JP2021017650A - Evaluation method, evaluation device, evaluation program, generation method, communication method, and film deposition device - Google Patents
Evaluation method, evaluation device, evaluation program, generation method, communication method, and film deposition device Download PDFInfo
- Publication number
- JP2021017650A JP2021017650A JP2020031477A JP2020031477A JP2021017650A JP 2021017650 A JP2021017650 A JP 2021017650A JP 2020031477 A JP2020031477 A JP 2020031477A JP 2020031477 A JP2020031477 A JP 2020031477A JP 2021017650 A JP2021017650 A JP 2021017650A
- Authority
- JP
- Japan
- Prior art keywords
- evaluation
- film forming
- film
- work
- heating
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 201
- 238000000034 method Methods 0.000 title claims abstract description 81
- 238000004891 communication Methods 0.000 title claims description 35
- 230000008021 deposition Effects 0.000 title abstract 10
- 230000008569 process Effects 0.000 claims abstract description 56
- 238000001704 evaporation Methods 0.000 claims abstract description 49
- 238000001816 cooling Methods 0.000 claims abstract description 41
- 230000008020 evaporation Effects 0.000 claims abstract description 40
- 238000005520 cutting process Methods 0.000 claims abstract description 28
- 238000010438 heat treatment Methods 0.000 claims description 57
- 230000015572 biosynthetic process Effects 0.000 claims description 36
- 238000005530 etching Methods 0.000 claims description 22
- 238000010801 machine learning Methods 0.000 claims description 19
- 239000000463 material Substances 0.000 claims description 19
- 238000010891 electric arc Methods 0.000 claims description 16
- 238000004519 manufacturing process Methods 0.000 claims description 16
- 238000009826 distribution Methods 0.000 claims description 14
- 230000000704 physical effect Effects 0.000 claims description 13
- 239000000203 mixture Substances 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 5
- 239000007789 gas Substances 0.000 description 51
- 239000013078 crystal Substances 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 239000002245 particle Substances 0.000 description 7
- 239000000112 cooling gas Substances 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000007733 ion plating Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- XKRFYHLGVUSROY-UHFFFAOYSA-N Argon Chemical compound [Ar] XKRFYHLGVUSROY-UHFFFAOYSA-N 0.000 description 3
- 239000012528 membrane Substances 0.000 description 3
- 238000005240 physical vapour deposition Methods 0.000 description 3
- 238000012360 testing method 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
- 238000002441 X-ray diffraction Methods 0.000 description 2
- 229910052786 argon Inorganic materials 0.000 description 2
- 238000009529 body temperature measurement Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 239000000428 dust Substances 0.000 description 2
- 230000003628 erosive effect Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000003647 oxidation Effects 0.000 description 2
- 238000007254 oxidation reaction Methods 0.000 description 2
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 238000000441 X-ray spectroscopy Methods 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 150000001485 argon Chemical class 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000001493 electron microscopy Methods 0.000 description 1
- 239000000284 extract Substances 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
- 238000007373 indentation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000000386 microscopy Methods 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
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000001028 reflection method Methods 0.000 description 1
- 238000005488 sandblasting Methods 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
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000003746 surface roughness Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000007740 vapor deposition Methods 0.000 description 1
Images
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Physical Vapour Deposition (AREA)
Abstract
Description
本開示は、成膜装置に設定される成膜条件を評価する技術に関するものである。 The present disclosure relates to a technique for evaluating a film forming condition set in a film forming apparatus.
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。従来、適切な成膜条件は熟練した技術者が長年の経験を頼りに試行錯誤によって決定されている。 In recent years, in order to manufacture a cutting tool with high wear resistance, a hard film such as TiN, TiAlN, CrN has been formed on a base material to be a cutting tool by a physical vapor deposition method (PVD method). (For example, Patent Document 1). In order to manufacture a tool with high wear resistance, it is required to appropriately determine the film forming conditions. Conventionally, appropriate film formation conditions have been determined by a skilled engineer by trial and error, relying on many years of experience.
しかし、試行錯誤により適切な成膜条件を決定する過程において候補として挙げられた全ての成膜条件のそれぞれについて実際に成膜することは手間がかかる。したがって、実際に成膜する前に成膜条件が適切であるか否かを評価することができれば、適切な成膜条件を決定するに際して無駄な成膜を避けることができる。 However, it is troublesome to actually form a film for each of all the film forming conditions listed as candidates in the process of determining an appropriate film forming condition by trial and error. Therefore, if it is possible to evaluate whether or not the film forming conditions are appropriate before actually forming the film, it is possible to avoid unnecessary film forming when determining the appropriate film forming conditions.
本発明の目的は、ある成膜条件により成膜された皮膜の性能を実際に成膜することなく正確に評価することができる評価方法及び評価システムを提供することである。 An object of the present invention is to provide an evaluation method and an evaluation system capable of accurately evaluating the performance of a film formed under certain film forming conditions without actually forming a film.
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、ある成膜条件と、その成膜条件により成膜された皮膜の性能の評価とを機械学習させれば、成膜条件を正確に評価できるとの知見を得て本発明を想到するに至った。 In recent years, various services related to machine learning such as deep learning have been provided on the cloud, and it has become possible for users to easily use these services. Therefore, the present inventor has obtained the finding that the film forming conditions can be accurately evaluated by machine learning a certain film forming condition and the evaluation of the performance of the film formed under the film forming conditions. I came up with the invention.
本発明の一態様は、切削工具の基材であるワークを成膜する成膜装置に設定される成膜条件を評価装置が評価する評価方法であって、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、評価対象の成膜条件である対象成膜条件を取得し、前記対象成膜条件を評価予測モデルに入力することで前記対象成膜条件により成膜されて製造される前記切削工具の性能評価の予測値を算出し、前記予測値を出力し、前記評価予測モデルは、前記成膜条件と、前記成膜条件により成膜された皮膜の性能の評価項目に対する評価値とを教師データとして機械学習されたモデルであり、前記教師データとして用いられる前記成膜条件は、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、前記評価項目は、膜質特性、機械的特性、及び物理的特性のうちの少なくとも1つである。 One aspect of the present invention is an evaluation method in which an evaluation device evaluates a film forming condition set in a film forming apparatus for forming a workpiece which is a base material of a cutting tool, and the film forming apparatus vacuums a chamber. A vacuum exhaust system for heating and cooling the chamber, an evaporation source system for evaporating the target, a table system on which the work is placed, and a process gas system for introducing process gas into the chamber. And an etching system, the target film formation condition, which is the film formation condition to be evaluated, is acquired, and the target film formation condition is input to the evaluation prediction model to form a film according to the target film formation condition. The predicted value of the performance evaluation of the cutting tool is calculated, the predicted value is output, and the evaluation prediction model evaluates the film forming conditions and the evaluation items of the performance of the film formed under the film forming conditions. The model is machine-learned using the values as teacher data, and the film forming conditions used as the teacher data include a first parameter related to the vacuum exhaust system, a second parameter related to the heating / cooling system, and the evaporation source system. At least one of a third parameter relating to the above, a fourth parameter relating to the table system, and a fifth parameter relating to the process gas system, the evaluation items of which are film quality properties, mechanical properties, and physical properties. At least one of them.
本構成によれば、対象成膜条件が取得されると、その対象成膜条件が評価予測モデルに入力されて皮膜の性能評価の予測値が算出される。評価予測モデルは、成膜条件と成膜条件により成膜された皮膜の性能の評価項目に対する評価値とを教師データとして機械学習されたモデルである。ここで、評価予測モデルは、真空排気システムに関する第1パラメータ、加熱冷却システムに関する第2パラメータ、蒸発源システムに関する第3パラメータ、テーブルシステムに関する第4パラメータ、及び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、膜質特性、機械的特性、及び物理的特性の少なくとも1つの評価項目に対する評価値とを教師データとして機械学習されている。そのため、ある成膜条件により成膜された皮膜の性能を実際に成膜することなく正確に評価することができる。 According to this configuration, when the target film forming condition is acquired, the target film forming condition is input to the evaluation prediction model and the predicted value of the performance evaluation of the film is calculated. The evaluation prediction model is a machine-learned model using the film forming conditions and the evaluation values for the evaluation items of the performance of the film formed under the film forming conditions as teacher data. Here, the evaluation prediction model includes a first parameter related to the vacuum exhaust system, a second parameter related to the heating / cooling system, a third parameter related to the evaporation source system, a fourth parameter related to the table system, and a fifth parameter related to the process gas system. Machine learning is performed using at least one film forming condition of the above and evaluation values for at least one evaluation item of film quality property, mechanical property, and physical property as training data. Therefore, the performance of the film formed under certain film forming conditions can be accurately evaluated without actually forming the film.
上記態様において、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。 In the above aspect, the first parameter may be at least one of the exhaust velocity, the ultimate pressure, the residual gas type, the residual gas partial pressure, and the PQ characteristic.
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評価予測モデルが学習されている。そのため、真空排気システムに関する成膜条件を考慮に入れて皮膜の性能評価の予測値を算出できる。 According to this configuration, at least one of the exhaust speed, the ultimate pressure, the residual gas type, the residual gas partial pressure, and the PQ characteristic is set as the film forming condition for the vacuum exhaust system, and the evaluation prediction model is learned. Therefore, the predicted value of the performance evaluation of the film can be calculated in consideration of the film forming conditions related to the vacuum exhaust system.
上記態様において、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。 In the above aspect, the second parameter includes the heater temperature of the heater constituting the heating / cooling system, the work temperature which is the temperature of the work, the heating rate of the heater, the heating rate of the work, and the output of the heater. It may be at least one of the temperature accuracy of the heater, the temperature accuracy of the work, the response characteristics of the heater temperature and the work temperature, the temperature distribution of the heater, and the temperature distribution of the work.
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評価予測モデルが学習されている。そのため、加熱冷却システムに関する成膜条件を考慮に入れて皮膜の性能評価の予測値を算出できる。 According to this configuration, the heater temperature, the work temperature, the heater temperature rise rate, the work temperature rise rate, the heater output, the heater temperature accuracy, the work temperature accuracy, the heater temperature response characteristic, the work temperature response characteristic, At least one of the temperature distribution of the heater and the temperature distribution of the work is regarded as the film forming condition for the heating / cooling system, and the evaluation prediction model is learned. Therefore, the predicted value of the film performance evaluation can be calculated in consideration of the film forming conditions related to the heating / cooling system.
上記態様において、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。 In the above embodiment, the third parameter is at least one of the target composition, the target thickness, the target manufacturing method, the arc discharge voltage, the arc discharge current, the evaporation source magnetic field, the evaporation source coil current, and the arc ignition characteristic. It may be one.
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評価予測モデルが学習されている。そのため、蒸発源システムに関する成膜条件を考慮に入れて皮膜の性能評価の予測値を算出できる。 According to this configuration, at least one of the target composition, target thickness, target fabrication method, arc discharge voltage, arc discharge current, evaporation source magnetic field, evaporation source coil current, and arc ignition characteristics is deposited on the evaporation source system. The evaluation prediction model is trained as a condition. Therefore, the predicted value of the film performance evaluation can be calculated in consideration of the film forming conditions related to the evaporation source system.
上記態様において、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、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。 In the above aspect, the fourth parameter includes a bias voltage for the work, a bias current for the work, an abnormal discharge frequency, a time change of abnormal discharge, a waveform of the bias voltage, a waveform of the bias current, and a rotation speed of the work. It may include at least one of the shape of the work, the mounting amount of the work, the mounting method of the work, and the material of the work.
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評価予測モデルが学習されている。そのため、テーブルシステムに関する成膜条件を考慮に入れて皮膜の性能評価の予測値を算出できる。 According to this configuration, bias voltage, bias current, number of abnormal discharges, time change of abnormal discharge, waveform of bias voltage, waveform of bias current, number of rotations of work, shape of work, mounting amount of work, mounting method of work , And at least one of the materials of the work is learned as an evaluation prediction model as a film forming condition related to the table system. Therefore, the predicted value of the film performance evaluation can be calculated in consideration of the film forming conditions related to the table system.
上記態様において、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。 In the above embodiment, the fifth parameter may be at least one of the flow rate of the process gas, the type of the process gas, and the pressure of the process gas.
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評価予測モデルが学習されている。そのため、プロセスガスシステムに関する成膜条件を考慮に入れて皮膜の性能評価の予測値を算出できる。 According to this configuration, an evaluation prediction model is learned in which at least one of the process gas flow rate, the process gas type, and the process gas pressure is a film forming condition for the process gas system. Therefore, the predicted value of the film performance evaluation can be calculated in consideration of the film forming conditions related to the process gas system.
上記態様において、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。 In the above aspect, the at least one film forming condition may further include a sixth parameter relating to the etching system.
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評価予測モデルが学習されている。そのため、エッチングシステムに関する成膜条件を考慮に入れて皮膜の性能評価の予測値を算出できる。 According to this configuration, the evaluation prediction model is learned in consideration of the film forming conditions related to the etching system. Therefore, the predicted value of the film performance evaluation can be calculated in consideration of the film forming conditions related to the etching system.
上記態様において、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。 In the above embodiment, the sixth parameter is a heating current for heating the filament of the etching system, a heating voltage for heating the filament, a diameter of the filament, a discharge current of the filament, and a discharge voltage of the filament. It may be at least one of.
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評価予測モデルが学習されている。そのため、エッチングシステムに関する成膜条件を考慮に入れて皮膜の性能評価の予測値を算出できる。 According to this configuration, an evaluation prediction model is learned in which at least one of a filament heating current, a filament heating voltage, a filament diameter, a filament discharge current, and a filament discharge voltage is a film forming condition for an etching system. Therefore, the predicted value of the film performance evaluation can be calculated in consideration of the film forming conditions related to the etching system.
上記態様において、さらに、前記予測値が基準を満たしているか否かを判定し、さらに、前記予測値が前記基準を満たしていると判定した場合、前記成膜装置の運転を実行しなくてもよい。 In the above aspect, if it is further determined whether or not the predicted value satisfies the standard, and further, if it is determined that the predicted value satisfies the standard, the film forming apparatus does not need to be operated. Good.
本構成によれば、予測値が基準を満たさない場合、成膜装置の運転が停止されるため、不要な成膜を防止できる。 According to this configuration, when the predicted value does not satisfy the standard, the operation of the film forming apparatus is stopped, so that unnecessary film forming can be prevented.
なお、上述の一態様に係る評価方法の各処理は評価装置に実装されてもよいし、評価プログラムに実装されて流通されてもよい。この評価装置は、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。 Each process of the evaluation method according to the above aspect may be implemented in the evaluation device or may be implemented in the evaluation program and distributed. This evaluation device may be composed of a server or a film forming device.
本開示の別の一態様に係る生成方法は、切削工具の基材であるワークを成膜する成膜装置に設定される成膜条件を評価する評価予測モデルをコンピュータが生成する生成方法であって、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、前記成膜条件と、前記成膜条件により成膜されて製造された前記切削工具の性能の評価項目に対する評価値とを教師データとして取得し、前記教師データを機械学習することによって前記評価予測モデルを生成し、前記教師データとして用いられる前記成膜条件は、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、前記評価項目は、膜質特性、機械的特性、及び物理的特性のうちの少なくとも1つである。 The generation method according to another aspect of the present disclosure is a generation method in which a computer generates an evaluation prediction model for evaluating the film forming conditions set in the film forming apparatus for forming the workpiece which is the base material of the cutting tool. The film forming apparatus includes a vacuum exhaust system for vacuuming the chamber, a heating and cooling system for heating and cooling the chamber, an evaporation source system for evaporating the target, a table system on which the work is placed, and the like. A process gas system for introducing a process gas into the chamber and an etching system are included, and the film forming conditions and the evaluation values for the performance evaluation items of the cutting tool manufactured by forming the film under the film forming conditions are obtained. The evaluation prediction model is generated by acquiring the teacher data and machine-learning the teacher data, and the film forming conditions used as the teacher data relate to the first parameter related to the vacuum exhaust system and the heating / cooling system. It is at least one of a second parameter, a third parameter related to the evaporation source system, a fourth parameter related to the table system, and a fifth parameter related to the process gas system, and the evaluation items are film quality characteristics. At least one of mechanical and physical properties.
本発明のさらに別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評価するための評価予測モデル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、前記成膜条件と、前記成膜条件により成膜されて製造された前記切削工具の性能の評価項目に対する評価値とを含む教師データを生成し、前記教師データを送信し、前記教師データを機械学習することによって得られた前記評価予測モデルを取得し、前記教師データとして用いられる前記成膜条件は、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、前記評価項目は、膜質特性、機械的特性、及び物理的特性のうちの少なくとも1つである。 The communication method according to still another aspect of the present invention is the film forming when machine learning an evaluation prediction model for evaluating the film forming conditions of the film forming apparatus for forming the workpiece which is the base material of the cutting tool. The film forming apparatus is a communication method of the apparatus, wherein the film forming apparatus includes a vacuum exhaust system for vacuuming a chamber, a heating / cooling system for heating and cooling the chamber, an evaporation source system for evaporating a target, and a work. The cutting tool that includes a table system to be placed, a process gas system that introduces process gas into the chamber, an etching system, and a communication unit, and is formed and manufactured under the film forming conditions and the film forming conditions. The evaluation prediction model obtained by generating the teacher data including the evaluation value for the performance evaluation item of the above, transmitting the teacher data, and machine-learning the teacher data is acquired and used as the teacher data. The film forming conditions relate to the first parameter for the vacuum exhaust system, the second parameter for the heating and cooling system, the third parameter for the evaporation source system, the fourth parameter for the table system, and the process gas system. It is at least one of the fifth parameter, and the evaluation item is at least one of the film quality property, the mechanical property, and the physical property.
本構成によれば、評価予測モデル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。 According to this configuration, the information necessary for machine learning the evaluation prediction model is provided. Such a communication method can also be implemented in a film forming apparatus.
本発明によれば、ある成膜条件により成膜された皮膜の性能を実際に成膜することなく正確に評価することができる。 According to the present invention, the performance of a film formed under certain film forming conditions can be accurately evaluated without actually forming a film.
図1は、実施の形態に係る評価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。
FIG. 1 is an overall configuration diagram of a film forming apparatus applied to the evaluation system according to the embodiment. The
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。
The
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。
The
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。
The heating /
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。
The
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。
In the example of FIG. 1, two pairs of
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。
The
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。
The
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。この清浄化において、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。
The
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。
The
図2は、実施の形態における評価システムの全体構成図である。評価システムは、サーバ10、通信装置20、及び成膜装置30を含む。成膜装置30は評価装置の一例である。サーバ10は、評価予測モデルを生成するコンピュータである。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。
FIG. 2 is an overall configuration diagram of the evaluation system according to the embodiment. The evaluation system includes a
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110、メモリ120、及び通信部130を含む。プロセッサ110は、CPUなどを含む制御装置である。プロセッサ110は、学習部111を含む。
Hereinafter, the configuration of each device will be specifically described. The
学習部111は、成膜装置30から送信された教師データを機械学習することで評価予測モデルを生成する。教師データは、成膜条件と、成膜条件により成膜されて製造された切削工具の性能の評価項目に対する評価値とを含むデータセットである。評価予測モデルは、例えば、ランダムフォレスト、再帰分割回帰木、バギング、ブースティング、サポートベクターマシン、ニューラルネットワーク、及び深層学習などの機械学習モデルで構成される。
The
学習部111は、成膜装置30から送信され、メモリ120に蓄積された教師データが所定数を超えると、教師データを機械学習モデルに順次入力していくことで評価予測モデルを生成する。具体的には、学習部111は、教師データに含まれる成膜条件を機械学習モデルに入力したとき、その成膜条件に対応する評価値が出力されるように機械学習モデルを学習させる。学習部111は、生成した評価予測モデルを通信部130を用いて成膜装置30に送信すると共に、評価予測モデルをメモリ120に記憶させる。
When the number of teacher data transmitted from the
通信部130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130は、成膜装置30から送信される教師データを受信する。通信部130は、学習部111が生成した評価予測モデルを通信装置20を介して成膜装置30に送信する。
The
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から送信された教師データをサーバ10に送信すると共に、サーバ10から送信された評価予測モデルを成膜装置30に送信する。受信器202は、成膜装置30から送信された教師データを受信すると共に、サーバ10から送信された評価予測モデルを受信する。
The
成膜装置30は、図1で示す構成の他、プロセッサ310、メモリ320、入力部330、センサ部340、表示部350、及び通信部360を含む。
In addition to the configuration shown in FIG. 1, the
通信部360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。プロセッサ310は、CPUなどを含む制御装置である。プロセッサ310は、取得部311、予測部312、出力部313、教師データ生成部314、入力判定部315、及び成膜実行部316を含む。
The
取得部311は、評価対象の成膜条件である対象成膜条件を取得する。対象成膜条件は、オペレータが入力部330を操作することによって入力されたデータである。
The
予測部312は、メモリ320から評価予測モデルを取得し、対象成膜条件を評価予測モデルに入力することで対象成膜条件により成膜された皮膜の性能評価の予測値を算出する。
The
出力部313は、予測部312が算出した予測値を出力する。例えば、出力部313は、予測値を示す予測結果画面を表示部350に表示させることで、予測値を出力すればよい。予測結果画面は、例えば皮膜の性能の評価項目の名称と、評価項目に対する予測値とを対応付けて表示する。これにより、オペレータは各評価項目に対する予測値を容易に把握できる。
The
出力部313は、各評価項目について予測値が基準を満たしているか否かを判定し、判定結果を予測結果画面に表示させてもよい。この表示態様としては、例えば、基準を満たす評価項目の表示欄と、基準を満たしていない評価項目の表示欄とを色分けして表示する態様が採用できる。
The
教師データ生成部314は、メモリ320に記憶された成膜装置30の運転履歴データと、メモリ320に記憶された評価データとを用いて教師データを生成する。運転履歴データは、成膜装置30の状態を示す状態情報とタイムスタンプとを含む。状態情報には、後述する図5に示される成膜条件の名称と成膜条件の値とが含まれる。成膜条件の値は、例えば、センサ部340が検知したセンサ値及び入力部330に入力された入力値などである。タイムスタンプは、例えば状態情報が示す状態の取得日時である。
The teacher
評価データは、例えば、後述する図6で列記された評価項目の名称と、評価項目に対応する評価値と、タイムスタンプとを含む。タイムスタンプは、例えば、評価対象となる成膜運転の実行日時である。 The evaluation data includes, for example, the names of the evaluation items listed in FIG. 6 described later, the evaluation values corresponding to the evaluation items, and the time stamp. The time stamp is, for example, the execution date and time of the film formation operation to be evaluated.
教師データ生成部314は、メモリ320に記憶された運転履歴データ及び評価データから、タイムスタンプをキーにして1回の成膜運転に対応する運転履歴データ及び評価データを抽出する。そして、教師データ生成部314は、抽出した1回の成膜運転に対応する、運転履歴データと評価データとを対応付けることで1つの教師データを生成する。これにより、成膜運転ごとに成膜条件と評価値とが対応付けられた教師データが生成される。評価値は各成膜条件に対する正常度合いを示し、例えば、0〜100の値を採る。なお、評価値は、例えば、n(nは2以上の整数)段階評価であってもよい。
The teacher
教師データ生成部314は、生成した教師データを通信部360を用いてサーバ10に送信する。これが繰り返されることで、サーバ10には教師データが蓄積されていく。教師データ生成部314は、1回の成膜運転が終了し、それに対する評価値が入力される都度、教師データを生成してサーバ10に送信すればよい。
The teacher
入力判定部315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315は、量産工程であるか否かを自動で判定する場合においては、入力部330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5に示す成膜条件のうちInputと記載された成膜条件を含む。
The
入力判定部315は、量産工程であるか否かを手動により判定する場合、入力部330
に量産工程である旨のデータが入力されたことを条件に、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、教師データを生成しない。
When the
The
成膜実行部316は、入力部330に入力された成膜条件で成膜装置30の成膜運転を制御する。成膜実行部316は、予測部312により算出された予測値が基準を満たしているか否かを判定する。成膜実行部316は、基準を満たしていると判定した場合、成膜運転を実行し、基準を満たしていないと判定した場合、成膜運転を実行しない。
The film forming
メモリ320は、例えば不揮発性の記憶装置である。メモリ320は、学習部111によって生成された評価予測モデルと、運転履歴データと、評価データとを記憶する。
The
センサ部340は、図5に示された成膜条件のうち、センサによって値が取得される成膜条件の値を取得するための各種センサである。入力部330は、キーボード、及びマスなどの入力装置である。入力部330は、オペレータによって入力された評価結果を受け付ける。評価結果は、例えば、表示部350に表示された評価結果入力画面を通じて入力される。評価結果入力画面には、図6に記載された評価項目に対する評価値の入力欄が設けられている。ユーザはこの入力欄に評価値を入力していく。
The
入力部330は、オペレータによって入力された成膜条件を受け付ける。入力部330が受ける付ける成膜条件は、図5に示す成膜条件のうち、少なくともInputと記載された成膜条件を含む。また、入力部330が受け付ける成膜条件は、図5に示す成膜条件のうちInputと記載された成膜条件以外の成膜条件であって、設定値が入力可能な成膜条件を含んでもよい。
The
表示部350は、例えば液晶パネルなどの表示装置であり、予測結果画面、評価結果入力画面などを表示する。通信部360は、教師データ生成部314が生成した教師データをサーバ10に送信する。通信部360は、サーバ10が当該教師データを機械学習することによって生成した評価予測モデルを受信する。
The
図5は、教師データとして用いられる成膜条件の一例を示す図である。教師データとして用いられる成膜条件は、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も良い。
FIG. 5 is a diagram showing an example of film formation conditions used as teacher data. The film formation conditions used as teacher data are roughly classified into the middle category. In the middle category, the first parameter for the
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。
The first parameter includes at least one of exhaust velocity, ultimate pressure, residual gas type, residual gas partial pressure, and PQ characteristics. The exhaust speed is the speed at which the
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。 The second parameters are heater temperature, work temperature, heater temperature rise rate, work temperature rise rate, heater output, heater temperature accuracy, work temperature accuracy, heater temperature / work temperature, heater temperature distribution, work temperature distribution, cooling gas type, Includes at least one of cooling gas pressure and workpiece cooling rate.
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。
The heater temperature is the temperature of the
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。
The heater output is the output of the
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。
The heater temperature accuracy is a value indicating a variation in the heater temperature. The heater temperature accuracy is calculated from past heater temperature measurements. The work temperature accuracy is a value indicating a variation in the work temperature. Work temperature accuracy is calculated from past work temperature measurements. The heater temperature / work temperature is a response characteristic of the
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。
The heater temperature distribution is the temperature distribution of the
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。
The cooling gas type is information indicating the type of gas for cooling the inside of the
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。 The third parameter includes at least one of target composition, target thickness, target manufacturing process, arc discharge voltage, arc discharge current, evaporation source magnetic field, evaporation source coil current, and arc ignition characteristics. The target composition is the composition of the substance constituting the target. The target thickness is the thickness of the target. The target manufacturing method is a method for manufacturing a target. The target composition, target thickness, and target manufacturing method are input values input in advance.
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。
The arc discharge voltage is a voltage supplied by the arc
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。
The evaporation source magnetic field is the position and intensity of the magnetic field emitted by the permanent magnetic flux contained in the
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。
The fourth parameter includes at least one of bias voltage, bias current, number of OLs, change in OL time, bias voltage waveform, bias current waveform, work rotation speed, work shape, work mounting amount, work mounting method, and work material. ..
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。
The bias voltage is a bias voltage supplied to the
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。
The number of times of OL (OverLoad) is the number of abnormal discharges in the table system or the work, and is a value measured by the sensor. The OL time change is the number of OLs per unit time. The bias voltage waveform is a waveform of the bias voltage and is obtained from a value measured by the sensor. The bias voltage waveform is a voltage waveform especially at the time of pulse bias. The bias current waveform is a waveform of the bias current and is obtained from a value measured by the sensor. The work rotation speed is the rotation speed per unit time of the
第5パラメータは、ガス流量、ガス種、及びガス圧力の少なくとも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。 The fifth parameter includes at least one of gas flow rate, gas type, and gas pressure. The gas flow rate is the flow rate of the process gas. The gas type is information indicating the type of process gas. The gas pressure is the pressure of the process gas. These are, for example, sensor detection values.
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。
The sixth parameter includes at least one of filament heating current, filament heating voltage, filament diameter, discharge current, and discharge voltage. The filament heating current is a heating current for heating a pair of
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。
The filament diameter is the diameter of each of the pair of
図6は、皮膜の性能の評価項目の一例を示す図である。評価項目は、大きく中分類に分類される。中分類には、膜質特性、機械的特性、及び物理的特性のうちの少なくとも1つが含まれる。膜質特性は、膜厚、粗さ、表面性状、組成、結晶構造、膜微細組織、結晶性、結晶粒径、残留応力、密度、パーティクル量、及びパーティクルサイズの少なくとも1つを含む。 FIG. 6 is a diagram showing an example of evaluation items for film performance. Evaluation items are broadly classified into middle categories. The middle classification includes at least one of membrane properties, mechanical properties, and physical properties. Membrane properties include at least one of film thickness, roughness, surface texture, composition, crystal structure, film microstructure, crystallinity, crystal grain size, residual stress, density, particle size, and particle size.
膜厚は、皮膜の厚さである。表面性状は、表面粗さを含む表面の形態である。組成は、皮膜の組成である。結晶構造は、皮膜の結晶構造である。膜微細組織は、一般的な意味であり、結晶の形態や配向性などの微細組織構造を表す。結晶性は、結晶になっている割合である。結晶粒径は、結晶粒の大きさである。残留応力は、皮膜の内部応力である。 The film thickness is the thickness of the film. The surface texture is the form of the surface including the surface roughness. The composition is the composition of the film. The crystal structure is the crystal structure of the film. Membrane microstructure has a general meaning and represents microstructure structure such as crystal morphology and orientation. Crystallinity is the percentage of crystals that are crystalline. The crystal grain size is the size of the crystal grains. The residual stress is the internal stress of the film.
膜厚は膜厚計測器により得られる。粗さは粗さ計により得られる。表面性状は顕微鏡又は粗さ計により得られる。組成はX線分光法によって得られる。結晶構造、膜微細組織、結晶性、結晶粒径、及び残留応力はX線回折法又は電子顕微鏡によって得られる。 The film thickness is obtained by a film thickness measuring instrument. Roughness is obtained by a roughness meter. The surface texture is obtained by a microscope or a roughness meter. The composition is obtained by X-ray spectroscopy. The crystal structure, film microstructure, crystallinity, crystal grain size, and residual stress are obtained by X-ray diffraction or electron microscopy.
密度は、皮膜を構成する粒子の密度である。パーティクル量は皮膜に含まれるゴミの量
である。パーティクルサイズは皮膜に含まれるゴミの大きさである。密度はX線反射法により得られる。パーティクル量及びパーティクルサイズは顕微鏡又は画像処理により得られる。
The density is the density of the particles that make up the film. The amount of particles is the amount of dust contained in the film. The particle size is the size of dust contained in the film. The density is obtained by the X-ray reflection method. The particle amount and particle size can be obtained by microscopy or image processing.
機械的特性は、硬さ、弾性率、耐摩耗性、耐エロージョン特性、高温強度、及び高温クリープの少なくとも1を含む。硬さは、硬さ試験機又はナノインデンタにより得られる。。弾性率はナノインデンタにより得られる。耐摩耗性は摺動試験により得られる。耐エロージョン特性はサンドブラストによるけずれ量である。高温強度及び高温クリープはナノインデンタにより得られる。 Mechanical properties include at least one of hardness, modulus, wear resistance, erosion resistance, high temperature strength, and high temperature creep. Hardness is obtained by a hardness tester or nano indenter. .. The elastic modulus is obtained by the nano indenter. Abrasion resistance is obtained by a sliding test. The erosion resistance characteristic is the amount of slippage due to sandblasting. High temperature strength and high temperature creep are obtained by nano indenters.
物理的特性は、摩擦係数、耐酸化性、密着性、及び熱伝導率の少なくとも1つを含む。摩擦係数は摺動試験により得られる。耐酸化性はX線解析法又は組成分析により得られる。密着性は圧痕法又はスクラッチ試験により得られる。熱伝導率は熱伝導測定により得られる。 Physical properties include at least one of friction coefficient, oxidation resistance, adhesion, and thermal conductivity. The coefficient of friction is obtained by a sliding test. Oxidation resistance is obtained by X-ray analysis or composition analysis. Adhesion is obtained by the indentation method or the scratch test. Thermal conductivity is obtained by thermal conductivity measurement.
図6に示す評価項目のそれぞれには成膜装置30のオペレータにより評価値が設定される。したがって、教師データに含まれる評価項目の評価値は、オペレータによって設定された値が採用される。
Evaluation values are set for each of the evaluation items shown in FIG. 6 by the operator of the
次に、評価システムの処理について説明する。図3は、評価システムの処理の一例を示すフローチャートである。図3に示すフローは、学習部111により評価予測モデルが生成され、評価予測モデルがメモリ320に記憶されている場合に実行される。
Next, the processing of the evaluation system will be described. FIG. 3 is a flowchart showing an example of processing of the evaluation system. The flow shown in FIG. 3 is executed when the evaluation prediction model is generated by the
ステップS1では、取得部311は、オペレータによって入力部330に入力された成膜条件を対象成膜条件として取得する。
In step S1, the
ステップS2では、予測部312は、対象成膜条件を評価予測モデルに入力し、評価項目に対する予測値を算出する。これにより、図6に示す各評価項目に対する予測値が算出される。
In step S2, the
ステップS3では、出力部313は予測値を出力する。この場合、表示部350に予測結果画面が表示され、各評価項目に対する予測値がオペレータに提示される。
In step S3, the
ステップS4では、成膜実行部316は、評価項目に対する予測値が基準を満たしているか否かを判定する。成膜実行部316は、予測値が基準を満たしていないと判定した場合(ステップS4でNO)、成膜運転を実行しない(ステップS5)。一方、成膜実行部316は、予測値が基準を満たしていると判定した場合(ステップS4でYES)、対象成膜条件による成膜運転を実行する(ステップS6)。
In step S4, the film forming
なお、評価項目の基準は、各評価項目に対応して複数存在する。したがって、成膜実行部316は、全ての評価項目に対応する予測値が、各評価項目に対応する基準を満たしている場合、ステップS4でYESと判定すればよい。一方、成膜実行部316は、少なくとも1つの評価項目に対応する予測値が、各評価項目に対応する基準を満たしていない場合、ステップS4でNOと判定すればよい。また、成膜実行部316は、ステップS4の判定結果を示すメッセージを表示部350に表示してもよい。これにより、オペレータは実際の成膜運転を開始する前に、設定した成膜条件では切削性能の高い切削工具を製造できないことを知ることができる。また、予測値が基準を満たすか否かの判定は、予測値が基準として予め定められた閾値より大きい場合に予測値が基準を満たし、予測値が基準値以下の場合に予測値が基準を満たさないという処理であってもよい。
There are a plurality of evaluation item criteria corresponding to each evaluation item. Therefore, the film forming
次に、評価システムにおける学習時の処理について説明する。図4は、評価システムにおける学習時の処理の一例を示すフローチャートである。ステップS11では、成膜装置30の教師データ生成部314は、メモリ320から評価データ及び運転履歴データを取得して1回の成膜運転に対応する教師データを生成する。生成された教師データはサーバ10に送信され、サーバ10のメモリ320に蓄積される。
Next, the processing at the time of learning in the evaluation system will be described. FIG. 4 is a flowchart showing an example of processing at the time of learning in the evaluation system. In step S11, the teacher
ステップS12では、サーバ10の学習部111は、メモリ320に蓄積された教師データの数が所定数を超えたか否かを判定する。教師データの数が所定数を超えた場合(ステップS12でYES)、学習部111は、教師データを機械学習モデルに順次に入力して評価予測モデルを生成する(ステップS13)。一方、学習部111は、教師データの数が所定数以下の場合(ステップS12でNO)、処理をステップS11に戻す。
In step S12, the
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5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、対象成膜条件が取得されると、その対象成膜条件が評価予測モデルに入力されて皮膜の性能評価の予測値が算出される。評価予測モデルは、成膜条件と成膜条件により成膜された皮膜の性能の評価項目に対する評価値とを教師データとして機械学習されたモデルである。ここで、評価予測モデルは、真空排気システム510に関する第1パラメータ、加熱冷却システム520に関する第2パラメータ、蒸発源システム530に関する第3パラメータ、テーブルシステム540に関する第4パラメータ、及び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つの成膜条件と、膜質特性、機械的特性、及び物理的特性の少なくとも1つの評価項目に対する評価値とを教師データとして機械学習されている。そのため、ある成膜条件により成膜されて製造された切削工具の性能を実際に成膜することなく正確に評価することができる。
Conventionally, in a film forming apparatus, the film forming conditions have been developed by changing the film forming conditions so that a good film can be obtained. In order to obtain a good film, it is necessary to find a relationship between the evaluation of the film and the film forming conditions. However, as shown in FIG. 5, since the types of film forming conditions are enormous, an extremely large number of physical models are required to define such relationships, and such relationships are described by the physical models. It was found that it is difficult to do so. Furthermore, in order to construct such a physical model, it is also required to artificially find out which parameter influences the evaluation of which film, and this construction is difficult. According to the present embodiment, when the target film forming condition is acquired, the target film forming condition is input to the evaluation prediction model and the predicted value of the performance evaluation of the film is calculated. The evaluation prediction model is a machine-learned model using the film forming conditions and the evaluation values for the evaluation items of the performance of the film formed under the film forming conditions as teacher data. Here, the evaluation prediction model includes a first parameter for the
なお、本発明は以下の変形例が採用できる。 The following modifications can be adopted in the present invention.
(1)図7は、本発明の変形例に係る評価システムの全体構成図である。変形例に係る評価システムは、成膜装置30A単体で構成されている。成膜装置30Aは評価装置の一例である。成膜装置30Aは、プロセッサ310A、メモリ320、入力部330、センサ部340、及び表示部350を含む。プロセッサ310Aは、取得部311、予測部312、出力部313、教師データ生成部314A、入力判定部315、及び成膜実行部316を含む他、さらに学習部317を含んでいる。成膜装置30Aの構成要素は、それぞれ、基本的には図2において同一名称のブロックと同じ機能を備えている。
(1) FIG. 7 is an overall configuration diagram of an evaluation system according to a modified example of the present invention. The evaluation system according to the modified example is composed of the
但し、この変形例では、評価システムはスタンドアローンになったため、教師データ生成部314Aは、生成した教師データをサーバ10に送信せずに、メモリ320に記憶する。また、学習部317は、生成した評価予測モデルを成膜装置30に送信せずに、メモリ320に記憶する。
However, in this modification, since the evaluation system is stand-alone, the teacher
このようにこの変形例に係る評価システムによれば、成膜装置30A単体で評価予測モデルを学習させることができる。
As described above, according to the evaluation system according to this modification, the evaluation prediction model can be trained by the
(2)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。
(2) In the above embodiment, the
(3)上記実施の形態において生成された評価予測モデルは、一定の周期で更新されてもよい。この場合、学習部111は、前回更新してから今回更新するまでに生成された教師データを用いて評価予測モデルを更新すればよい。
(3) The evaluation prediction model generated in the above embodiment may be updated at regular intervals. In this case, the
(4)図2では、成膜装置30は1つであったが、これは一例であり、複数であってもよい。この場合、学習部111は、複数の成膜装置30から送信された教師データを用いて評価予測モデルを生成すればよい。
(4) In FIG. 2, the number of the
10 :サーバ
20 :通信装置
30 :成膜装置
110 :プロセッサ
111 :学習部
120 :メモリ
130 :通信部
310 :プロセッサ
311 :取得部
312 :予測部
313 :出力部
314 :教師データ生成部
315 :入力判定部
316 :成膜実行部
317 :学習部
320 :メモリ
330 :入力部
340 :センサ部
350 :表示部
360 :通信部
10: Server 20: Communication device 30: Film formation device 110: Processor 111: Learning unit 120: Memory 130: Communication unit 310: Processor 311: Acquisition unit 312: Prediction unit 313: Output unit 314: Teacher data generation unit 315: Input Judgment unit 316: Film formation execution unit 317: Learning unit 320: Memory 330: Input unit 340: Sensor unit 350: Display unit 360: Communication unit
Claims (14)
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、
評価対象の成膜条件である対象成膜条件を取得し、
前記対象成膜条件を評価予測モデルに入力することで前記対象成膜条件により成膜されて製造される前記切削工具の性能評価の予測値を算出し、
前記予測値を出力し、
前記評価予測モデルは、前記成膜条件と、前記成膜条件により成膜された皮膜の性能の評価項目に対する評価値とを教師データとして機械学習されたモデルであり、
前記教師データとして用いられる前記成膜条件は、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、
前記評価項目は、膜質特性、機械的特性、及び物理的特性のうちの少なくとも1つである、
評価方法。 This is an evaluation method in which the evaluation device evaluates the film forming conditions set in the film forming apparatus for forming the workpiece which is the base material of the cutting tool.
The film forming apparatus includes a vacuum exhaust system for evacuating a chamber, a heating / cooling system for heating and cooling the chamber, an evaporation source system for evaporating a target, a table system on which a work is placed, and the chamber. Including a process gas system that introduces process gas into the system and an etching system,
Acquire the target film formation condition, which is the film formation condition to be evaluated,
By inputting the target film forming condition into the evaluation prediction model, the predicted value of the performance evaluation of the cutting tool formed and manufactured according to the target film forming condition is calculated.
Output the predicted value and
The evaluation prediction model is a model that is machine-learned using the film forming conditions and the evaluation values for the evaluation items of the performance of the film formed under the film forming conditions as teacher data.
The film forming conditions used as the teacher data include a first parameter relating to the vacuum exhaust system, a second parameter relating to the heating and cooling system, a third parameter relating to the evaporation source system, and a fourth parameter relating to the table system. , At least one of the fifth parameters relating to the process gas system.
The evaluation item is at least one of film quality properties, mechanical properties, and physical properties.
Evaluation methods.
請求項1記載の評価方法。 The first parameter is at least one of the exhaust rate, the ultimate pressure, the residual gas type, the residual gas partial pressure, and the PQ characteristic.
The evaluation method according to claim 1.
請求項1又は2記載の評価方法。 The second parameters are the heater temperature of the heater constituting the heating / cooling system, the work temperature which is the temperature of the work, the temperature rise rate of the heater, the temperature rise rate of the work, the output of the heater, and the temperature of the heater. At least one of accuracy, temperature accuracy of the work, heater temperature and response characteristics of the work temperature, temperature distribution of the heater, and temperature distribution of the work.
The evaluation method according to claim 1 or 2.
請求項1〜3のいずれかに記載の評価方法。 The third parameter is at least one of the target composition, the target thickness, the target manufacturing method, the arc discharge voltage, the arc discharge current, the evaporation source magnetic field, the evaporation source coil current, and the arc ignition characteristic.
The evaluation method according to any one of claims 1 to 3.
請求項1〜4のいずれかに記載の評価方法。 The fourth parameter includes a bias voltage for the work, a bias current for the work, an abnormal discharge frequency, a time change of abnormal discharge, a waveform of the bias voltage, a waveform of the bias current, a rotation speed of the work, and a shape of the work. , The loading amount of the work, the mounting method of the work, and at least one of the materials of the work.
The evaluation method according to any one of claims 1 to 4.
請求項1〜5のいずれかに記載の評価方法。 The fifth parameter is at least one of the flow rate of the process gas, the type of the process gas, and the pressure of the process gas.
The evaluation method according to any one of claims 1 to 5.
請求項1〜6のいずれかに記載の評価方法。 The at least one film forming condition further includes a sixth parameter relating to the etching system.
The evaluation method according to any one of claims 1 to 6.
請求項7記載の評価方法。 The sixth parameter is at least one of a heating current for heating the filament of the etching system, a heating voltage for heating the filament, a diameter of the filament, a discharge current of the filament, and a discharge voltage of the filament. Is,
The evaluation method according to claim 7.
さらに、前記予測値が前記基準を満たしていると判定した場合、前記成膜装置の運転を実行しない、
請求項1〜8のいずれかに記載の評価方法。 Further, it is determined whether or not the predicted value satisfies the standard, and it is determined.
Further, when it is determined that the predicted value satisfies the criterion, the operation of the film forming apparatus is not executed.
The evaluation method according to any one of claims 1 to 8.
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、
評価対象の成膜条件である対象成膜条件を取得する取得部と、
前記対象成膜条件を評価予測モデルに入力することで前記対象成膜条件により成膜されて製造される前記切削工具の性能評価の予測値を算出する予測部と、
前記予測値を出力する出力部とを含み、
前記評価予測モデルは、前記成膜条件と、前記成膜条件により成膜されれた皮膜の性能の評価項目に対する評価値とを教師データとして機械学習されたモデルであり、
前記教師データとして用いられる前記成膜条件は、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、
前記評価項目は、膜質特性、機械的特性、及び物理的特性のうちの少なくとも1つである、
評価装置。 It is an evaluation device for evaluating the film forming conditions set in the film forming apparatus for forming the workpiece which is the base material of the cutting tool.
The film forming apparatus includes a vacuum exhaust system for evacuating a chamber, a heating / cooling system for heating and cooling the chamber, an evaporation source system for evaporating a target, a table system on which a work is placed, and the chamber. Including a process gas system that introduces process gas into the system and an etching system,
An acquisition unit that acquires the target film formation conditions, which are the film formation conditions to be evaluated,
A prediction unit that calculates a predicted value for performance evaluation of the cutting tool that is formed and manufactured according to the target film forming conditions by inputting the target film forming conditions into the evaluation prediction model.
Including an output unit that outputs the predicted value
The evaluation prediction model is a model that is machine-learned using the film forming conditions and the evaluation values for the evaluation items of the performance of the film formed under the film forming conditions as teacher data.
The film forming conditions used as the teacher data include a first parameter relating to the vacuum exhaust system, a second parameter relating to the heating and cooling system, a third parameter relating to the evaporation source system, and a fourth parameter relating to the table system. , At least one of the fifth parameters relating to the process gas system.
The evaluation item is at least one of film quality properties, mechanical properties, and physical properties.
Evaluation device.
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、
評価対象の成膜条件である対象成膜条件を取得する取得部と、
前記対象成膜条件を評価予測モデルに入力することで前記対象成膜条件により成膜されて製造される前記切削工具の性能評価の予測値を算出する予測部と、
前記予測値を出力する出力部としてコンピュータを機能させ、
前記評価予測モデルは、前記成膜条件と、前記成膜条件により成膜されれた皮膜の性能の評価項目に対する評価値とを教師データとして機械学習されたモデルであり、
前記教師データとして用いられる前記成膜条件は、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、
前記評価項目は、膜質特性、機械的特性、及び物理的特性のうちの少なくとも1つである、
評価プログラム。 It is an evaluation program that makes a computer function as an evaluation device that evaluates the film formation conditions set in the film formation device that deposits the workpiece that is the base material of the cutting tool.
The film forming apparatus includes a vacuum exhaust system for evacuating a chamber, a heating / cooling system for heating and cooling the chamber, an evaporation source system for evaporating a target, a table system on which a work is placed, and the chamber. Including a process gas system that introduces process gas into the system and an etching system,
An acquisition unit that acquires the target film formation conditions, which are the film formation conditions to be evaluated,
A prediction unit that calculates a predicted value for performance evaluation of the cutting tool that is formed and manufactured according to the target film forming conditions by inputting the target film forming conditions into the evaluation prediction model.
A computer is made to function as an output unit that outputs the predicted value.
The evaluation prediction model is a model that is machine-learned using the film forming conditions and the evaluation values for the evaluation items of the performance of the film formed under the film forming conditions as teacher data.
The film forming conditions used as the teacher data include a first parameter relating to the vacuum exhaust system, a second parameter relating to the heating and cooling system, a third parameter relating to the evaporation source system, and a fourth parameter relating to the table system. , At least one of the fifth parameters relating to the process gas system.
The evaluation item is at least one of film quality properties, mechanical properties, and physical properties.
Evaluation program.
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、
前記成膜条件と、前記成膜条件により成膜されて製造された前記切削工具の性能の評価項目に対する評価値とを教師データとして取得し、
前記教師データを機械学習することによって前記評価予測モデルを生成し、
前記教師データとして用いられる前記成膜条件は、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、
前記評価項目は、膜質特性、機械的特性、及び物理的特性のうちの少なくとも1つである、
生成方法。 This is a generation method in which a computer generates an evaluation prediction model that evaluates the film formation conditions set in the film formation apparatus that deposits the workpiece that is the base material of the cutting tool.
The film forming apparatus includes a vacuum exhaust system for evacuating a chamber, a heating / cooling system for heating and cooling the chamber, an evaporation source system for evaporating a target, a table system on which a work is placed, and the chamber. Including a process gas system that introduces process gas into the system and an etching system,
The film forming conditions and the evaluation values for the performance evaluation items of the cutting tool formed and manufactured under the film forming conditions are acquired as teacher data.
The evaluation prediction model is generated by machine learning the teacher data,
The film forming conditions used as the teacher data include a first parameter relating to the vacuum exhaust system, a second parameter relating to the heating and cooling system, a third parameter relating to the evaporation source system, and a fourth parameter relating to the table system. , At least one of the fifth parameters relating to the process gas system.
The evaluation item is at least one of film quality properties, mechanical properties, and physical properties.
Generation method.
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、
前記成膜条件と、前記成膜条件により成膜されて製造された前記切削工具の性能の評価項目に対する評価値とを含む教師データを生成し、
前記教師データを送信し、前記教師データを機械学習することによって得られた前記評価予測モデルを取得し、
前記教師データとして用いられる前記成膜条件は、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、
前記評価項目は、膜質特性、機械的特性、及び物理的特性のうちの少なくとも1つである、
通信方法。 It is a communication method of the film forming apparatus when machine learning an evaluation prediction model for evaluating the film forming conditions of the film forming apparatus for forming a workpiece which is a base material of a cutting tool.
The film forming apparatus includes a vacuum exhaust system for evacuating a chamber, a heating / cooling system for heating and cooling the chamber, an evaporation source system for evaporating a target, a table system on which a work is placed, and the chamber. Includes a process gas system that introduces process gas into the system, an etching system, and a communication unit.
A teacher data including the film forming conditions and the evaluation values for the performance evaluation items of the cutting tool formed and manufactured under the film forming conditions is generated.
The evaluation prediction model obtained by transmitting the teacher data and machine learning the teacher data is acquired.
The film forming conditions used as the teacher data include a first parameter relating to the vacuum exhaust system, a second parameter relating to the heating and cooling system, a third parameter relating to the evaporation source system, and a fourth parameter relating to the table system. , At least one of the fifth parameters relating to the process gas system.
The evaluation item is at least one of film quality properties, mechanical properties, and physical properties.
Communication method.
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、
前記成膜条件と、前記成膜条件により成膜されて製造された前記切削工具の性能の評価項目に対する評価値とを含む教師データを生成する教師データ生成部と、
前記教師データを送信し、前記教師データを機械学習することによって得られた前記評価予測モデルを受信する通信部とを備え、
前記教師データとして用いられる前記成膜条件は、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、
前記評価項目は、膜質特性、機械的特性、及び物理的特性のうちの少なくとも1つである、
成膜装置。 A film forming device that forms a film on a workpiece that is the base material of a cutting tool.
A vacuum exhaust system for evacuating the chamber,
A heating and cooling system that heats and cools the chamber,
An evaporation source system that evaporates the target,
A table system on which the work is placed and
A process gas system that introduces process gas into the chamber,
Etching system and
Including communication part
A teacher data generation unit that generates teacher data including the film forming conditions and evaluation values for performance evaluation items of the cutting tool formed and manufactured under the film forming conditions.
It is provided with a communication unit that transmits the teacher data and receives the evaluation prediction model obtained by machine learning the teacher data.
The film forming conditions used as the teacher data include a first parameter relating to the vacuum exhaust system, a second parameter relating to the heating and cooling system, a third parameter relating to the evaporation source system, and a fourth parameter relating to the table system. , At least one of the fifth parameters relating to the process gas system.
The evaluation item is at least one of film quality properties, mechanical properties, and physical properties.
Film forming equipment.
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019131221 | 2019-07-16 | ||
JP2019131221 | 2019-07-16 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2021017650A true JP2021017650A (en) | 2021-02-15 |
Family
ID=74563608
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020031477A Pending JP2021017650A (en) | 2019-07-16 | 2020-02-27 | Evaluation method, evaluation device, evaluation program, generation method, communication method, and film deposition device |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2021017650A (en) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114481077A (en) * | 2022-01-20 | 2022-05-13 | 江苏南高智能装备创新中心有限公司 | Automatic control device and method for metal coating |
CN115491652A (en) * | 2022-06-20 | 2022-12-20 | 江苏恒云太信息科技有限公司 | Tubular PECVD silicon wafer color value prediction method and coating time control method |
CN117026197A (en) * | 2023-08-09 | 2023-11-10 | 苏州慧连航科技有限公司 | Nanometer vacuum coating partition pressure control method and system |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05190458A (en) * | 1991-11-15 | 1993-07-30 | Fuji Electric Co Ltd | Semiconductor manufacturing device provided with larning forecasting and instructing function |
JPH0641720A (en) * | 1992-07-14 | 1994-02-15 | Kanefusa Kk | Blade for cutting timber |
JP2005197323A (en) * | 2003-12-26 | 2005-07-21 | Canon System Solutions Inc | Device and method for preparing model regarding relationship between process and quality |
WO2014073062A1 (en) * | 2012-11-07 | 2014-05-15 | オーエスジー株式会社 | Hard film-coated cutting tool |
JP2017172022A (en) * | 2016-03-25 | 2017-09-28 | 株式会社神戸製鋼所 | Hard film, hard film coated member, and production method of hard film |
-
2020
- 2020-02-27 JP JP2020031477A patent/JP2021017650A/en active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05190458A (en) * | 1991-11-15 | 1993-07-30 | Fuji Electric Co Ltd | Semiconductor manufacturing device provided with larning forecasting and instructing function |
JPH0641720A (en) * | 1992-07-14 | 1994-02-15 | Kanefusa Kk | Blade for cutting timber |
JP2005197323A (en) * | 2003-12-26 | 2005-07-21 | Canon System Solutions Inc | Device and method for preparing model regarding relationship between process and quality |
WO2014073062A1 (en) * | 2012-11-07 | 2014-05-15 | オーエスジー株式会社 | Hard film-coated cutting tool |
JP2017172022A (en) * | 2016-03-25 | 2017-09-28 | 株式会社神戸製鋼所 | Hard film, hard film coated member, and production method of hard film |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114481077A (en) * | 2022-01-20 | 2022-05-13 | 江苏南高智能装备创新中心有限公司 | Automatic control device and method for metal coating |
CN114481077B (en) * | 2022-01-20 | 2023-08-25 | 江苏南高智能装备创新中心有限公司 | Automatic control device and method for metal coating |
CN115491652A (en) * | 2022-06-20 | 2022-12-20 | 江苏恒云太信息科技有限公司 | Tubular PECVD silicon wafer color value prediction method and coating time control method |
CN117026197A (en) * | 2023-08-09 | 2023-11-10 | 苏州慧连航科技有限公司 | Nanometer vacuum coating partition pressure control method and system |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2021017650A (en) | Evaluation method, evaluation device, evaluation program, generation method, communication method, and film deposition device | |
JP6737944B1 (en) | Machine learning method, machine learning apparatus, machine learning program, communication method, and film forming apparatus | |
TWI296828B (en) | ||
JP6549917B2 (en) | Plasma processing apparatus and data analysis apparatus therefor | |
JP2002260978A (en) | Process monitor and control method for sample processing device | |
CN106574833B (en) | Method for diagnosing film thickness sensor and film thickness monitor | |
KR20190016418A (en) | Plasma processing apparatus and plasma processing system | |
CN106404277A (en) | Ionization gauge with emission current and bias potential control | |
JP2009049382A (en) | Method for drying etching and dry etching apparatus | |
KR102436099B1 (en) | Methods and systems for chamber matching and monitoring | |
JP2016143738A (en) | Plasma processing apparatus, plasma processing method and analysis method | |
JP2021017648A (en) | Evaluation method, evaluation device, evaluation program, generation method, communication method, and film deposition device | |
JP7401405B2 (en) | Machine learning method, machine learning device, machine learning program, communication method, and film forming device | |
WO2021010413A1 (en) | Machine learning method, machine learning device, machine learning program, communication method, and film deposition device | |
JP7481184B2 (en) | Machine learning method, machine learning device, machine learning program, communication method, and film formation device | |
JP7481185B2 (en) | Machine learning method, machine learning device, machine learning program, communication method, and film formation device | |
JP2021017649A (en) | Machine learning method, machine learning device, machine learning program, communication method, and film deposition device | |
KR101887383B1 (en) | Plasma processing apparatus and analysis method for analyzing plasma processing data | |
JP2019099870A (en) | Vapor deposition device and vapor deposition method | |
JP5460012B2 (en) | Vacuum exhaust method and vacuum apparatus | |
JP4830260B2 (en) | Film thickness detection method | |
CN112084688B (en) | Cathode life prediction method | |
JP2013258054A (en) | Method and apparatus for measuring ionization rate | |
Flemington | Deposition Chamber for Thin Film Deposition | |
JP2009059483A (en) | Method and apparatus for measuring variation in plasma component |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20221101 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230613 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230627 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20231220 |