【００１１】図２はＥＣＲプラズマＣＶＤ装置における
シリコン窒化膜（ＳｉＮ膜）の成膜データ４Ａの構造を
示す。図２において、成膜データ４Ａはシリコン基板の
番号２１ごとに、成膜パラメータデータ２２と膜質デー
タ２３との組み合わせからなるデータが過去に成膜した
分だけ配列されて構成されている。即ち各成膜データは
固有の基板番号２１で区別され、基板番号２１により一
義的に成膜データが検索できるようになっている。

【００１２】成膜パラメータデータ２２はＥＣＲプラズ
マＣＶＤ装置の制御可能な ・窒素（Ｎ２）ガス流量２２Ａ、 ・シラン（ＳｉＨ４）ガス流量２２Ｂ、 ・反応室圧力２２Ｃ、 ・マイクロ波電力２２Ｄ、 ・ソレノイドコイル電流２２Ｅ、 ・成膜時間２２Ｆ、 ・基板印加交流電力２２Ｇ、 の７項目より構成されている。

【００１３】膜質データ２３は成膜パラメータデータ２
２の条件で成膜されたシリコン窒化膜の各種膜質評価結
果であり、 ・成膜速度２３Ａ、 ・面内膜厚分布２３Ｂ、 ・膜硬度２３Ｃ、 ・屈折率２３Ｄ、 ・残留応力２３Ｅ、 ・エッチング速度２３Ｆ、 の６項目より構成されている。

【００１４】本発明における成膜パラメータ調整量指示
システムでは、過去の成膜結果である成膜データ４Ａの
中から、全ての膜質項目が目標膜質に最も近い成膜デー
タを１件選択して基準成膜データ４ＡＳとする。そし
て、各成膜データ４Ａから基準成膜データ４ＡＳを引い
て求めた膜質調整量データΔ２３と成膜パラメータ調整
量Δ２２を−１以上１以下に正規化し、この正規化され
た値をそれぞれ入力パタンと教師パタンとしてニューラ
ルネットワークの入力側と出力側に提示し、一定回数学
習させたニューラルネットワークを用いる。

【００１５】ニューラルネットワークの学習は、全ての
学習パタン（ここで学習パタンとは入力パタンと教師パ
タンの組み合わせである）において入力パタンに対する
ニューラルネットワークの出力と教師パタンとの差（誤
差）ができる限り小さくなるように、しきい値を重みを
調整する。ここでしきい値とはニューラルネットワーク
を構成する各ニューロンの入出力特性を表すパラメータ
であり、重みとはニューロン間の結合の強さを表すパラ
メータである。ニューラルネットワークの学習は出力と
教師パタンとの差（誤差）が或る基準値以下になる回数
まで、あるいは一定学習回数だけ行う。

【００１６】学習によって得られたしきい値，重みは学
習したニューラルネットワーク毎にネットワークファイ
ル４１としてネットワークデータ４Ｂ内に記録してお
く。図３はネットワークファイル４１の構造を示す。図
３において、ネットワークファイル４１はニューラルネ
ットワークの構造を示す層数及び各層のニューロン数を
定義したネットワーク構造４２、学習によって得られた
しきい値４３、重み４４、学習に用いた複数の学習パタ
ン４５で構成されている。

【００１７】学習パタン４５は基板番号２１，入力パタ
ン４５Ｂ，教師パタン４５Ｃで構成されている。基板番
号２１は成膜データ４Ａの基板番号と共通になってお
り、成膜データ４Ａのうち、どのデータをニューラルネ
ットワークに学習させたか分かるようになっている。次
に本発明の具体的実施例を以下に説明する。

【００１８】図４は成膜パラメータ調整量指示システム
で用いるニューラルネットワークの構成及びこのニュー
ラルネットワークに呈示する、学習パタンの作成の流れ
を示す。本発明で使用しているニューラルネットワーク
５１は入力層５２，中間層５３，出力層５４の３層構造
であり、この各層５２，５３，５４のニューロン数はそ
れぞれ３個，８個，３個である。

【００１９】本発明の実施対象であるＥＣＲプラズマＣ
ＶＤ装置には、図２で述べたように７項目の制御可能な
成膜パラメータ２２があり、この場合、ニューラルネッ
トワーク５１に学習させるデータには成膜データ４Ａか
ら窒素ガス流量２２Ａ，シランガス流量２２Ｂ，基板印
加交流電力２２Ｇ以外の成膜パラメータデータ値が夫々
全て同一である成膜データ４Ａを取り出して作成した成
膜データファイル４ＡＦを用いる。

【００２０】即ち成膜データファイル４ＡＦは、成膜パ
ラメータデータである窒素ガス流量２２Ａ，シランガス
流量２２Ｂ，基板印加交流電力２２Ｇと、これに対応す
る膜質データである屈折率２３Ｄ，残留応力２３Ｅ，エ
ッチング速度２３Ｆとからなる成膜データ４Ａ（１組
分）が複数（ｎ）組集まったものとして構成される。こ
こで、成膜データファイル４ＡＦ内に屈折率２３Ｄ，残
留応力２３Ｅ，エッチング速度２３Ｆが夫々全て同一値
である成膜データ４Ａが存在すれば、その中から１件の
みを選択して学習パタンにする（何となれば同一の入力
パタンに対して、複数の異なる教師パタンを学習させる
ことはできないからである）。

【００２１】また、成膜データファイル４ＡＦの目標膜
質データに最も近い膜質データを持つ成膜データ４Ａの
１件（１組）を基準成膜データ４ＡＳとする。次に、調
整量規格化方法Ｎを用い、成膜データファイル４ＡＦ内
の１組づつの成膜データ４Ａと基準成膜データ４ＡＳの
差（つまり膜質データ２３の差としての膜質調整量デー
タΔ２３と成膜パラメータデータ２２の差としての成膜
パラメータデータ調整量Δ２２）を−１以上１以下に正
規化した学習パタン４５を作成する。

【００２２】調整量規格化方法Ｎでは、窒素ガス流量２
２Ａ，シランガス流量２２Ｂ，基板印加交流電力２２
Ｇ，屈折率２３Ｄ，残留応力２３Ｅ，エッチング速度２
３Ｆにについての上述の調整量に対してそれぞれ調整量
規格化方法Ｎ２Ａ，Ｎ２Ｂ，Ｎ２Ｇ，Ｎ３Ｄ，Ｎ３Ｅ，
Ｎ３Ｆを用い−１以上１以下に正規化する。調整量規格
化方法Ｎ２Ａ，Ｎ２Ｂ，Ｎ２Ｇ，Ｎ３Ｄ，Ｎ３Ｅ，Ｎ３
Ｆはそれぞれ Ｙ２２Ａ＝ｆ_N2A （Ｘ２２Ａ−Ｘ２２ＡＳ）（調整量規
格化方法Ｎ２Ａ）、 Ｙ２２Ｂ＝ｆ_N2B （Ｘ２２Ｂ−Ｘ２２ＢＳ）（調整量規
格化方法Ｎ２Ｂ）、 Ｙ２２Ｇ＝ｆ_N2G （Ｘ２２Ｇ−Ｘ２２ＧＳ）（調整量規
格化方法Ｎ２Ｇ）、 Ｙ２３Ｄ＝ｆ_N3D （Ｘ２３Ｄ−Ｘ２３ＤＳ）（調整量規
格化方法Ｎ３Ｄ）、 Ｙ２３Ｅ＝ｆ_N3E （Ｘ２３Ｅ−Ｘ２３ＥＳ）（調整量規
格化方法Ｎ３Ｅ）、 Ｙ２３Ｆ＝ｆ_N3F （Ｘ２３Ｆ−Ｘ２３ＦＳ）（調整量規
格化方法Ｎ３Ｆ）、 で表すことができる。

【００２３】ここでＸ２２Ａ，Ｘ２２Ｂ，Ｘ２２Ｇ，Ｘ
２３Ｄ，Ｘ２３Ｅ，Ｘ２３Ｆはそれぞれ成膜データファ
イル４ＡＦ内の成膜データの組ごとの窒素ガス流量２２
Ａ，シランガス流量２２Ｂ，基板印加交流電力２２Ｇ，
屈折率２３Ｄ，残留応力２３Ｅ，エッチング速度２３Ｆ
の値であり、Ｘ２２ＡＳ，Ｘ２２ＢＳ，Ｘ２２ＧＳ，Ｘ
２３ＤＳ，Ｘ２３ＥＳ，Ｘ２３ＦＳはそれぞれ基準成膜
データ４ＡＳの窒素ガス流量２２Ａ，シランガス流量２
２Ｂ，基板印加交流電力２２Ｇ，屈折率２３Ｄ，残留応
力２３Ｅ，エッチング速度２３Ｆの値である。

【００２４】なお便宜上、上記の式中の成膜データの差
を、 Ｘ２２Ａ−Ｘ２２ＡＳ＝Δ２２Ａ （窒素ガス流量調整
量）、 Ｘ２２Ｂ−Ｘ２２ＢＳ＝Δ２２Ｂ （シランガス流量調
整量）、 Ｘ２２Ｇ−Ｘ２２ＧＳ＝Δ２２Ｇ （基板印加交流電力
調整量）、 Ｘ２３Ｄ−Ｘ２３ＤＳ＝Δ２３Ｄ （屈折率調整量）、 Ｘ２３Ｅ−Ｘ２３ＥＳ＝Δ２３Ｅ （残留応力調整
量）、 Ｘ２３Ｆ−Ｘ２３ＦＳ＝Δ２３Ｆ （エッチング速度調
整量）、 のように定義し、Δ２２Ａ〜Δ２２Ｆを総括して成膜パ
ラメータ調整量Δ２２といい、Δ２３Ｄ〜Δ２３Ｆを総
括して膜質調整量データΔ２３という。

【００２５】次に前記のｆ_N2A ，ｆ_N2B ，ｆ_N2G ，ｆ
_N3D ，ｆ_N3E ，ｆ_N3F はそれぞれ窒素ガス流量調整量，
シランガス流量調整量，基板印加交流電力調整量，屈折
率調整量，残留応力調整量，エッチング速度調整量を−
１以上１以下に正規化する関数である。また前記のＹ２
２Ａ，Ｙ２２Ｂ，Ｙ２２Ｇ，Ｙ２３Ｄ，Ｙ２３Ｅ，Ｙ２
３Ｆはそれぞれニューラルネットワーク５１に提示する
（正規化された）窒素ガス流量調整量，シランガス流量
調整量，基板印加交流電力調整量，屈折率調整量，残留
応力調整量，エッチング速度調整量の値である。

【００２６】ニューラルネットワーク５１には、入力パ
タンとして屈折率調整量Ｙ２３Ｄ，残留応力調整量Ｙ２
３Ｅ，エッチング速度調整量Ｙ２３Ｆをそれぞれ入力ニ
ューロン５２Ａ，５２Ｂ，５２Ｃに呈示し、教師パタン
として窒素ガス流量調整量Ｙ２２Ａ，シランガス流量調
整量Ｙ２２Ｂ，基板印加交流電力調整量Ｙ２２Ｇをそれ
ぞれ出力ニューロン５４Ａ，５４Ｂ，５４Ｃに呈示して
学習させる。

【００２７】この学習を行った、ニューラルネットワー
ク５１は入力ニューロン５２Ａ，５２Ｂ，５２Ｃにそれ
ぞれ調整量規格化方法Ｎ３Ｄ，Ｎ３Ｅ，Ｎ３Ｆで正規化
した屈折率調整量，残留応力調整量，エッチング速度調
整量を入力することにより、出力ニューロン５４Ａ，５
４Ｂ，５４Ｃからそれぞれ窒素ガス流量調整量，シラン
ガス流量調整量，基板印加交流電力調整量の正規化され
た値（後述のＯ２２Ａ，Ｏ２２Ｂ，Ｏ２２Ｇ）を出力す
るようになる。

【００２８】次に、成膜パラメータ調整量指示システム
に用いるニューラルネットワーク５１の学習の流れを図
５を用いて説明する。ニューラルネットワーク５１の学
習には、図４で述べた成膜データファイル４ＡＦの複数
（ｎ）組の成膜データ、即ち成膜データ４Ａのうち学習
パタン採用条件を満たす全て（つまり前記ｎ組）の成膜
データを用いる。

【００２９】ニューラルネットワーク５１には、学習さ
せるｎ組の成膜データ４Ａと基準成膜データ４ＡＳとの
差を前述の調整量規格化方法Ｎ２ＡからＮ２Ｆで正規化
して作成した複数（ｎ）組の学習パタン４５（学習パタ
ン４５（１）から学習パタン４５（ｎ））を学習させ
る。学習はニューラルネットワーク５１の重み４４とし
きい値４３に乱数を与えて初期化してから開始する。そ
してまず、入力ニューロン５２Ａ，５２Ｂ，５２Ｃにそ
れぞれ学習パタン４５（１）の入力パタン４５Ｂ（１）
としてのＹ２３Ｄ（１），Ｙ２３Ｅ（１），Ｙ２３Ｆ
（１）を入力し、出力ニューロン５４Ａ，５４Ｂ，５４
Ｃからそれぞれ出力パタン４５Ｏ（１）としてのＯ２２
Ａ（１），Ｏ２２Ｂ（１），Ｏ２２Ｇ（１）を得る。

【００３０】次に、学習パタン４５（１）に対するこの
出力パタンＯ２２Ａ（１），Ｏ２２Ｂ（１），Ｏ２２Ｇ
（１）と教師パタン４５Ｃ（１）としてのＹ２２Ａ
（１），Ｙ２２Ｂ（１），Ｙ２２Ｇ（１）から、誤差４
５Ｅ（１）としての窒素ガス流量調整量誤差Ｅ２２Ａ
（１），シランガス流量調整量誤差Ｅ２２Ｂ（１），基
板印加交流電力調整量誤差Ｅ２２Ｇ（１）を求める。こ
の誤差Ｅ２２Ａ（１），Ｅ２２Ｂ（１），Ｅ２２Ｇ
（１）はそれぞれ、 Ｅ２２Ａ（１）＝Ｏ２２Ａ（１）−Ｙ２２Ａ（１）…
（学習パタン４５（１）に対する窒素ガス流量調整量誤
差）、 Ｅ２２Ｂ（１）＝Ｏ２２Ｂ（１）−Ｙ２２Ｂ（１）…
（学習パタン４５（１）に対するシランガス流量調整量
誤差）、 Ｅ２２Ｇ（１）＝Ｏ２２Ｇ（１）−Ｙ２２Ｇ（１）…
（学習パタン４５（１）に対する基板印加交流電力調整
量誤差）、 で求められる。

【００３１】そして、Ｅ２２Ａ（１），Ｅ２２Ｂ
（１），Ｅ２２Ｇ（１）の２乗和Ｅｓｑｒ（１）を下記
のように求める。即ち、 Ｅｓｑｒ（１）＝Ｅ２２Ａ（１）² ＋Ｅ２２Ｂ（１）²
＋Ｅ２２Ｇ（１）² …（学習パタン４５（１）に対する
誤差２乗和）。 このようにして学習パタン４５（１）の誤差２乗和Ｅｓ
ｑｒ（１）を求めたら、学習パタン４５（２）から学習
パタン４５（ｎ）に対しても、夫々の誤差２乗和（Ｅｓ
ｑｒ（２）からＥｓｑｒ（ｎ））を求める。

【００３２】このように学習パタン４５（１）から学習
パタン４５（ｎ）の誤差２乗和を求めたら、誤差２乗和
の総和ＴＥｓｑｒを下記のように求める。即ち、 ＴＥｓｑｒ＝ _j=1Σⁿ Ｅｓｑｒ（ｊ） こうして誤差２乗和の総和ＴＥｓｑｒを求めたら、誤差
２乗和の総和ＴＥｓｑｒが減少するように、ニューラル
ネットワーク５１の重みとしきい値の調整量を求めて調
整する。

【００３３】以上、全ての学習パタンの呈示から重みと
しきい値の調整までが１回の学習であり、本発明で用い
るニューラルネットワーク５１では５００００回学習さ
せている。また、全ての学習パタン（学習パタン４５
（１）から学習パタン４５（ｎ））に対する窒素ガス流
量調整量誤差（Ｅ２２Ａ（１）からＥ２２Ａ（ｎ））、
シランガス流量調整量誤差（Ｅ２２Ｂ（１）からＥ２２
Ｂ（ｎ））、基板印加交流電力調整量誤差（Ｅ２２Ｇ
（１）からＥ２２Ｇ（ｎ））の全てが０．０１以下にな
れば学習を終了している。

【００３４】次に学習を行ったニューラルネットワーク
５１を用いて屈折率，残留応力，エッチング速度それぞ
れの調整量を含む膜質調整量データΔ２３から窒素ガス
流量，シランガス流量，基板印加交流電力それぞれの調
整量を含む予測成膜パラメータ調整量を指示する成膜パ
ラメータ調整量指示システムを図６を用いて説明する。

【００３５】このシステムは膜質調整量データ入力部８
１，入力データ判定部８２，入力パタン規格化部８３，
認識部８４，出力パタン変換部８５，予測成膜パラメー
タ調整量表示部８６から構成されている。膜質調整量デ
ータ入力部８１では、オペレータより指示された膜質調
整量データΔ２３を受け取る。膜質調整量データΔ２３
は屈折率調整量Δ２３Ｄ，残留応力調整量Δ２３Ｅ，エ
ッチング速度調整量Δ２３Ｆで構成されている。

【００３６】入力データ判定部８２では、受け取った膜
質調整量データΔ２３の各項目が本システムの有効範囲
内であるか否かを判定する。すなわち入力された屈折率
調整量Δ２３Ｄ，残留応力調整量Δ２３Ｅ，エッチング
速度調整量Δ２３Ｆの全てが夫々本システムの有効範囲
内にあれば次の入力パタン規格化部８３に進み、１項目
でも範囲外のデータがあれば予測不可能として、本シス
テムを終了する。

【００３７】入力パタン規格化部８３では、受け取った
膜質調整量データΔ１２を調整量規格化方法Ｎ３Ｄ（屈
折率調整量の正規化），Ｎ３Ｅ（残留応力調整量の正規
化），Ｎ３Ｆ（エッチング速度調整量の正規化）を用い
てニューラルネットワーク５１に入力するパタン４５Ｂ
を作成する。入力パタン４５Ｂは規格化後屈折率調整量
Ｙ２３Ｄ，規格化後残留応力調整量Ｙ２３Ｅ，規格化後
エッチング速度調整量Ｙ２３Ｆで構成される。

【００３８】認識部８４では、入力パタン４５Ｂをニュ
ーラルネットワーク５１に入力し出力パタン４５Ｏを得
る。出力パタン４５Ｏは変換前窒素ガス流量調整量Ｏ２
２Ａ，変換前シランガス流量調整量Ｏ２２Ｂ，変換前基
板印加交流電力調整量Ｏ２２Ｇで構成される。出力パタ
ン変換部８５では、夫々変換前窒素ガス流量調整量Ｏ２
２Ａ，変換前シランガス流量調整量Ｏ２２Ｂ，変換前基
板印加交流電力調整量Ｏ２２Ｇに対してそれぞれ変換方
法８５Ａ，８５Ｂ，８５Ｇを用いて予測成膜パラメータ
調整量Δ２２を求める。予測成膜パラメータ調整量Δ２
２は予測窒素ガス流量調整量Δ２２Ａ，予測シランガス
流量調整量Δ２２Ｂ，予測基板印加交流電力調整量Δ２
２Ｇで構成される。

【００３９】変換方法８５Ａ，８５Ｂ，８５Ｇはそれぞ
れ前述の規格化方法Ｎ２Ａ（窒素ガス流量調整量の正規
化），Ｎ２Ｂ（シランガス流量調整量の正規化），Ｎ２
Ｇ（基板印加交流電力調整量の正規化）とは逆の変換で
あり、 Δ２３Ａ＝ｆ^-1 _N3A （Ｏ２３Ａ）（変換方法８５Ａ）、 Δ２３Ｂ＝ｆ^-1 _N3B （Ｏ２３Ｂ）（変換方法８５Ｂ）、 Δ２３Ｇ＝ｆ^-1 _N3G （Ｏ２３Ｇ）（変換方法８５Ｇ）、 である。

【００４０】成膜パラメータ調整量表示部８６では、予
測成膜パラメータ調整量Δ２２を構成する窒素ガス流量
調整量Δ２２Ａ、シランガス流量調整量Δ２２Ｂ、基板
印加交流電力調整量Δ２２Ｇを表示し、本システムを終
了する。

【００４１】

【発明の効果】本発明によれば、過去の成膜に基づく成
膜データのうち目標の膜質データに近い膜質データを持
つ成膜データを基準として膜質調整量（つまりこの基準
成膜データ中の基準膜質データと目標膜質データとの
差）をコンピュータ（のニューラルネットワーク）に入
力することにより、コンピュータから目標膜質データを
得るための予測成膜パラメータ調整量（つまり基準成膜
データ内の基準成膜パラメータデータと予測成膜パラメ
ータデータとの差）を出力させるようにし、この半導体
製造装置を用いて各種成膜パラメータを調整して、実際
に成膜を行い、所望の膜質に対する最適な成膜パラメー
タを捜し出すことと同等の作業を、コンピュータ上で短
時間のうちに実現できるようにしたため、半導体製造装
置プロセス開発の短縮化，低コスト化が期待できる。

【図面の簡単な説明】

【図１】本発明の実施例としてのシステム構成図

【図２】同じく成膜データの構成図

【図３】同じくネットワークファイルの構成図

【図４】成膜パラメータ調整量指示システムで用いるニ
ューラルネットワークの構成及びニューラルネットワー
クに呈示する学習パターン作成の流れを示す図

【図５】成膜パラメータ調整量指示システムで用いるニ
ューラルネットワークの学習の流れを示す図

【図６】成膜パラメータ調整量指示システムの動作を示
すフローチャート

【符号の説明】

１ コンピュータ １Ａ 成膜条件調整量指示手段 ２ キーボード ３ ＣＲＴ ４ 補助記憶装置 ４Ａ 成膜データ ４ＡＦ 成膜データファイル ４Ｂ ネットワークデータ ５ ニューラルネットワークボード ６ 半導体製造装置制御手段 ７ 半導体製造装置 ２１ 基板番号 ２２（２２Ａ〜２２Ｇ） 成膜パラメータデータ ２２Ａ 窒素ガス流量 ２２Ｂ シランガス流量 ２２Ｃ 反応室応力 ２２Ｄ マイクロ波電力 ２２Ｅ ソレノイドコイル電流 ２２Ｆ 成膜時間 ２２Ｇ 基板印加交流電力 Ｙ２２（Ｙ２２Ａ〜Ｙ２２Ｇ） 規格化後成膜パラメー
タ調整量データ Ｙ２２Ａ 規格化後窒素ガス流量調整量 Ｙ２２Ｂ 規格化後シランガス流量調整量 Ｙ２２Ｇ 規格化後基板印加交流電力調整量 Ｏ２２Ａ 変換前窒素ガス流量調整量 Ｏ２２Ｂ 変換前シランガス流量調整量 Ｏ２２Ｇ 変換前基板印加交流電力調整量 Δ２２（Δ２２Ａ〜Δ２２Ｇ） 成膜パラメータ調整量 Δ２２Ａ 窒素ガス流量調整量 Δ２２Ｂ シランガス流量調整量 Δ２２Ｇ 基板印加交流電力調整量 ２３（２３Ａ〜２３Ｅ） 膜質データ ２３Ａ 成膜速度 ２３Ｂ 面内膜厚分布 ２３Ｃ 膜硬度 ２３Ｄ 屈折率 ２３Ｅ 残留応力 ２３Ｆ エッチング速度 Ｙ２３（Ｙ２３Ｄ〜Ｙ２３Ｆ） 規格化後膜質調整量デ
ータ Ｙ２３Ｄ 規格化後屈折率調整量 Ｙ２３Ｅ 規格化後残留応力調整量 Ｙ２３Ｆ 規格化後エッチング速度調整量 Δ２３（Δ２３Ｄ〜Δ２３Ｆ） 膜質調整量データ Δ２３Ｄ 屈折率調整量 Δ２３Ｅ 残留応力調整量 Δ２３Ｆ エッチング速度調整量 ４１ ネットワークファイル ４２ ネットワーク構造 ４３ しきい値 ４４ 重み ４５ 学習パターン ４５Ｂ（４５Ｂ（１）〜４５Ｂ（ｎ）） 入力パターン ４５Ｃ（４５Ｃ（１）〜４５Ｃ（ｎ）） 教師パターン ４５Ｏ（１） 出力パターン ４５Ｅ（１） 誤差 Ｅｓｑｒ（１） 誤差２乗和 ＴＥｓｑｒ 誤差２乗和総和 ５１ 成膜パラメータ調整量指示システム用ニューラ
ルネットワーク ５２ 入力層 ５２Ａ 入力ニューロン ５２Ｂ 入力ニューロン ５２Ｃ 入力ニューロン ５３ 中間層 ５４ 出力層 ５４Ａ 出力ニューロン ５４Ｂ 出力ニューロン ５４Ｃ 出力ニューロン Ｎ 調整量規格化方法 Ｎ２Ａ 窒素ガス流量調整量用規格化方法 Ｎ２Ｂ シランガス流量調整量用規格化方法 Ｎ２Ｇ 基板印加交流電力調整量用規格化方法 Ｎ３Ｄ 屈折率調整量用規格化方法 Ｎ３Ｅ 残留応力調整量用規格化方法 Ｎ３Ｆ エッチング速度用調整量規格化方法

Claims (1)

【特許請求の範囲】
1. 【請求項１】成膜用ガスの種類および流量並びにこの種
   類および流量の組合せ，成膜温度，圧力，プラズマ条件
   などの条件項目を成膜パラメータとして成膜し、その成
   膜結果が膜の硬さ，残留応力，屈折率，エッチング速
   度，膜厚およびこの膜厚の均一性などの評価項目からな
   る膜質データによって評価される半導体製造装置におい
   て、 １または複数のニューラルネットワークを設け、 過去の成膜に基づく前記成膜パラメータの１つを基準成
   膜パラメータに、またこの基準成膜パラメータによって
   得られた前記膜質データを基準膜質データに夫々設定
   し、 予め過去の複数の成膜結果についての前記膜質データと
   前記基準膜質データとの差を入力データ、該膜質データ
   に対応する成膜パラメータと前記基準成膜パラメータと
   の差を教師データとして前記ニューラルネットワークに
   学習を行わせ、 この学習済のニューラルネットワークへ、目標の前記膜
   質データと前記基準膜質データとの差を入力して、この
   ニューラルネットワークから前記目標膜質データを得る
   成膜パラメータと前記基準成膜パラメータとの差を指示
   出力させるようにしたことを特徴とする学習指示機能付
   半導体製造装置。