CN117461040A - 基板处理装置、数据处理方法及数据处理程序 - Google Patents
基板处理装置、数据处理方法及数据处理程序 Download PDFInfo
- Publication number
- CN117461040A CN117461040A CN202280041250.2A CN202280041250A CN117461040A CN 117461040 A CN117461040 A CN 117461040A CN 202280041250 A CN202280041250 A CN 202280041250A CN 117461040 A CN117461040 A CN 117461040A
- Authority
- CN
- China
- Prior art keywords
- unit
- series
- time
- manufacturing process
- sensor data
- 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
Links
- 239000000758 substrate Substances 0.000 title claims abstract description 165
- 238000003672 processing method Methods 0.000 title claims description 4
- 238000004519 manufacturing process Methods 0.000 claims abstract description 87
- 230000002596 correlated effect Effects 0.000 claims abstract description 20
- 238000004364 calculation method Methods 0.000 claims description 45
- 230000000875 corresponding effect Effects 0.000 claims description 19
- 230000010354 integration Effects 0.000 claims description 7
- 238000000034 method Methods 0.000 description 31
- 238000010586 diagram Methods 0.000 description 19
- 230000005856 abnormality Effects 0.000 description 14
- 230000006870 function Effects 0.000 description 12
- 230000000694 effects Effects 0.000 description 7
- 238000013500 data storage Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 3
- FFBHFFJDDLITSX-UHFFFAOYSA-N benzyl N-[2-hydroxy-4-(3-oxomorpholin-4-yl)phenyl]carbamate Chemical compound OC1=C(NC(=O)OCC2=CC=CC=C2)C=CC(=C1)N1CCOCC1=O FFBHFFJDDLITSX-UHFFFAOYSA-N 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
降低学习作业所花费的作业负荷。基板处理装置,具有:储备池特征量生成部,输入取得的时间序列的第1传感器数据并输出储备池特征量;学习部,在学习期间,学习权重参数,以使通过基于所述权重参数运算储备池特征量而得到的预测结果数据与取得的所述时间序列的第2传感器数据相关;预测部,在预测期间,基于学习的权重参数,对通过输入所述时间序列的第1传感器数据而由所述储备池特征量生成部输出的储备池特征量进行运算,并输出预测结果数据;以及判定部,在所述预测期间,通过比较所述预测结果数据和取得的所述时间序列的第2传感器数据,来判定基板制造工艺的状态。
Description
技术领域
本公开涉及一种基板处理装置、数据处理方法及数据处理程序。
背景技术
以往,在基板处理装置的领域中,使用由各种传感器测定的时间序列的传感器数据来判定基板制造工艺的状态(例如,有无异常等)。另外,最近为了提高判定精度,也提出了利用机器学习模型。
【现有技术文献】
【专利文献】
【专利文献1】日本特开2018-77779号公报
【非专利文献】
【非专利文献1】David Sussillo,L.F.Abbott,“Generating Coherent Patternsof Activity from Chaotic Neural Networks”,Neuron.Author manuscript;availablein PMC 2010Aug 27.
发明内容
【发明所要解决的课题】
但是,在一般的机器学习模型的情况下,为了提高判定精度,需要收集大量的学习用数据。因此,在应用了机器学习模型的基板处理装置的情况下,启动时的学习作业所涉及的作业负荷高。另外,在启动后,在判定精度随着基板处理装置的经时变化而降低的情况下,需要再次重新收集大量的学习用数据。因此,在应用了机器学习模型的基板处理装置的情况下,维护时的学习作业所花费的作业负荷也高。
本公开在使用时间序列的传感器数据来判定基板制造工艺的状态的基板处理装置中,降低学习作业所花费的作业负荷。
【解决课题的手段】
根据本公开的一个方式的基板处理装置,例如,具有以下的结构。即:
储备池特征量生成部,输入在基板制造工艺中取得的时间序列的第1传感器数据并输出储备池特征量;
学习部,在学习期间,学习权重参数,以使通过基于所述权重参数运算由所述储备池特征量生成部输出的储备池特征量而得到的预测结果数据与在所述基板制造工艺中取得的时间序列的第2传感器数据相关;
预测部,在预测期间,基于由所述学习部学习的权重参数,对通过输入在所述基板制造工艺中取得的时间序列的第1传感器数据而由所述储备池特征量生成部输出的储备池特征量进行运算,并输出预测结果数据;以及
判定部,在所述预测期间,通过比较所述预测结果数据和在所述基板制造工艺中取得的时间序列的第2传感器数据,来判定所述基板制造工艺的状态。
【发明的效果】
在使用时间序列的传感器数据来判定基板制造工艺的状态的基板处理装置中,能够降低学习作业所花费的作业负荷。
附图说明
图1是表示基板处理装置的系统结构的一例的第1图。
图2是表示数据处理装置的硬件结构的一例的图。
图3是表示数据处理装置的RC部的功能结构的一例的第1图。
图4是表示储备池计算处理的流程的流程图。
图5是表示数据处理装置的取得部以及判定部的功能结构的一例的图。
图6是表示取得及判定处理的流程的第1流程图。
图7是表示取得及判定处理的流程的第2流程图。
图8是表示取得及判定处理的具体例的图。
图9是表示数据处理装置的RC部的功能结构的一例的第2图。
图10A是表示数据处理装置的RC部的功能结构的一例的第3图。
图10B是表示数据处理装置的RC部的功能结构的一例的第4图。
图11是表示数据处理装置的RC部和整合部的功能结构的一例的图。
图12是表示基板处理装置的系统结构的一例的第2图。
图13是表示数据处理装置的RC部的功能结构的一例的第5图。
图14是表示基板处理装置的系统结构的一例的第3图。
具体实施方式
以下,参照附图对各实施方式进行说明。另外,在本说明书和附图中,对具有实质上相同的功能结构的结构要素标注相同的符号,从而省略重复的说明。
[第1实施方式]
<基板处理装置的系统结构>
首先,对根据第1实施方式的基板处理装置的系统结构进行说明。图1是表示基板处理装置的系统结构的一例的第1图,图中的箭头表示数据的流动。其中,图1的1a表示学习期间中的基板处理装置100内的数据的流动,图1的1b表示预测期间中的基板处理装置100内的数据的流动。
如图1的1a、1b所示,基板处理装置100具有处理基板的腔室110、传感器a120(第1传感器的一例)、数据处理装置130、传感器b140(第2传感器的一例)、控制装置150以及致动器160。
如图1的1a、1b所示,在腔室110中处理基板的过程中,由传感器a120测定的时间序列的传感器数据被发送到数据处理装置130的储备池计算部(Reservoir Computing,以下,记为RC部)131。即,发送到RC部131的时间序列的传感器数据是在基板制造工艺中取得的时间序列的第1传感器数据的一例。
RC部131实现表现能力高且学习速度快的储备池计算。具体而言,RC部131基于由传感器a120测定的时间序列的传感器数据(输入数据),预测由传感器b140测定的时间序列的传感器数据。
因此,如图1的1a所示,在学习期间,RC部131经由数据处理装置130的取得部132取得由传感器b140测定的时间序列的传感器数据(正解数据)。然后,RC部131学习该权重参数,以使通过基于权重参数对传感器a120测定的时间序列的传感器数据(输入数据)进行运算而得到的预测结果数据与正解数据相关。
另一方面,如图1的1b所示,在预测期间,RC部131基于所学习的权重参数运算由传感器a120测定的时间序列的传感器数据(输入数据),并输出时间序列的传感器数据(预测结果数据)。另外,将由RC部131输出的时间序列的传感器数据(预测结果数据)通知给数据处理装置130的取得部132。
传感器b140将在腔室110中基板的处理中测定的时间序列的传感器数据发送到数据处理装置130的取得部132。即,发送到取得部132的时间序列的传感器数据是在基板制造工艺中取得的时间序列的第2传感器数据的一例。
如图1的1a所示,数据处理装置130的取得部132将在学习期间中由传感器b140测定的时间序列的传感器数据(正解数据)通知给RC部131。
另外,如图1的1b所示,数据处理装置130的取得部132在预测期间,将由RC部131通知的预测结果数据和由传感器b140测定的时间序列的传感器数据(比较数据)通知给判定部133。另外,由传感器b140测定的时间序列的传感器数据在学习期间称为“正解数据”,在预测期间称为“比较数据”。
另外,如图1的1b所示,在预测期间,判定部133计算由取得部132通知的预测结果数据与比较数据之间的差分,根据计算出的差分数据,判定基板制造工艺的状态。由判定部133得到的判定结果被通知给控制装置150。控制装置150根据所通知的判定结果来控制致动器160。
这样,在使用时间序列的传感器数据来判定基板制造工艺的状态的基板处理装置100中,在第1实施方式中,
·配置实现表现能力高且学习速度快的储备池计算的RC部131,
·在学习期间,通过使用两种时间序列的传感器数据作为输入数据和正解数据来进行学习,
·在预测期间,通过使用两种时间序列的传感器数据作为输入数据和比较数据来判定基板制造工艺的状态。
由此,根据第1实施方式的基板处理装置100,能够在启动时及维护时有效地进行学习,能够降低学习作业的作业负荷。
<数据处理装置的硬件结构>
接着,对基板处理装置100所具有的数据处理装置130的硬件结构进行说明。图2是表示数据处理装置的硬件结构的一例的图。其中,图2的2a表示在作为硬件的储备池特征量生成器中实现储备池特征量的生成功能(详细内容后述)的情况。另外,图2的2b表示通过计算机执行软件(例如,储备池特征量生成程序)来实现储备池特征量的生成功能的情况。
如图2所示,数据处理装置130包括处理器201、存储器202、辅助存储装置203和外部I/F装置206(在图2的2a的情况下,还可以使用I/F装置204、储备池特征量生成器205)。另外,数据处理装置130的各硬件,经由总线207相互连接。
图2的2a、2b的处理器201具有CPU、GPU等各种运算设备。处理器201将各种程序(例如,在后述的数据处理程序、图2的2b的情况下,包含储备池特征量生成程序的数据处理程序等)读出到存储器202上并执行。
图2的2a、2b的存储器202具有ROM、RAM等主存储设备。处理器201和存储器202形成所谓的计算机,处理器201执行在存储器202上读出的各种程序,从而该计算机实现各种功能(RC部131、取得部132、判定部133)。
图2的2a、2b的辅助存储装置203存储各种程序、各种程序由处理器201执行时使用的各种数据。
图2的2a中的I/F装置204是连接到储备池特征量生成器205的连接设备。图2的2a的储备池特征量生成器205例如由FPGA(Field-Programmable Gate Array,现场可编程门阵列)板等实现。储备池特征量生成器205具有储备池特征量的生成功能,其输入由传感器a120测定的时间序列的传感器数据,并输出储备池特征量。
图2的2a和2b的外部I/F装置206,是与传感器a120和传感器b140连接的连接设备。
<数据处理装置的RC部的功能结构>
接下来,说明数据处理装置130的RC部131的功能结构。图3是表示数据处理装置的RC部的功能结构的一例的第1图。
如图3所示,RC部131具有储备池特征量生成部300、预测部310、期间判定部320、切换部330、学习部340。其中,如上所述,储备池特征量生成部300也可以通过FPGA板等硬件即储备池特征量生成器205来实现。但是,在本实施方式中,说明储备池特征量生成部300是通过由计算机执行储备池特征量生成程序而实现的功能。
另外,预测部310~学习部340是通过由计算机执行数据处理程序(储备池特征量生成程序以外的数据处理程序)来实现的功能。
如图3所示,储备池特征量生成部300具有输入从传感器a120取得的时间序列的传感器数据a(输入数据),并输出储备池特征量的储备池特征量的生成功能。
预测部310具有权重取得部311和运算部312。权重取得部311取得由学习部340学习并存储在数据存储部350中的权重参数,并将其设定在运算部312中。另外,在学习期间的最初的学习中,也可以将默认的权重参数作为初始值设定在运算部312中,例如也可以设定由随机数生成的值。
运算部312将通过基于由权重取得部311设定的权重参数对从储备池特征量生成部300输出的储备池特征量进行运算而得到的预测结果数据通知给期间判定部320。
期间判定部320基于由运算部312通知的预测结果数据和由取得部132通知的传感器数据b(正解数据),判定当前的期间是学习期间还是预测期间,向切换部330通知期间判定结果。另外,期间判定部320与当前期间是学习期间还是预测期间无关,将预测结果数据通知给切换部330。
切换部330在学习期间,将由期间判定部320通知的预测结果数据通知给学习部340。此外,切换部330在预测期间,将由期间判定部320通知的预测结果数据通知给取得部132。
学习部340具有权重计算部341。权重计算部341,计算如下数据的误差:
·由传感器b140测定并由取得部132作为正解数据通知的传感器数据b;
·由切换部330通知的预测结果数据。
另外,权重计算部341根据计算出的误差来学习权重参数。此时,在权重计算部341中,通过矩阵运算来学习权重参数,以使误差接近零(即,使预测结果数据与正解数据相关联)。
另外,权重计算部341,将学习得到的权重参数存储在数据存储部350中。数据存储部350例如在数据处理装置130的辅助存储装置203中实现。
<储备池计算流程>
接着,说明基于RC部131的储备池计算处理的流程。图4是表示储备池计算处理的流程的流程图的一例。
在步骤S401中,当RC部131开始学习期间时,预测部310的权重取得部311初始化权重参数,并将默认的权重参数设定到运算部312。另外,储备池特征量生成部300开始由传感器a120测定的时间序列的传感器数据的输入和储备池特征量的输出。由此,预测部310的运算部312根据权重参数运算所输出的储备池特征量,并输出预测结果数据。
在步骤S402中,期间判定部320判定期间是学习期间还是预测期间。当在步骤S402中判定是学习期间时,切换部330将预测结果数据的通知目的地切换到学习部340并且进行到步骤S403。另外,在本实施方式中,RC部131从学习期间开始期间。
在步骤S403中,学习部340进行基于由切换部330通知的预测结果数据和正解数据来学习权重参数的学习处理。
在步骤S404,期间判定部320判定是否满足学习结束条件(没有正解数据和预测结果数据之间的误差的状态是否经过了指定的时间量)。如果在步骤S403中判定不满足学习结束条件,则在步骤S404中判定不进入预测期间(在步骤S404中判定“否”),并且进入步骤S409。
另一方面,如果在步骤S403中判定满足学习结束条件,则在步骤S404中判定将进入预测期间(在步骤S404中判定“是”),并且进入步骤S405。在这种情况下,预测部310的权重取得部311从数据存储部350读取学习结束时的权重参数,并将其设定在运算部312中。
在步骤S405,期间判定部320进入预测期间,并且进行到步骤S409。由此,切换部330将预测结果数据的通知目的地切换到取得部132。
另一方面,当在步骤S402中判定是预测期间时,进入步骤S406。
在步骤S406中,预测部310的运算部312根据学习结束时的权重参数,运算从储备池特征量生成部300输出的储备池特征量,进行输出预测结果数据的预测处理。
在步骤S407中,期间判定部320判定是否需要再学习。在步骤S407中,在判定为不需要再学习的情况下(在步骤S407中为“否”的情况下),进入步骤S409。另一方面,在步骤S407中判定为需要再学习的情况下(在步骤S407中为“是”的情况下),进入步骤S408。
在步骤S408,期间判定部320进入学习期间,并且进入步骤S409。由此,切换部330将预测结果数据的通知目的地切换到学习部340。
在步骤S409中,RC部131判定是否结束储备池计算处理。
在步骤S409中,在判定为继续储备池计算处理的情况下(在步骤S409中为“否”的情况下),返回到步骤S402。另一方面,在步骤S409中,在判定为结束储备池计算处理的情况下(在步骤S409中为“是”的情况下),结束储备池计算处理。
<数据处理装置的取得部以及判定部的功能结构>
接下来,说明数据处理装置130的取得部132和判定部133的功能结构。图5是表示数据处理装置的取得部以及判定部的功能结构的一例的图。如图5所示,取得部132具有传感器数据取得部501、预测结果数据取得部503。另外,判定部133具有差分计算部511、状态判定部512。
传感器数据取得部501将由传感器b140测定出的时间序列的传感器数据b作为正解数据向RC部131通知,并作为比较数据向判定部133通知。
预测结果数据取得部503在预测期间取得从RC部131发送的预测结果数据,并通知给判定部133。
差分计算部511计算在预测期间由传感器数据取得部501通知的比较数据与在预测期间由RC部131发送的预测结果数据之间的差分,生成差分数据。另外,差分计算部511将生成的差分数据通知给状态判定部512。
状态判定部512判定基板制造工艺的状态。具体而言,状态判定部512判定由差分计算部511通知的差分数据是否超过了规定的阈值。状态判定部512在判定为超过了规定的阈值的情况下,判定为在处理后的基板中发生了异常。另外,状态判定部512输出表示发生了异常的异常检测结果。
另外,状态判定部512针对由差分计算部511通知的差分数据,判定规定的时间范围的变化模式(pattern)是否与规定的变化模式类似。状态判定部512在判定为与规定的变化模式类似的情况下,判定为在基板处理装置100中发生了异常或者发生了故障。另外,状态判定部512将表示在基板处理装置100中发生了异常或者发生了故障的故障诊断结果输出到控制装置150。由此,在发生了异常的情况下或者发生了故障的情况下,控制装置150能够向致动器160通知停止命令。
<取得及判定处理的流程>
接着,作为由数据处理装置130的取得部132和判定部133进行的取得及判定处理的流程,说明输出异常检测结果时的取得及判定处理的流程。图6是表示取得及判定处理的流程的第1流程图。
在步骤S601中,数据处理装置130的取得部132取得由传感器b140测定的时间序列的传感器数据b。
在步骤S602中,数据处理装置130的取得部132判定当前期间是学习期间还是预测期间。如果在步骤S602中判定是学习期间,则进入步骤S603。
在步骤S603中,数据处理装置130的取得部132将取得的传感器数据b作为正解数据发送到RC部131。
另一方面,当在步骤S602中,在判定是预测期间时,进入步骤S604。
在步骤S604中,数据处理装置130的取得部132取得从RC部131发送的预测结果数据。
在步骤S605中,数据处理装置130的判定部133将从传感器b140取得的传感器数据b作为比较数据,与从RC部131取得的预测结果数据进行比较,计算差分数据。
在步骤S606中,数据处理装置130的判定部133判定差分数据是否超过了预定的阈值。在步骤S606中判定为超过了规定的阈值的情况下(在步骤S606中为“是”的情况下),进入步骤S607。
在步骤S607中,数据处理装置130的判定部133判定为在处理后的基板中发生了异常,将表示发生了异常的异常检测结果输出给控制装置150之后,进入步骤S608。
另一方面,在步骤S606中,在判定为没有超过规定的阈值的情况下(在步骤S606中为“否”的情况下),直接进入步骤S608。
在步骤S608中,数据处理装置130的取得部132判定是否结束取得及判定处理。在步骤S608中,在判定为不结束取得处理和判定处理的情况下(在步骤S608中为“否”的情况下),返回到步骤S602。另一方面,在步骤S608中,在判定为结束取得及判定处理的情况下(在步骤S608中为“是”的情况下),结束取得及判定处理。
接着,作为数据处理装置130的取得部132及判定部133的取得及判定处理的流程,对输出故障诊断结果时的取得及判定处理的流程进行说明。图7是表示取得及判定处理的流程的第2流程图。
与图6所示的第1流程图的不同点是步骤S701及步骤S702。因此,这里对步骤S701以及步骤S702进行说明。
在步骤S701中,数据处理装置130的判定部133判定差分数据的规定时间范围的变化模式是否与规定的变化模式类似。在步骤S701中判定为与规定的变化模式类似的情况下(在步骤S701中为“是”的情况下),进入步骤S702。
在步骤S702中,数据处理装置130的判定部133判定为在基板处理装置100中发生了异常或者发生了故障,将故障诊断结果输出给控制装置150之后,进入步骤S608。
另一方面,在步骤S702中判定为与规定的变化模式不类似的情况下(在步骤S702中为“否”的情况下),直接进入步骤S608。
<取得及判定处理的具体例>
接下来,说明由数据处理装置130的取得部132和判定部133实施的取得及判定处理的具体例。图8是表示取得及判定处理的具体例的图。在图8中,横轴表示时间,纵轴表示数据值。
另外,在图8中,折线图801表示从RC部131发送的预测结果数据,折线图802表示由传感器b140测定的时间序列的传感器数据b(比较数据)。另外,条形图803表示根据预测结果数据和比较数据的差分计算出的差分数据。
在图8的例子的情况下,表示在符号810所示的定时,预测结果数据和比较数据的差分超过了规定的阈值,由此判定为发生了异常,输出了异常检测结果。
另外,在图8的例子的情况下,表示判定为符号820所示的时间范围的差分数据的变化模式与规定的变化模式不类似。
另一方面,在图8的例子的情况下,符号830所示的时间范围的差分数据的变化模式与规定的变化模式类似,由此判定为在基板处理装置100中发生了故障,表示输出了故障诊断结果。
<归纳>
从以上的说明可知,根据第1实施方式的基板处理装置100:
·具有储备池特征量生成部,输入在基板制造工艺中取得的时间序列的传感器数据a(由传感器a测定的时间序列的传感器数据a),输出储备池特征量。
·在学习期间,学习权重参数,以使通过在权重参数的基础上运算从储备池特征量生成部输出的储备池特征量而得到的预测结果数据与由传感器b测定的时间序列的传感器数据b相关。
·在预测期间,通过输入在基板制造工艺中取得的时间序列的传感器数据a,基于所学习的权重参数运算从储备池特征量生成部输出的储备池特征量,并输出预测结果数据。
·将预测结果数据与在基板制造工艺中取得的时间序列的传感器数据b进行比较,判定基板制造工艺的状态。
由此,根据第1实施方式的基板处理装置100能够在启动时以及维护时有效地进行学习。其结果,根据第1实施方式,在使用时间序列的传感器数据来判定基板制造工艺的状态的基板处理装置中,能够降低学习作业所花费的作业负荷。
[第2实施方式]
在上述第1实施方式中,对RC部131仅具有1组储备池特征量生成部的情况进行了说明。但是,RC部131具有的储备池特征量生成部的数量不限于1组,例如也可以具有多组。以下,关于第2实施方式,以与上述第1实施方式的不同点为中心进行说明。
<数据处理装置的RC部的功能结构>
首先,对根据第2实施方式的基板处理装置100的数据处理装置130中的RC部900的功能结构进行说明。图9是表示数据处理装置的RC部的功能结构的一例的第2图。
与图3所示的第1图的功能结构的不同点,在图9的情况下如下:
·RC部900具有多个储备池特征量生成部300_1~300_L(L为任意整数);
·将由传感器a120测定的时间序列的传感器数据a并行地输入到多个储备池特征量生成部300_1~300_L;
·将分别由多个储备池特征量生成部300_1~300_L输出的储备池特征量并行地输入到预测部310的运算部312。
由此,运算部312将通过使用权重参数对分别由多个储备池特征量生成部300_1~300_L输出的储备池特征量进行加权加法而得到的预测结果数据,通知给期间判定部320。
<归纳>
从以上的说明可知,根据第2实施方式的基板处理装置100:
·具有多个储备池特征量生成部,并行地输入在基板制造工艺中取得的时间序列的传感器数据a(由传感器a测定的时间序列的传感器数据a),分别输出储备池特征量。
·在学习期间,学习权重参数,以使通过使用权重参数对从多个储备池特征量生成部分别输出的储备池特征量进行加权加法而得到的预测结果数据与时间序列的传感器数据b相关。
·在预测期间,通过并行地输入在基板制造工艺中取得的时间序列的传感器数据a,将从多个储备池特征量生成部输出的储备池特征量使用所学习的权重参数进行加权加法,输出预测结果数据。
·将预测结果数据与在基板制造工艺中取得的时间序列的传感器数据b进行比较,判定基板制造工艺的状态。
由此,根据第2实施方式的基板处理装置100能够享受与第1实施方式同样的效果,并且能够输出精度更高的预测结果数据。
[第3实施方式]
在上述第1以及第2实施方式中,说明了数据处理装置130仅具有1组RC部131的情况。但是,数据处理装置具有的RC部的数量不限于一组,例如也可以具有多组。以下,关于第3实施方式,以与上述第1及第2实施方式的不同点为中心进行说明。
<数据处理装置的RC部的功能结构>
首先,对根据第3实施方式的基板处理装置100所具有的数据处理装置1000的RC部的功能结构进行说明。图10A和图10B是表示数据处理装置的RC部的功能结构的一例的第3和第4图。
与图3所示的第1图的功能结构的不同点在于,在图10A、图10B的情况下如下:
·多个RC部1010_1~1010_L串联连接;
·由传感器a120所测定的时间序列的传感器数据被输入到始端的RC部1010_1;
·在学习期间,分别由各RC部1010_1~1010_L-1的预测部310输出的预测结果数据,被分别输入到下一个RC部的储备池特征量生成部300_2~300_L;
·在学习期间,各RC部1010_1~1010_L-1的切换部1020分别成为ON状态,从对应的预测部310输出的预测结果数据被输入到对应的学习部340中,在学习部340中进行学习;
·在学习期间,末端RC部1010_L的切换部1021被切换到学习部340侧,从预测部310输出的预测结果数据被输入到学习部340中,由此在学习部340中进行学习;
·在预测期间,各RC部1010_1~1010_L-1的切换部1020分别成为OFF状态,从对应的预测部310输出的预测结果数据分别输入到下一个RC部的储备池特征量生成部300_2~300_L;
·在预测期间,末端RC部1010_L的切换部1021被切换到取得部132侧,从对应的预测部310输出的最终预测结果数据被输出到取得部132。
<归纳>
从以上的说明可知,根据第3实施方式的基板处理装置100:
·具有串联连接的多个RC部。在预测期间,在基板制造工艺中取得的时间序列的传感器数据a(由传感器a测定的时间序列的传感器数据a)被输入到始端的RC部,从末端的RC部输出最终的预测结果数据。
·在学习期间及预测期间,由紧前的RC部输出的预测结果数据被输入到始端之后的各RC部所具有的储备池特征量生成部。
·在学习期间,各RC部学习各自的权重参数,以使通过基于权重参数进行运算而得到的预测结果数据与由传感器b测定的时间序列的传感器数据b相关。
·在预测期间,各RC部根据所学习的权重参数对从储备池特征量生成部输出的储备池特征量进行运算,并输出预测结果数据。
·将最终的预测结果数据与在基板制造工艺中取得的时间序列的传感器数据b进行比较,判定基板制造工艺的状态。
由此,根据第3实施方式的基板处理装置100,能够在享受与第1实施方式同样的效果的同时,输出精度更高的预测结果数据。
[第4实施方式]
在上述第3实施方式中,说明了将数据处理装置1000具有的多组RC部串联连接的情况。与此相对,在第4实施方式中,对并联连接多组RC部的情况进行说明。以下,关于第4实施方式,以与上述第3实施方式的不同点为中心进行说明。
<数据处理装置的RC部和整合部的功能结构>
首先,对根据第4实施方式的基板处理装置100所具有的数据处理装置1100的RC部及整合部的功能结构进行说明。图11是表示数据处理装置的RC部和整合部的功能结构的一例的图。
对于与图10A、图10B所示的功能结构的不同点在于,在图11的情况下如下:
·多个RC部1110_1~1010_L并联连接;
·对于多个RC部1110_1~1010_L,整合部1130串联连接。
另外,在图11的情况下如下:
·整合部1130具有预测部1140(整合预测部的一例)、期间判定部1150、切换部1160、学习部1170(整合学习部的一例);
·预测部1140还具有权重取得部1141、运算部1142,权重取得部1141取得由学习部1170学习并存储在数据存储部1180中的权重参数,并设定在运算部1142中;
·运算部1142使用由权重取得部1141设定的权重参数,对从各RC部1110_1~1110_L的预测部1120分别输出的预测结果数据进行加权加法,并将预测结果数据通知给期间判定部1150;
·在学习期间,切换部1160将由期间判定部1150通知的预测结果数据通知给学习部1170及各RC部1110_1~1110_L的预测部1120;
·在预测期间,切换部1160将由期间判定部1150通知的预测结果数据作为最终的预测结果数据通知给取得部132和各RC部1110_1~1110_L的预测部1120;
·学习部1170具有权重计算部1171;
·在学习期间,权重计算部1171计算由传感器b140测定并由取得部132作为正解数据通知的传感器数据b与由切换部1160通知的预测结果数据之间的误差;
·在学习期间,权重计算部1171根据计算出的误差来学习权重参数,将通过学习得到的权重参数存储在数据存储部1180中。
另外,在图11的情况下如下:
·将由传感器a120测定的时间序列的传感器数据并行地输入到各RC部1110_1~1110_L的储备池特征量生成部300_1~300_L,分别输出储备池特征量;
·在学习期间,各RC部1110_1~1110_L的对应的预测部1120根据权重参数运算储备池特征量,根据由整合部1130通知的预测结果数据对通过运算得到的预测结果数据进行修正并输出;
·在预测期间,各RC部1110_1~1110_L的对应的预测部1120根据权重参数运算储备池特征量,根据由整合部1130通知的预测结果数据对通过运算得到的预测结果数据进行修正并输出;
·在学习期间和预测期间,分别由RC部1110_1~1110_L的对应的预测部1120输出的预测结果数据被输入到整合部1130;
·在学习期间,各RC部1110_1~1110_L的对应的切换部1020分别成为ON状态,从对应的预测部1120输出的预测结果数据被输入到对应的学习部340中,由学习部340进行学习。
<归纳>
从以上的说明可知,根据第4实施方式的基板处理装置100:
·具有并联连接的多个RC部。各RC部并行地输入在基板制造工艺中取得的时间序列的传感器数据a(由传感器a测定的时间序列的传感器数据a),并将各自的预测结果数据输出到整合部。
·在预测期间,分别由多个RC部输出的预测结果数据,在整合部中,根据权重参数进行整合,作为最终的预测结果数据而输出。
·在学习期间,各RC部学习各自的权重参数,以使通过基于权重参数进行运算而得到的各预测结果数据与由传感器b测定的时间序列的传感器数据b相关。
·在学习期间以及预测期间,由整合部整合的预测结果数据被输入到各RC部的预测部,对通过基于权重参数运算储备池特征量而得到的预测结果数据进行修正。
·在学习期间,整合部学习权重参数,以使整合的预测结果数据与由传感器b测定的时间序列的传感器数据b相关。
·在预测期间,将最终的预测结果数据与在基板制造工艺中取得的时间序列的传感器数据b进行比较,判定基板制造工艺的状态。
由此,根据第3实施方式的基板处理装置100能够在享受与第1实施方式同样的效果的同时,输出精度更高的预测结果数据。
[第5实施方式]
在上述第1至第4实施方式中,说明了基于由1个传感器a120测定的时间序列的传感器数据,预测由1个传感器b140测定的时间序列的传感器数据的情况。与此相对,在第5实施方式中,基于由多个传感器测定的时间序列的传感器数据,预测由1个传感器b140测定的时间序列的传感器数据。以下,关于第5实施方式,以与上述第1实施方式的不同点为中心进行说明。
<基板处理装置的系统结构>
首先,对根据第5实施方式的基板处理装置的系统结构进行说明。图12是表示基板处理装置的系统结构的一例的第2图。与图1所示的系统结构的不同点在于,在图12的情况下,代替传感器a120而配置传感器a1120_1~传感器a3120_3(第1传感器的另一例),RC部1210的功能与RC部131的功能不同。
另外,与图1同样,图12的12a表示学习期间中的基板处理装置1200内的数据的流动,图12的12b表示预测期间中的基板处理装置1200内的数据的流动。
如图12的12a、12b所示,在腔室110中处理基板的过程中,通过传感器a1120_1至传感器a3120_3(第1传感器数据的另一示例)测定的时间序列的传感器数据被发送到RC部1210。
RC部1210实现表现能力高且学习速度快的储备池计算。具体而言,RC部1210基于由传感器a1120_1~传感器a3120_3测定出的时间序列的传感器数据(输入数据),预测由传感器b140测定出的时间序列的传感器数据。
因此,如图12的12a所示,在学习期间,RC部1210经由数据处理装置130的取得部132取得由传感器b140测定的时间序列的传感器数据(正解数据)。然后,RC部1210学习权重参数,使得通过基于权重参数运算由传感器a1120_1至传感器a3120_3测定的时间序列的传感器数据(输入数据)而获得的预测结果数据与正解数据相关。
另一方面,如图12的12b所示,在预测期间,RC部1210基于所学习的权重参数,运算由传感器a1120_1~传感器a3120_3测定的时间序列的传感器数据(输入数据)。由此,RC部1210输出时间序列的传感器数据(预测结果数据)。另外,将由RC部1210输出的时间序列的传感器数据(预测结果数据)通知给数据处理装置130的取得部132。
<数据处理装置的RC部的功能结构>
接着,对根据第5实施方式的基板处理装置1200的数据处理装置130中的RC部1210的功能结构进行说明。图13是表示数据处理装置的RC部的功能结构的一例的图5。
与图3所示的第1图的功能结构的不同点在于,在图13的情况下:
·将由传感器a1120_1至传感器a3120_3测定的时间序列的传感器数据a1至传感器数据a3输入到储备池特征量生成部300的点。
由此,在运算部312中,能够输入基于分别由多个传感器a1120_1~传感器a3120_3测定的时间序列的传感器数据a1~传感器数据a3的储备池特征量,并输出预测结果数据。
<归纳>
从以上说明可知,根据第5实施方式的基板处理装置100:
·具有储备池特征量生成部,分别输入在基板制造工艺中取得的多个时间序列的传感器数据a1~a3(由多个传感器a1~a3测定的多个时间序列的传感器数据a1~a3),输出储备池特征量。
·在学习期间,学习权重参数,以使通过在权重参数的基础上运算从由储备池特征量生成部输出的储备池特征量而得到的预测结果数据与由传感器b测定的时间序列的传感器数据b相关。
·在预测期间,通过输入在基板制造工艺中取得的多个时间序列的传感器数据a1~a3,根据所学习的权重参数运算由储备池特征量生成部输出的储备池特征量,输出预测结果数据。
·将预测结果数据与在基板制造工艺中取得的时间序列的传感器数据b进行比较,判定基板制造工艺的状态。
由此,根据第5实施方式,在使用多个时间序列的传感器数据来判定基板制造工艺的状态的基板处理装置中,能够享受与上述第1实施方式相同的效果。
[第6实施方式]
在上述各实施方式中,说明了基于由传感器a120(或传感器a1120_1~传感器a3120_3)测定的时间序列的传感器数据,预测由传感器b140测定的时间序列的传感器数据b的情况。
与此相对,在第6实施方式中,基于由传感器a120测定的时间序列的传感器数据,预测由传感器a120测定的时间序列的传感器数据。以下,关于第6实施方式,以与上述各实施方式的不同点为中心进行说明。
<基板处理装置的系统结构>
首先,对根据第6实施方式的基板处理装置的系统结构进行说明。图14是表示基板处理装置的系统结构的一例的第3图。与在上述第1实施方式中利用图1说明的系统结构的不同点在于,在图14的情况下,不包含传感器b140。
另外,与图1同样,图14的14a表示学习期间中的基板处理装置1400内的数据的流动,图14的14b表示预测期间中的基板处理装置1400内的数据的流动。
如图14的14a、14b所示,在腔室110中处理基板的过程中,由传感器a120测定的时间序列的传感器数据被发送到RC部131和取得部132。即,由传感器a120测定的时间序列的传感器数据,是在基板制造工艺中取得的时间序列的第1传感器数据的一例,是第2传感器数据的另一例。
RC部131实现表现能力高且学习速度快的储备池计算。具体而言,RC部131基于由传感器a120测定的时间序列的传感器数据(输入数据),预测由传感器a120测定的时间序列的传感器数据。
因此,如图14的14a所示,在学习期间,RC部131经由数据处理装置130的取得部132取得由传感器a120测定的时间序列的传感器数据(正解数据)。然后,RC部131学习该权重参数,以使通过基于权重参数对由传感器a120测定的时间序列的传感器数据(输入数据)进行运算而得到的预测结果数据与正解数据相关。
另一方面,如图14的14b所示,在预测期间,RC部131根据所学习的权重参数,运算由传感器a120测定的时间序列的传感器数据(输入数据)。由此,RC部131输出时间序列的传感器数据(预测结果数据)。另外,将由RC部131输出的时间序列的传感器数据(预测结果数据)通知给数据处理装置130的取得部132。
另外,如图14的14b所示,在预测期间,取得部132向判定部133通知:
·由RC部131输出的时间序列的传感器数据(预测结果数据);和
·由传感器a120测定的时间序列的传感器数据a(比较数据)。
另外,由传感器a120测定并发送到数据处理装置130的取得部132的时间序列的传感器数据a,在学习期间称为“正解数据”,在预测期间称为“比较数据”。
<归纳>
从以上的说明可知,根据第6实施方式的基板处理装置100:
·具有储备池特征量生成部,输入在基板制造工艺中取得的时间序列的传感器数据a(由传感器a测定的时间序列的传感器数据a),输出储备池特征量。
·在学习期间,学习权重参数,以使通过在权重参数的基础上运算由储备池特征量生成部输出的储备池特征量而得到的预测结果数据与由传感器a测定的时间序列的传感器数据a相关。
·在预测期间,通过输入在基板制造工艺中取得的时间序列的传感器数据a,基于所学习的权重参数运算由储备池特征量生成部输出的储备池特征量,并输出预测结果数据。
·将预测结果数据与在基板制造工艺中取得的时间序列的传感器数据a进行比较,判定基板制造工艺的状态。
由此,根据第6实施方式的基板处理装置100能够享受与上述第1实施方式相同的效果。
[其他实施方式]
在上述各实施方式中,说明了由储备池特征量生成部实现输入在基板制造工艺中取得的时间序列的传感器数据并输出储备池特征量的功能。
然而,输入在基板制造工艺中获得的时间序列的传感器数据并输出储备池特征量的功能,例如可以由储备池特征量生成器205实现。
因此,在本说明书中,储备池特征量生成部包括通过处理器201执行数据处理程序而实现的功能、和通过执行储备池特征量生成器205而实现的功能这两者。
另外,在上述各实施方式中,说明了通过FPGA板等实现储备池特征量生成器205的情况,但在通过FPGA板等实现时,也可以构成为包含特定的物理储备池。
在上述各实施方式中,对基于由一个或多个传感器测定的时间序列的传感器数据,预测由其他传感器测定的时间序列的传感器数据(或者,由本传感器测定的时间序列的传感器数据)的情况进行了说明。另外,在上述各实施方式中,说明了根据预测结果数据和比较数据的差分数据来判定基板制造工艺的状态的情况。但是,判定基板制造工艺的状态的判定方法并不限定于此,例如也可以构成为根据由一个或多个传感器测定的时间序列的传感器数据,直接预测基板制造工艺的状态。在这种情况下,作为正解数据,向学习部输入表示基板制造工艺的状态的数据。
另外,在上述各实施方式中,没有提及学习部学习权重参数时的学习方法,但学习部学习权重参数时的学习方法是任意的。例如,学习部也可以通过逐次最小二乘法、RLS(Recursive least square method)等学习方法进行学习。或者,学习部也可以通过使用了贝叶斯线性回归、卡尔曼滤波器、信息滤波器、粒子滤波器等的学习方法进行学习。
另外,在上述第2至第4实施方式中,对使用多个储备池特征量生成部300_1~300_L的情况进行了说明,但多个储备池特征量生成部可以是彼此相同的结构,也可以是不同的结构。
另外,在上述第5实施方式中,说明了基于由3个传感器a1120_1~传感器a3120_3测定的时间序列的传感器数据a1~a3,预测由1个传感器b140测定的时间序列的传感器数据b的情况。但是,用于预测的传感器数据的数量不限于3个,例如也可以是由属于第1传感器的n个(n是2以上的任意整数)传感器测定的n个传感器数据。另外,预测的时间序列的传感器数据的数量也不限定于一个,例如也可以是由属于第2传感器的m个(m为1以上的任意整数)传感器测定的m个传感器数据。
另外,本发明不限于上述实施方式所列举的结构等、或其与其他要素的组合等在此所示的结构。关于这些方面,可以在不脱离本发明的主旨的范围内进行变更,可以根据其应用方式适当地进行规定。
本申请基于2021年6月17日提交的日本专利申请2021-101004号主张其优先权,通过参照该日本专利申请的全部内容而引用本申请。
【符号说明】
100:基板处理装置
110:腔室
120:传感器a
130:数据处理装置
131:RC部
132:取得部
133:判定部
140:传感器b
150:控制装置
160:致动器
205:储备池特征量生成器
300:储备池特征量生成部
310:预测部
311:权重取得部
312:运算部
320:期间判定部
330:切换部
340:学习部
341:权重计算部
501:传感器数据取得部
503:预测结果数据取得部
511:差分计算部
512:状态判定部
900:RC部
300_1~300_L:储备池特征量生成部
1000:数据处理装置
1010_1~1010_L:RC部
1020:切换部
1021:切换部
1100:数据处理装置
1110_1~1110_L:RC部
1120:预测部
1130:整合部
1140:预测部
1141:权重取得部
1142:运算部
1150:期间判定部
1160:切换部
1170:学习部
1171:权重计算部
1200:基板处理装置
1210:RC部
1400:基板处理装置。
Claims (14)
1.一种基板处理装置,具有:
储备池特征量生成部,输入在基板制造工艺中取得的时间序列的第1传感器数据并输出储备池特征量;
学习部,在学习期间,学习权重参数,以使通过基于所述权重参数运算由所述储备池特征量生成部输出的储备池特征量而得到的预测结果数据与在所述基板制造工艺中取得的时间序列的第2传感器数据相关;
预测部,在预测期间,基于由所述学习部学习的权重参数,对通过输入在所述基板制造工艺中取得的时间序列的第1传感器数据而由所述储备池特征量生成部输出的储备池特征量进行运算,并输出预测结果数据;以及
判定部,在所述预测期间,通过比较所述预测结果数据和在所述基板制造工艺中取得的时间序列的第2传感器数据,来判定所述基板制造工艺的状态。
2.根据权利要求1所述的基板处理装置,其中,
具有多个所述储备池特征量生成部,并行地输入在所述基板制造工艺中取得的时间序列的第1传感器数据,并分别输出储备池特征量,
所述学习部学习权重参数,以使通过使用权重参数对分别由所述多个储备池特征量生成部输出的储备池特征量进行加权加法而得到的预测结果数据与在所述基板制造工艺中取得的时间序列的第2传感器数据相关,
所述预测部,使用由所述学习部学习的权重参数,对通过并行地输入在所述基板制造工艺中取得的时间序列的第1传感器数据而分别由所述多个储备池特征量生成部输出的储备池特征量进行加权加法,输出预测结果数据。
3.根据权利要求1所述的基板处理装置,其中,
具有串联连接的多个储备池特征量生成部,所述多个储备池特征量生成部包含:始端的储备池特征量生成部,被输入在所述基板制造工艺中取得的时间序列的第1传感器数据;以及始端之后的储备池特征量生成部,被输入通过基于权重参数运算由紧前的储备池特征量生成部输出的储备池特征量而得到的预测结果数据,
在所述学习期间,与所述多个储备池特征量生成部对应的各个学习部学习对应的权重参数,以使通过基于权重参数运算分别由所述多个储备池特征量生成部输出的储备池特征量而得到的各个预测结果数据,与在所述基板制造工艺中取得的时间序列的第2传感器数据相关,
在所述预测期间,与所述多个储备池特征量生成部对应的各个预测部,基于由对应的学习部学习的权重参数,运算分别由所述多个储备池特征量生成部输出的储备池特征量,输出各自的预测结果数据,
在所述预测期间,所述判定部通过比较与末端的储备池特征量生成部对应的预测部输出的最终预测结果数据和在所述基板制造工艺中取得的时间序列的第2传感器数据,来判定所述基板制造工艺的状态。
4.根据权利要求1所述的基板处理装置,其中,
具有:多个所述储备池特征量生成部,并行地输入在所述基板制造工艺中取得的时间序列的第1传感器数据,并分别输出储备池特征量;
多个所述学习部,在所述学习期间,分别学习对应的权重参数,以使通过基于所述对应的权重参数对分别由多个所述储备池特征量生成部输出的储备池特征量进行运算而得到的各自的预测结果数据,与在所述基板制造工艺中取得的时间序列的第2传感器数据相关;
多个所述预测部,基于由对应的学习部学习的权重参数运算分别由多个所述储备池特征量生成部输出的储备池特征量,并分别输出预测结果数据;
整合学习部,在所述学习期间,学习在所述加权加法中使用的权重参数,使得通过使用权重参数对分别由多个所述预测部输出的预测结果数据进行加权加法而得到的最终的预测结果数据,与在所述基板制造工艺中取得的时间序列的第2传感器数据相关,
整合预测部,在所述预测期间,使用由所述整合学习部学习的权重参数,对分别由多个所述预测部输出的预测结果数据进行加权加法,输出最终的预测结果数据,
在所述学习期间及所述预测期间,分别由多个所述预测部输出的预测结果数据,是利用所述最终的预测结果数据,对通过基于对应的权重参数对分别由多个所述储备池特征量生成部输出的储备池特征量进行运算而得到的预测结果数据进行修正而得到的预测结果数据。
5.根据权利要求1所述的基板处理装置,其中,
具有储备池特征量生成部,分别输入在所述基板制造工艺中取得的多个时间序列的第1传感器数据,输出储备池特征量,
所述学习部学习权重参数,以使通过基于权重参数运算由所述储备池特征量生成部输出的储备池特征量而得到的预测结果数据,与在所述基板制造工艺中取得的时间序列的第2传感器数据相关,
所述预测部,基于由所述学习部学习的权重参数,运算通过输入所述多个时间序列的第1传感器数据而由所述储备池特征量生成部输出的储备池特征量,并输出预测结果数据。
6.根据权利要求1所述的基板处理装置,其中,
在所述基板制造工艺中取得、且输入到所述储备池特征量生成部的时间序列的第1传感器数据,是由第1传感器测定的时间序列的传感器数据,
在所述基板制造工艺中取得的、用于由所述学习部进行的学习的时间序列的第2传感器数据,是由与所述第1传感器不同的第2传感器测定的时间序列的传感器数据。
7.根据权利要求6所述的基板处理装置,其中,
在所述基板制造工艺中取得的多个时间序列的第1传感器数据,是由属于第1传感器的n个传感器测定的n个时间序列的传感器数据,其中,n为2以上的整数,
在所述基板制造工艺中取得、且用于由所述学习部进行的学习的时间序列的第2传感器数据,是由属于与所述第1传感器不同的第2传感器的m个传感器测定的m个时间序列的传感器数据,其中,m为1以上的整数。
8.根据权利要求1所述的基板处理装置,其中,
在所述基板制造工艺中取得的时间序列的第1传感器数据,是由第1传感器测定的时间序列的传感器数据,
在所述基板制造工艺中取得、且用于由所述学习部进行的学习的时间序列的第2传感器数据,是由所述第1传感器测定的时间序列的传感器数据。
9.根据权利要求6所述的基板处理装置,其中,
还具有:差分计算部,计算由所述第2传感器测定的时间序列的第2传感器数据与由所述预测部输出的预测结果数据之间的差分;和
判定部,根据由所述差分计算部计算出的差分数据,判定所述基板制造工艺的状态。
10.根据权利要求8所述的基板处理装置,其中,
还具有:差分计算部,计算由所述第1传感器测定的时间序列的第1传感器数据与由所述预测部输出的预测结果数据之间的差分;和
判定部,根据由所述差分计算部计算出的差分数据,判定所述基板制造工艺的状态。
11.根据权利要求9所述的基板处理装置,其中,
所述判定部通过判定所述差分数据是否超过了规定的阈值,或者通过判定规定的时间范围的所述差分数据是否与规定的模式类似,来判定所述基板制造工艺的状态。
12.根据权利要求11所述的基板处理装置,其中,
根据所述基板制造工艺的状态的判定结果来控制致动器。
13.一种基板处理装置中的数据处理方法,具有:
储备池特征量生成工序,输入在基板制造工艺中取得的时间序列的第1传感器数据并输出储备池特征量;
学习工序,在学习期间,学习权重参数,以使通过基于所述权重参数运算在所述储备池特征量生成工序中输出的储备池特征量而得到的预测结果数据与在所述基板制造工艺中取得的时间序列的第2传感器数据相关;
预测工序,在预测期间,基于在所述学习工序中学习的权重参数,对通过输入在所述基板制造工艺中取得的时间序列的第1传感器数据而在所述储备池特征量生成工序中输出的储备池特征量进行运算,并输出预测结果数据;以及
判定工序,在所述预测期间,通过比较所述预测结果数据和在所述基板制造工艺中取得的时间序列的第2传感器数据,来判定所述基板制造工艺的状态。
14.一种数据处理程序,使基板处理装置的计算机执行如下工序:
储备池特征量生成工序,输入在基板制造工艺中取得的时间序列的第1传感器数据并输出储备池特征量;
学习工序,在学习期间,学习权重参数,以使通过基于所述权重参数运算在所述储备池特征量生成工序中输出的储备池特征量而得到的预测结果数据与在所述基板制造工艺中取得的时间序列的第2传感器数据相关;
预测工序,在预测期间,基于在所述学习工序中学习的权重参数,对通过输入在所述基板制造工艺中取得的时间序列的第1传感器数据而在所述储备池特征量生成工序中输出的储备池特征量进行运算,并输出预测结果数据;以及
判定工序,在所述预测期间,通过比较所述预测结果数据和在所述基板制造工艺中取得的时间序列的第2传感器数据,来判定所述基板制造工艺的状态。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021-101004 | 2021-06-17 | ||
JP2021101004 | 2021-06-17 | ||
PCT/JP2022/013601 WO2022264599A1 (ja) | 2021-06-17 | 2022-03-23 | 基板処理装置、データ処理方法及びデータ処理プログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117461040A true CN117461040A (zh) | 2024-01-26 |
Family
ID=84527046
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202280041250.2A Pending CN117461040A (zh) | 2021-06-17 | 2022-03-23 | 基板处理装置、数据处理方法及数据处理程序 |
Country Status (5)
Country | Link |
---|---|
JP (1) | JPWO2022264599A1 (zh) |
KR (1) | KR20240022553A (zh) |
CN (1) | CN117461040A (zh) |
TW (1) | TW202314787A (zh) |
WO (1) | WO2022264599A1 (zh) |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012004181A (ja) * | 2010-06-14 | 2012-01-05 | Sharp Corp | 特性予測装置、特性予測方法、特性予測プログラムおよびプログラム記録媒体 |
JP6374466B2 (ja) | 2016-11-11 | 2018-08-15 | ファナック株式会社 | センサインタフェース装置、測定情報通信システム、測定情報通信方法、及び測定情報通信プログラム |
KR101917006B1 (ko) * | 2016-11-30 | 2018-11-08 | 에스케이 주식회사 | 머신 러닝 기반 반도체 제조 수율 예측 시스템 및 방법 |
JP6704585B2 (ja) * | 2018-11-01 | 2020-06-03 | Fairy Devices株式会社 | 情報処理装置 |
TWI829807B (zh) * | 2018-11-30 | 2024-01-21 | 日商東京威力科創股份有限公司 | 製造製程之假想測定裝置、假想測定方法及假想測定程式 |
-
2022
- 2022-03-23 JP JP2023529585A patent/JPWO2022264599A1/ja active Pending
- 2022-03-23 KR KR1020247000887A patent/KR20240022553A/ko unknown
- 2022-03-23 CN CN202280041250.2A patent/CN117461040A/zh active Pending
- 2022-03-23 WO PCT/JP2022/013601 patent/WO2022264599A1/ja active Application Filing
- 2022-06-06 TW TW111120862A patent/TW202314787A/zh unknown
Also Published As
Publication number | Publication date |
---|---|
TW202314787A (zh) | 2023-04-01 |
JPWO2022264599A1 (zh) | 2022-12-22 |
KR20240022553A (ko) | 2024-02-20 |
WO2022264599A1 (ja) | 2022-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7104121B2 (ja) | 故障予知装置、故障予知システム及び故障予知方法 | |
US11275345B2 (en) | Machine learning Method and machine learning device for learning fault conditions, and fault prediction device and fault prediction system including the machine learning device | |
Pourbabaee et al. | Sensor fault detection, isolation, and identification using multiple-model-based hybrid Kalman filter for gas turbine engines | |
EP3723011A1 (en) | Failure prediction device, failure prediction method, computer program, calculation model learning method, and calculation model generation method | |
CN108736881B (zh) | 电路结构最优化装置以及机器学习装置 | |
WO2003001431A9 (en) | Sensor fusion using self evaluating process sensors | |
De Kleer | Diagnosing multiple persistent and intermittent faults | |
CN105929723B (zh) | 通过纠错功能进行寿命预测的控制装置 | |
US10564636B2 (en) | Method and arrangement for operating two redundant systems | |
US20230075229A1 (en) | Model Update Device, Method, and Program | |
US20230038415A1 (en) | Diagnosis device | |
JP2013196698A (ja) | システム監視 | |
Yu et al. | Event-triggered discrete component prognosis of hybrid systems using degradation model selection | |
CN117461040A (zh) | 基板处理装置、数据处理方法及数据处理程序 | |
JP6239901B2 (ja) | 制御装置および制御方法 | |
CN112824987A (zh) | 追加学习装置、方法以及存储介质 | |
CN104052480A (zh) | 模拟量化方法 | |
CN112677147A (zh) | 事件估计系统和事件估计方法 | |
US10955836B2 (en) | Diagnosis system and electronic control device | |
Khalil et al. | Robust stabilization of Networked Control Systems using the Markovian jump system approach | |
JP7277303B2 (ja) | 予測装置 | |
CN114340855B (zh) | 机器人行动计划系统、机器人系统、机器人作业验证系统及机器人行动计划方法 | |
KR102150886B1 (ko) | 로봇 시스템의 제어 | |
EP3338188A1 (en) | Method for determining a mean time to failure of an electrical device | |
JP2019040439A (ja) | 診断装置および方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |