JPH06224126A

JPH06224126A - 半導体製造装置の膜質予測装置

Info

Publication number: JPH06224126A
Application number: JP50A
Authority: JP
Inventors: Tatsuya Furui; 達也古井; Mitsuhiro Nakamura; 光宏中村
Original assignee: Fuji Electric Co Ltd
Current assignee: Fuji Electric Co Ltd
Priority date: 1993-01-25
Filing date: 1993-01-25
Publication date: 1994-08-12

Abstract

(57)【要約】【目的】同一仕様の２台の半導体製造装置の成膜プロセ
スデータを混在させてニューラルネットワークに学習さ
せることで２台目の装置には学習用成膜プロセスデータ
を少数用意するのみで膜質予測を可能にする。【構成】成膜データ４Ａは１台目（旧）の半導体製造装
置には多数の学習用成膜パラメータデータ２３，膜質デ
ータ２４が用意されているが２台目（新）の装置には学
習用データ２３，２４の用意の数は少ないものとする。
本発明ではこの新旧装置の学習用データ２３，２４に装
置の新旧の識別データ２１を付した成膜データ４Ａを正
規化手段４６を経てニューラルネットワーク３１に学習
させる。そして学習済のニューラルネットワーク３１’
に新装置の識別データ２１と成膜パラメータデータ２３
とを呈示し、新装置によって、この成膜条件２３で得ら
れる予測膜質データ４７をこのニューラルネットワーク
３１’から出力させる。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、半導体ウェハに対して
膜付けする半導体製造装置で得られる膜質データをニュ
ーラルネットワークを用い成膜条件として成膜パラメー
タから予測する装置に関する。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】従来この種の半導体製造装置で得られる
膜質データを予測する方法としては、本出願人の先願に
なる特願平３−２９９３２６号や特願平４−８０１０１
号に示すように、予め当該の半導体製造装置で過去に行
われた成膜における成膜パラメータとその成膜結果の膜
質データとをニューラルネットワークに学習させること
により、学習したニューラルネットワークから新たな成
膜パラメータにおいて当該の半導体製造装置で得られる
膜質を予測する方法がある。

【０００３】

【発明が解決しようとする課題】しかしながら同じ仕様
の半導体製造装置においても、コストダウン等のために
細部の設計変更や構造部品の組み立てばらつきや誤差に
より、同じ成膜条件でも膜質データが異なることが多
い。そのため、従来の技術では成膜条件から膜質を予測
するには、各半導体製造装置ごとにニューラルネットワ
ークに学習させる成膜プロセスデータを多数取る必要が
あり、手間がかかるという問題があった。そこで本発明
はこの問題を解消できる半導体製造装置の膜質予測装置
を提供することを課題とする。

【０００４】

【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、請求項１の膜質予測装置は、成膜用ガスの種類や
流量，成膜温度，圧力などの条件項目を成膜パラメータ
（２３など）として成膜し、その成膜結果が膜の屈折
率，残留応力，エッチング速度などの評価項目からなる
膜質データ（２４など）によって評価される半導体製造
装置において、２種類の類似の半導体製造装置（７，
７’など）の過去の成膜結果についての前記成膜パラメ
ータを夫々その成膜が行われた半導体製造装置を識別す
る装置識別データ（２１など）と共に入力データとし、
この入力データに対応する前記膜質データを教師データ
として１または複数のニューラルネットワーク（３１な
ど）に学習を行わせ、この学習済のニューラルネットワ
ーク（３１’など）にこれから成膜するための前記成膜
パラメータとこの成膜を行わせる半導体製造装置の装置
識別データを入力することにより、このニューラルネッ
トワークからこの入力条件に対応する成膜結果の膜質デ
ータを予測出力させるようにする。

【０００５】

【作用】新たに半導体製造装置（新装置と呼ぶ）を製作
した場合に、新装置と同じ仕様の既存の装置（既存装置
と呼ぶ）で得られた成膜プロセスデータと新装置で得ら
れた成膜プロセスデータとを混在させてニューラルネッ
トワークに学習させることにより、新装置の成膜プロセ
スデータを少数用意するのみで、新装置で成膜した結果
の膜質データを予測することができるようにする。

【０００６】図１は本発明の機能構成図である。即ち成
膜パラメータデータ２３と装置識別データ２１を入力と
し、膜質データ２４を出力とすべきニューラルネットワ
ーク（膜質予測ニューラルネットワーク）３１に、予め
既存装置と新装置から得られた成膜プロセスデータ（成
膜パラメータデータ２３および膜質データ２４）と装置
識別データ２１を学習データとして学習を行わせ、この
学習済のニューラルネットワーク（膜質予測ニューラル
ネットワーク）３１’にこれから成膜する半導体製造装
置の装置識別データ２１と成膜するための成膜パラメー
タデータ２３を入力することにより、このニューラルネ
ットワーク３１’から、その半導体製造装置での成膜条
件２３に対する膜質データ２４を予測出力させるように
する。

【０００７】このように本発明では既存装置と新装置か
ら得られた成膜プロセスデータをニューラルネットワー
クの学習に使用する。ニューラルネットワークの学習で
は、成膜パラメータデータ２３と装置の違いを示す装置
識別データ２１を入力層の各ニューロンに入力し、膜質
データ２４を出力層の各ニューロンに入力する。以降、
装置識別データ２１を入力するニューロンを装置識別入
力ニューロンと記述する。装置識別データ２１は、新装
置では１、既存装置では０とする。学習中の装置識別入
力ニューロンと中間層のニューロンの結合の強さの調整
量は装置識別データ２１に比例するので、新装置と既存
装置との違いを学習する。また、成膜パラメータデータ
２３の伝達経路は新装置と既存装置で同じであるので、
既存装置の成膜プロセスデータが数多くあれば、新装置
の成膜プロセスデータが少なくても、各成膜パラメータ
データ２３と各膜質データ２４の関係を学習できる。従
って、既存装置の膜質プロセスデータが数多くあれば、
新装置の成膜プロセスデータを少数用意し、両者を混在
させて学習させることにより、新装置で成膜した結果の
膜質データ２４を予測するニューラルネットワークを作
成することができる。

【０００８】

【実施例】以下図２ないし図８を参照して本発明の実施
例を説明する。図２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ＥＣＲプラズマＣＶＤ装置
の膜質予測システムの構成図である。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。図２において、コンピュータ１は膜質予測シ
ステムを実行するコンピュータであり、このコンピュー
タ１はキーボード２、ＣＲＴ３、補助記憶装置４、半導
体製造装置７、半導体製造装置７’が接続されている。

【０００９】なお、半導体製造装置７’は、

【作用】に示す既存装置に該当し、この装置では、既に
数多くの成膜実験が行われており、成膜プロセスデータ
が数多くあるものとする。

【００１０】また、半導体製造装置７は、

【作用】に示す新装置に該当し半導体製造装置７’と同
じ仕様で新たに製作した半導体製造装置であり、膜質予
測システムの予測対象となる半導体製造装置である。補
助記憶装置４内には、半導体製造装置７と半導体製造装
置７’の成膜データ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。

【００１１】また、コンピュータ１内にはニューラルネ
ットワークの学習およ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内の膜質予測手段
１Ａは、このコンピュータ１の本発明における主要機能
部である。この膜質予測手段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、オペレー
タにより入力された成膜パラメータデータに対して半導
体製造装置７で成膜した結果の膜質データを予測し出力
する。

【００１２】なお、半導体製造装置７および半導体製造
装置７’は、コンピュータ１内の半導体製造装置制御手
段６により制御される。図３はＥＣＲプラズマＣＶＤ装
置におけるシリコン酸化膜（ＳｉＯ膜）の成膜データ４
Ａの構造を示す。同図において、成膜データ４Ａは装置
識別データ２１、基板番号２２、成膜パラメータデータ
２３、膜質データ２４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。

【００１３】各成膜データ４Ａは固有の基板番号２２で
区別され、基板番号２２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。また、装置識別データ２１
は、半導体製造装置７と半導体製造装置７’のどちらの
半導体製造装置で得られた成膜データであるかを示し、
半導体製造装置７から得られた成膜データであれば１、
半導体製造装置７’から得られた成膜データであれば０
としている。

【００１４】成膜パラメータデータ２３は、この例でＥ
ＣＲプラズマＣＶＤ装置の制御可能な・酸素（Ｏ₂）ガス流量２３Ａ、・シラン（ＳｉＨ₄）ガス流量２３Ｂ、・反応室圧力２３Ｃ、・マイクロ波電力２３Ｄ、・ソレノイドコイル電流２３Ｅ、・基板印加交流電力２３Ｆ、・成膜時間２３Ｇ、の７項目より構成されている。

【００１５】また、膜質データ２４は、成膜パラメータ
データ２３の条件で成膜されたシリコン酸化膜の各種膜
質評価結果であり、この例では・屈折率２４Ａ、・残留応力２４Ｂ、・エッチング速度２４Ｃ、・成膜速度２４Ｄ、・面内膜厚分布２４Ｅ、・膜硬度２４Ｆ、の６項目より構成されている。

【００１６】図４は、膜質予測システムで用いる膜質予
測ニューラルネットワーク３１の構造を示す。膜質予測
ニューラルネットワーク３１は３層構造であり、入力層
３２、中間層３３、出力層３４のニューロン数はそれぞ
れ７個、２０個、３個である。本発明に関わるＥＣＲプ
ラズマＣＶＤ装置には、図３で述べたように７項目の制
御可能な成膜パラメータがある。膜質予測ニューラルネ
ットワーク３１では成膜パラメータデータ２３のうち成
膜時間２３Ｇ以外の６項目（２３Ａ〜２３Ｆ）と装置識
別データ２１を入力項目としており、また、膜質データ
２４のうちの屈折率２４Ａ、残留応力２４Ｂ、エッチン
グ速度２４Ｃを出力項目としている。

【００１７】図５は、成膜データ４Ａから膜質予測ニュ
ーラルネットワーク３１に学習させる学習パタン４１の
作成の流れを示す。ここで学習パタン（ニューラルネッ
トワークの入力側に呈示する入力パタンと出力側に呈示
する教師パタンの組み合わせである）は、０以上１以下
に制限されているため、成膜パラメータデータ２３、膜
質データ２４を０以上１以下に正規化して膜質予測ニュ
ーラルネットワーク３１に学習させている。図５におい
て、膜質予測ニューラルネットワーク３１の学習パタン
４１は、装置識別データ２１と正規化後成膜パラメータ
データ４３を入力パタンに、正規後膜質データ４４を教
師パタンにしている。

【００１８】また正規化方法４６では、膜質予測ニュー
ラルネットワーク３１の入力項目である成膜パラメータ
データ２３の各項目（２３Ａ〜２３Ｆ）、出力項目であ
る膜質データ２４の各項目（２４Ａ〜２４Ｃ）に対し
て、各々異なる方法で各項目の取り得る最小値を０に、
最大値を１に正規化し、正規化後成膜パラメータデータ
４３、正規後膜質データ４４を作成する。

【００１９】正規化後成膜パラメータデータ４３は、夫
々正規化した酸素ガス流量、シランガス流量、反応室圧
力、マイクロ波電力、ソレノイドコイル電流、基板印加
交流電力の６項目まで構成されている。また、正規後膜
質データ４４は、夫々正規化した屈折率、残留応力、エ
ッチング速度の３項目で構成されている。学習パタン４
１は、装置識別データ２１と正規化後成膜パラメータデ
ータ４３と正規化後膜質データ４４が複数（ｎ）組集ま
ったものとして構成される。ここで、学習パタンのう
ち、入力パタン７項目が夫々全て同一値のものがあれ
ば、その中から１件のみを選択して学習パラメータにす
る。これは、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ためである。次
に、作成した学習パタン４１を膜質予測ニューラルネッ
トワーク３１に学習させる。ここで、膜質予測ニューラ
ルネットワーク３１に学習させたデータの数は、・半導体製造装置７’のデータ１１０件・半導体製造装置７のデータ２０件である。

【００２０】膜質予測ニューラルネットワーク３１の学
習では、入力層３２の・酸素ガス流量用入力ニューロン
３２Ａには正規化後酸素ガス流量を、・シランガス流量
用入力ニューロン３２Ｂには正規化後シランガス流量
を、・反応室圧力用入力ニューロン３２Ｃには正規化後
反応室圧力を、・マイクロ波電力用入力ニューロン３２
Ｄには正規化後マイクロ波電力を、・ソレノイドコイル
電流用入力ニューロン３２Ｅには正規化後ソレノイドコ
イル電流を、・基板印加交流電力用入力ニューロン３２
Ｆには正規化後基板印加交流電力を、・装置識別用入力
ニューロン３２Ｇには装置識別データ２１を夫々呈示
し、出力層３４の・屈折率用出力ニューロン３４Ａには
正規化後屈折率を、・残留応力用出力ニューロン３４Ｂ
には正規化後残留応力を、・エッチング速度用出力ニュ
ーロン３４Ｃには正規化後エッチング速度を夫々呈示す
る。

【００２１】また、膜質予測ニューラルネットワーク３
１は、半導体製造装置７のデータと半導体製造装置７’
のデータを混在して学習する。装置識別用入力ニューロ
ン３２Ｇに入力する装置識別データ２１は、半導体製造
装置７のデータの学習では１、半導体製造装置７’のデ
ータの学習では０である。次に述べる方法で学習を行っ
た膜質予測ニューラルネットワーク３１’にこれから成
膜する半導体製造装置の装置識別データ２１と正規化後
成膜パラメータデータ４３を入力すると、このニューラ
ルネットワークから、装置識別データ２１が０の場合に
は半導体製造装置７’の、装置識別データ２１が１の場
合には半導体製造装置７の夫々の予測膜質データ４７を
出力パタンとして出力する。出力パタン４７を正規化方
法４６とは逆の変換を行えば、予測膜質の絶対値が求ま
る。

【００２２】図６は膜質予測ニューラルネットワーク３
１の学習の流れを示す。膜質予測ニューラルネットワー
ク３１には複数（ｎ）組の学習パタン４１（学習パタン
４１（１）から学習パタン４１（ｎ））を学習させる。
学習は、膜質予測ニューラルネットワーク３１のしきい
値と重みに乱数を与えて初期化してから開始する。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。そしてまず、膜質予測ニューラルネットワーク３１
に装置識別データ２１（１）と正規化後成膜パラメータ
データ４３（１）を入力して、出力パタン５１（１）
（屈折率、残留応力、エッチング速度の３項目で構成さ
れている）を求める。次に、この出力パターン５１
（１）と正規化後膜質データ４４（１）の差である誤差
５２（１）（屈折率、残留応力、エッチング速度の３項
目で構成されている）を求める。そして誤差５２（１）
の各項目の２乗和を計算して誤差２乗和５３（１）を求
める。このようにして、学習パタン４１（１）の誤差２
乗和５３（１）を求めたら、学習パタン４１（２）から
学習パタン４１（ｎ）に対しても、誤差２乗和５３
（２）から誤差２乗和５３（ｎ）を求める。このよう
に、全ての学習パターン４１（学習パターン４１（１）
から学習パターン４１（ｎ）まで）の誤差２乗和５３
（誤差２乗和５３（１）から誤差２乗和５３（ｎ）ま
で）を求めたら、誤差２乗和総和５４を求める。こうし
て誤差２乗和総和５４を求めたら、誤差２乗和総和５４
が減少するように、膜質予測ニューラルネットワーク３
１の重みとしきい値の調整量を求めて調整する。

【００２３】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、膜質予測ニュ
ーラルネットワーク３１には５００００回学習させてい
る。学習を行った膜質予測ニューラルネットワーク３
１’の入力層３２の・酸素ガス流量用入力ニューロン３
２Ａには正規化後酸素ガス流量を、・シランガス流量用
入力ニューロン３２Ｂには正規化後シランガス流量を、
・反応室圧力用入力ニューロン３２Ｃには正規化後反応
室圧力を、・マイクロ波電力用入力ニューロン３２Ｄに
は正規化後マイクロ波電力を、・ソレノイドコイル電流
用入力ニューロン３２Ｅには正規化後ソレノイドコイル
電流を、・基板印加交流電力用入力ニューロン３２Ｆに
は正規化後基板印加交流電力を、・装置識別用入力ニュ
ーロン３２Ｇには１を夫々入力すると、出力層３４の・
屈折率用出力ニューロン３４Ａより屈折率の、・残留応
力用出力ニューロン３４Ｂより残留応力の、・エッチン
グ速度用出力ニューロン３４Ｃよりエッチング速度の夫
々についての半導体製造装置７で成膜した結果の膜質デ
ータの予測値を出力する。但し、出力ニューロン３４Ａ
から３４Ｃより出力された値は、０から１に正規化され
ている値である。そこで、出力ニューロン３４Ａから３
４Ｃより出力された値を、正規化方法４６とは逆の変換
を行うことにより、予測膜質の絶対値を求めることがで
きる。

【００２４】学習によって得られたしきい値や重みは、
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
イルとしてネットワークデータ４Ｂに記録しておく。図
７はネットワークデータ４Ｂの構造を示す。同図におい
て、ネットワークデータ４Ｂは、ニューラルネットワー
クの構造である層数および各層のニューロン数を定義し
たネットワーク構造６２、学習によって得られたしきい
値６３、重み６４と学習に用いた複数の学習パタン４１
で構成されている。学習パタン４１は基板番号２２、装
置識別データ２１、正規化後成膜パラメータデータ４
３、正規化後膜質データ４４で構成されている。

【００２５】図８は学習を行った膜質予測ニューラルネ
ットワーク３１’を用いて、６項目の成膜パラメータデ
ータ（酸素ガス流量、シランガス流量、反応室圧力、マ
イクロ波電力、ソレノイドコイル電流、基板印加交流電
力）から３項目の膜質データ（屈折率、残留応力、エッ
チング速度）を予測する膜質予測システムの動作説明用
フローチャートを示す。膜質予測システムは、入力デー
タ受け取り部７１、入力データ判定部７２、入力データ
正規化部７３、膜質予測部７５、出力パタン変換部７
６、予測膜質表示部７８から構成されている。

【００２６】オペレータは、成膜パラメータデータ２３
を入力する。成膜パラメータデータ２３は、酸素ガス流
量、シランガス流量、反応室圧力、マイクロ波電力、ソ
レノイドコイル電流、基板印加交流電力の６項目で構成
されている。入力データ受け取り部７１では、オペレー
タからの成膜パラメータデータ２３の入力を受け取る。
入力データ判定部７２では、入力した成膜パラメータデ
ータ２３の各項目が本システムの有効な範囲内であるか
否かを判定する。すなわち、入力した成膜パラメータデ
ータ２３の各項目が、本システムの有効な範囲内であれ
ば入力データ正規化部７３に進み、１項目でも有効範囲
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。入力データ正規化部７３では、入力した成膜パラ
メータデータ２３を正規化方法４６と同じ方法で正規化
し、入力パタン７４を作成し、膜質予測部７５に進む。

【００２７】入力パタン７４は、夫々正規化した酸素ガ
ス流量、シランガス流量、反応室圧力、マイクロ波電
力、ソレノイドコイル電流、基板印加交流電力の６項目
で構成されている。膜質予測部７５では、入力パタン７
４と装置識別データ２１を膜質予測ニューラルネットワ
ーク３１’に入力して、出力パタン５１を得る。このと
き、装置識別データ２１は１である。出力パタン５１
は、屈折率、残留応力、エッチング速度の３項目で構成
されている。

【００２８】出力パタン変換部７６では、出力パタン４
１に対にして正規化方法４６とは逆の変換を行い、予測
膜質の絶対値である予測膜質データ７７を作成し、予測
膜質表示部７８に進む。予測膜質データ７７は、屈折
率、残留応力、エッチング速度の３項目で構成されてい
る。予測膜質表示部７８では、予測膜質データ７７を表
示し、本システムを終了する。

【００２９】

【発明の効果】本発明によれば、・新たに作成した半導
体製造装置（新装置と呼ぶ）から得られた成膜プロセス
データ、・新装置と同じ仕様の既存の半導体製造装置
（既存装置と呼ぶ）から得られた成膜プロセスデータ、
の両者を混在させて、ニューラルネットワークに学習さ
せる方法を用いるようにしたので、新装置の成膜プロセ
スデータを少数用意すれば、新装置で成膜した結果の膜
質データを予測することができ、装置ごとに膜質予測を
させるための成膜、膜評価の回数を少なくすることがで
きる。従って本発明によれば、低コスト、短時間で、任
意の成膜条件に対して新装置で成膜した結果の膜質デー
タを予測するシステムを作成することができる。

【図面の簡単な説明】

【図１】本発明の機能構成図

【図２】本発明の実施例としてのシステム構成図

【図３】同じく成膜データの構成図

【図４】同じく膜質予測ニューラルネットワークの構造
を示す図

【図５】同じく成膜データからニューラルネットワーク
に学習させる学習パタンを作成する流れを示す図

【図６】同じく膜質予測ニューラルネットワークの学習
の流れを示す図

【図７】同じくネットワークファイルの構造を示す図

【図８】同じく膜質予測システムの動作説明用フローチ
ャート

【符号の説明】

１コンピュータ１Ａ膜質予測手段２キーボード３ＣＲＴ４補助記憶装置４Ａ成膜データ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７’ 半導体製造装置２１装置識別データ２３成膜パラメータデータ２４膜質データ３１膜質予測ニューラルネットワーク３１’ 膜質予測ニューラルネットワーク４３正規化後成膜パラメータデータ４４正規化後膜質データ４６成膜プロセスデータ正規化手段４７予測膜質データ（出力パタン）

Claims

【特許請求の範囲】

【請求項１】成膜用ガスの種類や流量，成膜温度，圧力
などの条件項目を成膜パラメータとして成膜し、その成
膜結果が膜の屈折率，残留応力，エッチング速度などの
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、２種類の類似の半導体製造装置の過去の成膜結果につい
ての前記成膜パラメータを夫々その成膜が行われた半導
体製造装置を識別する装置識別データと共に入力データ
とし、この入力データに対応する前記膜質データを教師
データとして１または複数の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にこれから成膜す
るための前記成膜パラメータとこの成膜を行わせる半導
体製造装置の装置識別データを入力することにより、こ
のニューラルネットワークからこの入力条件に対応する
成膜結果の膜質データを予測出力させることを特徴とす
る半導体製造装置の膜質予測装置。