JP4274348B2

JP4274348B2 - Process prediction method, processing apparatus, and process prediction program

Info

Publication number: JP4274348B2
Application number: JP2002193624A
Authority: JP
Inventors: 智原田
Original assignee: Tokyo Electron Ltd
Current assignee: Tokyo Electron Ltd
Priority date: 2002-07-02
Filing date: 2002-07-02
Publication date: 2009-06-03
Anticipated expiration: 2022-07-02
Also published as: JP2004039805A

Description

【０００１】
【産業上の利用分野】
本発明は、プロセスの予測方法及び処理装置並びにプロセス予測プログラムに関し、更に詳しくは、例えば半導体製造装置等の処理装置に付設された複数の検出器からの検出データを用いて処理装置のプロセスを予測する方法及びプロセスを予測することができる処理装置並びに処理装置に用いられるプロセス予測プログラムに関する。
【０００２】
【従来の技術】
半導体製造工程は多種類の半導体製造装置や検査装置等の処理装置が用いられている。例えばプラズマ処理装置はエッチング処理や成膜処理等のプラズマ処理に用いられる。この種のプラズマ処理装置は、例えば、処理室内に互いに平行に配設された上部電極と下部電極を備え、制御装置の制御下で上下両電極に高周波電力を印加すると共に処理室内にプロセスガスを導入し、上部電極と下部電極間の放電によりプロセスガスのプラズマを発生させ、このプラズマの発光強度を終点検出器によって監視しながら被処理体（例えばウエハ）に所定のプラズマ処理を施している。この際、処理室内の圧力、上下両電極の高周波電力及びプロセスガスの流量等の制御可能なパラメータ（以下、「プロセスパラメータ」と称す。）を標準条件に設定してウエハの処理を行い、この間にプラズマ処理装置に付帯する終点検出器等の複数の検出器を介してプラズマ発光強度等を検出する。
【０００３】
そして、複数の検出データを制御装置に格納された多変量解析プログラムを介してプロセスを予測するためのモデル式を作成し、このモデル式を介してプラズマ処理装置の装置状態を評価し、または処理結果を予測する。モデル式を作成する場合には、例えば複数の検出器からの検出データを収集し、これらの検出データとプロセスパラメータとの相関関係式を重回帰分析により求め、この重回帰分析によって作成されたモデル式に検出データを当て嵌めてプロセスパラメータを予測する。
【０００４】
モデル式を作成する場合には、まず、プラズマ処理装置の処理室内に所定のウエハを配置し、処理室内の圧力、上下両電極の高周波電力及びプロセスガス流量等のプロセスパラメータを標準条件（処理内容によって予め設定された標準的な条件）に設定して例えば７枚のウエハを処理する。これらのウエハを処理する間に終点検出器によってプラズマ発光の複数の成分波長の発光強度（光学的データ）をそれぞれ検出データとして検出する。標準条件で処理するウエハを以下では正常ウエハと定義する。次いで、複数のプロセスパラメータを標準条件から所定の範囲で大小方向に振って例えば１２枚のウエハを処理し、それぞれのウエハについて複数の光学的データをそれぞれ検出データとして検出する。プロセスパラメータを振る時には田口メソッドの直交表を使用した直交実験を行う。この直交実験に用いるウエハを以下では直交表ウエハと定義する。
【０００５】
正常ウエハ、直交表ウエハから得られた検出データを用いて図５に示すように重回帰解析を行う。即ち、同図に示すように光学的データからなる複数の検出データを説明変数ｘ_ｉｊ（ｉはウエハの枚数、ｊは各成分波長のサンプル数）とし、また、プロセスガスの処理室内の圧力、高周波電力及びプロセスガスの流量等のプロセスパラメータを複数の目的変数ｙ_ｉｊとして重回帰分析を行って下記のモデル式を作成する。このモデル式を作成する時には行列Ｘと行列Ｙの相関関係を少ないデータから求めることができるＰＬＳ法を用いて行列Ｂを求める。ＰＬＳ法の詳細は例えばJOURNAL OF CHEMOMETRICS,VOL.2(PP.211-228)(1998)に掲載されている。尚、下記モデル式において、Ｘは説明変数を成分とする行列、Ｂは重回帰係数を成分とする行列、Ｙは目的変数を成分とする行列である。
Ｙ＝ＢＸ
【０００６】
モデル式を作成した後、洗浄前後のプラズマ処理装置を用いて正常ウエハ及び異常ウエハ（故意にプロセスパラメータを標準条件から大小方向に振って処理したウエハ）を処理し、処理時に検出される検出データを用いてプロセスパラメータを予測する。即ち、プロセスパラメータを標準条件に設定して７枚のウエハを正常ウエハとして処理し、引き続き、プロセスパラメータを標準条件から大小方向に振って１５枚のウエハを異常ウエハとして処理した。この際、終点検出器からのプラズマ発光の複数の成分波長を検出データとしてそれぞれ検出すると、上記モデル式とこれらの検出データに基づいて複数のプロセスパラメータを演算し、演算値を予測値として自動的に出力する。
【０００７】
次いで、上述のプラズマ処理装置を洗浄した後、洗浄後のプラズマ処理装置を用いて正常ウエハ及び異常ウエハを処理する。そして、この時に得られた複数の検出データと上記モデル式を用いて洗浄後のプラズマ処理装置のプロセスパラメータを予測した。洗浄前後の各ウエハにおけるプロセスパラメータの設定値と予測値とを比較して示したものが図６である。図６の左半分はモデル式を作成したプラズマ処理装置の場合のガス１の流量の設定値と予測値を示し、右半分は上記モデル式を用いて洗浄後のプラズマ処理装置の場合のガス１の流量の設定値と予測値を示している。図６からも明らかなようにモデル式を作成した洗浄前のプラズマ処理装置については予測値が設定値に近似しており予測精度が比較的高いことが判る。
【０００８】
【発明が解決しようとする課題】
しかしながら、洗浄後のプラズマ処理装置の場合には予測値が設定値から大きく外れているため、洗浄前に作成したモデル式をそのまま用いて洗浄後のプラズマ処理装置のプロセスパラメータを予測することができない。つまり、同一のプラズマ処理装置であっても洗浄後では終点検出器の付け直しや処理室内の環境変化等によって検出データが変動するため、洗浄後にはモデル式を新たに作成し直さなくてはならないという課題があった。このことは単に洗浄前後のプラズマ処理装置に限ったことではなく、他の保守点検を行った場合、更に同種のプラズマ処理装置間にも云えることである。
【０００９】
本発明は、上記課題を解決するためになされたもので、処理装置についての予測式を一度作成すれば、この予測式を用いて他の同種の処理装置についてもプロセスパラメータ等の装置状態を評価し、処理結果を予測することができるプロセスの予測方法及び処理装置並びにプロセス予測プログラムを提案することを目的としている。
【００１０】
【課題を解決するための手段】
本発明の請求項１に記載のプロセスの予測方法は、被処理体を処理する際に、複数の検出器からの複数の検出データを多変量解析して処理装置の装置状態を評価し、または処理結果を予測するプロセスの予測方法において、一つの処理装置を用いて複数の被処理体に対して所定条件の標準処理を行う工程と、この標準処理により上記複数の被処理体それぞれから得られる複数の検出データを主成分分析して主成分分析モデルを作成すると共にこの主成分分析モデルにおける上記複数の被処理体それぞれの検出データに対応する複数の残差を第１の残差として求める工程と、上記処理装置と同種の他の処理装置を用いて上記被処理体と同種の複数の被処理体に対して上記標準処理を行う工程と、この標準処理により上記複数の被処理体それぞれから得られる複数の検出データを上記主成分分析モデルに当て嵌めて上記複数の被処理体それぞれの検出データに対応する複数の第２の残差を求める工程と、上記第２の残差のバラツキから上記第１の残差のバラツキの基準値より小さい検出データを選択する工程と、選択された複数の検出データの残差を用いて多変量解析モデルを作成する工程とを備えたことを特徴とするものである。
【００１１】
また、本発明の請求項２に記載のプロセスの予測方法は、請求項１に記載の発明において、上記他の処理装置が上記一の処理装置を保守点検して上記各検出器の取付状態を異にする処理装置であることを特徴とするものである。
【００１２】
また、本発明の請求項３に記載のプロセスの予測方法は、請求項１または請求項２に記載の発明において、上記他の処理装置が上記一の処理装置を保守点検して内部部品を異にする処理装置であることを特徴とするものである。
【００１３】
また、本発明の請求項４に記載のプロセスの予測方法は、請求項１〜請求項３のいずれか１項に記載のプロセスの発明において、上記他の処理装置が上記一の処理装置を保守点検して内部の表面状態を異にする処理装置であることを特徴とするものである。
【００１４】
また、本発明の請求項５に記載のプロセスの予測方法は、請求項１〜請求項４のいずれか１項に記載の発明において、上記保守点検として洗浄を行うことを特徴とするものである。
【００１５】
また、本発明の請求項６に記載のプロセスの予測方法は、請求項１〜請求項５のいずれか１項に記載の発明において、上記主成分分析ではクロスバリデーション法を用いて主成分の次数を求めることを特徴とするものである。
【００１６】
また、本発明の請求項７に記載のプロセスの予測方法は、請求項１〜請求項６のいずれか１項に記載の発明において、上記第１の残差の基準値として、その最大値及び最小値を用いることを特徴とするものである。
【００１７】
また、本発明の請求項８に記載のプロセスの予測方法は、請求項１〜請求項７のいずれか１項に記載の発明において、上記多変量解析モデルは装置状態を評価するための重回帰分析モデルであることを特徴とするものである。
【００１８】
また、本発明の請求項９に記載のプロセスの予測方法は、請求項１〜請求項７のいずれか１項に記載の発明において、上記多変量解析モデルは処理結果を予測するための重回帰分析モデルであることを特徴とするものである。
【００１９】
また、本発明の請求項１０に記載のプロセスの予測方法は、請求項１〜請求項９のいずれか１項に記載の発明において、上記処理装置がプラズマ処理装置であることを特徴とするものである。
【００２０】
また、本発明の請求項１１に記載のプロセスの予測方法は、請求項１０に記載の発明において、上記検出データがプラズマの発光強度であることを特徴とするものである。
【００２１】
また、本発明の請求項１２に記載の処理装置は、処理容器内で被処理体に所定の処理を施す処理手段と、この処理手段による処理時に装置状態及び処理状態を検出する複数の検出器と、これらの検出器からの検出データに基づいて多変量解析を行なう多変量解析手段を有する制御装置とを備え、上記多変量解析に基づいて装置状態を評価し、または処理結果を予測する処理装置において、上記多変量解析手段は、上記処理手段により複数の被処理体に対して所定条件の標準処理を行って上記複数の被処理体それぞれから得られる上記複数の検出データを主成分分析するプログラムを記憶する第１記憶手段と、第１記憶手段のプログラムを用いて上記複数の検出データに基づいて主成分分析モデルを作成すると共にこの主成分分析モデルにおける上記複数の被処理体それぞれの検出データに対応する複数の残差を第１の残差として求める演算手段と、この演算手段によって求められた第１の残差を記憶する第２記憶手段と、少なくとも取付状態、内部部品、内部の表面状態のいずれかの内部状態を異にする上記処理装置において上記複数の検出器から上記標準条件で得られた検出データを上記主成分分析モデルに当て嵌めて上記演算手段によって求められ且つ上記複数の被処理体それぞれの検出データに対応する複数の第２の残差を記憶する第３記憶手段と、上記第２の残差のバラツキから上記第１の残差のバラツキの基準値より小さい検出データを選択する選択手段と、この選択手段を介して選択された複数の検出データの残差を用いて多変量解析するプログラムを記憶する第４記憶手段とを備えたことを特徴とするものである。
また、本発明の請求項１３に記載の処理装置は、請求項１２の発明において、上記処理装置がプラズマ処理装置であり、上記処理装置がプラズマ処理装置であり、上記検出データがプラズマの発光強度であることを特徴とするものである。
また、本発明の請求項１４に記載のプロセス予測プログラムは、被処理体を処理する際に、複数の検出器からの複数の検出データを多変量解析して処理装置の装置状態を評価し、または処理結果を予測するように、コンピュータの動作を制御するプログラムであって、一つの処理装置において複数の被処理体に対して所定条件の標準処理を実行し、この標準処理により上記複数の被処理体それぞれから得られる複数の検出データを主成分分析して主成分分析モデルを作成すると共にこの主成分分析モデルにおける上記複数の被処理体それぞれの検出データに対応する複数の残差を第１の残差として求め、また、上記処理装置と同種の他の処理装置において上記被処理体と同種の複数の被処理体に対して上記標準処理を実行し、この標準処理により上記複数の被処理体それぞれから得られる複数の検出データを上記主成分分析モデルに当て嵌めて上記複数の被処理体それぞれの検出データに対応する複数の第２の残差を求め、更に、上記第２の残差のバラツキから上記第１の残差のバラツキの基準値より小さい検出データを選択し、選択された複数の検出データの残差を用いて多変量解析モデルを作成するように、上記コンピュータの動作を制御することを特徴とするものである。
また、本発明の請求項１５に記載のプロセス予測プログラムは、請求項１４の発明において、上記処理装置がプラズマ処理装置であり、上記検出データがプラズマの発光強度であることを特徴とするものである。
【００２２】
【発明の実施の形態】
以下、図１〜図４に示す実施形態に基づいて本発明を説明する。
まず、本発明のプロセスの予測方法に用いられるプラズマ処理装置の一例について図１を参照しながら説明する。
【００２３】
本実施形態のプラズマ処理装置１は、例えば図１に示すように、所望の高真空度を保持することができる、表面がアルマイト加工され且つ電気的に接地された処理容器２と、この処理容器２内の底面中央に配設され且つ被処理体（例えば、熱酸化膜を有するウエハ）Ｗを載置する下部電極３と、この下部電極３を下方から支持し且つ処理容器２の底面に絶縁部材２Ａを介して配設された支持体４と、下部電極３と隙間を介して配設され且つ中空状に形成された上部電極５とを備え、ウエハＷの熱酸化膜に対してプラズマ処理（エッチング）を行う。下部電極３には例えば２ＭＨｚの高周波電源６が整合器６Ａを介して接続され、上部電極５には下部電極３よりも周波数の高い、例えば６０ＭＨｚの高周波電源７が整合器７Ａを介して接続されている。下部電極３にはハイパスフィルタ８が接続され、上部電極５にはローパスフィルタ９が接続されている。また、処理容器２の底面の排気口２Ｂには排気装置１１がガス排気管１１Ａを介して接続され、この排気装置１１は処理容器２内を真空排気して所望の真空度を維持する。尚、以下では、必要に応じて下部電極３と支持体４を纏めて載置台１０と称して説明する。
【００２４】
上部電極５の上面中央にはガス導入管５Ａが形成され、このガス導入管５Ａは絶縁部材２Ｃを介して処理容器２の上面中央を貫通している。そして、このガス導入管５Ａにはガス供給源１２がガス供給管１３を介して接続され、このガス供給源１２からエッチングガスを供給する。即ち、ガス供給源１２は、例えば、ガス1（例えば、Ｃ_５Ｆ_８）供給源、ガス２（例えば、ＣＨ_２Ｆ_２）供給源、ガス３（例えば、Ｎ_２）供給源、ガス４（例えば、Ａｒ）供給源及びガス５（例えば、Ｏ_２）供給源を有し、これらの各ガス供給源がそれぞれガス供給管１３に接続されている。そして、これらのガスをエッチングガスとして流量制御装置を介して処理容器２内へ所定流量で供給する。
【００２５】
上部電極５の下面には多数の孔５Ｂが均等に分散されて形成され、各孔５Ｂから処理容器２内へ処理ガスを均等に分散供給する。従って、排気装置１１によって処理容器２内を真空引きすると共にガス供給源１２から所定のエッチングガスを所定の流量で供給した状態で、下部電極３及び上部電極５にそれぞれの高周波電力を印加し、処理容器２内でエッチングガスのプラズマを発生させ、下部電極３上のウエハＷに対して所定のエッチングを施す。この下部電極３には温度センサ（図示せず）が装着され、温度センサを介して下部電極３上のウエハＷの温度を常時監視している。
【００２６】
載置台１０内には所定の冷媒（例えば、従来公知のフッ素系流体、水等）が通る冷媒流路１０Ａが形成され、冷媒が冷媒流路１０Ａを流れる間に下部電極３が冷却され、下部電極３を介してウエハＷを冷却し、ウエハＷを所望の温度に制御する。また、下部電極３上には絶縁材材料からなる静電チャック１４が配置され、静電チャック１４内の電極板１４Ａには高圧直流電源１５に接続されている。静電チャック１４は高圧直流電源１５から電極板１４Ａに印加された高電圧によって表面に発生する静電気によってウエハＷを静電吸着する。下部電極３の外周縁には静電チャック１４を囲むフォーカスリング１６が配置され、フォーカスリング１６を介してプラズマがウエハＷに集束する。
【００２７】
また、載置台１０にはＨｅガス等の熱伝導性ガスをバックサイドガスとして供給するガス流路１０Ｂが形成され、ガス流路１０Ｂは載置台１０の上面の複数箇所で開口している。これらの開口部は載置台１０上の静電チャック１４に形成された貫通孔と一致している。従って、載置台１０のガス流路１０Ｂにバックサイドガスを供給すると、バックサイドガスはガス流路１０Ｂを経由して静電チャック１３の貫通孔から流出し、静電チャック１４とウエハＷ間の隙間全体に均等に拡散し、隙間での熱伝導性を高めている。尚、図１において、１７は処理容器２に形成されたウエハＷの搬出入口を開閉するゲートバルブである。
【００２８】
プラズマ処理装置１には終点検出器１８が取り付けられ、この終点検出器１８を用いて処理容器２内のプラズマ発光をウエハＷ毎に検出し、ウエハＷ毎にプラズマ発光の各成分波長の発光強度を検出データとして制御装置１９内に逐次取り込むようにしている。この制御装置１９には多変量解析プログラムを含むプロセス予測プログラムが格納され、このプログラムを介して検出データの主成分分析等の多変量解析を行う多変量解析手段が設けられている。検出データとしては例えば２００ｎｍ〜９５０ｎｍの範囲にある１５０種類の成分波長を使用する。
【００２９】
しかしながら、プラズマ処理装置１０の装置状態を評価したり、処理結果を予測したりする、プロセスの予測をするにしても、洗浄等の保守点検に伴って処理室内の各種の部品や検出器を取り外して付け直すと、これらの検出器の検出データは変化することが多く、保守点検前に作成されたモデル式を用いて保守点検後のプラズマ処理装置のプロセスの予測を行うことができないことは前述した通りである。
【００３０】
本実施形態に用いられた多変量解析手段２０は、処理室２内で上述のように複数のウエハＷに対して所定の条件で標準処理を行って得られる複数の検出器（本実施形態では、終点検出器１８）の複数の成分波長の発光強度からなる検出データを主成分分析するプログラムを記憶する第１記憶手段２０Ａと、第１記憶手段２０Ａのプログラムを用いて複数の成分波長の発光強度からなる検出データに基づいて主成分分析モデルを作成すると共にこの主成分分析モデルの残差を第１の残差として求める演算手段２０Ｂと、この演算手段２０Ｂによって求められた第１の残差を記憶する第２記憶手段２０Ｃと、例えば、保守点検等により取付状態、内部部品、内部の表面状態等の処理装置の内部状態を異にする終点検出器１８から上記標準条件と同一の条件で得られた検出データを上記主成分分析モデルに当て嵌めて求められる第２の残差を記憶する第３記憶手段２０Ｄと、第１の残差のバラツキを基準にして第２の残差のバラツキの小さい検出データを比較して選択する選択手段２０Ｅと、この選択手段２０Ｅを介して選択された複数の検出データの残差を用いて多変量解析モデル（例えば、重回帰分析モデル）を作成するプログラムを記憶する第４記憶手段２０Ｆとを備えて構成されている。
【００３１】
本実施形態の多変量解析手段２０では以下の処理が行なわれる。即ち、一のプラズマ処理装置（例えば、洗浄前のプラズマ処理装置）１の処理手段を用いてウエハＷを標準条件で処理し、ウエハＷ毎にプラズマ発光の各波長の発光強度（光学的データ）を終点検出器１８から検出データとして検出し、これらの検出データを第１記憶手段２０Ａのプログラムを用いて演算手段２０Ｂにおいて主成分分析して主成分分析モデルを作成した後、この主成分分析モデルから各検出データの残差を求め、第１の残差として第２記憶手段２０Ｃに格納する。次いで、同種の他のプラズマ処理装置（例えば、上記プラズマ処理装置を洗浄した後のプラズマ処理装置）を用いてウエハを標準条件で処理し、設置状態を異にする終点検出器１８からウエハ毎に同一の検出データを検出し、これらの検出データを上記主成分分析モデルに当て嵌めて第２の残差を求めて第３記憶手段２０Ｄに格納する。これらの第２の残差の中から洗浄前に得られた第１の残差の最大値及び最小値を基準にして第２の残差のバラツキの小さい検出データを選択手段２０Ｅにおいて比較して選択した後、選択されたバラツキの小さい第２の残差を説明変数とし、例えば装置状態を評価するためのプロセスパラメータを目的変数とした第４記憶手段２０Ｆのプログラムを用いて多変量解析によりモデル式を作成する。このモデル式を使うことによって洗浄後であってもプロセスパラメータを高精度で予測し、装置状態を高精度で評価することができる。
【００３２】
ここでプラズマ発光強度からなる検出データを用いる主成分分析について概説する。まず、洗浄前のプラズマ処理装置１を用いてプロセスパラメータを下記表１の標準値に設定し、この標準条件で下記表２に示すように７枚のウエハを正常ウエハとしてそれぞれエッチングを行い、この時に終点検出器１８から検出されるｎ個の成分波長の発光強度を正常ウエハ毎に光学的データを検出データとして逐次検出し、これらの検出データの主成分分析を行う。また、下記表１のレベル１とレベル２の範囲でプロセスパラメータを振る下記表２に示す田口メソッドの直交表を作成し、この直交表に従ってプロセスパラメータを設定して１２枚のウエハを直交表ウエハとしてそれぞれエッチングし、各直交表ウエハについてｎ個の成分波長の発光強度の検出データを得る。そして、これらの正常ウエハ及び直交表ウエハの検出データ及びプロセスパラメータを主成分分析のために使用する。
【００３３】
上述の主成分分析において、例えば、ｍ枚（本実施形態では１９枚）のウエハそれぞれについてｎ個（本実施形態では１５０箇所の成分波長）の検出データｘが存在すると、これらの検出データからなる説明変数ｘ_ｉｊを成分とする行列Ｘは数１で表される。そして、制御装置１５の多変量解析手段２０においてこれらの検出データに基づいて平均値、最大値、最小値、分散値を求めた後、これらの計算値に基づいた分散共分散行列を用いて複数の検出データの主成分分析を行って固有値及びその固有ベクトルを求める。固有値は検出データの分散の大きさを表し、固有値の大きさ順に、第１主成分、第２主成分、・・・第ｎ主成分として定義される。また、各固有値にはそれぞれに属する固有ベクトルがある。固有ベクトルは各検出データの重み係数となる。通常、主成分の次数が高いほどデータの評価に対する寄与率が低くなり、その利用価値が薄れる。
【数１】

【００３４】
上述のようにｍ枚のウエハについてそれぞれｎ個の検出データを採り、ｉ番目のウエハのｊ番目の固有値に対応する第ｊ主成分は数２で表される。そして、この第ｊ主成分ｔ_ｉｊに具体的なｉ番目の検出値（ｘ_ｉ１、ｘ_ｉ２、・・・、ｘ_ｉｎ）を代入して得られた値がｉ番目のウエハの第ｊ主成分の得点になる。第ｊ主成分の得点ｔ_ｊは数３で定義され、第ｊ主成分の固有ベクトルＰ_ｊは数４で定義される。そして、第ｊ主成分の得点ｔ_ｊを行列Ｘと固有ベクトルＰ_ｊを用いると数５で表される。また、行列Ｘを主成分得点とそれぞれの固有ベクトルを用いて表すと数６で表される。
【数２】

【数３】

【数４】

【数５】

【数６】

但し、Ｐ_ｎ ^ＴはＰ_ｎの転置行列である。
【００３５】
ところで、前述したようにプロセスを予測する場合には主成分分析を行った後、次数の高い主成分を纏めた残差行列を用いる。即ち、例えば寄与率が高いと思われる第ｋ主成分まで主成分分析を行い、第ｋ主成分より寄与率の低い第（ｋ+１）次以上の高次の主成分を一つに纏めた数７で定義する残差行列Ｅ（各列はプラズマ発光の各成分波長に対応し、各行はウエハの枚数に対応する）を作り、この残差行列Ｅを数６に当て嵌めると残差行列Ｅは数８で表される。主成分分析において何次の主成分まで求めるかは、クロスバリデーション法によって決定し、予測誤差が最も小さくなる次数を求める。その結果、検出データの種類にもよるが、本実施形態の光学的データを用いる場合には例えば第５主成分まで求めれば良いことが判った。そこで、洗浄前のプラズマ処理装置１に関して７枚の正常ウエハにおける各検出データの残差のバラツキを求め、残差の最大値と最小値を求めたところ、最大値が０．４３であり、最小値が−０．６７であった。
【数７】

【数８】

【００３６】
次いで、洗浄後のプラズマ処理装置を用いて上記表１に示す標準条件下で７枚のウエハを正常ウエハとしてそれぞれ処理し、上述した場合と同様に終点検出器１８からのプラズマ発光の各成分波長の発光強度を検出し、これらの検出データを数８に当て嵌めて正常ウエハの残差を求めたところ、図２に示す結果が得られた。図２に示す残差に洗浄前の正常ウエハの残差の最大値及び最小値を閾値ラインとして記入すると、閾値ラインを超えて変化する残差を有する検出データ（成分波長）が多く存在することが判る。そこで、閾値ラインを超える波長成分の発光強度は、洗浄後のプラズマ処理装置のプロセスを予測する場合の予測誤差大きくする原因と考えられる。そこで、本実施形態では洗浄後のプラズマ処理装置によって得られた検出データの残差のうち、閾値ライン内に納まる残差を示す成分波長を選択し、これらの残差を説明変数として多変量解析、例えば重回帰分析を行ってモデル式を作成し、このモデル式を用いてプロセスパラメータを予測する。
【００３７】
即ち、本実施形態では図３に示すように、上述のようにして選択された残差を説明変数とし、プロセスパラメータを目的変数として、多変量解析プログラムを用いて重回帰分析し、洗浄前のプラズマ処理装置１について下記（１）の重回帰式（モデル式）を作成する。モデル式を作成する際には上記表２に示す正常ウエハ及び直交表ウエハの処理によって得られた検出データの残差（上述の手法により選択された検出データの残差）Ｘ’と、これらの残差を得る時に用いられた予め設定されたプロセスパラメータＹを用いて回帰行列Ｂを得た。そして、モデル式の回帰行列Ｂを求める際に多変量解析プログラムのＰＬＳ法を用いた。洗浄前のプラズマ処理装置におけるモデル式の回帰行列Ｂを得ることによって、洗浄後のプラズマ処理装置のプロセスパラメータを予測する際に、そのプラズマ処理装置において選択された各成分波長の検出データの残差を説明変数として下記（１）のモデル式に当て嵌めることにより、目的変数であるプロセスパラメータを算出し、この計算結果からプロセスパラメータを予測することができる。
Ｙ＝ＢＸ’・・・（１）
【００３８】
上記▲１▼のモデル式を作成した後、洗浄前のプラズマ処理装置１を用いて下記表３に示すように７枚の正常ウエハ及び１５枚の異常ウエハを処理した。この際、制御装置では各ウエハのプラズマ発光の各成分波長のうち、選択された検出データの残差を上記▲１▼に示すモデル式に当て嵌めて洗浄前のプラズマ処理装置１のプロセスパラメータを自動的に演算して予測値を自動的に出力し、プロセスパラメータを予測する。プロセスパラメータのうちの一つ（例えば、ガス１の流量）を図４の左半分に洗浄サイクル１として示した。図４に示す結果によれば、従来と同様にプロセスパラメータとして設定したガス１の流量の設定値と、予測値とが近似し、複数の検出データの中から選択された一部の検出データの残差を用いた場合でも予測値の精度が高いことが判る。
【表３】

【００３９】
次いで、洗浄後のプラズマ処理装置を用いて上記表３に示す正常ウエハ及び異常ウエハをそれぞれ処理した。この際に洗浄後のプラズマ処理装置では制御装置において各ウエハのプラズマ発光の各成分波長のうち、選択された検出データの残差を上記▲１▼に示すモデル式に当て嵌めてプロセスパラメータの予測値を自動的に出力し、プロセスパラメータを予測する。プロセスパラメータのうち、ガス１の流量の設定値及び予測値を図４の右半分に洗浄サイクル２として示した。図４に示す結果によれば、洗浄後であってもプロセスパラメータとして設定したガス１の流量の設定値と、予測値とが近似し、洗浄前に匹敵する精度で予測することができ、従来と比較してガス流量を格段に高精度に予測できることが判る。従って、図４に示す結果によれば、洗浄サイクル１、２のいずれの場合にもプロセスパラメータを高精度で予測することができ、モデル式を洗浄前のプラズマ処理装置１について作成すれば、洗浄後のプラズマ処理装置にそのモデル式をそのまま適用してもプロセスパラメータを高精度に予測することができる。
【００４０】
次いで、各プロセスパラメータの予測誤差を数９に示す式を用いて具体的に求めた。その結果を下記表４及び下記表５に示した。下記表４は予測誤差を示し、下記表５は予測精度を示している。下記表４及び表５に示す結果によれば、図４に示すガス１の場合には本実施形態の予測方法では予測値は設定値１０ｓｃｃｍに対して０．４ｓｃｃｍの誤差があり、設定値に対して４％の誤差で予測することができる。これに対して、従来の予測方法では予測値は設定値１０ｓｃｃｍに対して１．７ｓｃｃｍの誤差、即ち設定値に対して１７％の誤差があり、本実施形態の方法に対して予測精度が格段に劣ることが判る。また、下記表４及び表５に示す結果によれば、他のプロセスパラメータに関しても本実施形態の予測方法による予測精度が従来と比較して格段に高くなっていることが判る。
【数９】

但し、式中、ｎはウエハの枚数を示す。
【表４】

【表５】

【００４１】
以上説明したように本実施形態によれば、ウエハＷを処理する際に、洗浄前のプラズマ処理装置１を用いて複数のウエハＷに対して標準処理を行う工程と、この標準処理により得られるプラズマ発光の複数の成分波長の発光強度からなる検出データを第１記憶手段２０Ａのプログラムを用いて演算手段２０Ｂにおいて主成分分析して主成分分析モデル（数６）を求めると共に各検出データの残差をそれぞれ第１の残差として求める工程と、第１の残差を第２記憶手段２０Ｃに格納する工程と、洗浄後のプラズマ処理装置を用いて複数のウエハに対して洗浄前と同一の標準処理を行う工程と、この標準処理により得られる複数の検出データを用いて演算手段２０Ｂにおいて上記主成分分析モデル（数６）によりこれらの検出データの残差をそれぞれ第２の残差として求める工程と、第２の残差を第３記憶手段２０Ｄに格納する工程と、第１の残差のバラツキの最大値及び最小値を基準にして第２の残差の中からバラツキの小さい残差を有する検出データを選択手段２０Ｅにおいて選択する工程と、選択された複数の残差を用いて第４記憶手段２０Ｆのプログラムを介して重回帰モデル（式▲１▼）を作成する工程とを備えているため、式▲１▼に示す重回帰モデルでは洗浄前後で検出データの残差の変動が小さく、洗浄前後に拘わらずプラズマ処理装置のプロセスパラメータを高精度で予測することができる。更に、洗浄の度毎に多変量解析による予測用のモデル式を作成する必要がなく、洗浄前のプラズマ処理装置１について一度モデル式を作成すれば、そのモデル式をその後の洗浄後のプラズマ処理装置にそのまま使用することができ、モデル式を作成する手間を削減することができる。
【００４２】
また、本実施形態によれば、主成分分析を行う際に、クロスバリデーション法を用いて予測誤差の小さい主成分の次数（例えば、第５主成分）を求めるようにしたため、予測誤差の小さい残差行列Ｅを効率良く求めることができる。また、残差のバラツキの小さい検出データを選択する基準として洗浄前の残差の最大値及び最小値を用いるようにしたため、残差の小さい検出データを効率良く機械的に選択することができ、予測精度の高いモデル式を確実に作成することができる。尚、検出データを選択する基準として洗浄前の残差の最大値及び最小値に対して所定の比率を乗じた値を用いても良い。
【００４３】
尚、上記各実施形態では、検出器として終点検出器からの検出データを用いた場合を例に挙げて説明したが、プラズマ処理装置に付設された他の検出器からの検出データを用いても上記実施形態と同様の作用効果を期することができる。また、上記実施形態では、装置状態を評価するためのプロセスパラメータを予測する場合について説明したが、本発明ではウエハの処理結果を予測するための重回帰分析モデルも作成することができる。また、上記実施形態では、洗浄前後のプラズマ処理装置のプロセスを予測する方法について説明したが、本発明は洗浄以外の保守点検後のプラズマ処理装置についても適用することができ、更に、同一種のプラズマ処理装置であれば、一つのプラズマ処理装置についてモデルを作成すれば、他の同種のプラズマ処理装置についてもそのモデル適用することができる。また、上記各実施形態ではプラズマ処理装置を例に挙げて説明したが、本発明はプラズマ処理装置以外の半導体製造装置やその他の一般的な生産装置にも適用することができる。
【００４４】
【発明の効果】
本発明によれば、ある処理装置についての予測式を一度作成すれば、この予測式を用いて他の同種の処理装置についてもプロセスパラメータ等の装置状態を評価し、処理結果を予測することができるプロセスの予測方法及び処理装置並びにプロセス予測プログラムを提供することができる。
【図面の簡単な説明】
【図１】本発明のプロセスの予測方法を適用するプラズマ処理装置の一例を示す構成図である。
【図２】洗浄後のプラズマ処理装置に付設された終点検出器によって検出されたプラズマの２００〜９５０ｎｍの波長領域にある各成分波長の残差の変化を示すグラフである。
【図３】本発明のプロセスの予測方法に用いるモデルを作成する方法を示す概念図である。
【図４】本発明のプロセスの予測方法を用いて洗浄前後のプラズマ処理装置のプロセスパラメータを予測した場合の予測値と設定値を示すグラフである。
【図５】従来のプロセスの予測方法に用いるモデルを作成する方法を示す概念図である。
【図６】従来のプロセスの予測方法を用いて洗浄前後のプラズマ処理装置のプロセスパラメータを予測した場合の予測値と設定値を示すグラフである。
【符号の説明】
１プラズマ処理装置
２処理室（処理手段）
３下部電極（処理手段）
５上部電極（処理手段）
６、７高周波電源（処理手段）
１８終点検出器
１９制御装置
２０多変量解析手段
２０Ａ第１記憶手段
２０Ｂ演算手段
２０Ｃ第２記憶手段
２０Ｄ第３記憶手段
２０Ｅ選択手段
２０Ｆ第４記憶手段
Ｗウエハ（被処理体）[0001]
[Industrial application fields]
  The present invention relates to a process prediction method and a processing apparatus.And process prediction programMore specifically, for example, a method of predicting a process of a processing apparatus using detection data from a plurality of detectors attached to the processing apparatus such as a semiconductor manufacturing apparatus, and a processing apparatus capable of predicting the processAnd process prediction program used for processing apparatusAbout.
[0002]
[Prior art]
In the semiconductor manufacturing process, various kinds of processing apparatuses such as semiconductor manufacturing apparatuses and inspection apparatuses are used. For example, the plasma processing apparatus is used for plasma processing such as etching processing and film formation processing. This type of plasma processing apparatus includes, for example, an upper electrode and a lower electrode arranged in parallel to each other in the processing chamber, applies high-frequency power to the upper and lower electrodes under the control of the control device, and supplies process gas into the processing chamber. Then, plasma of a process gas is generated by discharge between the upper electrode and the lower electrode, and a target plasma (for example, a wafer) is subjected to predetermined plasma processing while monitoring the emission intensity of the plasma by an end point detector. At this time, the wafer is processed by setting the controllable parameters (hereinafter referred to as “process parameters”) such as the pressure in the processing chamber, the high frequency power of the upper and lower electrodes, and the flow rate of the process gas to the standard conditions. In addition, the plasma emission intensity and the like are detected through a plurality of detectors such as an end point detector attached to the plasma processing apparatus.
[0003]
Then, a model equation for predicting a process is created through a multivariate analysis program in which a plurality of detection data is stored in the control device, and the apparatus state of the plasma processing apparatus is evaluated or processed through this model equation. Predict results. When creating a model formula, for example, detection data from multiple detectors are collected, a correlation formula between these detection data and process parameters is obtained by multiple regression analysis, and a model created by this multiple regression analysis is obtained. Fit the detection data to the equation to predict the process parameters.
[0004]
When creating a model equation, first place a predetermined wafer in the processing chamber of the plasma processing apparatus, and set the process parameters such as the pressure in the processing chamber, the high-frequency power of the upper and lower electrodes, and the process gas flow rate to the standard conditions (processing details). For example, seven wafers are processed. While processing these wafers, the end point detector detects the emission intensity (optical data) of a plurality of component wavelengths of plasma emission as detection data. Hereinafter, a wafer processed under standard conditions is defined as a normal wafer. Next, for example, 12 wafers are processed by swinging a plurality of process parameters in a large or small direction within a predetermined range from the standard condition, and a plurality of optical data is detected as detection data for each wafer. When changing the process parameters, an orthogonal experiment using the Taguchi method orthogonal table is performed. Hereinafter, the wafer used for the orthogonal experiment is defined as an orthogonal table wafer.
[0005]
Multiple regression analysis is performed as shown in FIG. 5 using detection data obtained from a normal wafer and an orthogonal table wafer. That is, as shown in the figure, a plurality of detection data consisting of optical data is converted into explanatory variables x._ij(I is the number of wafers, j is the number of samples of each component wavelength), and process parameters such as pressure in the process gas processing chamber, high frequency power, and flow rate of the process gas are set to a plurality of target variables y._ijAs a result, a multiple regression analysis is performed to create the following model formula. When creating this model formula, the matrix B is obtained by using the PLS method which can obtain the correlation between the matrix X and the matrix Y from a small amount of data. Details of the PLS method are described in, for example, JOURNAL OF CHEMOMETRICS, VOL.2 (PP.211-228) (1998). In the following model formula, X is a matrix having explanatory variables as components, B is a matrix having multiple regression coefficients as components, and Y is a matrix having objective variables as components.
Y = BX
[0006]
After creating the model formula, normal and abnormal wafers (wafers that have been intentionally shaken from standard conditions to large or small) using a plasma processing system before and after cleaning, and detected data detected during processing Is used to predict process parameters. That is, seven wafers were processed as normal wafers with the process parameters set as standard conditions, and subsequently, 15 wafers were processed as abnormal wafers by changing the process parameters from the standard conditions in the size direction. At this time, if a plurality of component wavelengths of plasma emission from the end point detector are detected as detection data, a plurality of process parameters are calculated based on the above model formula and these detection data, and the calculated values are automatically set as predicted values. Output to.
[0007]
Next, after cleaning the above-described plasma processing apparatus, normal and abnormal wafers are processed using the cleaned plasma processing apparatus. And the process parameter of the plasma processing apparatus after washing | cleaning was estimated using several detection data obtained at this time, and the said model formula. FIG. 6 shows a comparison between the set value of the process parameter and the predicted value for each wafer before and after cleaning. The left half of FIG. 6 shows the set value and the predicted value of the flow rate of gas 1 in the case of the plasma processing apparatus in which the model formula is created, and the right half shows the gas 1 in the case of the plasma processing apparatus after cleaning using the above model formula. The set value and the predicted value of the flow rate are shown. As is clear from FIG. 6, it can be seen that the predicted value of the plasma processing apparatus before cleaning in which the model formula is created approximates the set value, and the prediction accuracy is relatively high.
[0008]
[Problems to be solved by the invention]
However, in the case of the plasma processing apparatus after cleaning, since the predicted value is greatly different from the set value, the process parameters of the plasma processing apparatus after cleaning cannot be predicted using the model formula created before cleaning as it is. . In other words, even if the same plasma processing apparatus is used, detection data fluctuates due to reattachment of the end-point detector, environmental changes in the processing chamber, etc. after cleaning, so a new model equation must be created after cleaning. There was a problem. This is not only limited to the plasma processing apparatus before and after cleaning, but can also be applied between the plasma processing apparatuses of the same type when other maintenance inspections are performed.
[0009]
  The present invention has been made to solve the above problems. Once a prediction formula for a processing apparatus is created, the apparatus status such as process parameters can be evaluated for other similar processing apparatuses using the prediction formula. Process prediction apparatus and processing apparatus capable of predicting processing resultsAnd process prediction programThe purpose is to propose.
[0010]
[Means for Solving the Problems]
  In the process prediction method according to claim 1 of the present invention, when processing an object to be processed, a plurality of detection data from a plurality of detectors are subjected to multivariate analysis to evaluate an apparatus state of the processing apparatus, or In a process prediction method for predicting a processing result, a standard processing of a predetermined condition is performed on a plurality of objects to be processed using a single processing device, and the standard processingFrom each of the plurality of objects to be processedA principal component analysis model is created by performing principal component analysis on a plurality of detection data obtained, and this principal component analysis modelA plurality corresponding to detection data of each of the plurality of objects to be processed inA step of obtaining the residual as a first residual, a step of performing the standard processing on a plurality of objects to be processed of the same type as the object to be processed using another processing apparatus of the same type as the processing apparatus, This standard processFrom each of the plurality of objects to be processedMultiple detection data obtainedUpFor the principal component analysis modelA plurality of pieces corresponding to the detection data of the plurality of objects to be processedObtaining a second residual;From the variation in the second residualVariation of the first residualFrom the standard valueThe method includes a step of selecting small detection data and a step of creating a multivariate analysis model using residuals of a plurality of selected detection data.
[0011]
The process predicting method according to claim 2 of the present invention is the process predicting method according to claim 1, wherein the other processing device performs maintenance and inspection on the one processing device, and determines the mounting state of each detector. It is a different processing device.
[0012]
According to a third aspect of the present invention, the process predicting method according to the first or second aspect of the invention is characterized in that the other processing device performs maintenance and inspection on the one processing device, and the internal parts are different. It is the processing apparatus which makes it.
[0013]
The process prediction method according to claim 4 of the present invention is the process invention according to any one of claims 1 to 3, wherein the other processing device maintains the one processing device. It is a processing apparatus that inspects and changes the internal surface state.
[0014]
The process prediction method according to claim 5 of the present invention is characterized in that in the invention according to any one of claims 1 to 4, cleaning is performed as the maintenance inspection. .
[0015]
Further, the process prediction method according to claim 6 of the present invention is the invention according to any one of claims 1 to 5, wherein the principal component analysis uses the cross-validation method in the principal component analysis. It is characterized by calculating | requiring.
[0016]
  Moreover, the process prediction method according to claim 7 of the present invention is the process according to any one of claims 1 to 6, whereinFirstResidualStandard valueAs,Its maximum value andMostA small value is used.
[0017]
The process prediction method according to claim 8 of the present invention is the process according to any one of claims 1 to 7, wherein the multivariate analysis model is a multiple regression for evaluating a device state. It is an analysis model.
[0018]
The process prediction method according to claim 9 of the present invention is the process according to any one of claims 1 to 7, wherein the multivariate analysis model is a multiple regression for predicting a processing result. It is an analysis model.
[0019]
The process prediction method according to claim 10 of the present invention is the process according to any one of claims 1 to 9, wherein the processing apparatus is a plasma processing apparatus. It is.
[0020]
The process prediction method according to claim 11 of the present invention is characterized in that, in the invention according to claim 10, the detection data is the emission intensity of plasma.
[0021]
  A processing apparatus according to a twelfth aspect of the present invention is a processing means for performing a predetermined process on an object to be processed in a processing container, and a plurality of detectors for detecting the apparatus state and the processing state during processing by the processing means. And a control device having multivariate analysis means for performing multivariate analysis based on detection data from these detectors, and evaluating the device state based on the multivariate analysis or predicting the processing result In the apparatus, the multivariate analyzing means performs a principal component analysis on the plurality of detection data obtained from each of the plurality of objects to be processed by performing a standard process on a plurality of objects to be processed by the processing means. A first storage means for storing the program, and a principal component analysis model is created based on the plurality of detection data using the program of the first storage means, and the principal component analysis model A calculating means for calculating a plurality of residuals corresponding to the plurality of workpiece respective detection data as the first residual, a second storage means for storing a first residual obtained by the calculating means,At least the internal state of the mounting state, internal parts, or internal surface state is different.The above processing deviceInObtained from the multiple detectors under the standard conditions.TheThird storage means for storing a plurality of second residuals obtained by applying the detection data to the principal component analysis model and corresponding to the detection data of each of the plurality of objects to be processed; Multivariate using a selection means for selecting detection data smaller than the reference value of the first residual variation from the residual difference of 2 and a plurality of detection data residuals selected via the selection means And a fourth storage means for storing a program to be analyzed.
  According to a thirteenth aspect of the present invention, in the thirteenth aspect of the present invention, the processing apparatus is a plasma processing apparatus, the processing apparatus is a plasma processing apparatus, and the detection data is an emission intensity of plasma. It is characterized by being.
  Further, the process prediction program according to claim 14 of the present invention evaluates the apparatus state of the processing apparatus by performing multivariate analysis on a plurality of detection data from a plurality of detectors when processing an object to be processed. Alternatively, a program for controlling the operation of a computer so as to predict a processing result, wherein a standard process is executed on a plurality of objects to be processed in a single processing apparatus, and the plurality of objects to be processed by this standard process. A principal component analysis model is created by analyzing a plurality of detection data obtained from each processing object, and a plurality of residuals corresponding to the detection data of the plurality of objects to be processed in the principal component analysis model are first determined. The standard processing is performed on a plurality of processing objects of the same type as the processing object in another processing device of the same type as the processing device. A plurality of detection data obtained from each of the plurality of objects to be processed is applied to the principal component analysis model to obtain a plurality of second residuals corresponding to the detection data of each of the plurality of objects to be processed; The detection data smaller than the reference value of the first residual variation is selected from the variation of the second residual, and a multivariate analysis model is created using the residuals of the plurality of selected detection data. The operation of the computer is controlled.
  According to a fifteenth aspect of the present invention, there is provided a process prediction program according to the fourteenth aspect, wherein the processing apparatus is a plasma processing apparatus, and the detection data is plasma emission intensity. is there.
[0022]
DETAILED DESCRIPTION OF THE INVENTION
Hereinafter, the present invention will be described based on the embodiment shown in FIGS.
First, an example of a plasma processing apparatus used in the process prediction method of the present invention will be described with reference to FIG.
[0023]
For example, as shown in FIG. 1, the plasma processing apparatus 1 of the present embodiment includes a processing container 2 having a surface anodized and electrically grounded, which can maintain a desired high degree of vacuum, and the processing container. A lower electrode 3 disposed at the center of the bottom surface in 2 and on which an object to be processed (for example, a wafer having a thermal oxide film) W is placed, and the lower electrode 3 is supported from below and insulated from the bottom surface of the processing vessel 2 Plasma processing is performed on the thermal oxide film of the wafer W, including a support 4 disposed through the member 2A, and a lower electrode 3 and an upper electrode 5 disposed through a gap and formed in a hollow shape. (Etching) is performed. A high frequency power source 6 of 2 MHz, for example, is connected to the lower electrode 3 via a matching device 6A, and a high frequency power source 7 having a frequency higher than that of the lower electrode 3, for example 60 MHz, is connected to the upper electrode 5 via a matching device 7A. ing. A high pass filter 8 is connected to the lower electrode 3, and a low pass filter 9 is connected to the upper electrode 5. An exhaust device 11 is connected to an exhaust port 2B on the bottom surface of the processing container 2 via a gas exhaust pipe 11A. The exhaust device 11 evacuates the processing container 2 to maintain a desired degree of vacuum. In the following description, the lower electrode 3 and the support 4 are collectively referred to as a mounting table 10 as necessary.
[0024]
A gas introduction pipe 5A is formed at the center of the upper surface of the upper electrode 5, and the gas introduction pipe 5A passes through the center of the upper surface of the processing vessel 2 via an insulating member 2C. A gas supply source 12 is connected to the gas introduction pipe 5 </ b> A via a gas supply pipe 13, and an etching gas is supplied from the gas supply source 12. That is, the gas supply source 12 is, for example, a gas 1 (for example, C₅F₈) Source, gas 2 (eg CH₂F₂) Source, gas 3 (eg N₂) Source, gas 4 (eg Ar) source and gas 5 (eg O₂) A supply source is provided, and each of these gas supply sources is connected to a gas supply pipe 13. Then, these gases are supplied as etching gases at a predetermined flow rate into the processing container 2 via the flow rate control device.
[0025]
A large number of holes 5B are uniformly distributed on the lower surface of the upper electrode 5, and the processing gas is uniformly distributed from the holes 5B into the processing container 2. Therefore, the high-frequency power is applied to the lower electrode 3 and the upper electrode 5 in a state where the inside of the processing container 2 is evacuated by the exhaust device 11 and a predetermined etching gas is supplied from the gas supply source 12 at a predetermined flow rate. A plasma of an etching gas is generated in the processing container 2 to perform predetermined etching on the wafer W on the lower electrode 3. A temperature sensor (not shown) is attached to the lower electrode 3 and the temperature of the wafer W on the lower electrode 3 is constantly monitored via the temperature sensor.
[0026]
A refrigerant channel 10A through which a predetermined refrigerant (for example, a conventionally known fluorine-based fluid, water, etc.) passes is formed in the mounting table 10, and the lower electrode 3 is cooled while the refrigerant flows through the refrigerant channel 10A. The wafer W is cooled via the electrode 3, and the wafer W is controlled to a desired temperature. An electrostatic chuck 14 made of an insulating material is disposed on the lower electrode 3, and an electrode plate 14 </ b> A in the electrostatic chuck 14 is connected to a high voltage DC power supply 15. The electrostatic chuck 14 electrostatically attracts the wafer W by static electricity generated on the surface by a high voltage applied to the electrode plate 14A from the high-voltage DC power supply 15. A focus ring 16 surrounding the electrostatic chuck 14 is disposed on the outer peripheral edge of the lower electrode 3, and plasma is focused on the wafer W via the focus ring 16.
[0027]
Further, the mounting table 10 is formed with a gas flow path 10B for supplying a heat conductive gas such as He gas as a backside gas, and the gas flow path 10B is opened at a plurality of locations on the upper surface of the mounting table 10. These openings coincide with through holes formed in the electrostatic chuck 14 on the mounting table 10. Accordingly, when the backside gas is supplied to the gas flow path 10B of the mounting table 10, the backside gas flows out from the through hole of the electrostatic chuck 13 via the gas flow path 10B, and between the electrostatic chuck 14 and the wafer W. It spreads evenly throughout the gap, increasing the thermal conductivity in the gap. In FIG. 1, reference numeral 17 denotes a gate valve that opens and closes a wafer W loading / unloading port formed in the processing container 2.
[0028]
  The plasma processing apparatus 1 is provided with an end point detector 18. The end point detector 18 is used to detect the plasma emission in the processing chamber 2 for each wafer W, and the emission intensity of each component wavelength of the plasma emission for each wafer W. Are sequentially taken into the control device 19 as detection data. The control device 19 includes a multivariate analysis program.Process prediction program includingIs stored, and multivariate analysis means for performing multivariate analysis such as principal component analysis of detected data through this program is provided. As detection data, for example, 150 component wavelengths in the range of 200 nm to 950 nm are used.
[0029]
However, even if the state of the plasma processing apparatus 10 is evaluated, the processing result is predicted, or the process is predicted, various parts and detectors in the processing chamber are removed along with maintenance and inspection such as cleaning. In other words, the detection data of these detectors often changes, and it is mentioned above that the process of the plasma processing apparatus after maintenance inspection cannot be predicted using the model formula created before maintenance inspection. That's right.
[0030]
The multivariate analysis means 20 used in this embodiment includes a plurality of detectors (in this embodiment, obtained by performing standard processing on the plurality of wafers W under predetermined conditions in the processing chamber 2 as described above. , End point detector 18) first storage means 20A for storing a program for principal component analysis of detection data consisting of emission intensities of a plurality of component wavelengths, and emission of a plurality of component wavelengths using the program of first storage means 20A. A calculation unit 20B that creates a principal component analysis model based on the detection data including the intensity and obtains a residual of the principal component analysis model as a first residual, and a first residual obtained by the calculation unit 20B The second storage means 20C for storing the same as the above standard conditions from the end point detector 18 that changes the internal state of the processing device such as the mounting state, internal parts, internal surface state, etc. The third storage means 20D for storing the second residual obtained by fitting the detection data obtained under the above condition to the principal component analysis model, and the second residual based on the variation of the first residual Multivariate analysis model (for example, multiple regression analysis model) using selection means 20E for comparing and selecting detection data with small variation and a residual of a plurality of detection data selected through this selection means 20E And a fourth storage means 20F for storing a program for creating the program.
[0031]
The multivariate analysis means 20 of the present embodiment performs the following processing. That is, the wafer W is processed under standard conditions using the processing means of one plasma processing apparatus (for example, the plasma processing apparatus before cleaning) 1, and the emission intensity (optical data) of each wavelength of plasma emission for each wafer W. Are detected as detection data from the end point detector 18 and the principal component analysis is performed in the calculation means 20B using the program of the first storage means 20A to create these principal component analysis models. The residual of each detection data is calculated | required from this, and it stores in the 2nd memory | storage means 20C as a 1st residual. Next, the wafer is processed under standard conditions using another plasma processing apparatus of the same type (for example, the plasma processing apparatus after cleaning the plasma processing apparatus), and the wafer is detected for each wafer from the end point detector 18 having a different installation state. The same detection data is detected, these detection data are fitted to the principal component analysis model, the second residual is obtained, and stored in the third storage means 20D. Based on the maximum and minimum values of the first residual obtained before cleaning from among these second residuals, the selection means 20E compares the detected data with small variations in the second residual. After the selection, the model is obtained by multivariate analysis using the program of the fourth storage means 20F in which the selected second residual having a small variation is an explanatory variable, for example, the process parameter for evaluating the apparatus state is an objective variable. Create an expression. By using this model formula, process parameters can be predicted with high accuracy even after cleaning, and the apparatus state can be evaluated with high accuracy.
[0032]
  Here, an outline of principal component analysis using detection data composed of plasma emission intensity will be described. First, the process parameters are set to the standard values shown in Table 1 below using the plasma processing apparatus 1 before cleaning, and seven wafers are etched as normal wafers as shown in Table 2 below under the standard conditions. Sometimes, the emission intensity of n component wavelengths detected from the end point detector 18 is sequentially detected for each normal wafer using optical data as detection data, and principal component analysis of these detection data is performed. In addition, the Taguchi method orthogonal table shown in the following table 2 is created in which the process parameters are assigned in the range of level 1 and level 2 in the following table 1, and the process parameters are set in accordance with the orthogonal table, and 12 wafers are arranged in the orthogonal table wafer. As each etched and eachOrthogonalDetection data of emission intensity of n component wavelengths is obtained for the front wafer. The detection data and process parameters of these normal wafers and orthogonal table wafers are used for principal component analysis.
[0033]
In the above-described principal component analysis, for example, if there are n (150 component wavelengths in this embodiment) detection data x for each of m (19 in this embodiment) wafers, these detection data are included. Explanatory variable x_ijA matrix X having a component of is expressed by the following equation (1). And the control device 15Multivariate analysis means 20After obtaining the average value, maximum value, minimum value, and variance value based on these detection data, the principal component analysis of multiple detection data is performed using the variance-covariance matrix based on these calculation values, and eigenvalues are obtained. And its eigenvector. The eigenvalue represents the magnitude of the variance of the detected data, and is defined as the first principal component, the second principal component,. Each eigenvalue has an eigenvector belonging to it. The eigenvector is a weighting coefficient for each detection data. In general, the higher the order of the principal component, the lower the contribution rate to the data evaluation, and the less the utility value.
[Expression 1]

[0034]
As described above, n pieces of detection data are taken for each of the m wafers, and the j-th principal component corresponding to the j-th eigenvalue of the i-th wafer is expressed by Formula 2. This j-th principal component t_ijI-th detected value (x_i1, X_i2, ..., x_in) Is the score of the j-th principal component of the i-th wafer. Score of j-th principal component t_jIs defined by Equation 3, and the eigenvector P of the j-th principal component_jIs defined by Equation 4. And the score t of the j-th principal component_jTo matrix X and eigenvector P_jWhen is used, it is expressed by Formula 5. Further, when the matrix X is expressed by using the principal component scores and the respective eigenvectors, it is expressed by Equation 6.
[Expression 2]

[Equation 3]

[Expression 4]

[Equation 5]

[Formula 6]

However, P_n ^TIs P_nThis is the transpose matrix.
[0035]
By the way, in the case of predicting a process as described above, after performing principal component analysis, a residual matrix in which principal components having high orders are collected is used. That is, for example, the principal component analysis is performed up to the k-th principal component that seems to have a high contribution rate, and the (k + 1) -th and higher-order principal components having a lower contribution rate than the k-th principal component are combined into one. A residual matrix E defined by Equation 7 (each column corresponds to each component wavelength of plasma emission, and each row corresponds to the number of wafers) is formed. When this residual matrix E is applied to Equation 6, the residual matrix E is expressed by Equation 8. The order of principal components to be obtained in the principal component analysis is determined by the cross-validation method, and the order with the smallest prediction error is obtained. As a result, although it depends on the type of detection data, it has been found that when the optical data of this embodiment is used, for example, it is sufficient to obtain up to the fifth principal component. Therefore, regarding the plasma processing apparatus 1 before cleaning, the variation of the residuals of the respective detection data in seven normal wafers is obtained, and the maximum value and the minimum value of the residual are obtained. The maximum value is 0.43, which is the minimum. The value was -0.67.
[Expression 7]

[Equation 8]

[0036]
Next, seven wafers were processed as normal wafers under the standard conditions shown in Table 1 using the plasma processing apparatus after cleaning, and each component wavelength of plasma emission from the end point detector 18 was the same as described above. When the residual intensity of the normal wafer was obtained by applying the detected data to Equation 8 and obtaining the result, the result shown in FIG. 2 was obtained. When the maximum value and minimum value of the residual of the normal wafer before cleaning are entered as threshold lines in the residual shown in FIG. 2, there are many detection data (component wavelengths) having residuals that change beyond the threshold line. I understand. Therefore, it is considered that the emission intensity of the wavelength component exceeding the threshold line is a cause of increasing the prediction error when the process of the plasma processing apparatus after cleaning is predicted. Therefore, in this embodiment, among the residuals of the detection data obtained by the plasma processing apparatus after cleaning, a component wavelength indicating a residual that falls within the threshold line is selected, and multivariate analysis is performed using these residuals as explanatory variables. For example, a multiple regression analysis is performed to create a model formula, and a process parameter is predicted using this model formula.
[0037]
That is, in the present embodiment, as shown in FIG. 3, the residual selected as described above is used as an explanatory variable, the process parameter is used as a target variable, and a multiple regression analysis is performed using a multivariate analysis program. For the plasma processing apparatus 1, the following multiple regression equation (model equation) (1) is created. When creating the model formula, the residual of the detection data obtained by processing the normal wafer and the orthogonal table wafer shown in Table 2 above (the residual of the detection data selected by the above method)X 'and get these residualsTimeUsed in advanceSettingWasProcess parametersYUsingTo obtain the regression matrix BIt was. The PLS method of the multivariate analysis program was used when obtaining the regression matrix B of the model formula.When the process parameters of the plasma processing apparatus after the cleaning are predicted by obtaining the regression matrix B of the model formula in the plasma processing apparatus before the cleaning, the residual of the detection data of each component wavelength selected in the plasma processing apparatus Is applied as an explanatory variable to the model equation (1) below, a process parameter that is an objective variable is calculated, and the process parameter can be predicted from the calculation result.
Y = BX '(1)
[0038]
After preparing the model formula (1), 7 normal wafers and 15 abnormal wafers were processed using the plasma processing apparatus 1 before cleaning as shown in Table 3 below. At this time, the control device applies the residual of the selected detection data among the component wavelengths of the plasma emission of each wafer to the model equation shown in the above (1), and sets the process parameters of the plasma processing apparatus 1 before cleaning. Automatically calculate and output predicted values automatically to predict process parameters. One of the process parameters (for example, the flow rate of gas 1) is shown as cleaning cycle 1 in the left half of FIG. According to the result shown in FIG. 4, the set value of the flow rate of the gas 1 set as the process parameter and the predicted value are approximated as in the conventional case, and some of the detection data selected from the plurality of detection data It can be seen that even when the residual is used, the accuracy of the predicted value is high.
[Table 3]

[0039]
Next, normal wafers and abnormal wafers shown in Table 3 were processed using the plasma processing apparatus after cleaning. At this time, in the plasma processing apparatus after cleaning, the control apparatus predicts the process parameters by fitting the residual of the selected detection data among the component wavelengths of the plasma emission of each wafer to the model equation shown in the above (1). Automatically output values and predict process parameters. Among the process parameters, the set value and the predicted value of the flow rate of the gas 1 are shown as the cleaning cycle 2 in the right half of FIG. According to the result shown in FIG. 4, the set value of the flow rate of the gas 1 set as a process parameter and the predicted value are approximated even after cleaning, and can be predicted with accuracy comparable to that before cleaning. It can be seen that the gas flow rate can be predicted with much higher accuracy than Therefore, according to the results shown in FIG. 4, the process parameters can be predicted with high accuracy in both cases of the cleaning cycles 1 and 2, and if the model formula is created for the plasma processing apparatus 1 before cleaning, the cleaning is performed. Even if the model formula is applied as it is to a subsequent plasma processing apparatus, the process parameters can be predicted with high accuracy.
[0040]
Next, the prediction error of each process parameter was specifically obtained using the equation shown in Equation 9. The results are shown in Table 4 and Table 5 below. Table 4 below shows the prediction error, and Table 5 below shows the prediction accuracy. According to the results shown in Table 4 and Table 5 below, in the case of the gas 1 shown in FIG. 4, in the prediction method of this embodiment, the predicted value has an error of 0.4 sccm with respect to the set value of 10 sccm. On the other hand, it can be predicted with an error of 4%. On the other hand, in the conventional prediction method, the predicted value has an error of 1.7 sccm with respect to the set value of 10 sccm, that is, an error of 17% with respect to the set value. It turns out that it is inferior to. Further, according to the results shown in Tables 4 and 5 below, it can be seen that the prediction accuracy by the prediction method of the present embodiment is significantly higher than that of the conventional method for other process parameters.
[Equation 9]

In the formula, n represents the number of wafers.
[Table 4]

[Table 5]

[0041]
As described above, according to the present embodiment, when the wafer W is processed, the standard processing is performed on the plurality of wafers W using the plasma processing apparatus 1 before cleaning, and the standard processing is used. The detection data consisting of the emission intensities of the plurality of component wavelengths of the plasma emission is subjected to principal component analysis in the calculation means 20B using the program of the first storage means 20A to obtain a principal component analysis model (Equation 6) and the remaining of each detection data The step of obtaining each difference as a first residual, the step of storing the first residual in the second storage means 20C, and the same as before cleaning a plurality of wafers using the plasma processing apparatus after cleaning A step of performing standard processing, and using the plurality of detection data obtained by this standard processing, the arithmetic means 20B calculates the residual of these detection data by the principal component analysis model (Equation 6). A step of obtaining the second residual, a step of storing the second residual in the third storage means 20D, and a second residual based on the maximum value and the minimum value of the variation of the first residual. The selection means 20E selects the detection data having a residual having a small variation from the above, and a multiple regression model (formula 1) using the plurality of selected residuals through the program of the fourth storage means 20F. ) In the multiple regression model shown in equation (1), the variation in the residual of the detection data is small before and after cleaning, and the process parameters of the plasma processing apparatus can be set with high accuracy regardless of before and after cleaning. Can be predicted. Furthermore, it is not necessary to create a model formula for prediction by multivariate analysis for each cleaning, and once the model formula is created for the plasma processing apparatus 1 before cleaning, the model formula is used for the subsequent plasma processing after cleaning. It can be used as it is in the apparatus, and the effort for creating the model formula can be reduced.
[0042]
Further, according to the present embodiment, when the principal component analysis is performed, the order of the principal component having a small prediction error (for example, the fifth principal component) is obtained using the cross-validation method. The difference matrix E can be obtained efficiently. In addition, since the maximum value and the minimum value of the residual before cleaning are used as a reference for selecting detection data with small variation in residual, detection data with small residual can be efficiently and mechanically selected. A model formula with high prediction accuracy can be created reliably. A value obtained by multiplying the maximum value and the minimum value of the residual before cleaning by a predetermined ratio may be used as a reference for selecting the detection data.
[0043]
In each of the above embodiments, the case where the detection data from the end point detector is used as the detector has been described as an example, but the detection data from other detectors attached to the plasma processing apparatus may be used. The same effect as the above embodiment can be expected. Moreover, although the case where the process parameter for evaluating an apparatus state was estimated was demonstrated in the said embodiment, the multiple regression analysis model for predicting the process result of a wafer can also be created in this invention. In the above embodiment, the method for predicting the process of the plasma processing apparatus before and after cleaning has been described. However, the present invention can also be applied to a plasma processing apparatus after maintenance inspection other than cleaning, In the case of a plasma processing apparatus, if a model is created for one plasma processing apparatus, the model can be applied to other similar plasma processing apparatuses. In each of the above embodiments, the plasma processing apparatus has been described as an example. However, the present invention can also be applied to a semiconductor manufacturing apparatus other than the plasma processing apparatus and other general production apparatuses.
[0044]
【The invention's effect】
Main departureClearlyAccording tois thereOnce a prediction formula for a processing apparatus is created, a process prediction method and a process capable of evaluating a device state such as a process parameter for another processing apparatus of the same type using the prediction formula and predicting a processing result. An apparatus and a process prediction program can be provided.
[Brief description of the drawings]
FIG. 1 is a configuration diagram showing an example of a plasma processing apparatus to which a process prediction method of the present invention is applied.
FIG. 2 is a graph showing a change in residual of each component wavelength in a wavelength region of 200 to 950 nm of plasma detected by an end point detector attached to the plasma processing apparatus after cleaning.
FIG. 3 is a conceptual diagram showing a method for creating a model used in the process prediction method of the present invention.
FIG. 4 is a graph showing predicted values and set values when the process parameters of the plasma processing apparatus before and after cleaning are predicted using the process prediction method of the present invention.
FIG. 5 is a conceptual diagram showing a method for creating a model used in a conventional process prediction method.
FIG. 6 is a graph showing a predicted value and a set value when a process parameter of a plasma processing apparatus before and after cleaning is predicted using a conventional process prediction method.
[Explanation of symbols]
1 Plasma processing equipment
2 processing chamber (processing means)
3 Lower electrode (processing means)
5 Upper electrode (processing means)
6, 7 High frequency power supply (processing means)
18 End point detector
19 Control device
20 Multivariate analysis means
20A First storage means
20B computing means
20C second storage means
20D third storage means
20E selection means
20F fourth storage means
W wafer (object to be processed)

Claims

In a process prediction method for evaluating a device state of a processing device by performing multivariate analysis on a plurality of detection data from a plurality of detectors when processing an object to be processed, or predicting a processing result, one processing device And performing a principal component analysis of a plurality of detection data obtained from each of the plurality of objects to be processed by the standard processing, and performing a principal component analysis model on the plurality of objects to be processed. Creating a plurality of residuals corresponding to detection data of each of the plurality of objects to be processed in the principal component analysis model as a first residual, and using another processing device of the same type as the processing device the and performing the standard process for a plurality of workpiece of the workpiece and the like, the upper Symbol principal component analysis mode a plurality of detection data obtained from each of the plurality of the object to be processed by the standard process A step of obtaining a plurality of second residual corresponding to the detected data for each of the plurality of workpiece and fitted to Le, the reference value of the variation of the first residual from the variation of the second residual and selecting the smaller detection data, the prediction method of a process characterized by comprising the step of preparing the multivariate analysis model using residuals of the plurality of detection data selected.

2. The process prediction method according to claim 1, wherein the other processing device is a processing device that maintains and inspects the one processing device to change the mounting state of each detector.

3. The process predicting method according to claim 1, wherein the other processing apparatus is a processing apparatus that maintains and inspects the one processing apparatus to make different internal parts.

The process according to any one of claims 1 to 3, wherein the other processing apparatus is a processing apparatus that maintains and inspects the one processing apparatus to change the internal surface state. Prediction method.

The process prediction method according to any one of claims 1 to 4, wherein cleaning is performed as the maintenance inspection.

6. The process prediction method according to claim 1, wherein the principal component analysis uses a cross-validation method to determine the order of the principal component.

The relative value of the first residual prediction method of a process according to any one of claims 1 to 6 which comprises using the maximum value及beauty minimum value.

The process prediction method according to claim 1, wherein the multivariate analysis model is a multiple regression analysis model for evaluating a device state.

The process prediction method according to claim 1, wherein the multivariate analysis model is a multiple regression analysis model for predicting a processing result.

The process prediction method according to claim 1, wherein the processing apparatus is a plasma processing apparatus.

11. The process prediction method according to claim 10, wherein the detection data is a plasma emission intensity.

A processing means for performing a predetermined process on the object to be processed in the processing container, a plurality of detectors for detecting a device state and a processing state at the time of processing by the processing means, and multivariate based on detection data from these detectors And a control device having a multivariate analysis means for performing analysis, and in the processing device that evaluates a device state based on the multivariate analysis or predicts a processing result, the multivariate analysis means includes a plurality of multivariate analysis means. First storage means for storing a program for performing principal component analysis of the plurality of detection data obtained from each of the plurality of objects to be processed by performing standard processing of predetermined conditions on the object to be processed; A principal component analysis model is created based on the plurality of detection data using a program, and the detection data of each of the plurality of objects to be processed in the principal component analysis model is created. Calculating means for obtaining a plurality of the residual as a first residual to a second storage means for storing a first residual obtained by the calculating means, at least attached, an internal part, the internal surface condition and the plurality of the processing obtained by any of the differing the processing device internal status detection data obtained by the standard conditions from the plurality of detectors fitted to the principal component analysis model the calculating means A third storage means for storing a plurality of second residuals corresponding to the detection data of each body, and detection data smaller than the reference value of the variation of the first residual is selected from the variation of the second residual And a fourth storage means for storing a program for multivariate analysis using residuals of a plurality of detection data selected via the selection means.

The processing apparatus according to claim 12, wherein the processing apparatus is a plasma processing apparatus, and the detection data is plasma emission intensity.

A program for controlling the operation of a computer so as to evaluate a device state of a processing device or predict a processing result by performing multivariate analysis on a plurality of detection data from a plurality of detectors when processing an object to be processed In a single processing device, standard processing of a predetermined condition is executed for a plurality of objects to be processed, and a plurality of detection data obtained from each of the plurality of objects to be processed are subjected to principal component analysis by this standard processing. A principal component analysis model is created, and a plurality of residuals corresponding to the detection data of the plurality of objects to be processed in the principal component analysis model are obtained as first residuals, in the processing apparatus executes the above standard process for a plurality of the object of the object to be processed the same type, a plurality of detection data obtained from each of the plurality of the object to be processed by the standard process And fitting the upper Symbol principal component analysis model obtains a second residual plural corresponding to the detected data for each of the plurality of the object, further, the first residue from the variation of the second residual the smaller the detection data from the reference value of the variation is selected, to create a multivariate analysis model using residuals of the plurality of detection data selected, the process predictions and controls the operation of the computer program.

15. The process prediction program according to claim 14, wherein the processing apparatus is a plasma processing apparatus, and the detection data is plasma emission intensity .