CN114245923A - 信息处理系统、信息处理装置、学习装置、信息处理方法、学习方法以及程序 - Google Patents

Abstract

信息处理系统，其具备：存储部，其存储将表示组合物的材料的材料信息、使用所述组合物的规定工艺中的工艺条件与通过所述工艺得到的组合物的性能信息赋予关联的对应信息；性能推定部，其基于输入的所述材料信息、所述工艺条件和所述对应信息，取得所述性能信息；以及输出部，其输出所述性能信息。

Description

信息处理系统、信息处理装置、学习装置、信息处理方法、学习 方法以及程序

技术领域

本发明涉及信息处理系统、信息处理装置、学习装置、信息处理方法、学习方法以及程序。

本申请基于2019年9月11日在日本提出申请的特愿2019－165263号主张优先权，并将其内容引入本文。

背景技术

伴随纳米技术的进步，越来越要求光致抗蚀剂、EB(Electron Beam，电子束)抗蚀剂等抗蚀剂的性能提升。因此，开发者通过使用各种各样的材料反复进行实验从而尝试开发新的抗蚀剂(例如参照非专利文献1)。

现有技术文献

非专利文献

非专利文献1：最新光致抗蚀剂材料开发和工艺最佳化技术(CMC出版(シーエムシー出版)，主编：河合晃)

发明内容

发明所要解决的课题

然而，材料的备选种类多，使用抗蚀剂的场合也是各种各样，因此开发新抗蚀剂的开发者的负担大。另外，这样的问题不限于抗蚀剂，这是材料的备选多、使用的场合也是各种各样的组合物的开发中共同的课题。

鉴于上述情况，本发明的目的在于提供减轻开发新组合物的开发者的工作量的技术。

用于解决课题的手段

本发明的一个方案是信息处理系统，其具备：存储部，其存储对应信息，所述对应信息是将表示组合物的材料的材料信息及使用所述组合物的规定工艺中的工艺条件与通过所述工艺得到的组合物的性能信息赋予关联的信息；性能推定部，其根据输入的所述材料信息、所述工艺条件和所述对应信息，取得所述性能信息；以及输出部，其输出所述性能信息。

本发明的一个方案是信息处理装置，其具备：性能推定部，其从存储部读出对应信息，并基于读出的材料信息及工艺条件和所述对应信息取得性能信息，所述对应信息是将表示抗蚀剂的材料的所述材料信息及使用所述抗蚀剂的规定工艺中的所述工艺条件、与表示通过所述工艺得到的所述抗蚀剂的性能的所述性能信息赋予关联的信息；和输出部，其输出所述性能信息。

本发明的一个方案是学习装置，其具备学习部，该学习部通过基于表示抗蚀剂的材料的材料信息及使用所述抗蚀剂的规定工艺中的工艺条件、和表示该材料信息及该工艺条件的工艺中的所述抗蚀剂的物性的物性信息进行机器学习，从而生成第1对应信息。

本发明的一个方案是信息处理方法，其包括：性能推定步骤，基于将表示抗蚀剂的材料的材料信息及使用所述抗蚀剂的规定工艺中的工艺条件、和表示通过所述工艺得到的所述抗蚀剂的性能的性能信息赋予关联的对应信息，取得所述性能信息；和输出步骤，输出所述性能信息。

本发明的一个方案是用于使计算机作为上述信息处理系统来发挥功能的程序。

本发明的一个方案是学习方法，其包括学习步骤，该学习步骤中通过基于表示所述抗蚀剂的材料的材料信息及使用所述抗蚀剂的规定工艺中的工艺条件、和表示该材料信息和该工艺条件的工艺中的所述抗蚀剂的物性的物性信息，进行机器学习，从而生成第1对应信息。

本发明的一个方案是用于使计算机作为上述学习装置来发挥功能的程序。

发明的效果

根据本发明，能够减轻开发新组合物的开发者的工作量。

附图说明

图1是用于说明实施方式的概念图。

图2是示出实施方式的信息处理系统的系统结构的一例的图。

图3是示出实施方式中的学习数据的一例的图。

图4是示出实施方式中的回归用数据的一例的图。

图5是示出实施方式中的学习装置的功能结构的一例的图。

图6是示出实施方式中的学习装置所执行的生成第1模型的处理的流程的一例的流程图。

图7是示出实施方式中的学习装置所执行的生成第2模型的处理的流程的一例的流程图。

图8是示出实施方式中的推定对象信息的一例的图。

图9是示出实施方式中的控制部的功能结构的一例的图。

图10是示出实施方式中的信息处理装置所执行的处理的流程的一例的流程图。

图11是示出实施方式中的信息处理系统所得出的性能信息的推定结果与实测出的性能的关系的实验结果的第1例的图。

图12是示出实施方式中的信息处理系统所得出的性能信息的推定结果与实测出的性能的关系的实验结果的第2例的图。

具体实施方式

以下，参照附图对本发明的实施方式进行说明。

图1是用于说明实施方式的概念图。更具体地说，是用于说明后述的实施方式的信息处理系统100的概念图。实施方式的信息处理系统100接收表示组合物的材料的材料信息、和工艺条件的输入，所述工艺条件是对于由材料信息所示的材料组成的组合物进行的规定工艺中的工艺条件。组合物例如是对象物的图案化所使用的物质。更具体而言，作为组合物，例如可举出抗蚀剂、显影液、相分离结构形成用材料、蚀刻液、清洗液、剥离液、光学材料、纳米压印材料、基底材料、硬掩膜材料、疏水材料、分离层形成用组合物、粘接剂组合物等。其中，作为该组合物，优选抗蚀剂。

抗蚀剂例如是光刻抗蚀剂。抗蚀剂可以是抗蚀剂膜的曝光部变为溶解于显影液的特性的正型、和抗蚀剂膜的曝光部变为不溶解于显影液的特性的负型中的任一种。另外，抗蚀剂也可以适用于使用ArF准分子激光、KrF准分子激光、ghi射线、F₂准分子激光、EUV(极端紫外线)、VUV(真空紫外线)、EB(电子射线)、X射线、软X射线中的任一种的光刻法。

信息处理系统100基于输入的材料信息及工艺条件、和预先存储的对应信息，取得性能信息。性能信息是表示通过工艺条件下的工艺所得到的性能、并且是材料信息所示的组合物的性能的信息。性能是指例如抗蚀剂用于图案化时的性能(以下称为“图案化性能”)。图案化性能例如为光刻性能。光刻性能例如是图案的尺寸偏差。

对应信息表示材料信息及工艺条件与性能信息之间的关系。对应信息包括第1对应信息和第2对应信息。

第1对应信息是将材料信息及工艺条件、与表示该材料信息及该工艺条件的工艺中的抗蚀剂的物性的物性信息赋予关联的信息。第1对应信息是信息处理系统100预先通过基本的四则运算、机器学习等规定的方法取得的信息。第1对应信息例如是通过将材料信息及工艺条件作为输入侧的学习数据并将物性信息作为监督数据的多个学习数据进行了机器学习而得的学习结果的学习完毕模型。

学习完毕模型是在学习中满足结束条件的时间点的机器学习模型。结束条件只要是与学习的结束相关的条件，则可以是任何条件。结束条件例如可以是执行了基于规定数量的数据集的学习这一条件，结束条件例如也可以是基于学习的参数的变化量小于规定的大小这一条件。

机器学习模型是指包括深度学习的机器学习中的机器学习模型。机器学习模型例如可以是编码器/解码器模型的神经网络，也可以是卷积神经网络，还可以是梯度提升决策树、强化学习。学习是指适当地调整机器学习模型的参数。就学习模型的参数而言，例如在机器学习模型是神经网络的情况下，通过误差逆传播法的算法来进行调整。

第2对应信息是将材料信息、工艺条件及物性信息与性能信息赋予关联的信息。第2对应信息是信息处理系统100预先通过回归分析等规定的方法取得的信息。在组合物为抗蚀剂的情况下，第2对应信息例如是将性能信息与物性信息赋予关联的信息，该性能信息表示通过工艺条件所示的工艺处理后的抗蚀剂、并且是由材料信息所示的材料组成的抗蚀剂的图案化性能。工艺条件所示的处理例如是使用抗蚀剂的处理。工艺条件所示的处理例如可以是在对抗蚀剂执行规定的处理后，通过加热工序对抗蚀剂进行干燥的处理。工艺条件所示的处理例如可以是在对抗蚀剂执行处理的处理后，使抗蚀剂发生化学变化的处理。对于抗蚀剂的规定处理例如是将抗蚀剂涂布于涂布对象的处理。第2对应信息例如是通过多元回归、PCA回归(主成分回归)、Lasso回归(最小绝对收缩和选择算子回归)、Ridge回归(岭回归)、Elastic Net回归(弹性网络回归)、PLS(Partial Least Squares，偏最小二乘法)回归、支持向量回归等回归分析方法取得的回归模型，是以材料信息、工艺条件和物性信息为解释变量并以性能信息为目标变量的回归模型。

就信息处理系统100取得性能信息为止的处理流程而言，使用第1对应信息和第2对应信息进行说明，如下所述。即，信息处理系统100首先基于输入的材料信息及工艺条件和第1对应信息来取得物性信息。接着，信息处理系统100基于输入的材料信息及工艺条件、物性信息和第2对应信息来取得性能信息。第1对应信息例如是将材料信息及工艺条件作为解释变量并将物性信息作为目标变量的学习完毕模型(以下称为“第1模型”)。第1对应信息例如也可以是表示材料信息及工艺条件、与表示在该材料信息及该工艺条件的工艺下测定出的抗蚀剂的物性的物性信息之间的关系的关系型数据库。第2对应信息例如是将材料信息、工艺条件及物性信息作为解释变量并将性能信息作为目标变量的回归模型(以下称为“第2模型”)。第2对应信息例如也可以是表示材料信息、工艺条件及物性信息与性能信息之间的关系的关系型数据库。

图2是示出实施方式的信息处理系统100的系统结构的一例的图。以下，为了容易理解，以组合物为抗蚀剂、性能为图案化性能的情况为例对信息处理系统100进行说明。另外，以下，以第1对应信息是第1模型的情况为例对信息处理系统100进行说明。另外，以下，以第2对应信息是第2模型的情况为例对信息处理系统100进行说明。

信息处理系统100包括学习装置1和推定装置2。学习装置1学习第1对应信息。学习装置1执行程序，其具备控制部10，该控制部具备通过总线连接的CPU(Central ProcessingUnit，中央处理单元)等处理器91和存储器92。学习装置1通过程序执行而作为具备控制部10、接口部1、输入部12、存储部13以及输出部14的装置来发挥功能。更具体而言，处理器91读出存储于存储部13的程序，将读出的程序存储于存储器92。通过处理器91执行存储在存储器92中的程序，学习装置1作为具备控制部10、接口部11、输入部12、存储部13以及输出部14的装置来发挥功能。

接口部11构成为包括用于将本装置与推定装置2及外部装置连接的通信接口。接口部11经由有线或者无线方式与推定装置2及外部装置进行通信。

输入部12构成为包括鼠标、键盘、触摸面板等输入装置。输入部12也可以构成为将这些输入装置与本装置连接的接口。输入部12接受对本装置的各种信息的输入。输入部12例如接受学习数据的输入。

存储部13使用磁性硬盘装置、半导体存储装置等非易失性计算机可读的存储介质装置构成。存储部13存储与学习装置1相关的各种信息。存储部13存储经由输入部12输入的学习数据。存储部13例如存储满足结束条件之前的机器学习模型。存储部13存储将学习数据与性能信息赋予关联的信息(以下称为“回归用数据”)。

图3是示出实施方式中的学习数据的一例的图。

就学习数据而言，输入侧的学习数据与监督数据的各项目被赋予关联。输入侧的学习数据保存材料信息和工艺条件的各信息。监督数据保存物性信息。

图4是示出实施方式中的回归用数据的一例的图。

就回归用数据而言，例如学习数据与性能信息被赋予关联。学习数据保存材料信息、工艺条件和物性信息的各信息。

输出部14输出各种信息。输出部14例如输出学习结果的第1对应信息。输出部14构成为包括例如CRT(CathodeRay Tube，阴极射线管)显示器、液晶显示器、有机EL(Electro－Luminescence，电致发光)显示器等显示装置。输出部14也可以构成为将这些显示装置与本装置连接的接口。

控制部10控制学习装置1所具备的各功能部的动作。另外，控制部10生成第1模型以及第2模型。

图5是示出实施方式中的控制部10的功能结构的一例的图。控制部10具备学习完毕模型生成部101、回归模型生成部102以及通信控制部103。

学习完毕模型生成部101读出存储于存储部13的多个学习数据。学习完毕模型生成部101基于多个学习数据生成第1模型。生成第1模型是指读出存储于存储部13的机器学习模型，使用多个学习数据进行学习直到满足结束条件为止。学习完毕模型生成部101将第1模型存储到存储部13中。

回归模型生成部102读出存储于存储部13的第1模型和多个回归用数据。回归模型生成部102基于多个回归用数据和第1模型，生成第2模型。生成第2模型是指对多个回归用数据执行规定的回归分析，取得回归模型。

通信控制部103控制接口部11的动作，将学习完毕模型生成部101生成的第1模型和回归模型生成部102生成的第2模型发送给推定装置2。

图6是示出实施方式中的学习装置1所执行的生成第1模型的处理的流程的一例的流程图。

学习完毕模型生成部101从存储部13读出多个学习数据(步骤S101)。学习完毕模型生成部101基于读出的多个学习数据进行机器学习，生成第1模型(步骤S102)。

图7是示出实施方式中的学习装置1所执行的生成第2模型的处理的流程的一例的流程图。

回归模型生成部102从存储部13读出多个回归用数据(步骤S201)。回归模型生成部102对读出的多个回归用数据执行规定的回归分析，生成第2模型(步骤S202)。

回到图2的说明。推定装置2执行程序，并具备控制部20，该控制部20具备通过总线连接的CPU(Central Processing Unit，中央处理单元)等处理器93和存储器94。推定装置2通过程序的执行而作为具备控制部20、接口部21、输入部22、存储部23以及输出部24的装置来发挥功能。更具体而言，处理器93读出存储于存储部23的程序，并将读出的程序存储于存储器94。处理器93执行存储于存储器94中的程序，从而推定装置2作为具备控制部20、接口部21、输入部22、存储部23以及输出部24的装置来发挥功能。

接口部21构成为包括用于将本装置与学习装置1和外部装置连接的通信接口。接口部21经由有线或者无线方式与学习装置1及外部装置进行通信。

输入部22构成为包括鼠标、键盘、触摸面板等输入装置。输入部22也可以构成为将这些输入装置与本装置连接的接口。输入部22接受对本装置的各种信息的输入。输入部22例如接受推定对象信息的输入。推定对象信息是将推定对象材料信息与推定对象工艺条件赋予关联的信息。推定对象材料信息是表示组合物的材料的材料信息，该组合物作为推定装置2对图案化性能进行推定的对象。推定对象工艺条件是用于得到组合物的工艺的工艺条件，该组合物作为推定装置2对图案化性能进行推定的对象。

存储部23使用磁性硬盘装置、半导体存储装置等非易失性计算机可读的存储介质装置构成。存储部23存储与推定装置2相关的各种信息。存储部23例如存储对应信息。即，存储部23例如存储第1模型和第2模型。存储部23例如存储经由输入部22输入的推定对象信息。

图8是示出实施方式中的推定对象信息的一例的图。

就推定对象信息而言，推定对象材料信息与推定对象工艺条件的各项目赋予关联。

输出部24输出各种信息。输出部24例如输出作为推定装置2的推定结果的性能信息。输出部24构成为包括例如CRT(CathodeRay Tube，阴极射线管)显示器、液晶显示器、有机EL(Electro－Luminescence，电致发光)显示器等显示装置。输出部24也可以构成为将这些显示装置与本装置连接的接口。

控制部20基于对应信息，对由推定对象材料信息所示的材料组成的抗蚀剂的、通过推定对象工艺条件下的工艺得到的图案化性能进行推定。

图9是示出实施方式中的控制部20的功能结构的一例的图。控制部20具备性能推定部201以及输出控制部202。

性能推定部201读出存储于存储部23的推定对象信息和对应信息。性能推定部201基于对应信息，取得表示下述性能的性能信息，该性能是通过推定对象信息所示的工艺条件下的工艺而得到的性能、并且是推定对象信息所示的组合物的性能。

输出控制部202控制输出部24的动作，使输出部24输出性能推定部201取得的性能信息。

图10是示出实施方式中的推定装置2所执行的处理的流程的一例的流程图。

存储部23存储经由输入部22输入的推定对象信息(步骤S301)。接着，性能推定部201读出存储于存储部23的推定对象信息和对应信息(步骤S302)。接着，性能推定部201基于对应信息对通过推定对象信息所示的工艺条件下的工艺得到的性能并且是推定对象信息所示的组合物的性能进行推定(步骤S303)。例如，性能推定部201首先基于推定对象信息和第1对应信息，取得与推定对象信息相对应的物性信息。接着，性能推定部201基于推定对象信息和与推定对象信息相对应的物性信息、及第2对应信息，取得与推定对象信息和对应于推定对象信息的物性信息相对应的性能信息。这样取得的性能信息是步骤S303的处理的推定结果。在步骤S303之后，输出控制部202使输出部24输出推定结果的性能(步骤S304)。

图11是示出实施方式中的信息处理系统100的性能信息的推定结果与实测出的性能的关系的实验结果的第1例的图。

图11的横轴表示实测值，纵轴表示推定结果的值(推定值)。图11示出RMSE(RootMean Squared Error，均方根误差)为0.1747。图11示出相关系数为0.8863。图11示出了确定系数为0.7855。RMSE是0.1747，相关系数是0.8863，并且确定系数是0.7855，这表明指示信息处理系统100在新组合物的开发中能够以可靠的高精度对性能进行推定。

图12是示出实施方式中的信息处理系统100的性能信息的推定结果与实测出的性能的关系的实验结果的第2例的图。

图12的横轴表示实测值，纵轴表示推定结果的值(推定值)。图12示出在图11的数据的基础上进一步追加数据后的结果。图12也表明信息处理系统100在新组合物的开发中能够以可靠的高精度对性能进行推定。

这样构成的实施方式的信息处理系统100基于对应信息对由对象材料信息所示的材料组成的组合物的、通过工艺条件下的工艺得到的性能进行推定。因此，能够减轻开发新组合物的开发者的工作量。

(变形例)

材料信息例如可以包括成为材料的分子的表面积，也可以包括成为材料的分子的体积，也可以包括成为材料的分子的分子量，也可以包括表示成为材料的分子的电荷密度分布的值，也可以包括表示分子描述符的值，也可以包括材料的摩尔热容量，也可以包括材料的热膨胀系数，也可以包括材料的介电常数，也可以包括材料的表面张力，也可以包括材料的粘度，也可以包括材料的折射率，也可以包括材料的透射率，也可以包括材料的吸光度，也可以包括材料的密度，也可以包括材料的玻化温度，也可以包括材料的熔点，也可以包括材料的分配系数，也可以包括材料的酸度常数，也可以包括材料的溶解度参数，也可以包括以下的参考文献1中所记载的材料的ABC参数，也可以包括材料的保护基的脱保护反应的活化能。

参考文献1：F.H.Dill，A.R.Neureuther，J.A.Tuttle and E.J.Walker“Modelingprojection printing of positive photoresists”，IEEE Trans.Electron.Dev.,22,(1975),pp.456－464

物性信息只要是用于基于第2对应信息输出性能信息的信息，则可以是任何信息。物性信息例如也可以是表示以工艺条件的工艺被处理之前和/或被处理之后的抗蚀剂、并且是材料信息所示的材料的抗蚀剂的物性的信息。更具体而言，物性信息例如也可以是抗蚀剂被处理、结果形成于规定对象的保护膜的特性信息。对于抗蚀剂的处理例如是将抗蚀剂涂布于涂布对象的处理。在这种情况下，形成保护膜的规定对象是抗蚀剂的涂布目标的涂布对象。更具体而言，物性信息例如也可以是抗蚀剂被处理并通过加热工序使抗蚀剂干燥、结果形成于规定对象的保护膜的特性信息。物性信息例如也可以是抗蚀剂被处理、抗蚀剂发生了化学变化、结果形成于规定对象的保护膜的特性信息。

物性信息例如也可以包括选自下述信息中的至少一种信息：成为材料的分子的表面积；成为材料的分子的体积；成为材料的分子的分子量；表示成为材料的分子的电荷密度分布的值；表示分子描述符的值；材料的摩尔热容量；材料的热膨胀系数；材料的介电常数；材料的表面张力；材料的粘度；材料的折射率；材料的透射率；材料的吸光度；材料密度；材料的玻化温度；材料的熔点；材料的沸点；材料的燃点；材料的蒸气压；材料的大西参数；材料的pKa值；材料的分解点；材料的分配系数；材料的酸度常数；材料的溶解度参数；参考文献1所述材料的ABC参数；材料的保护基脱保护反应的活化能；材料的酸扩散长度；成为材料的聚合物(polymer)的分子量；成为材料的聚合物(polymer)的分子量分散度；表示成为材料的高分子材料(聚合物单元)的组成比的信息；表示光酸产生剂(PAG)、光崩解性碱(PDB)等添加成分量的信息；表示组合物为抗蚀剂时未曝光状态下的抗蚀剂膜的溶解速度的信息；表示组合物为抗蚀剂时曝光状态下的抗蚀剂膜的溶解速度的信息；选自通过将组合物为抗蚀剂时的曝光前后的抗蚀剂膜的状态进行比较而得到的信息中的至少1种信息。通过对组合物为抗蚀剂时的曝光前后的抗蚀剂膜的状态进行比较而得到的信息，例如为膜厚、重量、膜密度、溶解速度、折射率等的变化。

工艺条件例如也可以包括选自涂布膜厚、热处理的条件、曝光条件、利用电子显微镜的观察条件、掩膜信息、NILS(Normalized Image Log－Slope，正归化影像对数斜率值)中的至少一种信息。掩膜信息是与光掩膜相关的信息。热处理的条件例如可以包括PAB(Post Applied Bake)烘烤的温度，也可以包括PEB(Post Exposure Bake，曝光后烘烤)的温度，还可以包括PAB、PEB等烘烤的温度和时间的条件。利用电子显微镜的观察条件，具体而言是观察倍率、电流值、加速电压、帧数等。

图案化性能例如也可以是选自灵敏度、CDU(Critical Dimension Uniformity，线宽均匀性)、极限分辨率、LER(Line Edge Roughness，(线边缘粗糙度)、LWR(Line WidthRoughness，线宽粗糙度)、DOF(Depth of Focus，聚焦深度)、曝光裕度(EL裕度)、MEF(Maskerror factor，掩膜版误差因子)、图案截面形状的矩形性、接触孔图案(CH图案)中的孔的正圆性中的至少一种。

需要说明的是，第1对应信息并非必须是第1模型，但优选是表示材料信息及工艺条件、与表示以该材料信息及该工艺条件的工艺测定出的抗蚀剂的物性的物性信息之间的关系的非线性模型。

需要说明的是，第2对应信息并非必须是第2模型，但优选是通过外推精度比生成第1对应信息的方法高的方法取得的信息。例如，第2对应信息优选是表示材料信息、工艺条件及物性信息与表示图案化性能的性能信息赋予关联的信息之间关系的线性模型。作为线性模型，例如也可以是多重回归、PCA回归(主成分回归)、Lasso回归(最小绝对收缩和选择算子回归)、Ridge回归(岭回归)、Elastic Net回归(弹性网络回归)、PLS(Partial LeastSquares，偏最小二乘法)回归、支持向量回归。

在实施方式中，学习完毕模型生成部101生成了第1模型，但第1模型终归只是第1对应信息的一例，学习完毕模型生成部101是生成第1对应信息的功能部。另外，在实施方式中，回归模型生成部102生成了第2模型，但第2模型终归只是第2对应信息的一例，回归模型生成部102是生成第2对应信息的功能部。另外，在实施方式中，性能推定部201基于第1模型和第2模型对性能信息进行了推定。但是，第1模型和第2模型终归只是第1对应信息和第2对应信息的一例，性能推定部201是基于第1对应信息和第2对应信息对性能信息进行推定的功能部。

需要说明的是，学习数据也可以经由接口部11由外部装置输入。推定对象信息也可以经由接口部21由外部装置输入。

需要说明的是，学习装置1及推定装置2的各功能的全部或者一部分也可以使用ASIC(Application Specific Integrated Circuit，专用集成电路)、PLD(ProgrammableLogic Device，可编程逻辑器件)、FPGA(Field Programmable Gate Array，现场可编程门阵列)等硬件来实现。程序也可以记录于计算机可读的记录介质。计算机可读的记录介质例如是软盘、光磁盘、ROM、CD-ROM等可移动介质、内置于计算机系统的硬盘等存储装置。程序可以经由电信线路传输。

需要说明的是，学习装置1和推定装置2也可以使用分别经由网络以可通信方式连接的多台信息处理装置来进行安装。在该情况下，学习装置1和推定装置2所具备的各功能部也可以分散地安装于多个信息处理装置。例如，学习完毕模型生成部101和回归模型生成部102也可以安装于彼此不同的信息处理装置。

学习装置1和推定装置2并非必须安装于不同的框体。学习装置1和推定装置2也可以是由1个框体构成的装置。另外，推定装置2并非必须从存储部23读出对应信息，也可以经由接口部11和接口部21从存储部13读出。

需要说明的是，学习完毕模型生成部101是学习部的一例。

以上，参照附图对本发明的实施方式进行了详细叙述，但具体的结构并不限定于该实施方式，也包含不脱离本发明的主旨的范围的设计等。因此，本发明的范围仅由权利要求书及其等同范围来规定。

附图标记说明

100信息处理系统，1学习装置，2推定装置，10控制部，11接口部，12输入部，13存储部，14输出部，20控制部，21接口部，22输入部，23存储部，24输出部，91处理器，92存储器，93处理器，94存储器，101学习完毕模型生成部，102回归模型生成部，103通信控制部。

Claims (20)

1.信息处理系统，其具备：

存储部，其存储对应信息，所述对应信息是将表示组合物的材料的材料信息及使用所述组合物的工艺中的工艺条件与通过所述工艺得到的组合物的性能信息赋予关联的信息；

性能推定部，其根据输入的所述材料信息、所述工艺条件和所述对应信息取得所述性能信息；以及

输出部，其输出所述性能信息。

2.根据权利要求1所述的信息处理系统，其中，

所述组合物用于对象物的图案化，所述性能信息表示所述组合物用于所述图案化的情况下的性能。

3.根据权利要求1或2所述的信息处理系统，其中，

所述组合物为抗蚀剂。

4.根据权利要求3所述的信息处理系统，其中，

所述存储部将第1对应信息和第2对应信息作为所述对应信息进行存储，

所述第1对应信息是将所述材料信息及所述工艺条件、与表示所述工艺条件的工艺中的所述抗蚀剂的物性的物性信息赋予关联的信息，

所述第2对应信息是将所述材料信息、所述工艺条件及所述物性信息与所述性能信息赋予关联的信息，

所述性能推定部基于输入的所述材料信息及所述工艺条件和所述第1对应信息输出所述物性信息，基于输出的该物性信息、所述材料信息及所述工艺条件和所述第2对应信息，取得所述性能信息。

5.根据权利要求4所述的信息处理系统，其中，

所述第1对应信息是将所述材料信息及所述工艺条件作为解释变量并将所述物性信息作为目标变量的非线性模型。

6.根据权利要求4或5所述的信息处理系统，其中，

所述第2对应信息由将所述材料信息、所述工艺条件及所述物性信息作为解释变量并将所述性能信息作为目标变量的线性模型表示。

7.根据权利要求4至6中任一项所述的信息处理系统，其具备学习部，

所述学习部通过基于所述材料信息及工艺条件、和表示该材料信息及该工艺条件的工艺中的所述抗蚀剂的物性的物性信息来进行机器学习，从而生成所述第1对应信息。

8.根据权利要求7所述的信息处理系统，其中，

所述第2对应信息是通过外推精度比所述学习部生成所述第1对应信息的方法高的方法取得的信息。

9.根据权利要求4至8中任一所述的信息处理系统，其中，

所述物性信息是表示下述抗蚀剂的物性的信息，该抗蚀剂是在所述工艺条件下被处理之前和/或被处理之后的抗蚀剂并且是所述材料信息所示材料的抗蚀剂。

10.根据权利要求3至9中任一项所述的信息处理系统，其中，

所述性能信息是表示所述抗蚀剂的光刻性能的信息。

11.根据权利要求9所述的信息处理系统，其中，

所述物性信息是所述抗蚀剂被处理、结果形成于规定对象的保护膜的特性信息。

12.根据权利要求11所述的信息处理系统，其中，

所述物性信息是所述抗蚀剂被处理且通过加热工序而所述抗蚀剂被干燥、结果形成于规定对象的保护膜的特性信息。

13.根据权利要求11所述的信息处理系统，其中，

所述物性信息是所述抗蚀剂被处理且所述抗蚀剂发生了化学变化、结果形成于规定对象的保护膜的特性信息。

14.信息处理装置，其具备：

性能推定部，其从存储部读出对应信息，并基于读出的材料信息及工艺条件和对应信息取得性能信息，所述对应信息是将表示抗蚀剂的材料的所述材料信息及使用所述抗蚀剂的规定工艺中的所述工艺条件、与表示通过所述工艺得到的所述抗蚀剂的性能的所述性能信息赋予关联的信息；和

输出部，其输出所述性能信息。

15.学习装置，其具备学习部，

该学习部通过基于表示抗蚀剂的材料的材料信息及使用所述抗蚀剂的规定工艺中的工艺条件、和表示该材料信息及该工艺条件的工艺中的所述抗蚀剂的物性的物性信息进行机器学习，从而生成第1对应信息。

16.根据权利要求15所述的学习装置，其中，

所述第1对应信息中与所述材料信息及工艺条件相关联的所述物性信息用于基于第2对应信息输出表示通过所述工艺得到的所述抗蚀剂的性能的性能信息，所述第2对应信息是将所述物性信息与所述性能信息赋予关联的信息。

17.信息处理方法，其包括：

性能推定步骤，基于将表示抗蚀剂的材料的材料信息及使用所述抗蚀剂的规定工艺中的工艺条件、和表示通过所述工艺得到的所述抗蚀剂的性能的性能信息赋予关联的对应信息，取得所述性能信息；和

输出步骤，输出所述性能信息。

18.程序，用于使计算机作为权利要求3至13中任一项所述的信息处理系统来发挥功能。

19.学习方法，其包括学习步骤，

该学习步骤中，通过基于表示所述抗蚀剂的材料的材料信息及使用所述抗蚀剂的规定工艺中的工艺条件、和表示该材料信息和该工艺条件的工艺中的所述抗蚀剂的物性的物性信息，进行机器学习，从而生成第1对应信息。

20.程序，用于使计算机作为权利要求15所述的学习装置来发挥功能。

Images