JP2021152762A - 学習済みモデル生成方法、学習済みモデル、異常要因推定装置、基板処理装置、異常要因推定方法、学習方法、学習装置、及び、学習データ作成方法 - Google Patents

学習済みモデル生成方法、学習済みモデル、異常要因推定装置、基板処理装置、異常要因推定方法、学習方法、学習装置、及び、学習データ作成方法 Download PDF

Info

Publication number
JP2021152762A
JP2021152762A JP2020052983A JP2020052983A JP2021152762A JP 2021152762 A JP2021152762 A JP 2021152762A JP 2020052983 A JP2020052983 A JP 2020052983A JP 2020052983 A JP2020052983 A JP 2020052983A JP 2021152762 A JP2021152762 A JP 2021152762A
Authority
JP
Japan
Prior art keywords
information
processing
substrate
learning
time
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
JP2020052983A
Other languages
English (en)
Inventor
明日香 脇田
Asuka Wakita
明日香 脇田
尚樹 澤崎
Naoki Sawazaki
尚樹 澤崎
喬 太田
Takashi Ota
喬 太田
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Screen Holdings Co Ltd
Original Assignee
Screen Holdings Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Screen Holdings Co Ltd filed Critical Screen Holdings Co Ltd
Priority to JP2020052983A priority Critical patent/JP2021152762A/ja
Priority to KR1020210018875A priority patent/KR102583402B1/ko
Priority to CN202110205886.3A priority patent/CN113448307A/zh
Priority to US17/185,981 priority patent/US20210304032A1/en
Priority to TW112100003A priority patent/TWI849667B/zh
Priority to TW110107643A priority patent/TWI792209B/zh
Publication of JP2021152762A publication Critical patent/JP2021152762A/ja
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
    • H01L21/67005—Apparatus not specifically provided for elsewhere
    • H01L21/67242—Apparatus for monitoring, sorting or marking
    • H01L21/67253—Process monitoring, e.g. flow or thickness monitoring
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
    • H01L21/67005—Apparatus not specifically provided for elsewhere
    • H01L21/67011—Apparatus for manufacture or treatment
    • H01L21/67017—Apparatus for fluid treatment
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
    • H01L21/67005—Apparatus not specifically provided for elsewhere
    • H01L21/67011—Apparatus for manufacture or treatment
    • H01L21/67017—Apparatus for fluid treatment
    • H01L21/67028—Apparatus for fluid treatment for cleaning followed by drying, rinsing, stripping, blasting or the like
    • H01L21/6704—Apparatus for fluid treatment for cleaning followed by drying, rinsing, stripping, blasting or the like for wet cleaning or washing
    • H01L21/67051—Apparatus for fluid treatment for cleaning followed by drying, rinsing, stripping, blasting or the like for wet cleaning or washing using mainly spraying means, e.g. nozzles
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
    • H01L21/67005—Apparatus not specifically provided for elsewhere
    • H01L21/67011—Apparatus for manufacture or treatment
    • H01L21/67017—Apparatus for fluid treatment
    • H01L21/67063—Apparatus for fluid treatment for etching
    • H01L21/67075—Apparatus for fluid treatment for etching for wet etching
    • H01L21/6708—Apparatus for fluid treatment for etching for wet etching using mainly spraying means, e.g. nozzles
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
    • H01L21/67005—Apparatus not specifically provided for elsewhere
    • H01L21/67242—Apparatus for monitoring, sorting or marking
    • H01L21/67288—Monitoring of warpage, curvature, damage, defects or the like

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Power Engineering (AREA)
  • Computer Hardware Design (AREA)
  • Manufacturing & Machinery (AREA)
  • Medical Informatics (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Automation & Control Theory (AREA)
  • Cleaning Or Drying Semiconductors (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

【課題】処理流体による処理後の処理対象基板の異常の要因を精度良く特定できるとともに、異常の要因を特定する際の時間を短縮できる学習済みモデル生成方法を提供する。【解決手段】学習済みモデル生成方法は、学習データＴＮＤを取得するステップＳ３１と、処理流体による処理後の処理対象基板Ｗ２の異常の要因を推定する学習済みモデルＬＭを、学習データＴＮＤを機械学習することによって生成するステップＳ３２とを含む。学習データＴＮＤは、特徴量ＸＤと異常要因情報ＹＤとを含む。異常要因情報ＹＤは、処理流体による処理後の学習対象基板Ｗ１の異常の要因を示す。特徴量ＸＤは、処理流体によって学習対象基板Ｗ１を処理する基板処理装置２００が使用する物体の物理量を示す時系列データＴＤ１のうちの区間データＳＸの時間推移の特徴を示す第１特徴量情報ＸＤ１を含む。第１特徴量情報ＸＤ１は、時間によって表される。【選択図】図２０

Description

本発明は、学習済みモデル生成方法、学習済みモデル、異常要因推定装置、基板処理装置、異常要因推定方法、学習方法、学習装置、及び、学習データ作成方法に関する。
特許文献１に記載されている異常診断システムは、レジスト塗布・現像処理装置において発生した異常を検知し、異常原因を推定する。
異常診断システムは、複数のプロセス処理装置にそれぞれ設置されるセンサーと配線により接続されている。センサーは、時間と共に変動する時系列データを異常診断システムに出力する。センサーは、例えば、圧力センサー、温度センサー、流量センサー、液面センサー、位置センサー、トルクセンサー、又は、速度センサーである。
異常診断システムは、データ保持部と、データ収集部と、異常検知部と、判定データ作成部と、診断部とから構成される。
データ保持部には、時系列データと、異常データと、判定データと、モデルデータとが記憶されている。
データ収集部は、複数のプロセス処理装置にそれぞれ設置されるセンサーから、時間と共に変動する時系列データを収集し、データ保持部に時系列データを記憶する。時系列データは、例えば、時間と共に変動する圧力、温度、流量、液面レベル、位置、トルク、又は、速度である。
異常検知部は、データ収集部が収集した時系列データを上下変動閾値データと比較することにより、異常な時系列データである異常データを検知する。
判定データ作成部は、異常検知部により検知された異常データを、判定条件データに基づき時系列毎に複数の監視区間に分割し、それぞれの監視区間において、複数の判定条件に合致するか否かを判定すると共に、判定結果の組み合わせからなる判定データを作成し、データ保持部に判定データとして記憶する。
診断部は、判定データ作成部により作成された判定データを、判定データに対応するモデルデータと照合することによりプロセス処理装置の異常原因を推定する。
モデルデータは、異常原因毎に特有の変動傾向が発生した時系列データを、判定データを作成した際の判定条件により判定した場合の結果であり、予め記憶されている。また、各判定条件の閾値及び範囲等は監視区間毎に決定される。
特開２０１２−１５０７２１号公報
しかしながら、特許文献１に記載されている異常診断システムでは、モデルデータ及び判定条件の精度に依存して、プロセス処理装置の異常原因を精度良く推定できない場合がある。この場合は、検査技術者が、時系列データを解析して、プロセス処理装置の異常原因を特定する必要がある。
しかしながら、時系列データは非常に複雑であり、検査技術者が規則性を見出すことは困難である。加えて、時系列データは、多数のパラメータを有しており、解析対象が膨大である。従って、検査技術者の技能及び経験に依存して、プロセス処理装置の異常要因の特定に長時間を要する場合がある。その結果、プロセス処理装置によって処理された基板の異常要因の特定にも長時間を要する場合がある。
本発明は上記課題に鑑みてなされたものであり、その目的は、処理流体による処理後の処理対象基板の異常の要因を精度良く特定できるとともに、異常の要因を特定する際の時間を短縮できる学習済みモデル生成方法、学習済みモデル、異常要因推定装置、基板処理装置、異常要因推定方法、学習方法、学習装置、及び、学習データ作成方法を提供することにある。
本発明の一局面によれば、学習済みモデル生成方法は、学習データを取得するステップと、処理流体による処理後の処理対象基板の異常の要因を推定する学習済みモデルを、前記学習データを機械学習することによって生成するステップとを含む。前記学習データは、特徴量と異常要因情報とを含む。前記異常要因情報は、前記処理流体による処理後の学習対象基板の異常の要因を示す。前記特徴量は、前記処理流体によって前記学習対象基板を処理する基板処理装置が使用する物体の物理量を示す時系列データのうちの区間データの時間推移の特徴を示す第１特徴量情報を含む。前記第１特徴量情報は、時間によって表される。
本発明の学習済みモデル生成方法において、前記異常要因情報は、第１異常要因情報と第２異常要因情報とのうちの少なくとも１つの情報を含むことが好ましい。前記第１異常要因情報は、前記基板処理装置による前記学習対象基板の処理時の前記処理流体に関する情報であることが好ましい。前記第２異常要因情報は、前記基板処理装置の部品に関する情報であることが好ましい。
本発明の学習済みモデル生成方法において、前記第１特徴量情報は、第１情報と第２情報と第３情報と第４情報と第５情報と第６情報とのうちの少なくとも１つの情報を含むことが好ましい。前記第１情報は、前記物理量が目標値に向かって増加する際の前記物理量の状態を示す情報であることが好ましい。前記第２情報は、前記物理量のオーバーシュートを示す情報であることが好ましい。前記第３情報は、前記物理量の変動を示す情報であることが好ましい。前記第４情報は、前記物理量が前記目標値から減少する際の前記物理量の状態を示す情報であることが好ましい。前記第５情報は、前記基板処理装置が互いに異なる少なくとも２つの前記物体を使用する際に、前記２つの物体のうちの一方の物体の前記物理量と他方の物体の前記物理量とのオーバーラップを示す情報であることが好ましい。前記第６情報は、時間軸上において、前記一方の物体と前記他方の物体との時間間隔を示す情報であることが好ましい。
本発明の学習済みモデル生成方法において、前記物体は、前記処理流体であることが好ましい。前記物理量は、前記処理流体を排出する排出管内での前記処理流体の物理量を示すことが好ましい。
本発明の学習済みモデル生成方法において、前記物体は、前記処理流体であることが好ましい。前記物理量は、前記処理流体の流量、前記処理流体の温度、又は、前記処理流体の濃度を示すことが好ましい。
本発明の学習済みモデル生成方法において、前記物体は、前記学習対象基板を回転させる基板保持部、前記学習対象基板に向けて前記処理流体を吐出するノズルを移動させるアーム、前記学習対象基板から飛散した前記処理流体を受けるガード、又は、前記処理流体の流れを調節するバルブであることが好ましい。前記物体が前記基板保持部である場合、前記物理量は、前記基板保持部の動作及び／又は状態に関する量を示すことが好ましい。前記物体が前記アームである場合、前記物理量は、前記アームの動作及び／又は状態に関する量を示すことが好ましい。前記物体が前記ガードである場合、前記物理量は、前記ガードの動作及び／又は状態に関する量を示すことが好ましい。前記物体が前記バルブである場合、前記物理量は、前記バルブの動作及び／又は状態に関する量を示すことが好ましい。
本発明の学習済みモデル生成方法において、前記物体は、前記学習対象基板の上面を間隔をあけて覆う遮断板を含むことが好ましい。前記物体が前記遮断板である場合、前記物理量は、前記遮断板の動作及び／又は状態に関する量を示すことが好ましい。
本発明の学習済みモデル生成方法において、前記特徴量は、第２特徴量情報をさらに含むことが好ましい。前記第２特徴量情報は、１つのロットを構成する所定数の前記学習対象基板に対する処理の順番を示す処理順番情報、又は、ロットに対する処理の終了から次のロットに対する処理の開始までの時間間隔を示すロット間隔情報であることが好ましい。
本発明の他の局面によれば、学習済みモデルは、学習データを機械学習することで構築され、処理流体による処理後の処理対象基板の異常の要因を推定するように、コンピューターを機能させる学習済みモデルである。前記学習データは、特徴量と異常要因情報とを含む。前記異常要因情報は、前記処理流体による処理後の学習対象基板の異常の要因を示す。前記特徴量は、前記処理流体によって前記学習対象基板を処理する基板処理装置が使用する物体の物理量を示す時系列データのうちの区間データの時間推移の特徴を示す第１特徴量情報を含む。前記第１特徴量情報は、時間によって表される。入力情報を入力して、出力情報を出力するように、前記コンピューターを機能させる。前記入力情報は、前記処理流体によって前記処理対象基板を処理する基板処理装置が使用する物体の物理量を示す時系列データのうちの区間データの時間推移の特徴を示す第１入力情報を含む。前記第１入力情報は、時間によって表される。前記出力情報は、前記処理流体による処理後の前記処理対象基板の異常の要因を示す。
本発明の学習済みモデルにおいて、前記異常要因情報は、第１異常要因情報と第２異常要因情報とのうちの少なくとも１つの情報を含むことが好ましい。前記第１異常要因情報は、前記基板処理装置による前記学習対象基板の処理時の前記処理流体に関する情報であることが好ましい。前記第２異常要因情報は、前記学習対象基板を処理する前記基板処理装置の部品に関する情報であることが好ましい。前記出力情報は、第１出力情報と第２出力情報とのうちの少なくとも１つの情報を含むことが好ましい。前記第１出力情報は、前記基板処理装置による前記処理対象基板の処理時の前記処理流体に関する情報であることが好ましい。前記第２出力情報は、前記処理対象基板を処理する前記基板処理装置の部品に関する情報であることが好ましい。
本発明の学習済みモデルにおいて、前記第１特徴量情報及び前記第１入力情報の各々は、第１情報と第２情報と第３情報と第４情報と第５情報と第６情報とのうちの少なくとも１つの情報を含むことが好ましい。前記第１情報は、前記物理量が目標値に向かって増加する際の前記物理量の状態を示す情報であることが好ましい。前記第２情報は、前記物理量のオーバーシュートを示す情報であることが好ましい。前記第３情報は、前記物理量の変動を示す情報であることが好ましい。前記第４情報は、前記物理量が前記目標値から減少する際の前記物理量の状態を示す情報であることが好ましい。前記第５情報は、前記基板処理装置が互いに異なる少なくとも２つの前記物体を使用する際に、前記２つの物体のうちの一方の物体の前記物理量と他方の物体の前記物理量とのオーバーラップを示す情報であることが好ましい。前記第６情報は、時間軸上において、前記一方の物体と前記他方の物体との時間間隔を示す情報であることが好ましい。
本発明の学習済みモデルにおいて、前記物体は、前記処理流体であることが好ましい。前記物理量は、前記処理流体を排出する排出管内での前記処理流体の物理量を示すことが好ましい。
本発明の学習済みモデルにおいて、前記物体は、前記処理流体であることが好ましい。前記物理量は、前記処理流体の流量、前記処理流体の温度、又は、前記処理流体の濃度を示すことが好ましい。
本発明の学習済みモデルにおいて、前記学習対象基板を処理する前記基板処理装置が使用する前記物体は、前記学習対象基板を回転させる基板保持部、前記学習対象基板に向けて前記処理流体を吐出するノズルを移動させるアーム、前記学習対象基板から飛散した前記処理流体を受けるガード、又は、前記処理流体の流れを調節するバルブであることが好ましい。前記処理対象基板を処理する前記基板処理装置が使用する前記物体は、前記処理対象基板を回転させる基板保持部、前記処理対象基板に向けて前記処理流体を吐出するノズルを移動させるアーム、前記処理対象基板から飛散した前記処理流体を受けるガード、又は、前記処理流体の流れを調節するバルブであることが好ましい。前記物体が前記基板保持部である場合、前記物理量は、前記基板保持部の動作及び／又は状態に関する量を示すことが好ましい。前記物体が前記アームである場合、前記物理量は、前記アームの動作及び／又は状態に関する量を示すことが好ましい。前記物体が前記ガードである場合、前記物理量は、前記ガードの動作及び／又は状態に関する量を示すことが好ましい。前記物体が前記バルブである場合、前記物理量は、前記バルブの動作及び／又は状態に関する量を示すことが好ましい。
本発明の学習済みモデルにおいて、前記学習対象基板を処理する前記基板処理装置が使用する前記物体は、前記学習対象基板の上面を間隔をあけて覆う遮断板を含むことが好ましい。前記処理対象基板を処理する前記基板処理装置が使用する前記物体は、前記処理対象基板の上面を間隔をあけて覆う遮断板を含むことが好ましい。前記物体が前記遮断板である場合、前記物理量は、前記遮断板の動作及び／又は状態に関する量を示すことが好ましい。
本発明の学習済みモデルにおいて、前記特徴量は、第２特徴量情報をさらに含むことが好ましい。前記第２特徴量情報は、１つのロットを構成する所定数の前記学習対象基板に対する処理の順番を示す処理順番情報、又は、ロットに対する処理の終了から次のロットに対する処理の開始までの時間間隔を示すロット間隔情報であることが好ましい。前記入力情報は、前記処理対象基板に関する第２入力情報をさらに含むことが好ましい。前記第２入力情報は、１つのロットを構成する所定数の前記処理対象基板に対する処理の順番を示す処理順番情報、又は、ロットに対する処理の終了から次のロットに対する処理の開始までの時間間隔を示すロット間隔情報であることが好ましい。
本発明の更に他の局面によれば、異常要因推定装置は、処理流体による処理後の処理対象基板の異常の要因を推定する。異常要因推定装置は、記憶部と、推定部とを備える。記憶部は、学習データを機械学習することで構築される学習済みモデルを記憶する。推定部は、前記学習済みモデルに入力情報を入力して、前記学習済みモデルから出力情報を取得する。前記学習データは、特徴量と異常要因情報とを含む。前記異常要因情報は、前記処理流体による処理後の学習対象基板の異常の要因を示す。前記特徴量は、前記処理流体によって前記学習対象基板を処理する基板処理装置が使用する物体の物理量を示す時系列データのうちの区間データの時間推移の特徴を示す特徴量情報を含み、前記特徴量情報は、時間によって表される。前記入力情報は、前記処理流体によって前記処理対象基板を処理する基板処理装置が使用する物体の物理量を示す時系列データのうちの区間データの時間推移の特徴を示す情報を含み、前記情報は、時間によって表される。前記出力情報は、前記処理流体による処理後の前記処理対象基板の異常の要因を示す。
本発明の更に他の局面によれば、基板処理装置は、上記異常要因推定装置と、基板を処理する処理装置とを備える。
本発明の更に他の局面によれば、異常要因推定方法は、処理流体による処理後の処理対象基板の異常の要因を推定する。異常要因推定方法は、入力情報を取得するステップと、学習データを機械学習することで構築される学習済みモデルに前記入力情報を入力して、前記学習済みモデルから出力情報を取得するステップとを含む。前記学習データは、特徴量と異常要因情報とを含む。前記異常要因情報は、前記処理流体による処理後の学習対象基板の異常の要因を示す。前記特徴量は、前記処理流体によって前記学習対象基板を処理する基板処理装置が使用する物体の物理量を示す時系列データのうちの区間データの時間推移の特徴を示す特徴量情報を含み、前記特徴量情報は、時間によって表される。前記入力情報は、前記処理流体によって前記処理対象基板を処理する基板処理装置が使用する物体の物理量を示す時系列データのうちの区間データの時間推移の特徴を示す情報を含み、前記情報は、時間によって表される。前記出力情報は、前記処理流体による処理後の前記処理対象基板の異常の要因を示す。
本発明の更に他の局面によれば、学習方法は、学習データを取得するステップと、前記学習データを機械学習するステップとを含む。前記学習データは、特徴量と異常要因情報とを含む。前記異常要因情報は、処理流体による処理後の学習対象基板の異常の要因を示す。前記特徴量は、前記処理流体によって前記学習対象基板を処理する基板処理装置が使用する物体の物理量を示す時系列データのうちの区間データの時間推移の特徴を示す特徴量情報を含む。前記第１特徴量情報は、時間によって表される。
本発明の更に他の局面によれば、学習装置は、記憶部と、学習部とを備える。記憶部は、学習データを記憶する。学習部は、前記学習データを機械学習する。前記学習データは、特徴量と異常要因情報とを含む。前記異常要因情報は、処理流体による処理後の学習対象基板の異常の要因を示す。前記特徴量は、前記処理流体によって前記学習対象基板を処理する基板処理装置が使用する物体の物理量を示す時系列データのうちの区間データの時間推移の特徴を示す特徴量情報を含む。前記特徴量情報は、時間によって表される。
本発明の更に他の局面によれば、学習データ作成方法は、処理流体によって学習対象基板を処理する基板処理装置が使用する物体の物理量を示す時系列データから、少なくとも１つの区間データを取得するステップと、前記区間データの時間推移の特徴を示す特徴量情報を算出するステップと、前記特徴量情報に異常要因情報を関連付けて記憶するように、記憶部を制御するステップとを含む。前記異常要因情報は、前記処理流体による処理後の前記学習対象基板の異常の要因を示す。前記特徴量情報は、時間によって表される。前記特徴量情報及び前記異常要因情報は、機械学習の対象である学習データを構成する。
本発明によれば、処理流体による処理後の処理対象基板の異常の要因を精度良く特定できるとともに、異常の要因を特定する際の時間を短縮できる。
本発明の実施形態に係る基板処理システムを示すブロック図である。 本実施形態に係る基板処理装置を示す模式的平面図である。 本実施形態に係る基板処理装置の処理装置を示す模式的断面図である。 （ａ）は、本実施形態に係る流体供給部を示す図であり、（ｂ）は、本実施形態に係る別の流体供給部を示す図である。 本実施形態に係る基板処理装置を示す図である。 本実施形態に係る基板処理装置の制御装置を示すブロック図である。 本実施形態に係る基板処理方法を示すフローチャートである。 本実施形態に係る学習データ作成装置を示すブロック図である。 本実施形態に係る時系列データの一例を示すグラフである。 本実施形態に係る特徴量を示す図である。 （ａ）は、本実施形態に係る第１特徴量情報に含まれる第１情報の算出方法の一例を示す図であり、（ｂ）は、第１情報の算出方法の他の例を示す図であり、（ｃ）は、第１情報の算出方法の更に他の例を示す図である。 本実施形態に係る第１特徴量情報に含まれる第２情報の算出方法の一例を示す図である。 本実施形態に係る第１特徴量情報に含まれる第３情報の算出方法の一例を示す図である。 （ａ）は、本実施形態に係る第１特徴量情報に含まれる第４情報の算出方法の一例を示す図であり、（ｂ）は、第４情報の算出方法の他の例を示す図であり、（ｃ）は、第４情報の算出方法の更に他の例を示す図である。 本実施形態に係る第１特徴量情報に含まれる第５情報の算出方法の一例を示す図である。 本実施形態に係る第１特徴量情報に含まれる第６情報の算出方法の一例を示す図である。 本実施形態に係る異常要因情報を示す図である。 本実施形態に係る学習データ作成方法を示すフローチャートである。 本実施形態に係る学習装置を示すブロック図である。 本実施形態に係る学習方法を示すフローチャートである。 本実施形態に係る異常要因推定装置を示すブロック図である。 本実施形態に係る入力情報を示す図である。 本実施形態に係る出力情報を示す図である。 本実施形態に係る異常要因推定方法を示すフローチャートである。
以下、本発明の実施形態について、図面を参照しながら説明する。なお、図中、同一または相当部分については同一の参照符号を付して説明を繰り返さない。また、図中、理解を容易にするために、Ｘ軸、Ｙ軸、及び、Ｚ軸を適宜図示している。Ｘ軸、Ｙ軸、及びＺ軸は互いに直交し、Ｘ軸及びＹ軸は水平方向に平行であり、Ｚ軸は鉛直方向に平行である。なお、「平面視」は、鉛直上方から対象を見ることを示す。
図１〜図２２を参照して、本発明の実施形態に係る基板処理システム１００を説明する。まず、図１を参照して基板処理システム１００を説明する。
図１は、基板処理システム１００を示す図である。図１に示すように、本実施形態に係る基板処理システム１００は、基板処理装置２００と、基板処理装置３００と、学習データ作成装置４００と、学習装置５００と、異常要因推定装置６００とを備える。
基板処理装置２００は、処理流体によって学習対象基板を処理する。処理流体は、例えば、処理液又は処理ガスである。基板処理装置２００は、学習対象基板を１枚ずつ処理する枚葉型である。学習対象基板は略円板状である。
基板処理装置３００は、処理流体によって処理対象基板を処理する。処理流体は、例えば、処理液又は処理ガスである。基板処理装置３００が使用する処理流体の構成は、基板処理装置２００が使用する処理流体の構成と同じである。処理対象基板の構成は、学習対象基板の構成と同じである。基板処理装置３００は、処理対象基板を１枚ずつ処理する枚葉型である。処理対象基板は略円板状である。
以下、学習対象基板を「学習対象基板Ｗ１」と記載し、処理対象基板を「処理対象基板Ｗ２」と記載する場合がある。また、学習対象基板Ｗ１と処理対象基板Ｗ２とを区別して説明する必要のないときは、学習対象基板Ｗ１及び処理対象基板Ｗ２を「基板Ｗ」と記載する場合がある。
基板Ｗは、例えば、半導体ウエハ、液晶表示装置用基板、プラズマディスプレイ用基板、電界放出ディスプレイ（Ｆｉｅｌｄ Ｅｍｉｓｓｉｏｎ Ｄｉｓｐｌａｙ：ＦＥＤ）用基板、光ディスク用基板、磁気ディスク用基板、光磁気ディスク用基板、フォトマスク用基板、セラミック基板、又は、太陽電池用基板である。
また、本明細書において、処理流体は、基板Ｗに接触する流体である限りは、特に限定されない。処理流体としての処理液は、例えば、薬液又はリンス液である。
薬液は、例えば、希フッ酸（ＤＨＦ）、フッ酸（ＨＦ）、フッ硝酸（フッ酸と硝酸（ＨＮＯ3）との混合液）、バファードフッ酸（ＢＨＦ）、フッ化アンモニウム、ＨＦＥＧ（フッ酸とエチレングリコールとの混合液）、燐酸（Ｈ3ＰＯ4）、硫酸、酢酸、硝酸、塩酸、アンモニア水、過酸化水素水、有機酸（例えば、クエン酸、シュウ酸）、有機アルカリ（例えば、ＴＭＡＨ：テトラメチルアンモニウムハイドロオキサイド）、硫酸過酸化水素水混合液（ＳＰＭ）、アンモニア過酸化水素水混合液（ＳＣ１）、塩酸過酸化水素水混合液（ＳＣ２）、イソプロピルアルコール（ＩＰＡ）、界面活性剤、又は、腐食防止剤である。
リンス液は、例えば、脱イオン水、炭酸水、電解イオン水、水素水、オゾン水、または、希釈濃度（例えば、１０ｐｐｍ〜１００ｐｐｍ程度）の塩酸水である。
また、処理流体としての処理ガスは、例えば、基板Ｗに付着した液体又は基板Ｗと反応する反応ガス、又は、不活性ガスである。反応ガスは、例えば、オゾンガス、フッ素ガス、フッ化水素を含む気体、又は、ＩＰＡを含む気体である。不活性ガスは、例えば、窒素、ヘリウム、又は、アルゴンである。
基板処理装置２００は、時系列データＴＤ１を出力する。時系列データＴＤ１は、基板処理装置２００が使用する物体の物理量を示す。物体は、例えば、処理流体、又は、基板処理装置２００の部品である。部品は、ハードウェア部品だけでなく、ソフトウェア部品を含む。物体及び物理量の詳細は後述する。
学習データ作成装置４００は、時系列データＴＤ１に基づいて学習データＴＮＤを作成する。そして、学習データ作成装置４００は学習データＴＮＤを出力する。学習データＴＮＤは、学習装置５００による機械学習の対象である。学習データＴＮＤは、学習対象基板Ｗ１の処理に関する特徴量と、学習対象基板Ｗ１の処理に関する異常要因情報とを含む。異常要因情報は、処理流体による処理後の学習対象基板Ｗ１の異常の要因を示す。特徴量は説明変数であり、異常要因情報は目的変数である。特徴量及び異常要因情報の詳細は後述する。
学習装置５００は、学習データＴＮＤを機械学習することによって、学習済みモデルＬＭを生成する。そして、学習装置５００は学習済みモデルＬＭを出力する。学習済みモデルＬＭは、基板処理装置３００での処理流体による処理後の処理対象基板Ｗ２の異常の要因を推定する。
基板処理装置３００は、時系列データＴＤ２を出力する。時系列データＴＤ２は、基板処理装置３００が使用する物体の物理量を示す。物体は、例えば、処理流体、又は、基板処理装置３００の部品である。部品は、ハードウェア部品だけでなく、ソフトウェア部品を含む。物体及び物理量の詳細は後述する。
時系列データＴＤ２の定義において、基板処理装置３００が使用する物体は、基板処理装置２００が使用する物体に対応する。従って、基板処理装置３００が使用する物体の構成は、基板処理装置２００が使用する物体の構成と同じである。また、時系列データＴＤ２の定義において、基板処理装置３００が使用する物体の物理量は、基板処理装置２００が使用する物体の物理量に対応する。従って、基板処理装置３００が使用する物体の物理量は、基板処理装置２００が使用する物体の物理量と同じである。
異常要因推定装置６００は、学習済みモデルＬＭを使用して、時系列データＴＤ２に基づいて、基板処理装置３００での処理流体による処理後の処理対象基板Ｗ２の異常の要因を推定する。
具体的には、異常要因推定装置６００は、前処理部８１と、推定部８３とを備える。
前処理部８１は、時系列データＴＤ２に基づいて入力情報ＩＦ１を生成する。そして、前処理部８１は入力情報ＩＦ１を出力する。入力情報ＩＦ１は、処理対象基板Ｗ２の処理に関する特徴量を含む。特徴量は説明変数である。入力情報ＩＦ１の特徴量は、学習データＴＮＤの特徴量に対応する情報である。特徴量の詳細は後述する。
推定部８３は、学習済みモデルＬＭに入力情報ＩＦ１を入力する。そして、学習済みモデルＬＭは、入力情報ＩＦ１に含まれる特徴量に基づいて、基板処理装置３００での処理流体による処理後の処理対象基板Ｗ２の異常の要因を推定して、出力情報ＩＦ２を出力する。推定部８３は，学習済みモデルＬＭから出力情報ＩＦ２を取得して、出力情報ＩＦ２を出力する。出力情報ＩＦ２は、処理対象基板Ｗ２の処理に関する異常要因情報を含む。異常要因情報は、処理流体による処理後の処理対象基板Ｗ２の異常の要因を示す。異常要因情報は目的変数である。出力情報ＩＦ２の異常要因情報は、学習データＴＮＤの異常要因情報に対応する情報である。異常要因情報の詳細は後述する。
以上、図１を参照して説明したように、本実施形態によれば、学習装置５００は、機械学習を行う。従って、非常に複雑かつ解析対象が膨大な時系列データＴＤ１から規則性を見出して、精度の高い学習済みモデルＬＭを作成できる。そして、異常要因推定装置６００は、学習済みモデルＬＭに対して、時系列データＴＤ２に基づく特徴量を含む入力情報ＩＦ１を入力して、学習済みモデルＬＭから、異常要因情報を含む出力情報ＩＦ２を出力させる。従って、処理流体による処理後の処理対象基板Ｗ２の異常の要因を精度良く特定できるとともに、異常の要因を特定する際の時間を短縮できる。
ここで、本明細書において、「物体」は、「基板処理装置２００が使用する物体」又は「基板処理装置３００が使用する物体」を示す。また、「物理量」は「物体の物理量」を示す。「物体」及び「物理量」の詳細は後述する。
次に、図２〜図７を参照して、基板処理装置２００を説明する。基板処理装置２００が処理する基板Ｗは、「学習対象基板Ｗ１」である。なお、基板処理装置３００の構成及び動作は、基板処理装置２００の構成及び動作と同様である。従って、図２〜図７を参照して説明する基板処理装置２００の説明は、基板処理装置３００の説明に援用される。この場合、基板処理装置３００が処理する基板Ｗは、「処理対象基板Ｗ２」である。
図２は、基板処理装置２００を示す模式的平面図である。図２に示すように、基板処理装置２００は、複数のロードポートＬＰと、インデクサーロボットＩＲと、センターロボットＣＲと、複数の処理装置１と、制御装置３と、複数の処理流体ボックス４と、処理流体キャビネット５とを備える。制御装置３は、ロードポートＬＰ、インデクサーロボットＩＲ、センターロボットＣＲ、及び、処理装置１を制御する。
ロードポートＬＰの各々は、複数枚の基板Ｗを積層して収容する。インデクサーロボットＩＲは、ロードポートＬＰとセンターロボットＣＲとの間で基板Ｗを搬送する。センターロボットＣＲは、インデクサーロボットＩＲと処理装置１との間で基板Ｗを搬送する。処理装置１の各々は、基板Ｗに処理流体を供給して、基板Ｗを処理する。処理流体ボックス４の各々は流体機器を収容する。処理流体キャビネット５は処理流体を収容する。
具体的には、複数の処理装置１は、平面視においてセンターロボットＣＲを取り囲むように配置された複数のタワーＴＷ（本実施形態では４つのタワーＴＷ）を形成している。各タワーＴＷは、上下に積層された複数の処理装置１（本実施形態では３つの処理装置１）を含む。複数の処理流体ボックス４は、それぞれ、複数のタワーＴＷに対応している。処理流体キャビネット５内の処理流体は、いずれかの処理流体ボックス４を介して、処理流体ボックス４に対応するタワーＴＷに含まれる全ての処理装置１に供給される。
図３は、処理装置１を示す模式的断面図である。図３に示すように、処理装置１は、基板Ｗを処理流体によって処理する。具体的には、処理装置１は、基板Ｗを１枚ずつ処理する枚葉型である。
図３では、処理流体の一例として、処理液ＬＱ１、処理液ＬＱ２１と処理液ＬＱ２２との混合液、処理液ＬＱ３、処理液ＬＱ４、処理液ＬＱ５、及び、不活性ガスＧＡを記載している。処理液ＬＱ２１と処理液ＬＱ２２とは異なる。処理液ＬＱ１〜ＬＱ５、ＬＱ２１、ＬＱ２２は、例えば、上記で例示した薬液又はリンス液である。不活性ガスＧＡは、例えば、上記で例示した不活性ガスである。また、基板処理装置２００は、処理装置１ごとに、流体供給部Ｖ１、Ｖ２、Ｖ３、Ｖ４、Ｖ５、Ｖ６と、配管Ｇ１、Ｇ２、Ｇ３、Ｇ４、Ｇ５、Ｇ６と、温度センサーＴＳ１、ＴＳ２、ＴＳ３、ＴＳ４、ＴＳ５、ＴＳ６とをさらに備える。
処理装置１は、チャンバー１１と、スピンチャック１３と、スピンモーター１５と、ノズル１７と、ノズル移動部１９と、ノズル２１と、ノズル移動部２３と、ノズル２５と、ノズル２７と、流体供給ユニット２９と、ユニット動作部３１と、複数のガード３３（本実施形態では４つのガード３３）とを備える。
チャンバー１１は略箱形状を有する。チャンバー１１は、基板Ｗ、スピンチャック１３、スピンモーター１５、ノズル１７、ノズル移動部１９、ノズル２１、ノズル移動部２３、ノズル２５、ノズル２７、流体供給ユニット２９、ユニット動作部３１、複数のガード３３、及び、温度センサーＴＳ１〜ＴＳ６を収容する。また、チャンバー１１は、配管Ｇ１、Ｇ２、Ｇ３、Ｇ４、Ｇ５、Ｇ６の各々の一部を収容する。
スピンチャック１３は、基板Ｗを保持して回転する。スピンチャック１３は「基板保持部」の一例に相当する。具体的には、スピンチャック１３は、チャンバー１１内で基板Ｗを水平に保持しながら、回転軸線ＡＸの回りに基板Ｗを回転させる。
スピンチャック１３は、複数のチャック部材１３０と、スピンベース１３１とを備える。複数のチャック部材１３０はスピンベース１３１に設けられる。複数のチャック部材１３０は基板Ｗを水平な姿勢で保持する。スピンベース１３１は、略円板状であり、水平な姿勢で複数のチャック部材１３０を支持する。スピンモーター１５は、スピンベース１３１を回転軸線ＡＸの回りに回転させる。従って、スピンベース１３１は回転軸線ＡＸの回りに回転する。その結果、スピンベース１３１に設けられた複数のチャック部材１３０に保持された基板Ｗが回転軸線ＡＸの回りに回転する。具体的には、スピンモーター１５は、モーター本体１５０と、シャフト１５１とを備える。シャフト１５１はスピンベース１３１に結合される。そして、モーター本体１５０は、シャフト１５１を回転させることで、スピンベース１３１を回転させる。
ノズル１７は、基板Ｗの回転中に基板Ｗに向けて処理液ＬＱ１を吐出する。配管Ｇ１はノズル１７に処理液ＬＱ１を供給する。流体供給部Ｖ１は、ノズル１７に対する処理液ＬＱ１の供給を調節する。温度センサーＴＳ１は、配管Ｇ１を流れる処理液ＬＱ１の温度を検出して、温度を示す検出信号を出力する。温度センサーＴＳ１は、例えば、熱電対を含む。
ノズル移動部１９は、略鉛直方向および略水平方向にノズル１７を移動する。具体的には、ノズル移動部１９は、アーム１９１と、回動軸１９３と、ノズル移動機構１９５とを備える。アーム１９１は略水平方向に沿って延びる。アーム１９１の先端部にはノズル１７が配置される。アーム１９１は回動軸１９３に結合される。回動軸１９３は、略鉛直方向に沿って延びる。ノズル移動機構１９５は、回動軸１９３を略鉛直方向に沿った回動軸線のまわりに回動させて、アーム１９１を略水平面に沿って回動させる。その結果、ノズル１７が略水平面に沿って移動する。また、ノズル移動機構１９５は、回動軸１９３を略鉛直方向に沿って昇降させて、アーム１９１を昇降させる。その結果、ノズル１７が略鉛直方向に沿って移動する。ノズル移動機構１９５は、例えば、ボールねじ機構と、ボールねじ機構に駆動力を与える電動モーターとを備える。
ノズル２１は、基板Ｗの回転中に基板Ｗに向けて、処理液ＬＱ２１と処理液ＬＱ２２との混合液を吐出する。配管Ｇ２はノズル２１に混合液を供給する。流体供給部Ｖ２は、ノズル２１に対する混合液の供給を調節する。温度センサーＴＳ２は、配管Ｇ２を流れる混合液の温度を検出して、温度を示す検出信号を出力する。温度センサーＴＳ２は、例えば、熱電対を含む。
ノズル移動部２３は、略鉛直方向および略水平方向にノズル２１を移動する。具体的には、ノズル移動部２３は、アーム２３１と、回動軸２３３と、ノズル移動機構２３５とを備える。アーム２３１は略水平方向に沿って延びる。アーム２３１の先端部にはノズル２１が配置される。アーム２３１は回動軸２３３に結合される。回動軸２３３は、略鉛直方向に沿って延びる。ノズル移動機構２３５は、回動軸２３３を略鉛直方向に沿った回動軸線のまわりに回動させて、アーム２３１を略水平面に沿って回動させる。その結果、ノズル２１が略水平面に沿って移動する。また、ノズル移動機構２３５は、回動軸２３３を略鉛直方向に沿って昇降させて、アーム２３１を昇降させる。その結果、ノズル２１が略鉛直方向に沿って移動する。ノズル移動機構２３５は、例えば、ボールねじ機構と、ボールねじ機構に駆動力を与える電動モーターとを備える。
ノズル２５は、基板Ｗの回転中に基板Ｗに向けて処理液ＬＱ３を吐出する。配管Ｇ３はノズル２５に処理液ＬＱ３を供給する。流体供給部Ｖ３は、ノズル２５に対する処理液ＬＱ３の供給を調節する。温度センサーＴＳ３は、配管Ｇ３を流れる処理液ＬＱ３の温度を検出して、温度を示す検出信号を出力する。温度センサーＴＳ３は、例えば、熱電対を含む。
ノズル２７は、基板Ｗの回転中にチャック部材１３０に向けて処理液ＬＱ４を吐出する。配管Ｇ４はノズル２７に処理液ＬＱ４を供給する。流体供給部Ｖ４は、ノズル２７に対する処理液ＬＱ４の供給を調節する。温度センサーＴＳ４は、配管Ｇ４を流れる処理液ＬＱ４の温度を検出して、温度を示す検出信号を出力する。温度センサーＴＳ４は、例えば、熱電対を含む。
流体供給ユニット２９は、スピンチャック１３の上方に位置する。流体供給ユニット２９は、遮断板２９１と、支軸２９３と、ノズル２９５と、ノズル２９７とを備える。
遮断板２９１は、例えば、略円板状である。遮断板２９１は、遮断板２９１の下面が略水平になるように配置されている。遮断板２９１は、遮断板２９１の中心軸線が回転軸線ＡＸ上に位置するように配置されている。遮断板２９１の下面は、スピンチャック１３に保持された基板Ｗに対向している。遮断板２９１は、水平な姿勢で支軸２９３の下端に連結されている。
ユニット動作部３１は、近接位置と退避位置との間で、流体供給ユニット２９を上昇又は下降させる。近接位置は、遮断板２９１が下降して基板Ｗの上面に所定間隔をあけて近接する位置を示す。近接位置では、遮断板２９１は、基板Ｗの表面を覆って、基板Ｗの表面の上方を遮断する。つまり、近接位置では、遮断板２９１は、基板Ｗの表面と対向して、基板Ｗの表面の上方を覆う。退避位置は、近接位置よりも上方であって、遮断板２９１が上昇して基板Ｗから離間している位置を示す。図３では、遮断板２９１は退避位置に位置する。また、ユニット動作部３１は、近接位置において、流体供給ユニット２９を回転させる。例えば、ユニット動作部３１は、ボールねじ機構と、ボールねじ機構に駆動力を与える昇降モーターとを備える。昇降モーターは、例えば、サーボモータである。例えば、ユニット動作部３１は、モーターと、モーターの回転を流体供給ユニット２９に伝達する伝達機構とを備える。
流体供給ユニット２９のノズル２９５及びノズル２９７は、遮断板２９１および支軸２９３の内部に配置される。ノズル２９５の先端及びノズル２９７の先端は遮断板２９１の下面から露出している。
ノズル２９５は、流体供給ユニット２９が近接位置に位置するときに、回転中の基板Ｗに処理液ＬＱ５を吐出する。ノズル２９５には配管Ｇ５が接続される。配管Ｇ５はノズル２９５に処理液ＬＱ５を供給する。流体供給部Ｖ５は、ノズル２９５に対する処理液ＬＱ５の供給を調節する。温度センサーＴＳ５は、配管Ｇ５を流れる処理液ＬＱ５の温度を検出して、温度を示す検出信号を出力する。温度センサーＴＳ５は、例えば、熱電対を含む。
ノズル２９７は、流体供給ユニット２９が近接位置に位置するときに、回転中の基板Ｗに不活性ガスＧＡを吐出する。ノズル２９７には配管Ｇ６が接続される。配管Ｇ６はノズル２９７に不活性ガスＧＡを供給する。流体供給部Ｖ６は、ノズル２９７に対する不活性ガスＧＡの供給を調節する。温度センサーＴＳ６は、配管Ｇ６を流れる不活性ガスＧＡの温度を検出して、温度を示す検出信号を出力する。温度センサーＴＳ６は、例えば、熱電対を含む。
複数のガード３３の各々は略筒形状を有する。複数のガード３３の各々は、基板Ｗから排出された処理流体（処理液ＬＱ１、処理液ＬＱ２１と処理液ＬＱ２２との混合液、処理液ＬＱ３、又は、処理液ＬＱ５）を受け止める。複数のガード３３の各々は、上昇又は下降することが可能である。
図４（ａ）は、流体供給部Ｖ１を示す図である。なお、流体供給部Ｖ３〜Ｖ６の構成は、流体供給部Ｖ１の構成と同様である。従って、流体供給部Ｖ３〜Ｖ６の説明において、図４（ａ）を適宜参照し、流体供給部Ｖ１の部品に付している参照符号を適宜使用する。
図４（ａ）に示すように、流体供給部Ｖ１は、流量計ＦＷ１と、流量調整バルブＶ１１と、供給バルブＶ１２とを備える。流量計ＦＷ１と、流量調整バルブＶ１１と、供給バルブＶ１２とは、配管Ｇ１に介挿されている。流量計ＦＷ１は、配管Ｇ１を流れる処理流体（図３の例では処理液ＬＱ１）の流量を検出して、流量を示す検出信号を出力する。流量調整バルブＶ１１は、配管Ｇ１を流れる処理流体の流量を調整する。流量調整バルブＶ１１は、例えば、モーターニードルバルブである。供給バルブＶ１２は、配管Ｇ１を開放又は閉塞して、ノズル１７に対して処理流体の供給開始と供給停止とを切り替える。供給バルブＶ１２は、例えば、リリーフバルブである。
図４（ｂ）は、流体供給部Ｖ２を示す図である。図４（ｂ）に示すように、流体供給部Ｖ２は、バルブＶ２１と、バルブＶ２２と、混合部ＭＸＮとを備える。バルブＶ２１は、混合部ＭＸＮに対する処理液ＬＱ２１の供給開始と供給停止とを切り替える。バルブＶ２２は、混合部ＭＸＮに対する処理液ＬＱ２２の供給開始と供給停止とを切り替える。混合部ＭＸＮは、処理液ＬＱ２１と処理液ＬＱ２２とを混合して、混合液を配管Ｇ２及びノズル２１に供給する。具体的には、混合部ＭＸＮは、ミキシングバルブＶ２３と、流量計ＦＷ２とを含む。ミキシングバルブＶ２３は、処理液ＬＱ２１と処理液ＬＱ２２とを混合する。流量計ＦＷ２は、混合液の流量を検出して、検出信号を出力する。処理液ＬＱ２１は、例えば、硫酸であり、処理液ＬＱ２２は、例えば、過酸化水素水である。
以下、図３〜図４（ｂ）に示すノズル１７、２１、２５、２７、２９５、２９７を総称して「ノズルＮＺ」と記載する場合がある。バルブＶ１１、Ｖ１２、Ｖ２１、Ｖ２１、Ｖ２３を総称して「バルブＶＢ」と記載する場合がある。アーム１９１、２３１を総称して「アームＡＭ」と記載する場合がある。
図５は、基板処理装置２００を示す図である。図５では、図面の簡略化のために、配管Ｇ１に供給する処理流体（図３の例では処理液ＬＱ１）に関する部品を説明する。なお、配管Ｇ２〜Ｇ６に供給する処理流体に関する部品の構成は、配管Ｇ１に供給する処理流体に関する部品の構成と同様である。従って、配管Ｇ２〜Ｇ６に供給する処理流体に関する部品の説明において、図５を適宜参照し、配管Ｇ１に供給する処理流体に関する部品に付している参照符号を適宜使用する。
図５に示すように、基板処理装置２００は、各タワーＴＷにおいて、処理装置１ごとに、配管Ｇ１と流体供給部Ｖ１とを備えている。流体供給部Ｖ１は、タワーＴＷに対応する処理流体ボックス４に収容される。各配管Ｇ１の一部はチャンバー１１に収容され、各配管Ｇ１の一部は処理流体ボックス４に収容される。
また、基板処理装置２００は、処理流体タンク５０と、循環配管５１と、ポンプ５５と、パルスダンパー５６と、フィルター５７と、温度調節器５８とをさらに備える。処理流体タンク５０とポンプ５５とパルスダンパー５６とフィルター５７と温度調節器５８とは、処理流体キャビネット５に収容される。循環配管５１の一部は処理流体キャビネット５に収容され、循環配管５１の一部は処理流体ボックス４に収容される。
処理流体タンク５０は処理流体（図３の例では処理液ＬＱ１）を貯留する。循環配管５１は、処理流体タンク５０から下流に延びる上流配管５２と、上流配管５２から分岐した複数の個別配管５３と、各個別配管５３から処理流体タンク５０まで下流に延びる下流配管５４とを備える。
上流配管５２の上流端は、処理流体タンク５０に接続されている。下流配管５４の下流端は、処理流体タンク５０に接続されている。上流配管５２の上流端は、循環配管５１の上流端に相当し、下流配管５４の下流端は、循環配管５１の下流端に相当する。各個別配管５３は、上流配管５２の下流端から下流配管５４の上流端に延びている。
複数の個別配管５３は、それぞれ、複数のタワーＴＷに対応している。１つのタワーＴＷに含まれる３つの処理装置１に対応する３つの配管Ｇ１３は、１つの個別配管５３に接続されている。
ポンプ５５は、処理流体タンク５０内の処理流体を循環配管５１に送り出す。パルスダンパー５６は、ポンプ５５から送り出される処理流体の脈動を抑制する。フィルター５７は、循環配管５１を流れる処理流体から異物を除去する。温度調節器５８は、処理流体タンク５０内の処理流体の温度を調節する。温度調節器５８は、例えば、処理流体を加熱するヒーターである。
ポンプ５５、パルスダンパー５６、フィルター５７、及び、温度調節器５８は、上流配管５２に配置されている。処理流体タンク５０内の処理流体は、ポンプ５５によって上流配管５２に送られ、上流配管５２から複数の個別配管５３に流れる。個別配管５３内の処理流体は、下流配管５４に流れ、下流配管５４から処理流体タンク５０に戻る。処理流体は温度調節器５８によって加熱されて、規定温度に維持される。従って、循環配管５１を循環する処理流体の温度は、規定温度に維持される。そして、循環配管５１内で規定温度に維持されている処理流体が、配管Ｇ１に供給される。
また、基板処理装置２００は、複数の排出管Ｐ７と、複数の温度センサーＴＳ７と、複数の流量計ＦＷ３とをさらに備える。複数の排出管Ｐ７は、それぞれ、複数の処理装置１に対応して配置される。排出管Ｐ７は、処理装置１に接続され、ガード３３が受け止めた処理流体（図３の例では処理液ＬＱ１）を処理装置１の外部に排出する。排出管Ｐ７には、流量計ＦＷ３が介挿される。そして、流量計ＦＷ３は、排出管Ｐ７を流れる処理流体の流量を検出して、流量を示す検出信号を出力する。また、温度センサーＴＳ７は、排出管Ｐ７を流れる処理流体の温度を検出して、温度を示す検出信号を出力する。温度センサーＴＳ７は、例えば、熱電対を含む。
次に、図６を参照して、基板処理装置２００の制御装置３を説明する。図６は、制御装置３を示すブロック図である。制御装置３は、例えば、コンピューターである。図６に示すように、制御装置３は、制御部３Ａと、記憶部３Ｂと、通信部３Ｃと、入力部３Ｄと、表示部３Ｅとを備える。
制御部３Ａは、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）及びＧＰＵ（Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）等のプロセッサーを備える。記憶部３Ｂは、記憶装置を含み、データ及びコンピュータープログラムを記憶する。制御部３Ａのプロセッサーは、記憶部３Ｂの記憶装置が記憶しているコンピュータープログラムを実行して、基板処理装置２００の各部品を制御する。
例えば、記憶部３Ｂは、半導体メモリー等の主記憶装置と、半導体メモリー及びハードディスクドライブ等の補助記憶装置とを備える。記憶部３Ｂは、光ディスク等のリムーバブルメディアを備えていてもよい。記憶部３Ｂは、例えば、非一時的コンピューター読取可能記憶媒体である。
具体的には、記憶部３Ｂは、制御プログラムＰＧ１と、複数の処理条件情報ＣＤとを記憶している。制御部３Ａは、制御プログラムＰＧ１を実行して、少なくとも１つの処理条件情報ＣＤに基づいて基板処理装置２００の各部品を制御する。複数の処理条件情報ＣＤの各々は、基板Ｗの処理条件を示す情報である。複数の処理条件情報ＣＤの各々は、レシピ情報ＲＰと、複数のパラメータ情報ＰＭとを含む。レシピ情報ＲＰは、基板Ｗの処理内容及び処理手順を規定する。複数のパラメータ情報ＰＭの各々は、レシピ情報ＲＰに従った処理を実現するための設定値であって、基板処理装置２００の部品に対する設定値を示す。レシピ情報ＲＰ及びパラメータ情報ＰＭは、基板処理装置２００のソフトウェア部品である。
通信部３Ｃは、ネットワークに接続され、外部装置と通信する。本実施形態において、ネットワークは、例えば、インターネット、ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）、公衆電話網、及び、近距離無線ネットワークを含む。通信部３Ｃは、通信機であり、例えば、ネットワークインターフェースコントローラーである。
入力部３Ｄは、制御部３Ａに対して各種情報を入力するための入力機器である。例えば、入力部３Ｄは、キーボード及びポインティングデバイス、又は、タッチパネルである。
表示部３Ｅは画像を表示する。表示部３Ｅは、例えば、液晶ディスプレイ、又は、有機エレクトロルミネッセンスディスプレイである。
制御部３Ａは、検出計群ＳＮＳから時系列データＴＤ１を取得して、時系列データＴＤ１を記憶部３Ｂに記憶させる。この場合、制御部３Ａは、時系列データＴＤ１を、ロット識別情報、基板識別情報、処理順番情報（以下、「処理順番情報ＸＡ」）、及び、ロット間隔情報（以下、「ロット間隔情報ＸＢ」）と関連付けて記憶部３Ｂに記憶させる。ロット識別情報は、ロットを識別するための情報（例えば、ロット番号）である。ロットは基板Ｗの処理単位を示す。１つのロットは、所定数の基板Ｗによって構成される。基板識別情報は、基板Ｗを識別するための情報である。処理順番情報ＸＡは、１つのロットを構成する所定数の基板Ｗに対する処理の順番を示す情報である。ロット間隔情報ＸＢは、ロットに対する処理の終了から次のロットに対する処理の開始までの時間間隔を示す情報である。
時系列データＴＤ１は、基板処理装置２００が使用する物体の物理量を示す。そして、検出計群ＳＮＳは基板処理装置２００に備えられている。検出計群ＳＮＳは、１枚の基板Ｗの処理ごとに、基板Ｗの処理開始から処理終了までの期間において、基板処理装置２００が使用する物体の物理量を検出して、物理量を示す検出信号を制御部３Ａに出力する。そして、制御部３Ａは、基板Ｗの処理開始から処理終了までの期間において検出計群ＳＮＳから出力される検出信号によって示される物理量を、１枚の基板Ｗの処理ごとに、時間と関連付けて時系列データＴＤ１として、記憶部３Ｂに記憶させる。
複数の時系列データＴＤ１の各々は、少なくとも１つの個別時系列データＴＤを含む。本実施形態では、複数の時系列データＴＤ１の各々は、１つ又は複数の個別時系列データＴＤを含む。１つの個別時系列データＴＤは、１つの物体の物理量を示す時系列データである。
本実施形態では、「基板処理装置２００が使用する物体」は、「処理流体」、及び／又は、「基板処理装置２００の部品」である。「部品」は、１つの部材から構成されていてもよいし、複数の部材から構成されていてもよい。基板処理装置２００が使用する物体が処理流体である場合、例えば、「基板処理装置２００が使用する物体の物理量」は、「処理流体の流量」、「処理流体の温度」、又は、「処理流体の濃度」である。基板処理装置２００が使用する物体が基板処理装置２００の部品である場合、例えば、「基板処理装置２００が使用する物体の物理量」は、「部品の動作及び／又は状態を示す物理量」である。
具体的には、検出計群ＳＮＳは、流量計群３Ｆ、温度センサー群３Ｇ、及び、センサー群３Ｈを含む。
流量計群３Ｆは、複数の流量計ＦＷを含む。複数の流量計ＦＷの各々は、１枚の基板Ｗの処理ごとに、基板Ｗの処理開始から処理終了までの期間において、処理流体の流量を検出して、流量を示す検出信号を出力する。そして、制御部３Ａは、基板Ｗの処理開始から処理終了までの期間において各流量計ＦＷから出力される検出信号によって示される流量を、１枚の基板Ｗの処理ごとに、時間と関連付けて時系列データＴＤ１として、記憶部３Ｂに記憶させる。この場合、１つの個別時系列データＴＤは、処理流体の吐出時に１つのノズルＮＺに供給される処理流体の流量を示す時系列データである。
複数の流量計ＦＷは、複数の流量計ＦＷ１、複数の流量計ＦＷ２、及び、複数の流量計ＦＷ３を含む（図３及び図４）。また、複数の流量計ＦＷは、その他の１以上の流量計をさらに備えていてもよい。この場合、流量計は、基板処理装置２００の任意の位置（例えば、配管）に配置されることができる。
温度センサー群３Ｇは、複数の温度センサーＴＳを含む。複数の温度センサーＴＳの各々は、１枚の基板Ｗの処理ごとに、基板Ｗの処理開始から処理終了までの期間において、処理流体の温度を検出して、温度を示す検出信号を出力する。そして、制御部３Ａは、基板Ｗの処理開始から処理終了までの期間において各温度センサーＴＳから出力される検出信号によって示される温度を、１枚の基板Ｗの処理ごとに、時間と関連付けて時系列データＴＤ１として、記憶部３Ｂに記憶させる。この場合、１つの個別時系列データＴＤは、処理流体の吐出時に１つのノズルＮＺに供給される処理流体の温度を示す時系列データである。
複数の温度センサーＴＳは、複数の温度センサーＴＳ１、複数の温度センサーＴＳ２、複数の温度センサーＴＳ３、複数の温度センサーＴＳ４、複数の温度センサーＴＳ５、複数の温度センサーＴＳ６、及び、複数の温度センサーＴＳ７を含む（図３）。また、複数の温度センサーＴＳは、その他の１以上の温度センサーをさらに備えていてもよい。この場合、温度センサーは、基板処理装置２００の任意の位置（例えば、配管、処理流体タンク５０、又は、チャンバー１１）に配置されることができる。
センサー群３Ｈは、複数のセンサーＳＮを含む。複数のセンサーＳＮの各々は、１枚の基板Ｗの処理ごとに、基板Ｗの処理開始から処理終了までの期間において、基板処理装置２００が使用する部品の動作及び／又は状態を示す物理量を検出して、部品の動作及び／又は状態を示す物理量を示す検出信号を出力する。そして、制御部３Ａは、基板Ｗの処理開始から処理終了までの期間において各センサーＳＮから出力される検出信号によって示される部品の動作及び／又は状態を示す物理量を、１枚の基板Ｗの処理ごとに、時間と関連付けて時系列データＴＤ１として、記憶部３Ｂに記憶させる。この場合、１つの個別時系列データＴＤは、１つの部品の動作及び／又は状態を示す物理量の時系列データである。
基板処理装置２００が使用する部品は、例えば、基板Ｗを回転させるスピンチャック１３、基板Ｗに向けて処理流体を吐出するノズルＮＺを移動させるアームＡＭ、基板Ｗの上面を間隔をあけて覆う遮断板２９１、基板Ｗから飛散した処理流体を受けるガード３３、又は、処理流体の流れを調節するバルブＶＢである。
基板処理装置２００が使用する部品がスピンチャック１３である場合、スピンチャック１３の物理量は、スピンチャック１３の動作及び／又は状態に関する量を示す。例えば、物理量は、スピンチャック１３の回転数を示す。従って、センサーＳＮは、スピンチャック１３の回転数を検出して、回転数を示す検出信号を出力する。この場合、センサーＳＮは、光学的、電気的、又は、機械的にスピンチャック１３の回転数を検出する。スピンチャック１３の回転数は基板Ｗの回転数を示す。なお、センサーＳＮは、スピンモーター１５の回転数を検出してもよい。この場合、基板処理装置２００が使用する部品はスピンモーター１５であり、スピンモーター１５の物理量はスピンモーター１５の回転数である。
基板処理装置２００が使用する部品がアームＡＭである場合、アームＡＭの物理量は、アームＡＭの動作及び／又は状態に関する量を示す。例えば、物理量は、ノズルＮＺによるスキャン処理を実行する場合のアームＡＭの位置又は変位を示す情報である。スキャン処理とは、ノズルＮＺが基板Ｗの径方向に沿って処理流体の吐出位置を移動しながら基板Ｗを処理流体によって処理することである。この場合、センサーＳＮは、アームＡＭの位置又は変位を検出して、位置又は変位を示す検出信号を出力する。この場合、センサーＳＮは、光学的、電気的、又は、機械的にアームＡＭの位置又は変位を検出する。
基板処理装置２００が使用する部品が遮断板２９１である場合、遮断板２９１の物理量は、遮断板２９１の動作及び／又は状態に関する量を示す。例えば、物理量は、遮断板２９１の鉛直方向に沿った位置を示す情報、変位を示す情報、又は、回転数を示す情報である。この場合、センサーＳＮは、遮断板２９１の位置、変位、又は、回転数を検出して、位置、変位、又は、回転数を示す検出信号を出力する。この場合、センサーＳＮは、光学的、電気的、又は、機械的に遮断板２９１の位置、変位、又は、回転数を検出する。
基板処理装置２００が使用する部品がガード３３である場合、ガード３３の物理量は、ガード３３の動作及び／又は状態に関する量を示す。例えば、物理量は、ガード３３の位置又は変位を示す情報である。この場合、センサーＳＮは、ガード３３の位置又は変位を検出して、位置又は変位を示す検出信号を出力する。この場合、センサーＳＮは、光学的、電気的、又は、機械的にガード３３位置又は変位を検出する。
基板処理装置２００が使用する部品がバルブＶＢである場合、バルブＶＢの物理量は、バルブＶＢの動作及び／又は状態に関する量を示す。例えば、物理量は、バルブＶＢの開度を示す情報である。この場合、センサーＳＮは、バルブＶＢの開度を検出して、開度を示す検出信号を出力する。この場合、センサーＳＮは、光学的、電気的、又は、機械的にバルブＶＢの開度を検出する。開度は、バルブＶＢが開いている程度を示す。
複数のセンサーＳＮは、複数の濃度センサーを含んでいてもよい。この場合、複数の濃度センサーは、１枚の基板Ｗの処理ごとに、基板Ｗの処理開始から処理終了までの期間において、処理流体の濃度を直接的又は間接的に検出して、濃度を示す検出信号を出力する。そして、制御部３Ａは、基板Ｗの処理開始から処理終了までの期間において各濃度センサーから出力される検出信号によって示される濃度を、１枚の基板Ｗの処理ごとに、時間と関連付けて時系列データＴＤ１として、記憶部３Ｂに記憶させる。この場合、１つの個別時系列データＴＤは、処理流体の吐出時に１つのノズルＮＺに供給される処理流体の濃度を示す時系列データである。なお、濃度は処理流体の比重によって示されてもよい。この場合は、濃度センサーは処理流体の比重を検出する。また、濃度センサーは、配管に配置されてもよいし、処理流体タンク５０に配置されてもよい。
制御部３Ａは、例えば、時系列データＴＤ１を学習データ作成装置４００に送信するように、通信部３Ｃを制御する。その結果、通信部３Ｃは、ネットワークを介して、時系列データＴＤ１を学習データ作成装置４００に送信する。
制御部３Ａは、例えば、時系列データＴＤ１を表示するように、表示部３Ｅを制御する。その結果、表示部３Ｅは、時系列データＴＤ１を表示する。
次に、図２、図３、図６、及び、図７を参照して、基板処理装置２００が実行する基板処理方法を説明する。図７は、本実施形態に係る基板処理方法を示すフローチャートである。図７に示すように、基板処理方法は、ステップＳ１〜ステップＳ１０を含む。基板処理方法は、１枚の基板Ｗごとに基板処理装置２００によって実行される。
図７に示すように、ステップＳ１において、図２に示す基板処理装置２００のセンターロボットＣＲは、基板Ｗを処理装置１に搬入する。そして、図３に示す処理装置１において、スピンチャック１３のチャック部材１３０が基板Ｗを保持する。
次に、ステップＳ２において、図６に示す制御装置３の制御部３Ａは、検出計群ＳＮＳから、時系列データＴＤ１の取得及び記憶を開始する。
次に、ステップＳ３において、スピンチャック１３は、基板Ｗの回転を開始する。
次に、ステップＳ４において、処理装置１のノズル１７は、基板Ｗの表面に処理液ＬＱ１を吐出して、基板Ｗを処理する。
次に、ステップＳ５において、処理装置１のノズル２５は、基板Ｗの表面に処理液ＬＱ３を吐出して、基板Ｗから処理液ＬＱ１を洗い流す。
次に、ステップＳ６において、処理装置１のノズル２９５は、基板Ｗの表面に処理液ＬＱ５を吐出して、処理液ＬＱ３を処理液ＬＱ５に置換することで、基板Ｗを乾燥する。
次に、ステップＳ７において、処理装置１のノズル２９７は、基板Ｗの表面に不活性ガスＧＡを吐出して、基板Ｗを乾燥する。
次に、ステップＳ８において、処理装置１のスピンチャック１３は、基板Ｗの回転を停止し、チャック部材１３０が基板Ｗを開放する。
次に、ステップＳ９において、制御装置３の制御部３Ａは、検出計群ＳＮＳからの時系列データＴＤ１の取得及び記憶を停止する。
次に、ステップＳ１０において、基板処理装置２００のセンターロボットＣＲは、基板Ｗを処理装置１から搬出する。
以上、基板処理装置２００がステップＳ１〜ステップＳ１０を実行することで、１枚の基板Ｗの処理が終了する。
なお、図２〜図７の説明において、基板処理装置２００に関し、「基板Ｗ」を「学習対象基板Ｗ１」と読み替えることができる。また、図２〜図７の説明において、「基板処理装置２００」を「基板処理装置３００」と読み替え、「時系列データＴＤ１」を「時系列データＴＤ２」と読み替え、「基板Ｗ」を「処理対象基板」と読み替えることができる。
次に、図８〜図１８を参照して、学習データ作成装置４００を説明する。まず、図８を参照して、学習データ作成装置４００を説明する。学習データ作成装置４００は、例えば、コンピューターである。図８は、学習データ作成装置４００を示すブロック図である。図８に示すように、学習データ作成装置４００は、処理部４Ａと、記憶部４Ｂと、通信部４Ｃと、入力部４Ｄと、表示部４Ｅとを備える。
処理部４Ａは、ＣＰＵ及びＧＰＵ等のプロセッサーを備える。記憶部４Ｂは、記憶装置を含み、データ及びコンピュータープログラムを記憶する。処理部４Ａのプロセッサーは、記憶部４Ｂの記憶装置が記憶しているコンピュータープログラムを実行して、各種処理を実行する。例えば、記憶部４Ｂは、記憶部３Ｂと同様に、主記憶装置と、補助記憶装置とを備え、リムーバブルメディアを備えていてもよい。記憶部４Ｂは、例えば、非一時的コンピューター読取可能記憶媒体である。
具体的には、記憶部４Ｂは、学習データ作成プログラムＰＧ２を記憶している。処理部４Ａは、学習データ作成プログラムＰＧ２を実行して、学習データ作成部６１、記憶制御部６３、及び、表示制御部６５として機能する。つまり、処理部４Ａは、学習データ作成部６１と、記憶制御部６３と、表示制御部６５とを含む。学習データ作成部６１は、取得部６１１と、特徴量算出部６１３とを含む。
通信部４Ｃは、ネットワークに接続され、外部装置と通信する。通信部４Ｃは、通信機であり、例えば、ネットワークインターフェースコントローラーである。
入力部４Ｄは、処理部４Ａに対して各種情報を入力するための入力機器である。例えば、入力部４Ｄは、キーボード及びポインティングデバイス、又は、タッチパネルである。
表示部４Ｅは画像を表示する。表示部４Ｅは、例えば、液晶ディスプレイ、又は、有機エレクトロルミネッセンスディスプレイである。
引き続き図８を参照して、処理部４Ａを説明する。処理部４Ａの学習データ作成部６１は、時系列データＴＤ１に基づいて学習データＴＮＤを作成する。学習データＴＮＤは、機械学習の対象である。そして、記憶制御部６３は、学習データＴＮＤを記憶するように、記憶部４Ｂを制御する。その結果、記憶部４Ｂは、ロット識別情報及び基板識別情報と関連付けて学習データＴＮＤを記憶する。例えば、１枚の学習対象基板Ｗ１を処理する際に取得された少なくとも１つの時系列データＴＤ１に対して、１つの学習データＴＮＤが作成される。
学習データＴＮＤは、学習対象基板Ｗ１の処理に関する特徴量ＸＤと、学習対象基板Ｗ１の処理に関する異常要因情報ＹＤとを含む。特徴量ＸＤは、第１特徴量情報ＸＤ１を含む。特徴量ＸＤは、第２特徴量情報ＸＤ２及び／又は第３特徴量情報ＸＤ３を含んでいてもよい。本実施形態では、特徴量ＸＤは、第１特徴量情報ＸＤ１と、第２特徴量情報ＸＤ２と、第３特徴量情報ＸＤ３とを含む。
具体的には、学習データ作成部６１の取得部６１１は、基板処理装置２００から複数の時系列データＴＤ１を取得する。この場合、時系列データＴＤ１の各々には、ロット識別情報、基板識別情報、処理順番情報ＸＡ、及び、ロット間隔情報ＸＢが付属している。例えば、取得部６１１は、ネットワーク及び通信部４Ｃを介して、基板処理装置２００から複数の時系列データＴＤ１を取得する。
そして、記憶部４Ｂは、各時系列データＴＤ１を、ロット識別情報、基板識別情報、処理順番情報ＸＡ、及び、ロット間隔情報ＸＢと関連付けて記憶する。
さらに、取得部６１１は、時系列データＴＤ１から、少なくとも１つの区間データを取得する。本実施形態では、取得部６１１は、時系列データＴＤ１から、複数の区間データを取得する。区間データは、時系列データの時間推移の特徴部分が現れる期間を含む時間区間におけるデータであって、時系列データＴＤ１の一部のデータである。
そして、特徴量算出部６１３は、区間データごとに、区間データに基づいて、第１特徴量情報ＸＤ１を算出する。第１特徴量情報ＸＤ１は、区間データの時間推移の特徴を示す。第１特徴量情報ＸＤ１は、時間によって表される。第１特徴量情報ＸＤ１は、「特徴量情報」の一例に相当する。第１特徴量情報ＸＤ１の詳細は後述する。
また、入力部４Ｄは、ユーザーから、複数の異常要因情報ＹＤを受け付ける。
そして、記憶制御部６３は、第１特徴量情報ＸＤ１に対して異常要因情報ＹＤをラベル付けする。具体的には、記憶制御部６３は、第１特徴量情報ＸＤ１を異常要因情報ＹＤと関連付けて記憶するように、記憶部４Ｂを制御する。その結果、記憶部４Ｂは、第１特徴量情報ＸＤ１を異常要因情報ＹＤと関連付けて記憶する。異常要因情報ＹＤは、処理流体による処理後の学習対象基板Ｗ１の異常の要因を示す。
また、記憶制御部６３は、第２特徴量情報ＸＤ２に対して異常要因情報ＹＤをラベル付けする。具体的には、記憶制御部６３は、第２特徴量情報ＸＤ２に異常要因情報ＹＤを関連付けて記憶するように、記憶部４Ｂを制御する。その結果、記憶部４Ｂは、第２特徴量情報ＸＤ２に異常要因情報ＹＤを関連付けて記憶する。第２特徴量情報ＸＤ２は、１つのロットを構成する所定数の学習対象基板Ｗ１に対する処理の順番を示す処理順番情報ＸＡ、又は、ロットに対する処理の終了から次のロットに対する処理の開始までの時間間隔を示すロット間隔情報ＸＢである。
さらに、記憶制御部６３は、第３特徴量情報ＸＤ３に対して異常要因情報ＹＤをラベル付けする。具体的には、記憶制御部６３は、第３特徴量情報ＸＤ３に異常要因情報ＹＤを関連付けて記憶するように、記憶部４Ｂを制御する。その結果、記憶部４Ｂは、第３特徴量情報ＸＤ３に異常要因情報ＹＤを関連付けて記憶する。第３特徴量情報ＸＤ３は、区間データ、物体情報（以下、「物体情報ＩＤＡ」）、又は、物理量情報（以下、「物理量情報ＩＤＢ」）である。区間データは、取得部６１１によって時系列データＴＤ１から取得された区間データである。
物体情報ＩＤＡは、基板処理装置２００が使用する物体を識別するための情報である。物体が「処理流体」の場合は、物体情報ＩＤＡは、「処理流体」を識別するための情報である。物体が「基板処理装置の部品」の場合は、物体情報ＩＤＡは、「部品」を識別するための情報である。
物理量情報ＩＤＢは、基板処理装置２００が使用する物体の物理量の種別を識別するための情報である。物体が「処理流体」の場合は、物理量情報ＩＤＢは、物理量の種別が「処理流体の流量」であることを示す情報、物理量の種別が「処理流体の温度」であることを示す情報、又は、物理量の種別が「処理流体の濃度」であることを示す情報である。物体が「部品」の場合は、物理量情報ＩＤＢは、物理量の種別が「部品の動作及び／又は状態に関する物理量」であることを示す情報である。例えば、物体が「部品」の場合は、物理量情報ＩＤＢは、物理量の種別が「部品の回転数」、「部品の位置」、「部品の変位」、又は、「部品の開度」であることを示す情報である。
以上、図８を参照して説明したように、記憶部４Ｂは、第１特徴量情報ＸＤ１、第２特徴量情報ＸＤ２、及び、第３特徴量情報ＸＤ３に、異常要因情報ＹＤを関連付けて記憶する。
すなわち、記憶制御部６３は、特徴量ＸＤに対して異常要因情報ＹＤをラベル付けする。具体的には、記憶制御部６３は、特徴量ＸＤに異常要因情報ＹＤと関連付けて記憶するように、記憶部４Ｂを制御する。その結果、記憶部４Ｂは、特徴量ＸＤ及び異常要因情報ＹＤを学習データＴＮＤとして記憶する。つまり、特徴量ＸＤ及び異常要因情報ＹＤは学習データＴＮＤを構成する。例えば、１つの学習データＴＮＤは、１枚の学習対象基板Ｗ１を処理する際に取得された少なくとも１つの時系列データＴＤ１に基づいて算出された特徴量ＸＤと、特徴量ＸＤに関連付けられた異常要因情報ＹＤとを含む。
異常要因情報ＹＤは、第１異常要因情報ＹＤ１と、第２異常要因情報ＹＤ２とのうちの少なくとも１つを含む。本実施形態では、異常要因情報ＹＤは、第１異常要因情報ＹＤ１と、第２異常要因情報ＹＤ２とを含む。
第１異常要因情報ＹＤ１は、基板処理装置２００による学習対象基板Ｗ１の処理時の処理流体に関する情報であって、処理流体による処理後の学習対象基板Ｗ１の異常の要因を示す情報である。第２異常要因情報ＹＤ２は、基板処理装置２００の部品に関する情報であって、処理流体による処理後の学習対象基板Ｗ１の異常の要因を示す情報である。入力部４Ｄは、ユーザーから、複数の第１異常要因情報ＹＤ１及び複数の第２異常要因情報ＹＤ２を受け付ける。そして、記憶制御部６３は、第１特徴量情報ＸＤ１〜第３特徴量情報ＸＤ３に対して第１異常要因情報ＹＤ１及び第２異常要因情報ＹＤ２をラベル付けする。具体的には、記憶制御部６３は、第１特徴量情報ＸＤ１〜第３特徴量情報ＸＤ３に第１異常要因情報ＹＤ１及び第２異常要因情報ＹＤ２を関連付けて記憶するように、記憶部４Ｂを制御する。その結果、記憶部４Ｂは、第１特徴量情報ＸＤ１〜第３特徴量情報ＸＤ３に第１異常要因情報ＹＤ１及び第２異常要因情報ＹＤ２を関連付けて記憶する。
なお、表示制御部６５は、時系列データＴＤ１又は学習データＴＮＤを表示するように、表示部４Ｅを制御する。その結果、表示部４Ｅは時系列データＴＤ１又は学習データＴＮＤを表示する。
次に、図８及び図９を参照して、時系列データＴＤ１を説明する。この説明において、基板処理装置２００が使用する物体の物理量が、「処理流体の流量」である例を挙げる。「処理流体」としては、処理液ＬＱ１、処理液ＬＱ３、処理液ＬＱ５、及び、不活性ガスＧＡを例に挙げる。
図９は、時系列データＴＤ１の一例を示すグラフである。図９において、横軸は時間を示し、縦軸は処理流体の流量を示す。
図９に示すように、時系列データＴＤ１は、個別時系列データＴＤとして、個別時系列データＴＤ１１、個別時系列データＴＤ１２、個別時系列データＴＤ１３、及び、個別時系列データＴＤ１４を含む。個別時系列データＴＤ１１は、処理液ＬＱ１の吐出時にノズル１７に供給される処理液ＬＱ１の流量であって、流体供給部Ｖ１の流量計ＦＷ１によって検出された流量を示す。個別時系列データＴＤ１２は、処理液ＬＱ３の吐出時にノズル２５に供給される処理液ＬＱ３の流量であって、流体供給部Ｖ３の流量計ＦＷ１によって検出された流量を示す。個別時系列データＴＤ１３は、処理液ＬＱ５の吐出時にノズル２９５に供給される処理液ＬＱ５の流量であって、流体供給部Ｖ５の流量計ＦＷ１によって検出された流量を示す。個別時系列データＴＤ１４は、不活性ガスＧＡの吐出時にノズル２９７に供給される不活性ガスＧＡの流量であって、流体供給部Ｖ６の流量計ＦＷ１によって検出された流量を示す。
図８及び図９に示すように、取得部６１１は、時系列データＴＤ１から、時間区間Ｔ１１〜Ｔ１４の各々における区間データ、時間区間Ｔ２１〜Ｔ２４の各々における区間データ、時間区間Ｔ３１〜Ｔ３４の各々における区間データ、時間区間Ｔ４１〜Ｔ４４の各々における区間データ、及び、時間区間Ｔ５１、Ｔ６１の各々における区間データを取得する。
以下、「区間データ」を総称して「区間データＳＸ」と記載する場合がある。
時間区間Ｔ１１〜Ｔ１４、Ｔ２１〜Ｔ２４、Ｔ３１〜Ｔ３４、Ｔ４１〜Ｔ４４、Ｔ５１、Ｔ６１は、時系列データＴＤ１の時間推移の特徴部分を含む区間である。例えば、時間区間Ｔ１１〜Ｔ１４、Ｔ２１〜Ｔ２４、Ｔ３１〜Ｔ３４、Ｔ４１〜Ｔ４４、Ｔ５１、Ｔ６１は、複数の学習対象基板Ｗ１のそれぞれに対する複数の時系列データＴＤ１において共通する。例えば、時間区間Ｔ１１〜Ｔ１４、Ｔ２１〜Ｔ２４、Ｔ３１〜Ｔ３４、Ｔ４１〜Ｔ４４、Ｔ５１、Ｔ６１は、全ての学習対象基板Ｗ１に対する全ての時系列データＴＤ１において共通する。
時間区間Ｔ１１〜Ｔ１４は、時系列データＴＤ１（個別時系列データＴＤ）の時間推移の第１特徴部分が現れる可能性のある期間を示している。第１特徴部分は、オンディレイ部分である。オンディレイ部分は、時系列データＴＤ１（個別時系列データＴＤ）のうち、処理流体の吐出開始から流量が増加して目標値に到達するまでの流量を示す部分である。オンディレイ部分は、処理流体の流量が目標値に向かって増加する際に、処理流体の流量が目標値に到達するまでの遅延を示す。なお、図９では、処理流体の「吐出制御開始時」が、「処理液ＬＱ１オン」、「処理液ＬＱ３オン」、「処理液ＬＱ５オン」、及び、「不活性ガスＧＡオン」として記載されている。「吐出制御開始時」は、制御部３Ａが供給バルブＶ１２（図４（ａ））に対して開放指示信号を出力した時を示す。開放指示信号は、供給バルブＶ１２を開くことを指示する信号（バルブオン信号）である。以下、吐出制御開始時を「吐出制御開始時ｔｘ」と記載する場合がある。
時間区間Ｔ２１〜Ｔ２４は、時系列データＴＤ１（個別時系列データＴＤ）の時間推移の第２特徴部分が現れる可能性のある期間を示している。第２特徴部分はオーバーシュート部分である。オーバーシュート部分は、時系列データＴＤ１（個別時系列データＴＤ）のうち、処理流体の吐出開始から流量が増加して目標値を突き抜けて超える部分である。
時間区間Ｔ３１〜Ｔ３４は、時系列データＴＤ１（個別時系列データＴＤ）の時間推移の第３特徴部分が現れる可能性のある期間を示している。第３特徴部分は変動部分である。変動部分は、時系列データＴＤ１（個別時系列データＴＤ）のうち、流量が目標値の近傍で上下に変動する部分である。
時間区間Ｔ４１〜Ｔ４４は、時系列データＴＤ１（個別時系列データＴＤ）の時間推移の第４特徴部分が現れる可能性のある期間を示している。第４特徴部分はオフディレイ部分である。オフディレイ部分は、時系列データＴＤ１（個別時系列データＴＤ）のうち、処理流体の吐出停止から流量が減少して下限目標値（例えば、ゼロ）に到達するまでの流量を示す部分である。オフディレイ部分は、処理流体の流量が下限目標値（例えば、ゼロ）に向かって減少する際に、処理流体の流量が下限目標値に到達するまでの遅延を示す。なお、図９では、処理流体の「吐出制御停止時」が、「処理液ＬＱ１オフ」、「処理液ＬＱ３オフ」、「処理液ＬＱ５オフ」、及び、「不活性ガスＧＡオフ」として記載されている。「吐出制御停止時」は、制御部３Ａが供給バルブＶ１２（図４（ａ））に対して閉塞指示信号を出力した時を示す。閉塞指示信号は、供給バルブＶ１２を閉じることを指示する信号（バルブオフ信号）である。以下、吐出制御停止時を「吐出制御停止時ｔｙ」と記載する場合がある。
時間区間Ｔ５１は、時系列データＴＤ１（個別時系列データＴＤ１１、ＴＤ１２）の時間推移の第５特徴部分が現れる可能性のある期間を示している。第５特徴部分はオーバーラップ部分である。オーバーラップ部分は、時系列データＴＤ１のうち、互いに隣り合う個別時系列データＴＤ１１、ＴＤ１２の時間的な重複部分である。つまり、オーバーラップ部分は、時系列データＴＤ１のうち、互いに異なる２つの処理流体の流量が時間的に重複する部分である。
時間区間Ｔ６１は、時系列データＴＤ１（個別時系列データＴＤ１２、ＴＤ１３）の時間推移の第６特徴部分が現れる可能性のある期間を示している。第６特徴部分はインターバル部分である。インターバル部分は、時系列データＴＤ１のうち、互いに隣り合う個別時系列データＴＤ１２、ＴＤ１３の間隔が時間的にあいている部分である。つまり、インターバル部分は、時系列データＴＤ１のうち、互いに異なる２つの処理流体の間隔が時間的にあいている部分である。
次に、オンディレイ部分、オーバーシュート部分、変動部分、オフディレイ部分、オーバーラップ部分、及び、インターバル部分を一般化して定義する。下記の定義において、「物体」は、「基板処理装置２００が使用する物体」を示し、「物理量」は、「物体の物理量」を示す。
すなわち、オンディレイ部分は、時系列データＴＤ１（個別時系列データＴＤ）のうち、物体の使用開始又は使用状態変更から物体の物理量が増加して目標値に到達するまでの物理量を示す部分である。オンディレイ部分は、物体の物理量が目標値に向かって増加する際に、物体の物理量が目標値に到達するまでの遅延を示す。
オーバーシュート部分は、時系列データＴＤ１（個別時系列データＴＤ）のうち、物体の使用開始又は使用状態変更から物体の物理量が増加して目標値を突き抜けて超える部分である。
変動部分は、時系列データＴＤ１（個別時系列データＴＤ）のうち、物体の物理量が目標値の近傍で上下に変動部分である。
オフディレイ部分は、時系列データＴＤ１（個別時系列データＴＤ）のうち、物体の使用停止又は使用状態変更から物体の物理量が減少して下限目標値に到達するまでの物理量を示す部分である。オフディレイ部分は、物体の物理量が下限目標値に向かって減少する際に、物体の物理量が下限目標値に到達するまでの遅延を示す。
オーバーラップ部分は、時系列データＴＤ１のうち、互いに異なる２つの物体の物理量が時間的に重複する部分である。
インターバル部分は、時系列データＴＤ１のうち、互いに異なる２つの物体の間隔が時間的にあいている部分である。
次に、図１０を参照して、特徴量ＸＤを説明する。図１０は、特徴量ＸＤを示す図である。図１０に示すように、特徴量ＸＤの第１特徴量情報ＸＤ１は、第１情報Ｘ１と第２情報Ｘ２と第３情報Ｘ３と第４情報Ｘ４と第５情報Ｘ５と第６情報Ｘ６とのうちの少なくとも１つの情報を含む。図１０の例では、第１特徴量情報ＸＤ１は、第１情報Ｘ１と第２情報Ｘ２と第３情報Ｘ３と第４情報Ｘ４と第５情報Ｘ５と第６情報Ｘ６とを含む。
第１情報Ｘ１は、時系列データＴＤ１のオンディレイ部分の時間推移の特徴を示す。つまり、第１情報Ｘ１は、処理流体の流量が目標値に向かって増加する際の流量の状態を示す情報である。
第１情報Ｘ１は、情報ａと情報ｂと情報ｃと情報ｄとのうちの少なくとも１つの情報を含む。図１０の例では、第１情報Ｘ１は、情報ａ〜情報ｄを含む。情報ａ〜情報ｃは時間によって表され、情報ｄは角度によって表される。情報ａ〜ｄの詳細は後述する。
第２情報Ｘ２は、時系列データＴＤ１のオーバーシュート部分の時間推移の特徴を示す。つまり、第２情報Ｘ２は、処理流体の流量のオーバーシュートを示す情報である。
第２情報Ｘ２は、情報ｅと情報ｆとのうちの少なくとも１つの情報を含む。図１０の例では、第２情報Ｘ２は、情報ｅ及び情報ｆを含む。情報ｅは時間によって表され、情報ｆは流量によって表される。情報ｅ、ｆの詳細は後述する。
第３情報Ｘ３は、時系列データＴＤ１の変動部分の時間推移の特徴を示す。つまり、第３情報Ｘ３は、処理流体の流量の変動（時間変動）を示す情報である。
第３情報Ｘ３は、情報ｇと情報ｈと情報ｉとのうちの少なくとも１つの情報を含む。図１０の例では、第３情報Ｘ３は、情報ｇ〜情報ｉを含む。情報ｇは時間によって表され、情報ｈは面積によって表され、情報ｉは周期によって表される。情報ｇ〜ｉの詳細は後述する。
第４情報Ｘ４は、時系列データＴＤ１のオフディレイ部分の時間推移の特徴を示す。つまり、第４情報Ｘ４は、処理流体の流量が目標値から減少する際の流量の状態を示す情報である。
第４情報Ｘ４は、情報ｊと情報ｋと情報ｌと情報ｍとのうちの少なくとも１つの情報を含む。図１０の例では、第４情報Ｘ４は、情報ｊ〜情報ｍを含む。情報ｊ〜情報ｌは時間によって表され、情報ｍは角度によって表される。情報ｊ〜ｍの詳細は後述する。
第５情報Ｘ５は、時系列データＴＤ１のオーバーラップ部分の時間推移の特徴を示す。つまり、第５情報Ｘ５は、基板処理装置２００が互いに異なる少なくとも２つの処理流体を使用する際に、２つの処理流体のうちの一方の処理流体の流量と他方の処理流体の流量とのオーバーラップを示す情報である。
第５情報Ｘ５は、情報ｎと情報ｏと情報ｐとのうちの少なくとも１つの情報を含む。図１０の例では、第５情報Ｘ５は、情報ｎ〜情報ｐを含む。情報ｎは時間によって表され、情報ｏは面積によって表され、情報ｐは流量によって表される。情報ｎ〜ｐの詳細は後述する。
第６情報Ｘ６は、時系列データＴＤ１のインターバル部分の時間推移の特徴を示す。つまり、第６情報Ｘ６は、基板処理装置２００が互いに異なる少なくとも２つの処理流体を使用する際に、時間軸上において、２つの処理流体のうちの一方の処理流体と他方の処理流体との時間間隔を示す情報である。
第６情報Ｘ６は、情報ｑを含む。情報ｑは時間によって表される。情報ｑの詳細は後述する。
以上、図１０の説明においては、「物体」として「処理流体」を例示し、「物理量」として「流量」を例示して、第１情報Ｘ１〜第６情報Ｘ６を説明した。ただし、第１情報Ｘ１〜第６情報Ｘ６を次のように一般化して定義できる。つまり、図１０の第１情報Ｘ１〜第６情報Ｘ６の説明において、「処理流体」を「物体」と読み替え、「流量」を「物理量」と読み替えることができる。なお、特徴量ＸＤには、ロット識別情報及び基板識別情報が関連付けられている。
また、第２特徴量情報ＸＤ２は、処理順番情報ＸＡ及びロット間隔情報ＸＢのうちの少なくとも１つの情報を含む。図１０の例では、第２特徴量情報ＸＤ２は、処理順番情報ＸＡ及びロット間隔情報ＸＢを含む。
さらに、第３特徴量情報ＸＤ３は、区間データＳＸ、物体情報ＩＤＡ、及び、物理量情報ＩＤＢのうちの少なくとも１つの情報を含む。図１０の例では、第３特徴量情報ＸＤ３は、区間データＳＸ、物体情報ＩＤＡ、及び、物理量情報ＩＤＢを含む。
次に、図１１（ａ）〜図１６を参照して、特徴量算出部６１３（図８）による情報ａ〜情報ｑ（図１０）の算出方法を説明する。図１１（ａ）〜図１６では、横軸は時間を示し、縦軸は処理流体の流量を示している。
図１１（ａ）〜図１１（ｃ）は、第１特徴量情報ＸＤ１に含まれる第１情報Ｘ１の算出方法の例を示す図である。
図１１（ａ）に示すように、特徴量算出部６１３は、オンディレイ部分を含む区間データＳＸを解析して、時間ｔ１を算出する。時間ｔ１が、第１情報Ｘ１の情報ａである。時間ｔ１は、処理流体の吐出制御開始時ｔｘから、処理流体の流量の立ち上がり開始時ｔａまでの期間を示す。立ち上がり開始時ｔａは、流量が目標値ＴＧのＵ％になった時を示す。「Ｕ％」は、例えば、１０％以下の値を示す。
図１１（ｂ）に示すように、特徴量算出部６１３は、オンディレイ部分を含む区間データＳＸを解析して、時間ｔ２を算出する。時間ｔ２が、第１情報Ｘ１の情報ｂである。時間ｔ２は、処理流体の流量の立ち上がり開始時ｔａから、処理流体の流量の立ち上がり時ｔｂまでの期間を示す。立ち上がり時ｔｂは、流量が目標値ＴＧに近づいた時を示す。具体的には、立ち上がり時ｔｂは、流量が目標値ＴＧのＶ％になった時を示す。Ｖ％はＵ％よりも大きい。「Ｖ％」は、例えば、７０％以上１００％未満の値を示す。なお、立ち上がり時ｔｂは、「立ち上がり疑似完了時ｔｂ」と記載することもできる。
また、特徴量算出部６１３は、オンディレイ部分を含む区間データＳＸを解析して、流量の立ち上がり傾斜を示す傾斜角θ１を算出する。傾斜角θ１が、第１情報Ｘ１の情報ｄである。傾斜角θ１は、例えば、処理流体の立ち上がり開始時ｔａの流量値と立ち上がり時ｔｂの流量値とを結ぶ直線の傾斜角、又は、処理流体の立ち上がり開始時ｔａと立ち上がり時ｔｂとの間の流量値を示す近似直線の傾斜角である。
図１１（ｃ）に示すように、特徴量算出部６１３は、オンディレイ部分を含む区間データＳＸを解析して、時間ｔ３を算出する。時間ｔ３が、第１情報Ｘ１の情報ｃである。時間ｔ３は、処理流体の吐出制御開始時ｔｘから、処理流体の流量の立ち上がり時ｔｂまでの期間を示す。
以上、図１１（ａ）〜図１１（ｃ）を参照して説明したように、時間ｔ１〜ｔ３及び傾斜角θ１は、処理流体の流量が目標値ＴＧに向かって増加する際に、処理流体の流量が目標値ＴＧに到達するまでの遅延を示す指標である。
図１２は、第１特徴量情報ＸＤ１に含まれる第２情報Ｘ２の算出方法の例を示す図である。図１２に示すように、特徴量算出部６１３は、オーバーシュート部分を含む区間データＳＸを解析して、時間ｔ４を算出する。時間ｔ４が、第２情報Ｘ２の情報ｅである。時間ｔ４は、流量のオーバーシュートを起因とする流量の変動が基準時ｔｃから第１所定範囲ＲＧ１内に入った時ｔｄまでの期間を示す。基準時ｔｃは、吐出制御開始時ｔｘから流量が最大値ＭＸになった時までのいずれかの時間に設定される。第１所定範囲ＲＧ１は流量の目標値ＴＧを含む。
図１２の例では、基準時ｔｃは、流量が最大値ＭＸになった時である。また、第１所定範囲ＲＧ１の上限値は流量の目標値ＴＧのＸ１％であり、第１所定範囲ＲＧ１の下限値は流量の目標値ＴＧのＸ２％である。Ｘ１％及びＸ２％の具体的に数値については、例えば、実験的及び／又は経験的に定められる。流量の変動が第１所定範囲ＲＧ１内に入った時ｔｄは、例えば、流量の局所的最小値ＭＮが第１所定範囲ＲＧ１内に入った時である。局所的最小値ＭＮとは、局所的な時間区間における最小値のことである。流量の変動が第１所定範囲ＲＧ１内に入った時ｔｄは、例えば、流量の局所的最大値が第１所定範囲ＲＧ１内に入った時であってもよい。局所的最大値とは、局所的な時間区間における最大値のことである。
例えば、時間ｔ４は、流量がオーバーシュートを起こしてから第１所定範囲ＲＧ１内に継続的に入るまでの期間を示す。
また、特徴量算出部６１３は、オーバーシュート部分を含む区間データＳＸを解析して、流量の最大値ＭＸを算出する。流量の最大値ＭＸが、第２情報Ｘ２の情報ｆである。
以上、図１２を参照して説明したように、時間ｔ４及び最大値ＭＸは、処理流体の流量のオーバーシュートの程度を示す指標である。オーバーシュートは、流量が第１所定範囲ＲＧ１を初めて超えて第１所定範囲ＲＧ１を突き抜ける現象である。
図１３は、第１特徴量情報ＸＤ１に含まれる第３情報Ｘ３の算出方法の例を示す図である。図１３に示すように、特徴量算出部６１３は、流量の変動部分を含む区間データＳＸを解析して、時間ｔ５を算出する。時間ｔ５が、第３情報Ｘ３の情報ｇである。時間ｔ５は、流量の変動が基準時ｔｅから安定状態になった時ｔｆまでの期間を示す。安定状態は、流量の変動が、継続して第２所定範囲ＲＧ２内（Ｙ１％〜Ｙ２％の範囲内）に入っている状態を示す。Ｙ１％及びＹ２％の具体的に数値については、例えば、実験的及び／又は経験的に定められる。特徴量算出部６１３は、例えば、流量の局所的最大値が連続して所定回数だけ第２所定範囲ＲＧ２内に入っている場合、流量の局所的最小値が連続して所定回数だけ第２所定範囲ＲＧ２内に入っている場合、又は、流量の局所的最大値及び局所的最小値が連続して所定回数だけ第２所定範囲ＲＧ２内に入っている場合に、流量の変動が安定状態であると判定する。
第２所定範囲ＲＧ２は目標値ＴＧを含む。第２所定範囲ＲＧ２は、第１所定範囲ＲＧ１と同じであるか、又は、第１所定範囲ＲＧ１よりも狭い範囲である。基準時ｔｅは、処理流体の吐出制御開始時ｔｘから所定時間の経過時までのいずれかの時間に設定される。
流量のオーバーシュートが発生する場合には、例えば、基準時ｔｅは、オーバーシュートの収束時、又は、流量が最大値ＭＸになった時から一定時間が経過した時である。流量のオーバーシュートが発生しない場合には、例えば、基準時ｔｅは、吐出制御開始時ｔｘ、流量の立ち上がり開始時ｔａ、又は、流量の立ち上がり時ｔｂである。
また、特徴量算出部６１３は、流量の変動部分を含む区間データＳＸを解析して、流量に関する面積Ａ１を算出する。流量に関する面積Ａ１が、第３情報Ｘ３の情報ｈである。面積Ａ１は、流量の変動が基準時ｔｅから安定状態になるまでにおいて、流量の目標値ＴＧを示す直線と、区間データＳＸにおいて流量を示す線とで囲まれた部分の面積の合計値（例えば、図１３の斜線部分の面積の合計値）を示す。安定状態は、時間ｔ５を算出する場合と同様である。なお、面積Ａ１は、予め定められた期間において、流量の目標値ＴＧを示す直線と、区間データＳＸにおいて流量を示す線とで囲まれた部分の面積の合計値を示してもよい。
さらに、特徴量算出部６１３は、流量の変動部分を含む区間データＳＸを解析して、流量の周期Ｔを算出する。流量の周期Ｔが、第３情報Ｘ３の情報ｉである。周期Ｔは、流量の変動が基準時ｔｅから安定状態になるまでにおける流量の変動周期を示す。安定状態は、時間ｔ５を算出する場合と同様である。なお、周期Ｔは、予め定められた期間における流量の変動周期を示してもよい。
また、流量の周期Ｔの逆数、つまり、流量の周波数ｆａが、第１情報Ｘ１の情報ｉであってもよい。
以上、図１３を参照して説明したように、時間ｔ５、面積Ａ１、周期Ｔ、及び、周波数ｆａは、処理流体の流量の変動の程度を示す指標である。つまり、時間ｔ５、面積Ａ１、周期Ｔ、及び、周波数ｆａは、処理流体の流量の安定性の程度を示す指標である。
図１４（ａ）〜図４１（ｃ）は、第１特徴量情報ＸＤ１に含まれる第４情報Ｘ４の算出方法の例を示す図である。
図１４（ａ）に示すように、特徴量算出部６１３は、オフディレイ部分を含む区間データＳＸを解析して、時間ｔ６を算出する。時間ｔ６が、第４情報Ｘ４の情報ｊである。時間ｔ６は、処理流体の吐出制御停止時ｔｙから、処理流体の流量の立ち下がり開始時ｔｇまでの期間を示す。立ち下がり開始時ｔｇは、流量が目標値ＴＧのＶ％になった時を示す。「Ｖ％」は、例えば、７０％以上１００％未満の値を示す。
図１４（ｂ）に示すように、特徴量算出部６１３は、オフディレイ部分を含む区間データＳＸを解析して、時間ｔ７を算出する。時間ｔ７が、第４情報Ｘ４の情報ｋである。時間ｔ７は、処理流体の流量の立ち下がり開始時ｔｇから、処理流体の流量の立ち下がり時ｔｈまでの期間を示す。立ち下がり時ｔｈは、流量が下限目標値（例えば、ゼロ）に近づいた時を示す。具体的には、立ち下がり時ｔｈは、流量が目標値ＴＧのＵ％になった時を示す。「Ｕ％」は、例えば、１０％以下の値を示す。なお、立ち下がり時ｔｈは、「立ち下がり疑似完了時ｔｈ」と記載することもできる。
また、特徴量算出部６１３は、オフディレイ部分を含む区間データＳＸを解析して、流量の立ち下がり傾斜を示す傾斜角θ２を算出する。傾斜角θ２が、第４情報Ｘ４の情報ｍである。傾斜角θ２は、例えば、処理流体の立ち下がり開始時ｔｇの流量値と立ち下がり時ｔｈの流量値とを結ぶ直線の傾斜角、又は、処理流体の立ち下がり開始時ｔｇと立ち下がり時ｔｈとの間の流量値を示す近似直線の傾斜角である。
図１４（ｃ）に示すように、特徴量算出部６１３は、オフディレイ部分を含む区間データＳＸを解析して、時間ｔ８を算出する。時間ｔ８が、第４情報Ｘ４の情報ｌである。時間ｔ８は、処理流体の吐出制御停止時ｔｙから、処理流体の流量の立ち下がり時ｔｈまでの期間を示す。
以上、図１４（ａ）〜図１４（ｃ）を参照して説明したように、時間ｔ６〜ｔ８及び傾斜角θ２は、処理流体の流量が下限目標値（例えば、ゼロ）に向かって減少する際に、処理流体の流量が下限目標値に到達するまでの遅延を示す指標である。
図１５は、第１特徴量情報ＸＤ１に含まれる第５情報Ｘ５の算出方法の例を示す図である。図１５に示すように、特徴量算出部６１３は、オーバーラップ部分を含む区間データＳＸ１、ＳＸ２を解析して、時間ｔ９を算出する。時間ｔ９が、第５情報Ｘ５の情報ｎである。区間データＳＸ１は、互いに隣り合う個別時系列データＴＤのうちの一方の個別時系列データＴＤの一部（時間的な後端部分）であり、区間データＳＸ２は、他方の個別時系列データＴＤの一部（時間的な後端部分）である。時間ｔ９は、区間データＳＸ１と区間データＳＸ２とが重複している部分の期間を示す。換言すれば、時間ｔ９は、区間データＳＸ１によって示される流量と区間データＳＸ２によって示される流量とがオーバーラップしている期間を示す。更に換言すれば、時間ｔ９は、互いに異なる処理流体のうちの一方の処理流体の流量と他方の処理流体の流量とがオーバーラップしている期間を示す。
例えば、時間ｔ９は、時系列データＴＤ１のオーバーラップ部分において、区間データＳＸ２によって示される流量の立ち上がり開始時ｔａから、区間データＳＸ１によって示される流量の立ち下がり時ｔｈまでの期間を示す。つまり、時間ｔ９は、時系列データＴＤ１のオーバーラップ部分において、互いに異なる処理流体のうちの一方の処理流体の流量の立ち上がり開始時ｔａから、他方の処理流体の流量の立ち下がり時ｔｈまでの時間を示す。
また、特徴量算出部６１３は、オーバーラップ部分を含む区間データＳＸ１、ＳＸ２を解析して、面積Ａ２を算出する。面積Ａ２が、第５情報Ｘ５の情報ｏである。面積Ａ２は、区間データＳＸ１と区間データＳＸ２とのオーバーラップ部分の面積を示す。つまり、面積Ａ２は、互いに異なる処理流体のうちの一方の処理流体の流量と他方の処理流体の流量とのオーバーラップ部分の面積を示す。
例えば、面積Ａ２は、時系列データＴＤ１のオーバーラップ部分において、区間データＳＸ２によって示される流量の立ち上がり開始時ｔａの流量ＦＬ２から交点ＩＮ（流量ＦＬ）までを示す線と、区間データＳＸ１によって示される流量の立ち下がり時ｔｈの流量ＦＬ１から交点ＩＮ（流量ＦＬ）までを示す線と、立ち上がり開始時ｔａの流量ＦＬ２から立ち下がり時ｔｈの流量ＦＬ１までの線とで囲まれた部分の面積を示す。
さらに、特徴量算出部６１３は、オーバーラップ部分を含む区間データＳＸ１、ＳＸ２を解析して、交点ＩＮの流量ＦＬを算出する。交点ＩＮの流量ＦＬが、第５情報Ｘ５の情報ｐである。流量ＦＬは、区間データＳＸ１によって示される流量を示す線と区間データＳＸ２によって示される流量を示す線との交点ＩＮの流量を示す。つまり、流量ＦＬは、互いに異なる処理流体のうちの一方の処理流体の流量を示す線と他方の処理流体の流量を示す線との交点ＩＮの流量を示す。
以上、図１５を参照して説明したように、時間ｔ９、面積Ａ２、及び、交点ＩＮの流量ＦＬは、処理流体の流量のオーバーラップの程度を示す指標である。
図１６は、第１特徴量情報ＸＤ１に含まれる第６情報Ｘ６の算出方法の例を示す図である。図１６に示すように、特徴量算出部６１３は、インターバル部分を含む区間データＳＸ１、ＳＸ２を解析して、時間ｔ１０を算出する。時間ｔ１０が、第５情報Ｘ５の情報ｑである。時間ｔ１０は、区間データＳＸ１によって示される処理流体の流量と、区間データＳＸ２によって示される処理流体の流量との時間間隔を示す。つまり、時間ｔ１０は、時間軸上において、互いに異なる処理流体のうちの一方の処理流体と他方の処理流体との時間間隔を示す。
例えば、時間ｔ１０は、時系列データＴＤ１のインターバル部分において、区間データＳＸ１によって示される流量の立ち下がり時ｔｈから、区間データＳＸ２によって示される流量の立ち上がり開始時ｔａまでの時間を示す。つまり、互いに異なる処理流体のうちの一方の処理流体の流量の立ち下がり時ｔｈから、他方の処理流体の流量の立ち上がり開始時ｔａまでの時間を示す。
以上、図１６を参照して説明したように、時間ｔ１０は、処理流体の流量のインターバルの程度を示す指標である。
ここで、図１１（ａ）〜図１６の説明においては、「物体の物理量」として「流量」を例示して、第１特徴量情報ＸＤ１の情報ａ〜情報ｐ（時間ｔ１〜ｔ１０、傾斜角θ１、θ２、最大値ＭＸ、面積Ａ１、Ａ２、周期Ｔ、及び、流量ＦＬ）を説明した。ただし、第１特徴量情報ＸＤ１の情報ａ〜情報ｐを次のように一般化して定義できる。
すなわち、図１１（ａ）〜図１６の第１特徴量情報ＸＤ１の説明において、「流量」を「物理量」と読み替え、「処理液」を「物体」と読み替え、「吐出制御開始時」を「使用制御開始時」と読み替え、「吐出制御停止時」を「使用制御停止時」と読み替える。この場合、「使用制御開始時」は、制御部３Ａが基板処理装置２００の部品に対して物体の使用開始指示信号を出力した時を示す。使用開始指示信号は、物体の使用を開始することを指示する信号を示す。「使用制御停止時」は、制御部３Ａが基板処理装置２００の部品に対して物体の使用停止指示信号を出力した時を示す。使用停止指示信号は、物体の使用を停止することを指示する信号を示す。
以上、図８〜図１６を参照して説明したように、本実施形態によれば、第１特徴量情報ＸＤ１は時間によって表される。従って、時系列データＴＤ１における区間データＳＸの時間推移の特徴を簡易かつ精度良く抽出できる。その結果、第１特徴量情報ＸＤ１を含む学習データＴＮＤを機械学習することで、推定精度の高い学習済みモデルＬＭを生成できる。
特に、本実施形態では、時系列データＴＤ１の一部である区間データＳＸから、時間推移の特徴を示す第１特徴量情報ＸＤ１を抽出している。従って、区間データＳＸに含まれる特徴部分が、１つになる。その結果、時系列データＴＤ１からの特徴部分の抽出がさらに容易になる。また、第１特徴量情報ＸＤ１への異常要因情報ＹＤをラベル付けが容易になる。
換言すれば、本実施形態では、取得部６１１は、時間推移の特徴部分が１つになるように、時系列データＴＤ１から区間データＳＸを取得している。
また、本実施形態では、基板処理装置２００から、時系列データＴＤ１を生データとしてそのまま学習データ作成装置４００に入力すると、学習データ作成装置４００が、特徴量ＸＤを算出する。従って、基板処理装置２００のユーザーは、時系列データＴＤ１を分析及び加工することが要求されない。その結果、ユーザーの負担を軽減できる。
次に、図１７を参照して、異常要因情報ＹＤを説明する。図１７は、異常要因情報ＹＤを示す図である。
まず、異常要因情報ＹＤの第１異常要因情報ＹＤ１を説明する。図１７に示すように、第１異常要因情報ＹＤ１は、第１要因情報Ｙ１０１〜第９要因情報Ｙ１０９のうちの少なくとも１つの要因情報を含む。図１７の例では、第１異常要因情報ＹＤ１は、第１要因情報Ｙ１０１〜第９要因情報Ｙ１０９を含む。
第１要因情報Ｙ１０１は、ノズルＮＺ位置の不良により、チャック部材１３０又は学習対象基板Ｗ１へのリンス液の着水不良の程度を示す情報である。
第２要因情報Ｙ１０２は、被切替対象のノズルＮＺを別のノズルＮＺに切り替える際に、被切替対象のノズルＮＺから吐出される処理液と、別のノズルＮＺから吐出される処理液とが干渉して、処理液が飛び散る程度を示す情報である。
第３要因情報Ｙ１０３は、処理流体（例えば薬液又は反応ガス）の流量の不安定性の程度を示す情報である。
第４要因情報Ｙ１０４は、処理流体（例えば薬液又は反応ガス）の濃度の変動の程度を示す情報である。
第５要因情報Ｙ１０５は、ミキシングバルブＶ２３等のミキシングバルブで複数の処理流体を混合する際に、混合流体の流量の不安定性の程度を示す情報である。
第６要因情報Ｙ１０６は、学習対象基板Ｗ１に吐出された処理液が学習対象基板Ｗ１の表面で広がる際に、学習対象基板Ｗ１が処理液によって覆われていないことの程度を示す情報である。
第７要因情報Ｕ１０７は、ノズルＮＺの外面に付着した処理液が学習対象基板Ｗ１の表面に落下する際に、落下する処理液量の程度を示す情報である。例えば、被切替対象のノズルＮＺを別のノズルＮＺに切り替える際に、被切替対象のノズルＮＺから吐出される処理液と、別のノズルＮＺから吐出される処理液とが干渉して、処理液が飛び散る場合がある。この場合、飛び散った処理液がノズルＮＺの外面に付着する可能性がある。
第８要因情報Ｙ１０８は、学習対象基板Ｗ１に対して先に吐出した処理流体が後に吐出した処理流体に混入している程度を示す情報である。例えば、インターバル部分を確保する必要がある場合には、先に吐出した処理流体が後に吐出した処理流体に混入することは、学習対象基板Ｗ１の処理に影響を及ぼす可能性がある。また、例えば、オーバーラップ部分を確保する必要がある場合においても、先に吐出した処理流体が後に吐出した処理流体に過剰に混入することは、学習対象基板Ｗ１の処理に影響を及ぼす可能性がある。
第９要因情報Ｙ１０９は、学習対象基板Ｗ１を処理した後に処理流体を回収する際に、回収対象の処理流体に別の処理流体が混入している程度を示す情報である。例えば、インターバル部分を確保する必要がある場合には、先に吐出した処理流体が後に吐出した処理流体に混入すると、後に吐出した処理流体を回収して使用する場合に、学習対象基板Ｗ１の処理に影響を及ぼす可能性がある。また、例えば、オーバーラップ部分を確保する必要がある場合においても、先に吐出した処理流体が後に吐出した処理流体に過剰に混入すると、後に吐出した処理流体を回収して使用する場合に、学習対象基板Ｗ１の処理に影響を及ぼす可能性がある。
以上、図１７を参照して説明したように、第１要因情報Ｙ１０１〜第９要因情報Ｙ１０９は、学習対象基板Ｗ１の処理時の処理流体に関する情報であって、処理流体による処理後の学習対象基板Ｗ１の異常の要因（以下、「異常要因」と記載する場合がある。）を示している。また、第１要因情報Ｙ１０１〜第９要因情報Ｙ１０９の各々は、例えば、「問題あり」又は「問題なし」の２段階で上記「程度」を示してもよいし、３段階以上で上記「程度」を示してもよい。
次に、異常要因情報ＹＤの第２異常要因情報ＹＤ２を説明する。図１７に示すように、第２異常要因情報ＹＤ２は、第１要因情報Ｙ２０１〜第７要因情報Ｙ２０７のうちの少なくとも１つの要因情報を含む。図１７の例では、第２異常要因情報ＹＤ２は、第１要因情報Ｙ２０１〜第７要因情報Ｙ２０７を含む。
第１要因情報Ｙ２０１は、流量調整バルブＶ１１等の流量調整バルブの動作不良の程度を示す情報である。流量調整バルブは、例えば、モーターニードルバルブである。
第２要因情報Ｙ２０２は、バルブＶ１２、Ｖ２１、Ｖ２２、Ｖ２３等のバルブの動作不良の程度を示す情報である。
第３要因情報Ｙ２０３は、ポンプ５５等のポンプの動作不良の程度を示す情報である。また、第３要因情報Ｙ２０３は、パルスダンパー５６等のパルスダンパーの動作不良の程度を示す情報を含んでいてもよい。ポンプ及びパルスダンパーの動作不良は、処理液の脈動の原因になり得る。
第４要因情報Ｙ２０４は、ノズルＮＺに供給する処理流体の元圧の変動の程度を示す情報である。
第５要因情報Ｙ２０５は、流量計ＦＷの動作不良を示す情報である。
第６要因情報Ｙ２０６は、レシピ情報ＲＰの不具合の程度を示す情報である。
第７要因情報Ｙ２０７は、パラメータ情報ＰＭの設定ミスの程度を示す情報である。
以上、図１７を参照して説明したように、第１要因情報Ｙ２０１〜第７要因情報Ｙ２０７は、基板処理装置２００の部品に関する情報であって、処理流体による処理後の学習対象基板Ｗ１の異常の要因（以下、「異常要因」と記載する場合がある。）を示している。また、第１要因情報Ｙ２０１〜第７要因情報Ｙ２０７の各々は、例えば、「問題あり」又は「問題なし」の２段階で上記「程度」を示してもよいし、３段階以上で上記「程度」を示してもよい。
次に、図１０及び図１７を参照して、第１異常要因情報ＹＤ１と第２異常要因情報ＹＤ２と第１特徴量情報ＸＤ１との相関関係の一例を説明する。
例えば、第２異常要因情報ＹＤ２の第１要因情報Ｙ２０１と第２要因情報Ｙ２０２と第５要因情報Ｙ２０５とのうちの少なくとも１つが示す異常要因に起因して、処理流体のオンディレイ及び／又はオフディレイが大きくなる状態又は小さくなる状態が発生する可能性がある。一方、処理流体のオンディレイは第１特徴量情報ＸＤ１の第１情報Ｘ１によって示され、処理流体のオフディレイは第１特徴量情報ＸＤ１の第４情報Ｘ４によって示されている。従って、第１特徴量情報ＸＤ１と第２異常要因情報ＹＤ２との間には相関がある。
また、第２異常要因情報ＹＤ２の第１要因情報Ｙ２０１と第２要因情報Ｙ２０２と第５要因情報Ｙ２０５とのうちの少なくとも１つが示す異常要因は、第１異常要因情報ＹＤ１の第６要因情報Ｙ１０６と第２要因情報Ｙ１０２と第７要因情報Ｙ１０７とのうちの少なくとも１つによって示される異常要因を引き起こす可能性がある。従って、第１異常要因情報ＹＤ１もまた、第２異常要因情報ＹＤ２と相関のある第１特徴量情報ＸＤ１と相関がある。
例えば、第２異常要因情報ＹＤ２の第１要因情報Ｙ２０１と第２要因情報Ｙ２０２とのうちの少なくとも１つが示す異常要因に起因して、処理流体のオーバーシュートが発生する可能性がある。一方、処理流体のオーバーシュートは、第１特徴量情報ＸＤ１の第２情報Ｘ２によって示されている。従って、第１特徴量情報ＸＤ１と第２異常要因情報ＹＤ２との間には相関がある。
また、第２異常要因情報ＹＤ２の第１要因情報Ｙ２０１と第２要因情報Ｙ２０２とのうちの少なくとも１つが示す異常要因は、第１異常要因情報ＹＤ１の第１要因情報Ｙ１０１と第２要因情報Ｙ１０２とのうちの少なくとも１つが示す異常要因を引き起こす可能性がある。従って、第１異常要因情報ＹＤ１もまた、第２異常要因情報ＹＤ２と相関のある第１特徴量情報ＸＤ１と相関がある。
例えば、第２異常要因情報ＹＤ２の第３要因情報Ｙ２０３と第４要因情報Ｙ２０４とのうちの少なくとも１つが示す異常要因に起因して、処理流体の変動が大きくなる可能性がある。一方、処理流体の変動は、第１特徴量情報ＸＤ１の第３情報Ｘ３によって示されている。従って、第１特徴量情報ＸＤ１と第２異常要因情報ＹＤ２との間には相関がある。
また、第２異常要因情報ＹＤ２の第３要因情報Ｙ２０３と第４要因情報Ｙ２０４とのうちの少なくとも１つが示す異常要因は、第１異常要因情報ＹＤ１の第３要因情報Ｙ１０３と第４要因情報Ｙ１０４と第５要因情報Ｙ１０５とのうちの少なくとも１つが示す異常要因を引き起こす可能性がある。従って、第１異常要因情報ＹＤ１もまた、第２異常要因情報ＹＤ２と相関のある第１特徴量情報ＸＤ１と相関がある。
例えば、第２異常要因情報ＹＤ２の第６要因情報Ｙ２０６と第７要因情報Ｙ２０７と第１要因情報Ｙ２０１と第２要因情報Ｙ２０２とのうちの少なくとも１つが示す異常要因に起因して、処理流体間のオーバーラップが大きくなる状態若しくは小さくなる状態、又は、処理流体間のインターバルが大きくなる状態若しくは小さくなる状態が発生する可能性がある。一方、処理流体間のオーバーラップは第１特徴量情報ＸＤ１の第５情報Ｘ５によって示され、処理流体間のインターバルは第１特徴量情報ＸＤ１の第６情報Ｘ６によって示されている。従って、第１特徴量情報ＸＤ１と第２異常要因情報ＹＤ２との間には相関がある。
また、第２異常要因情報ＹＤ２の第６要因情報Ｙ２０６と第７要因情報Ｙ２０７と第１要因情報Ｙ２０１と第２要因情報Ｙ２０２とのうちの少なくとも１つが示す異常要因は、第１異常要因情報ＹＤ１の第６要因情報Ｙ１０６と第２要因情報Ｙ１０２と第８要因情報Ｙ１０８と第９要因情報Ｙ１０９とのうちの少なくとも１つが示す異常要因を引き起こす可能性がある。従って、第１異常要因情報ＹＤ１もまた、第２異常要因情報ＹＤ２と相関のある第１特徴量情報ＸＤ１と相関がある。
次に、図１０及び図１７を参照して、異常要因情報ＹＤと第２特徴量情報ＸＤ２との相関関係の一例を説明する。
例えば、ロット内における処理順番、及び／又は、ロット間隔に依存して、基板処理装置２００の部品の使用時間帯及び新品時からのトータル使用時間が異なってくる。その結果、異常要因情報ＹＤによって示される異常要因が引き起こされる可能性がある。一方、第２特徴量情報ＸＤ２は、処理順番情報ＸＡ及びロット間隔情報ＸＢを含む。従って、異常要因情報ＹＤと第２特徴量情報ＸＤ２との間には相関がある。
次に、図１０及び図１７を参照して、異常要因情報ＹＤと第３特徴量情報ＸＤ３との相関関係の一例を説明する。
例えば、第３特徴量情報ＸＤ３に含まれる区間データＳＸは時間推移の特徴部分を含んでいる。そして、異常要因情報ＹＤによって示される異常要因は、区間データＳＸの時間推移の特徴として現れる。従って、異常要因情報ＹＤと第３特徴量情報ＸＤ３との間には相関がある。
次に、図８及び図１８を参照して、学習データ作成装置４００が実行する学習データ作成方法を説明する。図１８は、本実施形態に係る学習データ作成方法を示すフローチャートである。図１８に示すように、学習データ作成方法は、ステップＳ２１〜ステップＳ２４を含む。
図８及び図１８に示すように、ステップＳ２１において、学習データ作成装置４００の取得部６１１は、基板処理装置２００から時系列データＴＤ１を取得する。
次に、ステップＳ２２において、取得部６１１は、時系列データＴＤ１から、少なくとも１つの区間データＳＸを取得する。本実施形態では、取得部６１１は、時系列データＴＤ１から複数の区間データＳＸを取得する。
次に、ステップＳ２３において、学習データ作成装置４００の特徴量算出部６１３は、複数の区間データＳＸに基づいて、第１特徴量情報ＸＤ１を算出する。具体的には、特徴量算出部６１３は、各区間データＳＸに基づいて、区間データＳＸごとに、第１特徴量情報ＸＤ１を構成する、第１情報Ｘ１、第２情報Ｘ２、第３情報Ｘ３、第４情報Ｘ４、第５情報Ｘ５、又は、第６情報Ｘ６を算出する。
次に、ステップＳ２４において、学習データ作成装置４００の取得部６１１は、入力部４Ｄを介して、異常要因情報ＹＤを受け付ける。
次に、ステップＳ２５において、学習データ作成装置４００の記憶制御部６３は、第１特徴量情報ＸＤ１、第２特徴量情報ＸＤ２、及び、第３特徴量情報ＸＤ３に、異常要因情報ＹＤを関連付けて記憶するように、記憶部４Ｂを制御する。その結果、記憶部４Ｂは、第１特徴量情報ＸＤ１、第２特徴量情報ＸＤ２、及び、第３特徴量情報ＸＤ３に、異常要因情報ＹＤを関連付けて記憶する。換言すれば、第１特徴量情報ＸＤ１、第２特徴量情報ＸＤ２、及び、第３特徴量情報ＸＤ３に対して、異常要因情報ＹＤをラベル付けすることで、学習データＴＮＤが作成される。
以上、学習データ作成装置４００がステップＳ２１〜ステップＳ２４を実行することで、１枚の学習対象基板Ｗ１に対応する１つの学習データＴＮＤの作成が終了する。
次に、図１９を参照して、学習装置５００を説明する。学習装置５００は、例えば、コンピューターである。図１９は、学習装置５００を示すブロック図である。図１９に示すように、学習装置５００は、処理部５Ａと、記憶部５Ｂと、通信部５Ｃと、入力部５Ｄと、表示部５Ｅとを備える。
処理部５Ａは、ＣＰＵ及びＧＰＵ等のプロセッサーを備える。記憶部５Ｂは、記憶装置を含み、データ及びコンピュータープログラムを記憶する。処理部５Ａのプロセッサーは、記憶部５Ｂの記憶装置が記憶しているコンピュータープログラムを実行して、各種処理を実行する。例えば、記憶部５Ｂは、記憶部３Ｂと同様に、主記憶装置と、補助記憶装置とを備え、リムーバブルメディアを備えていてもよい。記憶部５Ｂは、例えば、非一時的コンピューター読取可能記憶媒体である。
具体的には、記憶部５Ｂは、処理プログラムＰＧ３を記憶している。処理部５Ａは、処理プログラムＰＧ３を実行して、取得部７１、学習部７３、記憶制御部７５、及び、表示制御部７７として機能する。つまり、処理部５Ａは、取得部７１と、学習部７３と、記憶制御部７５と、表示制御部７７とを含む。
通信部５Ｃは、ネットワークに接続され、外部装置と通信する。通信部５Ｃは、通信機であり、例えば、ネットワークインターフェースコントローラーである。
入力部５Ｄは、処理部５Ａに対して各種情報を入力するための入力機器である。例えば、入力部５Ｄは、キーボード及びポインティングデバイス、又は、タッチパネルである。
表示部５Ｅは画像を表示する。表示部５Ｅは、例えば、液晶ディスプレイ、又は、有機エレクトロルミネッセンスディスプレイである。
引き続き図１９を参照して、処理部５Ａを説明する。処理部５Ａの取得部７１は、学習データ作成装置４００から複数の学習データＴＮＤを取得する。例えば、取得部７１は、ネットワーク及び通信部５Ｃを介して、学習データ作成装置４００から複数の学習データＴＮＤを取得する。
記憶制御部７５は、各学習データＴＮＤを記憶するように、記憶部５Ｂを制御する。その結果、記憶部５Ｂは、各学習データＴＮＤを記憶する。
記憶部５Ｂは学習プログラムＰＧ４を記憶している。学習プログラムＰＧ４は、複数の学習データＴＮＤの中から一定の規則を見出し、見出した規則を表現する学習済みモデルＬＭを生成するための機械学習アルゴリズムを実行するためのプログラムである。
機械学習アルゴリズムは、教師あり学習であれば、特に限定されず、例えば、決定木、最近傍法、単純ベイズ分類器、サポートベクターマシン、又は、ニューラルネットワークである。従って、学習済みモデルＬＭは、決定木、最近傍法、単純ベイズ分類器、サポートベクターマシン、又は、ニューラルネットワークを含む。学習済みモデルＬＭを生成する機械学習において、誤差逆伝搬法を利用してもよい。
例えば、ニューラルネットワークは、入力層、単数又は複数の中間層、及び、出力層を含む。具体的には、ニューラルネットワークは、ディープニューラルネットワーク（ＤＮＮ：Ｄｅｅｐ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）、再帰型ニューラルネットワーク（ＲＮＮ：Ｒｅｃｕｒｒｅｎｔ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）、又は、畳み込みニューラルネットワーク（ＣＮＮ：Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）であり、ディープラーニングを行う。例えば、ディープニューラルネットワークは、入力層、複数の中間層、及び、出力層を含む。
学習部７３は、学習プログラムＰＧ４に基づいて複数の学習データＴＮＤを機械学習する。その結果、複数の学習データＴＮＤの中から一定の規則が見出されて、学習済みモデルＬＭが生成される。つまり、学習済みモデルＬＭは、学習データＴＮＤを機械学習することで構築される。記憶部５Ｂは、学習済みモデルＬＭを記憶する。
具体的には、学習部７３は、学習データＴＮＤに含まれる特徴量ＸＤと異常要因情報ＹＤとの間における一定の規則を見出して、学習済みモデルＬＭを生成する。特徴量ＸＤは説明変数であり、異常要因情報ＹＤは目的変数である。
更に具体的には、学習部７３は、学習プログラムＰＧ４に基づいて複数の学習データＴＮＤを機械学習することによって、複数の学習済みパラメータを算出し、複数の学習済みパラメータが適用された１以上の関数を含む学習済みモデルＬＭを生成する。学習済みパラメータは、複数の学習データＴＮＤを用いた機械学習の結果に基づいて取得されるパラメータ（係数）である。
学習済みモデルＬＭは、入力情報（以下、「入力情報ＩＦ１」と記載する場合がある。）を入力して、出力情報（以下、「出力情報ＩＦ２」と記載する場合がある。）を出力するように、コンピューターを機能させる。換言すれば、学習済みモデルＬＭは、入力情報ＩＦ１を入力して、出力情報ＩＦ２を出力する。具体的には、学習済みモデルＬＭは、処理流体による処理後の処理対象基板Ｗ２の異常の要因を推定するように、コンピューターを機能させる。換言すれば、学習済みモデルＬＭは、処理流体による処理後の処理対象基板Ｗ２の異常の要因を推定する。
以上、図１９を参照して説明したように、本実施形態によれば、学習装置５００は、時系列データＴＤ１における区間データＳＸの時間推移の特徴が時間によって精度良く表された第１特徴量情報ＸＤ１を含む学習データＴＮＤを機械学習する。その結果、処理対象基板Ｗ２の異常の要因の推定精度の高い学習済みモデルＬＭを生成できる。
特に、第１異常要因情報ＹＤ１（第１要因情報Ｙ２０１〜第７要因情報Ｙ２０７）及び第２異常要因情報ＹＤ２（第１要因情報Ｙ１０１〜第９要因情報Ｙ１０９）によって示される異常要因（図１７）は、基板Ｗにパーティクル不良が発生する原因となり得る。従って、異常要因情報ＹＤ（第１異常要因情報ＹＤ１及び第２異常要因情報ＹＤ２）を、学習済みモデルＬＭの出力に相当する目的変数として機械学習を実行することによって生成された学習済みモデルＬＭを利用して、処理対象基板Ｗ２にパーティクル不良が発生したときの異常要因を推定できる。パーティクル不良とは、パーティクルが基板Ｗに付着する等、パーティクルに起因する基板Ｗの不良のことである。
また、本実施形態では、機械学習の対象である第１特徴量情報ＸＤ１は、第１情報Ｘ１〜第６情報Ｘ６のうちの少なくとも１つの情報（図１０）を含む。従って、時系列データＴＤ１における時間推移の特徴部分を効果的に機械学習できる。
さらに、本実施形態では、機械学習の対象である第２特徴量情報ＸＤ２は、処理順番情報ＸＡとロット間隔情報ＸＢとのうちの少なくとも１つの情報（図１０）を含む。そして、例えば、ロット内における処理順番、及び／又は、ロット間隔に依存して、基板処理装置２００の部品の使用時間帯及び新品時からのトータル使用時間が異なってくる。その結果、異常要因情報ＹＤによって示される異常要因が引き起こされる可能性がある。よって、処理順番情報ＸＡ及び／又はロット間隔情報ＸＢを機械学習することで、学習済みモデルＬＭの異常要因の推定精度を更に向上できる。
さらに、本実施形態では、機械学習の対象である第３特徴量情報ＸＤ３は、区間データＳＸを含む。従って、時系列データＴＤ１の時間推移の特徴を含む生データを機械学習することができる。その結果、学習済みモデルＬＭの異常要因の推定精度を更に向上できる。特に、区間データＳＸは、時系列データＴＤ１の一部のデータであるため、時系列データＴＤ１の全部を機械学習する場合と比較して、機械学習の実行時間を短縮できる。
なお、表示制御部７７は、学習データＴＮＤを表示するように、表示部５Ｅを制御する。その結果、表示部５Ｅは、学習データＴＮＤを表示する。
次に、図１９及び図２０を参照して、学習装置５００が実行する学習方法を説明する。図２０は、本実施形態に係る学習方法を示すフローチャートである。図２０に示すように、学習方法は、ステップＳ３１〜ステップＳ３４を含む。
図１９及び図２０に示すように、ステップＳ３１において、学習装置５００の取得部７１は、学習データ作成装置４００から複数の学習データＴＮＤを取得する。
次に、ステップＳ３２において、学習部７３は、学習プログラムＰＧ４に基づいて複数の学習データＴＮＤを機械学習する。
次に、ステップＳ３３において、学習部７３は、学習終了条件を満たすか否かを判定する。学習終了条件は、機械学習を終了するために予め定められた条件である。学習終了条件は、例えば、反復回数が規定回数に到達したことである。
ステップＳ３３で否定判定された場合は、処理はステップＳ３１に進む。その結果、機械学習が繰り返される。
一方、ステップＳ３３で肯定判定された場合は、処理はステップＳ３４に進む。
ステップＳ３４において、学習部７３は、最新の複数のパラメータ（係数）つまり、複数の学習済みパラメータ（係数）を適用したモデル（１以上の関数）を、学習済みモデルＬＭとして出力する。そして、記憶部５Ｂは学習済みモデルＬＭを記憶する。
以上、学習装置５００がステップＳ３１〜ステップＳ３４を実行することで、学習済みモデルＬＭが生成される。
次に、図２１を参照して、異常要因推定装置６００を説明する。異常要因推定装置６００は、例えば、コンピューターである。図２１は、異常要因推定装置６００を示すブロック図である。図２１に示すように、異常要因推定装置６００は、処理部６Ａと、記憶部６Ｂと、通信部６Ｃと、入力部６Ｄと、表示部６Ｅとを備える。
処理部６Ａは、ＣＰＵ及びＧＰＵ等のプロセッサーを備える。記憶部６Ｂは、記憶装置を含み、データ及びコンピュータープログラムを記憶する。処理部６Ａのプロセッサーは、記憶部６Ｂの記憶装置が記憶しているコンピュータープログラムを実行して、各種処理を実行する。例えば、記憶部６Ｂは、記憶部３Ｂと同様に、主記憶装置と、補助記憶装置とを備え、リムーバブルメディアを備えていてもよい。記憶部６Ｂは、例えば、非一時的コンピューター読取可能記憶媒体である。
具体的には、記憶部６Ｂは、推定プログラムＰＧ５を記憶している。処理部６Ａは、推定プログラムＰＧ５を実行して、前処理部８１、推定部８３、記憶制御部８５、及び、表示制御部８７として機能する。つまり、処理部６Ａは、前処理部８１と、推定部８３と、記憶制御部８５と、表示制御部８７とを含む。前処理部８１は、取得部８１１と、特徴量算出部８１３とを含む。
通信部６Ｃは、ネットワークに接続され、外部装置と通信する。通信部６Ｃは、通信機であり、例えば、ネットワークインターフェースコントローラーである。
入力部６Ｄは、処理部６Ａに対して各種情報を入力するための入力機器である。例えば、入力部６Ｄは、キーボード及びポインティングデバイス、又は、タッチパネルである。
表示部６Ｅは画像を表示する。表示部６Ｅは、例えば、液晶ディスプレイ、又は、有機エレクトロルミネッセンスディスプレイである。
引き続き図２１を参照して、処理部６Ａを説明する。処理部６Ａの前処理部８１は、時系列データＴＤ２に基づいて入力情報ＩＦ１を作成する。時系列データＴＤ２は、基板処理装置３００が使用する物体の物理量を示す。時系列データＴＤ２は、少なくとも１つの個別時系列データＴＤを含む。個別時系列データＴＤの内容は、時系列データＴＤ１の個別時系列データＴＤの内容と同様である。
そして、記憶制御部８５は、入力情報ＩＦ１を記憶するように、記憶部６Ｂを制御する。その結果、記憶部６Ｂは、ロット識別情報及び基板識別情報と関連付けて入力情報ＩＦ１を記憶する。例えば、１枚の処理対象基板Ｗ２を処理する際に取得された少なくとも１つの時系列データＴＤ２に対して、１つの入力情報ＩＦ１が作成される。
入力情報ＩＦ１は説明変数である。つまり、入力情報ＩＦ１は、学習済みモデルＬＭに対して入力される情報である。入力情報ＩＦ１の内容は、特徴量ＸＤ（図８）の内容と同様である。
入力情報ＩＦ１は、第１特徴量情報ＰＤ１を含む。入力情報ＩＦ１は、第２特徴量情報ＰＤ２及び／又は第３特徴量情報ＰＤ３を含んでいてもよい。本実施形態では、入力情報ＩＦ１は、第１特徴量情報ＰＤ１と、第２特徴量情報ＰＤ２と、第３特徴量情報ＰＤ３とを含む。第１特徴量情報ＰＤ１は「第１入力情報」の一例に相当する。第２特徴量情報ＰＤ２は「第２入力情報」の一例に相当する。第３特徴量情報ＰＤ３は「第３入力情報」の一例に相当する。
具体的には、前処理部８１の取得部８１１は、基板処理装置３００から複数の時系列データＴＤ２を取得する。この場合、時系列データＴＤ２の各々には、ロット識別情報、基板識別情報、処理順番情報ＰＡ、及び、ロット間隔情報ＰＢが付属している。例えば、取得部８１１は、ネットワーク及び通信部６Ｃを介して、基板処理装置３００から複数の時系列データＴＤ２を取得する。ロット識別情報、基板識別情報、処理順番情報ＰＡ、及び、ロット間隔情報ＰＢの定義は、それぞれ、時系列データＴＤ１に付属しているロット識別情報、基板識別情報、処理順番情報ＸＡ、及び、ロット間隔情報ＸＢの定義と同様である。
そして、記憶部６Ｂは、各時系列データＴＤ２を、ロット識別情報、基板識別情報、処理順番情報ＸＡ、及び、ロット間隔情報ＸＢと関連付けて記憶する。
さらに、取得部８１１は、時系列データＴＤ２から、少なくとも１つの区間データを取得する。本実施形態では、取得部８１１は、時系列データＴＤ２から、複数の区間データを取得する。区間データは、時系列データの時間推移の特徴部分が現れる期間を含む時間区間におけるデータであって、時系列データＴＤ１の一部のデータである。以下、区間データを総称して「区間データＳＰ」と記載する場合がある。
そして、特徴量算出部８１３は、区間データＳＰごとに、区間データＳＰに基づいて、第１特徴量情報ＰＤ１を算出する。第１特徴量情報ＰＤ１は、区間データＳＰの時間推移の特徴を示す。第１特徴量情報ＰＤ１は、時間によって表される。特徴量算出部８１３の動作は、特徴量算出部６１３（図８）の動作と同様である。
第２特徴量情報ＰＤ２は、１つのロットを構成する所定数の処理対象基板Ｗ２に対する処理の順番を示す処理順番情報ＰＡ、又は、ロットに対する処理の終了から次のロットに対する処理の開始までの時間間隔を示すロット間隔情報ＰＢである。
第３特徴量情報ＰＤ３は、区間データＳＰ、物体情報（以下、「物体情報ＩＤＣ」）、又は、物理量情報（以下、「物理量情報ＩＤＤ」）である。区間データＳＰは、取得部８１１によって時系列データＴＤ２から取得された区間データである。
物体情報ＩＤＣは、基板処理装置３００が使用する物体を識別するための情報である。
物理量情報ＩＤＤは、基板処理装置３００が使用する物体の物理量の種別を識別するための情報である。
以上、図２１を参照して説明したように、記憶部６Ｂは、第１特徴量情報ＰＤ１、第２特徴量情報ＰＤ２、及び、第３特徴量情報ＰＤ３を、入力情報ＩＦ１として記憶する。
また、記憶部６Ｂは、学習済みモデルＬＭを記憶している。
推定部８３は、学習済みモデルＬＭに入力情報ＩＦ１を入力して、学習済みモデルＬＭから出力情報ＩＦ２を取得する。出力情報ＩＦ２は、処理流体による処理後の処理対象基板Ｗ２の異常の要因を示す。出力情報ＩＦ２は目的変数である。つまり、出力情報ＩＦ２は、学習済みモデルＬＭから出力される情報である。出力情報ＩＦ２の内容は、異常要因情報ＹＤ（図８）の内容と同様である。
具体的には、出力情報ＩＦ２は、第１異常要因情報ＱＤ１と、第２異常要因情報ＱＤ２とのうちの少なくとも１つの情報を含む。本実施形態では、出力情報ＩＦ２は、第１異常要因情報ＱＤ１と第２異常要因情報ＱＤ２とを含む。第１異常要因情報ＱＤ１は「第１出力情報」の一例に相当し、第２異常要因情報ＱＤ２は「第２出力情報」の一例に相当する。
第１異常要因情報ＱＤ１は、基板処理装置３００による処理対象基板Ｗ２の処理時の処理流体に関する情報であって、処理流体による処理後の処理対象基板Ｗ２の異常の要因を示す情報である。第２異常要因情報ＱＤ２は、基板処理装置３００の部品に関する情報であって、処理流体による処理後の処理対象基板Ｗ２の異常の要因を示す情報である。
表示制御部６５は、出力情報ＩＦ２を表示するように、表示部６Ｅを制御する。その結果、表示部６Ｅは出力情報ＩＦ２を表示する。
以上、図２１を参照して説明したように、本実施形態によれば、学習済みモデルＬＭは、時系列データＴＤ１における区間データＳＸの時間推移の特徴が時間によって精度良く表された第１特徴量情報ＸＤ１を含む学習データＴＮＤを機械学習することで生成されている。その結果、学習済みモデルＬＭを使用することで、処理対象基板Ｗ２の異常の要因を精度良く推定できる。
また、本実施形態では、基板処理装置３００から、時系列データＴＤ２を生データとしてそのまま異常要因推定装置６００に入力すると、前処理部８１が、入力情報ＩＦ１を算出する。従って、基板処理装置３００のユーザーは、時系列データＴＤ２を分析及び加工することが要求されない。その結果、ユーザーの負担を軽減できる。
次に、図２２を参照して、入力情報ＩＦ１を説明する。図２２は、入力情報ＩＦ１を示す図である。図２２に示すように、入力情報ＩＦ１の第１特徴量情報ＰＤ１は、第１情報Ｐ１〜第６情報Ｐ６のうちの少なくとも１つの情報を含む。図２２の例では、第１特徴量情報ＰＤ１は、第１情報Ｐ１〜第６情報Ｐ６を含む。
第１情報Ｐ１は、物理量が目標値に向かって増加する際の物理量の状態を示す情報である。第１情報Ｐ１は、情報ａ〜情報ｄのうちの少なくとも１つの情報を含む。第２情報Ｐ２は、物理量のオーバーシュートを示す情報である。第２情報Ｐ２は、情報ｅ及び情報ｆのうちの少なくとも１つの情報を含む。第３情報Ｐ３は、物理量の変動を示す情報である。第３情報Ｐ３は、情報ｇ〜情報ｉのうちの少なくとも１つの情報を含む。
第４情報Ｐ４は、物理量が目標値から減少する際の物理量の状態を示す情報である。第４情報Ｐ４は、情報ｊ〜情報ｍのうちの少なくとも１つの情報を含む。第５情報Ｐ５は、基板処理装置３００が互いに異なる少なくとも２つの物体を使用する際に、２つの物体のうちの一方の物体の物理量と他方の物体の物理量とのオーバーラップを示す情報である。第５情報Ｐ５は、情報ｎ〜情報ｐのうちの少なくとも１つの情報を含む。第６情報Ｐ６は、基板処理装置３００が互いに異なる少なくとも２つの物体を使用する際に、時間軸上において、２つの物体のうちの一方の物体と他方の物体との時間間隔を示す情報である。第６情報Ｐ６は、情報ｑを含む。
図２２の例では、第１情報Ｐ１は、情報ａ〜情報ｄを含む。第２情報Ｐ２は、情報ｅ及び情報ｆを含む。第３情報Ｐ３は、情報ｇ〜情報ｉを含む。第４情報Ｐ４は、情報ｊ〜情報ｍを含む。第５情報Ｐ５は、情報ｎ〜情報ｐを含む。
第２特徴量情報ＰＤ２は、処理順番情報ＰＡ及びロット間隔情報ＰＢのうちの少なくとも１つの情報を含む。図２２の例では、第２特徴量情報ＰＤ２は、処理順番情報ＰＡ及びロット間隔情報ＰＢを含む。
第３特徴量情報ＰＤ３は、区間データＳＰ、物体情報ＩＤＣ、及び、物理量情報ＩＤＤのうちの少なくとも１つの情報を含む。図２２の例では、第３特徴量情報ＰＤ３は、区間データＳＰ、物体情報ＩＤＣ、及び、物理量情報ＩＤＤを含む。
ここで、第１特徴量情報ＰＤ１の内容は、第１特徴量情報ＸＤ１の内容と同様である。具体的には、第１情報Ｐ１〜第６情報Ｐ６の内容は、それぞれ、第１情報Ｘ１〜第６情報Ｘ６の内容と同様である。第１情報Ｐ１〜第６情報Ｐ６の情報ａ〜情報ｑの内容は、それぞれ、第１情報Ｘ１〜第６情報Ｘ６の情報ａ〜情報ｑの内容と同様である。また、第２特徴量情報ＰＤ２の内容は、第２特徴量情報ＸＤ２の内容と同様である。具体的には、処理順番情報ＰＡ及びロット間隔情報ＰＢの内容は、それぞれ、処理順番情報ＸＡ及びロット間隔情報ＸＢの内容と同様である。さらに、第３特徴量情報ＰＤ３の内容は、第３特徴量情報ＸＤ３の内容と同様である。具体的には、区間データＳＰ、物体情報ＩＤＣ、及び、物理量情報ＩＤＤの内容は、それぞれ、区間データＳＸ、物体情報ＩＤＡ、及び、物理量情報ＩＤＢの内容と同様である。また、基板処理装置３００が出力する時系列データＴＤ２の内容は、基板処理装置２００が出力する時系列データＴＤ１の内容と同様である。さらに、区間データＳＰの内容は、区間データＳＸの内容と同様である。
従って、第１特徴量情報ＸＤ１、第１情報Ｘ１〜第６情報Ｘ６、第１情報Ｘ１〜第６情報Ｘ６の情報ａ〜情報ｑ、第２特徴量情報ＸＤ２、処理順番情報ＸＡ、ロット間隔情報ＸＢ、第３特徴量情報ＸＤ３、区間データＳＸ、物体情報ＩＤＡ、物理量情報ＩＤＢ、時系列データＴＤ１、及び、区間データＳＸの説明において（図８〜図１７）、適宜、取得部６１１を取得部８１１と読み替え、特徴量算出部６１３を特徴量算出部８１３と読み替え、記憶制御部６３を記憶制御部８５に読み替え、記憶部４Ｂを記憶部６Ｂに読み替え、基板処理装置２００を基板処理装置３００に読み替え、学習対象基板Ｗ１を処理対象基板Ｗ２に読み替えることで、第１特徴量情報ＰＤ１、第１情報Ｐ１〜第６情報Ｐ６、第１情報Ｐ１〜第６情報Ｐ６の情報ａ〜情報ｑ、処理順番情報ＰＡ、ロット間隔情報ＰＢ、区間データＳＰ、物体情報ＩＤＣ、物理量情報ＩＤＤ、時系列データＴＤ２、区間データＳＰ、取得部８１１、特徴量算出部８１３、記憶制御部８５、及び、記憶部６Ｂの説明に代えることができる。
次に、図２３を参照して、出力情報ＩＦ２を説明する。図２３は、出力情報ＩＦ２を示す図である。図２３に示すように、出力情報ＩＦ２の第１異常要因情報ＱＤ１は、第１要因情報Ｑ１０１〜第９要因情報Ｑ１０９のうちの少なくとも１つの要因情報を含む。図２３の例では、第１異常要因情報ＱＤ１は、第１要因情報Ｑ１０１〜第９要因情報Ｑ１０９を含む。
第２異常要因情報ＱＤ２は、第１要因情報Ｑ２０１〜第７要因情報Ｑ２０７のうちの少なくとも１つの要因情報を含む。図２３の例では、第２異常要因情報ＱＤ２は、第１要因情報Ｑ２０１〜第７要因情報Ｑ２０７を含む。
ここで、第１異常要因情報ＱＤ１の内容は、第１異常要因情報ＹＤ１の内容と同様である。具体的には、第１要因情報Ｑ１０１〜第９要因情報Ｑ１０９の内容は、それぞれ、第１要因情報Ｘ１０１〜第９要因情報Ｘ１０９（図１７）の内容と同様である。また、第２異常要因情報ＱＤ２の内容は、第２異常要因情報ＹＤ２の内容と同様である。具体的には、第１要因情報Ｑ２０１〜第７要因情報Ｑ２０７の内容は、それぞれ、第１要因情報Ｙ２０１〜第７要因情報Ｙ２０７（図１７）の内容と同様である。
従って、第１異常要因情報ＹＤ１、第１要因情報Ｙ１０１〜第９要因情報Ｙ１０９、第２異常要因情報ＹＤ２、及び、第１要因情報Ｙ２０１〜第７要因情報Ｙ２０７の説明において（図８〜図１７）、適宜、基板処理装置２００を基板処理装置３００に読み替え、学習対象基板Ｗ１を処理対象基板Ｗ２に読み替えることで、第１異常要因情報ＱＤ１、第１要因情報Ｑ１０１〜第９要因情報Ｑ１０９、第２異常要因情報ＱＤ２、及び、第１要因情報Ｑ２０１〜第７要因情報Ｑ２０７の説明に代えることができる。
また、第１異常要因情報ＹＤ１及び第２異常要因情報ＹＤ２と第１特徴量情報ＸＤ１に相関がある場合と同様に、第１異常要因情報ＱＤ１及び第２異常要因情報ＱＤ２と第１特徴量情報ＰＤ１にも相関がある。
次に、図２１及び図２４を参照して、異常要因推定装置６００が実行する異常要因推定方法を説明する。図２４は、本実施形態に係る異常要因推定方法を示すフローチャートである。図２４に示すように、異常要因推定方法は、ステップＳ４１〜ステップＳ４９を含む。
図２１及び図２２に示すように、ステップＳ４１において、異常要因推定装置６００の取得部８１１は、基板処理装置３００から時系列データＴＤ２を取得する。
次に、ステップＳ４２において、取得部８１１は、時系列データＴＤ２から、少なくとも１つの区間データＳＰを取得する。本実施形態では、取得部８１１は、時系列データＴＤ２から複数の区間データＳＰを取得する。
次に、ステップＳ４３において、異常要因推定装置６００の特徴量算出部８１３は、複数の区間データＳＰに基づいて、第１特徴量情報ＰＤ１を算出する。具体的には、特徴量算出部８１３は、各区間データＳＰに基づいて、区間データＳＰごとに、第１特徴量情報ＰＤ１を構成する、第１情報Ｐ１、第２情報Ｐ２、第３情報Ｐ３、第４情報Ｐ４、第５情報Ｐ５、又は、第６情報Ｐ６を算出する。
次に、ステップＳ４４において、異常要因推定装置６００の記憶制御部８５は、第１特徴量情報ＰＤ１、第２特徴量情報ＰＤ２、及び、第３特徴量情報ＰＤ３を、入力情報ＩＦ１として記憶するように、記憶部６Ｂを制御する。その結果、記憶部６Ｂは、第１特徴量情報ＰＤ１、第２特徴量情報ＰＤ２、及び、第３特徴量情報ＰＤ３を、入力情報ＩＦ１として記憶する。
次に、ステップＳ４５において、推定部８３は、記憶部６Ｂから入力情報ＩＦ１を取得する。
次に、ステップＳ４６において、推定部８３は、学習済みモデルＬＭに入力情報ＩＦ１を入力する。その結果、学習済みモデルＬＭは、処理流体による処理後の処理対象基板Ｗ２の異常の要因を推定して、出力情報ＩＦ２を出力する。
好ましくは、学習済みモデルＬＭは、出力情報ＩＦ２を構成する第１要因情報Ｑ１０１〜第９要因情報Ｑ１０９及び第１要因情報Ｑ２０１〜第７要因情報Ｑ２０７を、尤度の高い順に出力する。
次に、ステップＳ４７において、推定部８３は、学習済みモデルＬＭから出力情報ＩＦ２を取得する。出力情報ＩＦ２は、処理流体による処理後の処理対象基板Ｗ２の異常の要因を示す。
次に、ステップＳ４８において、記憶制御部８５は、出力情報ＩＦ２を記憶するように、記憶部６Ｂを制御する。その結果、記憶部６Ｂは、出力情報ＩＦ２を記憶する。
次に、ステップＳ４９において、表示制御部８７は、出力情報ＩＦ２を表示するように、表示部６Ｅを制御する。その結果、表示部６Ｅは，出力情報ＩＦ２を表示する。
好ましくは、表示制御部８７は、出力情報ＩＦ２を構成する第１要因情報Ｑ１０１〜第９要因情報Ｑ１０９及び第１要因情報Ｑ２０１〜第７要因情報Ｑ２０７を、尤度の高い順に表示するように、表示部６Ｅを制御する。その結果、表示部６Ｅは，尤度の高い順に、第１要因情報Ｑ１０１〜第９要因情報Ｑ１０９及び第１要因情報Ｑ２０１〜第７要因情報Ｑ２０７を表示する。
以上、異常要因推定装置６００がステップＳ４１〜ステップＳ４９を実行することで、１枚の処理対象基板Ｗ２に対応する１つの出力情報ＩＦ２が出力されて、処理が終了する。
以上の説明では、物体の物理量の典型例として、主に、処理流体の流量を説明した。以下では、物体の物理量の他の例を説明する。
［物体：処理流体、物理量：温度］
基板処理装置２００が出力する時系列データＴＤ１が、温度センサーＴＳが検出した処理流体の温度を示す場合は、第１特徴量情報ＸＤ１は、例えば、第１情報Ｘ１〜第４情報Ｘ４のうちの少なくとも１つの情報を含む。この場合、図１０等を参照して説明した第１情報Ｘ１〜第４情報Ｘ４の定義において、処理流体を温度と読み替える。時系列データＴＤ１として温度を採用して、機械学習によって学習済みモデルＬＭを生成することで、基板Ｗにエッチング不良が発生した場合の異常要因を、学習済みモデルＬＭによって推定できる。特に、処理流体の温度は、エッチングに影響を与えるからである。
学習段階の第１特徴量情報ＸＤ１と同様に、利用段階の第１特徴量情報ＰＤ１もまた、例えば、第１情報Ｐ１〜第４情報Ｐ４のうちの少なくとも１つの情報を含み、処理流体を温度と読み替える。
［物体：処理流体、物理量：濃度］
基板処理装置２００が出力する時系列データＴＤ１が、センサーＳＮが検出した処理流体の濃度を示す場合は、第１特徴量情報ＸＤ１は、例えば、第３情報Ｘ３を含む。この場合、図１０等を参照して説明した第３情報Ｘ３の定義において、処理流体を濃度と読み替える。時系列データＴＤ１として濃度を採用して、機械学習によって学習済みモデルＬＭを生成することで、基板Ｗにエッチング不良が発生した場合の異常要因を、学習済みモデルＬＭによって推定できる。特に、処理流体の濃度は、エッチングに影響を与えるからである。
学習段階の第１特徴量情報ＸＤ１と同様に、利用段階の第１特徴量情報ＰＤ１もまた、例えば、第３情報Ｐ３を含み、処理流体を濃度と読み替える。
［物体：スピンチャック１３、物理量：回転数］
基板処理装置２００が出力する時系列データＴＤ１が、センサーＳＮが検出したスピンチャック１３の回転数を示す場合は、第１特徴量情報ＸＤ１は、例えば、第１情報Ｘ１〜第４情報Ｘ４のうちの少なくとも１つの情報を含む。この場合、図１０等を参照して説明した第１情報Ｘ１〜第４情報Ｘ４の定義において、処理流体をスピンチャック１３と読み替え、流量を回転数と読み替える。時系列データＴＤ１として回転数を採用して、機械学習によって学習済みモデルＬＭを生成することで、基板Ｗにパーティクル不良が発生した場合の異常要因を、学習済みモデルＬＭによって推定できる。
学習段階の第１特徴量情報ＸＤ１と同様に、利用段階の第１特徴量情報ＰＤ１もまた、例えば、第１情報Ｐ１〜第４情報Ｐ４のうちの少なくとも１つの情報を含み、処理流体をスピンチャック１３と読み替え、流量を回転数と読み替える。
［物体：遮断板２９１、物理量：位置、変位、回転数］
基板処理装置２００が出力する時系列データＴＤ１が、センサーＳＮが検出した遮断板２９１の位置、変位、又は、回転数を示す場合は、第１特徴量情報ＸＤ１は、例えば、昇降する際の遮断板２９１の位置若しくは変位から算出可能な時間によって表されるか、又は、回転する際の遮断板２９１の回転数自体によって表される。第１特徴量情報ＰＤ１についても同様である。
［物体：アームＡＭ、物理量：位置、変位］
基板処理装置２００が出力する時系列データＴＤ１が、センサーＳＮが検出したアームＡＭの位置又は変位を示す場合は、第１特徴量情報ＸＤ１は、例えば、スキャン処理を実行する際のアームＡＭの位置若しくは変位から算出可能な時間によって表される。第１特徴量情報ＰＤ１についても同様である。
［物体：ガード３３、物理量：位置、変位］
基板処理装置２００が出力する時系列データＴＤ１が、センサーＳＮが検出したガード３３の位置又は変位を示す場合は、第１特徴量情報ＸＤ１は、例えば、ガード３３が昇降する際のガード３３の位置若しくは変位から算出可能な時間によって表される。第１特徴量情報ＰＤ１についても同様である。
［物体：バルブＶＢ、物理量：開度］
基板処理装置２００が出力する時系列データＴＤ１が、センサーＳＮが検出したバルブＶＢの開度を示す場合は、第１特徴量情報ＸＤ１は、例えば、バルブＶＢが開閉する際のバルブＶＢの開度の時間変化によって表される。第１特徴量情報ＰＤ１についても同様である。
次に、基板処理装置２００、３００が使用する物体が処理流体であり、物体の物理量が、処理流体を排出する排出管Ｐ７内での処理流体の物理量を示す場合を説明する。
［排出管Ｐ７の流量計ＦＷ３］
基板処理装置２００が出力する時系列データＴＤ１が、図５に示す排出管Ｐ７に介挿された流量計ＦＷ３によって検出された処理流体の流量である場合、第１特徴量情報ＸＤ１は、流量の時間推移の特徴部分を時間によって表した情報である。第１特徴量情報ＰＤ１についても同様である。
［排出管Ｐ７の温度センサーＴＳ７］
基板処理装置２００が出力する時系列データＴＤ１が、図５に示す排出管Ｐ７に配置された温度センサーＴＳ７によって検出された処理流体の温度である場合、第１特徴量情報ＸＤ１は、温度の時間推移の特徴部分を時間によって表した情報である。第１特徴量情報ＰＤ１についても同様である。
ここで、図１は、基板処理装置２００、基板処理装置３００、学習データ作成装置４００、学習装置５００、及び、異常要因推定装置６００の物理的構成を示していてもよいし、論理的構成を示していてもよい。従って、基板処理装置２００、基板処理装置３００、学習データ作成装置４００、学習装置５００、及び、異常要因推定装置６００のうち、一部又は全部が１つの装置として構成されてもよい。
例えば、基板処理装置２００が、学習データ作成装置４００を備えていてもよい。この場合は、例えば、基板処理装置２００の制御部３Ａ及び記憶部３Ｂが、学習データ作成装置４００の処理部４Ａ及び記憶部４Ｂとして機能する。
例えば、基板処理装置２００が、学習データ作成装置４００及び学習装置５００を備えていてもよい。この場合は、例えば、基板処理装置２００の制御部３Ａ及び記憶部３Ｂが、学習データ作成装置４００の処理部４Ａ及び記憶部４Ｂ、並びに、学習装置５００の処理部５Ａ及び記憶部５Ｂとして機能する。
例えば、基板処理装置２００が、学習データ作成装置４００、学習装置５００、及び、異常要因推定装置６００を備えていてもよい。この場合は、例えば、基板処理装置２００の制御部３Ａ及び記憶部３Ｂが、学習データ作成装置４００の処理部４Ａ及び記憶部４Ｂ、学習装置５００の処理部５Ａ及び記憶部５Ｂ、異常要因推定装置６００の処理部６Ａ及び記憶部６Ｂとして機能する。
同様に、基板処理装置２００が、学習データ作成装置４００を備えていてもよいし、学習データ作成装置４００及び学習装置５００を備えていてもよいし、学習データ作成装置４００、学習装置５００、及び、異常要因推定装置６００を備えていてもよい。
例えば、異常要因推定装置６００が、学習装置５００を備えていてもよい。例えば、異常要因推定装置６００が、学習装置５００及び学習データ作成装置４００を備えていてもよい。この場合は、前処理部８１及び学習データ作成部６１のうち重複する機能を省略することができる。例えば、学習装置５００が学習データ作成装置４００を備えていてもよい。
例えば、サーバー又はホストコンピューターが、ネットワーク経由して、異常要因推定装置６００から出力情報ＩＦ２を受信して、出力情報ＩＦ２を表示装置に表示してもよい。
例えば、学習データ作成装置４００、学習装置５００、及び、異常要因推定装置６００のうちの２以上を組み合わせて、組み合わせられた装置が、サーバーによって構成されてもよい。
例えば、学習データ作成装置４００、学習装置５００、及び、異常要因推定装置６００のうちの少なくとも１つが、サーバーによって構成されていてもよい。
例えば、学習対象基板Ｗ１を処理する基板処理装置２００が、処理対象基板Ｗ２を処理する基板処理装置３００として機能してもよいし、その逆であってもよい。
例えば、異常要因推定装置６００の前処理部８１と推定部８３とが、別個の装置として構成されていてもよい。
以上、図面を参照して本発明の実施形態について説明した。ただし、本発明は、上記の実施形態に限られるものではなく、その要旨を逸脱しない範囲で種々の態様において実施できる。また、上記の実施形態に開示される複数の構成要素は適宜改変可能である。例えば、ある実施形態に示される全構成要素のうちのある構成要素を別の実施形態の構成要素に追加してもよく、または、ある実施形態に示される全構成要素のうちのいくつかの構成要素を実施形態から削除してもよい。
また、図面は、発明の理解を容易にするために、それぞれの構成要素を主体に模式的に示しており、図示された各構成要素の厚さ、長さ、個数、間隔等は、図面作成の都合上から実際とは異なる場合もある。また、上記の実施形態で示す各構成要素の構成は一例であって、特に限定されるものではなく、本発明の効果から実質的に逸脱しない範囲で種々の変更が可能であることは言うまでもない。
本発明は、学習済みモデル生成方法、学習済みモデル、異常要因推定装置、基板処理装置、異常要因推定方法、学習方法、学習装置、及び、学習データ作成方法に関するものであり、産業上の利用可能性を有する。
５Ｂ、６Ｂ 記憶部
７３ 学習部
８３ 推定部
２００、３００ 基板処理装置
４００ 学習データ作成装置
５００ 学習装置
６００ 異常要因推定装置
ＬＭ 学習済みモデル
Ｗ 基板
Ｗ１ 学習対象基板
Ｗ２ 処理対象基板

Claims (22)

  1. 学習データを取得するステップと、
    処理流体による処理後の処理対象基板の異常の要因を推定する学習済みモデルを、前記学習データを機械学習することによって生成するステップと
    を含み、
    前記学習データは、特徴量と異常要因情報とを含み、
    前記異常要因情報は、前記処理流体による処理後の学習対象基板の異常の要因を示し、
    前記特徴量は、前記処理流体によって前記学習対象基板を処理する基板処理装置が使用する物体の物理量を示す時系列データのうちの区間データの時間推移の特徴を示す第１特徴量情報を含み、
    前記第１特徴量情報は、時間によって表される、学習済みモデル生成方法。
  2. 前記異常要因情報は、第１異常要因情報と第２異常要因情報とのうちの少なくとも１つの情報を含み、
    前記第１異常要因情報は、前記基板処理装置による前記学習対象基板の処理時の前記処理流体に関する情報であり、
    前記第２異常要因情報は、前記基板処理装置の部品に関する情報である、請求項１に記載の学習済みモデル生成方法。
  3. 前記第１特徴量情報は、第１情報と第２情報と第３情報と第４情報と第５情報と第６情報とのうちの少なくとも１つの情報を含み、
    前記第１情報は、前記物理量が目標値に向かって増加する際の前記物理量の状態を示す情報であり、
    前記第２情報は、前記物理量のオーバーシュートを示す情報であり、
    前記第３情報は、前記物理量の変動を示す情報であり、
    前記第４情報は、前記物理量が前記目標値から減少する際の前記物理量の状態を示す情報であり、
    前記第５情報は、前記基板処理装置が互いに異なる少なくとも２つの前記物体を使用する際に、前記２つの物体のうちの一方の物体の前記物理量と他方の物体の前記物理量とのオーバーラップを示す情報であり、
    前記第６情報は、時間軸上において、前記一方の物体と前記他方の物体との時間間隔を示す情報である、請求項１又は請求項２に記載の学習済みモデル生成方法。
  4. 前記物体は、前記処理流体であり、
    前記物理量は、前記処理流体を排出する排出管内での前記処理流体の物理量を示す、請求項１又は請求項２に記載の学習済みモデル生成方法。
  5. 前記物体は、前記処理流体であり、
    前記物理量は、前記処理流体の流量、前記処理流体の温度、又は、前記処理流体の濃度を示す、請求項１から請求項４のいずれか１項に記載の学習済みモデル生成方法。
  6. 前記物体は、前記学習対象基板を回転させる基板保持部、前記学習対象基板に向けて前記処理流体を吐出するノズルを移動させるアーム、前記学習対象基板から飛散した前記処理流体を受けるガード、又は、前記処理流体の流れを調節するバルブであり、
    前記物体が前記基板保持部である場合、前記物理量は、前記基板保持部の動作及び／又は状態に関する量を示し、
    前記物体が前記アームである場合、前記物理量は、前記アームの動作及び／又は状態に関する量を示し、
    前記物体が前記ガードである場合、前記物理量は、前記ガードの動作及び／又は状態に関する量を示し、
    前記物体が前記バルブである場合、前記物理量は、前記バルブの動作及び／又は状態に関する量を示す、請求項１から請求項３のいずれか１項に記載の学習済みモデル生成方法。
  7. 前記物体は、前記学習対象基板の上面を間隔をあけて覆う遮断板を含み、
    前記物体が前記遮断板である場合、前記物理量は、前記遮断板の動作及び／又は状態に関する量を示す、請求項１から請求項３のいずれか１項に記載の学習済みモデル生成方法。
  8. 前記特徴量は、第２特徴量情報をさらに含み、
    前記第２特徴量情報は、１つのロットを構成する所定数の前記学習対象基板に対する処理の順番を示す処理順番情報、又は、ロットに対する処理の終了から次のロットに対する処理の開始までの時間間隔を示すロット間隔情報である、請求項１から請求項７のいずれか１項に記載の学習済みモデル生成方法。
  9. 学習データを機械学習することで構築され、処理流体による処理後の処理対象基板の異常の要因を推定するように、コンピューターを機能させる学習済みモデルであって、
    前記学習データは、特徴量と異常要因情報とを含み、
    前記異常要因情報は、前記処理流体による処理後の学習対象基板の異常の要因を示し、
    前記特徴量は、前記処理流体によって前記学習対象基板を処理する基板処理装置が使用する物体の物理量を示す時系列データのうちの区間データの時間推移の特徴を示す第１特徴量情報を含み、
    前記第１特徴量情報は、時間によって表され、
    入力情報を入力して、出力情報を出力するように、前記コンピューターを機能させ、
    前記入力情報は、前記処理流体によって前記処理対象基板を処理する基板処理装置が使用する物体の物理量を示す時系列データのうちの区間データの時間推移の特徴を示す第１入力情報を含み、
    前記第１入力情報は、時間によって表され、
    前記出力情報は、前記処理流体による処理後の前記処理対象基板の異常の要因を示す、学習済みモデル。
  10. 前記異常要因情報は、第１異常要因情報と第２異常要因情報とのうちの少なくとも１つの情報を含み、
    前記第１異常要因情報は、前記基板処理装置による前記学習対象基板の処理時の前記処理流体に関する情報であり、
    前記第２異常要因情報は、前記学習対象基板を処理する前記基板処理装置の部品に関する情報であり、
    前記出力情報は、第１出力情報と第２出力情報とのうちの少なくとも１つの情報を含み、
    前記第１出力情報は、前記基板処理装置による前記処理対象基板の処理時の前記処理流体に関する情報であり、
    前記第２出力情報は、前記処理対象基板を処理する前記基板処理装置の部品に関する情報である、請求項９に記載の学習済みモデル。
  11. 前記第１特徴量情報及び前記第１入力情報の各々は、第１情報と第２情報と第３情報と第４情報と第５情報と第６情報とのうちの少なくとも１つの情報を含み、
    前記第１情報は、前記物理量が目標値に向かって増加する際の前記物理量の状態を示す情報であり、
    前記第２情報は、前記物理量のオーバーシュートを示す情報であり、
    前記第３情報は、前記物理量の変動を示す情報であり、
    前記第４情報は、前記物理量が前記目標値から減少する際の前記物理量の状態を示す情報であり、
    前記第５情報は、前記基板処理装置が互いに異なる少なくとも２つの前記物体を使用する際に、前記２つの物体のうちの一方の物体の前記物理量と他方の物体の前記物理量とのオーバーラップを示す情報であり、
    前記第６情報は、時間軸上において、前記一方の物体と前記他方の物体との時間間隔を示す情報である、請求項９又は請求項１０に記載の学習済みモデル。
  12. 前記物体は、前記処理流体であり、
    前記物理量は、前記処理流体を排出する排出管内での前記処理流体の物理量を示す、請求項９又は請求項１０に記載の学習済みモデル。
  13. 前記物体は、前記処理流体であり、
    前記物理量は、前記処理流体の流量、前記処理流体の温度、又は、前記処理流体の濃度を示す、請求項９から請求項１２のいずれか１項に記載の学習済みモデル。
  14. 前記学習対象基板を処理する前記基板処理装置が使用する前記物体は、前記学習対象基板を回転させる基板保持部、前記学習対象基板に向けて前記処理流体を吐出するノズルを移動させるアーム、前記学習対象基板から飛散した前記処理流体を受けるガード、又は、前記処理流体の流れを調節するバルブであり、
    前記処理対象基板を処理する前記基板処理装置が使用する前記物体は、前記処理対象基板を回転させる基板保持部、前記処理対象基板に向けて前記処理流体を吐出するノズルを移動させるアーム、前記処理対象基板から飛散した前記処理流体を受けるガード、又は、前記処理流体の流れを調節するバルブであり、
    前記物体が前記基板保持部である場合、前記物理量は、前記基板保持部の動作及び／又は状態に関する量を示し、
    前記物体が前記アームである場合、前記物理量は、前記アームの動作及び／又は状態に関する量を示し、
    前記物体が前記ガードである場合、前記物理量は、前記ガードの動作及び／又は状態に関する量を示し、
    前記物体が前記バルブである場合、前記物理量は、前記バルブの動作及び／又は状態に関する量を示す、請求項９から請求項１１のいずれか１項に記載の学習済みモデル。
  15. 前記学習対象基板を処理する前記基板処理装置が使用する前記物体は、前記学習対象基板の上面を間隔をあけて覆う遮断板を含み、
    前記処理対象基板を処理する前記基板処理装置が使用する前記物体は、前記処理対象基板の上面を間隔をあけて覆う遮断板を含み、
    前記物体が前記遮断板である場合、前記物理量は、前記遮断板の動作及び／又は状態に関する量を示す、請求項９から請求項１１のいずれか１項に記載の学習済みモデル。
  16. 前記特徴量は、第２特徴量情報をさらに含み、
    前記第２特徴量情報は、１つのロットを構成する所定数の前記学習対象基板に対する処理の順番を示す処理順番情報、又は、ロットに対する処理の終了から次のロットに対する処理の開始までの時間間隔を示すロット間隔情報であり、
    前記入力情報は、前記処理対象基板に関する第２入力情報をさらに含み、
    前記第２入力情報は、１つのロットを構成する所定数の前記処理対象基板に対する処理の順番を示す処理順番情報、又は、ロットに対する処理の終了から次のロットに対する処理の開始までの時間間隔を示すロット間隔情報である、請求項９から請求項１５のいずれか１項に記載の学習済みモデル。
  17. 処理流体による処理後の処理対象基板の異常の要因を推定する異常要因推定装置であって、
    学習データを機械学習することで構築される学習済みモデルを記憶する記憶部と、
    前記学習済みモデルに入力情報を入力して、前記学習済みモデルから出力情報を取得する推定部と
    を備え、
    前記学習データは、特徴量と異常要因情報とを含み、
    前記異常要因情報は、前記処理流体による処理後の学習対象基板の異常の要因を示し、
    前記特徴量は、前記処理流体によって前記学習対象基板を処理する基板処理装置が使用する物体の物理量を示す時系列データのうちの区間データの時間推移の特徴を示す特徴量情報を含み、前記特徴量情報は、時間によって表され、
    前記入力情報は、前記処理流体によって前記処理対象基板を処理する基板処理装置が使用する物体の物理量を示す時系列データのうちの区間データの時間推移の特徴を示す情報を含み、前記情報は、時間によって表され、
    前記出力情報は、前記処理流体による処理後の前記処理対象基板の異常の要因を示す、異常要因推定装置。
  18. 請求項１７に記載の異常要因推定装置と、
    基板を処理する処理装置と
    を備える、基板処理装置。
  19. 処理流体による処理後の処理対象基板の異常の要因を推定する異常要因推定方法であって、
    入力情報を取得するステップと、
    学習データを機械学習することで構築される学習済みモデルに前記入力情報を入力して、前記学習済みモデルから出力情報を取得するステップと
    を含み、
    前記学習データは、特徴量と異常要因情報とを含み、
    前記異常要因情報は、前記処理流体による処理後の学習対象基板の異常の要因を示し、
    前記特徴量は、前記処理流体によって前記学習対象基板を処理する基板処理装置が使用する物体の物理量を示す時系列データのうちの区間データの時間推移の特徴を示す特徴量情報を含み、前記特徴量情報は、時間によって表され、
    前記入力情報は、前記処理流体によって前記処理対象基板を処理する基板処理装置が使用する物体の物理量を示す時系列データのうちの区間データの時間推移の特徴を示す情報を含み、前記情報は、時間によって表され、
    前記出力情報は、前記処理流体による処理後の前記処理対象基板の異常の要因を示す、異常要因推定方法。
  20. 学習データを取得するステップと、
    前記学習データを機械学習するステップと
    を含み、
    前記学習データは、特徴量と異常要因情報とを含み、
    前記異常要因情報は、処理流体による処理後の学習対象基板の異常の要因を示し、
    前記特徴量は、前記処理流体によって前記学習対象基板を処理する基板処理装置が使用する物体の物理量を示す時系列データのうちの区間データの時間推移の特徴を示す特徴量情報を含み、
    前記第１特徴量情報は、時間によって表される、学習方法。
  21. 学習データを記憶する記憶部と、
    前記学習データを機械学習する学習部と
    を含み、
    前記学習データは、特徴量と異常要因情報とを含み、
    前記異常要因情報は、処理流体による処理後の学習対象基板の異常の要因を示し、
    前記特徴量は、前記処理流体によって前記学習対象基板を処理する基板処理装置が使用する物体の物理量を示す時系列データのうちの区間データの時間推移の特徴を示す特徴量情報を含み、
    前記特徴量情報は、時間によって表される、学習装置。
  22. 処理流体によって学習対象基板を処理する基板処理装置が使用する物体の物理量を示す時系列データから、少なくとも１つの区間データを取得するステップと、
    前記区間データの時間推移の特徴を示す特徴量情報を算出するステップと、
    前記特徴量情報に異常要因情報を関連付けて記憶するように、記憶部を制御するステップと
    を含み、
    前記異常要因情報は、前記処理流体による処理後の前記学習対象基板の異常の要因を示し、
    前記特徴量情報は、時間によって表され、
    前記特徴量情報及び前記異常要因情報は、機械学習の対象である学習データを構成する、学習データ作成方法。
JP2020052983A 2020-03-24 2020-03-24 学習済みモデル生成方法、学習済みモデル、異常要因推定装置、基板処理装置、異常要因推定方法、学習方法、学習装置、及び、学習データ作成方法 Pending JP2021152762A (ja)

Priority Applications (6)

Application Number Priority Date Filing Date Title
JP2020052983A JP2021152762A (ja) 2020-03-24 2020-03-24 学習済みモデル生成方法、学習済みモデル、異常要因推定装置、基板処理装置、異常要因推定方法、学習方法、学習装置、及び、学習データ作成方法
KR1020210018875A KR102583402B1 (ko) 2020-03-24 2021-02-10 학습 완료된 모델 생성 방법, 이상 요인 추정 장치, 기판 처리 장치, 이상 요인 추정 방법, 학습 방법, 학습 장치, 및 학습 데이터 작성 방법
CN202110205886.3A CN113448307A (zh) 2020-03-24 2021-02-24 模型生成方法、异常要因推定装置及方法、基板处理装置、学习方法、装置及数据制作方法
US17/185,981 US20210304032A1 (en) 2020-03-24 2021-02-26 Learned model generating method, abnormality factor estimating device, substrate processing device, abnormality factor estimating method, learning method, learning device, and learning data generating method
TW112100003A TWI849667B (zh) 2020-03-24 2021-03-04 學習完成的模型生成方法、異常主要原因推定裝置、學習完成的模型、異常主要原因推定方法、學習方法、學習裝置以及學習資料製作方法
TW110107643A TWI792209B (zh) 2020-03-24 2021-03-04 學習完成的模型生成方法、異常主要原因推定裝置、基板處理裝置及方法、學習完成的模型、異常主要原因推定方法、學習方法、學習裝置以及學習資料製作方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2020052983A JP2021152762A (ja) 2020-03-24 2020-03-24 学習済みモデル生成方法、学習済みモデル、異常要因推定装置、基板処理装置、異常要因推定方法、学習方法、学習装置、及び、学習データ作成方法

Publications (1)

Publication Number Publication Date
JP2021152762A true JP2021152762A (ja) 2021-09-30

Family

ID=77808895

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2020052983A Pending JP2021152762A (ja) 2020-03-24 2020-03-24 学習済みモデル生成方法、学習済みモデル、異常要因推定装置、基板処理装置、異常要因推定方法、学習方法、学習装置、及び、学習データ作成方法

Country Status (5)

Country Link
US (1) US20210304032A1 (ja)
JP (1) JP2021152762A (ja)
KR (1) KR102583402B1 (ja)
CN (1) CN113448307A (ja)
TW (1) TWI792209B (ja)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023149161A1 (ja) * 2022-02-04 2023-08-10 株式会社荏原製作所 情報処理装置、推論装置、機械学習装置、情報処理方法、推論方法、及び、機械学習方法
WO2023176156A1 (ja) * 2022-03-18 2023-09-21 株式会社Ｓｃｒｅｅｎホールディングス 基板処理装置および監視方法
WO2024070233A1 (ja) * 2022-09-26 2024-04-04 株式会社Ｓｃｒｅｅｎホールディングス 学習装置、情報処理装置、基板処理装置、基板処理システム、学習方法および処理条件決定方法
WO2024070390A1 (ja) * 2022-09-26 2024-04-04 株式会社Ｓｃｒｅｅｎホールディングス 学習装置、情報処理装置、基板処理装置、基板処理システム、学習方法および処理条件決定方法

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11586160B2 (en) * 2021-06-28 2023-02-21 Applied Materials, Inc. Reducing substrate surface scratching using machine learning

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06328034A (ja) * 1993-05-25 1994-11-29 Toray Ind Inc カップ回転式スピンコータ及びカップ回転式塗膜形成方法
JPH07182011A (ja) * 1993-12-24 1995-07-21 Dainippon Screen Mfg Co Ltd 異常診断装置
JPH0832281A (ja) * 1994-07-14 1996-02-02 Matsushita Electric Ind Co Ltd 品質分析方法
JPH10309509A (ja) * 1997-05-09 1998-11-24 Dainippon Screen Mfg Co Ltd 回転式基板処理装置および基板処理方法
JP2003022116A (ja) * 2001-07-05 2003-01-24 Dainippon Screen Mfg Co Ltd 基板処理システム、基板処理装置、装置情報管理方法、プログラム及び記録媒体
JP2004172204A (ja) * 2002-11-18 2004-06-17 Dainippon Screen Mfg Co Ltd 基板処理装置
JP2004186445A (ja) * 2002-12-03 2004-07-02 Omron Corp モデル化装置及びモデル解析方法並びにプロセス異常検出・分類システム及びプロセス異常検出・分類方法並びにモデル化システム及びモデル化方法並びに故障予知システム及びモデル化装置の更新方法
JP2005142467A (ja) * 2003-11-10 2005-06-02 Renesas Technology Corp 半導体デバイスの製造方法および半導体製造システム
JP2008041939A (ja) * 2006-08-07 2008-02-21 Matsushita Electric Ind Co Ltd シリコン異方性エッチング装置及びシリコン異方性エッチング方法
KR20110001109A (ko) * 2009-06-29 2011-01-06 세종대학교산학협력단 전산지능을 이용한 플라즈마 장비의 감시 및 제어 방법
JP2012150721A (ja) * 2011-01-20 2012-08-09 Tokyo Electron Ltd 処理装置の異常診断方法及びその異常診断システム
JP2018107338A (ja) * 2016-12-27 2018-07-05 株式会社Sumco ウェーハの洗浄方法
JP2018163978A (ja) * 2017-03-24 2018-10-18 株式会社Ｓｃｒｅｅｎホールディングス 基板処理装置および基板処理方法
JP2019140193A (ja) * 2018-02-08 2019-08-22 株式会社Ｓｃｒｅｅｎホールディングス データ処理方法、データ処理装置、および、データ処理プログラム
JP2020031083A (ja) * 2018-08-20 2020-02-27 株式会社Ｓｃｒｅｅｎホールディングス 基板処理方法、基板処理装置および基板処理システム

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004047885A (ja) * 2002-07-15 2004-02-12 Matsushita Electric Ind Co Ltd 半導体製造装置のモニタリングシステム及びモニタリング方法
JP4882239B2 (ja) * 2005-02-16 2012-02-22 東京エレクトロン株式会社 半導体製造装置、コンピュータプログラム及び記憶媒体
JP2007123643A (ja) * 2005-10-31 2007-05-17 Matsushita Electric Ind Co Ltd 成膜装置、成膜方法、成膜装置のモニタリングプログラムおよびその記録媒体
US9135103B2 (en) * 2012-02-16 2015-09-15 Mentor Graphics Corporation Hybrid memory failure bitmap classification
WO2015199258A1 (ko) * 2014-06-25 2015-12-30 삼성전자 주식회사 진단모델 생성 시스템 및 방법
CN109891032B (zh) * 2016-09-29 2021-11-09 西沃特科技有限公司 用于一流体***的常规在线水质及安全监测的***及方法
US10041844B1 (en) * 2017-04-07 2018-08-07 International Business Machines Corporation Fluid flow rate assessment by a non-intrusive sensor in a fluid transfer pump system
JP7010641B2 (ja) * 2017-09-27 2022-01-26 パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカ 異常診断方法および異常診断装置
US11187992B2 (en) 2017-10-23 2021-11-30 Applied Materials, Inc. Predictive modeling of metrology in semiconductor processes
US10579041B2 (en) 2017-12-01 2020-03-03 Applied Materials, Inc. Semiconductor process control method
CN111902924A (zh) * 2018-03-13 2020-11-06 应用材料公司 用于半导体处理的监测的机器学习***
JP6810097B2 (ja) * 2018-05-21 2021-01-06 ファナック株式会社 異常検出器
KR102589004B1 (ko) * 2018-06-18 2023-10-16 삼성전자주식회사 반도체 불량 분석 장치 및 그것의 불량 분석 방법
WO2020055555A1 (en) 2018-09-12 2020-03-19 Applied Materials, Inc. Deep auto-encoder for equipment health monitoring and fault detection in semiconductor and display process equipment tools

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06328034A (ja) * 1993-05-25 1994-11-29 Toray Ind Inc カップ回転式スピンコータ及びカップ回転式塗膜形成方法
JPH07182011A (ja) * 1993-12-24 1995-07-21 Dainippon Screen Mfg Co Ltd 異常診断装置
JPH0832281A (ja) * 1994-07-14 1996-02-02 Matsushita Electric Ind Co Ltd 品質分析方法
JPH10309509A (ja) * 1997-05-09 1998-11-24 Dainippon Screen Mfg Co Ltd 回転式基板処理装置および基板処理方法
JP2003022116A (ja) * 2001-07-05 2003-01-24 Dainippon Screen Mfg Co Ltd 基板処理システム、基板処理装置、装置情報管理方法、プログラム及び記録媒体
JP2004172204A (ja) * 2002-11-18 2004-06-17 Dainippon Screen Mfg Co Ltd 基板処理装置
JP2004186445A (ja) * 2002-12-03 2004-07-02 Omron Corp モデル化装置及びモデル解析方法並びにプロセス異常検出・分類システム及びプロセス異常検出・分類方法並びにモデル化システム及びモデル化方法並びに故障予知システム及びモデル化装置の更新方法
JP2005142467A (ja) * 2003-11-10 2005-06-02 Renesas Technology Corp 半導体デバイスの製造方法および半導体製造システム
JP2008041939A (ja) * 2006-08-07 2008-02-21 Matsushita Electric Ind Co Ltd シリコン異方性エッチング装置及びシリコン異方性エッチング方法
KR20110001109A (ko) * 2009-06-29 2011-01-06 세종대학교산학협력단 전산지능을 이용한 플라즈마 장비의 감시 및 제어 방법
JP2012150721A (ja) * 2011-01-20 2012-08-09 Tokyo Electron Ltd 処理装置の異常診断方法及びその異常診断システム
JP2018107338A (ja) * 2016-12-27 2018-07-05 株式会社Sumco ウェーハの洗浄方法
JP2018163978A (ja) * 2017-03-24 2018-10-18 株式会社Ｓｃｒｅｅｎホールディングス 基板処理装置および基板処理方法
JP2019140193A (ja) * 2018-02-08 2019-08-22 株式会社Ｓｃｒｅｅｎホールディングス データ処理方法、データ処理装置、および、データ処理プログラム
JP2020031083A (ja) * 2018-08-20 2020-02-27 株式会社Ｓｃｒｅｅｎホールディングス 基板処理方法、基板処理装置および基板処理システム

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023149161A1 (ja) * 2022-02-04 2023-08-10 株式会社荏原製作所 情報処理装置、推論装置、機械学習装置、情報処理方法、推論方法、及び、機械学習方法
WO2023176156A1 (ja) * 2022-03-18 2023-09-21 株式会社Ｓｃｒｅｅｎホールディングス 基板処理装置および監視方法
WO2024070233A1 (ja) * 2022-09-26 2024-04-04 株式会社Ｓｃｒｅｅｎホールディングス 学習装置、情報処理装置、基板処理装置、基板処理システム、学習方法および処理条件決定方法
WO2024070390A1 (ja) * 2022-09-26 2024-04-04 株式会社Ｓｃｒｅｅｎホールディングス 学習装置、情報処理装置、基板処理装置、基板処理システム、学習方法および処理条件決定方法

Also Published As

Publication number Publication date
TW202205040A (zh) 2022-02-01
CN113448307A (zh) 2021-09-28
KR102583402B1 (ko) 2023-09-27
US20210304032A1 (en) 2021-09-30
TW202318126A (zh) 2023-05-01
KR20210119289A (ko) 2021-10-05
TWI792209B (zh) 2023-02-11

Similar Documents

Publication Publication Date Title
JP2021152762A (ja) 学習済みモデル生成方法、学習済みモデル、異常要因推定装置、基板処理装置、異常要因推定方法、学習方法、学習装置、及び、学習データ作成方法
JP4472637B2 (ja) 電気的製造制御に対する確率制約最適化
Chang et al. Virtual metrology technique for semiconductor manufacturing
TWI742392B (zh) 補正方法、基板處理裝置及基板處理系統
JP5292602B2 (ja) 高度プロセス制御システム及び高度プロセス制御方法
JP5042225B2 (ja) 熱処理システムのビルトイン・セルフテスト
CN1860487A (zh) 使用第一原理仿真分析半导体处理工具执行的处理的***和方法
JP5096335B2 (ja) 熱処理システムのビルトイン・セルフテスト
JPWO2019182913A5 (ja)
Cheng et al. Dual-phase virtual metrology scheme
Su et al. Accuracy and real-time considerations for implementing various virtual metrology algorithms
JP2021108367A (ja) 基板処理装置、基板処理方法、基板処理システム、及び学習用データの生成方法
EP4145492A1 (en) Substrate treatment device, substrate treatment method, method for generating learning data, learning method, learning device, method for generating learned model, and learned model
US20120016643A1 (en) Virtual measuring system and method for predicting the quality of thin film transistor liquid crystal display processes
US11378426B2 (en) System and method for monitoring sensor linearity as part of a production process
JP2016152396A (ja) 処理液供給装置、処理液供給方法及び記憶媒体
TWI849667B (zh) 學習完成的模型生成方法、異常主要原因推定裝置、學習完成的模型、異常主要原因推定方法、學習方法、學習裝置以及學習資料製作方法
US20230236048A1 (en) Substrate processing apparatus, abnormality detection method and non-transitory computer readable medium storing abnormality detection program
Kowalów et al. Sequential design for model calibration in iterative learning control of DC motor
US20110174336A1 (en) Substrate processing apparatus
JP2024046993A (ja) 支援装置、支援方法、基板処理システム、記録媒体、及び、支援プログラム
Chen et al. Development of a virtual metrology for high-mix TFT-LCD manufacturing processes
US20210202258A1 (en) Substrate treatment apparatus, substrate treatment method, substrate treatment system, and learning data generation method
WO2024157596A1 (ja) 基板処理装置、推定方法、学習用データの生成方法、学習方法、学習装置、学習済モデルの生成方法、および、学習済モデル
EP4231107A1 (en) Substrate processing condition setting method, substrate processing method, substrate processing condition setting system, and substrate processing system

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20221219

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20231003

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20231004

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20231130

A02 Decision of refusal

Free format text: JAPANESE INTERMEDIATE CODE: A02

Effective date: 20240227