错误原因的推定装置具备：特征量生成部，其使用从外部发送的数据来生成适合于机器学习模型的特征量；模型数据库，其具有至少一个以上的错误预测模型，该错误预测模型将特征量作为输入数据而用于有无错误产生的判定；模型评价部，其将错误预测模型的预测结果与实际测量出的真正的错误结果进行比较来评价错误预测模型的性能；模型选择部，其从模型数据库选择由模型评价部计算出的评价值为预先设定的预定值以上的错误预测模型；以及错误预测模型生成部，其在由模型选择部选择的错误预测模型没有符合的情况下，针对测量出的错误生成新的错误预测模型。由此，即使没有错误原因的事先注释，也能够针对产生的多种错误推定其原因。也能够针对产生的多种错误推定其原因。也能够针对产生的多种错误推定其原因。
【技术实现步骤摘要】
【国外来华专利技术】错误原因的推定装置以及推定方法
[0001]本专利技术涉及错误原因的推定装置以及推定方法。
技术介绍
[0002]半导体测量装置、半导体检查装置按照被称为方案的设定参数，对在半导体晶圆的表面判定为异常的每个检查点实施检查动作、测量动作。方案参数的调整一般是根据测量/检查对象的属性或装置的特性等，由工程师通过手动作业使各项目最佳化。因此，例如，在使用调整不充分的方案、装置的特性因经时变化而改变的情况下等，在检查动作、测量动作中有可能产生错误。这样的错误作为由方案的内容引起的错误而被称为方案错误。
[0003]在发生了这样的方案错误时，服务工程师一般从半导体测量装置、半导体检查装置解析装置内部数据来确定原因部位。然而，随着半导体的微细化、多样化，会产生方案数和方案设定项目的增加、方案生成的复杂化等。因此，方案错误的原因确定需要时间，成为使装置的运转率降低的一个原因。
[0004]在专利文献1中公开了如下内容：通过识别用于测定超小型电子机构的期望尺寸的测量工具中的故障的方法，用户能够迅速地集中于最有问题的方案，使用在哪个测量工具中都典型存在的错误日志来决定根本性的原因，能够使该处理自动化等。
[0005]在专利文献2中，作为在工件的加工面产生了不良的情况下推定该不良的原因的技术，公开了如下的加工不良原因推定装置：使用机器学习装置，观测检查装置对工件的加工面的检查结果作为状态变量，取得表示加工面不良的产生原因的标签数据，将状态变量与标签数据关联起来进行学习。
[0006]现有技术文献
[0007]专利文献
[0008]专利文献1：日本专利第4398441号公报
[0009]专利文献2：日本专利第6530779号公报
技术实现思路
[0010]专利技术所要解决的课题
[0011]在专利文献1所记载的方法中，能够使用典型的错误日志自动地决定根本性的原因。然而，在专利文献1中，没有记载与通过测量工具使用的方案有关的归一化后的数量的错误具体是什么样的错误等。
[0012]专利文献2所记载的加工不良原因推定装置的适用范围限于能够将状态变量与标签数据关联起来进行学习的情况。换言之，需要注释。
[0013]在半导体检查装置等中的方案错误的原因推定时，错误以怎样的机制产生依赖于产品、制造工艺。另外，错误的变化涉及多方面。因此，难以事先设想并网罗错误原因而用于学习。
[0014]本专利技术的目的在于，即使没有错误原因的事先注释，也针对所产生的多种错误推
定该错误的原因。
[0015]用于解决课题的手段
[0016]本专利技术的错误原因的推定装置具备：特征量生成部，其使用从外部发送的数据来生成适合于机器学习模型的特征量；模型数据库，其具有至少一个以上的错误预测模型，该错误预测模型将特征量作为输入数据而用于有无错误产生的判定；模型评价部，其将错误预测模型的预测结果与实际测量出的真正的错误结果进行比较来评价错误预测模型的性能；模型选择部，其从模型数据库选择由模型评价部计算出的评价值为预先设定的预定值以上的错误预测模型；以及错误预测模型生成部，其在由模型选择部选择的错误预测模型没有符合的情况下，针对测量出的错误生成新的错误预测模型。
[0017]本专利技术的错误原因的推定方法包括：特征量生成工序，使用从外部发送的数据来生成适合于机器学习模型的特征量；模型评价工序，将保存在模型数据库中的错误预测模型的预测结果与实际测量出的真正的错误结果进行比较，将特征量作为输入数据来评价在有无错误产生的判定中使用的错误预测模型的性能；模型选择工序，从模型数据库选择在模型评价工序中计算出的评价值为预先设定的预定值以上的错误预测模型；以及错误预测模型生成工序，在通过模型选择工序选择的错误预测模型没有符合的情况下，针对测量出的错误生成新的错误预测模型。
[0018]专利技术效果
[0019]根据本专利技术，即使没有错误原因的事先注释，也能够针对所产生的多种错误推定该错误的原因。
附图说明
[0020]图1是表示包含实施例1的错误原因推定装置的信息处理系统的框图。
[0021]图2是表示图1的错误原因推定装置的结构图。
[0022]图3是表示实施例1的第一错误预测模型生成部中的新的错误预测模型的生成步骤的流程图。
[0023]图4是表示实施例1的输入数据的数据结构的一例的表。
[0024]图5是表示图2的模型解析部中的处理以及显示例的示意图。
[0025]图6是表示实施例1的模型评价部以及模型解析部中的处理以及显示例的示意图。
[0026]图7是表示实施例1的特征量的值与对该错误产生的贡献度的关系的一例的图表。
[0027]图8是表示实施例1的第二错误预测模型生成步骤的流程图。
[0028]图9是表示具备实施例2的数据分类部的错误原因推定装置的结构图。
[0029]图10是表示实施例2的数据分类部的结构图。
[0030]图11是表示使用特征量的值与对该错误产生的贡献度的关系来对错误数据进行了分类的状态的图表。
[0031]图12是表示实施例3的仅实施错误原因推定的错误原因推定装置的结构图。
[0032]图13是表示实施例3的具有错误原因标签取得部和错误原因标签数据库的错误原因推定装置的结构图。
[0033]图14是表示实施例3的对用户的错误原因候选的图。
具体实施方式
[0034]在以下说明的实施方式中，“半导体检查装置”包括对形成于半导体晶圆的表面的图案的尺寸进行测量的装置、对形成于半导体晶圆的表面的图案有无缺陷进行检查的装置、或者对未形成图案的裸晶圆有无缺陷进行检查的装置等，还包括将这些装置组合多个而成的复合装置。
[0035]另外，在以下说明的实施方式中，“检查”以测量或检查的意思使用，“检查动作”以测量动作或检查动作的意思使用，“检查对象”是指成为测量或检查的对象的晶圆、或者该晶圆中的测量或检查的对象区域。
[0036]另外，在本说明书中，错误原因推定装置与错误原因的推定装置同义，错误原因推定方法与错误原因的推定方法同义。
[0037]以下，对错误原因的推定装置以及推定方法的优选实施方式进行说明。
[0038]优选的是，所述推定装置具备特征量生成部、模型数据库、模型评价部、模型选择部以及错误预测模型生成部，所述推定装置还具备数据分类部，该数据分类部将输入数据内的错误数据按照每个错误原因进行分类。
[0039]优选的是，在所述推定装置中，错误预测模型生成部对分类后的每个错误数据赋予不同的标签，与该标签一起生成错误预测模型，并将该错误预测模型发送给模型数据库。
[0040]优选的是，所述推定装置还具备模型解析部，该模型解析部将特征量对由模型选择部选择的错误预测模型中的错误判定结果的贡献度数值化。
[0041]优选的是，所述推定装置具有如下结构：将由模型解析部计算出的贡献度的值高的特征量作为错误本文档来自技高网...
【技术保护点】
【技术特征摘要】
【国外来华专利技术】1.一种错误原因的推定装置，其特征在于，所述错误原因的推定装置具备：特征量生成部，其使用从外部发送的数据来生成适合于机器学习模型的特征量；模型数据库，其具有至少一个以上的错误预测模型，该错误预测模型将所述特征量作为输入数据而用于有无错误产生的判定；模型评价部，其将所述错误预测模型的预测结果与实际测量出的真正的错误结果进行比较来评价所述错误预测模型的性能；模型选择部，其从所述模型数据库中选择由所述模型评价部计算出的评价值为预先设定的预定值以上的所述错误预测模型；以及错误预测模型生成部，其在由所述模型选择部选择的所述错误预测模型没有符合的情况下，针对测量出的错误生成新的错误预测模型。2.根据权利要求1所述的错误原因的推定装置，其特征在于，所述错误原因的推定装置还具备：数据分类部，其按照每个错误原因将所述输入数据内的错误数据分类。3.根据权利要求2所述的错误原因的推定装置，其特征在于，所述错误预测模型生成部对分类后的每个所述错误数据赋予不同的标签，与该标签一起生成所述错误预测模型，并将该错误预测模型发送给所述模型数据库。4.根据权利要求1至3中的任意一项所述的错误原因的推定装置，其特征在于，所述错误原因的推定装置还具备：模型解析部，其将所述特征量对由所述模型选择部选择的所述错误预测模型中的错误判定结果的贡献度数值化。5.根据权利要求4所述的错误原因的推定装置，其特征在于，对于由所述模型解析部计算出的所述贡献度的值高的所述特征量，作为错误原因候选提示给用户。6.根据权利要求4所述的错误原因的推定装置，其特征在于，在由所述模型选择部选择了多个错误预测模型的情况下，所述模型评价部计算模型评价值，使用所述模型评价值对由所述模型解析部计算出的每个所述特征量的所述贡献度进行校正...
【专利技术属性】
技术研发人员：吉田泰浩，石川昌义，早川功一，高野正干，笹岛二大，
申请(专利权)人：株式会社日立高新技术，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。