CN118056265A - 信息处理装置、推理装置、机器学习装置、信息处理方法、推理方法及机器学习方法 - Google Patents
信息处理装置、推理装置、机器学习装置、信息处理方法、推理方法及机器学习方法 Download PDFInfo
- Publication number
- CN118056265A CN118056265A CN202280067479.3A CN202280067479A CN118056265A CN 118056265 A CN118056265 A CN 118056265A CN 202280067479 A CN202280067479 A CN 202280067479A CN 118056265 A CN118056265 A CN 118056265A
- Authority
- CN
- China
- Prior art keywords
- information
- alarm
- generation
- processing apparatus
- substrate
- 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
- 238000010801 machine learning Methods 0.000 title claims abstract description 81
- 230000010365 information processing Effects 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000003672 processing method Methods 0.000 title claims abstract description 14
- 239000000758 substrate Substances 0.000 claims abstract description 133
- 238000012545 processing Methods 0.000 claims abstract description 131
- 238000005498 polishing Methods 0.000 claims abstract description 83
- 230000010485 coping Effects 0.000 claims abstract description 12
- 230000008859 change Effects 0.000 claims description 34
- 238000003860 storage Methods 0.000 claims description 30
- 230000008569 process Effects 0.000 claims description 23
- 238000001514 detection method Methods 0.000 claims description 18
- 238000013500 data storage Methods 0.000 claims description 12
- 230000004044 response Effects 0.000 claims description 8
- 230000002123 temporal effect Effects 0.000 claims 2
- 235000012431 wafers Nutrition 0.000 description 91
- 238000004140 cleaning Methods 0.000 description 39
- 238000010586 diagram Methods 0.000 description 25
- 238000004891 communication Methods 0.000 description 22
- 239000010408 film Substances 0.000 description 21
- 230000006870 function Effects 0.000 description 20
- 238000011068 loading method Methods 0.000 description 18
- 238000012546 transfer Methods 0.000 description 18
- 238000001035 drying Methods 0.000 description 14
- 239000007788 liquid Substances 0.000 description 13
- 230000007246 mechanism Effects 0.000 description 7
- 210000002569 neuron Anatomy 0.000 description 7
- KFZMGEQAYNKOFK-UHFFFAOYSA-N Isopropanol Chemical compound CC(C)O KFZMGEQAYNKOFK-UHFFFAOYSA-N 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000003062 neural network model Methods 0.000 description 5
- 238000005192 partition Methods 0.000 description 5
- 238000007517 polishing process Methods 0.000 description 5
- 210000000225 synapse Anatomy 0.000 description 5
- 239000000126 substance Substances 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000227 grinding Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 239000002002 slurry Substances 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 229910001873 dinitrogen Inorganic materials 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000012788 optical film Substances 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
- H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
- H01L21/67005—Apparatus not specifically provided for elsewhere
- H01L21/67242—Apparatus for monitoring, sorting or marking
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
- H01L21/02—Manufacture or treatment of semiconductor devices or of parts thereof
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
- H01L21/02—Manufacture or treatment of semiconductor devices or of parts thereof
- H01L21/04—Manufacture or treatment of semiconductor devices or of parts thereof the devices having potential barriers, e.g. a PN junction, depletion layer or carrier concentration layer
- H01L21/18—Manufacture or treatment of semiconductor devices or of parts thereof the devices having potential barriers, e.g. a PN junction, depletion layer or carrier concentration layer the devices having semiconductor bodies comprising elements of Group IV of the Periodic Table or AIIIBV compounds with or without impurities, e.g. doping materials
- H01L21/30—Treatment of semiconductor bodies using processes or apparatus not provided for in groups H01L21/20 - H01L21/26
- H01L21/302—Treatment of semiconductor bodies using processes or apparatus not provided for in groups H01L21/20 - H01L21/26 to change their surface-physical characteristics or shape, e.g. etching, polishing, cutting
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
- H01L21/02—Manufacture or treatment of semiconductor devices or of parts thereof
- H01L21/04—Manufacture or treatment of semiconductor devices or of parts thereof the devices having potential barriers, e.g. a PN junction, depletion layer or carrier concentration layer
- H01L21/18—Manufacture or treatment of semiconductor devices or of parts thereof the devices having potential barriers, e.g. a PN junction, depletion layer or carrier concentration layer the devices having semiconductor bodies comprising elements of Group IV of the Periodic Table or AIIIBV compounds with or without impurities, e.g. doping materials
- H01L21/30—Treatment of semiconductor bodies using processes or apparatus not provided for in groups H01L21/20 - H01L21/26
- H01L21/302—Treatment of semiconductor bodies using processes or apparatus not provided for in groups H01L21/20 - H01L21/26 to change their surface-physical characteristics or shape, e.g. etching, polishing, cutting
- H01L21/304—Mechanical treatment, e.g. grinding, polishing, cutting
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
- H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
- H01L21/67005—Apparatus not specifically provided for elsewhere
- H01L21/67011—Apparatus for manufacture or treatment
- H01L21/67017—Apparatus for fluid treatment
- H01L21/67028—Apparatus for fluid treatment for cleaning followed by drying, rinsing, stripping, blasting or the like
- H01L21/6704—Apparatus for fluid treatment for cleaning followed by drying, rinsing, stripping, blasting or the like for wet cleaning or washing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Manufacturing & Machinery (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Power Engineering (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Computer Hardware Design (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Automation & Control Theory (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Mechanical Treatment Of Semiconductor (AREA)
- Finish Polishing, Edge Sharpening, And Grinding By Specific Grinding Devices (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明关于信息处理装置、推理装置、机器学习装置、信息处理方法、推理方法及机器学习方法。信息处理装置(5)具备:信息获取部(500),获取至少包含表示在由多个组件构成而进行基板的研磨处理的基板处理装置(2)中产生的警报的种类的警报种类信息和表示在警报产生时分别存在于多个组件的基板的配置状态的基板配置信息的警报产生信息;及支援处理部(501),通过向通过机器学习学习了警报产生信息与用于应对警报的产生的支援信息的相关关系的学习模型输入根据警报的产生而由信息获取部(500)获取的警报产生信息,生成与该警报对应的支援信息。
Description
技术领域
本发明涉及信息处理装置、推理装置、机器学习装置、信息处理方法、推理方法及机器学习方法。
背景技术
作为对半导体晶片等基板进行各种处理的基板处理装置之一,已知进行化学机械研磨(CMP:Chemical Mechanical Polishing)处理的基板处理装置。基板处理装置在对基板进行研磨处理时,监视是否符合各种警报产生条件,在符合任意一个警报产生条件的情况下,产生警报并进行该警报的内容的显示(例如,参照专利文献1)。
现有技术文献
专利文献
专利文献1:日本特开2007-301690号公报
发明要解决的技术问题
在由基板处理装置产生了警报的情况下,作为对该警报的应对,基板处理装置的用户要求根据警报的种类进行原因的分析作业、恢复作业。此时,由于基板处理装置由多个组件构成,根据在警报产生的时刻各组件中存在的基板的配置状态,用户需要确认的基板处理装置的部位、装置参数发生变化,因此所需的应对也不同。因此,迅速且适当地应对各种警报很大程度依赖于用户个人的经验、见解,在其应对不适当的情况下,也可能导致更严重的警报的产生、生产率的降低。
发明内容
鉴于上述的技术问题,本发明的目的在于,提供信息处理装置、推理装置、机器学习装置、信息处理方法、推理方法及机器学习方法,能够不依赖于用户的经验、见解而迅速且适当的应对警报。
用于解决技术问题的技术手段
为了达成上述目的,本发明的一个方式涉及的信息处理装置具备:
信息获取部,该信息获取部获取警报产生信息,该警报产生信息至少包含警报种类信息和基板配置信息,该警报种类信息表示在由多个组件构成来进行基板的研磨处理的基板处理装置中产生的警报的种类,该基板配置信息表示在所述警报产生时分别存在于多个所述组件的所述基板的配置状态;以及
支援处理部,该支援处理部通过将根据所述警报的产生而由所述信息获取部获取的所述警报产生信息输入学习模型来生成与该警报对应的支援信息,该学习模型通过机器学习对所述警报产生信息与用于应对所述警报的产生的所述支援信息的相关关系进行学习。
发明效果
根据本发明的一个方式涉及的信息处理装置,通过根据警报的产生而将警报产生信息输入学习模型,从而生成与该警报对应的支援信息,因此,能够不依赖于用户的经验、见解而迅速且适当地应对警报。
上述以外的技术问题、结构及效果在后述的用于实施发明的方式中被明确。
附图说明
图1是表示基板处理系统1的一例的整体结构图。
图2是表示基板处理装置2的一例的俯视图。
图3是表示第一~第四研磨部220A~220D的一例的立体图。
图4是表示基板处理装置2的一例的框图。
图5是表示基板配置状态显示画面12的一例的画面结构图。
图6是表示传感器监控画面13的一例的画面结构图。
图7是表示恢复操作引导画面14的一例的画面结构图。
图8是表示变更操作引导画面15的一例的画面结构图。
图9是表示计算机900的一例的硬件结构图。
图10是表示由数据库装置3管理的履历信息30的一例的数据结构图。
图11是表示机器学习装置4的一例的框图。
图12是表示学习用数据11的一例的数据结构图。
图13是表示构成由机器学习装置4使用的学习模型10的神经网络模型的一例的示意图。
图14是表示由机器学习装置4进行的机器学习方法的一例的流程图。
图15是表示信息处理装置5的一例的框图。
图16是表示由信息处理装置5进行的信息处理方法的一例的流程图。
具体实施方式
以下,参照附图对用于实施本发明的实施方式进行说明。以下,示意性地表示用来达成本发明的目的的说明所需的范围,将本发明的相应部分的说明所需的范围作为主要说明,将省略说明的部分作为根据公知技术得出的。
图1是表示基板处理系统1的一例的整体结构图。本实施方式涉及的基板处理系统1作为管理对半导体晶片等基板(以下称为“晶片”)W进行化学机械研磨处理(以下称为“研磨处理”)的基板处理工序的系统发挥功能。
基板处理系统1作为其主要结构而具备基板处理装置2、数据库装置3、机器学习装置4、信息处理装置5以及用户终端装置6。各装置2~6例如由通用或专用的计算机(参照后述的图9)构成,并且构成为与有线或无线的网络7连接而能够互相发送接收各种数据(在图1中用虚线的箭头图示一部分的数据的发送接收)。此外,各装置2~6的数量、网络7的连接结构不限于图1的例子,也可以适当变更。
基板处理装置2是进行将晶片W的表面研磨至平坦的研磨处理的装置。基板处理装置2由多个组件构成,作为研磨处理的一系列的动作,对一个或多个晶片W分别进行例如装载、研磨、清洗、干燥、膜厚测定、卸载等各工序。此时,基板处理装置2参照由对多个组件分别设定的多个装置参数组成的装置设定信息255和决定研磨处理中的研磨条件的基板程式信息256,并且在各组件的状态符合规定的警报产生条件的情况下产生警报。
基板处理装置2向其他装置发送各种报告R,各种报告R关于由基板处理装置2产生的警报、各组件中存在的晶片W的配置状态、各组件的动作状态、用户(操作者、生产管理者、保守管理者等)对基板处理装置2的操作、由基板处理装置2检测出的事件等。另外,基板处理装置2例如在从其他装置接收到各种指令C时,根据该指令C进行动作。
警报根据各不相同的多个警报产生条件被分类为多个种类,并根据代码、编号等识别其种类。警报产生条件例如是监视各组件的动作不良、超时、状态不一致等,并且如轻度、中度、重度那样设定警报。警报例如经由基板处理装置2的显示画面、信号塔的亮灯、蜂鸣声、用户终端装置6的显示画面等而被通知给用户。
在由基板处理装置2产生了警报的情况下,根据该警报的种类,基板处理装置2的用户需要分析警报的原因或从警报的产生状态恢复至正常状态这样的应对。此时,在警报产生时,根据在基板处理装置2的内部存在的晶片W的配置状态,用户需要确认的组件、装置参数不同,因此需要的应对也不同。于是,在基板处理系统1中,为了根据警报的产生而进行分析、恢复,导入将由用户(例如具有用于应对警报的经验、见解的用户)过去进行的操作作为学习用数据11的机器学习,并进行用于应对警报的产生的支援。
数据库装置3是管理由基板处理装置2进行研磨处理时的履历信息30的装置。数据库装置3随时从基板处理装置2接收各种报告R,并按照基板处理装置2登记至履历信息30,由此,在履历信息30中,报告R的内容与日期时间信息一起积存。此外,在数据库装置3中,除了履历信息30之外,还可以存储有装置设定信息255、基板程式信息256,在该情况下,也可以使基板处理装置2参照这些信息。
机器学习装置4作为机器学习的学习阶段的主体动作,例如,从数据库装置3获取履历信息30的一部分作为学习用数据11,通过机器学习生成由信息处理装置5使用的学习模型10。学习完毕的学习模型10经由网络7、存储介质等向信息处理装置5提供。在本实施方式中,对采用有教师学习作为机器学习的方法的情况进行说明。
信息处理装置5作为机器学习的推理阶段的主体动作,当由基板处理装置2产生了警报时,使用通过机器学习装置4生成的学习模型10,生成与该警报对应的支援信息,并向基板处理装置2或用户终端装置6发送与该支援信息有关的指令C。支援信息可以作为向基板处理装置2的用户提示的用户提示信息而生成,也可以作为向基板处理装置2提供的装置提供信息而生成。
用户终端装置6是用户使用的终端装置,可以是固定式的装置,也可以是便携式的装置。用户终端装置6例如经由应用程序、网页浏览器等的显示画面接收各种输入操作,并且经由显示画面显示各种信息(例如警报的通知、支援信息、履历信息30等)。
(基板处理装置2)
图2是表示基板处理装置2的一例的俯视图。基板处理装置2构成为,在俯视观察时呈大致矩形状的壳体20的内部具备装载/卸载单元21、研磨单元22、清洗单元23、膜厚测定单元24以及控制单元25。装载/卸载单元21与研磨单元22及清洗单元23之间被第一分隔壁200A划分,研磨单元22与清洗单元23之间被第二分隔壁200B划分。
(装载/卸载单元)
装载/卸载单元21具备:第一~第四前载部210A~210D,该第一~第四前载部210A~210D供能够沿上下方向收纳多个晶片W的晶片盒(FOUP等)载置;输送机器人211,该输送机器人211能够沿着被收纳于晶片盒的晶片W的收纳方向(上下方向)移动;以及移动机构部212,该移动机构部212使输送机器人211沿着第一~第四前载部210A~210D的排列方向(壳体20的宽度方向)移动。
输送机器人211构成为能够对分别载放于第一~第四前载部210A~210D的晶片盒、研磨单元22(具体是后述的升降机223)、清洗单元23(具体是后述的干燥室231)以及膜厚测定单元24进行访问,并且具备用于在它们之间交接晶片W的上下二层的手(未图示)。下侧手在交接处理前的晶片W时使用,上侧手在交接处理后的晶片W时使用。在对研磨单元22、清洗单元23交接晶片W时,对设置于第一分隔壁200A的开闭器(未图示)进行开闭。此外,输送机器人211的数量也可以是多个。
(研磨单元)
研磨单元22具备进行晶片W的研磨处理(平坦化)的第一~第四研磨部220A~220D。第一~第四研磨部220A~220D沿着壳体20的长度方向排列配置。
图3是表示第一~第四研磨部220A~220D的一例的立体图。第一~第四研磨部220A~220D的基本结构、功能是共通的。
第一~第四研磨部220A~220D分别具备:研磨台2201,该研磨台2201安装于具有研磨面的研磨垫2200;顶环2202,该顶环2202保持晶片W并用于一边将晶片W按压至研磨台2201上的研磨垫2200一边进行研磨;研磨液供给喷嘴2203,该研磨液供给喷嘴2203向研磨垫2200供给研磨液(浆液)、修整液(例如纯水);修整器2204,该修整器2204进行研磨垫2200的研磨面的修整;以及雾化器2205,该雾化器2205使液体(例如纯水)与气体(例如氮气)的混合流体或液体(例如纯水)成为雾状并向研磨面喷射。
研磨台2201由研磨台轴2201a支承,并构成为绕着该研磨台轴2201a的轴心旋转驱动。顶环2202支承于能够沿上下方向移动的顶环轴2202a,并构成为绕着该顶环轴2202a的轴心旋转驱动,并且以支承轴2202b为回旋中心回旋(摆动)移动。修整器2204支承于能够沿上下方向移动的修整器轴2204a,并构成为绕着该修整器轴2204a的轴心旋转驱动,并且以支承轴2204b为回旋中心回旋移动。晶片W通过吸附在顶环2202的下表面而被保持,在移动至规定的研磨位置的状态下,从研磨液供给喷嘴2203向研磨垫2200的研磨面供给研磨液,通过顶环2202按压研磨垫2200,由此研磨晶片W。
另外,如图2所示,研磨单元22具备:第一和第二线性传输机221A、221B,该第一和第二线性传输机221A、221B能够沿着第一~第四研磨部220A~220D的排列方向(壳体20的长度方向)移动;摆动式传输机222,该摆动式传输机222配置在第一和第二线性传输机221A、221B之间;升降机223,该升降机223配置于装载/卸载单元21侧;以及晶片W的临时放置台224,该临时放置台224配置于清洗单元23侧。
第一线性传输机221A是与第一和第二研磨部220A、220B相邻配置,并且在四个输送位置(从装载/卸载单元21侧起依次在第一~第四输送位置TP1~TP4)之间输送晶片W的机构。第二输送位置TP2是对第一研磨部220A交接晶片W的位置,第一研磨部220A的顶环2202构成为能够利用摆动动作而在第二输送位置TP2与研磨位置之间移动。第三输送位置TP3是对第二研磨部220B交接晶片W的位置,第二研磨部220B的顶环2202构成为能够利用摆动动作而在第三输送位置TP3与研磨位置之间移动。
第二线性传输机221B是与第三和第四研磨部220C、220D相邻配置,并且在三个输送位置(从装载/卸载单元21侧起依次在第五~第七输送位置TP5~TP7)之间输送晶片W的机构。第六输送位置TP6是对第三研磨部220C交接晶片W的位置,第三研磨部220C的顶环2202构成为能够利用摆动动作而在第六输送位置TP6与研磨位置之间移动。第七输送位置TP7是对第四研磨部220D交接晶片W的位置,第四研磨部220D的顶环2202构成为能够利用摆动动作而在第七输送位置TP7与研磨位置之间移动。
摆动式传输机222与第四和第五输送位置TP4、TP5相邻配置,并且具有能够在第四和第五输送位置TP4、TP5之间移动的手。摆动式传输机222是在第一和第二线性传输机221A、221B之间交接晶片W并且将晶片W临时放置在临时放置台224的机构。
升降机223是与第一输送位置TP1相邻配置并且在与装载/卸载单元21的输送机器人211之间交接晶片W的机构。在交接晶片W时,设置于第一分隔壁200A的开闭器(未图示)被开闭。
(清洗单元)
清洗单元23具备:使用清洗液清洗晶片W的第一和第二清洗室230A、230B;使晶片W干燥的干燥室231;以及输送晶片W的第一和第二输送室232A、232B。清洗单元23的各室在各自被划分的状态下沿着第一和第二线性传输机221A、221B以例如第一清洗室230A、第一输送室232A、第二清洗室230B、第一输送室232B及干燥室231的顺序(远离装载/卸载单元21的顺序)配置。
第一清洗室230A使用辊式海绵擦洗器,在其内部具备沿上下方向配置的上侧一次清洗组件和下侧一次清洗组件。第二清洗室230使用笔式海绵擦洗器,在其内部具备沿上下方向配置的上侧二次清洗组件和下侧二次清洗组件。作为使用异丙醇(IPA)进行晶片W的干燥的组件,干燥室231例如具备沿上下方向配置的上侧干燥模块及下侧干燥模块。
第一输送室232A在其内部具备能够沿上下方向移动的第一输送机器人233A。第一输送机器人233A构成为能够对研磨单元22的临时放置台224、第一清洗室230A及第二清洗室230B进行访问,并且具备用于在它们之间交接晶片W的上下二层的手(未图示)。例如,下侧手在交接清洗前的晶片W时使用,上侧手在交接清洗后的晶片W时使用。在对临时放置台224交接晶片W时,设置于第二分隔壁200B的开闭器(未图示)被开闭。
第二输送室232B在其内部具备能够沿上下方向移动的第二输送机器人233B。第二输送机器人233B构成为能够对第二清洗室230B和干燥室231进行访问,并且具备用于在它们之间交接晶片W的手(未图示)。
(膜厚测定单元)
膜厚测定单元24具备沿上下方向配置的上层膜厚测定组件、中层膜厚测定组件以及下层膜厚测定组件。各膜厚测定组件是测定研磨处理前或研磨处理后的晶片W的膜厚的测定器,例如由光学膜厚测定器、涡电流膜厚测定器等构成。相对于各膜厚测定组件的晶片W的交接由输送机器人211进行。
(控制单元)
图4是表示基板处理装置2的一例的框图。控制单元25与各单元21~24电连接,作为总体控制各单元21~24的控制部而发挥功能。
装载/卸载单元21具备:由各种促动器构成的多个组件2171~217p(例如输送机器人211等);分别配置于多个组件2171~217p,并检测各组件2171~217p的控制所需的数据(检测值)的多个传感器2181~218q;以及基于各传感器2181~218q的检测值控制各组件2171~217p的动作的序列产生器219。
装载/卸载单元21的传感器2181~218q中例如包括:对第一~第四前载部210A~210D检测有无晶片盒的传感器、对输送机器人211的上侧手检测有无晶片W的传感器、对输送机器人211的下侧手检测有无晶片W的传感器等。
研磨单元22具备:由各种促动器构成的多个组件2271~227r(例如第一~第四研磨部220A~220D、第一和第二线性传输机221A、221B、摆动式传输机222、升降机223等);分别配置于多个组件2271~227r,并检测各组件2271~227r的控制所需的数据(检测值)的多个传感器2281~228s;以及基于各传感器2281~228s的检测值控制各组件2271~227r的动作的序列产生器229。
研磨单元22的传感器2281~228s中例如包括:对第一~第四研磨部220A~220D检测有无晶片W的的传感器;对第一~第七输送位置TP1~TP7检测有无晶片W的传感器;对摆动式传输机222检测有无晶片W的传感器;对升降机223检测有无晶片W的传感器;对临时放置台224检测有无晶片W的传感器;检测向研磨垫2200供给的研磨液的流量的传感器;检测研磨台2201的转速的传感器;检测顶环2202的转速的传感器;检测顶环2202的旋转扭矩的传感器;检测顶环2202的高度的传感器;检测修整器2204的转速的传感器等。
清洗单元23具备:由各种促动器构成的多个组件2371~237t(例如第一清洗室230A、第二清洗室230B、干燥室231等);分别配置于多个组件2371~237t,并检测各组件2371~237t的控制所需的数据(检测值)的多个传感器2381~238u;以及基于各传感器2381~238u的检测值控制各组件2371~237t的动作的序列产生器239。
清洗单元23的传感器2381~238u中例如包括:对上侧一次清洗组件检测有无晶片W的传感器;对下侧一次清洗组件检测有无晶片W的传感器;对上侧二次清洗组件检测有无晶片W的传感器;对下侧二次清洗组件检测有无晶片W的传感器;对上侧干燥组件检测有无晶片W的传感器;对下侧干燥组件检测有无晶片W的传感器;对第一输送机器人233A的上侧手检测有无晶片W的传感器;对第一输送机器人233A的下侧手检测有无晶片W的传感器;对第二输送机器人233B的手检测有无晶片W的传感器;检测第一清洗室230A中的清洗液的流量的传感器;检测第二清洗室230B中的清洗液的流量的传感器等。
膜厚测定单元24具备:由各种促动器构成的多个组件2471~247v(例如上层膜厚测定组件、中层膜厚测定组件、下层膜厚测定组件等);分别配置于多个组件2471~247v,并检测各组件2471~247v的控制所需的数据(检测值)的多个传感器2481~248w;以及基于各传感器2481~248w的检测值控制各组件2471~247v的动作的序列产生器249。
膜厚测定单元24的传感器2481~248w中例如包括:对上层膜厚测定组件检测有无晶片W的传感器;对中层膜厚测定组件检测有无晶片W的传感器;对下层膜厚测定组件检测有无晶片W的传感器等。
控制单元25具备控制部250、通信部251、输入部252、输出部253以及存储部254。控制单元25例如由通用或专用的计算机(参照后述的图9)构成。
通信部251与网络7连接,作为发送接收各种数据的通信接口发挥功能。通过输入部252接收各种输入操作并且输出部253经由显示画面、信号塔点灯、蜂鸣声输出各种信息,从而作为用户接口发挥功能。
存储部254存储在基板处理装置2的动作中使用的各种程序(操作系统(OS)、应用程序、网页浏览器等)、数据(装置设定信息255、基板程式信息256等)。装置设定信息255和基板程式信息256是用户能够经由显示画面编辑的数据。
控制部250经由多个序列产生器219、229、239、249(以下称为“序列产生器组”)获取多个传感器2181~218q、2281~228s、2381~238u、2481~248w(以下称为“传感器组”)的检测值,并且使多个组件2171~217p、2271~227r、2371~237t、2471~247v(以下称为“组件组”)协同动作,由此进行晶片W的研磨处理。
控制部250经由输出部253显示各种显示画面,并且经由输入部252接收各种输入操作,由此更新显示画面、数据。显示画面中例如包括:能够编辑装置设定信息255中包含的多个装置参数的装置参数编辑画面;能够编辑基板程式信息256中包含的晶片W的研磨条件的基板程式编辑画面;能够显示分别存在于组件组的各位置的晶片W的配置状态的基板配置状态显示画面(参照后述的图5);能够显示传感器组中至少一个传感器的检测值的经时变化的传感器监控画面(参照后述的图6);能够显示组件组中至少一个组件的恢复操作的引导的恢复操作引导画面(参照后述的图7);能够显示多个装置参数中至少一个装置参数的变更操作的引导的变更操作引导画面(参照后述的图8)等。
图5是显示基板配置状态显示画面12的一例的画面结构图。基板配置状态显示画面12对于在组件组中晶片W可能停留的各位置的布局,进行表示晶片W存在的有晶片标记120和表示晶片W不存在的无晶片标记121的显示。晶片W的有无通过设置于各位置的传感器组检测。根据研磨处理的进行而晶片W被输送,从而传感器组的检测值发生变化,由此基板配置状态显示画面12被更新。在图5的例子中,盒编号1、槽编号18的晶片W存在于摆动式传输机222,盒编号1、槽编号19的晶片W存在于第四研磨部220D,盒编号2、槽编号13的晶片W存在于第二输送室232B的情况分别由三个有晶片标记120显示。
图6是表示传感器监控画面13的一例的画面结构图。传感器监控画面13包括:图表区域130,该图表区域130对作为显示对象的至少一个传感器的检测值的经时变化和作为显示对象的至少一个事件的检测时刻进行显示;显示对象传感器确定栏131,该显示对象传感器确定栏131对图表区域130确定作为显示对象的至少一个传感器;显示对象时间范围确定栏132,该显示对象时间范围确定栏132对图表区域130确定显示经时变化时的时间范围;以及显示对象事件确定栏133,该显示对象事件确定栏133对图表区域130确定作为显示对象的至少一个事件。在图表区域130中,例如,以规定的周期采样的传感器的检测值以时间序列显示。在图6的例子中,在图表区域130显示从警报产生时刻到8分钟前的顶环转速和顶环旋转扭矩的检测值、以及装置参数变更事件的检测时刻。
图7是表示恢复操作引导画面14的一例的画面结构图。恢复操作引导画面14包括警报显示栏140和恢复操作引导栏141,该警报显示栏140显示警报产生时的日期时间、警报种类、警报等级及警报内容,该恢复操作引导栏141显示至少一个组件的恢复操作的引导。
图8是表示变更操作引导画面15的一例的画面结构图。变更操作引导画面15包括警报显示栏150和变更操作引导栏151,该变更操作引导画面15显示警报产生时的日期时间、警报种类、警报等级及警报内容,该变更操作引导栏151显示至少一个装置参数的变更操作的引导。
另外,控制部250例如向数据库装置3、信息处理装置5、用户终端装置6等发送各种报告R。报告R中例如包括与警报的产生有关的报告R、与基于传感器组的检测值的晶片W的配置状态有关的报告R、与组件组的动作状态有关的报告R、与经由输入部252或用户终端装置6接收的用户的操作有关的报告R、与关于装置设定信息255及基板程式信息256的设定变更的事件有关的报告R等。
进而,控制部250在例如从信息处理装置5、用户终端装置6等接收到各种指令C时,按照该指令C进行动作。作为与由信息处理装置5生成的支援信息有关的内容,指令C中例如包含与用户提示信息有关的指令C、与装置提供信息有关的指令C等。
用户提示信息例如包含对传感器监控画面13确定作为显示对象的至少一个传感器的显示对象传感器信息。显示对象传感器信息与传感器监控画面13的显示对象传感器确定栏131对应,控制部250在接收到包含显示对象传感器信息的指令C时,将在该显示对象传感器信息中被确定的传感器作为在显示对象传感器确定栏131被确定的传感器,显示传感器监控画面13。此外,用户提示信息可以包含对传感器监控画面13确定显示经时变化时的时间范围的显示对象时间范围信息,也可以包含对传感器监控画面13确定作为显示对象的至少一个事件的显示对象事件信息。显示对象时间范围信息与显示对象时间范围确定栏132对应,显示对象事件信息与显示对象事件确定栏133对应。
另外,用户提示信息包含对恢复操作引导画面14确定作为显示对象的至少一个组件的显示对象组件信息。显示对象组件信息与恢复操作引导画面14的恢复操作引导栏141对应,控制部250在接收到包含显示对象组件信息的指令C时,将在该显示对象组件信息中被确定的组件的恢复操作的引导显示于恢复操作引导栏141。
进而,用户提示信息包含对变更操作引导画面15确定作为显示对象的至少一个装置参数的显示对象装置参数信息。显示对象装置参数信息与变更操作引导画面15的变更操作引导栏151对应,控制部250在接收到包含显示对象装置参数信息的指令C时,将在该显示对象装置参数信息中被确定的装置参数的变更操作的引导显示于变更操作引导栏151。
装置提供信息包含指定对象装置参数信息,该指定对象装置参数信息对于变更处理制定数据确定作为指定对象的至少一个装置参数,该变更处理制定数据能够指定多个装置参数中至少一个装置参数的变更处理。控制部250在接收到包含指定对象装置参数信息的指令C时,通过进行在该指定对象装置参数信息中被确定的装置参数的变更处理而变更装置设定信息255。
(各装置的硬件结构)
图9是表示计算机900的一例的硬件结构图。基板处理装置2的控制单元25、数据库装置3、机器学习装置4、信息处理装置5以及用户终端装置6分别由通用或专用的计算机900构成。
如图9所示,计算机900作为其主要的结构要素而具备总线910、处理器912、存储器914、输入设备916、输出设备917、显示设备918、储存装置920、通信I/F(接口)部922、外部设备I/F部924、I/O(输入输出)设备I/F部926以及介质输入输出部928。此外,上述的结构要素也可以根据计算机900的使用用途而适当省略。
处理器912由一个或多个运算处理装置(CPU(Central Processing Unit:中央处理单元)、MPU(Micro-processing unit:微处理单元)、DSP(digital signal processor:数字信号处理器)、GPU(Graphics Processing Unit:图形处理单元)等)构成,作为总体控制计算机900全体的控制部而动作。存储器914存储各种数据和程序930,例如由作为主存储器发挥功能的易失性存储器(DRAM、SRAM等)、非易失性存储器(ROM)、闪速存储器等构成。
输入设备916例如由键盘、鼠标、数字键组、电子笔等构成,并作为输入部发挥功能。输出设备917例如由声音(语音)输出装置、振动装置等构成,并作为输出部发挥功能。显示设备918例如由液晶显示器、有机EL显示器、电子纸、投影仪等构成,并作为输出部发挥功能。输入设备916和显示设备918可以像触摸面板显示器这样一体构成。储存装置920例如由HDD(Hard Disk Drive:硬盘驱动器)、SSD(Solid State Drive:固态驱动器)等构成,并作为存储部发挥功能。储存装置920存储操作系统、程序930的执行所需的各种数据。
通信I/F部922通过有线或无线而与因特网、内部网等网络940(也可以与图1的网络7相同),并作为按照规定的通信标准在与其他计算机之间进行数据的发送接收的通信部发挥功能。外部设备I/F部924通过有线或无线而与拍摄装置、打印机、扫描仪、读写器等外部设备950连接,并作为按照规定的通信标准在与外部设备950之间进行数据的发送接收的通信部发挥功能。I/O器件I/F部926与各种传感器、促动器等I/O器件960连接,并作为在与I/O设备960之间进行例如传感器的检测信号、向促动器的控制信号等各种信号、数据的发送接收的通信部发挥功能。介质输入输出部928例如由DVD(Digital Versatile Disc:数字多功能盘)驱动器、CD(Compact Disc:压缩盘)驱动器等驱动装置构成,并且对DVD、CD等介质(非暂时性存储媒体)970进行数据的读写。
在具有上述结构的计算机900中,处理器912将存储于储存装置920的程序930调用至存储器914并执行,经由总线910控制计算机900的各部分。此外,程序930也可以代替存储于储存装置920而存储于存储器914。程序930也可以以可安装的文件格式或可执行的文件格式存储于介质970,并经由介质输入输出部928向计算机900提供。程序930也可以经由通信I/F部922,通过网络940下载而向计算机900提供。另外,计算机900也可以用例如FPGA(field-programmable gate array:现场可编程门阵列)、ASIC(application specificintegrated circuit:应用型专用集成电路)等硬件来实现通过处理器912执行程序930而实现的各种功能。
计算机900例如由固定式计算机、便携式计算机构成,是任意形式的电子设备。计算机900可以是客户端型计算机,也可以是服务器型计算机、云型计算机。计算机900也可以应用在各装置2~6以外的装置。
(履历信息30)
图10是表示由数据库装置3管理的履历信息30的一例的数据结构图。作为将来自基板处理装置2的各种报告R分类登记的表,履历信息30由与警报有关的警报履历表300、与晶片W的配置状态有关的基板配置履历表301、与各组件的动作状态有关的动作履历表302、与用户的操作有关的操作履历表303以及与事件有关的事件履历表304构成。
在警报履历表300的各记录中例如登记有日期时间、警报种类、警报等级以及警报内容。
在基板配置履历表301的各记录中例如登记有日期时间和基板配置信息。基板配置信息是表示组件组的各位置有无晶片W的信息。
在动作履历表302的各记录中例如登记有组件ID、使用累积值(使用累积时间或使用累积次数)。此外,在动作履历表302中,也可以将使用累积值作为能够合计的数据,也可以分别登记有各组件动作时的日期时间、动作内容(经时变化)。
在操作履历表303的各记录中例如登记有日期时间、用户ID、画面ID以及操作内容。用户ID是确定对基板处理装置2进行了操作的用户的信息。画面ID是确定进行了用户的操作的显示画面的信息。操作内容是确定用户的操作的详情的信息,例如是传感器监控画面13中的用户对显示对象传感器确定栏131、显示对象时间范围确定栏132及显示对象事件确定栏133的操作内容、装置参数编辑画面的装置设定信息255的编辑内容。
在事件履历表304的各记录中例如登记有日期时间、事件ID以及事件内容。事件ID是确定在基板处理装置2产生的事件的信息。事件内容是确定事件的详情的信息,例如,是装置设定信息255发生了变更时在该变更后的装置参数的值。
通过着眼于警报履历表300、基板配置履历表301、操作履历表303及事件履历表304的日期时间,例如提取在特定的警报产生时的晶片W的配置状态、在这前后的时刻进行的用户的操作内容、装置设定信息255的设定变更等。
(机器学习装置4)
图11是表示机器学习装置4的一例的框图。机器学习装置4具备控制部40、通信部41、学习用数据存储部42以及学习完毕模型存储部43。
控制部40作为学习用数据获取部400和机器学习部401发挥功能。通信部41经由网络7而与外部装置(例如基板处理装置2、数据库装置3、信息处理装置5及用户终端装置6等)连接,作为发送接收各种数据的通信接口发挥功能。
学习用数据获取部400经由通信部41和网络7而与外部装置连接,并获取学习用数据11,该学习用数据11由与在基板处理装置2产生的警报有关的警报产生信息和用于对应该警报的产生的支援信息构成。
学习用数据存储部42是用于存储多组由学习用数据获取部400获取的学习用数据11的数据库。此外,构成学习用数据存储部42的数据库的具体结构可以适当设计。
机器学习部401使用存储于学习用数据存储部42的多组学习用数据11来实施机器学习。即,机器学习部401向学习模型10输入多组学习用数据11,并使学习模型10学习包含于学习用数据11的警报产生信息与支援信息的相关关系,由此,生成学习完毕的学习模型10。在本实施方式中,作为实现机器学习部401的机器学习(有教师学习)的学习模型10,对采用神经网络的情况进行说明。
学习完毕模型存储部43是存储由机器学习部401生成的学习完毕的学习模型10(具体是调整完毕的权重参数组)的数据库。存储于学习完毕模型存储部43的学习完毕的学习模型10经由网络7、存储介质等而向实际系统(例如信息处理装置5)提供。此外,在图11中,学习用数据存储部42和学习完毕模型存储部43被表示为不同的存储部,但它们也可以由单一的存储部构成。
图12是表示学习用数据11的一例的数据结构图。如上所述,学习用数据11由作为输入数据的警报产生信息和作为输出数据的支援信息构成。学习用数据11是作为有教师学习中的教师数据(训练数据)、验证数据及测试数据而使用的数据。另外,支援信息是作为有教师学习中的正解标签而使用的数据。
警报产生信息至少包含表示在基板处理装置2产生的警报的种类的警报种类信息和表示在该警报产生时分别存在于组件组的各位置的晶片W的配置状态的基板配置信息。此外,警报产生信息也可以包括由对多个组件分别设定的多个装置参数构成的装置设定信息255、表示在警报产生时分别存在于多个组件的晶片W的程式的基板程式信息256及表示多个组件各自动作的履历的动作履历信息中的至少一个。此时,装置设定信息255可以仅是多个装置参数的一部分信息,基板程式信息256也可以仅是多个参数的一部分信息,动作履历信息也可以仅是多个动作履历的一部分信息。
支援信息包含与向基板处理装置2的用户提示的信息有关的用户提示信息和向基板处理装置2提供的信息有关的装置提供信息中的至少一方。
用户提示信息包含对传感器监控画面13确定作为显示对象的至少一个传感器的显示对象传感器信息。此外,用户提示信息也可以包含对传感器监控画面13确定显示经时变化时的时间范围的显示对象时间范围信息,也可以包含对传感器监控画面13确定作为显示对象的至少一个事件的显示对象事件信息。
另外,用户提示信息也可以还包含对恢复操作引导画面14确定作为显示对象的至少一个组件的显示对象组件信息,也可以还包含对变更操作引导画面15确定作为显示对象的至少一个装置参数的显示对象装置参数信息。
装置提供信息包含对变更处理指定数据确定作为指定对象的至少一个装置参数的指定对象装置参数信息。
学习用数据获取部400参照数据库装置3的履历信息30、基板处理装置2的装置设定信息255及基板程式信息256,并提取在过去警报产生时由特定的用户(例如具有用于应对警报的经验、见解的用户)进行的操作、基板处理装置2的动作状态,由此获取学习用数据11。
例如,警报产生信息中包含的警报种类信息、基板配置信息及动作履历信息通过学习用数据获取部400分别参照警报履历表300、基板配置履历表301及动作履历表302来获取。警报产生信息中包含的装置设定信息255和基板程式信息256通过学习用数据获取部400参照基板处理装置2的装置设定信息255和基板程式信息256,或者参照事件履历表304中的与装置设定信息255和基板程式信息256的设定变更有关的事件来获取。支援信息通过学习用数据获取部400基于产生警报的日期时间,参照操作履历表303、或者参照事件履历表304中的与装置设定信息255和基板程式信息256的设定变更有关的事件来获取。
图13是表示构成在机器学习装置4中使用的学习模型10的神经网络模型的一例的示意图。学习模型10例如作为图13所示的神经网络模型而构成。
神经网络模型由位于输入层的m个神经元(x1~xm)、位于第一中间层的p个神经元(y11~y1p)、位于第二中间层的q个神经元(y21~y2q)以及位于输出层的n个神经元(z1~zn)构成。
学习用数据11中包含的警报产生信息与输入层的各神经元形成对应。学习用数据11中包含的支援信息与输出层的各神经元形成对应。此外,可以对向输入层输入前的输入数据实施规定的前处理,也可以对从输出层输出后的输出数据实施规定的后处理。
第一中间层和第二中间层也称为隐藏层,作为神经网络,也可以在第一中间层和第二中间层还具备多个隐藏层,也可以仅将第一中间层设为隐藏层。另外,将各层的神经元间连接的突触在输入层与第一中间层之间、第一中间层与第二中间层之间、第二中间层与输出层之间伸展,各个突触与权重wi(i是自然数)形成对应。
(机器学习方法)
图14是表示机器学习装置4的机器学习方法的一例的流程图。
首先,在步骤S100中,作为用于开始机器学习的事前准备,学习用数据获取部400从履历信息30等获取所期望的数量的学习用数据11,并将该获取的学习用数据11存储于学习用数据存储部42。对于在这里准备的学习用数据11的数量,只要考虑最终得到的学习模型10所要求的推理精度而设定即可。
接着,在步骤S110中,机器学习部401准备用于开始机器学习的学习前的学习模型10。在这里准备的学习前的学习模型10由图13中例示的神经网络模型构成,各突触的权重被设定为初始值。
接着,步骤S120中,机器学习部401从存储于学习用数据存储部42的多组学习用数据11中例如随机获取一组学习用数据11。
接着,在步骤S130中,机器学习部401将一组学习用数据11中包含的警报产生信息(输入数据)向准备好的学习前(或学习中)的学习模型10的输入层输入。其结果是,虽然支援信息(输出数据)作为推理结果从学习模型10的输出层输出,但该输出数据是根据学习前(或学习中)的学习模型10生成的。因此,在学习前(或学习中)的状态下,作为推理结果输出的输出数据表示与学习用数据11中包含的支援信息(正解标签)不同的信息。
接着,在步骤S140中,机器学习部401对包含在步骤S120中获取的一组学习用数据11中的支援信息(正解标签)与在步骤S130中作为推理结果从输出层输出的支援信息(输出数据)进行比较,实施调整各突触的权重wi的处理(反向传播),由此实施机器学习。由此,机器学习部401使学习模型10学习警报产生信息与支援信息的相关关系。
接着,在步骤S150中,机器学习部401例如基于学习用数据中包含的支援信息(正解标签)与作为推理结果输出的支援信息(输出数据)的误差函数的评价值、存储在学习用数据存储部42内的未学习的学习用数据的残余数,判定是否满足规定的学习结束条件。
在步骤S150中,机器学习部401在判定为不满足学习结束条件并继续进行机器学习的情况下(步骤S150:否),返回步骤S120,对学习中的学习模型10使用未学习的学习用数据11多次实施步骤S120~S140的工序。另一方面,在步骤S150中机器学习部401判定满足学习结束条件并结束机器学习的情况下(步骤S150:是),进入步骤S160。
然后,在步骤S160中,机器学习部401将通过调整与各突触形成对应的权重而生成的学习完毕的学习模型10(调整完毕的权重参数组)存储于学习完毕模型存储部43,并结束图14所示的一系列机器学习方法。在机器学习方法中,步骤S100相当于学习用数据存储工序,步骤S110~S150相当于机器学习工序,步骤S160相当于学习完毕模型存储工序。
如上所述,根据本实施方式的机器学习装置4和机器学习方法,能够提供一种学习模型10,该学习模型10能够根据至少包含在基板处理装置2产生的警报的种类和此时的晶片W的配置状态的警报产生信息生成(推理)用于应对该警报的产生的支援信息。
(信息处理装置5)
图15是表示信息处理装置5的一例的框图。信息处理装置5具备控制部50、通信部51以及学习完毕模型存储部52。
控制部50作为信息获取部500、支援处理部501以及输出处理部502发挥功能。通信部51经由网络7而与外部装置(例如基板处理装置2、数据库装置3、机器学习装置4以及用户终端装置6等)连接,并作为发送接收各种数据的通信接口发挥功能。
信息获取部500经由通信部51和网络7而与外部装置连接,获取警报产生信息,该警报产生信息至少包含表示在基板处理装置2产生的警报的种类的警报种类信息和表示该警报的产生时刻的晶片W的配置状态的基板配置信息。例如,信息获取部500通过从基板处理装置2接收与警报的产生有关的报告R和与该警报的产生时刻的晶片W的配置状态有关的报告R来获取警报产生信息。另外,作为警报产生信息所附加的其他信息,信息获取部500可以通过参照数据库装置3的履历信息30来获取警报的产生时刻的动作履历信息,也可以通过参照基板处理装置2的装置设定信息255和基板程式信息256来获取警报的产生时刻的装置设定信息255和基板程式信息256。
支援处理部501根据警报的产生而向学习模型10输入由信息获取部500获取的警报产生信息,由此生成与该警报对应的支援信息。
学习完毕模型存储部52是存储支援处理部501中使用的学习完毕的学习模型10的数据库。此外,存储于学习完毕模型存储部52的学习模型10的数量不限定于一个,例如也可以是,存储机器学习的方法、警报产生信息中包含的数据的种类、支援信息中包含的数据的种类等这样的条件不同的多个学习完毕模型,并选择性地使用。另外,学习完毕模型存储部52也可以使用外部计算机(例如服务器型计算机、云型计算机)的存储部来代替,在该情况下也可以是,支援处理部501通过访问该外部计算机来生成上述的支援信息。
输出处理部502进行用于输出由支援处理部501生成的支援信息的输出处理。例如,在该支援信息是用户提示信息的情况下,输出处理部502向基板处理装置2发送与用户提示信息有关的指令C,在该支援信息是装置提供信息的情况下,输出处理部502向基板处理装置2发送与装置提供信息有关的指令C。此外,也可以是,输出处理部502向用户终端装置6发送支援信息,将基于该支援信息的显示画面显示于用户终端装置6。另外,也可以是,输出处理部502向数据库装置3发送支援信息,该支援信息积存于数据库装置3,由此从基板处理装置2和用户终端装置6进行参照。
(信息处理方法)
图16是表示信息处理装置5的信息处理方法的一例的流程图。在此,基板处理装置2从晶片盒依次搬入晶片W,在进行晶片W的研磨处理的自动运转中,对产生了规定的警报产生条件下的警报的情况下的动作进行说明。
首先,在步骤S200中,基板处理装置2在检测到警报的产生时,发送与该警报的产生有关的报告R。然后,在步骤S201中,基板处理装置2在该警报的产生时刻发送与由传感器组检测出的晶片W的配置状态有关的报告R。此外,可以将步骤S200、S201中的两个报告R作为一个报告R发送。
接着,在步骤S210中,信息处理装置5的信息获取部500通过接收在步骤S200、S201中发送的报告R来获取警报产生信息。此外,在步骤S200、S201发送的报告R也被数据库装置3接收,并被登记于履历信息30。
接着,在步骤S220中,支援处理部501向学习模型10输入在步骤S210获取的警报产生信息,由此生成与该警报对应的支援信息。
接着,在步骤S230中,作为用于输出在步骤S220生成的支援信息的输出处理,输出处理部502向基板处理装置2发送与支援信息有关的指令C。此外,在检测出产生警报的基板处理装置2之外或代替基板处理装置2,指令C的发送目的地也可以是数据库装置3或用户终端装置6。例如,在以学习模型10输出包含显示对象传感器信息、显示对象时间范围信息以及显示对象事件信息的用户提示信息作为支援信息的情况为例进行说明时,输出处理部502发送与包含上述的信息的用户提示信息有关的指令C。
接着,在步骤S240中,基板处理装置2接收由步骤S230发送的指令C时,在该指令C是与用户提示信息有关的情况下,基于该用户提示信息对显示画面进行显示,在该指令C是与装置提供信息有关的情况下,基于该装置提供信息中包含的指定对象装置参数信息,变更装置设定信息255。然后,结束图16所示的一系列的信息处理方法。在信息处理方法中,步骤S210相当于信息获取工序,步骤S220相当于支援处理工序,步骤S230相当于输出处理工序。
当以上述的学习模型10为例对步骤S240进行说明时,基板处理装置2显示与用户提示信息对应的传感器监控画面13,但此时,以如下状态显示传感器监控画面13:显示对象传感器信息中被确定的传感器在显示对象传感器确定栏131被确定,显示对象时间范围信息中被确定的时间范围在显示对象时间范围确定栏132被确定,在显示对象事件信息中被确定的事件在显示对象事件确定栏133中被确定。然后,检测出产生警报的基板处理装置2的用户(例如,操作者)一边视觉确认显示于基板处理装置2的传感器监控画面13,一边确认基板处理装置2的状态,由此,能够分析警报的原因,或从警报的产生状态恢复至正常的状态。
如上所述,根据本实施方式的信息处理装置5和信息处理方法,通过根据警报的产生将警报产生信息输入学习模型10,从而生成与该警报对应的支援信息,因此,能够不依赖于用户的经验、见解,迅速且适当地对应警报。
(其他实施方式)
本发明不受到上述实施方式的制约,能够在不脱离本发明的主旨的范围内实施各种变更。而且,它们全部包含于本发明的技术思想。
在上述的实施方式中,对由不同的装置构成为数据库装置3、机器学习装置4及信息处理装置5的结构进行了说明,但也可以是这三个装置由单一的装置构成,也可以是这三个装置中的任意的两个装置由单个装置构成。另外,也可以是机器学习装置4和信息处理装置5中的至少一方被编入基板处理装置2的控制单元25。
在上述实施方式中,对采用神经网络作为实现机器学习部401的机器学习的学习模型10的情况进行了说明,但也可以采用其他的机器学习的模型。作为其他的机器学习的模型,例如可列举决策树、回归树等树型;bagging、boosting等集成学习;递归型神经网络、卷积神经网络、LSTM等神经网络型(包括深度学习);阶层型聚类、非阶层型聚类、k近邻法、k平均法等的聚类型;主成分分析、因子分析、逻辑回归等多变量解析;支持向量机等。
(机器学习程序和信息处理程序)
本发明能够以使计算机900作为机器学习装置4所具备的各部分发挥功能的程序(机器学习程序)、用于使计算机900执行机器学习方法所具备的各工序的程序(机器学习程序)的方式提供。另外,本发明也能够以使计算机900作为信息处理装置5所具备的各部发挥功能的程序(信息处理程序)、使用于使计算机执行上述实施方式涉及的信息处理方所具备的各工序的程序(信息处理程序)的方式提供。
(推理装置、推理方法及推理程序)
本发明不仅根据上述实施方式涉及的信息处理装置5(信息处理方法或信息处理程序)的方式,也可以以为了推理支援信息而使用的推理装置(推理方法或推理程序)的方式来提供。在该情况下,作为推理装置(推理方法或推理程序),能够设置为包含存储器和处理器,使其中的处理器执行一系列的处理。该一系列的处理包括:信息获取处理(信息获取工序),获取警报产生信息,该警报产生信息至少包含表示在基板处理装置2产生的警报的种类的警报种类信息和表示在警报产生时分别存在于多个组件的基板的配置状态的基板配置信息;以及推理处理(推理工序),当根据警报的产生而在信息获取处理中获取警报产生信息时,推理用于应对该警报的产生的支援信息。
通过以推理装置(推理方法或推理程序)的方式提供,与实装信息处理装置的情况相比,能够简单地应用于各种装置。本领域技术人员当然能够理解,当推理装置(推理方法或推理程序)推理支援信息时,可以使用通过上述实施方式涉及的机器学习装置4和机器学习方法生成的学习完毕的学习模型10来应用支援处理部实施的推理方法。
产业上的利用可能性
本发明能够被利用于信息处理装置、推理装置、机器学习装置、信息处理方法、推理方法及机器学习方法。
符号说明
1…基板处理系统、2…基板处理装置、3…数据库装置、4…机器学习装置、5…信息处理装置、6…用户终端装置、7…网络、
10…学习模型、11…学习用数据、12…基板配置状态显示画面、
13…传感器监控画面、14…恢复操作引导画面、15…变更操作引导画面、20…壳体、21…装载/卸载单元、22…研磨单元、
23…清洗单元、24…膜厚测定单元、25…控制单元、30…履历信息、
40…控制部、41…通信部、42…学习用数据存储部、
43…学习完毕模型存储部、
50…控制部、51…通信部、52…学习完毕模型存储部、
120…有晶片标记、121…无晶片标记、
130…图表区域、131…显示对象传感器确定栏、
132…显示对象时间范围确定栏、133…显示对象事件确定栏、
140…警报显示栏、141…恢复操作引导栏、
150…警报显示栏、151…变更操作引导栏
200A、200B…分隔壁、210A~210D…前载部、
211…输送机器人、212…移动机构部、220A~220D…研磨部、
221A、221B…线性传输机、222…摆动式传输机、
223…升降机、224…临时放置台、230A、230B…清洗室、231…干燥室、232A、232B…输送室、233A、233B…输送机器人、
250…控制部、251…通信部、252…输入部、253…输出部、254…存储部、255…装置设定信息、256…基板程式信息、
300…警报履历表、301…基板配置履历表、
302…动作履历表、303…操作履历表、
304…事件履历表、
400…学习用数据获取部、401…机器学习部、
500…信息获取部、501…支援处理部、502…输出处理部、
2200…研磨垫、2201…研磨台、2202…顶环、
2203…研磨液供给喷嘴、2204…修整器、2205…雾化器。
Claims (14)
1.一种信息处理装置,其特征在于,具备:
信息获取部,该信息获取部获取警报产生信息,该警报产生信息至少包含警报种类信息和基板配置信息,该警报种类信息表示在由多个组件构成来进行基板的研磨处理的基板处理装置中产生的警报的种类,该基板配置信息表示在所述警报产生时分别存在于多个所述组件的所述基板的配置状态;以及
支援处理部,该支援处理部通过将根据所述警报的产生而由所述信息获取部获取的所述警报产生信息输入学习模型来生成与该警报对应的支援信息,该学习模型通过机器学习对所述警报产生信息与用于应对所述警报的产生的所述支援信息的相关关系进行学习。
2.根据权利要求1所述的信息处理装置,其特征在于,
所述警报产生信息还包含以下信息中的至少一个:
基板程式信息,该基板程式信息表示在所述警报产生时分别存在于多个所述组件的所述基板的程式;
装置设定信息,该装置设定信息由对多个所述组件分别设定的多个装置参数构成;以及
动作履历信息,该动作履历信息表示多个所述组件各自动作的履历。
3.根据权利要求1或2所述的信息处理装置,其特征在于,
所述支援信息包含以下信息中的至少一方:
用户提示信息,该用户提示信息与向所述基板处理装置的用户提示的信息有关;以及
装置提供信息,该装置提供信息与向所述基板处理装置提供的信息有关。
4.根据权利要求3所述的信息处理装置,其特征在于,
所述用户提示信息包含显示对象传感器信息,该显示对象传感器信息对能够显示分别配置于多个所述组件的多个传感器中的至少一个所述传感器的检测值的经时变化的传感器监控画面,确定作为显示对象的至少一个所述传感器。
5.根据权利要求4所述的信息处理装置,其特征在于,
所述用户提示信息包含显示对象时间范围信息,该显示对象时间范围信息对所述传感器监控画面确定显示所述经时变化时的时间范围。
6.根据权利要求4或5所述的信息处理装置,其特征在于,
所述用户提示信息包含显示对象事件信息,该显示对象事件信息对能够显示由所述基板处理装置检测出的多个事件中的至少一个所述事件的检测时刻的所述传感器监控画面,确定作为显示对象的至少一个所述事件。
7.根据权利要求3至6中任一项所述的信息处理装置,其特征在于,
所述用户提示信息包含显示对象组件信息,该显示对象组件信息对恢复操作引导画面确定作为显示对象的至少一个所述组件,该恢复操作引导画面能够显示多个所述组件中的至少一个所述组件的恢复操作的引导。
8.根据权利要求3至7中任一项所述的信息处理装置,其特征在于,
所述用户提示信息包含显示对象装置参数信息,该显示对象装置参数信息对变更操作引导画面确定作为显示对象的至少一个装置参数,该变更操作引导画面能够显示对多个所述组件分别设定的多个装置参数中的至少一个所述装置参数的变更操作的引导。
9.根据权利要求3至8中任一项所述的信息处理装置,其特征在于,
所述装置提供信息包含指定对象装置参数信息,该指定对象装置参数信息能够对变更处理指定数据确定作为指定对象的至少一个装置参数,该变更处理指定数据能够指定对多个所述组件分别设定的多个装置参数中的至少一个所述装置参数的变更处理。
10.一种推理装置,具备存储器和处理器,其特征在于,
所述处理器执行以下处理:
信息获取处理,获取警报产生信息,该警报产生信息至少包含警报种类信息和基板配置信息,该警报种类信息表示在由多个组件构成来进行基板的研磨处理的基板处理装置中产生的警报的种类,该基板配置信息表示在所述警报产生时分别存在于多个所述组件的所述基板的配置状态;以及
推理处理,当根据所述警报的产生而在所述信息获取处理中获取所述警报产生信息时,推理用于应对该警报的产生的支援信息。
11.一种机器学习装置,其特征在于,具备:
学习用数据存储部,该学习用数据存储部存储多组学习用数据,该学习用数据由警报产生信息和支援信息构成,该警报产生信息至少包含警报种类信息和基板配置信息,该警报种类信息表示在由多个组件构成来进行基板的研磨处理的基板处理装置中产生的警报的种类,该基板配置信息表示在所述警报产生时存在于所述基板处理装置内的所述基板的配置状态,该支援信息用于应对所述警报的产生;
机器学习部,该机器学习部通过将多组所述学习用数据输入学习模型来使所述学习模型学习所述警报产生信息与所述支援信息的相关关系;以及
学习完毕模型存储部,该学习完毕模型存储部存储通过所述机器学习部对所述相关关系进行了学习的所述学习模型。
12.一种信息处理方法,其特征在于,具备:
信息获取工序,获取警报产生信息,该警报产生信息至少包含警报种类信息和基板配置信息,该警报种类信息表示在由多个组件构成来进行基板的研磨处理的基板处理装置中产生的警报的种类,该基板配置信息表示在所述警报产生时分别存在于多个所述组件的所述基板的配置状态;以及
支援处理工序,通过将根据所述警报的产生而由所述信息获取工序获取的所述警报产生信息输入学习模型来生成与该警报对应的支援信息,该学习模型通过机器学习对所述警报产生信息与用于应对所述警报的产生的所述支援信息的相关关系进行学习。
13.一种推理方法,由具备存储器和处理器的推理装置执行,其特征在于,
所述处理器执行以下工序:
信息获取工序,获取警报产生信息,该警报产生信息至少包含警报种类信息和基板配置信息,该警报种类信息表示在由多个组件构成来进行基板的研磨处理的基板处理装置中产生的警报的种类,该基板配置信息表示在所述警报产生时分别存在于多个所述组件的所述基板的配置状态;以及
推理工序,当根据所述警报的产生而在所述信息获取工序中获取所述警报产生信息时,推理用于应对该警报的产生的支援信息。
14.一种机器学习方法,其特征在于,具备:
学习用数据存储工序,存储多组学习用数据,该学习用数据由警报产生信息和支援信息构成,该警报产生信息至少包含警报种类信息和基板配置信息,该警报种类信息表示在由多个组件构成来进行基板的研磨处理的基板处理装置中产生的警报的种类,该基板配置信息表示在所述警报产生时存在于所述基板处理装置内的所述基板的配置状态,该支援信息用于应对所述警报的产生;
机器学习工序,通过将多组所述学习用数据输入学习模型来使所述学习模型学习所述警报产生信息与所述支援信息的相关关系;以及
学习完毕模型存储工序,存储通过所述机器学习工序对所述相关关系进行了学习的所述学习模型。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021164342A JP2023055161A (ja) | 2021-10-05 | 2021-10-05 | 情報処理装置、推論装置、機械学習装置、情報処理方法、推論方法、及び、機械学習方法 |
JP2021-164342 | 2021-10-05 | ||
PCT/JP2022/027507 WO2023058289A1 (ja) | 2021-10-05 | 2022-07-13 | 情報処理装置、推論装置、機械学習装置、情報処理方法、推論方法、及び、機械学習方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118056265A true CN118056265A (zh) | 2024-05-17 |
Family
ID=85804122
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202280067479.3A Pending CN118056265A (zh) | 2021-10-05 | 2022-07-13 | 信息处理装置、推理装置、机器学习装置、信息处理方法、推理方法及机器学习方法 |
Country Status (4)
Country | Link |
---|---|
JP (1) | JP2023055161A (zh) |
KR (1) | KR20240065314A (zh) |
CN (1) | CN118056265A (zh) |
WO (1) | WO2023058289A1 (zh) |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4253252B2 (ja) * | 2003-12-22 | 2009-04-08 | 富士通マイクロエレクトロニクス株式会社 | 品質改善システム |
JP2005259792A (ja) * | 2004-03-09 | 2005-09-22 | Dainippon Screen Mfg Co Ltd | アラームシステム、基板処理装置、およびプログラム |
JP2007301690A (ja) * | 2006-05-12 | 2007-11-22 | Nikon Corp | 研磨装置 |
JP2010232405A (ja) * | 2009-03-27 | 2010-10-14 | Tokyo Electron Ltd | 基板処理装置の動作履歴解析支援装置、基板処理装置の動作履歴解析支援プログラムおよび記録媒体 |
JP6675297B2 (ja) * | 2016-12-09 | 2020-04-01 | Dmg森精機株式会社 | 情報処理方法、情報処理システム、および情報処理装置 |
-
2021
- 2021-10-05 JP JP2021164342A patent/JP2023055161A/ja active Pending
-
2022
- 2022-07-13 CN CN202280067479.3A patent/CN118056265A/zh active Pending
- 2022-07-13 KR KR1020247014107A patent/KR20240065314A/ko unknown
- 2022-07-13 WO PCT/JP2022/027507 patent/WO2023058289A1/ja active Application Filing
Also Published As
Publication number | Publication date |
---|---|
JP2023055161A (ja) | 2023-04-17 |
KR20240065314A (ko) | 2024-05-14 |
WO2023058289A1 (ja) | 2023-04-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11731232B2 (en) | Irregular mechanical motion detection systems and method | |
WO2023189170A1 (ja) | 情報処理装置、推論装置、機械学習装置、情報処理方法、推論方法、及び、機械学習方法 | |
KR20220011144A (ko) | 기판 처리 시스템 | |
US20240062066A1 (en) | Information processing apparatus and machine learning apparatus | |
CN118056265A (zh) | 信息处理装置、推理装置、机器学习装置、信息处理方法、推理方法及机器学习方法 | |
WO2023112830A1 (ja) | 情報処理装置、推論装置、機械学習装置、情報処理方法、推論方法、及び、機械学習方法 | |
WO2023153208A1 (ja) | 情報処理装置、推論装置、機械学習装置、情報処理方法、推論方法、及び、機械学習方法 | |
WO2023189165A1 (ja) | 情報処理装置、推論装置、機械学習装置、情報処理方法、推論方法、及び、機械学習方法 | |
WO2023149162A1 (ja) | 情報処理装置、推論装置、機械学習装置、情報処理方法、推論方法、及び、機械学習方法 | |
JP2023116396A (ja) | 情報処理装置、推論装置、機械学習装置、情報処理方法、推論方法、及び、機械学習方法 | |
WO2023149161A1 (ja) | 情報処理装置、推論装置、機械学習装置、情報処理方法、推論方法、及び、機械学習方法 | |
TW202348349A (zh) | 資訊處理裝置、推論裝置、機械學習裝置、資訊處理方法、推論方法、及機械學習方法 | |
WO2024024391A1 (ja) | 情報処理装置、機械学習装置、情報処理方法、及び、機械学習方法 | |
WO2024053221A1 (ja) | 情報処理装置、機械学習装置、情報処理方法、及び、機械学習方法 | |
WO2024029236A1 (ja) | 情報処理装置、推論装置、機械学習装置、情報処理方法、推論方法、及び、機械学習方法 | |
CN118660786A (zh) | 信息处理装置、推论装置、机器学习装置、信息处理方法、推论方法及机器学习方法 | |
CN118434534A (zh) | 信息处理装置、推论装置、机器学习装置、信息处理方法、推论方法及机器学习方法 | |
JP2023127537A (ja) | 情報処理装置、推論装置、機械学習装置、情報処理方法、推論方法、及び、機械学習方法 | |
WO2024116625A1 (ja) | 安全支援装置、推論装置、機械学習装置、安全支援方法、推論方法、及び、機械学習方法 | |
WO2023058285A1 (ja) | 情報処理装置、推論装置、機械学習装置、情報処理方法、推論方法、及び、機械学習方法 | |
JP2023090667A (ja) | 情報処理装置、推論装置、機械学習装置、情報処理方法、推論方法、及び、機械学習方法 | |
WO2024135150A1 (ja) | 情報処理装置、推論装置、機械学習装置、情報処理方法、推論方法、及び、機械学習方法 | |
JP2024023008A (ja) | 情報処理装置、推論装置、機械学習装置、基板めっき装置、情報処理方法、推論方法、及び、機械学習方法 |
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 |