JP2023024330A - ＳｉＣ結晶製造装置、ＳｉＣ結晶製造装置の制御装置、および、ＳｉＣ結晶製造装置用の学習モデルの生成方法とＳｉＣ結晶製造装置の制御方法 - Google Patents

Abstract

【課題】本明細書は、ＳｉＣ結晶の製造に関する従来よりも優れた技術を提案する。【解決手段】ＳｉＣ結晶製造装置の制御装置は、ＳｉＣ結晶製造装置に備えられた第１センサの計測値からＳｉＣ結晶を製造する際に観測不可な第２物理量の推定値を出力する学習モデルを有する。制御装置は、ＳｉＣ結晶を製造する際に学習モデルが出力した推定値と第２物理量の目標値の差が小さくなるようにアクチュエータを制御する。制御装置は、ＳｉＣ結晶製造装置の構造データに基づくシミュレーションモデルの結果を教師データとして基礎学習モデルを作成する。制御装置は、第２物理量を計測する第２センサが取り付けられたＳｉＣ結晶製造装置でＳｉＣ結晶は製造できないが第２物理量が観測可能となる条件でアクチュエータを駆動したときの第１センサと第２センサの計測値を取得し、計測値を用いて基礎学習モデルの出力を修正する学習モデルを生成する。【選択図】図７

Description

本明細書が開示する技術は、ＳｉＣ結晶製造装置、ＳｉＣ結晶製造装置の制御装置、および、ＳｉＣ結晶製造装置用の学習モデルの生成方法とＳｉＣ結晶製造装置の制御方法に関する。ＳｉＣとは、シリコンカーバイトの略である。

ＳｉＣ結晶を製造する際、結晶が成長するチャンバ内（特に結晶成長面）は非常に高温（結晶成長面では２０００度以上）にする必要があり非透明の断熱材でチャンバ内壁を覆う必要があり、また結晶成長箇所に原料を供給する経路との位置的な干渉のため、チャンバ内の結晶成長面等にセンサを設置して結晶製造時の状態を計測することができない。特許文献１には、事前に理論式のみによるシミュレーション結果のみを教師データとして機械学習で生成した予測モデルを用いてマニュアルによる装置への指示信号のみを入力値としてチャンバ内の理論的な予測の状態を映像表示する技術が開示されている。特許文献１の技術は、半導体結晶製造装置から出力される第１状態を機械学習済みの予測モデルに入力する。予測モデルから出力される第２状態に基づいて生成した映像を製造装置の外部に表示する。第１状態とは、製造装置の内部の状態のうちセンサ等により直接測定できる物理量のことをいう。第１状態は、例えば、製造装置の部品の位置、測定箇所における温度または圧力等を含む。第２状態とは、製造装置の内部の状態のうちセンサ等により直接測定することが非常に困難な物理量のことをいう。第２状態は、例えば、製造装置の内部の特定領域内の各点の温度、原料濃度、流速およびその方向を示すベクトル等を含む。製造装置の作業者は、映像を見て、製造装置の内部の第２状態を把握することができる。

特許文献１によれば、予測モデルは機械学習で得る。教師データには、解析的なシミュレーションモデルを使って製造装置の複数の状態についてシミュレーションした結果を用いる。シミュレーションモデルは、製造装置のＣＡＤデータから作成した三次元モデル、反応に用いる材料の物性データなどから作られる。

特許文献２には、プラズマ処理装置の各種センサのデータを教師データとして機械学習に用いることが開示されている。

特開２０１８－１６９８１８号公報 特開２０２０－１８１９５９号公報

特許文献１の技術によると、予測モデルを作成するための教師データはシミュレーションで得る。しかし、シミュレーションでは、現実の半導体結晶製造装置の正確な特性が反映されていない可能性や、半導体結晶製造装置の経時変化が反映されていない可能性がある。すなわち、シミュレーションによる教師データで作られた予測モデルでは現実の炉内の状態の予測精度が十分でない可能性がある。一方、特許文献２では、センサのデータを教師データとして用いる。しかし、精度の高い学習モデルを作るには膨大な教師データが必要であるが、実験によって多くの教師データを得るには経済的にも時間的にもコストが嵩む。

また、半導体結晶の中でも特にＳｉＣ結晶を製造するには２０００度以上の高温環境が必要になる。そのため、被加熱部位（チャンバの内部空間）は非透明の断熱材で覆うことが必要であり、例えば成長に最も重要である結晶成長箇所（サセプタ周辺）の温度測定をパイロメータ等で測定することが不可能である。また結晶成長箇所の温度を測定するためにセンサを設置すると実際の結晶成長プロセス中は原料供給経路とセンサが干渉するためこの理由でも実際の結晶成長プロセス中のチャンバ内の状態を直接に観測は困難である。

また、直接観測できない箇所の推定には従来はＦＥＭなどの手法を用いたシミュレーションが使われていた。しかし、シミュレーションは一般的に数十時間以上の計算時間を要するため、時々刻々と変化するチャンバ状態の測定値（温度、流速、圧力、等）を入力値としてシミュレーションを実施しても、シミュレーション結果が得られるのは、結晶成長へのフィードバック制御に必要な時間スケール（１００ミリ秒から１秒程のオーダ）よりも長くなる。それゆえ、成長プロセス中のシミュレーションによる推定は困難である。

さらに、シミュレーションで用いる物性値は、文献に記載された値など、所定の理想条件下での値であり、経時変化も含め、実際の成長プロセス中の製造装置内の部材や状態を正確には反映していない。シミュレーションデータを教師データとして得た機械学習では実際の成長プロセスに対し十分正確な推定が実現できない。実際の成長に用いる製造装置で得た測定データを用いてシミュレーションデータを教師データとして得た機械学習のモデルをファインチューニングする必要がある。

本明細書は、ＳｉＣ結晶の製造に関する従来には無い新しい技術を提案する。具体的には、結晶製造時には観測できない物理量を正確に予測できる学習モデルを生成する方法と、そのような学習モデルを用いて高品質のＳｉＣ結晶を製造することができる製造装置、および、制御装置（ＳｉＣ結晶製造装置の制御装置）を提供する。なお、特許文献１では「予測モデル」という用語を用いているが、本明細書では、機械学習によって得られるモデルを「学習モデル」と称する。また、説明の便宜上、「ＳｉＣ結晶製造装置」を単純に「結晶製造装置」と称する場合がある。

本明細書が開示する一つの技術は、ＳｉＣ結晶製造装置を提供する。ＳｉＣ結晶製造装置は、チャンバ、アクチュエータ、第１センサ、制御装置を備える。チャンバ内にて、原料（例えばシリコン含有ガスや、炭素含有ガス）からＳｉＣ結晶が生成される。チャンバは、反応炉と呼び変えてもよい。アクチュエータは、チャンバ内の温度や、原料の流量／流速／濃度などを制御する。第１センサは、チャンバ内、あるいはチャンバ外にて、ＳｉＣ結晶を製造する際に観測可能な第１物理量を計測する。

制御装置は、第１センサの計測値からＳｉＣ結晶を製造する際に観測不可な第２物理量の推定値を出力する学習モデルを有している。制御装置は、ＳｉＣ結晶を製造する際に学習モデルが出力した推定値と第２物理量の目標値の差が小さくなるようにアクチュエータをフィードバック制御する。

制御装置は、基礎モデル生成モジュール、実験結果取得モジュール、相関データ取得モジュール、相関決定モジュール、モデル修正モジュールを備える。基礎モデル生成モジュールは、ＳｉＣ結晶製造装置の構造データに基づくシミュレーションモデルを使って作成された第１物理量と第２物理量の組の複数のシミュレーション結果（第１シミュレーション結果）を教師データとして機械学習によって基礎学習モデルを作成する。実験結果取得モジュールは、第１センサと第２物理量を計測する第２センサが取り付けられたＳｉＣ結晶製造装置でＳｉＣ結晶は製造できないが第２物理量が観測可能となる条件でアクチュエータを駆動したときの第１センサの計測値（第１センサ計測値）と第２センサの計測値（第２センサ計測値）の組の複数の実験結果を取得する。相関データ取得モジュールは、前述したシミュレーションモデルを使って第１物理量が第１センサ計測値に一致するときの第２物理量のシミュレーション結果（第２シミュレーション結果）を得る。相関決定モジュールは、第２シミュレーション結果と第２センサ計測値の間の相関を決定する。モデル修正モジュールは、基礎学習モデルの出力を前述した相関で補正した結果を推定値（第２物理量の推定値）として出力する学習モデルを生成する。

本明細書は、ＳｉＣ結晶製造装置でＳｉＣ結晶を製造する際に観測可能な第１物理量から観測不可な第２物理量の推定値を得る学習モデルを生成する方法も提供する。その方法は、基礎モデル生成工程、実験結果取得工程、相関データ取得工程、相関決定工程、モデル修正工程を備える。

基礎モデル生成工程では、ＳｉＣ結晶製造装置の構造データに基づくシミュレーションモデルを使って作成された第１物理量と第２物理量の組の複数のシミュレーション結果（第１シミュレーション結果）を教師データとして機械学習によって基礎学習モデルを作成する。実験結果取得工程では、第１物理量を計測する第１センサと第２物理量を計測する第２センサが取り付けられたＳｉＣ結晶製造装置でＳｉＣ結晶は製造できないが第２物理量が観測可能となる条件でＳｉＣ結晶製造装置のアクチュエータを駆動したときの第１センサの計測値（第１センサ計測値）と第２センサの計測値（第２センサ計測値）の組の複数の実験結果を取得する。

相関データ取得工程では、シミュレーションモデルを使って第１物理量が第１センサ計測値に一致するときの第２物理量のシミュレーション結果（第２シミュレーション結果）を得る。相関決定工程では、第２シミュレーション結果と第２センサ計測値の間の相関を決定する。モデル修正工程では、基礎学習モデルの出力を前述した相関で補正した結果を推定値（第２物理量の推定値）として出力する学習モデルを生成する。

さらに、本明細書が開示する技術は、第２物理量を正確に予測できる学習モデルを用いて結晶製造装置をフィードバック制御することができる。機械学習による学習モデルは複雑な演算を要しないため入力から出力（第２物理量の推定値）を得るまで数［ｍｓｅｃ］～１［ｓｅｃ］程度の時間しかかからない。それゆえ、学習モデルはリアルタイムのフィードバック制御に利用することができる。

特に、本明細書が開示する技術は、ＳｉＣ結晶の製造時に用いる第１センサを、基礎学習モデルの出力を補正するためのデータ（第１および第２計測値）を得る実験にも用いる。このため、実験結果から得られた相関でＳｉＣ結晶製造時に用いる学習モデルを修正することで、精度の高い推定値（第２物理量の推定値）が得られる。さらに、そのような学習モデルを用いた制御装置は、第２物理量の目標値と推定値との偏差が小さくなるようにＳｉＣ結晶製造装置のアクチュエータを制御する。この制御装置は、あたかも第２物理量をフィードックするように動作する。

制御装置は、ＳｉＣ結晶を製造する際には観測し得ない第２物理量を目標値に近づけることができる。「第２物理量」の例は、サセプタの表面温度である。サセプタの表面温度は、ＳｉＣ結晶の品質に影響する重要なファクタである。サセプタの表面温度を目標値に近づけることができれば、良質なＳｉＣ結晶を得ることができる。なお、サセプタは、結晶を成長させる際の基板を支持する支持板である。

本明細書が開示する技術の詳細とさらなる改良は以下の「発明を実施するための形態」にて説明する。

ＳｉＣ結晶製造装置の断面図である。 ＳｉＣ結晶製造装置の模式図である。 基礎学習モデルを説明するための模式図である。 第２シミュレーション結果Ｔｅと実験結果（センサの計測値Ｔｓ）の関係を示すグラフである。 学習モデルの構造を説明するための模式図である。 メイン制御モジュールのブロック図である。 学習モデル生成方法のフローチャートである。

（第１実施例）図面を参照してＳｉＣ結晶製造装置１０を説明する。以下では、説明を簡単にするため、ＳｉＣ結晶製造装置１０を単に結晶製造装置１０と称する。ＳｉＣ結晶製造装置１０は、ＳｉＣ（シリコンカーバイト）の単結晶を製造する装置である。図１に、結晶製造装置１０の断面図を示す。

結晶製造装置１０は、チャンバ１２、ヒータ２２、サセプタ１３、回転装置１４、ガス供給装置２３を備える。これらの部品は筐体１１に収容されている。チャンバ１２は、高温の原料ガスを反応させてＳｉＣの単結晶を成長させる（製造する）反応炉である。ＳｉＣは、２０００度以上の高温で成長するため、図示は省略しているが、チャンバ１２の内壁は非透明の断熱材で覆われている。あるいは、チャンバ１２そのものが非透明の断熱材で作られている。

ガス供給装置２３は、シリコン含有の第１原料ガスと炭素含有の第２原料ガスを生成し、チャンバ１２の底に設けられた孔を通じてそれらの原料ガスをチャンバ１２へ供給する。なお、ガス供給装置２３は、原料ガスを所定の準備温度まで温める。

チャンバ１２の外周には炉内の原料ガスを加熱するヒータ２２が備えられている。ヒータ２２は高周波コイル２２ａと高周波発生装置２２ｂで構成される。ヒータ２２は、チャンバ１２の内部の原料ガスを２０００℃以上に熱する。２０００℃以上の高温になった原料ガスは、サセプタ１３の表面１３ａで結晶化する。サセプタ１３は、ＳｉＣ結晶を成長させる際の基板を支持する支持板である。サセプタ１３の表面１３ａは、結晶成長面に相当する。サセプタ１３は、回転装置２１に支持されている。回転装置２１は、サセプタ１３を回転させる。回転装置２１は、サセプタ１３を上下方向に移動させることもできる。

チャンバ１２の上方には、冷却器２４が備えられている。冷却器２４は、冷媒を循環させる循環器２４ａと、冷媒が流れる冷却管２４ｂを有している。冷却器２４は、チャンバ１２から排出された原料ガスの残ガスを冷却する。

ガス供給装置２３、ヒータ２２、回転装置２１、冷却器２４は、制御装置３０により制御される。ガス供給装置２３、ヒータ２２、回転装置２１、冷却器２４は、ＳｉＣ結晶を製造するための（結晶製造装置１０を運転するための）アクチュエータであり、以下では便宜上、それらをアクチュエータ２０と総称することがある。アクチュエータ２０は、以下に例示する製造条件を制御する。製造条件は、チャンバ内の温度、圧力、ガス供給装置２３から供給される原料ガスの流量／流速／ガス濃度／ガス温度／ガス圧力／ガス流入位置、コイル２２ａに流れる電流・制御電圧・周波数、コイル２２ａの上下方向位置・移動速度、サセプタ１３の上下方向位置・移動速度や回転速度、チャンバ外壁温、冷却水量、冷却水温、冷却水圧、排気圧力／流量／温度、である。

図１の太矢印線は、結晶を成長させるときの反応ガスの流れを示している。先に述べたように、サセプタ１３の表面１３ａに到達した原料ガスは２０００度を超える高温になる。

結晶製造装置１０には複数のセンサ１７ａ－１７ｅが配置されている。センサ１７ａは、チャンバ１２の外壁の温度を計測するセンサである。センサ１７ｂは、ヒータ２２の温度（または高周波コイル２２ａに流れる電流）を計測するセンサである。センサ１７ｃは、チャンバ１２に供給される原料ガスの温度／圧力／流量／流速／濃度を計測するセンサである。センサ１７ｄは、チャンバ１２から排出された残ガスの温度／圧力／流量／流速／濃度を計測するセンサである。センサ１７ｅは、冷却器２４の温度を計測するセンサである。これらのセンサ１７ａ－１７ｅは、ＳｉＣ結晶を製造する際にチャンバ１２の状態や原料ガスの状態を知るためのセンサである。以下では、これらのセンサ１７ａ－１７ｅを、第１センサ１７と総称する。第１センサ１７は、ＳｉＣ結晶を製造する際に機能するセンサである。すなわち、第１センサ１７が計測する物理量（温度や流速など）は、ＳｉＣ結晶を製造する際に観測可能な第１物理量に相当する。第１センサ１７は、結晶成長時にもセンサの耐熱温度を超えない場所に配置されている。第１センサ１７には、アクチュエータ２０の出力を計測するセンサも含まれる。アクチュエータ２０が目標値に追従するように動作する場合には、目標値がアクチュエータ２０の出力の近似値となるため、目標値も疑似的に第１センサの計測値とみなしてよい。結晶製造装置１０は、他にも多種多数の第１センサを有するが、それらの図示は省略した。

第１センサ１７の計測値は制御装置３０へ送られる。制御装置３０は、第１センサ１７の計測値に基づいて、アクチュエータ２０（回転装置２１、ヒータ２２、ガス供給装置２３、冷却器２４）を制御する。制御装置３０は、それぞれのアクチュエータ２０の目標値を決定し、各アクチュエータ２０の出力が目標値に追従するようにアクチュエータ２０を制御する。例えば、回転装置２１の目標値と出力は、サセプタ１３の回転速度であり、制御装置３０は、回転装置２１の実際の回転速度が目標回転速度に追従するように回転装置２１を制御する。ガス供給装置２３の目標値は原料ガスの温度／圧力／流速／流量／濃度であり、制御装置３０は、ガス供給装置２３が生成する原料ガスの温度／圧力／流速／流量／濃度が、それぞれ、目標温度／目標圧力／目標流速／目標流量／目標濃度に追従するようにガス供給装置２３を制御する。

制御装置３０がアクチュエータ２０を制御することで、サセプタ１３の表面１３ａにＳｉＣの単結晶ＳＣが成長していく。すなわち、結晶製造装置１０でＳｉＣ結晶が製造される。良質な結晶を作るには、チャンバ１２の内部の温度と圧力、特に、サセプタ１３の表面１３ａ（結晶成長面）の温度が重要である。特にサセプタ１３の表面１３ａの中央の温度が重要である。別言すれば、チャンバ１２の内部各所の温度と圧力、および、サセプタ１３の表面１３ａの温度（表面中央の温度）を目標値に一致させることができれば、良質な単結晶を得ることができる。便宜上、以下では、サセプタ１３の表面１３ａの温度（表面１３ａの中央の温度）を単純に表面温度と称する。

しかし、ＳｉＣ結晶を製造するときのチャンバ１２の内部温度（特に表面温度）は２０００度を超える。ＳｉＣ結晶を製造する際にはチャンバ１２の内部はセンサの耐熱温度を超えるため、センサを配置することはできない。あるいは、原料ガスの流路にセンサを置くと原料ガスの流れが阻害されるため、原料ガスの流路にもセンサを配置することはできない。ただし、ＳｉＣ結晶は製造できないが、チャンバ１２の内部の温度がセンサ耐熱温度を下回るように結晶製造装置１０を運転することは可能である。チャンバ１２の内部の温度がセンサ耐熱温度を下回るように結晶製造装置１０を運転する場合には、チャンバ１２の内部の温度／圧力（特に表面温度）を計測することは可能である。ＳｉＣ結晶を製造する際には計測不可である物理量（チャンバ１２の内部の温度／圧力、サセプタ表面における原料ガスの流量／流速など）を第２物理量と称する。第２物理量は、ＳｉＣ結晶は製造できないが、チャンバ１２の内部温度がセンサ耐熱温度を下回るようにアクチュエータ２０を制御する場合には計測可能である。第２物理量は、製造するＳｉＣ結晶の品質に深く関わる。第２物理量を目標値に追従させることができれば良質なＳｉＣ結晶を製造することができる。

詳しくは後述するが、結晶製造装置１０は、チャンバ１２の内部温度がセンサ耐熱温度を下回るようにアクチュエータ２０を制御し、そのときの第２物理量を計測することができるように、チャンバ１２の内部にセンサ固定部１８ａ－１８ｄを備えている。センサ固定部１８ａは、サセプタ１３の表面に設けられている。センサ固定部１８ｂは、チャンバ１２の内側の側面に設けられている。センサ固定部１８ｃは、チャンバ１２の内側の底面に設けられている。センサ固定部１８ｄは、チャンバ１２の底の原料ガス供給路に設けられている。センサ固定部１８ａ－１８ｄにセンサ（温度や圧力を計測するセンサ）を配置し、センサ耐熱温度を超えない条件でアクチュエータ２０を制御することで、チャンバ１２の内部の各所の第２物理量（温度や圧力）を計測することができる。第２物理量を計測するセンサを第２センサ１９と総称する。第２センサ１９は、ＳｉＣ結晶を製造する際には取り付けられないので、図１では第２センサ１９を点線で描いてある。センサ固定部１８ａ－１８ｄは、一例であり、他の箇所にセンサ固定部が設けられていてもよい。

説明を理解し易くするために、結晶製造装置１０の模式図を図２に示す。図２では、複数のアクチュエータ２０は、一つの矩形で描いてある。チャンバ１２の外側、すなわち、結晶を製造する際にはセンサ耐熱温度を超えない箇所には第１センサ１７が配置されている。アクチュエータ２０の出力を検知するセンサも第１センサ１７に含まれる。

結晶を製造する際にセンサ耐熱温度を超える箇所（典型的にはサセプタ１３の表面）には、センサ固定部１８が設けられている。センサ固定部１８には、第２センサ１９が取り付け可能である。ただし、第２センサ１９は、ＳｉＣ結晶を製造する際には外されており、センサ耐熱温度を下回る条件で結晶製造装置１０のアクチュエータ２０を制御するときには取り付けられる。結晶製造装置１０は、第２センサ１９を取り付けるための取付部を有する。取付部は、例えばブラケットにより構成されている。取付部は、例えば第２センサ１９と締結されるネジ穴や、第２センサ１９と係合する係合部を有する。

結晶製造装置１０（制御装置３０）は、第１センサ１７と第２センサ１９の計測値から、第２物理量の推定値を出力する学習モデルを生成することができる。学習モデルは、結晶製造時の第２物理量（典型的には表面温度）を高い精度で推定することができる。学習モデルの生成過程において、チャンバ１２の内部がセンサ耐熱温度を下回るようにアクチュエータ２０を制御したときの計測値を用いることで、高精度の推定値を得ることのできる学習モデルが得られる。

結晶製造装置１０（制御装置３０）は、アクチュエータ２０を制御して結晶製造装置１０を運転するとともに、第１センサ１７の計測値と学習モデルを使って第２物理量の推定値を得る。制御装置３０は、第２物理量の目標値と推定値の偏差が小さくなるように、アクチュエータ２０を制御する。学習モデルは高精度の推定値を出力することができるので、良質な単結晶を製造することができる。

制御装置３０について説明する。制御装置３０は、基礎モデル生成モジュール３１、実験結果取得モジュール３２、相関データ取得モジュール３３、相関決定モジュール３４、モデル修正モジュール３５、学習モデル３６、メイン制御モジュール３７を備える。各モジュールについて説明する。

（基礎モデル生成モジュール）基礎モデル生成モジュール３１は、高精度な学習モデル３６のベースとなる基礎学習モデルを生成する。具体的には、基礎モデル生成モジュール３１は、結晶製造装置１０の構造データに基づいて作成されたシミュレーションモデルを使って第１物理量と第２物理量の組の複数のシミュレーション結果（第１シミュレーション結果）を作る。そして、基礎モデル生成モジュール３１は、第１シミュレーション結果を教師データとして機械学習によって基礎学習モデルを作成する。結晶製造装置１０の構造データとは、典型的には、結晶製造装置１０を構成する材料の物性値（熱伝導率や剛性など）である。構造データには、原料ガスの物性値（粘性、熱膨張率、沸点、融点など）も含まれる。シミュレーションモデルは、例えば、ＦＥＭ（有限要素法）を使って解析的に得ることができる。原料ガスのシミュレーションには、数値計算流体学（ＣＦＤ：Computer Fluid Dynamics）の技術も用いられる。ＦＥＭでは、結晶製造装置１０とその内部空間を多数のメッシュ点に分割し、それぞれのメッシュ点にその構造の特性（熱伝導率や原料ガスの性質など）を与えるとともに、隣り合うメッシュ点の間のエネルギ方程式（熱伝導方程式や流体運動方程式）を与える。アクチュエータ２０に相当するメッシュ点にアクチュエータ２０の動作に相当する数値を与え、上記のエネルギ方程式を解くことで、各メッシュ点の物理量（温度や圧力など）の経時変化が得られる。第１センサ１７の設置位置に対応するメッシュ点の物理量が第１物理量に相当し、第２センサ１９（センサ固定部１８）の設置位置に対応するメッシュ点の物理量が第２物理量に相当する。第２物理量の代表例は、サセプタ１３の表面温度である。

基礎モデル生成モジュール３１は、上記したシミュレーションモデルを使ってＳｉＣ結晶が製造されるときの結晶製造装置１０の状態をシミュレートする。別言すれば、結晶が製造できるようにアクチュエータ２０を制御したときの結晶製造装置１０の状態をシミュレートする。基礎モデル生成モジュール３１は、シミュレーション上の異なる時刻における第１物理量と第２物理量の組（複数の組）を第１シミュレーション結果として得る。

基礎モデル生成モジュール３１は、複数の第１シミュレーション結果を教師データとして機械学習を実行し、結晶製造装置１０の学習モデルを生成する。説明の便宜上、この工程で生成される学習モデルを基礎学習モデルと称する。１個の第１シミュレーション結果（第１物理量と第２物理量の組）が１個の教師データに相当する。機械学習には、例えばニューラルネットワークのディープラーニング法が用いられる。図３に、基礎学習モデルの模式図を示す。ニューラルネットワークの入力層は、第１シミュレーション結果の第１物理量の数と同じ数のノードを有する。図３の例では、ニューラルネットワークの出力層は１ノードである。第１シミュレーション結果に含まれる第１物理量を入力層に入力したときに、第１シミュレーション結果に含まれる第２物理量が出力層から得られるように、ニューラルネットワークの重みを学習させることで、基礎学習モデルが得られる。この例では、出力層のノードの値は、サセプタ１３の表面温度である。

得られた基礎学習モデルに新たな別の第１物理量を入力すれば、その第１物理量に対応した第２物理量（サセプタの表面温度）の推定値が得られる。しかし、基礎学習モデルでは、結晶製造装置１０の各部分の正確な物性値や経時劣化の影響が反映され難い。すなわち、基礎学習モデルの出力には、経時劣化を考慮した高い精度を期待することができない。そこで、本明細書が開示する結晶製造装置１０では、実際の結晶製造装置１０の振る舞いとシミュレーション結果との間の相関を特定し、その相関を使って基礎学習モデルの出力を補正する。

（実験結果取得モジュール）実験結果取得モジュール３２は、第１センサ１７と第２センサ１９が取り付けられた結晶製造装置１０を用い、ＳｉＣ結晶は製造できないが第２物理量が観測可能となる条件でアクチュエータ２０を駆動する。図１、図２にて破線で示した第２センサ１９が実際に結晶製造装置１０に取り付けられて実験が行われる。制御装置２０は、チャンバ１２の内部温度がセンサ耐熱温度を超えないようにアクチュエータ２０を駆動する。実験結果取得モジュール３２は、そのときの第１センサの計測値（第１センサ計測値）と第２センサの計測値（第２センサ計測値）の組の複数の実験結果を取得する。先に述べたように、第２センサ１９は、第２物理量を計測するセンサである。説明の便宜上、以下では、実験結果取得モジュール３２がデータを取得するための実験を予備実験と称する場合がある。

（相関データ取得モジュール）相関データ取得モジュール３３は、シミュレーションモデルを使って第１物理量が第１センサ計測値に一致するときの第２物理量のシミュレーション結果（第２シミュレーション結果）を得る。シミュレーションモデルは、基礎モデル生成モジュール３１が用いたモデルである。相関データ取得モジュール３３は、シミュレーションモデルを使い、予備実験と同じ条件でシミュレーションを実行し、出力（第２物理量）を得る。第１物理量が第１センサ計測値に一致するときのシミュレーション出力を第２シミュレーション結果と称する。

（相関決定モジュール）相関決定モジュール３４は、相関データ取得モジュール３３が得た第２シミュレーション結果と、予備実験で得られた第２センサ計測値（第２センサ１９の計測値）との間の相関を決定する。説明の便宜上、第２シミュレーション結果を記号Ｔｅで表し、実験結果（第２センサ計測値）を記号Ｔｓで表す。第２シミュレーション結果Ｔｅと第２センサ計測値Ｔｓの組（複数の組）をプロットしたグラフの一例を図４に示す。図４では、横軸には第２シミュレーション結果Ｔｅがとってあり、縦軸には実験結果（計測値Ｔｓ）がとってある。

第２シミュレーション結果Ｔｅと第２センサ計測値Ｔｓの組から直線回帰法で相関を求めると、［第２センサ計測値Ｔｓ］＝Ｃａ×［第２シミュレーション結果Ｔｅ］＋Ｃｂという回帰直線が得られる。ここで、Ｃａは回帰直線の傾きを表し、Ｃｂは回帰直線の切片を表す。図４はあくまでも一例であり、第２シミュレーション結果Ｔｅと実験結果（第２センサ計測値Ｔｓ）の相関は、多項式で表されるものであってもよいし、非線形関数で表されるものであってもよい。

予備実験の結果（第２センサ計測値）には、実際の結晶製造装置１０の特性（チャンバ１２の構造と材料の物性値であって経時劣化後の物性値）が反映されている。第２シミュレーション結果はシミュレーションモデルから得られたデータであり、実際の結晶製造装置１０の特性の全てが反映されてはいない。第２シミュレーション結果から第２センサ計測値への相関は、シミュレーションモデルの結果を、結晶製造装置１０の構造の正確な物性値に基づいて補正するのに役立つ。

（モデル修正モジュール）モデル修正モジュール３５は、基礎学習モデルの出力を、相関決定モジュール３４が決定した相関で補正した結果を推定値（第２物理量の推定値）として出力する学習モデル３６を生成する。図５に、最終的に得られる学習モデル３６の説明図を示す。学習モデル３６は、基礎学習モデルと、基礎学習モデルの出力に対する相関（相関決定モジュール３４で得られた相関式）で構成される。基礎学習モデルに新たな第１物理量（結晶を製造できるように調整された第１物理量）を入力すると、出力（第２シミュレーション結果Ｔｅ）が得られる。第２シミュレーション結果Ｔｅは、結晶製造中の第２物理量（例えばサセプタ１３の表面１３ａにおける温度）を基礎学習モデルで推定したものである。最終的な学習モデル３６は、基礎学習モデルの出力（第２シミュレーション結果Ｔｅ）を相関式（最終推定値Ｔｘ＝Ｃａ×Ｔｅ＋Ｃｂ）で補正する。学習モデル３６は、相関式で補正された推定値（最終推定値Ｔｘ）を出力する。

先に述べたように、学習モデル３６には、実際の結晶製造装置１０を使った予備実験の結果が反映される。すなわち、学習モデル３６には、結晶製造装置１０の各部の正確な物性値や経時劣化の影響が反映される。

実施例の結晶製造装置１０の利点（特に、学習モデル３６の生成技法の利点）を説明する。一般に、機械学習で学習モデルを生成するには膨大な教師データが必要である。結晶製造装置１０では、結晶製造装置１０の解析的なシミュレーションモデルを使ったシミュレーションにより教師データを得る。コンピュータを用いたシミュレーションであるので、バッチ処理などにより、多数の教師データを自動的に得ることができる。

実験結果を教師データとして学習モデルを生成する場合、多数の教師データを得るには多数回の実験を行わねばならず、経済的にも時間的にもコストが嵩む。本明細書が開示する結晶製造装置１０は、基礎学習モデルの生成にはシミュレーション結果を用い、実験結果（予備実験の結果）は基礎学習モデルのファインチューニングに用いる。実験結果はファインチューニングに用いるだけであるので、学習モデル用の教師データを生成する場合に比べてサンプル数は少なくてよい。実施例の結晶製造装置１０（学習モデルの生成方法）は、炉内の状態を正確に予測できる学習モデル（結晶製造装置１０の修正学習モデル）を従来よりも短時間で生成することができる。

結晶製造装置１０は、結晶製造の際に用いる第１センサ１７を、基礎学習モデルの出力を補正するデータ（実験結果取得モジュール３２が取得する実験結果）を得る際にも利用する。実際に結晶を製造する際に用いる第１センサ１７を、補正用のデータを取得する際にも用いるので、前述した相関は精度が高くなる。

基礎モデル生成モジュール３１、実験結果取得モジュール３２、相関データ取得モジュール３３、相関決定モジュール３４、モデル修正モジュール３５により、実際の結晶製造装置１０の特性が反映された精度の高い学習モデル（第１物理量から第２物理量の推定値を得るモデル）が得られる。

メイン制御モジュール３７は、実際にＳｉＣ結晶を製造する際に、第１センサ１７の計測値に基づいてアクチュエータ２０をフィードバック制御する。メイン制御モジュール３７について説明する。図６に、メイン制御モジュール３７のブロック図を示す。図６では、結晶製造装置１０を一つの矩形で簡略化して描いてある。

メイン制御モジュール３７は、指令生成部３８、差分器３９を備える。メイン制御モジュール３７は、第２物理量（例えばサセプタ１３の表面温度）が所定の目標値に追従するように、結晶製造装置１０のアクチュエータ２０を制御する。先に述べたように、目標値は、ＳｉＣ結晶の成長に最適な値に予め設定されている。

指令生成部３８は、第２物理量の目標値に基づいてアクチュエータ２０への指令値を生成する。なお、チャンバ１２の内部温度が所定の初期温度に到達するまでは、図６のブロックは作動せず、予め決められたシーケンスでアクチュエータ２０が制御される。チャンバ１２の内部温度が初期温度に達したら、図６のブロックが機能し、第２物理量が目標値に追従するように、アクチュエータ２０が制御される。

結晶製造装置１０には、第１センサ１７が備えられており、第１センサ１７の計測値は学習モデル３６に入力される。学習モデル３６は、第１センサ１７の計測値に対応した推定値（第２物理量の推定値）を出力する。

指令生成部３８には、目標値がダイレクトに入力されるとともに、目標値と推定値の偏差が入力される。目標値と推定値の偏差は差分器３９で生成される。指令生成部３８には、フィードフォワードとフィードバックを組み合わせた制御ルールが実装されている。指令生成部３８は、目標値に対して第１制御ルールを適用し、フィードフォワード指令を生成する。同時に、指令生成部３８は、目標値と推定値の偏差に対して第２制御ルールを適用し、フィードバック指令を生成する。最終的な指令は、フィードフォワード指令とフィードバック指令の合算値となる。第１制御ルールと第２制御ルールは、例えばＰＩＤ（比例－積分－微分）制御ルール、ＰＩ（比例－積分）制御ルール、ＰＤ（比例－微分）制御ルールなど、よく知られた制御ルールでよい。

指令生成部３８は、生成した指令をアクチュエータ２０に与えて結晶製造装置１０をフィードバック制御により駆動する。指令値に従ってアクチュエータ２０が動作すると、第１センサ１７の計測値が変化する。第１センサ１７の計測値は学習モデル３６に入力されるので、学習モデル３６が出力する推定値（第２物理量の推定値）も変化する。目標値と推定値の偏差が変化するが、メイン制御モジュール３７は、目標値と推定値の偏差が小さくなるように結晶製造装置１０のアクチュエータ２０を制御する。装置からセンサ計測値を受信しアクチュエータ制御に要する時間は力学モデルの入出力に要する時間（数［ｍｓｅｃ］～１［ｓｅｃ］）程度の時間である。

先に述べたように、第１物理量には、アクチュエータ２０の出力が含まれる場合がある。アクチュエータ２０への指令値は、アクチュエータ２０の出力の近似値に相当する。それゆえ、第１物理量にアクチュエータ２０の出力が含まる場合には、アクチュエータ２０への指令値が、第１物理量の一部として学習モデル３６に入力される場合がある。図６の点線矢印線が、アクチュエータ２０への指令値が学習モデル３６に入力されるケースを表している。

要約すると、メイン制御モジュール３７は、次の処理を実行する。メイン制御モジュール３７は、学習モデル３６を利用する。学習モデル３６は、第１センサ１７の計測値からＳｉＣ結晶を製造する際に観測不可な第２物理量の推定値を出力する。メイン制御モジュール３７は、ＳｉＣ結晶を製造する際に学習モデル３６が出力した推定値と第２物理量の目標値の偏差が小さくなるようにアクチュエータ２０を制御する。結晶成長に深く関わる第２物理量（その推定値）を目標値に近づけることができるので、良質なＳｉＣ結晶を製造することができる。

学習モデル３６を備える制御装置３０の利点を述べる。学習モデル３６は、機械学習による基礎学習モデルと相関で構成される。基礎学習モデルは機械学習に基づくモデルであり、複雑な方程式を解く必要がないので、高速に結果が得られる。相関は、実験結果（計測値）とこれに対応するシミュレーション出力（第２出力）の間の関係を表す関係式である。相関は、回帰直線、あるいは、近似多項式などの関係式で表され、高速演算が可能である。すなわち、学習モデル３６を使うと第２物理量の推定値が高速に得られる。

また、基礎学習モデルの出力は、実際の結晶製造装置１０を用いた予備実験結果に基づく相関により補正される。補正によって、推定値の精度が高まる。学習モデル３６を用いることで、結晶製造時には観測不可である第２物理量の正確な推定値を高速に得ることができる。それゆえ、学習モデル３６を用いた制御装置３０は、フィードバック制御に適している。学習モデル３６を用いたフィードバック制御を実行する制御装置３０で結晶製造装置１０のアクチュエータ２０を制御することにより、良質なＳｉＣ結晶を得ることができる。

なお、学習モデル３６の出力は、第２物理量の推定値であって、計測値ではない。計測値のかわりに推定値を用いたフィードバック制御は、疑似フィードバック制御と称してもよい。

実施例の制御装置３０は、それ単体でも効果を奏する。すなわち、本明細書は、新規な結晶製造装置１０と、結晶製造装置を制御する新規な制御装置３０を提供する。

（第２実施例）本明細書は、ＳｉＣ結晶製造装置の制御に適した学習モデルの生成方法も提供する。この方法は、ＳｉＣ結晶製造装置でＳｉＣ結晶を製造する際に観測可能な第１物理量から観測不可な第２物理量の推定値を得る学習モデルを生成する。図７に、学習モデル生成方法のフローチャートを示す。この方法は、基礎モデル生成工程（ステップＳ２）、実験結果取得工程（ステップＳ３）、相関データ取得工程（ステップＳ４）、相関決定工程（ステップＳ５）、モデル修正工程（ステップＳ６）を備える。

基礎モデル生成工程（ステップＳ２）は、ＳｉＣ結晶製造装置の構造データに基づくシミュレーションモデルを使って作成された第１物理量と第２物理量の組の複数のシミュレーション結果（第１シミュレーション結果）を教師データとして機械学習によって基礎学習モデルを作成する。基礎モデル生成工程の詳細は、先に説明した基礎モデル生成モジュール３１の処理と同じである。

実験結果取得工程（ステップＳ３）は、第１物理量を計測する第１センサと第２物理量を計測する第２センサが取り付けられたＳｉＣ結晶製造装置を用い、ＳｉＣ結晶は製造できないが第２物理量が観測可能となる条件でＳｉＣ結晶製造装置のアクチュエータを駆動する。この実験を予備実験と称する。実験結果取得工程は、予備実験における第１センサの計測値（第１センサ計測値）と第２センサの計測値（第２センサ計測値）の組の複数の実験結果を取得する。実験結果取得工程の詳細は、先に説明した実験結果取得モジュール３２の処理と同じである。

相関データ取得工程（ステップＳ４）では、シミュレーションモデルを使って第１物理量が第１センサ計測値に一致するときの第２物理量のシミュレーション結果（第２シミュレーション結果）を得る。相関データ取得工程の詳細は、先に説明した相関データ取得モジュール３３の処理と同じである。相関決定工程（ステップＳ５）では、第２シミュレーション結果と第２センサ計測値の間の相関を決定する。相関決定工程の詳細は、先に説明した相関決定モジュール３４の処理と同じである。

モデル修正工程（ステップＳ６）では、基礎学習モデルの出力を前述した相関で補正した結果を推定値として出力する学習モデル３６を生成する。モデル修正工程の詳細は、先に説明したモデル修正モジュール３５の処理と同じである。

本明細書は、上記した生成方法で得られた学習モデル３６を用いた制御方法も提供する。その方法は、まず、ＳｉＣ結晶を製造する条件で運転している結晶製造装置１０から第１センサの計測値を取得する。次いで、第１センサの計測値を学習モデルに入力して第２物理量の推定値を取得する。そして、第２物理量の目標値と推定値との偏差が小さくなるようにＳｉＣ結晶製造装置を制御する。この制御方法によれば、良質なＳｉＣ結晶を製造することができる。

次に、学習モデル生成方法の典型的な一例を説明する。以下で説明する生成方法は、一例であって、本明細書が開示する技術は以下の例に限定されるものではない。

学習モデルは、ＳｉＣ結晶製造装置でＳｉＣ結晶を製造する際に観測可能な第１物理量からセンサ耐熱温度を超える所定位置における第２物理量の推定値を出力する。この方法は、基礎学習モデル生成工程、実験結果取得工程、相関データ取得工程、相関決定工程、モデル修正工程を備える。以下では、説明の便宜上、ＳｉＣ結晶を製造する際にセンサ耐熱温度を超える所定位置を着目位置と称する。着目位置の典型は、サセプタ表面であり、第２物理量の典型は、温度（あるいは圧力）である。

基礎学習モデル生成工程では、ＳｉＣ結晶製造装置の構造データに基づくシミュレーションモデルを用いてＳｉＣ結晶を製造するときの条件でシミュレーションを行い、第１物理量と第２物理量の組の複数のシミュレーション結果（第１シミュレーション結果）を得る。次いで、複数の第１シミュレーション結果を教師データとして機械学習させた基礎学習モデルを生成する。基礎学習モデルは、第１物理量を入力すると第２物理量の推定値を出力する。

実験結果取得工程では、第２物理量を計測する補助センサ（前述した第２センサ１９に相当）を着目位置に取り付け、ＳｉＣ結晶は製造できないが着目位置の温度がセンサ耐熱温度を下回るようにＳｉＣ結晶製造装置を運転し、補助センサの計測値（補助センサ計測値）を取得する。ＳｉＣ結晶は製造できないが着目位置の温度がセンサ耐熱温度を下回るようにＳｉＣ結晶製造装置を運転することを予備実験と称する。

相関データ取得工程では、シミュレーションモデルを用いて予備実験と同じ条件でシミュレーションを行い、予備実験で得られた補助センサ計測値に対応する第２シミュレーション結果を得る。第２シミュレーション結果は、着目位置における第２物理量の推定値（後述する補正を行う前の推定値）に相当する。相関決定工程では、第２シミュレーション結果と補助センサ計測値の間の相関を決定する。この相関の例は、前述した回帰直線である。モデル修正工程では、ＳｉＣ結晶を製造する条件で結晶製造装置を運転したときに得られる第１物理量を基礎学習モデルに入力し、そのときの基礎学習モデルの出力を前述した相関で補正した結果を推定値（第２物理量の推定値）として出力する学習モデルを生成する。

第１物理量には、ＳｉＣ結晶製造装置の複数個所の温度（または圧力）が含まれる。予備実験では、複数個所の夫々の温度（または圧力）が異なるようにＳｉＣ結晶製造装置を制御する。そのように予備実験を実施することで、ＳｉＣ結晶製造装置の各所と着目位置の間の構造特性が良く反映される。

便宜上、前述した着目位置の温度を以下では着目温度と称する。各所温度と着目温度の関係は、結晶製造装置１０の構造に依存し、着目温度が高いときも低いときも概ね同じ関係を有する。そこで、上記の実施例の生成方法は、予備実験により、センサ耐熱温度を超えないように運転した結晶製造装置１０の各所温度と着目温度を計測する。また、予備実験と同じ条件でシミュレーションを実施したときの着目温度を得る。予備実験で得た着目温度（第２センサ計測値）とシミュレーションで得た着目温度（第２シミュレーション結果）の間の関係（上記した相関）は、温度の絶対値に依存せずに概ね成立する。温度が低い場合でのシミュレーション結果と予備実験結果の相関は、温度が高い場合でも成立する。そのような相関を用いることで、結晶製造時にはセンサ耐熱温度を超える着目位置の温度を正確に推定することができるようになる。

これまでに説明した技術に関する留意点を述べる。実施例における学習モデル（基礎学習モデル、最終的な学習モデル３６）は、多入力単出力のモデルであった。本明細書が開示する技術は、多入力多出力の学習モデルを用いることもできる。すなわち、第２物理量も複数であってもよい。また、本明細書が開示する技術では、各層のノード数が異なる学習モデル（ニューラルネットワーク型の学習モデル）や他の学習アルゴリズム（例えばガウス過程回帰など）を採用してもよい。

本明細書が開示する技術では、シミュレーションで得られた教師データを使って基礎学習モデルを作成する。基礎学習モデルを得るための教師データは全てシミュレーションで得る。多くの教師データを比較的に短時間で得ることができる。一方、実際の結晶製造装置を用いた実験の結果と、実験に対応したシミュレーション結果から両者の相関を決定する。センサの計測値を得る実験は、シミュレーション結果と実験結果（実際の結晶製造装置の状態を反映した結果）との相関を得るためであるから、学習モデル用の教師データと比較して少量でよい。

第２物理量は、ＳｉＣ結晶を製造する際に観測不可な物理量を意味する。ここで、「ＳｉＣ結晶を製造する際に観測不可」とは、多大なコストをかければ観測することは可能であっても多大なコストをかけることが実用上不適切である場合を含む。

学習モデル３６を作成した後に結晶製造装置１０を長期間稼働させたら、再度、実験結果取得モジュール３２、相関データ取得モジュール３３、相関決定モジュール３４、モデル修正モジュール３５を起動してもよい。結晶製造装置１０の最新の状態に応じて学習モデル３６を更新することができる。

本明細書が開示する技術は、図１に示した結晶製造装置に限られず、他の結晶製造装置（例えば、昇華法や溶液法、ＨＴ－ＣＶＤ法、ＣＶＤ法に基づく結晶製造装置）に適用することも好適である。

以上、本発明の具体例を詳細に説明したが、これらは例示に過ぎず、特許請求の範囲を限定するものではない。特許請求の範囲に記載の技術には、以上に例示した具体例を様々に変形、変更したものが含まれる。本明細書または図面に説明した技術要素は、単独であるいは各種の組合せによって技術的有用性を発揮するものであり、出願時請求項記載の組合せに限定されるものではない。また、本明細書または図面に例示した技術は複数目的を同時に達成し得るものであり、そのうちの一つの目的を達成すること自体で技術的有用性を持つものである。

１０：ＳｉＣ結晶製造装置 １１：筐体 １２：チャンバ １３：サセプタ １４：回転装置 １７、１７ａ－１７ｅ：第１センサ １８、１８ａ－１８ｄ：センサ固定部 １９：第２センサ ２０：アクチュエータ ２１：回転装置 ２２：ヒータ ２２ａ：高周波コイル ２２ｂ：高周波発生装置 ２３：ガス供給装置 ２４：冷却器 ２４ａ：循環器 ２４ｂ：冷却管 ３０：制御装置 ３１：基礎モデル生成モジュール ３２：実験結果取得モジュール ３３：相関データ取得モジュール ３４：相関決定モジュール ３５：モデル修正モジュール ３６：学習モデル ３７：メイン制御モジュール ３８：指令生成部 ３９：差分器

Claims (16)

1. ＳｉＣ結晶製造装置であって、
   原料からＳｉＣ結晶が生成されるチャンバと、
   ＳｉＣ結晶生成の製造条件を制御するアクチュエータと、
   前記チャンバ内にて前記ＳｉＣ結晶を製造する際に観測可能な第１物理量を計測する第１センサと、
   前記第１センサの計測値から前記ＳｉＣ結晶を製造する際に観測不可な第２物理量の推定値を出力する学習モデルを有しており、前記ＳｉＣ結晶を製造する際に前記学習モデルが出力した前記推定値と前記第２物理量の目標値の差が小さくなるように前記アクチュエータをフィードバック制御する制御装置と、
   を備えており、
   前記制御装置は、
   前記ＳｉＣ結晶製造装置の構造データに基づくシミュレーションモデルを使って作成された前記第１物理量と前記第２物理量の組の複数のシミュレーション結果（第１シミュレーション結果）を教師データとして機械学習によって基礎学習モデルを作成する基礎モデル生成モジュールと、
   前記第１センサと前記第２物理量を計測する第２センサが取り付けられた前記ＳｉＣ結晶製造装置で前記ＳｉＣ結晶は製造できないが前記第２物理量が観測可能となる条件で前記アクチュエータを駆動したときの前記第１センサの計測値（第１センサ計測値）と前記第２センサの計測値（第２センサ計測値）の組の複数の実験結果を取得する実験結果取得モジュールと、
   前記シミュレーションモデルを使って前記第１物理量が前記第１センサ計測値に一致するときの前記第２物理量のシミュレーション結果（第２シミュレーション結果）を得る相関データ取得モジュールと、
   前記第２シミュレーション結果と第２センサ計測値の間の相関を決定する相関決定モジュールと、
   前記基礎学習モデルの出力を前記相関で補正した結果を前記推定値として出力する前記学習モデルを生成するモデル修正モジュールと、
   を備えている、ＳｉＣ結晶製造装置。
2. 前記第１センサは、前記ＳｉＣ結晶を製造する際に前記第１センサの耐熱温度を超えない場所に配置されており、
   前記第２センサの固定部は、前記チャンバの内部であって前記ＳｉＣ結晶を製造する際に前記第２センサの耐熱温度を超える場所に位置しており、
   前記ＳｉＣ結晶は製造できないが前記第２物理量が観測可能となる前記条件は、前記チャンバの内部が前記第２センサの耐熱温度を超えないことを含んでいる、請求項１に記載のＳｉＣ結晶製造装置。
3. 前記第２物理量は、前記チャンバ内にて前記ＳｉＣ結晶を成長させる基板を支持するサセプタの表面温度を含んでいる、請求項１または２に記載のＳｉＣ結晶製造装置。
4. 前記第１物理量は、前記チャンバの外壁の温度、前記チャンバに供給される前記原料の温度または圧力または流量または流速または濃度、前記チャンバから排出される残ガスの温度または圧力または流量または流速または濃度、のいずれかを含んでいる、請求項３に記載のＳｉＣ結晶製造装置。
5. 前記第１物理量は、前記チャンバの外壁の温度、前記チャンバに供給される前記原料の温度または圧力または流量または流速または濃度、前記チャンバから排出される残ガスの温度または圧力または流量または流速または濃度、のいずれかを含んでいる、請求項１または２に記載のＳｉＣ結晶製造装置。
6. 原料からＳｉＣ結晶が生成されるチャンバと、
   ＳｉＣ結晶生成の製造条件を制御するアクチュエータと、
   前記チャンバ内にて前記ＳｉＣ結晶を製造する際に観測可能な第１物理量を計測する第１センサと、を備えているＳｉＣ結晶製造装置を制御する制御装置であって、
   前記制御装置は、
   前記第１センサの計測値から前記ＳｉＣ結晶を製造する際に観測不可な第２物理量の推定値を出力する学習モデルを有しており、前記ＳｉＣ結晶を製造する際に前記学習モデルが出力した前記推定値と前記第２物理量の目標値の差が小さくなるように前記アクチュエータをフィードバック制御するメイン制御モジュールと、
   前記ＳｉＣ結晶製造装置の構造データに基づくシミュレーションモデルを使って作成された前記第１物理量と前記第２物理量の組の複数のシミュレーション結果（第１シミュレーション結果）を教師データとして機械学習によって基礎学習モデルを作成する基礎モデル生成モジュールと、
   前記第１センサと前記第２物理量を計測する第２センサが取り付けられた前記ＳｉＣ結晶製造装置で前記ＳｉＣ結晶は製造できないが前記第２物理量が観測可能となる条件で前記アクチュエータを駆動したときの前記第１センサの計測値（第１センサ計測値）と前記第２センサの計測値（第２センサ計測値）の組の複数の実験結果を取得する計測値取得モジュールと、
   前記シミュレーションモデルを使って前記第１物理量が前記第１センサ計測値に一致するときの前記第２物理量のシミュレーション結果（第２シミュレーション結果）を得る相関データ取得モジュールと、
   前記第２シミュレーション結果と第２センサ計測値の間の相関を決定する相関決定モジュールと、
   前記基礎学習モデルの出力を前記相関で補正した結果を前記推定値として出力する前記学習モデルを生成するモデル修正モジュールと、
   を備えている、ＳｉＣ結晶製造装置の制御装置。
7. 前記第１センサは、前記ＳｉＣ結晶を製造する際に前記第１センサの耐熱温度を超えない場所に配置されており、
   前記第２センサの固定部は、前記チャンバの内部であって前記ＳｉＣ結晶を製造する際に前記第２センサの耐熱温度を超える場所に位置しており、
   前記ＳｉＣ結晶は製造できないが前記第２物理量が観測可能となる前記条件は、前記チャンバの内部が前記第２センサの耐熱温度を超えないことを含んでいる、請求項６に記載の制御装置。
8. 前記第２物理量は、前記チャンバ内にて前記ＳｉＣ結晶を成長させる基板を支持するサセプタの表面温度を含んでいる、請求項６または７に記載の制御装置。
9. 前記第１物理量は、前記チャンバの外壁の温度、前記チャンバに供給される前記原料の温度または圧力または流量または流速または濃度、前記チャンバから排出される残ガスの温度または圧力または流量または流速または濃度、のいずれかを含んでいる、請求項８に記載の制御装置。
10. 前記第１物理量は、前記チャンバの外壁の温度、前記チャンバに供給される前記原料の温度または圧力または流量または流速または濃度、前記チャンバから排出される残ガスの温度または圧力または流量または流速または濃度、のいずれかを含んでいる、請求項６または７に記載の制御装置。
11. ＳｉＣ結晶製造装置でＳｉＣ結晶を製造する際に第１センサで観測可能な第１物理量から第２センサでは観測不可な第２物理量の推定値を得る学習モデルを生成する方法であり、
    前記ＳｉＣ結晶製造装置の構造データに基づくシミュレーションモデルを使って作成された前記第１物理量と前記第２物理量の組の複数のシミュレーション結果（第１シミュレーション結果）を教師データとして機械学習によって基礎学習モデルを作成する基礎モデル生成工程と、
    前記第１物理量を計測する前記第１センサと前記第２物理量を計測する前記第２センサが取り付けられた前記ＳｉＣ結晶製造装置で前記ＳｉＣ結晶は製造できないが前記第２物理量が観測可能となる条件で前記ＳｉＣ結晶製造装置のアクチュエータを駆動したときの前記第１センサの計測値（第１センサ計測値）と前記第２センサの計測値（第２センサ計測値）の組の複数の実験結果を取得する実験結果取得工程と、
    前記シミュレーションモデルを使って前記第１物理量が前記第１センサ計測値に一致するときの前記第２物理量のシミュレーション結果（第２シミュレーション結果）を得る相関データ取得工程と、
    前記第２シミュレーション結果と第２センサ計測値の間の相関を決定する相関決定工程と、
    前記基礎学習モデルの出力を前記相関で補正した結果を前記推定値として出力する前記学習モデルを生成するモデル修正工程と、
    を備えている、ＳｉＣ結晶製造装置用の学習モデルの生成方法。
12. 前記第１センサは、前記ＳｉＣ結晶を製造する際に前記第１センサの耐熱温度を超えない場所に配置されており、
    前記第２センサの固定部は、前記チャンバの内部であって前記ＳｉＣ結晶を製造する際に前記第２センサの耐熱温度を超える場所に位置しており、
    前記ＳｉＣ結晶は製造できないが前記第２物理量が観測可能となる前記条件は、前記チャンバの内部が前記第２センサの耐熱温度を超えないことを含んでいる、請求項１１に記載の生成方法。
13. 前記第２物理量は、前記チャンバ内にて前記ＳｉＣ結晶を成長させる基板を支持するサセプタの表面温度を含んでいる、請求項１１または１２に記載の生成方法。
14. 前記第１物理量は、前記チャンバの外壁の温度、前記チャンバに供給される前記原料の温度または圧力または流量または流速または濃度、前記チャンバから排出される残ガスの温度または圧力または流量または流速または濃度、のいずれかを含んでいる、請求項１３に記載の生成方法。
15. 前記第１物理量は、前記チャンバの外壁の温度、前記チャンバに供給される前記原料の温度または圧力または流量または流速または濃度、前記チャンバから排出される残ガスの温度または圧力または流量または流速または濃度、のいずれかを含んでいる、請求項１１または１２に記載の生成方法。
16. 請求項１１から１５のいずれかの生成方法で得られた前記学習モデルを用いた制御方法であって、
    前記ＳｉＣ結晶を製造する条件で運転している前記ＳｉＣ結晶製造装置から前記第１センサの計測値を取得し、
    前記第１センサの計測値を前記学習モデルに入力して前記推定値を取得し、
    前記第２物理量の目標値と前記推定値との差が小さくなるように前記ＳｉＣ結晶製造装置を制御する、制御方法。

Images