JP2021017649A - 機械学習方法、機械学習装置、機械学習プログラム、通信方法、及び成膜装置 - Google Patents
機械学習方法、機械学習装置、機械学習プログラム、通信方法、及び成膜装置 Download PDFInfo
- Publication number
- JP2021017649A JP2021017649A JP2020031476A JP2020031476A JP2021017649A JP 2021017649 A JP2021017649 A JP 2021017649A JP 2020031476 A JP2020031476 A JP 2020031476A JP 2020031476 A JP2020031476 A JP 2020031476A JP 2021017649 A JP2021017649 A JP 2021017649A
- Authority
- JP
- Japan
- Prior art keywords
- film forming
- work
- machine learning
- heating
- value
- 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
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000010801 machine learning Methods 0.000 title claims description 54
- 238000004891 communication Methods 0.000 title claims description 36
- 230000008021 deposition Effects 0.000 title abstract 7
- 238000005520 cutting process Methods 0.000 claims abstract description 92
- 238000011156 evaluation Methods 0.000 claims abstract description 63
- 230000008569 process Effects 0.000 claims abstract description 49
- 238000001704 evaporation Methods 0.000 claims abstract description 43
- 238000001816 cooling Methods 0.000 claims abstract description 36
- 230000008020 evaporation Effects 0.000 claims abstract description 36
- 230000015572 biosynthetic process Effects 0.000 claims description 54
- 238000010438 heat treatment Methods 0.000 claims description 52
- 230000006870 function Effects 0.000 claims description 24
- 238000005530 etching Methods 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 18
- 239000000463 material Substances 0.000 claims description 17
- 238000010891 electric arc Methods 0.000 claims description 16
- 238000004519 manufacturing process Methods 0.000 claims description 16
- 238000005259 measurement Methods 0.000 claims description 15
- 238000009826 distribution Methods 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 5
- 238000005299 abrasion Methods 0.000 abstract 1
- 239000007789 gas Substances 0.000 description 48
- 230000009471 action Effects 0.000 description 18
- 230000007613 environmental effect Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 239000003795 chemical substances by application Substances 0.000 description 7
- 239000000112 cooling gas Substances 0.000 description 6
- 238000007733 ion plating Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 230000002787 reinforcement Effects 0.000 description 4
- XKRFYHLGVUSROY-UHFFFAOYSA-N Argon Chemical compound [Ar] XKRFYHLGVUSROY-UHFFFAOYSA-N 0.000 description 3
- 238000013459 approach Methods 0.000 description 3
- 238000005240 physical vapour deposition Methods 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 229910010037 TiAlN Inorganic materials 0.000 description 2
- -1 TiCN Inorganic materials 0.000 description 2
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 description 2
- 229910052786 argon Inorganic materials 0.000 description 2
- 238000009529 body temperature measurement Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 150000001485 argon Chemical class 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 230000020169 heat generation Effects 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000011343 solid material Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000004227 thermal cracking Methods 0.000 description 1
- 238000007740 vapor deposition Methods 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
Images
Landscapes
- Physical Vapour Deposition (AREA)
Abstract
【課題】切削工具に対する適切な成膜条件を容易に決定する。【解決手段】切削工具の性能評価に関する少なくとも1つの物理量と、少なくとも1つの成膜条件とを含む状態変数を観測し、状態変数に基づいて、少なくとも1つの成膜条件の決定結果に対する報酬を計算し、状態変数から少なくとも1つの成膜条件を決定するための関数を、報酬に基づいて更新し、関数の更新を繰り返すことによって、報酬が最も多く得られる前記少なくとも1つの成膜条件を決定し、少なくとも1つの成膜条件は、真空排気システム、加熱冷却システム、蒸発源システム、テーブルシステム、及びプロセスガスシステムのうちの少なくとも1つのパラメータであり、少なくとも1つの物理量は、加工可能数、刃先摩耗評価値、刃先損傷評価値、切削抵抗測定値、仕上げ面評価値、及び切りくず状態観察値のうちの少なくとも1つである。【選択図】図2
Description
本開示は、機械学習により成膜条件を学習する技術に関するものである。
近年、耐摩耗性の高い切削工具を製造するために、切削工具となる基材に対して物理的蒸着法(PVD法)により、TiN、TiAlN、CrNなどの硬質皮膜を成膜することが行われている(例えば、特許文献1)。耐摩耗性の高い工具を製造するためには、成膜条件を適切に決定することが要求される。
しかし、従来、成膜条件は熟練した技術者により長年の経験を頼りに決定されていた。また、実際に工具メーカーが切削工具の評価に求めているのは、皮膜そのものに対する評価ではなく、切削工具に対する性能評価である。しかし、従来、切削工具に対する性能評価を考慮に入れて成膜条件を決定することは行われていなかった。そのため、切削工具に対する適切な成膜条件を容易に決定することが困難であった。
本発明は、このような課題を解決するためになされたものであり、切削工具に対する適切な成膜条件を容易に決定できる機械学習方法などを提供することである。
近年、ディープラーニングをはじめとする機械学習に関する様々なサービスがクラウド上で提供されており、ユーザはこのサービスを容易に利用することが可能になってきている。そこで、本発明者は、成膜条件と切削工具の性能評価に関する物理量とを機械学習させれば、切削工具に対する適切な成膜条件を容易に決定できるとの知見を得て本発明を想到するに至った。
本発明の一態様に係る機械学習方法は、切削工具の基材であるワークを成膜する成膜装置の成膜条件を機械学習装置が決定するための機械学習方法であって、前記成膜装置は、チャンバーを真空にするための真空排気システムと、前記チャンバーを加熱及び冷却する加熱冷却システムと、ターゲットを蒸発させる蒸発源システムと、ワークを載置するテーブルシステムと、前記チャンバーにプロセスガスを導入するプロセスガスシステムと、エッチングシステムとを含み、前記切削工具の性能評価に関する少なくとも1つの物理量と、少なくとも1つの成膜条件とを含む状態変数を取得し、前記状態変数に基づいて、前記少なくとも1つの成膜条件の決定結果に対する報酬を計算し、前記状態変数から前記少なくとも1つの成膜条件を決定するための関数を、前記報酬に基づいて更新し、前記関数の更新を繰り返すことによって、前記報酬が最も多く得られる前記少なくとも1つの成膜条件を決定し、前記少なくとも1つの成膜条件は、前記真空排気システムに関する第1パラメータと、前記加熱冷却システムに関する第2パラメータと、前記蒸発源システムに関する第3パラメータと、前記テーブルシステムに関する第4パラメータと、前記プロセスガスシステムに関する第5パラメータとのうちの少なくとも1つであり、前記少なくとも1つの物理量は、加工可能数、刃先摩耗評価値、刃先損傷評価値、切削抵抗測定値、仕上げ面評価値、及び切りくず状態観察値のうちの少なくとも1つである。
本構成によれば、真空排気システムに関する第1パラメータと、加熱冷却システムに関する第2パラメータと、蒸発源システムに関する第3パラメータと、テーブルシステムに関する第4パラメータと、プロセスガスシステムに関する第5パラメータとのうちの少なくとも1つの成膜条件と、切削工具の性能評価に関する、加工可能数、刃先摩耗評価値、刃先損傷評価値、切削抵抗測定値、仕上げ面評価値、及び切りくず状態観察値のうちの少なくとも1つの物理量とが状態変数として観測される。そして、観測された状態変数に基づいて、成膜条件の決定結果に対する報酬が計算され、計算された報酬に基づいて、状態変数から成膜条件を決定するための関数が更新され、この更新が繰り返されて報酬が最も多く得られる成膜条件が学習される。さらに、本構成は、成膜条件の評価に関する物理量として刃先摩耗評価値などの切削工具特有の物理量が用いられて機械学習が行われている。そのため、本構成は、切削工具に対する適切な成膜条件を容易に決定できる。
上記構成において、前記第1パラメータは、排気速度、到達圧力、残留ガス種、残留ガス分圧、及びP−Q特性の少なくとも1つであってもよい。
本構成によれば、排気速度、到達圧力、残留ガス種、残留ガス分圧、及びP−Q特性の少なくとも1つが真空排気システムに関する成膜条件とされて機械学習が行われているため、真空排気システムの状態を考慮に入れて適切な成膜条件を決定できる。
上記構成において、前記第2パラメータは、前記加熱冷却システムを構成するヒータのヒータ温度、前記ワークの温度であるワーク温度、前記ヒータの昇温速度、前記ワークの昇温速度、前記ヒータの出力、前記ヒータの温度精度、前記ワークの温度精度、前記ヒータ温度及び前記ワーク温度の応答特性、前記ヒータの温度分布、及び前記ワークの温度分布の少なくとも1つであってもよい。
本構成によれば、ヒータ温度、ワーク温度、ヒータの昇温速度、ワークの昇温速度、ヒータの出力、ヒータの温度精度、ワークの温度精度、ヒータ温度の応答特性、ワーク温度の応答特性、ヒータの温度分布、及びワークの温度分布の少なくとも1つが、加熱冷却システムに関する成膜条件とされて機械学習が行われているため、加熱冷却システムの状態を考慮に入れて適切な成膜条件を決定できる。
上記構成において、前記第3パラメータは、前記ターゲットの組成、前記ターゲットの厚さ、前記ターゲットの製法、アーク放電電圧、アーク放電電流、蒸発源磁場、蒸発源コイル電流、及びアーク点火特性の少なくとも1つであってもよい。
本構成によれば、ターゲットの組成、ターゲットの厚さ、ターゲットの製法、アーク放電電圧、アーク放電電流、蒸発源磁場、蒸発源コイル電流、及びアーク点火特性の少なくとも1つが蒸発源システムに関する成膜条件とされて機械学習が行われているため、蒸発源システムの状態を考慮に入れて適切な成膜条件を決定できる。
上記構成において、前記第4パラメータは、前記ワークに対するバイアス電圧、前記ワークに対するバイアス電流、異常放電回数、前記異常放電の時間変化、前記バイアス電圧の波形、前記バイアス電流の波形、前記ワークの回転数、前記ワークの形状、前記ワークの搭載量、前記ワークの搭載方法、及び前記ワークの材質の少なくとも1つを含んでもよい。
本構成によれば、バイアス電圧、バイアス電流、異常放電回数、異常放電の時間変化、バイアス電圧の波形、バイアス電流の波形、ワークの回転数、ワークの形状、ワークの搭
載量、ワークの搭載方法、及びワークの材質の少なくとも1つがテーブルシステムに関する成膜条件として機械学習が行われているため、テーブルシステムの状態を考慮に入れて適切な成膜条件を決定できる。
載量、ワークの搭載方法、及びワークの材質の少なくとも1つがテーブルシステムに関する成膜条件として機械学習が行われているため、テーブルシステムの状態を考慮に入れて適切な成膜条件を決定できる。
上記構成において、前記第5パラメータは、前記プロセスガスの流量、前記プロセスガスの種類、及び前記プロセスガスの圧力の少なくとも1つであってもよい。
本構成によれば、プロセスガスの流量、プロセスガスの種類、及びプロセスガスの圧力の少なくとも1つがプロセスガスシステムに関する成膜条件として機械学習が行われているため、プロセスガスシステムの状態を考慮に入れて適切な成膜条件を決定できる。
上記構成において、前記少なくとも1つの成膜条件は、さらに前記エッチングシステムに関する第6パラメータを含んでもよい。
本構成によれば、エッチングシステムに関する成膜条件が考慮されて機械学習が行われているため、エッチングシステムの状態を考慮に入れて適切な成膜条件を決定できる。
上記構成において、前記第6パラメータは、前記エッチングシステムのフィラメントを加熱するための加熱電流、前記フィラメントを加熱するための加熱電圧、前記フィラメントの直径、前記フィラメントの放電電流、及び前記フィラメントの放電電圧の少なくとも1つであってもよい。
本構成によれば、フィラメントの加熱電流、フィラメントの加熱電圧、フィラメントの直径、フィラメントの放電電流、及びフィラメントの放電電圧の少なくとも1つがエッチングシステムに関する成膜条件として機械学習が行われているため、エッチングシステムの状態を考慮に入れて適切な成膜条件を決定できる。
上述した機械学習方法の各処理は、機械学習装置により実装されてもよいし、機械学習プログラムに実装されて流通されてもよい。この機械学習装置は、サーバで構成されてもよいし、成膜装置で構成されてもよい。
本発明の他の一態様に係る通信方法は、切削工具の基材であるワークを成膜する成膜装置の成膜条件を機械学習する際の前記成膜装置の通信方法であっ前記成膜装置は、チャンバーを真空にするための真空排気システムと、前記チャンバーを加熱及び冷却する加熱冷却システムと、ターゲットを蒸発させる蒸発源システムと、ワークを載置するテーブルシステムと、前記チャンバーにプロセスガスを導入するプロセスガスシステムと、エッチングシステムと、通信部とを含み、前記切削工具の性能評価に関する少なくとも1つの物理量と、少なくとも1つの成膜条件とを含む状態変数を観測し、前記状態変数をネットワーク上に送信し、機械学習済みの少なくとも1つの成膜条件を受信し、前記少なくとも1つの成膜条件は、前記真空排気システムに関する第1パラメータと、前記加熱冷却システムに関する第2パラメータと、前記蒸発源システムに関する第3パラメータと、前記テーブルシステムに関する第4パラメータと、前記プロセスガスシステムに関する第5パラメータとのうちの少なくとも1つであり、前記少なくとも1つの物理量は、加工可能数、刃先摩耗評価値、刃先損傷評価値、切削抵抗測定値、仕上げ面評価値、及び切りくず状態観察値のうちの少なくとも1つである。
本構成によれば、成膜情報を機械学習する際に必要な情報が提供される。このような通信方法は、成膜装置にも実装可能である。
本発明によれば、切削工具に対する適切な成膜条件を容易に決定できる。
図1は、実施の形態に係る機械学習システムに適用される成膜装置の全体構成図である。成膜装置30は、アークイオンプレーティング法により切削工具の基材であるワーク(被コーティング物)に硬質皮膜を成膜する装置である。アークイオンプレーティング法は、真空アーク放電を利用して固体材料を蒸発させるイオンプレーティング法の一種である。アークイオンプレーティング法は、蒸発した材料のイオン化率が高く、密着性に優れた皮膜が形成できるため、切削工具の成膜に適している。硬質皮膜は、例えば、TiN、TiAlN、TiCN、CrNなどである。
成膜装置30は、真空排気システム510、加熱冷却システム520、蒸発源システム530、テーブルシステム540、プロセスガスシステム550、エッチングシステム560、及びチャンバー570を含む。
真空排気システム510は、排気装置511を含み、チャンバー570の内部を真空にする。排気装置511は、チャンバー570内の空気を排気するためのポンプなどを含む。
加熱冷却システム520は、ヒータ電源部521及びヒータ522を含み、ワーク545を加熱する。ヒータ電源部521は、ヒータ522に電力を供給する電源回路である。ヒータ522は、チャンバー570内に設けられ、ヒータ電源部521から供給される電力によって発熱する。また、加熱冷却システム520は、ヒータ522の発熱を停止させることでワーク545を冷却する。
蒸発源システム530は、ターゲット(成膜形成材料)を蒸発させるシステムである。蒸発源システム530は、アークカソード531及びアーク電源部532を含む。アーク電源部532は、アークカソード531に放電電流を供給する電源回路である。アークカソード531は、ターゲットを含み、アーク電源部532から供給された電力によって、チャンバー570の内壁との間で真空アーク放電を発生させる。真空アーク放電が開始されると、カソード表面上に数μm径のアークスポットと呼ばれる溶融領域が発生する。アークスポットには、高密度の電流が集中し、カソード表面は瞬時に溶融蒸発される。この真空アーク放電により、ワーク545の表面が成膜される。
図1の例では、2対のアークカソード531及びアーク電源部532が図示されているが、これは一例であり、アークカソード531及びアーク電源部532は、1対であってもよいし、3対以上であってもよい。
テーブルシステム540は、ワーク545を搭載する回転テーブルである。テーブルシステム540は、テーブル541、テーブル駆動部542、及びバイアス電源部543を含む。テーブル541は、チャンバー570内に設けられている。ワーク545はテーブル541上に載置される。テーブル駆動部542は、モータなどを含み、テーブル541を回転させる。バイアス電源部543は、テーブル541を介してワーク545に負の電位を与える。
プロセスガスシステム550は、チャンバー570内に反応性皮膜を形成するためのプロセスガスを導入する。
エッチングシステム560は、放電電源部561、一対のフィラメント電極562、及び一対のフィラメント電極562間に設けられたフィラメント(図略)を含む。放電電源部561は一対のフィラメント電極562を介してフィラメントに放電電流を供給する電源回路である。エッチングシステム560は、アークカソード531及びフィラメント間並びにチャンバー570の内壁及びフィラメント間にアルゴンプラズマを発生させる。このアルゴンプラズマの発生により、ワーク545の表面が清浄化される。この洗浄化において、アークカソード531及びチャンバー570の内壁はアノードとして機能し、フィラメントはカソードとして機能する。
チャンバー570は、ワーク545を収容する容器である。チャンバー570は、真空排気システム510によって内部が真空状態にされ、真空状態を維持する。
図2は、実施の形態における機械学習システムの全体構成図である。機械学習システムは、サーバ10、通信装置20、及び成膜装置30を含む。サーバ10及び通信装置20はネットワーク40を介して相互に通信可能に接続されている。通信装置20及び成膜装置30はネットワーク50を介して相互に通信可能に接続されている。ネットワーク40は、例えばインターネットなどの広域通信網である。ネットワーク50は、例えばローカルエリアネットワークである。サーバ10は、例えば1以上のコンピュータで構成されるクラウドサーバである。通信装置20は、例えば成膜装置30を使用するユーザが所持するコンピュータである。通信装置20は、成膜装置30をネットワーク40に接続するゲートウェイとして機能する。通信装置20は、ユーザ自身が所持するコンピュータに専用のアプリケーションソフトウェアをインストールすることで実現される。或いは通信装置20は、成膜装置30の製造メーカがユーザに提供する専用の装置であってもよい。成膜装置30は、図1で説明した成膜装置である。
以下、各装置の構成を具体的に説明する。サーバ10は、プロセッサ100及び通信部101を含む。プロセッサ100は、CPUなどを含む制御装置である。プロセッサ100は、報酬計算部110、更新部120、決定部130、及び学習制御部140を含む。プロセッサ100が備える各ブロックは、コンピュータを機械学習システムにおけるサーバ10として機能させる機械学習プログラムをプロセッサ100が実行することで実現されてもよいし、専用の電気回路で実現されてもよい。
報酬計算部110は、状態観測部321が観測した状態変数に基づいて、少なくとも1つの成膜条件の決定結果に対する報酬を計算する。
更新部120は、状態観測部321が観測した状態変数から少なくとも1つの成膜条件を決定するための関数を、報酬計算部110によって計算された報酬に基づいて更新する。関数としては、後述の行動価値関数が採用される。
決定部130は、関数の更新を繰り返すことによって、報酬が最も多く得られる少なくとも1つの成膜条件を決定する。
学習制御部140は、機械学習の全体制御を司る。本実施の形態の機械学習システムは強化学習によって成膜条件を学習する。強化学習とは、エージェント(行動主体)が環境の状況に基づいてある行動を選択し、選択した行動に基づいて環境を変化させ、環境変化に伴う報酬をエージェントに与えることにより、エージェントにより良い行動の選択を学習させる機械学習手法である。強化学習としては、Q学習及びTD学習が採用できる。以下の説明では、Q学習を例に挙げて説明する。本実施の形態では、報酬計算部110、更新部120、決定部130、学習制御部140、及び後述する状態観測部321がエージェントに相当する。本実施の形態において、通信部101は、状態変数を取得する状態取得部の一例である。
通信部101は、サーバ10をネットワーク40に接続する通信回路で構成される。通信部101は、状態観測部321により観測された状態変数を通信装置20を介して受信する。通信部101は、決定部130が決定した成膜条件を通信装置20を介して成膜装置30に送信する。
通信装置20は、送信器201及び受信器202を含む。送信器201は、成膜装置30から送信された状態変数をサーバ10に送信すると共に、サーバ10から送信された成膜条件を成膜装置30に送信する。受信器202は、成膜装置30から送信された状態変数を受信すると共に、サーバ10から送信された成膜条件を受信する。
成膜装置30は、図1で示す構成の他、通信部310、プロセッサ320、メモリ330、センサ部340、及び入力部350を含む。
通信部310は、成膜装置30をネットワーク50に接続するための通信回路である。通信部310は、状態観測部321によって観測された状態変数をサーバ10に送信する。通信部310は、サーバ10の決定部130が決定した成膜条件を受信する。通信部310は、学習制御部140が決定した後述する成膜実行コマンドを受信する。
プロセッサ320は、CPUなどを含む制御装置である。プロセッサ320は、状態観測部321、成膜実行部322、及び入力判定部323を含む。通信部310は、状態観測部321が取得した状態変数をサーバ10に送信する。プロセッサ320が備える各ブロックは、例えばCPUが機械学習システムの成膜装置30として機能させる機械学習プログラムを実行することで実現される。
状態観測部321は、成膜実行後において、センサ部340が検出した物理量を取得する。状態観測部321は、成膜実行後において切削工具の性能評価に関する少なくとも1つの物理量と、少なくとも1つの成膜条件とを含む状態変数を観測する。具体的には、状態観測部321は、センサ部340の計測値に基づいて成膜条件を取得する。また、状態観測部321は、センサ部340の計測値などに基づいて物理量を取得する。
図4は、成膜条件の一例を示す図である。成膜条件は、大きく中分類に分類される。中分類には、真空排気システム510に関する第1パラメータと、加熱冷却システム520に関する第2パラメータと、蒸発源システム530に関する第3パラメータと、テーブルシステム540に関する第4パラメータと、プロセスガスシステム550に関する第5パラメータとのうちの少なくとも1つのパラメータが含まれる。さらに、中分類には、エッチングシステム560に関する第6パラメータが含まれていても良い。
第1パラメータは、排気速度、到達圧力、残留ガス種、残留ガス分圧、及びP−Q特性の少なくとも1つを含む。排気速度は、真空排気システム510がチャンバー570内の空気や残留ガス、導入されたプロセスガスを排気する速度である。排気速度は、例えば真空排気システム510を構成するポンプの性能値から計算によって得られる。或いは、排気速度は、流量センサの計測値であってもよい。到達圧力は、成膜プロセス開始前のチャンバー570内の圧力である。到達圧力は、例えば真空排気システム510を構成するポンプの性能値から計算によって得られる。或いは、到達圧力は、圧力センサの計測値であってもよい。残留ガス種は、チャンバー570内に残留するガスであり、不純物である。残留ガス種は、例えば、窒素、酸素、水分、及び水素などである。残留ガス種は、後述する残留ガスの分圧に基づいて決定される。残留ガス分圧は、チャンバー570内に残留する複数の残留ガスの分圧である。残留ガス分圧は、四重極形質量分析計などの真空残留ガスモニタの計測によって得られる。P−Q特性は、チャンバー内の圧力(P)と流量(Q)との関係を示す特性である。P−Q特性は、例えば流量センサで検知されたチャンバー570内のガスの流量と圧力センサの計測値から計算によって得られる。
第2パラメータは、ヒータ温度、ワーク温度、ヒータ昇温速度、ワーク昇温速度、ヒータ出力、ヒータ温度精度、ワーク温度精度、ヒータ温度/ワーク温度、ヒータ温度分布、ワーク温度分布、冷却ガス種、冷却ガス圧力、及びワーク冷却速度の少なくとも1つを含む。
ヒータ温度は、ヒータ522の温度である。ヒータ温度は、例えば温度センサ(熱電対)の計測値である。ワーク温度は、ワーク545の温度である。ワーク温度は、例えばワーク545の近傍に設けられた温度センサの計測値である。ヒータ昇温速度は、ヒータ522が昇温する際のヒータ温度の変化速度である。ヒータ昇温速度は、ヒータ温度の時系列変化から得られる。ワーク昇温温度は、ワーク545が昇温する際のワーク温度の変化速度である。ワーク昇温速度は、ワーク温度の時系列変化から得られる。
ヒータ出力は、ヒータ522の出力である。ヒータ出力は、ヒータ電源部521の設定値から計算により得られる。ヒータ出力は、ヒータに供給される電流値と電圧値とのセンサによる計測値から計算されてもよい。
ヒータ温度精度は、ヒータ温度のバラツキを示す値である。ヒータ温度精度は過去のヒータ温度の計測値から計算される。ワーク温度精度は、ワーク温度のバラツキを示す値である。ワーク温度精度は過去のワーク温度の計測値から計算される。ヒータ温度/ワーク温度は、ヒータ522のワーク545に対する応答特性である。
ヒータ温度分布は、ヒータ522の温度分布である。ヒータ温度分布はヒータ522の周囲に設けられた複数の温度センサの計測値から得られる。ワーク温度分布は、ワーク545の温度分布である。ワーク温度分布は、ワーク545の周囲に設けられた複数の温度センサの計測値から得られる。
冷却ガス種は、チャンバー570内を冷却するガスの種別を示す情報であり、予め入力された入力値である。冷却ガス圧力は、冷却ガスの圧力である。冷却ガス圧力は、チャンバー570内に設けられた圧力センサによる計測値である。ワーク冷却速度は、ワーク545の冷却速度である。ワーク冷却速度は、ワーク545の近傍に設けられた温度センサが検出したワーク温度の時系列変化から得られる。
第3パラメータは、ターゲット組成、ターゲット厚さ、ターゲット製法、アーク放電電圧、アーク放電電流、蒸発源磁場、蒸発源コイル電流、及びアーク点火特性のうちの少なくとも1つを含む。ターゲット組成は、ターゲットを構成する物質の組成である。ターゲット厚さは、ターゲットの厚みである。ターゲット製法は、ターゲットの製造方法である。ターゲット組成、ターゲット厚さ、ターゲット製法は、予め入力された入力値である。
アーク放電電圧は、アーク電源部532がアークカソード531に供給する電圧であり、センサによる計測値である。アーク放電電流は、アーク電源部532がアークカソード531に供給する電流であり、センサによる計測値である。
蒸発源磁場は、蒸発源システム530に含まれる永久磁束が放出する磁場の位置及び強度である。蒸発源磁場は予め入力された入力値である。蒸発源コイル電流は、蒸発源システム530に含まれるコイルに流れる電流であり、センサによる計測値である。アーク点火特性は、アーク点火時のアーク表面の電圧及び電流の挙動である。アーク点火特性は、アーク放電電圧及びアーク放電電流のあるタイミングの計測値から得られる。
第4パラメータは、バイアス電圧、バイアス電流、OL回数、OL時間変化、バイアス電圧波形、バイアス電流波形、ワーク回転数、ワーク形状、ワーク搭載量、ワーク搭載方法、及びワーク材質の少なくとも1つを含む。
バイアス電圧は、バイアス電源部543がワーク545に供給するバイアス電圧であり、センサによる計測値である。バイアス電流は、バイアス電源部543がワーク545に供給するバイアス電流であり、センサによる計測値である。
OL(OverLoad)回数は、テーブルシステムまたはワークでの異常放電回数であり、センサによる計測値である。OL時間変化は、単位時間あたりのOL回数である。バイアス電圧波形は、バイアス電圧の波形であり、センサによる計測値から得られる。バイアス電圧波形は特にパルスバイアス時の電圧波形である。バイアス電流波形は、バイアス電流の波形であり、センサによる計測値から得られる。ワーク回転数は、ワーク545の単位時間あたりの回転数であり、テーブル541の単位時間あたりの回転数と、ワーク545がテーブル541上で自転する際の単位時間あたりの回転数とを含む。ワーク回転数は、例えばセンサによる検出値である。ワーク形状は、ワーク545の形状を示す数値であり、予め入力された入力値である。ワーク搭載量は、ワーク545の搭載量(例えば重量)であり、予め入力された入力値である。ワーク搭載方法は、テーブル541に対するワーク545の搭載方法であり、予め入力された入力値である。ワーク材質は、ワーク545の材質であり、予め入力された入力値である。
第5パラメータは、ガス流量、ガス種、及びガス圧の少なくとも1つを含む。ガス流量は、プロセスガスの流量である。ガス種は、プロセスガスの種類を示す情報である。ガス圧力は、プロセスガスの圧力である。これらは、例えばセンサの検出値である。
第6パラメータは、フィラメント加熱電流、フィラメント加熱電圧、フィラメント径、放電電流、及び放電電圧の少なくとも1つを含む。フィラメント加熱電流は、エッチングシステム560を構成する一対のフィラメント電極562を加熱するための加熱電流であり、センサによる計測値である。フィラメント加熱電圧は、一対のフィラメント電極562を加熱するための加熱電圧であり、センサによる計測値である。
フィラメント径は、一対のフィラメント電極562のそれぞれの直径であり、予め入力された入力値である。なお、フィラメント径は、計算によって算出されてもよい。放電電流は、一対のフィラメント電極562の放電電流であり、センサによる計測値である。放電電圧は、一対のフィラメント電極562の放電電圧であり、センサによる計測値である。
図5は、物理量の一例を示す図である。物理量は、大きく中分類に分類される。中分類には、加工可能数、刃先摩耗評価値、刃先損傷評価値、切削抵抗測定値、仕上げ面評価値、及び切りくず状態観察値のうちの少なくとも1つが含まれる。加工可能数は、何回目の加工で皮膜が剥がれたかを示す値である。加工可能数は、成膜された切削工具を実際に使用したときの使用履歴から計算される。
刃先摩耗評価値は、切削加工具の刃先の摩耗の度合いを評価する値である。刃先耗評評価値は、逃げ面摩耗量及びすくい面摩耗量のうちの少なくとも1つを含む。
刃先損傷評価値は、切削工具の刃先の損傷の度合いを評価する値である。刃先損傷評価値は、境界摩耗、欠損、割損、チッピング、フレーキング、溶着、塑性変形、及び熱亀裂の少なくとも1つを含む。
刃先摩耗評価値及び刃先損傷評価値を構成する各種パラメータは、例えば、人物が切削工具を直接観察することで得られる計測値であってもよいし、人物が切削工具を顕微鏡を用いて観察することで得られる計測値であってもよい。
切削抵抗測定値は、切削工具の切削抵抗を示す値である。切削抵抗測定値は、切削力及び送り力を含む。仕上げ面評価値は、切削工具が切削した仕上げ面を評価する値である。切りくず状態観察値は、切削工具の切削により生じた切りくずの状態を示す値である。切りくず状態観察値は、切りくず形状及び切りくずの色が含まれる。切削抵抗測定値、仕上げ面評価値、及び切りくず状態観察値を構成する各種パラメータは、例えば、切削工具の切削中の力、動力、音、及び振動などをセンサにより計測することで得られる計測値であってもよい。
図2に参照を戻す。成膜実行部322は、成膜装置30の成膜運転を制御する。入力判定部323は、量産工程であるか否かを自動又は手動により判定する。入力判定部323は、量産工程であるか否かを自動で判定する場合、入力部350に入力された条件番号の入力回数が基準回数を超えた場合、成膜装置30は量産工程にあると判定する。条件番号とは、ある1つの成膜条件を特定するための識別番号である。条件番号により特定される成膜条件は、少なくとも図4に示す成膜条件のうちInputと記載された成膜条件を含む。
入力判定部323は、量産工程であるか否かを手動により判定する場合において、入力部350に量産工程である旨のデータが入力された場合、成膜装置30は量産工程にあると判定する。量産工程にある場合、成膜装置30は機械学習を行わない。
メモリ330は、例えば不揮発性の記憶装置であり、最終的に決定された最適な成膜条件などを記憶する。センサ部340は、図4に例示された成膜条件及び図5に例示された物理量の計測に用いられる各種センサである。入力部350は、キーボード、及びマウスなどの入力装置である。
図3は、図2に示す機械学習システムにおける処理の一例を示すフローチャートである。ステップS1では、学習制御部140は、入力部350を用いてユーザにより入力された、成膜条件の入力値を取得する。ここで取得される入力値は、図4に列記された成膜条件のうち、Inputと記載された成膜条件に対する入力値である。
ステップS2では、学習制御部140は、少なくとも1つの成膜条件と成膜条件に対する設定値とを決定する。ここで、設定対象となる成膜条件は、図4に列挙された成膜条件のうち、Inputと記載された成膜条件以外の成膜条件であって、設定値が設定可能な少なくとも1つの成膜条件である。ここで、決定される成膜条件の設定値は強化学習における行動に相当する。
具体的には、学習制御部140は、設定対象となる成膜条件のそれぞれについて設定値をランダムに選択する。ここで、設定値は、成膜条件のそれぞれについて所定の範囲内からランダムに選択される。
ステップS3では、学習制御部140は、成膜装置30に成膜実行コマンドを送信することで、成膜装置30に成膜運転を開始させる。成膜実行コマンドが通信部310により受信されると、成膜実行部322は、成膜実行コマンドにしたがって成膜条件を設定し、成膜運転を開始する。成膜実行コマンドには、ステップS1で設定された成膜条件の入力値及びステップS2で決定された成膜条件の設定値などが含まれる。
成膜運転が終了すると、状態観測部321は、状態変数を観測する(ステップS4)。具体的には、状態観測部321は、図5に記載された切削工具の性能評価に関する物理量と、図4に記載された成膜条件のうちセンサなどによって状態が観測される成膜条件とを状態変数として取得する。物理量は、例えばユーザが入力部350を操作することによって成膜装置30に入力されてもよいし、物理量を計測する計測器と成膜装置30が通信することで成膜装置30に入力されてもよい。状態観測部321は、取得した状態変数を通信部310を介してサーバ10に送信する。
ステップS5では、決定部130は、物理量を評価する。ここで、決定部130は、ステップS4で取得された物理量のうち評価対象となる物理量(以下、対象物理量と呼ぶ。)が所定の基準値に到達しているか否かを判定することで物理量を評価する。対象物理量は、図5に列記された物理量のうち1又は複数の物理量である。対象物理量が複数の場合、基準値は、各対象物理量に対応する複数の基準値が存在することになる。基準値は、例えば、切削工具の性能が一定の基準に到達していることを示す予め定められた値が採用できる。
決定部130は、対象物理量が基準値に到達していると判定した場合(ステップS6でYES)、ステップS2で設定した成膜条件を最終的な成膜条件として出力する(ステップS7)。一方、決定部130は、物理量が基準値に到達していないと判定した場合(ステップS6でNO)、処理をステップS8に進める。なお、対象物理量が複数の場合、決定部130は、全ての対象物理量が基準値に到達した場合、ステップS6でYESと判定すればよい。
ステップS8では、報酬計算部110は、対象物理量が基準値に近づいているか否かを判定する。対象物理量が基準値に近づいている場合(ステップS8でYES)、報酬計算部110は、エージェントに対する報酬を増大させる(ステップS9)。一方、対象物理量が基準値に近づいていない場合(ステップS8でNO)、報酬計算部110は、エージェントに対する報酬を減少させる(ステップS10)。この場合、報酬計算部110は、予め定められた報酬の増減値にしたがって報酬を増減させればよい。なお、対象物理量が複数の場合、報酬計算部110は、複数の対象物理量のそれぞれについて、ステップS8の判定を行えばよい。この場合、報酬計算部110は、複数の対象物理量のそれぞれについて、ステップS8の判定結果に基づいて報酬を増減させればよい。また、報酬の増減値は対象物理量に応じて異なる値が採用されてもよい。
ステップS11では、更新部120は、エージェントに付与した報酬を用いて行動価値関数を更新する。本実施の形態で採用されるQ学習は、ある環境状態sの下で、行動aを選択することへの価値であるQ値(Q(s,a))を学習する方法である。なお、環境状態stは、上記のフローの状態変数に相当する。そして、Q学習では、ある環境状態sのときに、Q(s,a)の最も高い行動aが選択される。Q学習では、試行錯誤により、ある環境状態sの下で様々な行動aをとり、そのときの報酬を用いて正しいQ(s,a)が学習される。行動価値関数Q(st,at)の更新式は以下の式(1)で示される。
ここで、st,atは、それぞれ、時刻tにおける環境状態と行動とを表す。行動atにより、環境状態はst+1に変化し、その環境状態の変化によって、報酬rt+1が算出される。また、maxの付いた項は、環境状態st+1の下で、その時に分かっている最も価値の高い行動aを選んだ場合のQ値(Q(st+1,a))にγを掛けたものである。ここで、γは割引率であり、0<γ≦1(通常は0.9〜0.99)の値をとる。αは学習係数であり、0<α≦1(通常は0.1程度)の値をとる。
この更新式は、状態sにおける行動aのQ値であるQ(st,at)よりも、行動aによる次の環境状態st+1における最良の行動をとったときのQ値に基づくγ・maxQ(st+1,a)の方が大きければ、Q(st,at)を大きくする。一方、この更新式は、Q(st,at)よりもγ・maxQ(st+1,a)の方が小さければ、Q(st,at)を小さくする。つまり、ある状態stにおけるある行動aの価値を、それによる次の状態st+1における最良の行動の価値に近づけるようにしている。これにより、ワーク545を成膜するのに最適な状態、つまり、少なくとも一つの最適な成膜条件が決定される。
ステップS11の処理が終了すると、処理はステップS2に戻り、成膜条件の設定値が変更され、同様にして行動価値関数が更新される。更新部120は、行動価値関数を更新したが、本発明はこれに限定されず、行動価値テーブルを更新してもよい。
従来、成膜装置においては、良好な皮膜が得られるように成膜条件を変化させることによって成膜条件の開発が行われてきた。良好な皮膜を得るためには、皮膜の評価と成膜条件との関係性を見出すことが要求される。しかし、図4に示されるように成膜条件の種類は膨大であるため、このような関係性を規定するには極めて多くの物理モデルが必要となり、物理モデルによってこのような関係性を記述するのは困難であるとの知見が得られた。さらに、このような物理モデルを構築するには、どのパラメータがどの皮膜の評価に影響を与えているのかを人為的に見いだすことも要求され、この構築は困難である。本実施の形態によれば、上述した第1〜第6のパラメータのうちの少なくとも1つのパラメータと、切削工具の性能評価に関する、加工可能数、刃先摩耗評価値、刃先損傷評価値、切削抵抗測定値、仕上げ面評価値、及び切りくず状観察値のうちの少なくとも1つの物理量とが状態変数として観測される。そして、観測された状態変数に基づいて、成膜条件の決定結果に対する報酬が計算され、計算された報酬に基づいて、状態変数から成膜条件を決定するための行動価値関数が更新され、この更新が繰り返されて報酬が最も多く得られる成膜条件が学習される。このように、本実施の形態は、上述の物理モデルを用いることなく、機械学習により成膜条件が決定される。その結果、本実施の形態は、切削工具に対する適切な成膜条件を容易に決定できる。
なお、本発明は以下の変形例が採用できる。
(1)図6は、本発明の変形例に係る機械学習システムの全体構成図である。この変形例に係る機械学習システムは、成膜装置30A単体で構成されている。成膜装置30Aは、プロセッサ320A、入力部391、及びセンサ部392を含む。プロセッサ320Aは、機械学習部370及び成膜部380を含む。機械学習部370は、報酬計算部371、更新部372、決定部373、及び学習制御部374を含む。報酬計算部371〜学習制御部374は、それぞれ、図2に示す報酬計算部110〜学習制御部140と同じである。状態観測部381、成膜実行部382、及び入力判定部383は、それぞれ図2に示す状態観測部321、成膜実行部322、及び入力判定部323と同じである。入力部391及びセンサ部392は、それぞれ図2に示す入力部350及びセンサ部340と同じである。本変形例において状態観測部381は、状態情報を取得する状態取得部の一例である。
このように、この変形例に係る機械学習システムによれば、成膜装置30A単体で最適な成膜条件を学習させることができる。
(2)上記のフローでは、成膜運転の終了後に状態変数が観測されていたが、これは一例であり、1回の成膜運転中に状態変数が複数観測されてもよい。例えば、状態変数が瞬時に計測可能なパラメータのみで構成されている場合、1回の成膜運転中に複数の状態変数を観測できる。これにより、学習時間の短縮が図られる。
(3)上記実施の形態では成膜装置30はアークイオンプレーティング法で成膜する装置であったが、本発明はこれに限定されず、蒸着法など他の物理的気相成長法により成膜する装置であってもよい。
10 :サーバ
30 :成膜装置
100 :プロセッサ
110 :報酬計算部
120 :更新部
130 :決定部
140 :学習制御部
510 :真空排気システム
520 :加熱冷却システム
530 :蒸発源システム
540 :テーブルシステム
550 :プロセスガスシステム
560 :エッチングシステム
570 :チャンバー
574 :学習制御部
30 :成膜装置
100 :プロセッサ
110 :報酬計算部
120 :更新部
130 :決定部
140 :学習制御部
510 :真空排気システム
520 :加熱冷却システム
530 :蒸発源システム
540 :テーブルシステム
550 :プロセスガスシステム
560 :エッチングシステム
570 :チャンバー
574 :学習制御部
Claims (12)
- 切削工具の基材であるワークを成膜する成膜装置の成膜条件を機械学習装置が決定する機械学習方法であって、
前記成膜装置は、チャンバーを真空にするための真空排気システムと、前記チャンバーを加熱及び冷却する加熱冷却システムと、ターゲットを蒸発させる蒸発源システムと、ワークを載置するテーブルシステムと、前記チャンバーにプロセスガスを導入するプロセスガスシステムと、エッチングシステムとを含み、
前記切削工具の性能評価に関する少なくとも1つの物理量と、少なくとも1つの成膜条件とを含む状態変数を取得し、
前記状態変数に基づいて、前記少なくとも1つの成膜条件の決定結果に対する報酬を計算し、
前記状態変数から前記少なくとも1つの成膜条件を決定するための関数を、前記報酬に基づいて更新し、
前記関数の更新を繰り返すことによって、前記報酬が最も多く得られる前記少なくとも1つの成膜条件を決定し、
前記少なくとも1つの成膜条件は、前記真空排気システムに関する第1パラメータと、前記加熱冷却システムに関する第2パラメータと、前記蒸発源システムに関する第3パラメータと、前記テーブルシステムに関する第4パラメータと、前記プロセスガスシステムに関する第5パラメータとのうちの少なくとも1つであり、
前記少なくとも1つの物理量は、加工可能数、刃先摩耗評価値、刃先損傷評価値、切削抵抗測定値、仕上げ面評価値、及び切りくず状態観察値のうちの少なくとも1つである、
機械学習方法。 - 前記第1パラメータは、排気速度、到達圧力、残留ガス種、残留ガス分圧、及びP−Q特性の少なくとも1つである、
請求項1記載の機械学習方法。 - 前記第2パラメータは、前記加熱冷却システムを構成するヒータのヒータ温度、前記ワークの温度であるワーク温度、前記ヒータの昇温速度、前記ワークの昇温速度、前記ヒータの出力、前記ヒータの温度精度、前記ワークの温度精度、前記ヒータ温度及び前記ワーク温度の応答特性、前記ヒータの温度分布、及び前記ワークの温度分布の少なくとも1つである、
請求項1又は2記載の機械学習方法。 - 前記第3パラメータは、前記ターゲットの組成、前記ターゲットの厚さ、前記ターゲットの製法、アーク放電電圧、アーク放電電流、蒸発源磁場、蒸発源コイル電流、及びアーク点火特性の少なくとも1つである、
請求項1〜3のいずれかに記載の機械学習方法。 - 前記第4パラメータは、前記ワークに対するバイアス電圧、前記ワークに対するバイアス電流、異常放電回数、前記異常放電の時間変化、前記バイアス電圧の波形、前記バイアス電流の波形、前記ワークの回転数、前記ワークの形状、前記ワークの搭載量、前記ワークの搭載方法、及び前記ワークの材質の少なくとも1つを含む、
請求項1〜4のいずれかに記載の機械学習方法。 - 前記第5パラメータは、前記プロセスガスの流量、前記プロセスガスの種類、及び前記プロセスガスの圧力の少なくとも1つである、
請求項1〜5のいずれかに記載の機械学習方法。 - 前記少なくとも1つの成膜条件は、さらに前記エッチングシステムに関する第6パラメータを含む、
請求項1〜6のいずれかに記載の機械学習方法。 - 前記第6パラメータは、前記エッチングシステムのフィラメントを加熱するための加熱電流、前記フィラメントを加熱するための加熱電圧、前記フィラメントの直径、前記フィラメントの放電電流、及び前記フィラメントの放電電圧の少なくとも1つである、
請求項7記載の機械学習方法。 - 切削工具の基材であるワークを成膜する成膜装置の成膜条件を決定する機械学習装置であって、
前記成膜装置は、チャンバーを真空にするための真空排気システムと、前記チャンバーを加熱及び冷却する加熱冷却システムと、ターゲットを蒸発させる蒸発源システムと、ワークを載置するテーブルシステムと、前記チャンバーにプロセスガスを導入するプロセスガスシステムと、エッチングシステムとを含み、
前記切削工具の性能評価に関する少なくとも1つの物理量と、少なくとも1つの成膜条件とを含む状態変数を観測する状態取得部と、
前記状態変数に基づいて、前記少なくとも1つの成膜条件の決定結果に対する報酬を計算する報酬計算部と、
前記状態変数に基づいて前記少なくとも1つの成膜条件を決定するための関数を、前記報酬に基づいて更新する更新部と、
前記関数の更新を繰り返すことによって、前記報酬が最も多く得られる前記少なくとも1つの成膜条件を決定する決定部とを備え、
前記少なくとも1つの成膜条件は、前記真空排気システムに関する第1パラメータと、前記加熱冷却システムに関する第2パラメータと、前記蒸発源システムに関する第3パラメータと、前記テーブルシステムに関する第4パラメータと、前記プロセスガスシステムに関する第5パラメータとのうちの少なくとも1つであり、
前記少なくとも1つの物理量は、加工可能数、刃先摩耗評価値、刃先損傷評価値、切削抵抗測定値、仕上げ面評価値、及び切りくず状態観察値のうちの少なくとも1つである、
機械学習装置。 - 切削工具の基材であるワークを成膜する成膜装置の成膜条件を決定する機械学習装置としてコンピュータを機能させるコンピュータ読み取り可能な機械学習プログラムであって、
前記成膜装置は、チャンバーを真空にするための真空排気システムと、前記チャンバーを加熱及び冷却する加熱冷却システムと、ターゲットを蒸発させる蒸発源システムと、ワークを載置するテーブルシステムと、前記チャンバーにプロセスガスを導入するプロセスガスシステムと、エッチングシステムとを含み、
前記切削工具の性能評価に関する少なくとも1つの物理量と、少なくとも1つの成膜条件とを含む状態変数を観測する状態取得部と、
前記状態変数に基づいて、前記少なくとも1つの成膜条件の決定結果に対する報酬を計算する報酬計算部と、
前記状態変数に基づいて前記少なくとも1つの成膜条件を決定するための関数を、前記報酬に基づいて更新する更新部と、
前記関数の更新を繰り返すことによって、前記報酬が最も多く得られる前記少なくとも1つの成膜条件を決定する決定部とを備え、
前記少なくとも1つの成膜条件は、前記真空排気システムに関する第1パラメータと、前記加熱冷却システムに関する第2パラメータと、前記蒸発源システムに関する第3パラメータと、前記テーブルシステムに関する第4パラメータと、前記プロセスガスシステムに関する第5パラメータとのうちの少なくとも1つであり、
前記少なくとも1つの物理量は、加工可能数、刃先摩耗評価値、刃先損傷評価値、切削抵抗測定値、仕上げ面評価値、及び切りくず状態観察値のうちの少なくとも1つである、
機械学習プログラム。 - 切削工具の基材であるワークを成膜する成膜装置の成膜条件を機械学習する際の前記成膜装置の通信方法であって、
前記成膜装置は、チャンバーを真空にするための真空排気システムと、前記チャンバーを加熱及び冷却する加熱冷却システムと、ターゲットを蒸発させる蒸発源システムと、ワークを載置するテーブルシステムと、前記チャンバーにプロセスガスを導入するプロセスガスシステムと、エッチングシステムと、通信部とを含み、
前記切削工具の性能評価に関する少なくとも1つの物理量と、少なくとも1つの成膜条件とを含む状態変数を観測し、
前記状態変数をネットワーク上に送信し、機械学習済みの少なくとも1つの成膜条件を受信し、
前記少なくとも1つの成膜条件は、前記真空排気システムに関する第1パラメータと、前記加熱冷却システムに関する第2パラメータと、前記蒸発源システムに関する第3パラメータと、前記テーブルシステムに関する第4パラメータと、前記プロセスガスシステムに関する第5パラメータとのうちの少なくとも1つであり、
前記少なくとも1つの物理量は、加工可能数、刃先摩耗評価値、刃先損傷評価値、切削抵抗測定値、仕上げ面評価値、及び切りくず状態観察値のうちの少なくとも1つである、
通信方法。 - 切削工具の基材であるワークを成膜する成膜装置であって、
チャンバーを真空にするための真空排気システムと、
前記チャンバーを加熱及び冷却する加熱冷却システムと、
ターゲットを蒸発させる蒸発源システムと、
ワークを載置するテーブルシステムと、
前記チャンバーにプロセスガスを導入するプロセスガスシステムと、
エッチングシステムと、
前記切削工具の性能評価に関する少なくとも1つの物理量と、少なくとも1つの成膜条件とを含む状態変数を観測する状態観測部と、
前記状態変数をネットワーク上に送信し、機械学習済みの少なくとも1つの成膜条件を受信する通信部とを備え、
前記少なくとも1つの成膜条件は、前記真空排気システムに関する第1パラメータと、前記加熱冷却システムに関する第2パラメータと、前記蒸発源システムに関する第3パラメータと、前記テーブルシステムに関する第4パラメータと、前記プロセスガスシステムに関する第5パラメータとのうちの少なくとも1つであり、
前記少なくとも1つの物理量は、加工可能数、刃先摩耗評価値、刃先損傷評価値、切削抵抗測定値、仕上げ面評価値、及び切りくず状態観察値のうちの少なくとも1つである、
成膜装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2020/027453 WO2021010413A1 (ja) | 2019-07-16 | 2020-07-15 | 機械学習方法、機械学習装置、機械学習プログラム、通信方法、及び成膜装置 |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019131219 | 2019-07-16 | ||
JP2019131219 | 2019-07-16 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2021017649A true JP2021017649A (ja) | 2021-02-15 |
Family
ID=74564107
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020031476A Pending JP2021017649A (ja) | 2019-07-16 | 2020-02-27 | 機械学習方法、機械学習装置、機械学習プログラム、通信方法、及び成膜装置 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2021017649A (ja) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004083975A (ja) * | 2002-08-26 | 2004-03-18 | Kobe Steel Ltd | アークイオンプレーティング装置 |
JP2009056539A (ja) * | 2007-08-31 | 2009-03-19 | Mitsubishi Materials Corp | 重切削加工で硬質被覆層がすぐれた耐欠損性を発揮する表面被覆切削工具 |
JP2015224348A (ja) * | 2014-05-26 | 2015-12-14 | 株式会社神戸製鋼所 | ダイヤモンドライクカーボン膜の成膜方法 |
WO2018039251A1 (en) * | 2016-08-22 | 2018-03-01 | Oracle International Corporation | System and method for inferencing of data transformations through pattern decomposition |
JP2019040984A (ja) * | 2017-08-24 | 2019-03-14 | 株式会社日立製作所 | 探索装置及び探索方法 |
JP2019086468A (ja) * | 2017-11-09 | 2019-06-06 | 株式会社Nttファシリティーズ | 制振制御システム、制振制御方法、振動解析装置及び振動解析方法 |
-
2020
- 2020-02-27 JP JP2020031476A patent/JP2021017649A/ja active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004083975A (ja) * | 2002-08-26 | 2004-03-18 | Kobe Steel Ltd | アークイオンプレーティング装置 |
JP2009056539A (ja) * | 2007-08-31 | 2009-03-19 | Mitsubishi Materials Corp | 重切削加工で硬質被覆層がすぐれた耐欠損性を発揮する表面被覆切削工具 |
JP2015224348A (ja) * | 2014-05-26 | 2015-12-14 | 株式会社神戸製鋼所 | ダイヤモンドライクカーボン膜の成膜方法 |
WO2018039251A1 (en) * | 2016-08-22 | 2018-03-01 | Oracle International Corporation | System and method for inferencing of data transformations through pattern decomposition |
JP2019040984A (ja) * | 2017-08-24 | 2019-03-14 | 株式会社日立製作所 | 探索装置及び探索方法 |
JP2019086468A (ja) * | 2017-11-09 | 2019-06-06 | 株式会社Nttファシリティーズ | 制振制御システム、制振制御方法、振動解析装置及び振動解析方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2021017650A (ja) | 評価方法、評価装置、評価プログラム、生成方法、通信方法、及び成膜装置 | |
JP6737944B1 (ja) | 機械学習方法、機械学習装置、機械学習プログラム、通信方法、及び成膜装置 | |
JP5334787B2 (ja) | プラズマ処理装置 | |
JP7119337B2 (ja) | 工具寿命予測装置 | |
TWI683340B (zh) | 電漿處理裝置及電漿處理系統 | |
US11947888B2 (en) | Semiconductor processing tools with improved performance by use of hybrid learning models | |
JP6310866B2 (ja) | プラズマ処理装置及びプラズマ処理方法並びに解析方法 | |
JP6328253B2 (ja) | 膜厚モニタおよび膜厚測定方法 | |
JP6549917B2 (ja) | プラズマ処理装置およびそのデータ解析装置 | |
TWI508005B (zh) | Electronic components of the production management device, production management system and production management program | |
JP2009049382A (ja) | ドライエッチング方法およびドライエッチング装置 | |
WO2021010413A1 (ja) | 機械学習方法、機械学習装置、機械学習プログラム、通信方法、及び成膜装置 | |
JP2021017649A (ja) | 機械学習方法、機械学習装置、機械学習プログラム、通信方法、及び成膜装置 | |
JP2021017648A (ja) | 評価方法、評価装置、評価プログラム、生成方法、通信方法、及び成膜装置 | |
JP7481184B2 (ja) | 機械学習方法、機械学習装置、機械学習プログラム、通信方法、及び成膜装置 | |
JP7401405B2 (ja) | 機械学習方法、機械学習装置、機械学習プログラム、通信方法、及び成膜装置 | |
JP7481185B2 (ja) | 機械学習方法、機械学習装置、機械学習プログラム、通信方法、及び成膜装置 | |
JP6643202B2 (ja) | プラズマ処理装置及びプラズマ処理データを解析する解析方法 | |
JP5596832B2 (ja) | プラズマ処理方法のRun−to−Run制御方法 | |
CN112084688B (zh) | 阴极寿命预测方法 | |
CN110756803B (zh) | 一种计算机形式化3d打印用模具钢粉末材料的制备方法 | |
Kalita et al. | Machine Learning-Based Predictive Modelling of Dry Electric Discharge Machining Process | |
WO2023043838A1 (en) | Virtual measurement of conditions proximate to a substrate with physics-informed compressed sensing | |
JPH05125538A (ja) | 自動製造方法および自動製造装置 | |
JP2013138060A (ja) | 半導体装置の解析装置、半導体装置の解析方法、プログラム及び生産システム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20221101 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20231128 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240116 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20240507 |