离子束照射装置和存储离子束照射装置用程序的存储介质的制作方法

本发明涉及离子束照射装置和存储有离子束照射装置用程序的存储介质。

背景技术：

如专利文献1所示，离子注入装置包括离子源、质量分离磁铁等用于生成离子束的多个模块，这些模块基于预先设定的各种基本运转参数而动作。

具体地说，如果控制各模块的控制装置接收到被称为方案的处理条件，则首先向各模块输入基本运转参数的初始值。并且，控制装置通过调整基本运转参数的初始值来设置各模块，以便边检测与生成的离子束相关的各种信息边生成符合方案的离子束。

作为该基本运转参数的初始值，以往输入根据方案预先存储的值或相同方案的过去处理时使用的值。

但是，如果在新的处理时与在此以前的处理时各模块的状态(消耗状态和维护状态)不同，则即使方案相同且作为初始值输入了相同的值，有时也会使到取得调整值所花费的设置时间变长，或者使束电流量、束角度、束电流密度等这样的离子束的质产生变化。

专利文献1：日本专利公开公报特开2007-35370号

技术实现要素：

因此，为了解决上述问题，本发明的目的主要在于能够适当地确定符合当前模块状态的基本运转参数的初始值，例如设置时间变短的初始值、能够生成所希望的离子束的初始值等。

即，本发明的离子束照射装置由多个模块生成满足处理条件的离子束并向被处理物照射，所述离子束照射装置包括：机器学习部，生成将新的处理时的处理条件和监测值至少作为说明变量的学习算法，所述监测值表示所述新的处理的上一次处理中的至少一个所述模块的状态；以及基本运转参数输出部，利用所述学习算法输出控制所述模块的动作的基本运转参数的初始值。

按照以上述方式构成的离子束照射装置，生成将表示各处理的上一次处理(以下也称为前处理)中的模块状态的监测值作为说明变量的学习算法，因而利用该学习算法输出的基本运转参数的初始值考虑了进入新的处理前的模块的状态。因此，通过利用该学习算法，能够适当地确定符合当前模块状态的基本运转参数的初始值，例如设置时间变短的初始值、能够生成所希望的离子束的初始值等。

作为更具体的实施方式，在向所述多个模块输入所述初始值、所述各模块基于调整所述初始值而得到的调整值进行动作的装置结构中，还包括学习数据存储部，所述学习数据存储部存储包含多组数据集的学习数据，所述学习数据是从过去的多个处理得到的学习数据，所述数据集使各处理的处理条件、各处理的所述初始值或所述调整值的至少一方、各处理的上一次处理中的至少一个所述模块的所述监测值、以及各处理中的规定的目标变量的实际值相关联，所述机器学习部通过利用所述学习数据的机器学习来生成所述学习算法。

作为所述目标变量可以列举的是，直到得到所述调整值为止的设置时间、表示是否得到了所述调整值的指标值、所述离子束的束电流量、所述离子束的束角度或所述离子束的束电流密度。

在多个模块中，与引出电极系统模块或束线电磁场系统模块相比，离子源系统模块大多寿命短，因而与引出电极系统模块或束线电磁场系统模块相比，离子源系统模块的维护或更换的频度高。

鉴于上述情况，优选的是，在所述学习数据中至少包含离子源系统模块的所述监测值。

由此，由于即使在多个模块中，也能够考虑状态容易变化的离子源系统模块的前处理时的状态来进行机器学习，因此能够更适当地确定新的处理时的初始值。

由离子源生成的等离子体难以建模且难以控制，作为对该等离子体的生成效率起支配作用的参数，可以列举的是向等离子体室供给的气体流量、或向使等离子体室内产生磁场的源磁铁的供给电流。

因此，优选的是，作为所述基本运转参数，使用向构成所述离子源的等离子体室供给的气体流量或向使所述等离子体室内产生磁场的源磁铁的供给电流中的至少任意一个。

由此，能够适当地确定气体流量或向源磁铁的供给电流的初始值，从而能够高效地生成等离子体。

优选的是，所述离子束照射装置还包括控制装置，所述控制装置基于所述处理条件和规定的设置顺序来选择所述基本运转参数的初始值并输入所述模块，并且通过调整所述初始值来设置所述模块，在包括所述控制装置的结构中，还包括恢复部，所述恢复部在所述控制装置未完成所述模块的设置的情况下，获取表示该情况的异常信号，在所述恢复部获取了所述异常信号的情况下，将从所述基本运转参数输出部输出的所述基本运转参数的初始值输入所述模块。

按照这种结构，不需要从至此为止的方式大幅度变更模块的设置顺序，也能够使用由学习算法得到的初始值，实现了设置时间的进一步缩短化和设置成功率的进一步提高。

此外，作为其他实施方式，所述离子束照射装置还包括控制装置，所述控制装置基于所述处理条件和规定的设置顺序来选择所述基本运转参数的初始值并输入所述模块，并且通过调整所述初始值来设置所述模块，在包括所述控制装置的结构中，还包括事先预测部，所述事先预测部在使用基于所述处理条件和所述设置顺序选择的初始值的情况下，预测所述模块的设置是否完成，在由事先预测部预测为所述模块的设置未完成的情况下，将从所述基本运转参数输出部输出的所述基本运转参数的初始值输入所述模块。

此外，本发明提供一种存储有离子束照射装置用程序的存储介质，所述程序用于由多个模块生成满足处理条件的离子束并向被处理物照射的离子束照射装置，并使计算机发挥作为以下部分的功能：机器学习部，生成将新的处理时的处理条件和监测值至少作为说明变量的学习算法，所述监测值表示所述新的处理的上一次处理中的至少一个所述模块的状态；以及基本运转参数输出部，利用所述学习算法输出控制所述模块的动作的基本运转参数的初始值。

按照以上述方式构成的存储有离子束照射装置用程序的存储介质，能够发挥与上述离子束照射装置同样的作用效果。

按照以上述方式构成的本发明，能够进行考虑了模块的前处理时的状态的机器学习，从而能够根据目标变量适当地确定新的处理时的基本运转参数的初始值。

附图说明

图1是表示本实施方式的离子束照射装置的整体结构的示意图。

图2是表示同一实施方式的控制装置和机器学习装置的功能的功能框图。

图3是表示同一实施方式的控制装置和学习装置的动作的流程图。

图4是用于说明同一实施方式的学习模型的内容的图。

图5是表示其他实施方式的控制装置和机器学习装置的功能的功能框图。

附图标记说明

100···离子束照射装置

8···控制装置

81···方案接收部

82···基本参数输入部

83···基本参数调整部

9···机器学习装置

91···学习数据存储部

92···机器学习部

93···算法存储部

94···基本参数输出部

具体实施方式

<第一实施方式>

下面，参照附图对本发明的离子束照射装置的第一实施方式进行说明。

如图1所示，本实施方式的离子束照射装置100是用于向目标物w照射离子束ib来进行离子注入的离子注入装置，其包括用于生成离子束ib的多个模块2～7和控制这些模块2～7的动作的控制装置8。另外，离子束照射装置100并不限定于离子注入装置，例如可以是离子束刻蚀装置等。

具体地说，该离子束照射装置100至少包括：引出离子束ib的离子源2；以及作为质量分离器的质量分离磁铁3，设置在该离子源2的下游侧，从由离子源2引出的离子束ib中分选并导出由质量数和价数确定的所希望的掺杂离子，此外，在本实施方式中还包括：加速管4，设置在质量分离磁铁3的下游侧，对从质量分离磁铁3导出的离子束ib进行加速或减速；作为能量分离器的能量分离磁铁5，设置在该加速管4的下游侧，从由加速管4导出的离子束ib中分选并导出特定的能量的离子；扫描磁铁6，设置在该能量分离磁铁5的下游侧，以一维磁方式(在图1中沿纸面的方向)对从能量分离磁铁5导出的离子束ib进行扫描；以及束平行化磁铁7，设置在该扫描磁铁6的下游侧，使从扫描磁铁6导出的离子束ib弯曲复原成与基准轴平行，并且与扫描磁铁6协作进行离子束ib的平行扫描。在此将这些结构要素分别以上述方式称为模块(以下记载为模块m)。

另外，上述模块m并不是必须全部具备，例如在离子束照射装置100与目标物w的机械扫描方向垂直的方向上照射比目标物w的尺寸大的尺寸的带状束的情况下，不需要扫描磁铁6，也可以适当地取舍选择其他的加速管4、能量分离磁铁5和束平行化磁铁7等模块m。

控制装置8是具有cpu、存储器、显示器和输入部件等的计算机，按照存储于所述存储器的程序，通过使cpu及其周边设备协作，如图2所示至少发挥作为方案接收部81、基本运转参数输入部82(以下称为基本参数输入部82)和基本运转参数调整部83(以下称为基本参数调整部83)的功能。

方案接收部81接收对被处理物的处理条件(以下称为方案)。

方案例如是从未图示的主计算机等发送来的数据，并且是包含各种信息的数据，上述各种信息表示包含于离子束ib的掺杂离子的离子种类、离子束ib的束能量、以及离子束ib的束电流等之类的离子束ib的质。

基本参数输入部82向各模块m输入用于控制各模块m的动作的基本运转参数(以下称为基本参数)的初始值。另外，基本参数是为了控制模块m的动作所需要的设定项目，分别对各模块m预先设定。可以对一个模块m设定一种基本参数，也可以设定多种基本参数。

在此，构成离子束照射装置100的模块m能够大体分为：用于等离子体生成的离子源系统模块、用于从离子源2引出离子束ib的引出电极系统模块、以及用于控制被引出的离子束ib的束线电磁场系统模块。

例如，作为离子源系统模块，可以列举构成离子源2的等离子体室、向等离子体室供给等离子体生成用气体的气体供给机构(流量控制装置等)、使等离子体室内产生磁场的源磁铁、以及向等离子体室释放电子的灯丝等。

此外，作为离子源系统模块设定的基本参数可以列举的是向等离子体室供给的气体流量、向源磁铁供给的供给电流和电弧电流等。

作为引出电极系统模块可以列举的是：构成从离子源2引出离子束ib的引出电极系统的抑制电极和接地电极、以及调整这些电极的位置和分离距离等的调整机构等。

此外，作为引出电极系统模块设定的基本参数，例如可以列举的是沿等离子体室和各电极间的引出方向的距离、各电极的位置以及各电极的倾斜度等。

作为束线电磁场系统模块可以列举的是质量分离磁铁3、加速管4、能量分离磁铁5、扫描磁铁6和束平行化磁铁7等。

此外，作为束线电磁场系统模块设定的基本参数例如可以列举的是质量分离磁铁3的磁通密度、向加速管4施加的电压、能量分离磁铁5的磁通密度以及束平行化磁铁7的磁通密度等。

另外，上述列举的基本参数并不是全部必要，可以根据离子束照射装置100的结构等适当地取舍选择。

基本参数调整部83调整由基本参数输入部82输入的基本参数的初始值，具体地说，根据需要调整一种或多种基本参数的初始值并设置各模块m，以使生成的离子束ib满足处理条件、即生成符合方案的离子束ib。

更具体地说，基本参数调整部83按照预先设定的设置顺序来调整基本参数，各模块m基于由该设置顺序最终得到的基本参数的调整值而动作。另外，在此所说的调整值包含调整初始值而得到的值和未进行调整的初始值。

另外，设置顺序例如包括以下多个工序：在等离子体室内生成等离子体的等离子体生成工序；引出电极系统的离子束ib的引出工序、进行离子束ib的加减速或轨道调整等的束调整工序、以及测量离子束ib的束电流量、束角度或束电流密度等的束测量工序等。如图2所示，基本参数调整部83对基本参数的值进行反馈控制等，以使在各工序中由例如束检测器(例如法拉第杯)等各种检测器x检测的检测值接近规定的目标值。

在此，如图2所示，本实施方式的离子束照射装置100还包括监测值存储部84，该监测值存储部84存储表示至少一个模块m的状态的状态参数值(以下称为监测值)。

在此，即使方案相同且作为基本参数的初始值输入了相同的值，由上述基本参数调整部83得到的调整值也会因此时的模块m的状态而变动。因此，在本实施方式的状态参数中包含基本参数的全部或一部分，作为监测值包含基本参数的调整值的全部或一部分。具体地说，由上述基本参数调整部83得到的调整值的全部或一部分作为监测值存储在监测值存储部84中。

此外，作为基本参数以外的状态参数可以包括在处理的过程中变动的参数、即在一次或多次处理的前后产生差异的参数。作为这种状态参数可以列举的是灯丝电流、灯丝电压。这些状态参数并不是像基本参数那样输入初始值的值，而是在处理的过程中因灯丝的状态随时间变化(例如灯丝直径的减少等)而变动的变动值。如图2所示，这种变动值由监测部z监测，并且这些变动值作为监测值存储在监测值存储部84中。

而且，如图1所示，本实施方式的离子束照射装置100还包括机器学习装置9，该机器学习装置9用于自动且适当地确定由上述基本参数输入部82输入的基本参数的初始值。

该机器学习装置9是具有cpu、存储器、显示器、输入部件和人工智能等的计算机，在此是独立于上述控制装置8的单独个体，按照存储于所述存储器的离子束照射装置用程序，通过使cpu与其他周边设备协动，如图2所示发挥作为学习数据存储部91、机器学习部92、算法存储部93和基本运转参数输出部94(以下称为基本参数输出部94)的功能。

以下，结合各部91～94的功能的说明，参照图3的流程图对利用该机器学习装置9的各模块m的设置进行说明。

首先，将用于机器学习的学习数据存储在学习数据存储部91中(s1)。

学习数据例如是根据过去的多个处理得到的数据，包含过去的多个处理中的各种实际值。具体地说，如图4所示，该学习数据包含多组使过去的各处理的方案、在各处理中基本参数输入部82输入各模块m的基本参数的初始值、在各处理中基本参数调整部83进行调整而得到的基本参数的调整值、各处理结束时的模块m的状态参数的监测值以及各处理中的规定的目标变量的实际值相关联的数据集。另外，如上所述，此处的监测值中包含基本参数的调整值的一部分或全部，此外还包含由监测部z监测到的变动值。但是，作为监测值只要包含基本参数的调整值或变动值的至少一方即可。

并且，这些数据中的过去的各处理的处理条件、各处理中的基本参数的初始值或调整值的至少一方、各处理的上一次处理(以下也称为前处理)中的至少一个模块m的监测值、以及各处理中的规定的目标变量的实际值作为一组数据集而相关联。另外，此处的数据集中包含基本参数的初始值和调整值双方。此外，此处的数据集中根据需要还使各处理中的束线的真空度等也相关联，在学习数据中包含多组该数据集。

目标变量是后述的基本参数输出部94用于输出新的处理中的基本参数的初始值的基准，在此是设置时间、即直到开始处理为止所需要的时间，至少包含基本参数调整部83开始调整基本参数的初始值之后到得到调整值为止所需要的调整时间。

接着，机器学习部92利用存储于学习数据存储部91的学习数据来生成学习算法，该学习算法将在新的处理时接收到的方案以及该新的处理的前处理中的至少一个模块m的监测值至少作为说明变量(s2)。

该机器学习部92是由上述的人工智能发挥的功能，利用有教师学习、无教师学习、强化学习和深层学习等适当选择的机器学习来生成上述的学习算法。

机器学习部92将生成的学习算法存储在设定于所述存储器的规定区域的算法存储部93中。另外，算法存储部93也可以设置于外部存储器或云服务器等。

并且，如果上述的方案接收部81接收到新的处理时的方案，则基本参数输出部94利用由机器学习部92生成的学习算法，以目标变量满足所希望的条件的方式输出新的处理时的基本参数的初始值(s3)。

具体地说，基本参数输出部94获取方案接收部81接收到的新的处理时的方案、以及存储于监测值存储部84的至少一个模块m的前处理时的监测值，从而推测新的处理中的设置时间。更具体地说，获取过去的多次处理时(例如与新的处理时方案相同的处理时、或与前处理时监测值相等或在规定的范围内的处理时)的基本参数的调整值，并将各调整值作为新的处理时的初始值输入时的设置时间进行分类(分级)或计算，输出其结果。另外，也可以将过去的多次处理时的基本参数的初始值作为新的处理时的初始值输入时的设置时间进行分类(分级)或计算，并输出其结果。

此处的基本参数输出部94获取前处理结束时的离子源系统模块的状态参数的监测值、具体地说是离子源系统模块的前处理时的基本参数的调整值或作为灯丝的状态参数的灯丝电压、灯丝电流等，并且利用这些监测值来确定基本参数的初始值。但是，基本参数输出部94也可以获取灯丝以外的离子源系统模块、引出电极系统模块或束线电磁场系统模块的状态参数的监测值，并且利用这些监测值来确定基本参数的初始值。

由此，将从基本参数输出部94输出的基本参数的初始值中，基于规定的判断条件判断为最佳的初始值，例如设置时间为最短等，通过基本参数输入部82输入各模块m(s4)。另外，该判断在此由基本参数输出部94进行，但是也可以由与机器学习装置9不同的计算机(例如控制装置8)进行，还可以由操作员进行。

此后，如上所述，进行基本参数调整部83的基本参数的调整(s5)，完成各模块m的设置。

按照以上述方式构成的离子束照射装置100，由于作为学习数据包含前处理中的模块m的状态参数的监测值，所以能够进行考虑了前处理时的模块m的状态的机器学习。

其结果，通过利用由该机器学习生成的学习模型，在新的处理中能够确定例如设置时间为最短的基本参数的初始值。

具体地说，在将本实施方式的机器学习装置9输出的基本参数的初始值输入所使用的各模块m时、以及将以往已存的基本参数的初始值输入各模块m时，对设置时间进行比较的结果为与后者相比前者为大约一半的设置时间，则可以确认实现了设置时间的缩短化。

在此，在多个模块m中与引出电极系统模块或束线电磁场系统模块相比，离子源系统模块大多寿命短且维护或更换的频率高。

对此，由于在本实施方式的学习数据中至少包含离子源系统模块的状态参数的监测值，所以即使在模块m中也能够考虑状态容易变化的离子源的前处理时的状态来进行机器学习，因而能够更适当地确定新的处理时的初始值。

此外，作为离子源系统模块的基本参数，包含向等离子体室供给的气体流量和向源磁铁的供给电流，这些基本参数对等离子体的生成效率起支配作用，因此能够适当地确定气体流量和向源磁铁的供给电流的初始值，以便能够有效地生成难以建模的等离子体。

<第二实施方式>

接着，对本发明的离子束照射装置的第二实施方式进行说明。

第二实施方式的离子束照射装置100与所述第一实施方式同样，而与所述第一实施方式的不同点在于，切换将基于学习算法得到的基本参数的初始值输入各模块m并进行调整的动作(以下称为ai基本参数模式)、以及将不依赖于该ai基本参数模式而由控制装置8(束控制器)选择的基本参数的初始值输入各模块m并进行调整的动作(以下称为bc基本参数模式)。

首先，ai基本参数模式的动作与所述第一实施方式所述的内容相同，因此以下对bc基本参数模式进行简单说明。

作为bc基本参数模式，可以列举的是例如控制装置8以往的设置顺序。具体地说，如果方案接收部81接收到方案，则基本参数输入部82选择例如根据方案预先存储的初始值、或在与接收到的方案相同的方案的过去处理时使用的初始值作为基本参数的初始值，并且将该选择的初始值输入各模块m。此后，基本参数调整部83调整输入的基本参数的初始值来设置各模块m，以便生成符合方案的离子束ib。

并且，如图5所示，本实施方式的控制装置8还具备恢复部85和事先预测部86的一方或双方的功能。

在bc基本参数模式的各模块m的设置未完成而异常结束的情况下，恢复部85获取表示该情况的异常信号，并且将各模块m的设置顺序从bc基本参数模式切换为ai基本参数模式。

具体地说，如果获取到异常信号，则恢复部85将基本参数输入部82的动作从bc基本参数模式切换为ai基本参数模式，再次将基本参数的初始值输入各模块m。即，如上述实施方式中所述，基本参数输入部82获取基本参数输出部94利用学习算法确定并输出的基本参数的初始值，并且将该初始值输入各模块m。

在即使将基本参数输入部82的动作从bc基本参数模式切换为ai基本参数模式而仍然检测到异常信号的情况下，恢复部85可以再次以ai基本参数模式使基本参数输入部82动作。在这种情况下优选的是，作为基本参数输出部94例如将在多个模块中状态容易变化的离子源系统模块的初始值改变为基本参数的初始值。

在bc基本参数模式的动作开始前，事先预测部86基于方案接收部81接收到的方案，预测bc基本参数模式的各模块m的设置是否完成。

更具体地说，事先预测部86例如判断是否发生了以下的事项中一个或多个，在发生了一个或多个事项的情况下，判断为bc基本参数模式的设置未完成的可能性高。

·在过去规定期间(例如一个月)未接收到与接收到的方案相同的方案的情况。

·在与接收到的方案相同的方案的一次或多次前的处理中，规定的实际值(例如离子束ib的束电流量、离子束ib的束角度和离子束ib的束电流密度等)超过了规定的数值范围的情况。

·在与接收到的方案相同的方案的一次或多次前的处理中，bc基本参数模式的设置未完成的情况。

·与接收到的方案相同的方案的一次或多次前的处理是在大气开放后最初或到规定的处理次数前进行了的情况。

并且，在事先预测部86预测为通过bc基本参数模式完成各模块m的设置的情况下，利用基本参数模式使基本参数输入部82动作。

另一方面，在事先预测部86预测为通过bc基本参数模式未完成各模块m的设置的情况下，利用ai基本参数模式使基本参数输入部82动作。

按照这种构成，例如能够对根据过去的实际情况能在短时间完成设置的方案利用bc基本参数模式，并且能够对未完成设置或到完成为止花费时间的方案利用ai基本参数模式。

由此，不需要从至此为止的方式大幅度变更设置顺序，就能够导入ai基本参数模式的设置动作，因而与以往相比实现了设置时间的进一步缩短化以及设置成功率的进一步提高。

<其他实施方式>

另外，本发明并不限定于上述实施方式。

例如，在上述实施方式中，将目标变量作为设置时间进行了说明，但是也可以将目标变量作为表示是否得到了调整值的指标值、换句话说表示是否完成了设置的指标值、离子束ib的束电流量、离子束ib的束角度或离子束ib的束电流密度等。

此外，作为基本参数输出部94例如可以输出基本参数的初始值，以使设置时间在规定的时间内、且离子束ib的束电流量、离子束ib的束角度或离子束ib的束电流密度等离子束ib的质满足规定的条件。

此外，作为机器学习装置9可以具备作为目标变量预测部的功能，该目标变量预测部基于利用学习数据生成的学习算法，预测新的处理中的目标变量(例如设置时间)。

此外，在上述实施方式中，作为说明变量使用了前处理结束时的状态参数的监测值，但是也可以使用前处理过程中的状态参数的监测值。

另外，控制装置8也可以具备上述实施方式的机器学习装置9所具备的功能的一部分或全部。

此外，本发明并不限定于上述实施方式，能够在不脱离本发明宗旨的范围内进行各种变形。