JP2023019657A - 基板処理方法及び基板処理装置 - Google Patents

Abstract

【課題】基板を構成する対象物の厚みを所望の厚みにすることが可能な基板処理方法及び基板処理装置を提供する。【解決手段】基板処理方法は、処理対象の基板Ｗに対して第１ノズル４１から処理液を供給して処理対象の基板Ｗに処理を実行する。基板処理方法は、処理対象の基板Ｗの表面に関する処理前表面情報を取得する工程（ステップＳ２０２）と、処理前表面情報に基づいて、複数の学習済モデル１３３から１つの学習済モデル１３３を選定する工程（ステップＳ２０３）と、処理前表面情報と選定した学習済モデル１３３とに基づいて得られる速度条件で、処理対象の基板Ｗを処理する工程（ステップＳ２０５）とを含む。学習済モデル１３３は、処理前表面情報が入力されることにより、第１ノズル４１と基板Ｗとの相対的な移動速度である速度条件を出力する。【選択図】図１５

Description

本発明は、基板処理方法及び基板処理装置に関する。

表面に被膜が形成されたウエハを処理対象とし、液処理によって被膜の膜厚調整及び異物除去を行う基板処理装置が知られている。このような基板処理装置の一種として、ウエハ表面にエッチング用の処理液を供給するノズルを備えた枚葉型の基板処理装置がある（例えば、特許文献１参照。）。特許文献１の基板処理装置は、エッチング処理の実行時に、予め規定された速度プロファイルに基づいてノズルを移動させながら、エッチング用の処理液をノズルから吐出させる。

特開２０１９－５４１０４号公報

しかしながら、予め規定された速度プロファイルに基づいてノズルを移動させる基板処理装置では、表面形状（プロファイル）が異なる複数のウエハに対して、同じ条件でエッチング処理を行うため、処理後のウエハの表面形状のバラツキが大きくなる場合がある。具体的には、各ウエハにおいて表面の絶縁膜等の厚みのバラツキが大きくなる。つまり、基板を構成する対象物の厚みを所望の厚みにすることが困難な場合がある。

本発明は上記課題に鑑みてなされたものであり、その目的は、基板を構成する対象物の厚みを所望の厚みにすることが可能な基板処理方法及び基板処理装置を提供することにある。

本発明の一局面による基板処理方法は、処理対象の基板に対してノズルから処理液を供給して前記処理対象の基板に処理を実行する。基板処理方法は、前記処理対象の基板の表面に関する処理前表面情報を取得する工程と、前記処理前表面情報に基づいて、複数の学習済モデルから１つの学習済モデルを選定する工程と、前記処理前表面情報と選定した前記学習済モデルとに基づいて得られる速度条件で、前記処理対象の基板を処理する工程とを含む。前記学習済モデルは、前記処理前表面情報が入力されることにより、前記ノズルと前記基板との相対的な移動速度である前記速度条件を出力する。

本発明の一態様において、前記複数の学習済モデルは、複数の学習対象の基板を複数の速度条件でそれぞれ処理した際の処理量に関する処理量情報を、複数のクラスタにクラスタリングし、各クラスタの前記速度条件及び前記処理量情報を用いて機械学習させることによって得られた複数のモデルである。

本発明の一態様において、前記複数のクラスタから、前記学習対象の基板の数が所定数以上のクラスタを選定し、選定した前記クラスタの前記速度条件及び前記処理量情報を用いて機械学習させることによって、前記複数の学習済モデルが得られる。

本発明の一態様において、前記各クラスタにおいて他の処理量情報との相関が所定条件以上に高い処理量情報を選定し、選定した前記処理量情報を用いて機械学習させることによって、前記学習済モデルが得られる。

本発明の一態様において、前記１つの学習済モデルを選定する工程において、前記処理前表面情報に基づいて、前記処理対象の基板を処理する処理量の目標値を導出し、前記複数の学習済モデルから、前記処理量の目標値との相関が所定条件以上に高い１つのクラスタの前記処理量情報を用いて得られた前記１つの学習済モデルを選定する。

本発明の一態様において、前記処理前表面情報は、前記処理対象の基板の厚みの分布を示す情報を含む。

本発明の一局面による基板処理装置は、処理対象の基板に対して処理液を供給して前記基板に処理を実行する。基板処理装置は、ノズルと、取得部と、制御部とを備える。前記ノズルは、前記基板に対して前記処理液を供給する。前記取得部は、前記処理対象の基板の表面に関する処理前表面情報を取得する。前記制御部は、前記処理前表面情報に基づいて、複数の学習済モデルから１つの学習済モデルを選定する。前記制御部は、前記処理前表面情報と選定した前記学習済モデルとに基づいて得られる速度条件で、前記処理対象の基板を処理する。前記学習済モデルは、前記処理前表面情報が入力されることにより、前記ノズルと前記基板との相対的な移動速度である前記速度条件を出力する。

本発明によれば、基板を構成する対象物の厚みを所望の厚みにすることが可能な基板処理方法及び基板処理装置を提供できる。

本発明の一実施形態の基板処理装置の模式図である。 本発明の一実施形態の処理ユニットの模式図である。 本発明の一実施形態のスキャン処理を示す平面図である。 本発明の一実施形態のスキャン速度情報を示す図である。 本発明の一実施形態における第１ノズルの移動速度の一例を示すグラフである。 本発明の一実施形態の厚み測定処理を示す平面図である。 本発明の一実施形態のエッチング液供給部の模式図である。 エッチング前の厚みパターンを示す図である。 エッチングレート分布を示す図である。 エッチング後の厚みパターンを示す図である。 本発明の一実施形態の制御装置のブロック図である。 本発明の一実施形態における学習用データの生成方法を示すフローチャートである。 本発明の一実施形態のエッチング処理を示すフローチャートである。 本発明の一実施形態の学習済モデルを生成する方法を示すフローチャートである。 本発明の一実施形態の学習用データテーブルを示す図である。 本発明の一実施形態の複数の処理量情報を複数のクラスタにクラスタリングした結果を示すイメージ図である。 本発明の一実施形態における基板処理方法を示すフローチャートである。

以下、図面を参照して本発明の実施形態を説明する。但し、本発明は以下の実施形態に限定されるものではなく、その要旨を逸脱しない範囲で種々の態様において実施することが可能である。なお、説明が重複する箇所については、適宜説明を省略する場合がある。また、図中、同一又は相当部分については同一の参照符号を付して説明を繰り返さない。

図１を参照して、本発明の一実施形態の基板処理装置１００を説明する。図１は、本実施形態の基板処理装置１００の模式図である。詳しくは、図１は、基板処理装置１００の模式的な平面図である。基板処理装置１００は、基板Ｗを一枚ずつ処理する枚葉式の装置である。本実施形態において、基板Ｗは半導体ウエハである。基板Ｗは略円板状である。

図１に示すように、基板処理装置１００は、複数の処理ユニット１と、流体キャビネット１００Ａと、複数の流体ボックス１００Ｂと、複数のロードポートＬＰと、インデクサーロボットＩＲと、センターロボットＣＲと、制御装置１０１とを備える。

ロードポートＬＰの各々は、複数枚の基板Ｗを積層して収容する。インデクサーロボットＩＲは、ロードポートＬＰとセンターロボットＣＲとの間で基板Ｗを搬送する。センターロボットＣＲは、インデクサーロボットＩＲと処理ユニット１との間で基板Ｗを搬送する。処理ユニット１の各々は、処理液を基板Ｗに供給して、基板Ｗに処理を実行する。流体キャビネット１００Ａは、処理液を収容する。

複数の処理ユニット１は、平面視においてセンターロボットＣＲを取り囲むように配置された複数のタワーＴＷ（図１では４つのタワーＴＷ）を形成している。各タワーＴＷは、上下に積層された複数の処理ユニット１（図１では３つの処理ユニット１）を含む。流体ボックス１００Ｂは、それぞれ、複数のタワーＴＷに対応している。流体キャビネット１００Ａ内の処理液は、いずれかの流体ボックス１００Ｂを介して、流体ボックス１００Ｂに対応するタワーＴＷに含まれる全ての処理ユニット１に供給される。

制御装置１０１は、基板処理装置１００の各部の動作を制御する。例えば、制御装置１０１は、ロードポートＬＰ、インデクサーロボットＩＲ、及びセンターロボットＣＲを制御する。

本実施形態において、制御装置１０１は、学習装置として機能する。具体的には、制御装置１０１は、機械学習を実行する。機械学習は、例えば、教師あり学習、教師なし学習、半教師あり学習、強化学習、及び深層学習のうちのいずれかである。

続いて図２を参照して、本実施形態の処理ユニット１を説明する。図２は、本実施形態の処理ユニット１の模式図である。詳しくは、図２は、処理ユニット１の模式的な断面図である。

図２に示すように、処理ユニット１は、基板Ｗを構成する対象物を処理液によって処理する。以下、処理液による処理の対象である対象物を「対象物ＴＧ」と記載する。対象物ＴＧは、例えば、基板本体（例えば、シリコンからなる基板本体）、又は、基板本体の表面に形成された物質である。基板本体の表面に形成された物質は、例えば、基板本体と同じ材料の物質（例えば、シリコンからなる層）、又は、基板本体と異なる材料の物質（例えば、シリコン酸化膜、シリコン窒化膜、又はレジスト）である。「物質」は膜を構成していてもよい。

本実施形態において、処理液はエッチング液を含み、処理ユニット１はエッチング処理を実行する。対象物ＴＧは、エッチング液によって処理される（エッチングされる）。エッチング液は、薬液である。エッチング液は、例えば、フッ硝酸（フッ酸（ＨＦ）と硝酸（ＨＮＯ₃）との混合液）、フッ酸、バッファードフッ酸（ＢＨＦ）、フッ化アンモニウム、ＨＦＥＧ（フッ酸とエチレングリコールとの混合液）、又は、燐酸（Ｈ₃ＰＯ₄）である。

処理ユニット１は、チャンバー２と、スピンチャック３と、スピンモータ部５と、ノズル移動機構６と、測定部８と、プローブ移動機構９と、複数のガード１０（図２では２つのガード１０）と、第１ノズル４１と、第２ノズル７１とを備える。また、基板処理装置１００は、エッチング液供給部４と、リンス液供給部７とを備える。エッチング液供給部４は、第１供給配管４２を有し、リンス液供給部７は、第２供給配管７２を有する。なお、測定部８は、本発明の「取得部」の一例である。また、第１ノズル４１は、本発明の「ノズル」の一例である。

チャンバー２は略箱形状を有する。チャンバー２は、基板Ｗ、スピンチャック３、スピンモータ部５、ノズル移動機構６、複数のガード１０、測定部８、プローブ移動機構９、第１ノズル４１、第２ノズル７１、第１供給配管４２の一部、及び、第２供給配管７２の一部を収容する。

スピンチャック３は、基板Ｗを水平に保持する。具体的には、スピンチャック３は、複数のチャック部材３２と、スピンベース３３とを有する。複数のチャック部材３２は、基板Ｗの周縁に沿ってスピンベース３３に設けられる。複数のチャック部材３２は基板Ｗを水平な姿勢で保持する。スピンベース３３は、略円板状であり、水平な姿勢で複数のチャック部材３２を支持する。

スピンモータ部５は、第１回転軸線ＡＸ１を中心として基板Ｗとスピンチャック３とを一体に回転させる。第１回転軸線ＡＸ１は、上下方向に延びる。本実施形態では、第１回転軸線ＡＸ１は、略鉛直方向に延びる。詳しくは、スピンモータ部５は、第１回転軸線ＡＸ１を中心としてスピンベース３３を回転させる。従って、スピンベース３３は、第１回転軸線ＡＸ１を中心として回転する。その結果、スピンベース３３に設けられた複数のチャック部材３２に保持された基板Ｗが、第１回転軸線ＡＸ１を中心として回転する。

具体的には、スピンモータ部５は、モータ本体５１と、シャフト５３と、エンコーダ５５とを有する。シャフト５３はスピンベース３３に結合される。モータ本体５１は、シャフト５３を回転させる。その結果、スピンベース３３が回転する。

エンコーダ５５は、基板Ｗの回転速度を計測する。エンコーダ５５は、基板Ｗの回転速度を示す信号を生成する。詳しくは、エンコーダ５５は、モータ本体５１の回転速度を示す回転速度信号を生成する。

第１ノズル４１は、基板Ｗにエッチング液を供給する。詳しくは、第１ノズル４１は、回転中の基板Ｗに向けてエッチング液を吐出する。エッチング液供給部４は、第１ノズル４１にエッチング液を供給する。詳しくは、第１ノズル４１は、第１供給配管４２の一端に接続している。エッチング液は、第１供給配管４２を介して第１ノズル４１に供給される。第１供給配管４２は、エッチング液が流通する管状部材である。

ノズル移動機構６は、第１ノズル４１を移動させる。本実施形態において、ノズル移動機構６は、略水平方向に第１ノズル４１を移動させる。詳しくは、ノズル移動機構６は、略鉛直方向に沿った第２回転軸線ＡＸ２を中心として第１ノズル４１を旋回させる。第１ノズル４１は、移動しながら（旋回しながら）、基板Ｗに向けてエッチング液を吐出する。第１ノズル４１は、スキャンノズルと称されることがある。

具体的には、ノズル移動機構６は、ノズルアーム６１と、第１回転軸６３と、第１駆動部６５とを有する。ノズルアーム６１は略水平方向に沿って延びる。ノズルアーム６１の先端部に第１ノズル４１が配置される。ノズルアーム６１は第１回転軸６３に結合される。第１回転軸６３は、略鉛直方向に沿って延びる。第１駆動部６５は、第２回転軸線ＡＸ２を中心として第１回転軸６３を回転させて、第１回転軸６３を中心にノズルアーム６１を略水平面に沿って回転させる。その結果、第１ノズル４１が略水平面に沿って移動する。詳しくは、第１ノズル４１は、第２回転軸線ＡＸ２を中心として第１回転軸６３の周りを旋回する。第１駆動部６５は、例えば、ステッピングモータを含む。

第２ノズル７１は、基板Ｗにリンス液を供給する。詳しくは、第２ノズル７１は、回転中の基板Ｗに向けてリンス液を吐出する。リンス液供給部７は、第２ノズル７１にリンス液を供給する。詳しくは、リンス液は、第２供給配管７２を介して第２ノズル７１に供給される。第２供給配管７２は、リンス液が流通する管状部材である。リンス液は、例えば、脱イオン水、炭酸水、電解イオン水、水素水、オゾン水、又は、希釈濃度（例えば、１０ｐｐｍ～１００ｐｐｍ程度）の塩酸水である。第２ノズル７１は、静止した状態でリンス液を吐出する。第２ノズル７１は、固定ノズルと称されることがある。なお、第２ノズル７１はスキャンノズルであってもよい。

ガード１０の各々は、略筒形状を有する。複数のガード１０は、基板Ｗから排出されたエッチング液及びリンス液を受け止める。

測定部８は、基板Ｗの表面に関する表面情報を取得する。表面情報は、例えば、基板Ｗの厚みの分布を示す情報を含む。また、表面情報は、例えば、基板Ｗの表面形状（プロファイル）を示す情報を含む。なお、基板Ｗの厚みの分布の情報と基板Ｗの表面の形状の情報との一方に基づいて、他方を得ることが可能である。つまり、基板Ｗの厚みの分布の情報を取得することと、基板Ｗの表面の形状の情報を取得することとは、実質的に同じである。

本実施形態では、測定部８は、対象物ＴＧの厚みを非接触方式で測定して、対象物ＴＧの厚みを示す厚み検出信号を生成する。厚み検出信号は、制御装置１０１に入力される。

測定部８は、例えば、分光干渉法によって対象物ＴＧの厚みを測定する。具体的には、測定部８は、光学プローブ８１と、信号線８３と、測定器８５とを含む。光学プローブ８１は、レンズを有する。信号線８３は、光学プローブ８１と測定器８５とを接続する。信号線８３は、例えば光ファイバーを含む。測定器８５は、光源と受光素子とを有する。測定器８５の光源が出射した光は、信号線８３及び光学プローブ８１を介して、対象物ＴＧに出射される。対象物ＴＧによって反射された光は、光学プローブ８１及び信号線８３を介して、測定器８５の受光素子で受光される。測定器８５は、受光素子が受光した光を解析して、対象物ＴＧの厚みを算出する。測定器８５は、算出した対象物ＴＧの厚みを示す厚み検出信号を生成する。なお、測定部８の測定方法は、分光干渉法に限らず、対象物ＴＧの厚みを測定できれば他の測定方法を用いてもよい。

プローブ移動機構９は、略水平方向に光学プローブ８１を移動させる。詳しくは、プローブ移動機構９は、略鉛直方向に沿った第３回転軸線ＡＸ３を中心として光学プローブ８１を旋回させる。光学プローブ８１は、移動しながら（旋回しながら）、基板Ｗに向けて光を出射する。従って、厚み検出信号は、対象物ＴＧの厚みの分布を示す。

具体的には、プローブ移動機構９は、プローブアーム９１と、第２回転軸９３と、第２駆動部９５とを有する。プローブアーム９１は略水平方向に沿って延びる。プローブアーム９１の先端部に光学プローブ８１が配置される。プローブアーム９１は第２回転軸９３に結合される。第２回転軸９３は、略鉛直方向に沿って延びる。第２駆動部９５は、第３回転軸線ＡＸ３を中心として第２回転軸９３を回転させて、第２回転軸９３を中心にプローブアーム９１を略水平面に沿って回転させる。その結果、光学プローブ８１が略水平面に沿って移動する。詳しくは、光学プローブ８１は、第３回転軸線ＡＸ３を中心として第２回転軸９３の周りを旋回する。第２駆動部９５は、例えば、ステッピングモータを含む。

本実施形態において、測定部８は、処理対象の基板Ｗの表面に関する表面情報の検出に用いられる。

また、本実施形態において、測定部８は、処理量の検出に用いられる。処理量は、処理ユニット１が基板Ｗを処理することによって基板Ｗが処理される量を示す。詳しくは、測定部８は、処理前の基板Ｗの表面情報（以下、処理前表面情報と記載することがある）と、処理後の基板Ｗの表面情報（以下、処理後表面情報と記載することがある）とを取得する。処理前表面情報と処理後表面情報との差分から、処理量を算出することができる。本実施形態では、処理量は、第１ノズル４１から基板Ｗに供給されたエッチング液（処理液）によって基板Ｗが処理される量を示す。本実施形態において、処理量は、エッチング量を示す。エッチング量は、エッチング処理前の対象物ＴＧの厚みと、エッチング処理後の対象物ＴＧの厚みとの差分を示す。

制御装置１０１は、機械学習の実行時に、測定部８（測定器８５）から入力された厚み検出信号に基づいてエッチング量を算出することにより、エッチング量を取得する。より詳しくは、制御装置１０１は、エッチング量の分布（処理量の分布）を取得する。制御装置１０１は、取得したエッチング量を用いて、機械学習のための学習用データ（学習用データセット）を生成する。

また、制御装置１０１は、半導体製品の製造時に、測定部８（測定器８５）から入力された厚み検出信号に基づいてエッチング量を算出し、エッチング量を取得してもよい。

また、制御装置１０１には、エンコーダ５５から回転速度信号が入力される。なお、処理時における基板Ｗの回転速度は、例えば一定である。詳しくは、制御装置１０１は、図９を参照して説明するように、基板処理装置１００の各部を制御するためのレシピ１３１を記憶しており、レシピ１３１は、モータ本体５１の回転速度の設定値を示す。制御装置１０１は、レシピ１３１を参照して、処理ユニット１が実行する処理を制御する。

続いて図３を参照して、第１ノズル４１による基板Ｗのスキャン処理を説明する。図３は、本実施形態のスキャン処理を示す平面図である。図３に示すように、スキャン処理とは、平面視において、対象物ＴＧの表面に対する処理液の着液位置が円弧状の軌跡ＴＪ１を形成するように第１ノズル４１が移動しながら、処理液を対象物ＴＧに吐出する処理のことである。軌跡ＴＪ１は、基板Ｗの中心部ＣＴを通る。中心部ＣＴは、基板Ｗのうち第１回転軸線ＡＸ１が通る部分を示す。スキャン処理は、基板Ｗの回転中に実行される。

本実施形態では、第１ノズル４１は、第１位置Ｘ１から第９位置Ｘ９まで移動しながら、回転中の基板Ｗに向けてエッチング液を吐出する。第１位置Ｘ１から第９位置Ｘ９に含まれる各位置Ｘ１～Ｘ９は、軌跡ＴＪ１に含まれる。第１位置Ｘ１から第９位置Ｘ９までの区間は、第１ノズル４１が移動する移動区間を示す。

第１位置Ｘ１から第９位置Ｘ９のうち、第１位置Ｘ１は、処理液（エッチング液）の吐出開始位置を示し、第９位置Ｘ９は、処理液（エッチング液）の吐出停止位置を示す。第１位置Ｘ１における第１ノズル４１の移動速度は０ｍｍ／ｓであり、第９位置Ｘ９における第１ノズル４１の移動速度は０ｍｍ／ｓである。従って、第１位置Ｘ１は、スキャン処理の開始位置であり、第９位置Ｘ９は、スキャン処理の終了位置である。また、第１位置Ｘ１は、第１ノズル４１の移動開始位置であり、第９位置Ｘ９は、第１ノズル４１の移動終了位置である。なお、以下の説明において、スキャン処理時における第１ノズル４１の移動速度を「スキャン速度」と記載する場合がある。

第１ノズル４１は、スキャン処理中に、第１位置Ｘ１と第９位置Ｘ９との間の各中間位置（第２位置Ｘ２から第８位置Ｘ８までの各位置Ｘ２～Ｘ８）を通過する。

続いて図４を参照して、スキャン速度情報について説明する。スキャン速度情報は、スキャン処理時における第１ノズル４１の移動速度の設定値（スキャン速度の設定値）を示す。図４は、本実施形態のスキャン速度情報を示す図である。なお、スキャン速度は、本発明の「速度条件」の一例である。詳しくは、図４は、図３を参照して説明した第１ノズル４１の移動区間に含まれる各位置Ｘ１～Ｘ９と、スキャン速度の設定値との関係を示す。

図４において、上の欄は、第１ノズル４１の移動区間に含まれる各位置Ｘ１～Ｘ９を示し、下の欄は、スキャン速度の設定値を示す。第１ノズル４１の移動区間に含まれる各位置Ｘ１～Ｘ９は、基板Ｗの半径位置で規定される。詳しくは、上の欄は、第１ノズル４１の移動区間の開始位置（第１ノズル４１の移動開始位置）、第１ノズル４１の移動区間の終了位置（第１ノズル４１の移動終了位置）、及び、第１ノズル４１の移動区間の開始位置と終了位置との間の複数の中間位置（第１ノズル４１が通過する複数の位置）を示す。

図４に示すように、スキャン速度情報は、第１ノズル４１の移動区間に含まれる各位置Ｘ１～Ｘ９ごとに、スキャン速度の設定値を示す。以下、第１ノズル４１の移動区間に含まれる各位置Ｘ１～Ｘ９を、「速度設定位置」と記載する場合がある。本実施形態では、スキャン速度情報は、９か所の速度設定位置を示す。

具体的には、各速度設定位置は、図３を参照して説明した第１位置Ｘ１から第９位置Ｘ９までの各位置Ｘ１～Ｘ９に対応する。なお、図３を参照して説明したように、第１ノズル４１の移動区間の開始位置（第１位置Ｘ１）において設定されるスキャン速度は、０［ｍｍ／ｓ］であり、第１ノズル４１の移動区間の終了位置（第９位置Ｘ９）において設定されるスキャン速度は、０［ｍｍ／ｓ］である。

図１及び図２を参照して説明した制御装置１０１は、スキャン速度情報に基づいて、図２を参照してノズル移動機構６（第１駆動部６５）を制御する。その結果、第１ノズル４１は、各速度設定位置でのスキャン速度が、スキャン速度情報で規定されているスキャン速度となるように、図３を参照して説明した軌跡ＴＪ１に沿って移動する。

続いて図５を参照して、スキャン処理時における第１ノズル４１の移動速度（スキャン速度）について説明する。図５は、本実施形態における第１ノズル４１の移動速度の一例を示すグラフである。

図５において、縦軸はスキャン速度［ｍｍ／ｓ］を示し、横軸は基板Ｗの半径位置［ｍｍ］を示す。図５に示すように、スキャン処理の開始時のスキャン速度は０［ｍｍ／ｓ］である。また、スキャン処理の終了時のスキャン速度は０［ｍｍ／ｓ］である。

図３及び図４を参照して説明したように、スキャン速度は、第１位置Ｘ１から第９位置Ｘ９までの各位置Ｘ１～Ｘ９（各速度設定位置）ごとに設定されている。その結果、図５に示すように、隣り合う速度設定位置の間で、一方の速度設定位置に対して設定されているスキャン速度から、他方の速度設定位置に対して設定されているスキャン速度まで、スキャン速度が連続的に変化する。例えば、図４に示すように、第３位置Ｘ３に対してスキャン速度Ｙ３が設定されており、第４位置Ｘ４に対してスキャン速度Ｙ４が設定されている。従って、第１ノズル４１のスキャン速度は、第１ノズル４１が第３位置Ｘ３から第４位置Ｘ４に移動する間に、スキャン速度Ｙ３からスキャン速度Ｙ４へ連続的に変化する。

続いて図６を参照して、測定部８による厚み測定処理を説明する。図６は、本実施形態の厚み測定処理を示す平面図である。図６に示すように、厚み測定処理とは、平面視において、対象物ＴＧに対する厚みの測定位置が円弧状の軌跡ＴＪ２を形成するように光学プローブ８１が移動しながら、対象物ＴＧの厚みを測定する処理のことである。軌跡ＴＪ２は、基板Ｗのエッジ部ＥＧと基板Ｗの中心部ＣＴとを通る。エッジ部ＥＧは、基板Ｗの周縁部を示す。厚み測定処理は、基板Ｗの回転中に実行される。

具体的には、光学プローブ８１は、平面視において、基板Ｗの中心部ＣＴとエッジ部ＥＧとの間を移動しながら、対象物ＴＧに向けて光を出射する。この結果、軌跡ＴＪ２に含まれる各測定位置において、対象物ＴＧの厚みが測定される。各測定位置は、基板Ｗの各半径位置に対応している。従って、厚み測定処理により、基板Ｗの径方向ＲＤにおける対象物ＴＧの厚みの分布が測定される。なお、対象物ＴＧの表面形状（プロファイル）は、対象物ＴＧの厚みの分布を示す形状と一致する。

続いて図７を参照して、本実施形態のエッチング液供給部４を説明する。図７は、本実施形態のエッチング液供給部４の模式図である。図７に示すように、エッチング液供給部４は、図２を参照して説明した第１供給配管４２に加えて、温度センサ４２１と、濃度センサ４２２と、バルブ４２３と、ミキシングバルブ４２４と、流量計４２５と、加熱ヒータ４２６とを更に有する。

温度センサ４２１は、第１供給配管４２を流れるエッチング液の温度を計測する。温度センサ４２１は、エッチング液の温度を示す温度信号を生成し、制御装置１０１に入力する。処理時におけるエッチング液の温度は、例えば一定である。

濃度センサ４２２は、第１供給配管４２を流れるエッチング液に含まれるエッチング成分の濃度を計測する。濃度センサ４２２は、エッチング液の濃度を示す濃度信号を生成し、制御装置１０１に入力する。処理時におけるエッチング液の濃度は、例えば一定である。

バルブ４２３は、第１供給配管４２に配置される。バルブ４２３は、第１ノズル４１へのエッチング液の供給及び供給停止を切り替える。詳しくは、バルブ４２３が開くと、第１ノズル４１から基板Ｗに向けてエッチング液が吐出される。一方、バルブ４２３が閉じると、エッチング液の吐出が停止する。また、バルブ４２３は、第１供給配管４２においてバルブ４２３よりも下流へ流れるエッチング液の流量を制御する。詳しくは、バルブ４２３の開度に応じて、バルブ４２３よりも下流へ流れるエッチング液の流量が調整される。従って、バルブ４２３の開度に応じて、エッチング液の吐出流量が調整される。バルブ４２３は、例えば、モータバルブである。

ミキシングバルブ４２４は、第１供給配管４２に配置される。ミキシングバルブ４２４が開くと、第１供給配管４２に純水が流入して、エッチング液の濃度が希釈される。

流量計４２５は、エッチング液の吐出流量を計測する。具体的には、流量計４２５の計測対象は、第１供給配管４２を流れるエッチング液の流量である。流量計４２５は、エッチング液の吐出流量を示す吐出流量信号を生成し、制御装置１０１に入力する。処理時におけるエッチング液の吐出流量は、例えば一定である。

加熱ヒータ４２６は、第１供給配管４２を流れるエッチング液を加熱する。

次に、図８Ａ～図８Ｃを参照して、基板処理装置１００による基板Ｗ（具体的には対象物ＴＧ）に対するエッチング処理を説明する。図８Ａは、エッチング前の厚みパターンＴＡ、ＴＢ、ＴＣを示す図である。図８Ｂは、エッチングレート分布ＥＡ、ＥＢ、ＥＣを示す図である。図８Ｃは、エッチング後の厚みパターンＴＡＲ、ＴＢＲ、ＴＣＲを示す図である。「厚みパターン」は、対象物ＴＧの複数の測定位置でそれぞれ測定された複数の厚みの分布を示す。つまり、「厚みパターン」は、基板Ｗの径方向ＲＤにおける対象物ＴＧの厚みの分布を示す。

図８Ａ～図８Ｃにおいて、横軸は、基板Ｗ上の位置を示している。図８Ａ及び図８Ｃにおいて、縦軸は、対象物ＴＧの厚みを示している。図８Ｂにおいて、縦軸は、対象物ＴＧのエッチングレートを示している。エッチングレートは、単位時間当たりのエッチング量のことである。

図８Ａに示すように、対象物ＴＧがエッチング前に厚みパターンＴＡを有する場合、図８Ｂに示すように、厚みパターンＴＡと相関の高いエッチングレート分布ＥＡを有するように速度条件が定められて、エッチング処理が実行される。その結果、本実施形態によれば、図８Ｃに示すように、対象物ＴＧがエッチング前に厚みパターンＴＡを有する場合に、エッチング後の対象物ＴＧの厚みパターンＴＡＲが略フラットになる。つまり、対象物ＴＧの広範な領域（中心部ＣＴからエッジ部ＥＧまでの領域）において、エッチング後の対象物ＴＧの厚みのバラツキを抑制できる。

同様に、図８Ａ及び図８Ｂに示すように、エッチング前の対象物ＴＧの厚みパターンＴＢと相関の高いエッチングレート分布ＥＢを有するように速度条件が定められて、エッチング処理が実行される。その結果、図８Ｃに示すように、対象物ＴＧがエッチング前に厚みパターンＴＢを有する場合に、エッチング後の対象物ＴＧの厚みパターンＴＢＲが略フラットになる。

同様に、図８Ａ及び図８Ｂに示すように、エッチング前の対象物ＴＧの厚みパターンＴＣと相関の高いエッチングレート分布ＥＣを有するように速度条件が定められて、エッチング処理が実行される。その結果、図８Ｃに示すように、対象物ＴＧがエッチング前に厚みパターンＴＣを有する場合に、エッチング後の対象物ＴＧの厚みパターンＴＣＲが略フラットになる。

次に、図９を参照して、制御装置１０１を説明する。図９は、本実施形態の制御装置１０１のブロック図である。図９に示すように、制御装置１０１は、制御部１０２と、記憶部１０３と、入力部１０４と、表示部１０５とを有する。

制御部１０２は、プロセッサーを有する。制御部１０２は、例えば、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、又は、ＭＰＵ（Ｍｉｃｒｏ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）を有する。あるいは、制御部１０２は、汎用演算機又は専用演算機を有してもよい。制御部１０２は、ＮＰＵ（Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）を更に有してもよい。

記憶部１０３は、データ及びコンピュータプログラムを記憶する。記憶部１０３は、主記憶装置を有する。主記憶装置は、例えば、半導体メモリである。記憶部１０３は、補助記憶装置を更に有してもよい。補助記憶装置は、例えば、半導体メモリ及び／又はハードディスクドライブである。記憶部１０３はリムーバブルメディアを有してもよい。制御部１０２は、記憶部１０３が記憶しているデータ及びコンピュータプログラムに基づいて、基板処理装置１００の各部の動作を制御する。更に、制御部１０２は、記憶部１０３が記憶しているデータ及びコンピュータプログラムに基づいて、機械学習を実行する。

具体的には、記憶部１０３は、レシピ１３１と、制御プログラム１３２と、学習済モデル１３３と、学習用プログラム１３４とを記憶する。レシピ１３１は、基板Ｗの処理内容及び処理手順を規定する。また、レシピ１３１は、各種の設定値を示す。

制御部１０２は、レシピ１３１及び制御プログラム１３２に基づいて、基板処理装置１００の各部の動作を制御する。学習済モデル１３３は、入力データに基づいて速度条件を出力する。本実施形態では、学習済モデル１３３は、入力データとしての表面情報に基づいて、スキャン速度を示す情報を出力する。学習用プログラム１３４は、学習用データセットの中から一定の規則を見出し、その規則を表現するモデル（学習済モデル１３３）を生成するアルゴリズムを実行するためのプログラムである。

記憶部１０３は、機械学習の実行時に、学習対象速度情報♯Ａ１～♯Ａｎを記憶する。ここで、「ｎ」は、正の整数を示す。学習対象速度情報♯Ａ１～♯Ａｎはそれぞれ、図４を参照して説明したスキャン速度情報と同様に、スキャン速度情報を示す。学習対象速度情報♯Ａ１～♯Ａｎは、図４を参照して説明した各速度設定位置に対して設定されるスキャン速度のセットの内容が互いに異なる。

入力部１０４は、作業者からの入力を受け付けて、入力結果を示す情報を制御部１０２に出力する。例えば、入力部１０４は、学習対象速度情報♯Ａ１～♯Ａｎの入力を受け付ける。入力部１０４は、例えば、タッチパネル及びポインティングデバイスを含む。タッチパネルは、例えば、表示部１０５の表示面に配置される。入力部１０４と表示部１０５とは、例えば、グラフィカルユーザーインターフェースを構成する。

表示部１０５は各種情報を表示する。本実施形態において、表示部１０５は、例えば、各種のエラー画面、及び各種の設定画面（入力画面）を表示する。表示部１０５は、例えば、液晶ディスプレイ又は有機ＥＬ（ｅｌｅｃｔｒｏｌｕｍｉｎｅｓｃｅｎｃｅ）ディスプレイを有する。

なお、制御装置１０１は、リムーバブルメモリから学習対象速度情報♯Ａ１～♯Ａｎを取得するインターフェイスを有してもよい。リムーバブルメモリは、例えば、ＵＳＢ（Ｕｎｉｖｅｒｓａｌ Ｓｅｒｉａｌ Ｂｕｓ）メモリを含む。あるいは、制御装置１０１は、リムーバブルメディアから学習対象速度情報♯Ａ１～♯Ａｎを取得するドライブを有してもよい。リムーバブルメディアは、例えば、ＣＤ（Ｃｏｍｐａｃｔ Ｄｉｓｃ）のような光ディスクを含む。

続いて図１、図２、図９及び図１０を参照して、基板処理装置１００が実行する学習用データの生成方法を説明する。図１０は、本実施形態における学習用データの生成方法を示すフローチャートである。詳しくは、図１０は、学習用データの生成時に制御部１０２が実行する処理を示す。本実施形態の学習用データの生成方法は、ステップＳ１～ステップＳ９の各処理を含む。

図１０に示す処理は、作業者が入力部１０４を操作することにより開始する。学習用データの生成時には、複数のロードポートＬＰのうちの少なくとも１つに、学習対象の複数枚の基板Ｗが収容される。なお、学習対象の基板Ｗには、半導体製品の製造時に使用される基板Ｗと同じ種類の基板Ｗが使用される。

学習用データを生成する場合、制御部１０２は、まず、複数の処理ユニット１のうちの１つを学習対象の処理ユニット１として選択する。なお、図１０を参照して説明する処理は、基板処理装置１００が備える複数の処理ユニット１に対して順次実行される。

制御部１０２は、学習対象の処理ユニット１を決定すると、学習対象速度情報♯Ａ１～♯Ａｎのうちの１つを選択して、学習対象速度情報♯Ａ１～♯Ａｎのうちの１つを取得する（ステップＳ１）。以下、学習対象速度情報♯Ａ１～♯Ａｎのうちの１つを、「学習対象速度情報♯Ａ」と記載する。例えば、制御部１０２は、学習対象速度情報♯Ａ１～♯Ａｎにそれぞれ付与される識別番号の小さい順に、学習対象速度情報♯Ａを選択する。

制御部１０２は、学習対象速度情報♯Ａ１～♯Ａｎのうちの１つを選択した後、学習対象の基板Ｗが学習対象の処理ユニット１のチャンバー２内に搬入されるように、インデクサーロボットＩＲと、センターロボットＣＲとを制御する（ステップＳ２）。制御部１０２は、チャンバー２内に搬入された学習対象の基板Ｗを、スピンチャック３に保持させる。

制御部１０２は、学習対象の基板Ｗがスピンチャック３に保持されると、測定部８に、学習対象の基板Ｗに含まれる対象物ＴＧの厚みの分布を測定させる（ステップＳ３）。ここで測定される対象物ＴＧの厚みの分布は、エッチング処理前の対象物ＴＧの厚みの分布を示す。以下、エッチング処理前の対象物ＴＧの厚みの分布を、「処理前の厚みの分布」と記載する場合がある。

処理前の厚みの分布の測定後、制御部１０２は、学習対象の基板Ｗに対してエッチング処理が実行されるように、基板処理装置１００の各部の動作を制御する（ステップＳ４）。具体的には、制御部１０２は、図３～図５を参照して説明したように、学習対象速度情報♯Ａに基づく速度で第１ノズル４１が移動（旋回）しながら、第１ノズル４１から学習対象の基板Ｗにエッチング液が供給されるように基板処理装置１００の各部の動作を制御して、学習対象の基板Ｗにエッチング処理を実行する。

制御部１０２は、エッチング処理の実行後、測定部８に、学習対象の基板Ｗに含まれる対象物ＴＧの厚みの分布を測定させる（ステップＳ５）。ここで測定される対象物ＴＧの厚みの分布は、エッチング処理後の対象物ＴＧの厚みの分布を示す。以下、エッチング処理後の対象物ＴＧの厚みの分布を、「処理後の厚みの分布」と記載する場合がある。なお、図１１を参照して説明するように、処理後の厚みの分布は、乾燥処理後の厚みの分布を示す。

処理後の厚みの分布の測定後、制御部１０２は、スピンチャック３による学習対象の基板Ｗの保持を解除して、インデクサーロボットＩＲに、学習対象の基板Ｗをチャンバー２から搬出させる（ステップＳ６）。その後、制御部１０２は、複数のロードポートＬＰのうちの１つに学習対象の基板Ｗが搬送されるように、インデクサーロボットＩＲと、センターロボットＣＲとを制御する。

次に、制御部１０２は、処理量（エッチング量）を示す処理量情報を取得する（ステップＳ７）。詳しくは、制御部１０２は、処理前の厚みの分布と処理後の厚みの分布との差分を算出して、処理量情報を取得する。

制御部１０２は、処理量（エッチング量）情報を取得すると、学習対象速度情報♯Ａと処理量情報とに基づいて学習用データを生成する（ステップＳ８）。学習用データは、学習対象速度情報♯Ａと処理量情報とを示す。学習用データは、記憶部１０３に記憶される。そして、図１０に示す処理が終了する。

制御部１０２は、図１０に示す処理を、学習対象速度情報♯Ａ１～♯Ａｎの全てが選択されるまで、繰り返し実行する。その結果、複数の学習用データが記憶部１０３に記憶される。なお、本実施形態では、後述するように、これら学習用データに基づいて、複数の学習用データセットが生成される。また、ステップＳ７及びステップＳ８の各処理のうちの少なくとも１つは、ステップＳ５の処理とステップＳ６の処理との間で実行されてもよい。

続いて図２、図９及び図１１を参照して、エッチング処理（ステップＳ４）について説明する。図１１は、本実施形態のエッチング処理を示すフローチャートである。

図１１に示すように、スピンチャック３が学習対象の基板Ｗを保持した後に、学習対象の基板Ｗが処理される（ステップＳ４１）。具体的には、制御部１０２は、スピンモータ部５に、スピンチャック３が保持する基板Ｗを回転させる。その後、制御部１０２は、図１０を参照して説明したように、第１ノズル４１から学習対象の基板Ｗに向けてエッチング液が供給されるように、ノズル移動機構６及びエッチング液供給部４を制御する。この結果、学習対象の基板Ｗがエッチングされる。

学習対象の基板Ｗのエッチングが完了すると、制御部１０２は、リンス液供給部７を制御して、学習対象の基板Ｗにリンス液を供給することにより、学習対象の基板Ｗからエッチング液を除去する（ステップＳ４２）。具体的には、エッチング液がリンス液によって学習対象の基板Ｗの外方に押し流され、学習対象の基板Ｗの周囲に排出される。この結果、学習対象の基板Ｗ上のエッチング液の液膜が、リンス液の液膜に置換される。

エッチング液をリンス液に置換した後、制御部１０２は、スピンモータ部５を制御して、学習対象の基板Ｗを乾燥させる（ステップＳ４３）。その結果、図１１に示す処理が終了する。具体的には、制御部１０２は、学習対象の基板Ｗの回転速度を、エッチング処理時及びリンス処理時の回転速度よりも増大させる。この結果、学習対象の基板Ｗ上のリンス液に大きな遠心力が付与され、学習対象の基板Ｗに付着しているリンス液が学習対象の基板Ｗの周囲に振り切られる。このようにして、学習対象の基板Ｗからリンス液を除去し、学習対象の基板Ｗを乾燥させる。なお、制御部１０２は、例えば学習対象の基板Ｗの高速回転を開始してから所定時間が経過した後に、スピンモータ部５による基板Ｗの回転を停止させる。

次に、図１２から図１４を参照して、複数の学習用データに基づいて学習済モデル１３３を生成する方法について説明する。本実施形態では、複数の学習用データに基づいて複数の学習用データセットが生成され、複数の学習用データセット毎に学習済モデル１３３が生成される。つまり、複数の学習用データに基づいて、複数の学習済モデル１３３が生成される。以下、具体的に説明する。

図１２は、本実施形態の学習済モデル１３３を生成する方法を示すフローチャートである。本実施形態の学習済モデル１３３の生成方法は、ステップＳ１０１～ステップＳ１０４を含む。図１３は、本実施形態の学習用データテーブルＴＢ１０を示す図である。図１４は、本実施形態の複数の処理量情報を複数のクラスタにクラスタリングした結果を示すイメージ図である。

図１２に示すように、ステップＳ１０１において、制御部１０２は、記憶部１０３に記憶されている複数の処理量（エッチング量）情報を複数のクラスタにクラスタリングする。つまり、制御部１０２は、複数の学習対象の基板Ｗを複数の速度条件（スキャン速度）でそれぞれ処理した際の処理量情報を、複数のクラスタにクラスタリングする。

具体的には、図１３に示すように、記憶部１０３には、学習用データテーブルＴＢ１０が記憶されている。学習用データテーブルＴＢ１０は、スキャン速度情報である学習対象速度情報♯Ａと処理量（エッチング量）情報とを互いに関連付けた状態で含んでいる。制御部１０２は、学習用データテーブルＴＢ１０に含まれる複数（例えば数百個）の処理量情報を、複数（例えば数個～数十個）のクラスタにクラスタリングする。クラスタリングとは、類似性又は相関のある情報を見つけ出し、類似性又は相関のある情報をグループ分けすることである。従って、クラスタリングによって、類似性又は相関のある情報は、１つのクラスタに分類される。

クラスタリング処理によって、例えば、図１４に示すようなクラスタデータテーブルＴＢ２０が得られる。つまり、処理量（エッチング量）情報であるエッチングプロファイルが類似したデータ毎にグループ分けされる。図１４に示すように、各クラスタには、１つ以上、例えば数個～数百個以下の処理量情報が含まれる。なお、図１４では、処理量情報をグラフで示している。

また、クラスタリングの方法は、特に限定されないが、例えば、機械学習を用いることができる。また、クラスタリングの方法として、教師なし学習を用いてもよく、例えばｋ－ｍｅａｎｓ法を用いてもよい。また、クラスタの数は、２つ以上であれば特に限定されないが、例えば、エルボー法などを用いて最適な数を決定してもよい。なお、クラスタリングの方法として、機械学習以外の方法を用いてもよい。例えば、グループ分けのルールを設定し、そのルールに従ってクラスタリングを行ってもよいし、ユーザーがグラフの形状から判断してクラスタリングを行ってもよい。

次に、ステップＳ１０２において、制御部１０２は、複数のクラスタから、学習用データセットに用いるクラスタを選定する。具体的には、制御部１０２は、所定数（閾値）以上の基板Ｗを含むクラスタを選定する。つまり、基板Ｗの数が所定数（閾値）未満であるクラスタについては、学習用データセットとして用いない。なお、所定数（閾値）は、特に限定されないが、例えば、５、１０又は２０である。

クラスタの選定処理によって、例えば、図１４のクラスタＣＬ１、クラスタＣＬ２及びクラスタＣＬ３が選定される。その一方、クラスタＣＬ４は、選定されない。つまり、クラスタＣＬ４については、処理量情報が少ないため、学習用データセットとして用いない。

次に、ステップＳ１０３において、制御部１０２は、各クラスタで学習用データに用いる処理量情報を選定する。本実施形態では、制御部１０２は、各クラスタにおいて他の処理量情報との相関が所定条件以上に高い処理量情報を選定する。つまり、他の処理量情報との相関が比較的低い処理量情報については、学習用データセットとして用いない。

具体的には、学習用データに用いる処理量情報の選定によって、例えば、図１４のクラスタＣＬ３において、他の処理量情報との相関が比較的低い処理量情報ＰＩを除く処理量情報が選定される。つまり、クラスタＣＬ３の複数の処理量情報のうち、他の処理量情報との相関が比較的低い処理量情報ＰＩについては、学習用データセットとして用いない。

他の処理量情報との相関性を導出する方法は、特に限定されないが、統計解析を用いることができ、例えば、ＲＭＳＥ（二乗平均平方根誤差）を用いてもよい。つまり、各クラスタの処理量情報から基準処理量情報を選定し、基準処理量情報との相関が所定条件以上に高い処理量情報を選定してもよい。

以上のようにして、学習済モデル１３３の生成に用いる複数のクラスタ及び複数の処理量情報が選定される。そして、学習済モデル１３３の生成に用いる複数の処理量情報と、この処理量情報に対応する学習対象速度情報♯Ａとによって、学習済モデル１３３を生成する際に用いる複数の学習用データセットが生成される。なお、学習用データセットの数は、ステップＳ１０２で選定されたクラスタの数と等しい。また、ここでは、複数のクラスタから学習用データセットに用いるクラスタを選定した（ステップＳ１０２）後に、各クラスタで学習用データに用いる処理量情報を選定する（ステップＳ１０３）例について示したが、各クラスタで学習用データに用いる処理量情報を選定した後に、複数のクラスタから学習用データセットに用いるクラスタを選定してもよい。

次に、ステップＳ１０４において、制御部１０２は、複数の学習済モデル１３３を生成する。具体的には、制御部１０２は、学習用プログラム１３４に基づいて学習用データセット（複数の学習用データ）を機械学習することによって、学習済モデル１３３を生成する。ここで、学習とは、学習用データセットの中から一定の規則を発見することを示す。本実施形態において、学習用データは、スキャン速度情報（各速度設定位置におけるスキャン速度）と、処理量（エッチング量）情報との関係を示している。制御部１０２は、学習用データセットを学習して、スキャン速度情報と処理量情報との間における一定の規則を発見する。

本実施形態において、「入力」は処理前の表面情報（以下、処理前表面情報と記載することがある）であり、「出力」はスキャン速度情報である。換言すると、処理前表面情報は説明変数であり、学習済モデル１３３から出力されるスキャン速度（速度条件）情報は目的変数である。なお、処理量（エッチング量）の目標値は、処理前表面情報に基づいて導出されるため、処理前表面情報を「入力」することと、処理量（エッチング量）の目標値を「入力」することとは、実質的に同じである。

また、学習済モデル１３３を構築するための機械学習アルゴリズムは、教師あり学習であれば、特に限定されず、例えば、決定木、最近傍法、単純ベイズ分類器、サポートベクターマシン、又は、ニューラルネットワークである。従って、学習済モデル１３３は、決定木、最近傍法、単純ベイズ分類器、サポートベクターマシン、又は、ニューラルネットワークを含む。機械学習に、誤差逆伝搬法が利用されてもよい。

以上、図１２～図１４を参照して説明したように、本実施形態では、複数の学習済モデル１３３は、複数の学習対象の基板Ｗを複数の速度条件（スキャン速度）でそれぞれ処理した際の処理量（エッチング量）情報を、複数のクラスタにクラスタリングし、各クラスタの速度条件及び処理量情報を用いて機械学習させることによって得られた複数のモデルである。従って、類似性又は相関のある処理量情報毎に学習済モデル１３３が生成される。よって、例えば、全ての処理量情報を用いて１つの学習済モデル１３３を生成する場合に比べて、学習済モデル１３３の予測精度を向上できる。

また、本実施形態では、複数のクラスタから、学習対象の基板Ｗの数が所定数（閾値）以上のクラスタを選定し、選定したクラスタの速度条件及び処理量情報を用いて機械学習させることによって、複数の学習済モデル１３３が得られる。つまり、学習用データ（速度条件及び処理量情報）が所定数以上であるクラスタについては、学習済モデル１３３を生成する。その一方、学習用データ（速度条件及び処理量情報）の少ないクラスタについては、学習済モデル１３３を生成しない。その結果、予測精度の低い学習済モデル１３３が生成されることを抑制できる。

また、本実施形態では、各クラスタにおいて他の処理量情報との相関が所定条件以上に高い処理量情報を選定し、選定した処理量情報を用いて機械学習させることによって、学習済モデル１３３が得られる。つまり、他の処理量情報との相関が所定条件以上に高い処理量情報を用いて学習済モデル１３３を生成する。その一方、他の処理量情報との相関が低い処理量情報については、学習済モデル１３３の生成に用いない。その結果、学習済モデル１３３の予測精度が低くなることを抑制できる。

続いて図１、図２及び図１５を参照して、基板処理装置１００が実行する基板処理方法を説明する。図１５は、本実施形態における基板処理方法を示すフローチャートである。詳しくは、図１５は、処理対象の基板Ｗをエッチングする際に制御部１０２が実行する処理を示す。本実施形態の基板処理方法は、ステップＳ２０１～ステップＳ２０６の各処理を含む。

図１５に示す処理は、作業者が入力部１０４を操作することにより開始する。複数のロードポートＬＰのうちの少なくとも１つに、処理対象の複数の基板Ｗが収容されている。

処理対象の基板Ｗをエッチングする場合、制御部１０２は、複数の処理ユニット１のうちの１つの処理ユニット１のチャンバー２内に処理対象の基板Ｗが搬入されるように、インデクサーロボットＩＲと、センターロボットＣＲとを制御する（ステップＳ２０１）。制御部１０２は、チャンバー２内に搬入された処理対象の基板Ｗを、スピンチャック３に保持させる。

制御部１０２は、処理対象の基板Ｗがスピンチャック３に保持されると、測定部８に、処理対象の基板Ｗに含まれる対象物ＴＧの厚みの分布を測定させる（ステップＳ２０２）。換言すると、処理前の厚みの分布が測定される。更に換言すると、制御部１０２は、処理対象の基板Ｗの表面に関する処理前表面情報を取得する。

次に、制御部１０２は、対象物ＴＧの厚みの分布に基づいて、複数の学習済モデル１３３から１つの学習済モデル１３３を選定する（ステップＳ２０３）。換言すると、制御部１０２は、処理前表面情報に基づいて、複数の学習済モデル１３３から１つの学習済モデル１３３を選定する。

具体的には、制御部１０２は、図８Ａ～図８Ｃを用いて説明したように、対象物ＴＧの厚みパターンと最も相関の高いエッチングレート分布を有する学習済モデル１３３を選定する。換言すると、制御部１０２は、複数の学習済モデル１３３のうち、処理量情報の形状（図１４参照）が処理対象の基板Ｗの処理前表面情報（プロファイル）に最も近い学習済モデル１３３を選定する。制御部１０２は、例えばｋ近傍法等の機械学習を用いて、複数の学習済モデル１３３から１つの学習済モデル１３３を選定してもよい。

更に言い換えると、ステップＳ２０３において、制御部１０２は、処理量の目標値に基づいて、複数の学習済モデル１３３から１つの学習済モデル１３３を選定する。具体的には、制御部１０２は、処理前表面情報に基づいて、処理量の目標値を導出する。そして、制御部１０２は、複数の学習済モデル１３３から、処理量の目標値との相関が所定条件以上に高い１つのクラスタの処理量情報を用いて得られた１つの学習済モデル１３３を選定する。つまり、制御部１０２は、各クラスタに含まれる複数の処理量情報と処理量の目標値との相関が最も高い１つのクラスタを選定する。そして、制御部１０２は、選定したクラスタに対応する１つの学習済モデル１３３を選定する。つまり、制御部１０２は、選定したクラスタの処理量情報を用いて得られた１つの学習済モデル１３３を選定する。

次に、制御部１０２は、処理前表面情報を学習済モデル１３３に入力して、学習済モデル１３３からスキャン速度（速度条件）情報を出力させることにより、目的変数であるスキャン速度（速度条件）情報を取得する（ステップＳ２０４）。

スキャン速度（速度条件）情報を取得すると、制御部１０２は、処理対象の基板Ｗに対してエッチング処理が実行されるように、基板処理装置１００の各部の動作を制御する（ステップＳ２０５）。具体的には、制御部１０２は、図３～図５を参照して説明したように、スキャン速度情報に基づく速度で第１ノズル４１が移動（旋回）しながら、第１ノズル４１から処理対象の基板Ｗにエッチング液が供給されるように基板処理装置１００の各部の動作を制御して、処理対象の基板Ｗにエッチング処理を実行する。より詳しくは、図１１を参照して説明した処理と同様の処理により、処理対象の基板Ｗがエッチングされる。

次に、制御部１０２は、スピンチャック３による処理対象の基板Ｗの保持を解除して、インデクサーロボットＩＲに、処理対象の基板Ｗをチャンバー２から搬出させる（ステップＳ２０６）。その後、制御部１０２は、複数のロードポートＬＰのうちの１つまで処理対象の基板Ｗが搬送されるように、インデクサーロボットＩＲと、センターロボットＣＲとを制御する。

以上のようにして、処理対象の基板Ｗに対する処理が終了する。

以上、図１～図１５を参照して本発明の一実施形態を説明した。本実施形態では、上記のように、処理対象の基板Ｗの表面に関する処理前表面情報（対象物ＴＧの厚みの分布）を取得し、処理前表面情報に基づいて複数の学習済モデル１３３から１つの学習済モデル１３３を選定する。そして、処理前表面情報と選定した学習済モデル１３３とに基づいて得られる速度条件（スキャン速度）で、処理対象の基板Ｗを処理する。従って、基板Ｗを構成する対象物ＴＧの厚みを所望の厚みにすることができる。

なお、詳細については省略するが、本願発明者は、本実施形態の基板処理方法で処理した基板Ｗ（以下、基板Ｗａと記載する）と、図１３に示す学習用データテーブルＴＢ１０の全てのデータを用いて１つの学習済モデルを生成し、その学習済モデルを用いて処理した基板Ｗ（以下、基板Ｗｂと記載する）とについて、対象物ＴＧの厚みのバラツキを比較する実験を行った。この実験では、基板Ｗａの対象物ＴＧの厚みのバラツキは、基板Ｗｂの対象物ＴＧの厚みのバラツキよりも小さくなることを確認した。

また、本実施形態では、処理前表面情報に基づいて、処理前表面情報に基づいて、処理量の目標値を導出する。そして、複数の学習済モデル１３３から、処理量の目標値との相関が所定条件以上に高い１つのクラスタの処理量情報を用いて得られた１つの学習済モデル１３３を選定する。従って、対象物ＴＧの厚みを容易に所望の厚みにすることができる。例えば、対象物ＴＧの厚みパターンを所望のパターンにすることもできる。

また、本実施形態では、処理前表面情報は、処理対象の基板Ｗの表面形状（厚みの分布）を示す情報を含む。従って、処理対象の基板Ｗの表面形状（厚みの分布）に基づいて、複数の学習済モデル１３３から１つの学習済モデル１３３を選定することができる。また、処理対象の基板Ｗの表面形状（厚みの分布）と、選定した学習済モデル１３３とに基づいて得られる速度条件で基板Ｗを処理できる。その結果、基板Ｗを構成する対象物ＴＧの厚みのバラツキを容易に抑制できる。

以上、本発明の実施形態について図面を参照しながら説明した。但し、本発明は、上記の実施形態に限られるものではなく、その要旨を逸脱しない範囲で種々の態様において実施することが可能である。また、上記の実施形態に開示される複数の構成要素は適宜改変可能である。例えば、ある実施形態に示される全構成要素のうちのある構成要素を別の実施形態の構成要素に追加してもよく、又は、ある実施形態に示される全構成要素のうちのいくつかの構成要素を実施形態から削除してもよい。

図面は、発明の理解を容易にするために、それぞれの構成要素を主体に模式的に示しており、図示された各構成要素の厚さ、長さ、個数、間隔等は、図面作成の都合上から実際とは異なる場合もある。また、上記の実施形態で示す各構成要素の構成は一例であって、特に限定されるものではなく、本発明の効果から実質的に逸脱しない範囲で種々の変更が可能であることは言うまでもない。

例えば、図１～図１５を参照して説明した実施形態では、基板Ｗは半導体ウエハであったが、基板Ｗは、半導体ウエハに限定されない。例えば、基板Ｗは、液晶表示装置用基板、電界放出ディスプレイ（Ｆｉｅｌｄ Ｅｍｉｓｓｉｏｎ Ｄｉｓｐｌａｙ：ＦＥＤ）用基板、光ディスク用基板、磁気ディスク用基板、光磁気ディスク用基板、フォトマスク用基板、セラミック基板、又は、太陽電池用基板であり得る。

また、上記の実施形態では、スキャン速度情報は、第１ノズル４１の移動速度を規定したが、スキャン速度情報は、第１ノズル４１と基板Ｗとの相対的な移動速度を規定してもよい。例えば、ノズルが固定され、かつ基板が移動可能な場合、スキャン速度情報は、ノズルに対する基板の移動速度を規定してもよい。なお、基板Ｗが回転する場合、スキャン速度情報は、回転する基板Ｗの中心と第１ノズル４１との相対的な移動速度を規定する。

また、上記の実施形態では、第１ノズル４１が旋回したが、第１ノズル４１は、直線移動してもよい。

また、上記の実施形態では、第１ノズル４１はスキャンノズルであったが、第１ノズル４１は固定ノズルであってもよい。この場合、処理ユニット１は、ノズル移動機構６に替えて、基板Ｗを移動させる基板移動機構を備える。

また、上記の実施形態では、基板処理装置１００の記憶部１０３に学習済モデル１３３が記憶されている例について示したが、本発明はこれに限らない。例えば、基板処理装置１００とは別の装置等に学習済モデル１３３が記憶されていてもよい。つまり、基板処理装置１００から別の装置等に処理前表面情報を送信し、別の装置等から基板処理装置１００に速度条件が送信され、この速度条件に基づいて、基板処理装置１００が処理を実行してもよい。この場合、基板処理装置１００と、学習済モデル１３３を記憶する記憶部を有する装置とを備えた基板処理システムも、本願の課題を解決できる。

また、上記の実施形態では、基板処理装置１００の制御装置１０１が機械学習を行う例について示したが、本発明はこれに限らない。例えば、基板処理装置１００とは別の学習装置等が機械学習を行って学習済モデルを生成してもよい。

また、上記の実施形態では、処理によって、対象物ＴＧの表面形状を略フラットにする例について示したが、本発明はこれに限らない。処理によって、対象物ＴＧの表面形状を、例えば凸状や凹状等の所望の形状にすることもできる。

また、上記の実施形態では、基板処理装置１００が実行する処理はエッチング処理であったが、基板処理装置１００が実行する処理はエッチング処理に限定されない。例えば、処理は、成膜処理であってもよい。

本発明は、基板を処理する分野に有用である。

８ ：測定部（取得部）
４１ ：第１ノズル（ノズル）
１００ ：基板処理装置
１０２ ：制御部
１３３ ：学習済モデル
ＣＬ１～ＣＬ４ ：クラスタ
Ｗ ：基板

Claims (7)

1. 処理対象の基板に対してノズルから処理液を供給して前記処理対象の基板に処理を実行する基板処理方法であって、
   前記処理対象の基板の表面に関する処理前表面情報を取得する工程と、
   前記処理前表面情報に基づいて、複数の学習済モデルから１つの学習済モデルを選定する工程と、
   前記処理前表面情報と選定した前記学習済モデルとに基づいて得られる速度条件で、前記処理対象の基板を処理する工程と
   を含み、
   前記学習済モデルは、前記処理前表面情報が入力されることにより、前記ノズルと前記基板との相対的な移動速度である前記速度条件を出力する、基板処理方法。
2. 前記複数の学習済モデルは、複数の学習対象の基板を複数の速度条件でそれぞれ処理した際の処理量に関する処理量情報を、複数のクラスタにクラスタリングし、各クラスタの前記速度条件及び前記処理量情報を用いて機械学習させることによって得られた複数のモデルである、請求項１に記載の基板処理方法。
3. 前記複数のクラスタから、前記学習対象の基板の数が所定数以上のクラスタを選定し、選定した前記クラスタの前記速度条件及び前記処理量情報を用いて機械学習させることによって、前記複数の学習済モデルが得られる、請求項２に記載の基板処理方法。
4. 前記各クラスタにおいて他の処理量情報との相関が所定条件以上に高い処理量情報を選定し、選定した前記処理量情報を用いて機械学習させることによって、前記学習済モデルが得られる、請求項２又は請求項３に記載の基板処理方法。
5. 前記１つの学習済モデルを選定する工程において、
   前記処理前表面情報に基づいて、前記処理対象の基板を処理する処理量の目標値を導出し、
   前記複数の学習済モデルから、前記処理量の目標値との相関が所定条件以上に高い１つのクラスタの前記処理量情報を用いて得られた前記１つの学習済モデルを選定する、請求項２から請求項４のいずれか１項に記載の基板処理方法。
6. 前記処理前表面情報は、前記処理対象の基板の厚みの分布を示す情報を含む、請求項１から請求項５のいずれか１項に記載の基板処理方法。
7. 処理対象の基板に対して処理液を供給して前記基板に処理を実行する基板処理装置であって、
   前記基板に対して前記処理液を供給するノズルと、
   前記処理対象の基板の表面に関する処理前表面情報を取得する取得部と、
   制御部と
   を備え、
   前記制御部は、
   前記処理前表面情報に基づいて、複数の学習済モデルから１つの学習済モデルを選定し、
   前記処理前表面情報と選定した前記学習済モデルとに基づいて得られる速度条件で、前記処理対象の基板を処理し、
   前記学習済モデルは、前記処理前表面情報が入力されることにより、前記ノズルと前記基板との相対的な移動速度である前記速度条件を出力する、基板処理装置。

Images