JPH0491424A - Electron beam lithography apparatus equipped with optimization judgment device - Google Patents
Electron beam lithography apparatus equipped with optimization judgment deviceInfo
- Publication number
- JPH0491424A JPH0491424A JP2205031A JP20503190A JPH0491424A JP H0491424 A JPH0491424 A JP H0491424A JP 2205031 A JP2205031 A JP 2205031A JP 20503190 A JP20503190 A JP 20503190A JP H0491424 A JPH0491424 A JP H0491424A
- Authority
- JP
- Japan
- Prior art keywords
- output
- pattern
- electron beam
- control
- control system
- 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.)
- Granted
Links
- 238000000609 electron-beam lithography Methods 0.000 title claims abstract description 35
- 238000005457 optimization Methods 0.000 title abstract description 10
- 230000007246 mechanism Effects 0.000 claims abstract description 228
- 238000001514 detection method Methods 0.000 claims abstract description 39
- 238000010894 electron beam technology Methods 0.000 claims abstract description 11
- 238000003909 pattern recognition Methods 0.000 claims description 47
- 238000000034 method Methods 0.000 claims description 39
- 230000006870 function Effects 0.000 claims description 35
- 238000003860 storage Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 17
- 230000008859 change Effects 0.000 claims description 5
- 230000002123 temporal effect Effects 0.000 claims description 4
- 230000001678 irradiating effect Effects 0.000 claims 2
- 238000007792 addition Methods 0.000 claims 1
- 238000011217 control strategy Methods 0.000 claims 1
- 238000012567 pattern recognition method Methods 0.000 claims 1
- 238000000059 patterning Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 19
- 238000004519 manufacturing process Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 13
- 230000000694 effects Effects 0.000 description 6
- 230000005484 gravity Effects 0.000 description 5
- 230000004044 response Effects 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000003252 repetitive effect Effects 0.000 description 2
- 230000004043 responsiveness Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000009941 weaving Methods 0.000 description 1
Landscapes
- Devices For Executing Special Programs (AREA)
- Electron Beam Exposure (AREA)
- Feedback Control In General (AREA)
Abstract
Description
【発明の詳細な説明】
〔産業上の利用分野〕
本発明は、複数の制御系により動作する制御対象を持つ
電子線描画装置において、前記制御対象と複数の制御系
の動作を総合判断して、個々の制御系の最適制御量を決
定する最適性判定装置を付加した電子線描画装置に関す
る。[Detailed Description of the Invention] [Industrial Application Field] The present invention provides an electron beam lithography system having a control target operated by a plurality of control systems, which comprehensively determines the operation of the control target and the plurality of control systems. , relates to an electron beam lithography system that includes an optimality determination device that determines the optimal control amount of each control system.
従来の電子線描画装置は、制御対象の動作状態を表わす
複数の出力信号を用い、制御を行っているが、個別の出
力を見て制御する方式では、制御が局所的になってしま
い、電子線描画装置全体の最適性を考慮した制御ができ
ないという欠点があった。Conventional electron beam lithography equipment performs control using multiple output signals that represent the operating status of the controlled object, but with the method of controlling by looking at individual outputs, control becomes localized and This method has a disadvantage in that it is not possible to perform control that takes into account the optimum performance of the entire line drawing device.
電子線描画装置のマーク位置検出制御では、理想的なマ
ーク波形形状に対する認識は可能であったが、予想外の
マーク波形形状に対しては熟練したオペレータのチュー
ニングが必要となる欠点があった。Mark position detection control of an electron beam lithography system has been able to recognize an ideal mark waveform shape, but has the disadvantage that tuning by a skilled operator is required for unexpected mark waveform shapes.
また、試料台速度制御では、オペレータの指定した描画
順序に従い一定の速度で制御していたが。In addition, the sample stage speed control was controlled at a constant speed according to the drawing order specified by the operator.
描画スループット低下するという欠点があった。There was a drawback that drawing throughput decreased.
上記従来技術は熟練オペレータのノウハウを生かす点に
配慮がされておらず、制御性能に問題があった。The above-mentioned conventional technology does not take into consideration the use of the know-how of a skilled operator, and has problems with control performance.
本発明の目的は、熟練オペレータのノウハウを取り入れ
た拡張性に富んだ高スループツト、高精度の電子線描画
装置を提供することにある。An object of the present invention is to provide a highly expandable, high-throughput, high-precision electron beam lithography system that incorporates the know-how of a skilled operator.
上記目的は、熟練オペレータの勘と経験を定量化し、制
御系の操作量を決定することにより達成される。The above objective is achieved by quantifying the intuition and experience of a skilled operator and determining the amount of operation of the control system.
熟練オペレータは制御量から特徴的なパターンを抽出し
、あいまいな操作を行なう。同様に、制御量の積和演算
とその結果を非線形回路を通すことによって特徴的なパ
ターンの確信度を求め、各特徴的パターンの確信度から
の制御系の操作量をファジィ推論により決定する。それ
によって、該制御方式は熟練オペレータのように動作す
るので良好な制御性能を得ることができる。Skilled operators extract characteristic patterns from control variables and perform ambiguous operations. Similarly, the reliability of a characteristic pattern is obtained by calculating the sum of products of the control amount and passing the result through a nonlinear circuit, and the operation amount of the control system is determined from the reliability of each characteristic pattern by fuzzy inference. Thereby, the control system operates like a skilled operator and good control performance can be obtained.
又、熟練オペレータのノウハウをそのまま制御知識とし
て記憶し、前記知識を用いて制御しても前記と同様の制
御性能を得ることができる。Further, even if the know-how of a skilled operator is stored as control knowledge and the control is performed using the knowledge, the same control performance as described above can be obtained.
以下、本発明の制御システムの一実施例を第1図に示す
。An embodiment of the control system of the present invention is shown in FIG. 1 below.
制御対象1は複数の制御系を含み、前記制御系は制御系
ごとに制御実行指令を生成する制御装置G6により制御
される。前記制御対象1及び複数の制御系の動作はそれ
ぞれに配置された種々の検器から構成される装置
この検出装置G14の複数の検出器出力信号は最適性判
定装置G13へ入力される。最適性判定装置G13では
入力された前記複数の検出器出力信号をパターンとして
認識する入力部と前記入力されたパターンを記憶する記
憶機能と、前記入力されたパターンを先に記憶されてい
る複数のパターンとを照合し先に記憶されたパターンと
の類似度を出力する処理部と、前記類似度からそれぞれ
の制御系の操作量を決定し、制御装置G6へ指令信号を
発生する指令発生機構12で構成されている。The controlled object 1 includes a plurality of control systems, and the control systems are controlled by a control device G6 that generates a control execution command for each control system. The operation of the control object 1 and the plurality of control systems is determined by a device composed of various detectors arranged respectively.The plurality of detector output signals of this detection device G14 are inputted to the optimality determining device G13. The optimality determination device G13 includes an input unit that recognizes the plurality of input detector output signals as a pattern, a memory function that stores the input pattern, and a plurality of previously stored input patterns. a processing unit that compares the pattern with the pattern and outputs the degree of similarity with the previously stored pattern; and a command generation mechanism 12 that determines the operation amount of each control system from the degree of similarity and generates a command signal to the control device G6. It consists of
なお、前記最適性判定装置G13のパターン記憶機能へ
パターンを記憶させるに当って予めオペレータが入力に
対して最適出力を設定し前記最適性判定機構を動作させ
、最良の操作量が出力されることを認識する機能と、制
御対象1が変更されたり、制御系が変更された場合に前
記パターン記憶内容を予め変更するための教師装置G1
6が付加できる構成となっている。In addition, in storing the pattern in the pattern storage function of the optimality determining device G13, the operator sets the optimal output for the input in advance and operates the optimality determining mechanism, so that the best manipulated variable is output. and a teacher device G1 for changing the pattern memory contents in advance when the controlled object 1 is changed or the control system is changed.
6 can be added.
これに対して従来電子線描画装置最適性判定装置G13
がなく、一般には検出装置G14から制御装置G6へ送
信され、個々の制御系ごとに制御するシステムとなって
いた。このため、システム全体としての最適性が図れな
かったが、本発明のようなシステム全体の最適性を判定
する最適性判定装置G13を付加することにより、電子
線描画装置全体の最適性を判定できる。また、制御系の
変化や、制御対象の変化にも柔軟に対応できるという効
果を有する。On the other hand, the conventional electron beam lithography apparatus optimality determination device G13
Generally, the system is such that the information is transmitted from the detection device G14 to the control device G6 and controlled for each individual control system. For this reason, the optimization of the entire system could not be achieved, but by adding the optimality determining device G13 that determines the optimality of the entire system as in the present invention, the optimality of the entire electron beam lithography system can be determined. . It also has the effect of being able to flexibly respond to changes in the control system and changes in the controlled object.
次に、本発明の電子線描画装置をマーク検出に適用した
例を用して詳細に説明する。Next, an example in which the electron beam lithography apparatus of the present invention is applied to mark detection will be described in detail.
以下、本発明をマーク位置検出に適用した実施例を第2
図により説明する。Hereinafter, a second embodiment in which the present invention is applied to mark position detection will be described.
This will be explained using figures.
ビーム偏向制御系6a等の制御系に対する動作、指令を
発生させる指令発生機構12、前記指令発生機構12に
対し、マークの波形形状が予め記憶された複数のパター
ンのうちどの種類のパターンに属するかを判断し、該パ
ターンの確信度を出力するパターン認識機構13、該パ
ターン認識機構13に対し、マークの波形形状を検出し
、出力するマーク形状検出機構14、前記形状検出機構
14と、指令発生機構12の出力を記憶する記憶機構1
5、及び、記憶機構15の情報を用い、パターン認識機
構13のパラメータを学習により変化させる学習機構1
6から構成される。A command generation mechanism 12 that generates operations and commands for control systems such as the beam deflection control system 6a, and which type of pattern the waveform shape of the mark belongs to among a plurality of pre-stored patterns for the command generation mechanism 12. a pattern recognition mechanism 13 that detects the waveform shape of the mark and outputs the pattern recognition mechanism 13, a mark shape detection mechanism 14 that detects the waveform shape of the mark and outputs the pattern recognition mechanism 13; Storage mechanism 1 for storing the output of mechanism 12
5, and a learning mechanism 1 that changes parameters of the pattern recognition mechanism 13 by learning using information in the storage mechanism 15;
Consists of 6.
第3図に上記形状パターン認識機構13の詳細図を示す
。形状検出機構14及び記憶袋[15の出力は、前記パ
ターン認識機構13の入力セル17.18に入力され、
該入力セル17では入力された信号が関数値で変換され
中間層19へ出力され、中間層19へ入力された該入力
セルの出力)1.−
は中間層19のセル20.21へ入力される。入力セル
17の出力でセル20に入力された信号は重み関数23
でwin倍され加算器24に入力されるとともに、入力
セル18の出力は重み関数26を介し、加算器24に入
力され、加算器24は上記重み関数23.26の出力を
加算し、関数器25へ入力され、関数器25で線形又は
非線形の関数演算を行い、次段の中間層27に出力され
る。FIG. 3 shows a detailed diagram of the shape pattern recognition mechanism 13. The outputs of the shape detection mechanism 14 and the memory bag [15 are input to input cells 17 and 18 of the pattern recognition mechanism 13,
In the input cell 17, the input signal is converted into a function value and output to the intermediate layer 19, and the output of the input cell input to the intermediate layer 19)1. - is input to the cell 20.21 of the intermediate layer 19. The signal input to cell 20 at the output of input cell 17 is weighted by weight function 23
At the same time, the output of the input cell 18 is inputted to the adder 24 via the weighting function 26, and the adder 24 adds the outputs of the weighting functions 23 and 26, 25, the function unit 25 performs a linear or nonlinear function operation, and the signal is output to the next intermediate layer 27.
なおセル20は上記重み関数23.26、加算器24及
び関数器25から構成される。Note that the cell 20 is composed of the weighting functions 23 and 26, an adder 24, and a function unit 25.
同様に、セル21へは入力セル7,18の出力が入力さ
れ、入力層17の出力は重み関数28でw(2倍化され
加算器29.関数器30を介し次段の中間層27に出力
される。Similarly, the outputs of the input cells 7 and 18 are input to the cell 21, and the output of the input layer 17 is doubled by the weighting function 28 and sent to the next intermediate layer 27 via the adder 29 and function unit 30. Output.
中間層27は、中間層19と同一の構造であり、入力層
17.18の出力の代りに中間層19の出力が用いられ
るものである。The intermediate layer 27 has the same structure as the intermediate layer 19, and the output of the intermediate layer 19 is used instead of the output of the input layer 17.18.
ここで、重み関数23,26.28の重みをW ? J
で表わすと、W ’+ Jはに番目の中間層のi番目の
セルに於て、k−1番目の中間層(但し、k=1の時は
入力セル)のi番目の出力に掛ける重みを示す。Here, the weight of the weight functions 23, 26.28 is W? J
Expressed as, W'+J is the weight applied to the i-th output of the k-1th hidden layer (input cell when k=1) in the i-th cell of the 2nd hidden layer. shows.
以上のようにパターン認識機構13へ入力された信号は
、入力セル17.18、複数段の中間層19.27.2
9を介し、中間層のセルから重み関数と加算器を取り除
いた形式の出力層30を介し、出力される。なお、入力
層31は入力セル17.18を全て纏めたものを表わす
。As described above, the signals input to the pattern recognition mechanism 13 are transmitted to the input cell 17.18, the intermediate layer 19.27.2 of multiple stages.
9, and an output layer 30 which is obtained by removing the weighting function and adder from the cells of the intermediate layer. Note that the input layer 31 represents a collection of all input cells 17 and 18.
このパターン認識機構13の特徴は、単純な積和演算で
すみ、フィードバック等の繰返し演算が無いこと、及び
、中間層の各積和項はハードウェアで実現する場合、並
列に処理ができるため、高速演算が可能である。The characteristics of this pattern recognition mechanism 13 are that it only requires a simple product-sum operation, and there is no repetitive operation such as feedback, and that each product-sum term in the intermediate layer can be processed in parallel when implemented in hardware. High-speed calculation is possible.
このパターン認識機構の出力層30の次に予め各出力パ
ターンに応じて各制御系に対する指令値を記憶させてお
き、最も出力パターンに近い指令値を直接制御系に指示
することも可能である。この方式では応答性は良いが後
述の方式に比べて制御の精度は若干悪くなる。It is also possible to store command values for each control system in accordance with each output pattern in advance in the output layer 30 of this pattern recognition mechanism, and to directly instruct the control system with the command value closest to the output pattern. Although this method has good responsiveness, the control accuracy is slightly worse than the method described below.
次にパターン認識機構13の処理結果は第4図に示す処
理機構を経て電子線描画装置に印加される。すなわち、
パターン認識機構13の出力は指令発生機構12に設け
られている操作量決定手段32に入力される。操作量決
定手段32では、内部に複数準備された処理機構のうち
、入力信号を処理するのに最も有効な処理機構を選択し
、処理を実行し操作量を出力する。Next, the processing result of the pattern recognition mechanism 13 is applied to the electron beam lithography apparatus via the processing mechanism shown in FIG. That is,
The output of the pattern recognition mechanism 13 is input to the operation amount determining means 32 provided in the command generation mechanism 12. The manipulated variable determining means 32 selects the most effective processing mechanism for processing the input signal from among the plurality of internally prepared processing mechanisms, executes the process, and outputs the manipulated variable.
第5図は、前記操作量決定手段32の構成を示すもので
ある。操作量決定手段32は、形状検出機構14、パタ
ーン認識機構13からの信号を受け、制御機構141を
起動する。該制御機構141は、問題の種類に応じて、
知識ベース36を用い、起動する推論を決定する。即ち
該制御機構141は、三段論法的に原因を求める必要が
ある場合にはプロダクション推論機構142を起動し、
曖昧な要因がある場合にはファジィ推論機構143を起
動し、ある程度の枠組みがある問題に対してはフレーム
推論機構144を起動し、因果関係や機器の構成等の関
連がネットワーク的になっている問題に対しては意味ネ
ット推論機構145を起動し、診断対象が時間的な順序
で動作しているような問題に対してはスクリプト推論機
構146を起動する。更に、該制御機構141は前記各
種推論機構で解けない経験的な問題で、高速に最適な解
を求めるための最適化演算機構111を起動し、パター
ン的に記憶でき、特徴を抽出するとともに回答な必要な
問題を解くための特徴抽出・回答機構110 (Rum
elhart型ニューロコンピュータで構成)を起動す
る。操作量決定手段32の処理結果は制御機構141を
介して指令値計算機構へ出力される。FIG. 5 shows the configuration of the operation amount determining means 32. The operation amount determining means 32 receives signals from the shape detection mechanism 14 and the pattern recognition mechanism 13 and activates the control mechanism 141. The control mechanism 141, depending on the type of problem,
Knowledge base 36 is used to determine which inferences to invoke. That is, the control mechanism 141 activates the production inference mechanism 142 when it is necessary to find a cause using a syllogism;
If there is an ambiguous factor, the fuzzy inference mechanism 143 is activated, and for a problem that has a certain degree of framework, the frame inference mechanism 144 is activated, and relationships such as causal relationships and equipment configurations are network-like. The semantic net inference mechanism 145 is activated for a problem, and the script inference mechanism 146 is activated for a problem in which the objects to be diagnosed operate in a temporal order. Furthermore, the control mechanism 141 activates the optimization arithmetic mechanism 111 to quickly find an optimal solution for empirical problems that cannot be solved by the various reasoning mechanisms described above, can memorize patterns, extract features, and provide answers. Feature extraction/answer mechanism 110 (Rum
(consisting of an Elhart-type neurocomputer). The processing result of the manipulated variable determining means 32 is outputted to the command value calculation mechanism via the control mechanism 141.
第6図に推論に必要な知識である知識ベース36の構成
を示す。前記知識ベースは制御のエキスパートの経験等
に基づく外部から入力される知識106は三段論法的に
推論を実行するためのプロダクションルール147、曖
昧な情報をもとに推論を行なうための知識であるファジ
ィルール148、診断対象の部品構成などのある枠組み
で記述できる知識のフレーム149、部品と部品の関連
や、常識的な関連を纏めてネットワークの形で整理して
いる意味ネットワーク150、診断対象が順番にある仕
事を進める場合にそれらの仕事を整理して記憶するスク
リプト151.及び、上記知識147〜153で記述で
きないその他の知識154に分類されて記憶されている
。FIG. 6 shows the structure of the knowledge base 36, which is the knowledge necessary for inference. The knowledge base is based on the experience of a control expert, etc. Knowledge 106 input from the outside includes production rules 147 for performing inference using a syllogism, and fuzzy knowledge for inference based on ambiguous information. Rules 148, a frame of knowledge 149 that can be described in a certain framework such as the configuration of parts to be diagnosed, a semantic network 150 that organizes relationships between parts and common sense relationships in the form of a network, and a system in which the objects of diagnosis are arranged in order. A script 151 that organizes and memorizes the tasks when proceeding with the tasks. and other knowledge 154 that cannot be described by the above knowledge 147 to 153 and stored.
第7図に操作量決定手段32の動作の説明図を示す。制
御機構141の処理はパターン認識機構13、形状検出
機構14.記憶機構15からの情報を整理し、以下の処
理に利用できるデータに変換する処理ステップ200、
上記ステップ200で準備したデータが無くなる迄取り
出し、ステップ202へ渡す繰返し処理ステップ201
、前記ステップ201で収集した情報から起動すべき推
論機構及び処理を決定するための判断ステップ202、
及び、各種推論機構142〜146、特徴抽出回答機構
110、最適化演算機構111、及び、PID制御等の
古典制御や多変数制御等の現代制御のアルゴリズムを実
行する一般制御機構203、及び、上記各ステップを終
了するために必要なフラグ類のリセット等を実行する終
了処理ステップ204から構成される。FIG. 7 shows an explanatory diagram of the operation of the manipulated variable determining means 32. The processing of the control mechanism 141 is performed by the pattern recognition mechanism 13, shape detection mechanism 14. a processing step 200 for organizing information from storage 15 and converting it into data that can be used for further processing;
Repetitive processing step 201 that retrieves the data prepared in step 200 above and passes it to step 202 until it is exhausted.
, a judgment step 202 for determining the inference mechanism and process to be activated from the information collected in step 201;
and various inference mechanisms 142 to 146, feature extraction and response mechanism 110, optimization calculation mechanism 111, and general control mechanism 203 that executes algorithms of classical control such as PID control and modern control such as multivariable control; It consists of an end processing step 204 that executes reset of flags etc. necessary to end each step.
ここで各処理機構の役割に述べる。プロダクション機構
142は、オペレータのエキスパートが断片的なプロダ
クションルールを用いて、論理的な成立関係を組立てる
制御に適している。ファジィ推論143は、制御対象の
注目している状態が変化したならばオペレータは制御系
を少し動かすというように定量化できないオペレータの
あいまいな知識を計算機で処理できるように定量化して
操作量を決定するのに適している。Here, we will discuss the role of each processing mechanism. The production mechanism 142 is suitable for control in which an expert operator assembles a logically established relationship using fragmentary production rules. Fuzzy reasoning 143 determines the amount of operation by quantifying the operator's ambiguous knowledge that cannot be quantified, such as when the operator moves the control system slightly if the state of interest of the controlled object changes, so that it can be processed by a computer. suitable for.
フレーム推論機構144は、制御装置間の関係等を記述
するフレームという知識を用い、注目している制御対象
の状態が変化した時に元の状態に戻す場合に、それら装
置間の関係を基に操作を行う処理量を関連する機器毎に
決定するのに適している。The frame inference mechanism 144 uses the knowledge of frames that describe relationships between control devices, and performs operations based on the relationships between these devices when returning to the original state when the state of the controlled object of interest changes. It is suitable for determining the amount of processing to be performed for each related device.
意味ネット推論機構145は、前記断片的な知識である
フレームを整理し、体系付けてネットワークを作り上げ
たものであるため、特定のアクチュエータの操作結果が
及ぼす影響を求めることができ、補償系を組むのに適し
ている。The semantic net inference mechanism 145 organizes and systematizes the frames, which are the fragmentary knowledge, to create a network, so it can determine the influence of the operation result of a specific actuator and create a compensation system. suitable for.
スクリプト推論機構146は特定の状態が発生した時の
手順的な知識を基に推論するため、故障時等に決まった
手順で対応しなければならないようなシーケンス制御的
な制御に適している。Since the script inference mechanism 146 makes inferences based on procedural knowledge when a specific state occurs, it is suitable for sequence control-like control where a fixed procedure must be followed in the event of a failure or the like.
また、特徴抽出・回答機構110は、上記パターン認識
機構13.形状検出機構14.記憶機構15の入力パタ
ーンと前記入力パターンが入力されたときに前記推論機
構142〜146が出した出力の関係を予め学習させて
おくと、推論機構142〜146が推論を行って出力を
決定するのと異なり、高速に同一の結果が出力できる特
徴がある。最適化演算機構111は、制御対象1は通常
非線形性が強いので、何等かの原因により動作点が変化
すると、動作の再設定が必要になり、その場合、最急傾
斜法、ダイナミックプログラミング、リニアプログラミ
ング、山登り法、共役傾斜法又はHopfield型ニ
ューロコンピュータ等のアルゴリズムにより計算され、
非線形制御対象に対しても最適な応答を行なう。The feature extraction/answer mechanism 110 also includes the pattern recognition mechanism 13. Shape detection mechanism 14. If the relationship between the input pattern of the storage mechanism 15 and the output produced by the inference mechanisms 142 to 146 when the input pattern is input is learned in advance, the inference mechanisms 142 to 146 will perform inference and determine the output. Unlike , it has the feature that it can output the same results at high speed. The optimization calculation mechanism 111 uses the steepest slope method, dynamic programming, linear Calculated by programming, hill climbing method, conjugate slope method, Hopfield type neurocomputer, etc. algorithm,
Provides optimal response even to nonlinear controlled objects.
第8図にプロダクション機構142の動作説明図を示す
。制御機構141より起動されるプロダクション推論機
構142は、前記制御機構141から起動時にメモリに
記憶する入力処理34、前記入力処理34で記憶した情
報1個ずつ取り出し、もし、メモリにパターンの情報が
無い時には、プロダクション推論機構142の処理を終
了させる終了判断機構35を実行する。前記終了判断機
構35で抽出されたパターンの種類とその確信度を用い
、知識ベース36からルールを1個ずつ取り出し、処理
37で該入力のパターンの種類と該ルールの前提部を比
較する。その比較結果を用い、ステップ38は一致した
場合、次の処理39を、不一致の場合ステップ37を実
行させる。ステップ39は一致した時に前記入力を前記
ルールの結論部に置換する。この時の確信度の取扱いは
ミニ・マックスの理論で、置換前の最小値又は最大値で
置換える。ステップ40は前記置換したルールの結論部
が操作指令である場合、ステップ41を。FIG. 8 shows an explanatory diagram of the operation of the production mechanism 142. The production inference mechanism 142 activated by the control mechanism 141 retrieves from the control mechanism 141 the input process 34 stored in the memory at the time of activation, and the information stored in the input process 34 one by one, and if there is no pattern information in the memory. At times, the termination determination mechanism 35 is executed to terminate the processing of the production inference mechanism 142. Using the pattern type and its certainty factor extracted by the termination determination mechanism 35, rules are extracted one by one from the knowledge base 36, and in process 37, the input pattern type and the antecedent part of the rule are compared. Using the comparison results, step 38 executes the next process 39 if they match, and executes step 37 if they do not match. Step 39 replaces the input with the conclusion part of the rule when there is a match. At this time, the confidence level is handled using the mini-max theory, and is replaced with the minimum value or maximum value before replacement. Step 40 is step 41 when the conclusion part of the replaced rule is an operation command.
結論部が不一致の場合更に推論を実施させるためにステ
ップ37を実行させる。If the conclusion part does not match, step 37 is executed to perform further inference.
前記結論部が操作指令であるときに、処理41は前記指
令値計算手段33へ、結論部及び前記処理ステップで求
めた確信度を出力する。When the conclusion part is an operation command, the process 41 outputs the conclusion part and the confidence obtained in the process step to the command value calculation means 33.
第9図は指令計算手段33を示す。指令値計算手段33
は、前記操作量決定手段32で求めた推論結果である指
令及びその確信度を記憶するメモリ42、メモリの指令
が全て処理されたか否かを判断し、処理されていたなら
ば指令値計算手段33を終了させるステップ43、処理
されていなければ偏向制御系68等の制御系6b、6c
。FIG. 9 shows the command calculation means 33. Command value calculation means 33
A memory 42 stores commands and their certainty factors that are the inference results obtained by the manipulated variable determination means 32, and a command value calculation means determines whether or not all the commands in the memory have been processed, and if they have been processed, the command value calculation means 33, and if not processed, the control systems 6b, 6c such as the deflection control system 68
.
6d毎に指令を取り出し、各種推論で求まった制御系操
作の程度と確信度を基に、操作量の重心を求め、同一制
御系の操作量の重心を寄せ集めて新たな重心を求め対応
する制御系の指令とする処理44から構成される。A command is retrieved every 6d, and the center of gravity of the manipulated variable is determined based on the degree and confidence of the control system operation determined by various inferences.The center of gravity of the manipulated variable of the same control system is gathered together to find a new center of gravity and take action. It consists of a process 44 that is used as a command for the control system.
このような指令値計算手段33を設けることで各種推論
142〜146、特徴抽出・回路機構110、最適化演
算機構111.−膜制御機構203で個別に求められた
制御系への指令を統一的に扱える特徴が有る。By providing such a command value calculation means 33, various inferences 142 to 146, feature extraction/circuit mechanism 110, optimization calculation mechanism 111. - It has the feature that commands to the control system that are individually obtained by the membrane control mechanism 203 can be handled in a unified manner.
第10図に、前記学習に必要な入力切り換え装置125
の構成を示す。該入力切り換え装置125は、学習機構
により制御されるスイッチ機構156を用い、形状検出
機構14の出力と学習機構16の出力の一方を入力層3
1に出力するものである。FIG. 10 shows an input switching device 125 necessary for the learning.
The configuration is shown below. The input switching device 125 uses a switch mechanism 156 controlled by a learning mechanism to switch one of the output of the shape detection mechanism 14 and the output of the learning mechanism 16 to the input layer 3.
1.
第10図におけるスイッチ機構156の状態は学習を行
なう状態を示す。The state of the switch mechanism 156 in FIG. 10 indicates a state in which learning is performed.
第11図に学習機構16の構成を示す。学習機構16は
、入力パターン発生機構45.出力パターン発生機構4
7.出力突合せ機構46、及び、学習制御機構48から
構成される。前記出力突合せ機構46は、出力層30の
出力を指令発生機構12と前記突合せ機構46へ出力す
るための分配器139の出力ot l Ot l On
と、出力パターン発生機構47の出力OTl 10
Tl、OTnとの差を加算器161,162,163に
より、偏差et。FIG. 11 shows the configuration of the learning mechanism 16. The learning mechanism 16 includes an input pattern generating mechanism 45. Output pattern generation mechanism 4
7. It is composed of an output matching mechanism 46 and a learning control mechanism 48. The output matching mechanism 46 outputs the output of the distributor 139 for outputting the output of the output layer 30 to the command generation mechanism 12 and the matching mechanism 46.
and the output OTl 10 of the output pattern generation mechanism 47
Adders 161, 162, and 163 calculate the difference between Tl and OTn to generate a deviation et.
el 、enとして求め、学習制御機構48に出力する
。なお分配器139の出力Of 101 g Onは入
力パターン発生機構47の出力がパターン認織機構l
3 (RBmelhart型ニューロコンピュータ)の
入力層19に入力されることにより発生する。el and en are obtained and output to the learning control mechanism 48. Note that the output Of 101 g On of the distributor 139 indicates that the output of the input pattern generation mechanism 47 is the output of the pattern recognition and weaving mechanism l.
3 (RBmelhart type neurocomputer) is generated by being input to the input layer 19.
このとき、該入力パターン発生機構45と該出力パター
ン発生機構47は前記学習制御機構48に制御される。At this time, the input pattern generation mechanism 45 and the output pattern generation mechanism 47 are controlled by the learning control mechanism 48.
第12図に前記学習過程における荷重関数W I 42
3と学習制御機構48の関係を示す。前記加算器161
の出力である偏差ekを受けて、学習制御機構48はパ
ターン認識機構13を構成するセル20の荷重関数Wt
j23の値を、前記偏差が減少する方向に変化させる。FIG. 12 shows the weight function W I 42 in the learning process.
3 and the learning control mechanism 48 are shown. The adder 161
In response to the deviation ek, which is the output of
The value of j23 is changed in a direction that reduces the deviation.
第13図に前記学習制御機構48の処理概要170を示
す。学習機構16が起動されると、学習制御機構48の
処理170が起動される。該処理170は、前記入力パ
ターン発生機構45.出力パターン発生機構47を起動
し、教師信号である入力と、希望出力を発生する前処理
171.前記偏差e、の値、又は、前記偏差自乗和が許
容範囲以内になるまで以下のステップ173,174゜
175を繰り返すステップ172、出力層30に近い中
間層から入力層31に向けて注目する中間層を順次抽出
するステップ174、該中間層において順次注目するセ
ルを抽出するステップ174、及び偏差e、が小さくな
る方向へ抽出したセルの荷重関数WIJ23を変化させ
るステップ175、および、学習過程を終了させるため
のステップ176から構成される。FIG. 13 shows a processing overview 170 of the learning control mechanism 48. When the learning mechanism 16 is activated, a process 170 of the learning control mechanism 48 is activated. The processing 170 includes the input pattern generation mechanism 45. Preprocessing 171. starts the output pattern generation mechanism 47 and generates an input as a teacher signal and a desired output. Step 172 repeats the following steps 173, 174 and 175 until the value of the deviation e or the sum of the squares of the deviations falls within the allowable range. Step 174 of sequentially extracting the layers, step 174 of sequentially extracting cells of interest in the intermediate layer, step 175 of changing the weight function WIJ23 of the extracted cells in the direction of decreasing deviation e, and ending the learning process. 176.
このような学習機構を設ける事により、それ迄考慮され
なかった新しい現象が発生し、それに対する対応策が決
定したならば、その知見を反映できる特徴が有る。By providing such a learning mechanism, a new phenomenon that has not been considered until now occurs, and once a countermeasure against it has been determined, it has the characteristic of being able to reflect that knowledge.
第14図は、第2図の記憶機構15の構成を示す。記憶
機構15は、指令発生機構12.形状検出機構14の出
力が入力されるメモリ要素49゜メモリ要素49の内容
は一定時間経過に転送されるメモリ要素50、及び順次
メモリ要素にデータが転送され特定時間経過後に到達す
るメモリ要素51から構成され、各メモリ要素49,5
0゜51の内容はパターンの微分や積分等を行うための
演算機構501を介し、パターン認識機構13゜学習機
構16へ入力される。FIG. 14 shows the configuration of the storage mechanism 15 of FIG. 2. The storage mechanism 15 includes the command generation mechanism 12. Memory element 49 into which the output of the shape detection mechanism 14 is input The contents of the memory element 49 are transferred from the memory element 50 to which data is transferred after a certain period of time has elapsed, and from the memory element 51 which data is sequentially transferred to the memory elements and reaches after a certain period of time has elapsed. configured, each memory element 49,5
The contents of 0°51 are input to the pattern recognition mechanism 13 and the learning mechanism 16 via an arithmetic mechanism 501 for performing pattern differentiation, integration, etc.
この記憶機構15により、形状検出機構14や、指令発
生機構12の時間的変化を考慮できる。例えば微分、積
分等の動作が行なえるようになる。This storage mechanism 15 allows consideration of temporal changes in the shape detection mechanism 14 and the command generation mechanism 12. For example, operations such as differentiation and integration can be performed.
第15図には、パターン認識機構部を示す。形状検出機
構14の出力はパターン検出機構13のメモリ52に入
力され、メモリ52に入力された信号はゲート回路53
を介し、メモリ要素54に入力され、メモリ要素54に
入力された信号はゲート回路55.56を介しメモリ要
素57.58へ入力され、ゲート回路53.56がオフ
にするとゲート回路55はオンとなり、クロックに同期
して、メモリ要素54の情報はメモリ57へ、又、一定
時間経過するとメモリ要素54の信号がメモリ要素58
へ達成し、メモリ要素57の信号がメモリ要素54に達
し、次のクロックでメモリ要素54.57.58の信号
が一巡すると、ゲート53.56がオンし、ゲート55
がオフし、メモリ要素54の内容はメモリ要素59に記
憶され、メモリ要素54,57.59の情報は入力M3
1に入力される。FIG. 15 shows the pattern recognition mechanism section. The output of the shape detection mechanism 14 is input to the memory 52 of the pattern detection mechanism 13, and the signal input to the memory 52 is input to the gate circuit 53.
The signal input to the memory element 54 is input to the memory element 57.58 via the gate circuit 55.56, and when the gate circuit 53.56 turns off, the gate circuit 55 turns on. , the information in the memory element 54 is transferred to the memory 57 in synchronization with the clock, and after a certain period of time, the signal in the memory element 54 is transferred to the memory element 58.
When the signal of the memory element 57 reaches the memory element 54 and the signal of the memory element 54, 57, 58 completes one cycle at the next clock, the gate 53, 56 is turned on, and the gate 55 is turned on.
is turned off, the contents of memory element 54 are stored in memory element 59, and the information in memory elements 54, 57, 59 is transferred to input M3.
1 is input.
このようなメモリ52を設けることにより、パターン認
識機構13の入力層31.中間層19゜27.29、出
力層30のセルの数を大幅に減少できる効果が有る。By providing such a memory 52, the input layer 31 . This has the effect of greatly reducing the number of cells in the intermediate layer 19°27.29 and the output layer 30.
第16図に学習機構16の入力パターン発生機構45と
出力パターン発生機構47に制御対象シミュレータ60
を用いる例を示す。FIG. 16 shows an input pattern generation mechanism 45 of the learning mechanism 16, an output pattern generation mechanism 47, and a controlled object simulator 60.
Here is an example using .
出力パターン発生機構47においてオペレータの操作又
はデータによって発生した形状パターンは、第2図の指
令発生機構12と同一の機能を持ち、学習機構に別に設
けられた指令発生機構12に入力され、指令発生機構1
2ではパターンに応じて各種制御系の指令を発生し、該
指令は入力パターン発生機構45に設けられた制御対象
シミュレータ50に入力され、制御対象である各種制御
系6a、6b、6c、6d及び電子線描画装置1を含め
た動作を模擬し、その応答が悪い時には指令発生機構1
2、制御対象シミュレータ5oのパラメータを変更する
ためのパラメータ調整機構51を用い前記制御対象シミ
ュレータ50の出力を所望の形状になるように調節し、
パターン認識機構13の入力とする。The shape pattern generated by the operator's operation or data in the output pattern generation mechanism 47 is input to the command generation mechanism 12, which has the same function as the command generation mechanism 12 shown in FIG. Mechanism 1
2, commands for various control systems are generated according to the pattern, and the commands are inputted to a controlled object simulator 50 provided in the input pattern generation mechanism 45, and the various control systems 6a, 6b, 6c, 6d and The operation including the electron beam drawing device 1 is simulated, and when the response is poor, the command generation mechanism 1 is
2. Adjust the output of the controlled object simulator 50 to a desired shape using a parameter adjustment mechanism 51 for changing the parameters of the controlled object simulator 5o,
This is input to the pattern recognition mechanism 13.
以上説明した構成の制御方法の動作をマーク位置検出の
具体例を用いて以下に述べる。The operation of the control method configured as described above will be described below using a specific example of mark position detection.
パターン認識機構13を構成するニューロコンピュータ
の中間層19,27.29の荷重関数wtj28の値の
初期値は当初、乱数又は適当な値、例えば荷重関数が取
り得る値(0〜1.0 とすると)の半分(0,5)
に設定する。この時に1例えば、第17図の入力パター
ン発生機構45が生成した凹型のマーク波形形状パター
ンを入力しても、出力層30の出力において凹であると
いう出力信号線70の出力は1にならず、又、出力層3
0の出力線71の出力である凸である確率は零にならな
い。The initial value of the weighting function wtj28 of the intermediate layer 19, 27.29 of the neurocomputer configuring the pattern recognition mechanism 13 is initially a random number or an appropriate value, for example, a value that the weighting function can take (0 to 1.0). ) half (0,5)
Set to . At this time, 1. For example, even if the concave mark waveform pattern generated by the input pattern generation mechanism 45 in FIG. , and output layer 3
The probability that the output of the 0 output line 71 is convex does not become zero.
そこで出力層30の出力線70に対応する学習機構16
の出力パターン発生機構47の出力線72は1を、出力
線71に対応する出力パターン発生機構47の出力線7
3の出力を零に出力する。Therefore, the learning mechanism 16 corresponding to the output line 70 of the output layer 30
The output line 72 of the output pattern generation mechanism 47 is connected to 1, and the output line 7 of the output pattern generation mechanism 47 corresponding to the output line 71 is
Output the output of 3 to zero.
これらの出力を受けて、出力突合せ機構46は理想的な
出力(出力パターン発生機構47)と、パターン認識機
構13の出力の偏差を受は学習制御機構48は、パター
ン認識機構13の荷重関数W I Jの大きさを該偏差
が減少する方向に、該偏差の大きさに比例して変更させ
る。このアルゴリズムの代表例として最急傾斜法がある
。Upon receiving these outputs, the output matching mechanism 46 receives the deviation between the ideal output (output pattern generation mechanism 47) and the output of the pattern recognition mechanism 13.The learning control mechanism 48 calculates the weight function W of the pattern recognition mechanism 13. The magnitude of IJ is changed in a direction in which the deviation decreases in proportion to the magnitude of the deviation. A typical example of this algorithm is the steepest slope method.
第13図の処理に従って、順次荷重関数の重みを変更し
、第12図のekの自乗和が許容範囲内に収まると、学
習機構16の動作が終了する。The weight of the weight function is sequentially changed according to the process shown in FIG. 13, and when the sum of squares of ek shown in FIG. 12 falls within the allowable range, the operation of the learning mechanism 16 ends.
学習終了後、第17図の入力パターン発生機構45の出
力パターンと同じ波形が第2図のマーク波形の形状検出
機構14から入力されると、パターン認識機構13は、
出力層30出力線70から1を出力し、出力層30の出
力線71から零を出力する。After learning is completed, when the same waveform as the output pattern of the input pattern generation mechanism 45 of FIG. 17 is input from the mark waveform shape detection mechanism 14 of FIG. 2, the pattern recognition mechanism 13
1 is output from the output line 70 of the output layer 30, and 0 is output from the output line 71 of the output layer 30.
次に、凸型と言われている第18図に示す波形が入力さ
れ、しかも、学習が終了していない場合、パターン認識
機構13の凸型の表現する出力線71の出力が1で、そ
の他の出カフoが零になるパターンにならない。そこで
前述のように、典型的な凸型のパターンを入力信号とし
て、出力パターン発生機構47出力は、前記出力線71
.70の出力に対応する値を夫々1.0なるようにする
。Next, if the waveform shown in FIG. 18, which is said to be convex, is input and learning has not yet been completed, the output of the output line 71 representing the convex shape of the pattern recognition mechanism 13 is 1, and other The pattern in which the output cuff o becomes zero does not occur. Therefore, as described above, when a typical convex pattern is used as an input signal, the output of the output pattern generation mechanism 47 is transmitted to the output line 71.
.. The values corresponding to the outputs of 70 are each set to 1.0.
学習機構16は、該荷重関数W I Jを変化させ、学
習が完了した時に、前記パターン認識機構13に、第1
8図の凸型の波形が入力されると、第17図の前記出力
層30の出力線71は1に、出力線70は零になる。The learning mechanism 16 changes the weight function W I J, and when the learning is completed, the pattern recognition mechanism 13 receives the first
When the convex waveform shown in FIG. 8 is input, the output line 71 of the output layer 30 shown in FIG. 17 becomes 1, and the output line 70 becomes 0.
その結果、第19図(a)の波形がパターン認識機構1
3に入力され、その出力は、出力層30から前述のよう
に予め入力された凸型の波形であることを示す出力線7
1によりその波形に類似している度合を確信度40%と
して出力されると同時に、凹型の波形であることを示す
出力線70から確信度50%として出力される。As a result, the waveform shown in FIG. 19(a) is the pattern recognition mechanism 1.
3, and its output is the convex waveform inputted in advance from the output layer 30 as described above.
1, the degree of similarity to that waveform is output with a certainty of 40%, and at the same time, the degree of similarity to the waveform is output with a certainty of 50% from the output line 70 indicating that it is a concave waveform.
第20図に、マーク波形のサンプリングを考慮した形状
を示す。スタート状態はtoで、その時の値はxoであ
る。起算機のサンプリング周期をToとすると、To秒
前のt1時点に於ける波形の高さはxx、Toχ2秒前
のt2時点に於ける波形の高さはX2.・・・である。FIG. 20 shows a shape that takes sampling of mark waveforms into consideration. The starting state is to, and the value at that time is xo. If the sampling period of the counting machine is To, then the height of the waveform at time t1, To seconds ago, is xx, and the height of the waveform at time t2, Toχ2 seconds ago, is X2. ...is...
即ち、t2の時点で、高さx2が記憶機構15に入力さ
れ、第14図のメモリ要素49に記憶される。次のサン
プリング時点である1、lの高さxlが、記憶機構15
に入力されると、そのタイミングでメモリ要素49のデ
ータX2はメモリ要素50に転送されるとともに、メモ
リ要素49の内容は、xlに書換えられる。That is, at time t2, height x2 is input to storage mechanism 15 and stored in memory element 49 of FIG. The height xl of 1,l, which is the next sampling point, is the storage mechanism 15
When the data X2 of the memory element 49 is input to the memory element 50 at that timing, the data X2 of the memory element 49 is transferred to the memory element 50, and the contents of the memory element 49 are rewritten to xl.
一方演算機構510は、前記メモリ要素49゜50の内
容を用いて各種演算を行なう。例えば、微分値が必要な
時には、Cxx−xl)/To 、積分器が必要な時に
は(X1+X2)XToとなる演算を実行すれば良い。On the other hand, the calculation mechanism 510 performs various calculations using the contents of the memory elements 49 and 50. For example, when a differential value is required, the calculation becomes Cxx-xl)/To, and when an integrator is required, the calculation becomes (X1+X2)XTo.
即ち、微分器は、形状の変化速度を求めることができる
ので、パターン認識機構13は変化に対する応答性を向
上できる。That is, since the differentiator can determine the rate of change in shape, the pattern recognition mechanism 13 can improve responsiveness to changes.
一方、積分器は、ノイズ等に対し除去作用が有るなどの
特徴を出す事ができる。On the other hand, an integrator can exhibit characteristics such as having a noise removing effect.
これら、微分器、積分器、及び時間的要素が入っていな
い比例要素等の機能をパターン認識機構13に持たせる
ことができる。The pattern recognition mechanism 13 can have functions such as a differentiator, an integrator, and a proportional element that does not include a temporal element.
更に、記憶機構15で記憶されたデータも必要に応じ、
学習時に活用する入力パターン発生機構45に利用でき
る。Furthermore, the data stored in the storage mechanism 15 can also be stored as necessary.
It can be used in the input pattern generation mechanism 45 used during learning.
第21図にプロダクションルール又はファジィルールの
一例を示す。(第6図プロダクションルール47.ファ
ジィルール48に対応)。FIG. 21 shows an example of production rules or fuzzy rules. (Corresponds to production rule 47 and fuzzy rule 48 in Figure 6).
試料台を移動しながら描画を実施する連続移動描画モー
ドでは描画密度と位置に依存して試料台速度を最適に制
御する必要がある。描画密度大が50%の確信度として
出力を得ると、プロダクションルールの前提部と照合し
、描画密度大ルール80と一致する。その結果、試料台
速度を下げる(程度はSmall)ルール81が得られ
る。一方描画密度小の確信度40%で、前提部82と一
致し、その結果、試料台速度を上げる(程度大)が得ら
れる。In the continuous movement drawing mode in which drawing is performed while moving the sample stage, it is necessary to optimally control the sample stage speed depending on the drawing density and position. When the output is obtained as a certainty of 50% for large drawing density, it is checked against the prerequisite part of the production rule and matches the large drawing density rule 80. As a result, a rule 81 is obtained in which the sample stage speed is reduced (to a small extent). On the other hand, with a certainty of 40% for a small drawing density, it agrees with the premise 82, and as a result, it is possible to increase the sample stage speed (to a large extent).
その結果、第22図に示すように指令発生機構12は、
前記ルールとの照合の結果、ステージ速度の操作量は描
画密度大ルール50%なのでBの斜線部の面積で表され
る。一方、描画密度大の確信度が40%でSである確信
度40%なので、第22図のSの斜線部の面積となる。As a result, as shown in FIG. 22, the command generation mechanism 12:
As a result of the comparison with the above rule, the operation amount of the stage speed is 50% of the high drawing density rule, so it is expressed by the area of the shaded part in B. On the other hand, since the reliability of drawing density is 40% and the reliability of S is 40%, the area is the shaded area of S in FIG.
次に上記指令発生機構12は斜線部の重心AとBを合成
した重心Cの値である65%が試料台速度の操作量にな
る。Next, in the command generating mechanism 12, 65%, which is the value of the center of gravity C which is a combination of the centers of gravity A and B in the shaded area, becomes the manipulated variable of the sample stage speed.
次に、パターン認識機構13に基準となるパターンの学
習方法について述べる。Next, a method for learning a reference pattern for the pattern recognition mechanism 13 will be described.
第18図の波形62や63を、第11図の入力パターン
発生機構45で生成し、入力層31へ出力する。このパ
ターンは、入力パターン発生機構45のメモリに書込む
か、又は、第2図の記憶機構15に記憶されたパターン
を用いる。入力層に入力された信号は中間層19.・・
・、27を介し、出力層30から出力として現われる。Waveforms 62 and 63 in FIG. 18 are generated by the input pattern generation mechanism 45 in FIG. 11 and output to the input layer 31. This pattern is written into the memory of the input pattern generation mechanism 45, or a pattern stored in the storage mechanism 15 of FIG. 2 is used. The signal input to the input layer is transmitted to the intermediate layer 19.・・・
. , 27 and appears as an output from the output layer 30.
この時中間層の重み関数ωτ1は初期値であり、出力パ
ターン発生機構47からは、入力パターン発生機構45
の出力と対応して、パターン認識機構13より出力して
欲しいパターン(例えば、入力パターン発生機構45が
標準パターンであり、出力層30の出力端子1本をその
標準パターンに割当てると、割当てられた出力端子が1
となり、その他の端子が零になるようなパターン)を突
合せ機構46に入力される。学習が完了しない時には、
出力層30の出力パターンと、出力パターン発生機構4
7の波形が異なっている。その結果、突き合せ機構46
の出力はパターン相違の度合に応じた出力を出す。この
値、偏差の2乗平均を求めれば、偏差のパワースペクト
ラム等が求まる。上記偏差に応じ、出力層に近い中間層
27から順次、入力層31に近い中間層19迄、重み関
数W ’r Jを変更する。重み関数wIIJの変更方
式は種々の方法が考えられるが、上記偏差を最小値にな
るようにするという最適化問題で、例えば最急傾斜法等
を利用する。具体的な方法として、着目する重み関数V
J”rtを上の方向へ微少変動させ、その結果、偏差値
が変化する方向をみて、減少する方向へ重み関数の値w
:Jを移動するとともに、移動量は、偏差値の変化が小
さい時は大きく、反対に偏差値の変化が大きい時には移
動量を小さくする。又、入力層に一番近い中間層19の
重み関数WFJの変更が終了した時点で、再度突き合せ
機構46の偏差値をチエツクし、その値が許容誤差範囲
になった時に学習を終了する。At this time, the weighting function ωτ1 of the intermediate layer is an initial value, and the output pattern generation mechanism 47 outputs the weight function ωτ1 from the input pattern generation mechanism 45
Corresponding to the output of 1 output terminal
, and the other terminals become zero) is input to the matching mechanism 46. When learning is not completed,
Output pattern of output layer 30 and output pattern generation mechanism 4
7 have different waveforms. As a result, the butting mechanism 46
outputs an output according to the degree of pattern difference. By finding the root mean square of this value and the deviation, the power spectrum of the deviation, etc. can be found. Depending on the deviation, the weighting function W'r J is changed sequentially from the intermediate layer 27 near the output layer to the intermediate layer 19 near the input layer 31. Although various methods can be considered for changing the weighting function wIIJ, for example, the steepest slope method is used in an optimization problem in which the above-mentioned deviation is made to be the minimum value. As a specific method, the weighting function V to be focused on is
When J"rt is slightly changed in the upward direction, looking at the direction in which the deviation value changes, the value of the weighting function w is changed in the direction in which it decreases.
:J is moved, and the amount of movement is large when the change in the deviation value is small, and conversely, when the change in the deviation value is large, the amount of movement is made small. Further, when the change of the weighting function WFJ of the intermediate layer 19 closest to the input layer is completed, the deviation value of the matching mechanism 46 is checked again, and when the value falls within the allowable error range, learning is completed.
この制御は学習制御機構48で実施される。猶、この学
習した結果を・パターン判別に利用するパターン認識機
構13は何故パターンの識別ができるか、学習が何故旨
くいくのかという動作が解明されていないが、重み関数
の数が、入力と出力の数に比べ多くなっており、その値
の自由度が有り、多少値が狂っても、又多くのパターン
を記憶させても、良好な認識結果を得ることができると
云われている。This control is performed by a learning control mechanism 48. However, the operation of the pattern recognition mechanism 13, which uses this learned result for pattern discrimination, is not clear why it is able to identify patterns or why the learning is successful. It is said that the number of patterns is large compared to the number of patterns, and there is a degree of freedom in the values, and it is said that good recognition results can be obtained even if the values are slightly out of order or even if many patterns are stored.
一方、この入力パターン発生機構45と出力パターン発
生機構47に対し、どのようなパターンを用いたら良い
か、非常に難しい面が有る。幸い、制御対象1の動作を
ある動作点近傍で動作させるとモデルを正確に導き出せ
る方法が制御理論の分野でシステム同定という理論が確
立している。但し全動作領域では非線形性が強い対象で
モデル化が困難である。On the other hand, it is very difficult to determine what kind of patterns should be used for the input pattern generation mechanism 45 and the output pattern generation mechanism 47. Fortunately, a theory called system identification has been established in the field of control theory that allows a model to be derived accurately by operating the controlled object 1 near a certain operating point. However, it is difficult to model the object with strong nonlinearity in the entire operating region.
そこで、特定の動作領域でモデルを作り、制御を実施し
、その状態で旨くいく制御系の人力と応答の関係をシミ
ュレーションで求め、それを学習用のデータとする。こ
の手順を、制御系の全動作領域に対し、動作点を順次移
動し、その時々の最適なモデリングと制御指令を求め学
習させる。即ち、第16図の制御対象シミュレータ60
のパラメータを調整し、特定の動作点で正確にシミュレ
ータ60が動作させる。の後、制御対象が典型的なパタ
ーンを発生するように入力パターン発生機構47.パラ
メータ調整機構61.制御対象シミュレータ60.指令
発生機構12を動作させ、これら処理47と60の出力
を夫々学習機構16の出力パターンと入力パターンとす
る。Therefore, we create a model in a specific operating region, implement control, and use simulation to determine the relationship between human power and response in a control system that works well under that condition, and use this as data for learning. This procedure is performed by sequentially moving the operating point over the entire operating range of the control system and learning the optimal modeling and control commands at each time. That is, the controlled object simulator 60 in FIG.
The parameters of the simulator 60 are adjusted to cause the simulator 60 to operate accurately at a specific operating point. After that, the input pattern generating mechanism 47 . Parameter adjustment mechanism 61. Controlled object simulator 60. The command generating mechanism 12 is operated, and the outputs of these processes 47 and 60 are used as the output pattern and input pattern of the learning mechanism 16, respectively.
このような構成の制御方式はパターン認識機構で対象の
波形を抽象化し、制御機構であいまい性迄含む制御が実
施できる。In a control system with such a configuration, the pattern recognition mechanism abstracts the target waveform, and the control mechanism can perform control including ambiguity.
なお1本発明の具体例として電子線描画装置のマーク位
置検出と試料台速度制御を用いて実施・例を説明してき
たが、電子線描画装置の他の制御、さらに半導体製造装
置及びその類似装置に適用できることは自明である。1. Although the embodiments and examples have been described using mark position detection and sample stage speed control of an electron beam lithography apparatus as a specific example of the present invention, other controls of the electron beam lithography apparatus, as well as semiconductor manufacturing equipment and similar equipment thereof, have been described. It is obvious that it can be applied to
本発明によれば、電子線描画装置のマーク位置検出、試
料台速度制御のようにパターンを制御する方式に於て、
オペレータのエキスパートとは制御結果の波形を類形化
し、波形の特徴を判断し、その特徴に応じて制御する方
式を実現でき、新しい事態が発生しても、学習により対
応できるので、柔軟で、高性能な制御ができる効果があ
る。According to the present invention, in a pattern control method such as mark position detection of an electron beam lithography apparatus and sample stage speed control,
Operator experts are capable of categorizing the waveforms of control results, determining the characteristics of the waveforms, and realizing control methods according to those characteristics.Even if new situations occur, they can respond by learning, so they are flexible and This has the effect of enabling high-performance control.
第1図は本発明の一実施例の構成図、第2図は本発明を
電子線描画装置のマーク位置検出及び試料台速度制御に
適用した実施例、第3図はパターン認識機構図、第4図
は指令発生機構図、第5図は操作量決定手段の構成図、
第6図は知識ベース構成図、第7図は操作量決定手段の
動作説明図、第8図はプロダクション機構の動作説明図
、第9図は指令値計算手段の構成図、第10図は入力切
換え装置の構成、第11図は学習機構の構成、第12図
は学習制御装置とノードの荷重関数との関連図、第13
図は学習制御機構の基本処理図、第14図は記憶機構の
構成図、第15図はパターン認識機構図、第16図は学
習機構にシミュレータを備えた時の構成図、第17図は
パターン認識機構の動作説明図、第18図は入力パター
ン例、第19図はパターン認識機構の出力の説明図、第
20図はマーク波形形状のサンプル値の説明図、第21
図はプロダクションルールとファジィルールの一例を示
した図、第22図は類似度を操作員へ変換する方法の説
明図である。
1・・・電子線描画装置(制御対象)、2・・・電子ビ
ーム、3・・・電子レンズ、4a・・ビーム偏向器、4
b・・・駆動系、5・・・反射電子検出器、6a・・・
ビーム偏向制御系、6b・・・試料台制御系、7・・・
試料台、8・・ミラー、9・・・試料、10・・・マー
ク、12・・指令発生機構、13・・パターン認識機構
、14・・・マーク波形形状検出機構、15・・記憶機
構、16・・・学習機構、19,27.29・・・中間
層、30・・・出力第
図
第10図
1す
第17図
第18図
第19図Fig. 1 is a configuration diagram of an embodiment of the present invention, Fig. 2 is an embodiment in which the present invention is applied to mark position detection and sample stage speed control of an electron beam lithography system, Fig. 3 is a pattern recognition mechanism diagram, and Fig. 3 is a diagram of a pattern recognition mechanism. Figure 4 is a diagram of the command generation mechanism, Figure 5 is a configuration diagram of the operation amount determining means,
Fig. 6 is a diagram of the knowledge base configuration, Fig. 7 is an explanatory diagram of the operation of the operation amount determining means, Fig. 8 is an explanatory diagram of the operation of the production mechanism, Fig. 9 is a diagram of the configuration of the command value calculation means, and Fig. 10 is the input The configuration of the switching device, FIG. 11 is the configuration of the learning mechanism, FIG. 12 is a diagram of the relationship between the learning control device and node load functions, and FIG. 13
The figure shows the basic processing diagram of the learning control mechanism, Figure 14 shows the configuration of the storage mechanism, Figure 15 shows the pattern recognition mechanism, Figure 16 shows the configuration when the learning mechanism is equipped with a simulator, and Figure 17 shows the pattern recognition mechanism. An explanatory diagram of the operation of the recognition mechanism, FIG. 18 is an example of an input pattern, FIG. 19 is an explanatory diagram of the output of the pattern recognition mechanism, FIG. 20 is an explanatory diagram of sample values of mark waveform shapes, and FIG.
The figure shows an example of a production rule and a fuzzy rule, and FIG. 22 is an explanatory diagram of a method of converting similarity to an operator. DESCRIPTION OF SYMBOLS 1... Electron beam drawing device (control object), 2... Electron beam, 3... Electron lens, 4a... Beam deflector, 4
b... Drive system, 5... Backscattered electron detector, 6a...
Beam deflection control system, 6b... Sample stage control system, 7...
Sample stage, 8...Mirror, 9...Sample, 10...Mark, 12...Command generation mechanism, 13...Pattern recognition mechanism, 14...Mark waveform shape detection mechanism, 15...Storage mechanism, 16... Learning mechanism, 19, 27. 29... Middle layer, 30... Output diagram Figure 10 Figure 1 Figure 17 Figure 18 Figure 19
Claims (1)
の電子レンズと、該電子ビームを所望の位置に照射する
ための電子ビーム偏向器と、該電子ビームを試料表面上
の所望の位置へ照射するための試料台と該移動台の位置
計測を行なうレーザ干渉計と、ビームスキャンによる反
射電子検出器と、偏向器に対するビーム偏向制御系、偏
向位置補正制御系、露光時間制御系を有し、試料台に対
する試料台制御系を有する電子線描画装置において状態
検出機構の出力信号から前記装置の動作を判定し、各制
御系に制御指定を送信する最適性判定装置を付加したこ
とを特徴とする電子線描画装置。 2、請求項第1項において、前記最適性判定機構は、複
数の制御方法を記憶した操作量決定手段と、前記検出装
置より出力された複数の検出信号から、処理に使用する
制御方法を決定し、処理指令を発生する制御機構と、前
記操作量決定手段により決定した操作量を、個々の制御
系の制御指令に変換する指令値計算手段により構成され
ることを特徴とする電子線描画装置。 3、請求項第2項において、操作量決定手段に記憶され
た複数の制御方法とは、知識ベースと推論部より構成さ
れた推論制御方策、パターン認識手法を用いた制御方法
、フィードバック制御等に用いられる補償器を用いた制
御方法、状態モデルを用いた制御方法のいずれかから成
ることを特徴とする電子線描画装置。 4、請求項第1項において、前記最適性判定機構は、前
記検出装置の複数の検出信号の複数の組合せパターンと
前記複数の組合せパターンに対応した制御系の操作量を
記憶する手段を有し、前記検出装置の複数の検出信号の
新規出力パターンと、先に記憶された出力パターンを比
較し、類似度の最も大きい記憶パターンに対する制御系
の操作量を出力する構成としたことを特徴とする電子線
描画装置。 5、請求項第1項において、前記最適性判定機構は、前
記検出装置からの複数の検出信号の組み合せから、前記
出力信号のパターンの類似度を求めるパターン認識機構
と、前記類似度から制御系の個々の操作量を決定し、決
定した操作量を前記制御系の指令信号に変換する指令発
生機構より構成されることを特徴とする電子線描画装置
。 6、請求項第5項において、前記パターン認識機構は、
前記検出装置の複数の出力信号の組合せパターンを取り
込む入力層と、前記入力層の出力信号に重みを掛けて加
算し、その結果を指定した関数で写像する複数のノード
で構成された第1段の中間層と、前記第1の中間層の各
ノードの出力信号を入力信号して重みを掛けて加算し、
その結果を指定した関数で写像する複数のノードで構成
された別の中間層を複数段有し、前記別の中間層の最終
段が、パターンの類似度を判定結果として出力する出力
層で構成されたことを特徴とする電子線描画装置。 7、請求項第6項において、前記指令発生機構は前記パ
ターン発生機構の出力である複数のパターンの類似度か
ら、知識ベースと推論機構を用いて制御系に対する操作
量を求め、前記操作量を前記制御系の制御機構に対する
指令信号に変換する構成としたことを特徴とする電子線
描画装置。 8、請求項第1項において、前記最適性判定装置の判定
結果の良否を判断する機構と、判断結果を外部に報知す
る手段と、前記最適性判定装置の内容を変更する手段と
を有する教示装置を備えたことを特徴とする電子線描画
装置。 9、請求項第1項において、前記検出装置の出力信号を
時経列的に記憶する記憶機構を設け、前記検出器の出力
と前記記憶機構の出力を前記最適性判定装置へ入力し、
前記最適性判定装置では時間的変化も加味した総合判定
を可能としたことを特徴とする電子線描画装置。 10、複数の検出器の検出信号と、前記検出器の出力信
号に応じて制御を実行する制御機構と、前記制御系の動
作により制御される制御対象で構成された電子線描画装
置において、前記複数の検出信号の組合せをパターンと
して認識し、前記信号の組合せパターンを予め記憶する
機能と、予め記憶されたパターンと新規入力パターンを
比較する機能、比較結果をパターンの類似度として出力
するパターン認識機構と、前記パターンの類似度をファ
ジ推論により各制御系の操作量に変換し、前記操作量を
前記各制御系の指令値に変換する指令発生機構とを備え
たことを特徴とする電子線描画装置。 11、請求項第10項において、前記パターン認識機構
にランメルハート型ニューロコンピュータを用いたこと
を特徴とする電子線描画装置。 12、請求項第11項において、前記パターン認識機構
に入力パターンを印加し、前記パターン認識機構が理想
出力となるように予め前記パターン認識機構の各ノード
の重みを変更するための学習機構を備えたことを特徴と
する電子線描画装置。 13、請求項第11項において、前記学習機構はパター
ン認識機構の入力層に入力する入力パターン発生機構、
前記パターン認識機構の理想出力を発生する出力パター
ン発生機構、前記パターン認識機構の出力パターンと、
前記出力パターン発生機構の偏差を求める比較機構、前
記比較結果に基づき、パターン発生機構内のノードの重
みを変更する指令、及び前記入力パターン発生機構、出
力パターン発生機構の動作指令を発生する学習制御機構
で構成されることを特徴とする電子線描画装置。 14、請求項第10項において、前記複数の検出器の検
出信号の時経列的に記憶する記憶機構を備え前記検出器
の検出信号と並列に前記記憶機構の出力を前記パターン
認識機構に入力する構成としたことを特徴とする電子線
描画装置。 15、複数の制御系で動作する制御対象と、前記複数制
御系の動作および制御対象の動作を検出する検出器より
なる電子線描画装置において、前記複数の検出信号を用
いて、制御システム全体の動作を認識し、システム全体
としての動作が最適となるように前記個々の制御系の制
御量を決定する最適性判定装置を備えたことを特徴とす
る電子線描画装置。 16、複数の制御系の動作状態を入力できる複数の入力
端子と複数の制御系に対する制御指令を出力する複数の
出力端子を有し、前記入力信号に基づき、電子線描画装
置の動作の良否を判定し、その判定結果に基づき各出力
端子への出力信号を決定する機能を備えた最適性判定装
置。 17、請求項第16項において、電子線描画装置の動作
信号の組合せをパターン化し、前記パターンを記憶する
機能を有し、記憶された複数のパターンと新規入力信号
のパターンとの類似度を求め、前記類似度から、各出力
信号を求める推論機能とで構成された最適性判定装置。[Claims] 1. An electron lens for controlling the electron beam to a desired shape and current density; an electron beam deflector for irradiating the electron beam to a desired position; A sample stage for irradiating to a desired position above, a laser interferometer for measuring the position of the moving stage, a backscattered electron detector using beam scanning, a beam deflection control system for the deflector, a deflection position correction control system, and exposure. In an electron beam lithography apparatus having a time control system and a sample stage control system for a sample stage, an optimality determination device determines the operation of the device from an output signal of a state detection mechanism and sends a control designation to each control system. An electron beam lithography device characterized by the following additions. 2. In claim 1, the optimality determining mechanism determines a control method to be used for processing from a manipulated variable determining means storing a plurality of control methods and a plurality of detection signals output from the detection device. An electron beam lithography apparatus comprising: a control mechanism that generates a processing command; and a command value calculation means that converts the manipulated variable determined by the manipulated variable determining means into a control command for each control system. . 3. In claim 2, the plurality of control methods stored in the manipulated variable determining means include an inference control strategy composed of a knowledge base and an inference section, a control method using a pattern recognition method, a feedback control, etc. An electron beam lithography apparatus comprising either a control method using a compensator or a control method using a state model. 4. In claim 1, the optimality determination mechanism includes means for storing a plurality of combination patterns of a plurality of detection signals of the detection device and an operation amount of a control system corresponding to the plurality of combination patterns. , a new output pattern of a plurality of detection signals of the detection device is compared with a previously stored output pattern, and an operation amount of the control system is output for the stored pattern with the highest degree of similarity. Electron beam lithography equipment. 5. In claim 1, the optimality determination mechanism includes a pattern recognition mechanism that determines the degree of similarity of the pattern of the output signal from a combination of a plurality of detection signals from the detection device, and a control system based on the degree of similarity. What is claimed is: 1. An electron beam lithography apparatus comprising a command generation mechanism that determines individual operation amounts of the control system and converts the determined operation amounts into command signals for the control system. 6. In claim 5, the pattern recognition mechanism comprises:
a first stage consisting of an input layer that captures a combination pattern of a plurality of output signals of the detection device; and a plurality of nodes that add weights to the output signals of the input layer and map the results with a specified function; and the output signals of each node of the first intermediate layer are input signals, multiplied by weights, and added;
It has multiple stages of another intermediate layer composed of multiple nodes that map the result using a specified function, and the final stage of the other intermediate layer is an output layer that outputs the pattern similarity as a judgment result. An electron beam lithography device characterized by: 7. In claim 6, the command generation mechanism uses a knowledge base and an inference mechanism to determine the amount of operation for the control system from the similarity of the plurality of patterns output from the pattern generation mechanism, and calculates the amount of operation for the control system. An electron beam lithography apparatus characterized in that it is configured to convert into a command signal for a control mechanism of the control system. 8. The teaching according to claim 1, comprising a mechanism for determining whether the determination result of the optimality determination device is good or bad, a means for notifying the determination result to the outside, and a means for changing the content of the optimality determination device. What is claimed is: 1. An electron beam lithography device comprising: 9. In claim 1, a storage mechanism is provided for storing the output signal of the detection device in a chronological order, and the output of the detector and the output of the storage mechanism are input to the optimality determination device,
An electron beam lithography apparatus characterized in that the optimality determination apparatus is capable of comprehensive determination that also takes into account temporal changes. 10. In an electron beam lithography apparatus comprising a control mechanism that executes control according to detection signals of a plurality of detectors, output signals of the detectors, and a control target controlled by the operation of the control system, the Pattern recognition that recognizes a combination of multiple detection signals as a pattern, stores the signal combination pattern in advance, compares the pre-stored pattern with a new input pattern, and outputs the comparison result as pattern similarity. An electron beam characterized by comprising: a mechanism; and a command generation mechanism that converts the degree of similarity of the patterns into an operation amount for each control system by fuzzy inference, and converts the operation amount into a command value for each control system. drawing device. 11. The electron beam lithography apparatus according to claim 10, characterized in that a Rummelhart neurocomputer is used for the pattern recognition mechanism. 12. Claim 11, further comprising a learning mechanism for applying an input pattern to the pattern recognition mechanism and changing the weight of each node of the pattern recognition mechanism in advance so that the pattern recognition mechanism has an ideal output. An electron beam lithography device characterized by: 13. In claim 11, the learning mechanism is an input pattern generation mechanism that inputs input to an input layer of a pattern recognition mechanism;
an output pattern generation mechanism that generates an ideal output of the pattern recognition mechanism; an output pattern of the pattern recognition mechanism;
a comparison mechanism for determining a deviation of the output pattern generation mechanism; a learning control that generates a command to change the weight of a node in the pattern generation mechanism based on the comparison result; and an operation command for the input pattern generation mechanism and the output pattern generation mechanism. An electron beam lithography device characterized by comprising a mechanism. 14. Claim 10, further comprising a storage mechanism for storing detection signals of the plurality of detectors in chronological order, and inputting the output of the storage mechanism to the pattern recognition mechanism in parallel with the detection signals of the detectors. An electron beam lithography apparatus characterized by having a configuration in which: 15. In an electron beam lithography apparatus comprising a controlled object operating in a plurality of control systems and a detector that detects the operation of the plurality of control systems and the operation of the controlled object, the plurality of detection signals are used to detect the entire control system. An electron beam lithography apparatus characterized by comprising an optimality determination device that recognizes the operation and determines the control amount of each of the control systems so that the operation of the entire system is optimal. 16. It has a plurality of input terminals to which the operating states of the plurality of control systems can be input and a plurality of output terminals to output control commands to the plurality of control systems, and the operation quality of the electron beam lithography apparatus can be determined based on the input signals. An optimality determination device that has a function of determining an output signal to each output terminal based on the determination result. 17. In claim 16, the method has a function of patterning a combination of operation signals of the electron beam lithography apparatus and storing the pattern, and determining the degree of similarity between the plurality of stored patterns and a pattern of a new input signal. , and an inference function for determining each output signal from the degree of similarity.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2205031A JP2585457B2 (en) | 1990-08-03 | 1990-08-03 | An electron beam lithography system with an optimality judgment system |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2205031A JP2585457B2 (en) | 1990-08-03 | 1990-08-03 | An electron beam lithography system with an optimality judgment system |
Publications (2)
Publication Number | Publication Date |
---|---|
JPH0491424A true JPH0491424A (en) | 1992-03-24 |
JP2585457B2 JP2585457B2 (en) | 1997-02-26 |
Family
ID=16500295
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2205031A Expired - Fee Related JP2585457B2 (en) | 1990-08-03 | 1990-08-03 | An electron beam lithography system with an optimality judgment system |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2585457B2 (en) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002110516A (en) * | 2000-09-28 | 2002-04-12 | Advantest Corp | Electron beam aligner, exposure method and semiconductor-manufacturing method |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS60205207A (en) * | 1984-03-29 | 1985-10-16 | Shimadzu Corp | Method and apparatus for measuring alignment mark position |
JPH01275381A (en) * | 1988-04-28 | 1989-11-06 | Fujitec Co Ltd | Device for controlling elevator group |
-
1990
- 1990-08-03 JP JP2205031A patent/JP2585457B2/en not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS60205207A (en) * | 1984-03-29 | 1985-10-16 | Shimadzu Corp | Method and apparatus for measuring alignment mark position |
JPH01275381A (en) * | 1988-04-28 | 1989-11-06 | Fujitec Co Ltd | Device for controlling elevator group |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002110516A (en) * | 2000-09-28 | 2002-04-12 | Advantest Corp | Electron beam aligner, exposure method and semiconductor-manufacturing method |
Also Published As
Publication number | Publication date |
---|---|
JP2585457B2 (en) | 1997-02-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tanomaru et al. | Process control by on-line trained neural controllers | |
Papageorgiou et al. | Active Hebbian learning algorithm to train fuzzy cognitive maps | |
Fernandez et al. | Nonlinear dynamic system identification using artificial neural networks (ANNs) | |
Ribeiro | Reinforcement learning agents | |
JPH06131009A (en) | Feedback controller | |
Kumar et al. | Temporally local recurrent radial basis function network for modeling and adaptive control of nonlinear systems | |
CN113614743A (en) | Method and apparatus for operating a robot | |
Doya et al. | Memorizing oscillatory patterns in the analog neuron network | |
Filipic et al. | A combined machine learning and genetic algorithm approach to controller design | |
JPH0491424A (en) | Electron beam lithography apparatus equipped with optimization judgment device | |
Renders et al. | Genetic algorithms for process control: A survey | |
Kusumoputro et al. | Performance characteristics of an improved single neuron PID controller using additional error of an inversed control signal | |
Airikka | Advanced control methods for industrial process control | |
JP2738343B2 (en) | Method and apparatus for controlling shape of rolling mill | |
Loo et al. | A hybrid intelligent active force controller for articulated robot arms using dynamic structure neural network | |
JP2674167B2 (en) | Process control method using neural network model | |
JPH0490076A (en) | Method for extracting feature of medical image | |
JPH02244203A (en) | Control system and optimum property deciding device | |
JPH0490002A (en) | Chromatograph control system | |
JPH04291662A (en) | Operation element constituted of hierarchical network | |
Kiong et al. | Nonlinear dynamic system identification and control via constructivism inspired neural network | |
JPH0490001A (en) | Control system and optimality discriminating device | |
Watanabe | Intelligent control for robotic and mechatronic systems-a review | |
JPH1091209A (en) | System control method and device therefor | |
JPH07111359B2 (en) | Trend graph display device with guide |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20071121 Year of fee payment: 11 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20081121 Year of fee payment: 12 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20081121 Year of fee payment: 12 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20091121 Year of fee payment: 13 |
|
LAPS | Cancellation because of no payment of annual fees |