成膜系统、工厂系统和晶圆的成膜方法与流程

1.本发明涉及成膜系统、工厂系统和晶圆的成膜方法。


背景技术：

2.已知在晶圆上成膜多层膜的成膜装置(例如，专利文献1)。
3.现有技术文献
4.专利文献
5.专利文献1：日本专利第5650760号公报


技术实现要素：

6.为了成膜构成多层膜的各层，成膜装置具有多个成膜材料。成膜材料例如是层叠多层膜时使用的原料，例如是溅射法中使用的靶材料。成膜装置在成膜的每层，将晶圆传送到与规定的成膜材料相对的位置，进行成膜。每层所要求的厚度不同，成膜速率在每个成膜材料不同。因此，存在在每层成膜所需要的时间不同，并且特定的层的成膜成为生产率的速率限制的情况。如果改变成膜装置内的成膜材料的配置，则有时可抑制晶圆成为成膜待机状态，可削减传送时间，并改善生产率。
7.如果多层膜的层数增加，则成膜材料的数量增加，并且成膜材料的配置的组合成为无数。迄今为止多是成膜材料的配置的设定基于操作者的经验的情况。但是，要求进一步的生产率的改善。
8.本发明鉴于上述情况而完成，其目的在于，提供一种能够减少成膜所需要的时间的成膜系统、工厂系统和晶圆的成膜方法。
9.为了解决上述技术课题，本发明提供以下的技术手段。
10.(1)第一实施方式所涉及的成膜系统，包括成膜装置和计算机，所述成膜装置具有能够设置多个成膜材料的成膜腔室，所述计算机具有基于包含伊辛模型或qubo的计算模型，预测在设定了成膜材料的配置的情况下成膜所需要的时间的计算区域。
11.(2)在上述方式所涉及的成膜系统中，也可以是所述伊辛模型或所述qubo具有与所述成膜材料的数量和所述成膜腔室的数量的积相对应的数量的要素，所述要素分别是二进制变量。
12.(3)在上述方式所涉及的成膜系统中，所述伊辛模型或所述qubo的能量函数也可以包含与成膜装置的生产率相对应的能量函数。
13.(4)在上述方式所涉及的成膜系统中，所述伊辛模型或所述qubo也可以使用对应于被成膜的晶圆的传送时间和各工序中的处理时间的值来作为确定所述要素之间的相互作用参数的参数。
14.(5)在上述方式所涉及的成膜系统中，所述伊辛模型或所述qubo也可以以任意的工序中的处理能否替换为其他的腔室中的处理为条件来规定。
15.(6)在上述方式所涉及的成膜系统中，也可以是所述成膜装置还具有进行成膜之
外的工艺的工艺腔室，所述工艺腔室中的处理被规定为所述伊辛模型或所述qubo中的无法与其他的腔室中的处理替换的工序。
16.(7)在上述方式所涉及的成膜系统中，也可以是所述伊辛模型或所述qubo具有约束，所述约束反映所述成膜材料中相同种类的成膜材料的数量的上限。
17.(8)在上述方式所涉及的成膜系统中，也可以是所述伊辛模型或所述qubo具有约束，所述约束反映所述成膜腔室中的所述成膜材料的槽数量的上限。
18.(9)在上述方式所涉及的成膜系统中，也可以是所述伊辛模型或所述qubo进一步包括与所述成膜腔室的槽数量的和相对应的数量的附加要素来作为所述约束，所述附加要素为二进制变量。
19.(10)在上述方式所涉及的成膜系统中，也可以是所述伊辛模型或所述qubo具有约束，所述约束反映将存在对晶圆同时进行成膜的情况的成膜材料配置于相同的成膜腔室内这样的条件。
20.(11)在上述方式所涉及的成膜系统中，也可以是所述伊辛模型或所述qubo具有约束，所述约束反映将到达所述多个成膜材料的寿命的时间设为大致一定这样的条件。
21.(12)在上述方式所涉及的成膜系统中，也可以是所述伊辛模型或所述qubo具有约束，所述伊辛模型或所述qubo还具有表示晶圆的行程和所述工序的处理时刻的附加要素来作为所述约束，所述附加要素是二进制变量。
22.(13)在上述方式所涉及的成膜系统中，也可以是所述伊辛模型或所述qubo具有约束，所述伊辛模型或所述qubo还具有表示被投入的晶圆的投入时刻的附加要素来作为所述约束，所述附加要素是二进制变量。
23.(14)在上述方式所涉及的成膜系统中，所述计算机也可以还具有：存储区域，其将特定的成膜材料的配置及在所述特定的成膜材料的配置的情况下成膜所需要的时间作为教师数据来存储；及学习区域，其通过基于所述教师数据的机器学习，确定所述伊辛模型或所述qubo的要素间的相互作用参数，并设计计算模型。
24.(15)在上述方式所涉及的成膜系统中，所述存储区域也可以将在所述计算区域中用于预测的成膜材料的配置及在所述计算区域中预测的成膜所需要的时间作为教师数据而再次取得。
25.(16)在上述方式所涉及的成膜系统中，所述机器学习也可以通过因子分解机来进行。
26.(17)第二实施方式所涉及的工厂系统，具备多个装置和计算机，所述计算机具有基于包含伊辛模型或qubo的计算模型，预测在能够设置所述装置的多个区域配置了所述多个装置的情况下处理所需要的时间的计算区域。
27.(18)在上述上述方式所涉及的工厂系统中，所述计算机也可以还具有：存储区域，其将所述装置的相对于所述区域的配置及在所述配置的情况下处理所需要的时间作为教师数据来存储；及学习区域，其通过基于所述教师数据的机器学习，确定所述伊辛模型或所述qubo的要素间的相互作用参数，并设计计算模型。
28.(19)第三实施方式所涉及的晶圆的成膜方法，具有：将成膜装置中的多个成膜材料的配置作为要素来设计包含伊辛模型或qubo的计算模型的工序；基于所述计算模型，预测在成膜材料的配置的情况下成膜所需要的时间的工序；及在所述预测的时间为规定的时
间以下的情况下，将所述成膜材料的配置作为所述成膜装置的成膜材料的配置来应用的工序。
29.(20)在上述方式所涉及的晶圆的成膜方法中，设计所述计算模型的工序也可以具有：将特定的成膜材料的配置及在所述特定的成膜材料的配置的情况下成膜所需要的时间作为教师数据来取得的工序；及通过基于所述教师数据的机器学习，确定要素间的相互作用参数的工序。
30.(21)在上述方式所涉及的晶圆的成膜方法中，也可以还具有在基于所述计算模型预测的时间为规定的时间以上的情况下，将所述成膜材料的配置及在所述成膜材料的配置时成膜所需要的时间作为教师数据来再次取得的工序。
31.本发明所涉及的成膜系统、工厂系统和晶圆的成膜方法能够减少成膜所需要的时间。
附图说明
32.图1是第一实施方式所涉及的成膜系统的示意图。
33.图2是伊辛模型、qubo的概念图。
34.图3表示将成膜腔室中的成膜材料的配置反映于计算模型中的要素的状态的一个例子。
35.图4表示将成膜腔室中的成膜材料的配置反映于计算模型且作为约束添加了附加要素的状态的一个例子。
36.图5是在计算区域中进行退火计算的运算元件的示意图。
37.图6是自旋光电检测器的示意图。
38.图7是第二实施方式所涉及的成膜系统的示意图。
39.图8是计算模型的设计方法的流程图。
40.图9是第三实施方式所涉及的工厂系统的示意图。
41.图10是表示实施例1、比较例1中的成膜装置的所有工序的时序图。
42.图11是表示实施例1中的生产率的结果的甘特图。
43.图12是表示比较例1中的生产率的结果的甘特图。
44.图13是表示实施例2、比较例2中的成膜装置的所有工序的时序图。
45.图14是表示实施例2中的生产率的结果的甘特图。
46.图15是表示比较例2中的生产率的结果的甘特图。
47.图16是表示实施例3、比较例3中的成膜装置的所有工序的时序图。
48.图17是表示实施例3中的生产率的结果的甘特图。
49.图18是表示比较例3中的生产率的结果的甘特图。
50.图19是表示实施例4中的生产率的结果的图。
51.符号的说明
[0052]1…
成膜材料；10
…
成膜腔室；20
…
工艺腔室；30
…
传送腔室；40
…
负载锁定腔室；100
…
成膜装置；200
…
计算机；201
…
存储区域；202
…
学习区域；203
…
计算区域；300
…
成膜系统；500
…
装置；1000
…
工厂系统；e
…
要素；f
…
强制力；s
…
自旋；1001、2001、2002、3001
…
成膜以外的工艺。
具体实施方式
[0053]
以下，适当参照附图对本实施方式进行详细的说明。为了使本实施方式的特征易于理解，以下的说明中使用的附图有时适当地将成为特征的部分放大表示，有时各构成要素的尺寸比例等与实际不同。在以下的说明中例示的材料、尺寸等是一个例子，本发明不限于此，可以在不改变其要旨的范围内适当变更来实施。
[0054]
[第一实施方式]
[0055]
图1为第一实施方式所涉及的成膜系统300的示意图。成膜系统300包括成膜装置100和计算机200。
[0056]
成膜装置100包括例如多个成膜腔室10、工艺腔室20，传送腔室30和负载锁定腔室40。
[0057]
成膜装置100也可以是例如采用各一片地处理晶圆的方式、即枚叶式的成膜装置等。成膜装置100是使用了溅射法的成膜装置、使用了化学气相沉积法的成膜装置等。
[0058]
成膜腔室10是进行向晶圆的成膜的腔室。在一个成膜腔室10内例如能够设置多个成膜材料1。图1所示的成膜腔室10分别具有八个成膜材料1。一个成膜腔室10具有多个成膜材料1，从而能够成膜多个层。各个成膜室10中的成膜材料可以分别不同，也可以具有多个由使用频率高的材料构成的成膜材料。
[0059]
工艺腔室20是进行成膜以外的工艺的腔室。成膜以外的工艺例如为基板的加热、冷却处理、成膜后的膜的一部分剥离处理、氧化等化学反应过程。传送腔室30是进行各个腔室之间的晶圆的传送的腔室。负载锁定腔室40是连接外部和真空区域的腔室，有时称为真空预备室。例如，从负载锁定腔室40进入了传送腔室30的晶圆按照工艺顺序被传送到任意的成膜腔室10或工艺腔室20。
[0060]
计算机200确定成膜装置100的成膜材料1的配置。成膜材料1的配置，是指在哪个腔室配置哪个成膜材料1。计算机200也可以确定成膜装置100内的晶圆的传送顺序、向成膜装置100内的晶圆的投入时机。
[0061]
计算机200具有计算区域201。计算区域201包括基于伊辛模型或qubo的计算模型。在成膜材料1的配置为特定的配置时，计算区域201预测成膜所需要的时间。能够基于计算机200的计算结果确定成膜材料1的配置。
[0062]
伊辛模型是在多个要素相互作用并对各个要素赋予强制力的情况下，预测作为整体变成稳定的状态的模型。图2是伊辛模型的概念图。伊辛模型具有通过强制力f相互地进行相互作用的多个要素e。各个要素e由自旋s构成。自旋s具有向上或向下的任一状态。要素e由二进制变量表示。通过设定强制力f，相邻的自旋s，平衡的状态变成稳定状态，或反平行的状态变成稳定状态。强制力f称为相互作用参数。
[0063]
伊辛模型由以下的能量函数(成本函数)表示。
[0064]
【数1】
[0065][0066]
此处，σi、σj为输入变量，并且为 1或-1。σi、σj对应于图2中的自旋s的状态。j
ij
是相互作用参数。j
ij
对应于图2中的强制力f。hi是伴随着外部的主要因素的参数。
[0067]
qubo(quadratic unconstrained binary optimization(二次无约束二值优化))
是能够等效地转换为伊辛模型的计算模型。qubo与伊辛模型相同，可应用于计算模型。qubo由以下的能量函数(成本函数)表示。
[0068]
【数2】
[0069][0070]
此处，qi、qj是输入变量，并且为1或0。qi、qj对应于伊辛模型中的自旋s的状态。q
ij
是qubo中的相互作用参数。q
ij
对应于伊辛模型中的强制力f。
[0071]
以下，以应用qubo的情况为例说明计算模型的设计方法。qubo可以等效地转换为伊辛模型，使用伊辛模型的情况也能够与qubo的情况同样地进行。
[0072]
将成膜材料1的配置转换成qubo的要素e中的自旋s的状态(qi,qj)。具体地，首先，准备与成膜材料的数量n
seed
和腔室的数量n
ch
的积相对应的数量的要素e(x
i，j
)。各个要素e(x
i，j
)的状态x
i，j
，在将第j个成膜材料配置于第i个腔室的情况下，规定为“1”，在该情况以外的情况下，规定为“0”。
[0073]
图3是将成膜材料1的配置应用于要素e时的状态的一个例子。在图3的例子中，存在a～f的成膜材料。将a～f的成膜材料分别配置于腔室a、b。成膜材料a、c、d、f分别被配置于第一个腔室a，成膜材料b、e被配置于第二个腔室b。在将该状态应用到要素e时，要素e的数量变为作为成膜材料的数量的6和腔室的数量2的积、即12。配置了成膜材料的第一个腔室a的第1、3、4、6个成为“1”，第二个腔室b的第2、5个成为“1”。qubo的能量函数式如下所述。
[0074]
【数3】
[0075][0076]ht
表示与成膜所需要的时间(生产率)相对应的值。qubo的相互作用参数q(强制力f)例如如下所述规定。
[0077]
成膜所需要的时间(生产率)h
t
由下式表示。
[0078]
【数4】
[0079][0080]nstack
是成膜装置中的全部行程数。h
t
通过依次追赶成膜装置中的工序来表现。
[0081]ht
根据第i个和第i-1个工序的种类，分为以下的四种情况来表示。
[0082]
在第i个工序和第i-1个工序均为可改变配置的腔室的成膜材料下的成膜的情况下，h
t
由下式表示。“可改变配置的腔室”是指成膜材料的配置部位未被确定为特定的腔室，能够将成膜材料配置在其他的腔室。
[0083]
【数5】
[0084]
[0085]
在此，t_deliver
j，k
是从第j个腔室到第k个腔室的传送时间t_process
stacki
是第i个工序的处理时间。这些时间例如可以通过实际测量或模拟等获得。
[0086]
在第i个工序是可改变配置的腔室的成膜材料下的成膜，第i-1个工序是不可改变配置的腔室(例如，成膜材料固定于某个腔室)的成膜材料下的成膜或进行成膜以外的工艺的工艺腔室20中的处理的情况下，h
t
由下式表示。
[0087]
【数6】
[0088][0089]
在第i个工序是不可改变配置的腔室(例如，成膜材料固定于某个腔室)的成膜材料下的成膜或进行成膜以外的工艺的工艺腔室20中的处理，第i-1个工序是可改变配置的腔室的成膜材料下的成膜的情况下，h
t
由下式表示。
[0090]
【数7】
[0091][0092]
在第i个工序和第i-1个工序均是不可改变配置的腔室(例如，成膜材料固定于某个腔室)的成膜材料下的成膜或进行成膜以外的工艺的工艺腔室20中的处理的情况下，h
t
由下式表示。
[0093]
【数8】
[0094][0095]
也可以根据成膜中的各种约束条件，对能量函数附加约束。约束例如以对应于不满足约束条件的图案的qubo的要素的状态的能量变大的方式设定。并非必须设定约束，但是，设定约束使计算的处理速度及精度提高。
[0096]
例如，在由特定的材料构成的成膜材料为仅一个，不允许将由相同的材料构成的成膜材料放入多个腔室的情况下，能够同时地配置于各腔室的成膜材料的总数为1。对各个成膜材料应用该条件。即，如果在图3中将成膜材料a配置于腔室a，则无法将成膜材料a配置于腔室b。为了表现该约束条件，也可以附加以下那样的约束。
[0097]
【数9】
[0098][0099]
在配置了第j个成膜材料的腔室数正好为1时，ha变为0。另一方面，在其以外时，ha变为大于0的值，在quob的能量函数中以成为高能量的状态的方式进行作用。λ是系数，并且是大于0的值。根据要最优化的值来调整λ的绝对值。
[0100]
例如，图1所示的成膜腔室10，成膜材料1的数量分别为八个。换言之，无法将八个以上的成膜材料1设定于各个成膜室10。
[0101]
为了表现上述的约束条件，首先，追加与能够配置于各腔室的成膜材料的1的数量
(槽数量)的总和相对应的附加要素(y
i，k
)。y
i，k
的状态，将在第i个腔室配置k个成膜材料的情况设为“1”，将该情况以外设为“0”。图4是追加了附加要素(y
i，k
)的状态的一个例子。图4所示的y
i，k
的状态表示在第一个腔室a配置四个成膜材料，在第二个腔室b配置两个成膜材料。由各腔室的槽数量的上限引起的成膜材料1的配置的限制可以表现为以下那样的约束。
[0102]
【数10】
[0103][0104]nslot，i
表示第i个腔室的槽数量。右边第一项，在相对于各腔室附加要素(y
i，k
)的状态的总和恰好为1时，变为0，在其以外的情况下，变为大于0的值。右边第二项，为了得到要素e(x
i，j
)和附加要素(y
i，k
)的状态的整合，是必要的，在相对于各腔室x
i，j
的状态的总和、y
i，k
的状态和槽数量k的积相同的情况下，变为0，在其以外的情况下，变为大于0的值。
[0105]
wj是第j个成膜材料的使用槽数量。在进行成膜时，在仅使用一个槽的情况下，设该成膜中的成膜材料的w为1。成膜材料使用多个槽的情况，是指例如同时溅射多种材料并成膜规定的膜的情况。
[0106]
在对某层进行成膜时从多个成膜材料同时进行成膜的情况下，同时成膜的成膜材料有必要配置于相同的成膜腔室10。因此，将存在相对于晶圆同时进行成膜的情况的成膜材料配置于相同的成膜腔室内也为约束条件之一。在该情况下，将多个成膜材料视为一个成膜材料，将w的值设为该成膜材料的数量。同时成膜例如为同时溅射。
[0107]
在要同时提高成膜工序不同的晶圆的生产率时，将针对各个晶圆的工序设计上述的h
t
并相加后的值设为新的h
t
。例如，在要同时提高成膜工序不同的晶圆1和晶圆2的生产率时，也可以使用由下式表示的h
t
。
[0108]
【数11】
[0109]ht
＝w
t1ht1
w
t2ht2
[0110]ht1
、h
t2
分别是相对于晶圆1、晶圆2的h
t
。w
t1
、w
t2
是权重。可以进行调整，以使要优先提高生产率的晶圆的权重变大。
[0111]
例如，附加了上述两个约束项ha、hb的情况下的能量函数如以下所述表现。
[0112]
【数12】
[0113]
h＝h
t
ha hb[0114]
此外，以成膜材料1的寿命进行更换操作时，成膜装置100在该期间停止。成膜材料1的更换花费时间。若成膜材料1的更换次数减少，则成膜装置100的生产效率提高。也可以设定约束项，以使达到多个成膜材料的寿命的时间成为大致一定。“大致一定”是指以达到某一特定的成膜材料1的寿命的时间为基准，达到寿命的时间在10％的变动的范围内。
[0115]
此外，例如，也可以添加晶圆的传送顺序作为伊辛模型或qubo的约束。在计算模型中反映晶圆的传送顺序时，通过在计算模型中添加附加要素(z
m，t
)来表示。附加要素z
m，t
由晶圆的成膜装置中的工序m和上述的工序被执行的时刻t表示。晶圆的成膜装置中的行程为从投入到负载锁定腔室ll到最终传送至负载锁定腔室的成膜、工艺的处理的流程。当在时刻t处理工序m时，设附加要素z
m，t
的状态z
m，t
为“1”，设其以外的情况为“0”。
[0116]
此外，除了晶圆的成膜装置的工序中的晶圆的传送顺序以外，还可以扩大至成膜
工序的前后的工序中的晶圆的传送顺序。例如，也可以扩大至蚀刻装置或涂胶机等枚叶式制造装置的工序中的晶圆的传送顺序。
[0117]
此外，例如，作为伊辛模型或qubo的约束，也可以添加将新的晶圆在中途向成膜腔室投入的情况。在计算模型中反映该情况时，将附加要素(a
t，w
)添加到计算模型中。附加要素a
t，w
由将晶圆向成膜腔室投入的时机t和晶圆的投入位置w表示。当在时刻t投入晶圆w时，设元素a
t，w
的状态a
t，w
为1，设其以外的情况为0。
[0118]
计算区域201根据设计的计算模型进行退火计算。退火计算，是指对各个要素e的自旋s的状态x、y赋予波动以找到最佳状态的计算方法。通过退火计算，可预测h变得更小的成膜材料1的配置的数据(x)及此时的成膜所需要的时间(生产率)。
[0119]
退火计算可以通过模拟退火或进化算法、禁忌搜索的计算方法来计算。
[0120]
可以在专用于伊辛模型和qubo的计算的专用机(退火机)上执行退火计算。例如，可以应用量子退火机(d波，nec)、或相关伊辛机(ntt)、模拟分支机(东芝)、数字退火机(富士通)、cmos退火机(日立)等。
[0121]
也可以在退火计算使用量子门型计算机。例如，如果使用qaqa(quantum approximate optimization algorithm(量子近似优化算法))，则可以通过量子门型计算机来计算伊辛模型或qubo。
[0122]
图5是在计算区域201中进行退火计算的运算元件50的示意图。运算元件50具有运算部51、通信部52和控制部53。
[0123]
运算部51是进行上述的退火计算的部分。运算部51包括量子计算机。量子计算机是包括退火计算或量子门型计算机的总称。量子计算机包括例如光学元件、超导元件等。量子计算机的运算例如通过光学元件、超导元件等来进行。
[0124]
光学元件中的运算可以在室温下进行。另一方面，需要使超过一公里的光纤以高速动作，存在小型化或高速运算、压缩光的制造等技术问题。超导元件中的运算需要20毫开尔文左右这样的的超低温技术以减少噪声。
[0125]
通信部52承担运算部51和控制部53的通信。通过使用例如金属配线、光学配线来进行通信部52中的信号的传输。
[0126]
在运算部51包括超导元件时，通信部52中的信号的传输优选使用光学配线来进行。这是因为，在使用金属配线时，由于处于超低温环境的运算部51和处于室温环境的控制部53之间的热传导而难以维持运算部51的超低温。
[0127]
当对通信部52中的信号的传输使用光配线时，在控制部53附近设置将光信号转换成电信号的光电转换元件。光电转换元件是例如自旋光电检测器。
[0128]
图6是自旋光电检测器的示意图。自旋光电检测器60具有磁化自由层61、磁化固定层62和被它们夹持的非磁性层63。磁化自由层61和磁化自由层62包含铁磁性体。磁化自由层61的磁化m61相较于磁化固定层62的磁化m62更容易反转。在照射到磁化自由层m61的光l的强度变化时，磁化自由层61的磁化发生倾斜。照射在磁化自由层m61的光l例如是圆偏光了的光。
[0129]
在磁化自由层61的磁化m61和磁化固定层62的磁化m62的相对角发生变化时，自旋光电检测器60的层叠方向的电阻值发生变化。即，自旋光电检测器60可以将光l的强度变化转换为自旋光电检测器60的电阻值这样的电信号。例如，在使光l的强度以高速变化并且使
磁化自由层61的磁化方向以高速变化时，自旋光电检测器60可以产生高频信号。
[0130]
磁化自由层61例如是亚铁磁性材料。亚铁磁性材料是作为整体表示铁磁性，但微观的磁结构为反铁磁性的状态的磁性材料。由于在微观的磁结构中的在第一方向上取向的磁化和在与第一方向相反的第二方向上取向的磁化之间存在磁矩的差异，因此，作为整体表现出铁磁性的特性。在从外部对亚铁磁性体照射足够的光能量时，反铁磁性的磁结构的组合变为相反，作为整体表示的铁磁性的性质成为反方向。
[0131]
亚铁磁性材料例如是最外壳具有4f电子的元素和最外壳具有3d、4d、5d电子的元素的合金。亚铁磁性材料例如是gdcofe等。亚铁磁性材料也可以是铁氧体材料那样的氧化物。当组合不同的磁矩的元素作为3d元素时，铁氧体材料表现出亚铁磁性。
[0132]
磁化自由层61也可以是铁磁性层和由亚铁磁性材料构成的亚铁磁性层的层叠结构。铁磁性层可以应用通常用于磁阻效应元件等的铁磁性层。铁磁性层是例如co、fe、ni的单质金属、包含它们的合金、或者惠斯勒合金等。当被照射光时，亚铁磁性层的磁化的状态改变。铁磁性层的磁化随着亚铁磁性层的磁化的状态的变化而变化。铁磁性层承担伴随着自旋光电检测器60的磁阻效应的电阻变化的主体。亚铁磁性层承担由自旋光电检测器60的光引起的磁化反转的主体。通过在铁磁性层和亚铁磁性层区分功能，可以兼得自旋光电检测器60的高速操作和高输出化。铁磁性层优选处于相较于亚铁磁性层更靠近非磁性层63侧。
[0133]
此外，也可以在磁化自由层和亚铁磁性层之间插入自旋传导层。自旋传导层将在亚铁磁性体的反转时产生的自旋流传播到铁磁性层。其结果，引起铁磁性层的磁化反转。在自旋光电检测器60为该结构时，可以进行飞秒级的磁化反转。自旋传导层使用自旋传导特性高的自旋传导层。作为自旋传导层，例如，可以使用铜或银等的金属、硅、锗、砷化镓等的半导体、石墨烯等的二维物质等。
[0134]
磁化自由层61例如是铁磁性材料。通常，在磁阻效应元件中铁磁性材料用于磁化自由层61。然而，为了发挥作为自旋光电检测器60的功能，入射的光信号必须偏光。当光信号未偏光的时，光信号表现出加热铁磁性材料的效果。在这种情况下，无法通过光信号使铁磁性材料的磁化的方向任意地朝向。当光信号偏光时，能够通过光信号的偏光使铁磁性材料的磁化的方向任意地朝向。当磁化自由层61是亚铁磁性材料时，需要加热和冷却的过程。当磁化自由层61为铁磁性材料成时，由于不需要加热和冷却的过程，因此与是亚铁磁性材料的情况相比，可以将光信号更高速地转换成电信号。
[0135]
通信部52将运算部51的计算结果作为光信号发送到控制部53，并且自旋光电检测器将光信号转换成电信号。
[0136]
控制部53控制运算部51。控制部53将来自外部的信号发送到运算部51，并且将来自运算部51的信号发送到外部。控制部53例如包括高频测定器、振荡器等。控制部53将运算部51中的计算结果发送到成膜装置100。
[0137]
通过基于由退火计算预测的成膜材料1的配置的数据(x)，实际地替换成膜装置100的成膜材料1的配置，从而可以提高生产率。
[0138]
[第二实施方式]
[0139]
第二实施方式所涉及的成膜系统与第一实施方式的不同之处在于，通过使用机器学习来求取相互作用参数q。图7是第二实施方式所涉及的成膜系统301的示意图。成膜系统
301包括成膜装置100和计算机210。
[0140]
计算机210具有存储区域202、学习区域203和计算区域201。
[0141]
存储区域202将成膜装置100中的成膜材料的配置是特定的配置的情况下的成膜所需要的时间作为教师数据来存储。成膜材料1的配置，是指哪种材料的成膜材料1配置于哪个成膜腔室。成膜材料1的配置为特定的配置的情况下的成膜所需要的时间(生产率)例如基于实际测量。每种成膜材料1的配置的生产率通过实验求得，并作为教师数据在存储区域202中取得。教师数据的数量越多，下述的计算模型的精度越高。
[0142]
学习区域203通过基于教师数据的机器学习，确定要素之间的相互作用参数，并设计计算模型。以下，以将qubo应用于计算模型的情况为例说明计算模型的设计方法。
[0143]
图8是计算模型的设计方法的流程图。首先，学习区域203从存储区域202取得教师数据(第一步骤s1)。教师数据可以通过实际测量或模拟取得。在实际测量的情况下，以多个成膜材料1的配置的模式进行成膜处理，并将此时的生产率实验结果设为教师数据。在模拟的情况下，也以多个成膜材料1的配置的模式进行成膜处理的模拟，并将此时的生产率的计算结果设为教师数据。
[0144]
也可以随机选择教师数据中的成膜材料1的配置的模式，为了提高机器学习的精度，也可以赋予预测为生产率明显不同的几种配置的模式，也可以组合各个模式。
[0145]
接下来，将教师数据应用于qubo(第二步骤s2)。教师数据中的成膜材料1的配置转换为qubo的要素e中的自旋s的状态(qi,qj)。
[0146]
接下来，学习区域203将多个教师数据应用于qubo，进行机器学习(第三步骤s3)。在教师数据的数据数少的情况下，也可以使用因子分解机进行机器学习。因子分解机是一种由下式表示的机器学习模型。
[0147]
【数13】
[0148][0149]
w、v是通过机器学习求得的拟合参数，对应于qubo的相互作用参数(q)。k增大时，拟合参数的数量变化，根据问题的复杂性进行适当调整。
[0150]
当进行机器学习时，确定基于教师数据的相互作用参数(q)(第四步骤s4)。
[0151]
如果确定了相互作用参数(q)，则确定了计算模型。在此，根据需要将约束添加到计算模型中。约束例如是第一实施方式中提示的约束。该计算模型被发送到计算区域201。
[0152]
计算区域201基于所设计的计算模型预测在设定了新的成膜材料1的配置的情况下成膜所需要的时间。
[0153]
首先，计算区域201根据设计的相互作用参数(q)进行退火计算(第五步骤s5)。通过退火计算输出h变小的成膜材料1的配置的数据(x)。
[0154]
接下来，取得在计算区域201中求得的成膜材料1的配置的生产率(第六步骤s6)。生产率可以通过实际测量或模拟取得。例如，在实际测量的情况下，通过变更为在计算区域201中求得的成膜材料1的配置并进行成膜实验来求取生产率。在模拟的情况下，通过模拟在计算区域201中求得的成膜材料1的配置下的成膜处理来计算生产率。
[0155]
接下来，判定所取得的生产率是否达到目标值(第七步骤s7)。当该生产率达到目
标值以下时，计算机200输出该值。如果是在该计算中所使用的成膜材料1的配置，则可以充分缩短成膜所需要的时间。另一方面，如果生产率未达到目标值以下，则将该结果发送到存储区域202并作为教师数据而再次取得。然后，重复上述的处理直到生产率达到目标值以下。
[0156]
然后，当确定了成膜装置100中的成膜材料1的配置后，进行向晶圆的成膜。被成膜的多层膜例如为磁阻效应元件。磁阻效应元件具有至少两个铁磁性层和夹在它们之间的非磁性层。多是铁磁性层分别成为多层结构的情况。非磁性层可以是导体、半导体或绝缘体，例如是氧化膜、氮化膜。
[0157]
以上，参照附图对本发明的实施方式进行了详细的说明，但是，各个实施方式中的各结构及其组合等为一个例子，在不脱离本发明的主旨的范围内，可以进行结构的附加、省略、置换、及其他变更。
[0158]
[第三实施方式]
[0159]
第三实施方式所涉及的工厂系统是将第一实施方式所涉及的成膜系统扩张到工厂全体的工厂系统的系统。图9是第三实施方式所涉及的工厂系统的示意图。工厂系统1000包括计算机200和多个装置500。在工厂内，存在多个能够设置装置500的可设置区域501。
[0160]
为了削减装置500之间的传送时间并提高生产率而试图将各装置500分配到装置的可设置区域501的情况下，由于装置500的数量、装置的可设置区域501的数量增加，其组合变得巨大。因此，通过使第一实施方式中的成膜材料1对应于装置500并且使腔室10对应于装置的可设置区域501，计算机200能够通过与第一实施方式相同的计算流程计算向各装置500的装置的可设置区域501的最佳的配置并提高生产率。腔室10的槽数量对应于各装置的可设置区域501中的可设置的装置500的数量即可。
[0161]
根据本实施方式所涉及的工厂系统，可以改善整个工厂的生产率。
[0162]
(实施例1)
[0163]
实施例1使用图1所示的成膜系统300，在设定了成膜材料的配置的情况下，求取成膜所需要的时间。
[0164]
实施例1的成膜装置具有三个腔室ch-a、ch-b、ch-c、以及转移腔室。晶圆可以经由传送室在三个室之间传送。在ch-a、ch-b分别搭载有八个能够配置任意的成膜材料的槽。ch-c是进行成膜以外的工艺的腔室，不能配置成膜材料。
[0165]
成膜材料是以下的6种。成膜材料a、b、c、d、e使用一个槽。成膜材料f使用四个槽。即，成膜材料f下的成膜处理从四个槽同时进行溅射。
[0166]
【表1】
[0167]
成膜材料槽数量a1b1c1d1e1f4
[0168]
晶圆在投入到装载锁定腔室ll(参照图1、11)之后，将以下的图10的时序图所示的
工序从左向右进行，最后传送到装载锁定腔室ll。成膜装置中的全部行程为上述的工序。图10的各方框表示工序，在方框中，在内部有字母的记载的方框是成膜工艺，该字母表示用于成膜的成膜材料。成膜工艺在ch-a或ch-b中执行。另一方面，方框1001是成膜以外的工序，在ch-c中执行。各工序的处理时间通过实际测量而成为图10的各方框的宽度。
[0169]
各腔室之间或各腔室与负载锁定腔室ll之间的传送时间通过实际测量而为下表的值(单位为秒)。
[0170]
【表2】
[0171][0172]
接下来，根据第一实施例中所示的计算流程求取最佳配置。将ha和hb作为约束附加到能量函数，并且设λ＝2000。通过模拟退火进行退火计算。
[0173]
通过退火计算输出下表的配置。退火计算所需要的时间是26秒。
[0174]
【表3】
[0175]
[0176]
通过模拟求取上述的成膜材料的配置下的生产率。其结果，全部行程的时间为59分24秒。图11是针对每个腔室划分的实施例1的时序图(甘特图)。
[0177]
(比较例1)
[0178]
比较例1随机配置各成膜材料的配置。如下表所示，在ch-a、ch-b中随机配置成膜材料a、b、c、d、e、f，以不超过各腔室的槽数量的上限。
[0179]
【表4】
[0180][0181]
通过模拟求取上述配置下的生产率后，为1小时8分3秒。图12是对每个腔室划分的比较例1的时序图(甘特图)。
[0182]
相对于比较例1，实施例1的生产率提高。认为这是因为图11所示的实施例1相较于图12所示的比较例1，传送次数、传送时间更少。
[0183]
(实施例2)
[0184]
实施例2是相较于实施例1，腔室数、成膜材料的数量增加并且组合变得巨大的情况下的例子。实施例2的成膜装置具有六个腔室ch-a、ch-b、ch-c、ch-d、ch-e、ch-f和转移腔室。可以经由转移腔室进行晶圆的传送。由下表表示各腔室的槽数量。
[0185]
【表5】
[0186]
腔室槽数量a5b5
c5d5enafna
[0187]
ch-a、ch-b、ch-c、ch-d分别有5个槽，能够配置任意的成膜材料。che、chf是进行成膜以外的工艺的腔室，不能配置成膜材料。
[0188]
根据实际测量，各腔室之间的传送时间均为50秒，并且负载锁定腔室ll和各腔室之间的传送时间为44秒。
[0189]
存在13种成膜材料a、b、c、d、e、f、g、h、i、j、k、l、m，并且使用槽数量全部为1。
[0190]
晶圆在投入到负载锁定腔室ll之后，从左到右进行图13的时序图中所示的工序，最后传送到负载锁定腔室。成膜装置中的全部行程是上述的工序。图13的各方框表示工序。在方框中，在内部有字母的记载的方框是成膜工艺，该字母表示用于成膜的成膜材料。成膜工艺在ch-a、ch-b、ch-c、ch-d中执行。另一方面，方框2001和方框2002是成膜以外的工艺，方框2001在ch-e中执行，方框2002在ch-f中执行。各工序的处理时间通过实际测量而成为图13的各方框的宽度。
[0191]
根据第一实施方式的计算流程求得最佳配置。作为约束将ha和hb附加到能量函数，并且设λ＝2000。通过模拟退火进行退火计算。
[0192]
通过退火计算输出下表的配置。退火计算所需要的时间为54秒。
[0193]
【表6】
[0194] abcd1 bai2 cgj3 dhk4 el5 f m
[0195]
通过模拟求取上述配置中的生产率后，为1小时19分11秒。图14是对每个腔室划分的实施例2的时序图(甘特图)。
[0196]
(实施例2)
[0197]
比较例2随机配置各成膜材料的配置。如下表7所示，在ch-a、ch-b、ch-c、ch-d中随机配置成膜材料a、b、c、d、e、f、g、h、i、j、k、l、m，以不超过各腔室的槽数量的上限。
[0198]
【表7】
[0199]
abcd1cabk2deil3f jm4g
ꢀꢀꢀ
5h
ꢀꢀꢀ
[0200]
通过模拟求取上述配置中的生产率后，为1小时31分41秒。图15是对每个腔室划分的比较例2的时序图(甘特图)。
[0201]
相对于比较例2，实施例2的生产率提高。认为这是因为图14所示的实施例2相较于图15所示的比较例2，传送次数更少。
[0202]
(实施例3)
[0203]
实施例3是相较于实施例2，腔室数进一步增加，并且组合变得巨大的情况下的例子。实施例3的成膜装置具有八个腔室ch-a、ch-b、ch-c、ch-d、ch-e、ch-f、ch-g、ch-h和转移腔室。可以经由转移腔室进行晶圆的传送。由下表表示各腔室的槽数量。
[0204]
【表8】
[0205]
腔室槽数量a5b5c5d5e5f5g5hna
[0206]
ch-a、ch-b、ch-c、ch-d、ch-e、ch-f、ch-g分别有五个槽，能够配置任意的成膜材料。ch-h是进行成膜以外的工艺的腔室，不能配置成膜材料。
[0207]
根据实际测量，各腔室之间的传送时间均为50秒，负载锁定腔室ll和各腔室之间的传送时间为44秒。
[0208]
存在35种成膜材料，使用槽数量全部为1。
[0209]
晶圆在投入至负载锁定腔室ll之后，从左到右进行图16的时序图中所示的工序，最后传送至负载锁定腔室。成膜装置中的全部行程是上述的工序。图16的各方框表示工序。在方框中，在内部有数字的记载的是成膜工艺，该数字表示用于成膜的成膜材料。成膜工艺在ch-a、ch-b、ch-c、ch-d、ch-e、ch-f或ch-g中执行。另一方面，方框3001是成膜以外的工艺，在ch-h中执行。各工序的处理时间通过实际测量而成为图16的各方框的宽度。
[0210]
根据第一实施方式的计算流程求得最佳配置。作为约束将ha和hb附加到能量函数中，设λ＝4000。退火计算通过模拟分叉机进行。
[0211]
通过退火计算输出下表的配置。退火计算所需要的时间为231秒。
[0212]
【表9】
[0213] abcdefg173251642814911101625315171912232430418222913282733520263421313235
[0214]
通过模拟求取上述配置中的生产率后，为3小时11分38秒。图17是对每个腔室划分的比较例2的时序图(甘特图)。
[0215]
(比较例3)
[0216]
比较例3随机配置各成膜材料。如下表10所示，在ch-a、ch-b、ch-c、ch-d、ch-e、ch-f、ch-g中随机配置35种成膜材料，以不超过各腔室的槽数量的上限。
[0217]
【表10】
[0218] abcdefg121814851321120371261431921109162523424222715173325530262829313432
[0219]
通过模拟求取上述配置中的生产率后，为3小时27分28秒。图18是对每个腔室划分的比较例2的时序图(甘特图)。
[0220]
相对于比较例3，实施例3的生产率提高。认为这是因为图17所示的实施例3相较于图18所示的比较例2，传送次数更少。
[0221]
实施例3、比较例3中的所有成膜材料的配置存在大约2.88
×
10
25
种的组合，若试图以循环模拟所有成膜材料1的配置中的生产率，则例如即使使用每秒200千万亿次的运算性能的超级计算机，也要花费1000天以上，因此，通过循环求取生产率提高的配置是不现实的。另一方面，在本实施例中，由于可以231秒进行退火计算，因此可以求取在短时间内提高生产率的配置。
[0222]
(实施例4)
[0223]
实施例4求取将两片晶圆同时投入到成膜装置并并行地进行成膜时的生产率。
[0224]
将成膜装置、晶圆的工序设为与实施例2相同。存在进行相同工序的处理的晶圆1和晶圆2，根据第二实施方式所示的计算流程(参照图8)，将成膜装置的成膜材料的配置和各个晶圆的向成膜装置的投入的时机最优化。
[0225]
以削减从开始先行地投入的晶圆的投入到两片晶圆的处理结束的时间为目的，将目标值设为1小时30分钟。
[0226]
首先，收集了20个教师数据。随机选择成膜材料的配置和晶圆投入的时机，基于实际测量收集生产率的数据。
[0227]
接下来，使用收集到的教师数据，通过因子分解机进行机器学习。因子分解机的k设为8。因子分解机的k是根据问题的复杂度而被调整的参数。通过机器学习求得w、v，并转换为qubo的相互作用参数(q)，而确定计算模型。
[0228]
接下来，将计算模型输入到退火机，进行退火计算。退火机使用模拟分叉机。通过退火计算输出成膜材料1的配置的数据(x)。
[0229]
接着，基于成膜材料1的配置的数据(x)，实际设定成膜装置的配置和晶圆投入的时机，通过实际测量求取生产率。
[0230]
将通过实际测量求得的生产率作为教师数据追加，并重复上述的工艺。
[0231]
图19是通过重复上述工艺而得到的生产率的结果。通过重复上述的工艺，时间逐渐被削减，在第10次变为目标值的1小时30分钟以下，能够提高生产率。