JP2024046993A - 支援装置、支援方法、基板処理システム、記録媒体、及び、支援プログラム - Google Patents

支援装置、支援方法、基板処理システム、記録媒体、及び、支援プログラム Download PDF

Info

Publication number
JP2024046993A
JP2024046993A JP2022152398A JP2022152398A JP2024046993A JP 2024046993 A JP2024046993 A JP 2024046993A JP 2022152398 A JP2022152398 A JP 2022152398A JP 2022152398 A JP2022152398 A JP 2022152398A JP 2024046993 A JP2024046993 A JP 2024046993A
Authority
JP
Japan
Prior art keywords
data
value
substrate processing
substrate
recommended
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
Application number
JP2022152398A
Other languages
English (en)
Inventor
崇 池内
Takashi Ikeuchi
雄大 佐野
Takehiro Sano
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Screen Holdings Co Ltd
Original Assignee
Screen Holdings Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Screen Holdings Co Ltd filed Critical Screen Holdings Co Ltd
Priority to JP2022152398A priority Critical patent/JP2024046993A/ja
Priority to KR1020230099510A priority patent/KR20240043071A/ko
Priority to US18/366,418 priority patent/US20240103462A1/en
Priority to TW112131081A priority patent/TW202429524A/zh
Priority to CN202311183995.5A priority patent/CN117763212A/zh
Publication of JP2024046993A publication Critical patent/JP2024046993A/ja
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
    • H01L21/67005—Apparatus not specifically provided for elsewhere
    • H01L21/67242—Apparatus for monitoring, sorting or marking

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Theoretical Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Power Engineering (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Computer Hardware Design (AREA)
  • Manufacturing & Machinery (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Cleaning Or Drying Semiconductors (AREA)
  • Container, Conveyance, Adherence, Positioning, Of Wafer (AREA)

Abstract

【課題】基板処理の品質を向上させる支援装置を提供する。【解決手段】支援装置（２００）は、基板処理装置（１００）のパラメータの値（Ｘ２）の調整を支援する。パラメータは、対応する物理量（Ｚ１）が検出される。支援装置（２００）の演算処理部（２０１）は、物理量（Ｚ１）に関する検出データ（Ｚ２）と、品質データ（Ｙ）とを第１機械学習モデル（Ｍ１）に学習させて予測モデル（ＰＭ）を構築する。演算処理部（２０１）は、予測モデル（ＰＭ）と、獲得関数（ＡＦ）と、探索範囲（ＳＷ）とに基づいてベイズ最適化を実行して、検出データ推奨値（Ｚ３）を取得する。演算処理部（２０１）は、パラメータの値（Ｘ２）と、検出データ（Ｚ２）とを第２機械学習モデル（Ｍ２）に学習させる。演算処理部（２０１）は、学習後の第２機械学習モデル（Ｍ２）に検出データ推奨値（Ｚ３）を入力して、パラメータ推奨値（ＲＸ１）を出力する。【選択図】図６

Description

本発明は、支援装置、支援方法、基板処理システム、記録媒体、及び、支援プログラムに関する。
基板を処理する基板処理装置が知られている。基板処理装置は、レシピ等において設定されているパラメータ（条件）に基づいて動作する。このような基板処理装置では、基板処理の結果が目標値又は許容値となるようにパラメータの設定値を調整する必要がある。一般的には、パラメータの設定値を変更しながら基板処理（実験）を繰り返し、基板処理の結果（実験結果）を確認してパラメータの設定値を調整する。このように、パラメータの設定値を調整する作業は、非常に手間がかかる作業である。
特許文献１には、加工条件導出処理を自動化する手法が開示されている。具体的には、第一ステップにおいて、仮の加工条件の下でウエハの加工を行い、仮の加工条件と実際の加工結果とを対応付けてデータベースに蓄積する。第二ステップでは、データベースに蓄積した情報を学習して（機械学習）、加工条件から推定加工結果を導出する回帰モデルを生成する。第三ステップでは、ベイズ最適化の手法により、加工条件のパラメータを変更しながら回帰モデルに繰り返し入力して（シミュレーションして）、目標とする加工結果を出力する最適な加工条件を探索する。第四ステップでは、推定加工結果と実加工結果とを比較し、加工条件の修正が必要な場合には、そのデータをデータベースに蓄積し、再度回帰モデルを生成する（アクティブラーニング）。
特開２０２１－１６６２２９号公報
しかしながら、基板処理装置の実際の動作とパラメータの設定値との間には若干のズレが生じる。したがって、パラメータの設定値と基板処理の結果との関係を学習するだけでは基板処理の品質の向上に限界がある。したがって、基板処理の品質の更なる向上のためには、パラメータ設定値の調整を支援する方法に関して更なる改良の余地がある。
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、基板処理の品質を向上させることができる支援装置、支援方法、基板処理システム、記録媒体、及び、支援プログラムを提供することにある。
本発明の一局面によれば、支援装置は、パラメータに基づいて動作して基板を処理する基板処理装置の前記パラメータの値の調整を支援する。前記パラメータは、対応する物理量が検出される検出対象パラメータを含む。当該支援装置は、第１機械学習モデルと第２機械学習モデルとを用いて前記パラメータの値の推奨値であるパラメータ推奨値を出力する演算処理部を備える。前記演算処理部は、第１訓練データを前記第１機械学習モデルに学習させて、前記基板処理の品質を予測する予測モデルを構築する。前記第１訓練データは、前記物理量に関する検出データと、前記基板処理装置による基板処理の品質に関する品質データとを含む。前記演算処理部は、前記予測モデルと、獲得関数と、探索範囲とに基づいてベイズ最適化を実行して、検出データ推奨値を取得する。前記検出データ推奨値は、前記基板処理の品質を目標品質に近づける前記検出データの推奨値である。前記演算処理部は、第２訓練データを前記第２機械学習モデルに学習させる。前記第２訓練データは、前記物理量の検出時に設定されていた前記検出対象パラメータの値と、前記検出データとを含む。前記演算処理部は、学習後の前記第２機械学習モデルに前記検出データ推奨値を入力して、前記検出データ推奨値を前記パラメータ推奨値に変換する。
ある実施形態において、前記検出データは、前記物理量を示す生データを前処理して得られる前処理後データを含む。前記演算処理部は、前記生データを前処理して前記前処理後データを生成する。前記前処理後データは、前記生データよりもデータ数が少ない。
ある実施形態において、前記前処理は、前記生データの特徴量を抽出する処理を含む。
ある実施形態において、前記前処理は、前記生データの次元を削減する処理を含む。
ある実施形態において、前記前処理は、前記生データの要約統計量を演算する処理を含む。
ある実施形態において、前記前処理は、前記生データから１つ以上の任意のデータを抽出する処理を含む。
本発明の他の局面によれば、支援方法は、パラメータに基づいて動作して基板を処理する基板処理装置の前記パラメータの値の調整を支援する。前記パラメータは、対応する物理量が検出される検出対象パラメータを含む。当該支援方法は、前記物理量に関する検出データと、前記基板処理装置による基板処理の品質に関する品質データとを含む第１訓練データを第１機械学習モデルに学習させて、前記基板処理の品質を予測する予測モデルを構築させるステップと、前記予測モデルと、獲得関数と、探索範囲とに基づいてベイズ最適化を実行して、前記基板処理の品質を目標品質に近づける前記検出データの推奨値を取得するステップと、前記物理量の検出時に設定されていた前記検出対象パラメータの値と、前記検出データとを含む第２訓練データを第２機械学習モデルに学習させるステップと、学習後の前記第２機械学習モデルに前記検出データの推奨値を入力して、前記検出データの推奨値を前記パラメータの値の推奨値に変換するステップとを含む。
ある実施形態において、前記検出データは、前記物理量を示す生データを前処理して得られる前処理後データを含む。上記支援方法は、前記生データを前処理して前記前処理後データを生成するステップを更に含む。前記前処理後データは、前記生データよりもデータ数が少ない。
ある実施形態において、前記前処理は、前記生データの特徴量を抽出する処理を含む。
ある実施形態において、前記前処理は、前記生データの次元を削減する処理を含む。
ある実施形態において、前記前処理は、前記生データの要約統計量を演算する処理を含む。
ある実施形態において、前記前処理は、前記生データから１つ以上の任意のデータを抽出する処理を含む。
本発明の更に他の局面によれば、基板処理システムは、パラメータに基づいて動作して基板を処理する基板処理装置と、上記支援装置とを備える。
本発明の更に他の局面によれば、記録媒体は、コンピュータに実行させる支援プログラムを記録した非一時的コンピュータ読取可能記録媒体である。前記支援プログラムは、上記支援方法に従って前記コンピュータに演算を実行させる。
本発明の更に他の局面によれば、支援プログラムは、コンピュータによって実行される。前記支援プログラムは、上記支援方法に従って前記コンピュータに演算を実行させる。
本発明に係る支援装置、支援方法、基板処理システム、記録媒体、及び、支援プログラムによれば、基板処理の品質を向上させることができる。
本発明の実施形態に係る支援方法の概要を示す図である。 図１に示す品質検査の一例を示す図である。 基板処理システムと検査装置とを示す図である。 本発明の実施形態に係る基板処理システムに含まれる基板処理装置の構成の一例を示す模式図である。 図４に示す基板処理部の構成の一例を模式的に示す断面図である。 本発明の実施形態に係る制御装置の構成の一例を示すブロック図である。 （ａ）は、パラメータ設定値と、センシングデータと、品質データとを示す図である。（ｂ）は、検出結果の一例を示す図である。 本発明の実施形態に係る支援方法を示すフローチャートである。 （ａ）は、パラメータ設定値を分割する処理を示す図である。（ｂ）は、第１データセットを示す図である。（ｃ）は、第２データセットを示す図である。 （ａ）は、第１機械学習モデルに第１データセットを学習させる処理を示す図である。（ｂ）は、ベイズ最適化の処理を示す図である。 （ａ）は、第２機械学習モデルに第２データセットを学習させる処理を示す図である。（ｂ）は、パラメータの推奨値を生成する処理を示す図である。 第２機械学習モデルの変形例を示す図である。 図１２に示す第２機械学習モデルにより検査対象パラメータの推奨値を生成する処理を示す図である。
以下、図面（図１～図１３）を参照して本発明の支援装置、支援方法、基板処理システム、記録媒体、及び、支援プログラムに係る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。
本発明の実施形態における「基板」には、半導体ウエハ、フォトマスク用ガラス基板、液晶表示用ガラス基板、プラズマ表示用ガラス基板、ＦＥＤ（Ｆｉｅｌｄ Ｅｍｉｓｓｉｏｎ Ｄｉｓｐｌａｙ）用基板、光ディスク用基板、磁気ディスク用基板、及び光磁気ディスク用基板などの各種基板を適用可能である。以下では主として、円盤状の半導体ウエハの処理に用いられる支援装置、支援方法、基板処理システム、記録媒体、及び、支援プログラムを例に本発明の実施形態を説明するが、上に例示した各種の基板の処理にも同様に適用可能である。また、基板の形状についても各種のものを適用可能である。
まず、図１を参照して、本実施形態の支援方法の概要を説明する。本実施形態の支援方法は、作業者によるパラメータ設定値Ｘの調整を支援する。具体的には、本実施形態の支援方法は、パラメータの推奨値ＲＸ（推奨条件）を提供する。ここで、パラメータ設定値Ｘは、基板処理装置１００（図３参照）のパラメータの設定値である。なお、パラメータは、レシピに規定されているパラメータと、レシピに規定されていないパラメータとの両者を含む。
図１は、本実施形態の支援方法の概要を示す図である。図１に示すように、本実施形態の支援方法は、ステップＳ１～ステップＳ３を含む。具体的には、作業者により、基板処理の品質が目標値又は許容値に達するまで、ステップＳ１～ステップＳ３が繰り返される。
ステップＳ１では、品質検査（実験）が行われる。品質の指標は、例えば、基板処理により基板Ｗに付着したパーティクルの数、倒壊率、又は、エッチング量である。具体的には、仮に設定したパラメータの値に基づいて基板処理装置１００に未処理の基板Ｗを処理させ、処理後の基板Ｗの検査を行い、基板処理装置１００による基板処理の品質に関する品質データＹを取得する。なお、以下の説明において、未処理の基板Ｗを、「未処理の基板Ｗａ」と記載する場合がある。また、処理後の基板Ｗを、「処理後の基板Ｗｂ」と記載する場合がある。
ステップＳ２では、品質データＹ、パラメータ設定値Ｘ、及びセンシングデータＺ１に基づいてデータセットＤＳが生成される。センシングデータＺ１は、基板処理装置１００に設けられたセンサにより検出された物理量を示す。センサの検出対象は、パラメータ設定値Ｘのうちのいずれかに対応する。例えば、パラメータ設定値Ｘには、処理液の流量の設定値が含まれる。センシングデータＺ１（物理量）には、処理液の流量の検出値（検出結果ＳＥ）が含まれる。なお、本実施形態において、基板処理装置１００は処理液を用いて基板Ｗ（未処理の基板Ｗａ）を処理する。
ステップＳ３では、機械学習モデルＭによりデータセットＤＳが学習されて、機械学習モデルＭから推奨条件（パラメータの推奨値ＲＸ）が出力される。
パラメータの推奨値ＲＸが出力されると、パラメータの設定値Ｘが推奨値ＲＸに調整された上で、品質検査（ステップＳ１）が再度行われる。作業者は、品質検査の結果（品質データＹ）が目標値又は許容値に達すると、パラメータの設定値Ｘとして、そのときの推奨値ＲＸを選択する。品質検査の結果（品質データＹ）が目標値又は許容値に達していない場合、ステップＳ２以降の処理が繰り返される。
続いて、図２を参照して、図１に示す品質検査（ステップＳ１）の一例を説明する。図２は、図１に示す品質検査（ステップＳ１）の一例を示す図である。図２に示す品質検査は、例えば、基板処理により基板Ｗに付着したパーティクルの数を測定する検査や、エッチング量の検査に適用できる。図２に示す品質検査は、ステップＳ１１～ステップＳ１４を含む。
まず、処理前検査が行われる（ステップＳ１１）。処理前の検査は、未処理の基板Ｗａの検査である。例えば、処理前検査では、未処理の基板Ｗａに付着しているパーティクルの分布が検出される。より詳しくは、未処理の基板Ｗａに付着している各パーティクルの座標が取得される。座標の原点は、基板Ｗの中心である。あるいは、処理前検査では、未処理の基板Ｗａの膜厚が測定される。なお、以下の説明において、未処理の基板Ｗａに付着しているパーティクルを、「処理前パーティクル」と記載する場合がある。
処理前検査の後、基板処理装置１００（図３参照）による基板処理が行われる（ステップＳ１２）。基板処理は、例えば、洗浄、又は、エッチングである。
基板処理の後、処理後の基板Ｗｂに対する検査が行われる（ステップＳ１３）。処理後の検査は、処理前検査と同じ検査である。例えば、処理後の検査では、処理後の基板Ｗｂに付着しているパーティクルの分布が検出される。より詳しくは、処理後の基板Ｗｂに付着している各パーティクルの座標が取得される。あるいは、処理後の検査では、処理後の基板Ｗｂの膜厚が測定される。なお、以下の説明において、処理後の基板Ｗｂに付着しているパーティクルを、「処理後パーティクル」と記載する場合がある。
処理後の検査の後、品質データＹが生成される（ステップＳ１４）。例えば、処理前パーティクルの分布と、処理後パーティクルの分布とに基づいて、基板処理により基板Ｗに付着したパーティクルの数が算出される。詳しくは、以下のカウント処理が実行される。すなわち、検査対象の処理後パーティクルの座標を中心とする半径Ｔｈの円内に、処理前パーティクルの座標のいずれかが含まれるか否かを判定する。そして、検査対象の円内に処理前パーティクルの座標のいずれも含まれない場合に、検査対象の処理後パーティクルを、基板処理により基板Ｗに付着したパーティクルとみなしてカウントする。このカウント処理を全ての処理後パーティクルに実行して、基板処理により基板Ｗに付着したパーティクルの数を求める。エッチング量を求める場合、未処理の基板Ｗａの膜厚と、処理後の基板Ｗｂの膜厚との差が算出される。品質データＹが生成されると、品質検査（ステップＳ１）が終了する。
なお、品質の指標として倒壊率を検査する場合、処理前検査は行わない。以下では、基板処理により発生するパーティクルの数を測定する場合を例に、本実施形態を説明する。
続いて、図３を参照して、図１に示す品質検査（ステップＳ１）の一例を説明する。図３は、基板処理システム１０００と、検査装置３００とを示す図である。
基板処理システム１０００は、基板Ｗを処理する。図３に示すように、基板処理システム１０００は、基板処理装置１００と、制御装置２００とを備える。基板処理装置１００は、パラメータに基づいて動作して基板Ｗ（未処理の基板Ｗａ）を処理する。詳しくは、制御装置２００が、パラメータに基づいて基板処理装置１００の動作を制御する。検査装置３００は、基板Ｗに付着しているパーティクルの分布を検出する。より詳しくは、検査装置３００は、基板Ｗに付着している各パーティクルの座標を取得する。
パラメータ設定値Ｘの調整時には、検査装置３００が未処理の基板Ｗａのパーティクルの分布を検出し、基板処理装置１００が、検査装置３００で検査された後の未処理の基板Ｗａに対して基板処理を行う。その後、検査装置３００が、基板処理装置１００により処理された後の基板Ｗ（処理後の基板Ｗｂ）のパーティクルの分布を検出する。
本実施形態では、検査装置３００が品質データＹを生成する。具体的には、検査装置３００が、処理後の基板Ｗｂに付着しているパーティクル（処理後パーティクル）の分布と、未処理の基板Ｗａに付着しているパーティクル（処理前パーティクル）の分布とに基づいて、基板処理により基板Ｗに付着したパーティクルの数を求める。詳しくは、検査装置３００は、処理後パーティクルごとに、既に説明したカウント処理を実行して、基板処理により基板Ｗに付着したパーティクルの数を算出する。なお、検査装置３００は、半径Ｔｈを記憶している。
品質データＹは、制御装置２００に入力される。制御装置２００は、「支援装置」の一例である。例えば、品質データＹは、検査装置３００から制御装置２００へケーブルを介して送信されてもよいし、検査装置３００から制御装置２００へ無線通信により送信されてもよい。あるいは、品質データＹは、リムーバブルメディアから制御装置２００に入力されてもよい。リムーバブルメディアには、例えば、ＳＤカードのようなメモリカードや、ＵＳＢ（Ｕｎｉｖｅｒｓａｌ Ｓｅｒｉａｌ Ｂｕｓ）メモリのような記憶媒体や、ＣＤ（Ｃｏｍｐａｃｔ Ｄｉｓｃ）やＤＶＤ（Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｃ）のような光ディスクが含まれる。
なお、本実施形態では、検査装置３００が品質データＹを生成するが、制御装置２００が品質データＹを生成してもよい。この場合、制御装置２００には、未処理の基板Ｗａのパーティクルの分布（各処理前パーティクルの座標）と、処理後の基板Ｗｂのパーティクルの分布（各処理後パーティクルの座標）とが入力される。
ここで、図４及び図５を参照して、基板処理装置１００の構成の一例を説明する。図４は、本実施形態の基板処理システム１０００に含まれる基板処理装置１００の構成の一例を示す模式図である。詳しくは、図４は、基板処理装置１００の構成の一例を示す模式的な平面図である。基板処理装置１００は、処理液を用いて基板Ｗを処理する。より具体的には、基板処理装置１００は、枚葉式の装置であり、１枚ずつ基板Ｗを処理する。
図４に示すように、基板処理装置１００は、複数の基板処理部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と基板処理部１との間で基板Ｗを搬送する。なお、インデクサーロボットＩＲとセンターロボットＣＲとの間に、基板Ｗを一時的に載置する載置台（パス）を設けて、インデクサーロボットＩＲとセンターロボットＣＲとの間で載置台を介して間接的に基板Ｗを受け渡しする装置構成としてもよい。
複数の基板処理部１は、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。複数のタワーＴＷ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る。各タワーＴＷは、上下に積層された複数の基板処理部１（図１では３つの基板処理部１）を含む。
流体キャビネット１００Ａは、処理液を収容する。流体ボックス１００Ｂはそれぞれ、複数のタワーＴＷのうちの１つに対応している。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に含まれる全ての基板処理部１に供給される。
基板処理部１の各々は、処理液を基板Ｗに供給して、基板Ｗを処理する。処理液は、薬液と、リンス液とを含む。薬液は、例えば、希フッ酸（ＤＨＦ）、フッ酸（ＨＦ）、フッ硝酸（フッ酸と硝酸（ＨＮＯ3）との混合液）、バファードフッ酸（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）、燐酸（Ｈ3ＰＯ4）、硫酸、酢酸、硝酸、塩酸、アンモニア水、過酸化水素水、有機酸（例えば、クエン酸、シュウ酸）、有機アルカリ（例えば、ＴＭＡＨ：テトラメチルアンモニウムハイドロオキサイド）、硫酸過酸化水素水混合液（ＳＰＭ）、アンモニア過酸化水素水混合液（ＳＣ１）、塩酸過酸化水素水混合液（ＳＣ２）、イソプロピルアルコール（ＩＰＡ）、界面活性剤、又は、腐食防止剤である。リンス液は、例えば、純水（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。
続いて、制御装置２００を説明する。制御装置２００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２００は、基板処理部１、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。制御装置２００は、制御部２０１と、記憶部２０２とを含む。
制御部２０１は、記憶部２０２に記憶されている各種情報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２０１は、記憶部２０２に記憶されている各種情報に基づいて、図１を参照して説明したデータセットＤＳの生成（ステップＳ２）及びパラメータの推奨値ＲＸ（推奨条件）の生成（ステップＳ３）を行う。制御部２０１は、「演算処理部」の一例である。
制御部２０１は、プロセッサを含む。例えば、制御部２０１は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、又は、ＭＰＵ（Ｍｉｃｒｏ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）を含む。制御部２０１は、汎用演算機、専用演算器、ＧＰＵ（Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＮＰＵ（Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、又は、量子コンピュータを含み得る。専用演算器は、例えば、ＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）を含む。
記憶部２０２は、基板処理装置１００の動作を制御するための各種情報を記憶する。また、記憶部２０２は、図１を参照して説明したデータセットＤＳの生成（ステップＳ２）及びパラメータの推奨値ＲＸ（推奨条件）の生成（ステップＳ３）を行うための各種情報を記憶する。
具体的には、記憶部２０２は、コンピュータプログラムを記憶する。コンピュータプログラムには、基板処理装置１００の動作を制御するためのコンピュータプログラムが含まれる。また、コンピュータプログラムには、支援プログラムＰＲ（図５参照）が含まれる。支援プログラムＰＲには、図１を参照して説明したデータセットＤＳの生成（ステップＳ２）及びパラメータの推奨値ＲＸ（推奨条件）の生成（ステップＳ３）を行うためのコンピュータプログラムが含まれる。
また、記憶部２０２は、データを記憶する。データは、レシピデータを含む。レシピデータは、基板Ｗの処理内容、処理条件、及び処理手順を規定するレシピを示す。レシピには、処理条件として、各種パラメータが規定されている。また、データは、レシピに規定されていない各種パラメータを含む。以下、レシピに規定されているパラメータの設定値を、「レシピ設定値」と記載する場合がある。また、レシピに規定されていないパラメータの設定値を、「レシピ外設定値」と記載する場合がある。
レシピ設定値には、各種処理液の流量の設定値、基板回転数の設定値、各種圧力の設定値、各種設定時間等が含まれる。レシピ外設定値には、特定の処理液の温度の設定値等が含まれる。
記憶部２０２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２０２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、半導体メモリ及びハードディスクドライブの少なくも一方を含む。記憶部２０２はリムーバブルメディアを含んでいてもよい。
続いて、図４及び図５を参照して、基板処理装置１００を説明する。図５は、図４に示す基板処理部１の構成の一例を模式的に示す断面図である。
図５に示すように、基板処理部１は、チャンバ２と、スピンチャック３と、スピンモータ部４と、ガード部５と、昇降部６と、ノズル１１と、第１ノズル移動部１１０と、第２ノズル移動部１２０とを備える。また、図５に示すように、基板処理装置１００は、第１供給部１３０と、第２供給部１４０と、第３供給部１５０とを備える。
チャンバ２は、内部空間を有する略箱形状の筐体である。チャンバ２には、図示しないシャッター及びその開閉機構が設けられる。通常、シャッターは閉じており、その結果、チャンバ２内外の雰囲気は遮断される。センターロボットＣＲ（図４）により基板Ｗがチャンバ２内部に搬入される際、あるいは、センターロボットＣＲ（図４）により基板Ｗがチャンバ２内部から搬出される際に、シャッターが開放される。
チャンバ２には基板Ｗが１枚ずつ収容される。チャンバ２には、スピンチャック３、スピンモータ部４、ガード部５、昇降部６、ノズル１１、第１ノズル移動部１１０、及び第２ノズル移動部１２０が収容される。
スピンチャック３は、基板Ｗを水平に保持する。スピンチャック３は、基板保持部の一例である。具体的には、スピンチャック３は、複数のチャック部材３１と、スピンベース３３とを有する。複数のチャック部材３１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３１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３１を支持する。スピンチャック３は、制御装置２００によって制御される。
スピンモータ部４は、回転軸線ＡＸ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。回転軸線ＡＸは、略鉛直方向に延びる。回転軸線ＡＸは中心軸の一例であり、スピンモータ部４は基板回転部の一例である。詳しくは、スピンモータ部４は、回転軸線ＡＸを中心としてスピンベース３３を回転させる。したがって、スピンベース３３は、回転軸線ＡＸ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３１に保持された基板Ｗが、回転軸線ＡＸを中心として回転する。
具体的には、スピンモータ部４は、モータ本体４１と、シャフト４３とを有する。シャフト４３はスピンベース３３に結合される。モータ本体４１は、シャフト４３を回転させる。その結果、スピンベース３３が回転する。モータ本体４１は、制御装置２００によって制御される。
ノズル１１は、基板Ｗに処理液を供給する。本実施形態において、ノズル１１は、第１処理液、第２処理液、及び第３処理液を基板Ｗに供給する。より具体的には、ノズル１１は、第１ノズル１１ａと、第２ノズル１１ｂと、第３ノズル１１ｃとを有する。
第１ノズル１１ａは、基板Ｗに第１処理液を供給する。詳しくは、第１ノズル１１ａは、回転中の基板Ｗに向けて第１処理液を吐出する。第１処理液は、薬液である。
第１供給部１３０は、第１ノズル１１ａに第１処理液を供給する。具体的には、第１供給部１３０は、第１配管ＰＡ１と、第１開閉弁Ｖ１と、第１制御弁Ｖ２と、第１流量センサＦ１と、温度センサＴと、加熱部材Ｈとを有する。
第１配管ＰＡ１は、第１ノズル１１ａまで第１処理液を流通させる。なお、チャンバ２内には、第１配管ＰＡ１の一部が収容される。第１開閉弁Ｖ１は、第１配管ＰＡ１に配置される。第１開閉弁Ｖ１は、第１ノズル１１ａへの第１処理液の供給及び供給停止を切り替える。第１開閉弁Ｖ１のアクチュエータは、例えば、空圧アクチュエータ、又は電動アクチュエータである。第１開閉弁Ｖ１は、制御装置２００によって制御される。
第１制御弁Ｖ２は、第１配管ＰＡ１を流通する第１処理液の流量を制御する。第１制御弁Ｖ２は、開度を調整可能である。第１制御弁Ｖ２のアクチュエータは、例えば、電動アクチュエータである。第１制御弁Ｖ２は、制御装置２００によって制御される。
第１流量センサＦ１は、第１配管ＰＡ１を流通する第１処理液の流量を検出する。第１処理液の流量は、「物理量」の一例である。パラメータ設定値Ｘには、第１処理液の流量の設定値が含まれる。第１処理液の流量の設定値は、レシピ設定値の一例である。第１流量センサＦ１の検出結果ＳＥは、センシングデータＺ１の一例であり、制御装置２００に入力される。
加熱部材Ｈは、第１配管ＰＡ１を流通する第１処理液を加熱する。加熱部材Ｈは、制御装置２００によって制御される。温度センサＴは、第１配管ＰＡ１を流通する第１処理液の温度を検出する。第１処理液の温度は、「物理量」の一例である。パラメータ設定値Ｘには、第１処理液の温度の設定値が含まれる。第１処理液の温度の設定値は、レシピ外設定値の一例である。温度センサＴの検出結果ＳＥは、センシングデータＺ１の一例であり、制御装置２００に入力される。
第１ノズル移動部１１０は、略鉛直方向及び略水平方向に第１ノズル１１ａを移動させる。具体的には、第１ノズル移動部１１０は、第１アーム１１１と、第１回動軸１１３と、第１ノズル移動機構１１５とを有する。
第１アーム１１１は略水平方向に沿って延びる。第１アーム１１１の先端部に第１ノズル１１ａが配置される。第１アーム１１１は第１回動軸１１３に結合される。第１回動軸１１３は、略鉛直方向に沿って延びる。
第１ノズル移動機構１１５は、第１回動軸１１３を略鉛直方向に沿った回動軸線の回りに回動させて、第１アーム１１１を略水平面に沿って回動させる。その結果、第１ノズル１１ａが略水平面に沿って移動する。また、第１ノズル移動機構１１５は、第１回動軸１１３を略鉛直方向に沿って昇降させて、第１アーム１１１を昇降させる。その結果、第１ノズル１１ａが略鉛直方向に沿って移動する。第１ノズル移動機構１１５は、例えば、ボールねじ機構と、ボールねじ機構に駆動力を与える電動モータとを備えてもよい。第１ノズル移動機構１１５は、制御装置２００によって制御される。
第２ノズル１１ｂは、基板Ｗに第２処理液を供給する。詳しくは、第２ノズル１１ｂは、回転中の基板Ｗに向けて第２処理液を吐出する。第２処理液は、薬液である。
第２供給部１４０は、第２ノズル１１ｂに第２処理液を供給する。具体的には、第２供給部１４０は、第２配管ＰＡ２と、第２開閉弁Ｖ１１と、第２制御弁Ｖ１２と、第２流量センサＦ２とを有する。
第２配管ＰＡ２は、第２ノズル１１ｂまで第２処理液を流通させる。なお、チャンバ２内には、第２配管ＰＡ２の一部が収容される。第２開閉弁Ｖ１１は、第２配管ＰＡ２に配置される。第２開閉弁Ｖ１１は、第２ノズル１１ｂへの第２処理液の供給及び供給停止を切り替える。第２開閉弁Ｖ１１のアクチュエータは、例えば、空圧アクチュエータ、又は電動アクチュエータである。第２開閉弁Ｖ１１は、制御装置２００によって制御される。
第２制御弁Ｖ１２は、第２配管ＰＡ２を流通する第２処理液の流量を制御する。第２制御弁Ｖ１２は、開度を調整可能である。第２制御弁Ｖ１２のアクチュエータは、例えば、電動アクチュエータである。第２制御弁Ｖ１２は、制御装置２００によって制御される。
第２流量センサＦ２は、第２配管ＰＡ２を流通する第２処理液の流量を検出する。第２処理液の流量は、「物理量」の一例である。パラメータ設定値Ｘには、第２処理液の流量の設定値が含まれる。第２処理液の流量の設定値は、レシピ設定値の一例である。第２流量センサＦ２の検出結果ＳＥは、センシングデータＺ１の一例であり、制御装置２００に入力される。
第２ノズル移動部１２０は、略鉛直方向及び略水平方向に第２ノズル１１ｂを移動させる。具体的には、第２ノズル移動部１２０は、第２アーム１２１と、第２回動軸１２３と、第２ノズル移動機構１２５とを有する。第２ノズル移動機構１２５は、制御装置２００によって制御される。第２ノズル移動部１２０の構成は、第１ノズル移動部１１０と略同様であるため、その説明は割愛する。
第３ノズル１１ｃは、基板Ｗに第３処理液を供給する。詳しくは、第３ノズル１１ｃは、回転中の基板Ｗに向けて第３処理液を吐出する。第３処理液は、リンス液である。第３ノズル１１ｃは、固定ノズルである。
第３供給部１５０は、第３ノズル１１ｃに第３処理液を供給する。具体的には、第３供給部１５０は、第３配管ＰＡ３と、第３開閉弁Ｖ２１と、第３制御弁Ｖ２２と、第３流量センサＦ３とを有する。
第３配管ＰＡ３は、第３ノズル１１ｃまで第３処理液を流通させる。なお、チャンバ２内には、第３配管ＰＡ３の一部が収容される。第３開閉弁Ｖ２１は、第３配管ＰＡ３に配置される。第３開閉弁Ｖ２１は、第３ノズル１１ｃへの第３処理液の供給及び供給停止を切り替える。第３開閉弁Ｖ２１のアクチュエータは、例えば、空圧アクチュエータ、又は電動アクチュエータである。第３開閉弁Ｖ２１は、制御装置２００によって制御される。
第３制御弁Ｖ２２は、第３配管ＰＡ３を流通する第３処理液の流量を制御する。第３制御弁Ｖ２２は、開度を調整可能である。第３制御弁Ｖ２２のアクチュエータは、例えば、電動アクチュエータである。第３制御弁Ｖ２２は、制御装置２００によって制御される。
第３流量センサＦ３は、第３配管ＰＡ３を流通する第３処理液の流量を検出する。第３処理液の流量は、「物理量」の一例である。パラメータ設定値Ｘには、第３処理液の流量の設定値が含まれる。第３処理液の流量の設定値は、レシピ設定値の一例である。第３流量センサＦ３の検出結果ＳＥは、センシングデータＺ１の一例であり、制御装置２００に入力される。
ガード部５は、スピンチャック３及びスピンモータ部４の外方に配置される。ガード部５は、略筒形状を有する。換言すると、ガード部５は、スピンチャック３及びスピンモータ部４を取り囲んでいる。ガード部５は、回転する基板Ｗから飛散する処理液（第１処理液～第３処理液）を受け止める。図５に示す例では、ガード部５は、３つのガードを含む。
昇降部６は、ガード部５を昇降させる。図５に示す例では、昇降部６は、３つのガードを個別に昇降させる。昇降部６は、制御装置２００によって制御される。具体的には、昇降部６は、ガード部５（ここでは、３つのガード）を液受け位置と退避位置との間で昇降させる。液受け位置は、退避位置よりも上方の位置である。
詳しくは、センターロボットＣＲ（図４）により基板Ｗがチャンバ２内部に搬入される際、あるいは、センターロボットＣＲ（図４）により基板Ｗがチャンバ２内部から搬出される際に、ガード部５は退避位置に配置される。各ガードはそれぞれ、処理液を受け止める際に、液受け位置に配置される。
続いて、図６を参照して、制御装置２００を説明する。図６は、本実施形態の制御装置２００の構成の一例を示すブロック図である。既に説明したように、制御装置２００は、「支援装置」の一例である。図６に示すように、制御装置２００は、制御部２０１と、記憶部２０２とに加えて、入力部２０３と、表示部２０４とを更に備える。
入力部２０３は、作業者が操作するユーザーインターフェース装置である。入力部２０３は、作業者の操作に応じた指示（制御信号）を制御部２０１に入力する。また、入力部２０３は、作業者の操作に応じたデータを制御部２０１に入力する。入力部２０３は、キーボード及びマウスを含み得る。入力部２０３は、表示部２０４の表示面に重畳されるタッチセンサを含んでもよい。表示部２０４の表示面にタッチセンサが重畳されることにより、グラフィカルユーザーインターフェースが構成されてもよい。例えば、作業者は、入力部２０３を操作して、基板処理装置１００による基板Ｗの処理を開始させることができる。
なお、入力部２０３は、リムーバブルメディアにアクセス可能なインターフェースを更に含み得る。インターフェースは、メモリカードが差し込まれるスロットや、ＵＳＢ端子や、光ディスクからデータを読み取る読取装置を含む。ＵＳＢ端子には、メモリカードリーダのＵＳＢケーブルが接続されてもよい。
表示部２０４は、各種の画面又は画像を表示する。例えば、表示部２０４は、作業者が制御装置２００又は基板処理装置１００を操作するための画面を表示する。また、表示部２０４は、図１を参照して説明したパラメータの推奨値ＲＸを表示してもよい。表示部２０４は、例えば、液晶表示装置又は有機ＥＬ（ｅｌｅｃｔｒｏｌｕｍｉｎｅｓｃｅｎｃｅ）表示装置のような表示装置を含む。
既に説明したように、基板処理装置１００から制御装置２００にセンシングデータＺ１が入力される。また、検査装置３００から制御装置２００に品質データＹが入力される。制御部２０１は、センシングデータＺ１及び品質データＹを記憶部２０２に記憶させる。
記憶部２０２は、パラメータ設定値Ｘ、センシングデータＺ１、品質データＹ、獲得関数ＡＦ、探索範囲ＳＷ、及び、支援プログラムＰＲを記憶する。制御部２０１は、パラメータ設定値Ｘ、センシングデータＺ１、品質データＹ、獲得関数ＡＦ、探索範囲ＳＷ、及び、支援プログラムＰＲに基づいて、パラメータの推奨値ＲＸを生成する。具体的には、制御部２０１は、パラメータ設定値Ｘ、センシングデータＺ１、品質データＹ、獲得関数ＡＦ、探索範囲ＳＷ、及び、支援プログラムＰＲに基づいて、図１を参照して説明したデータセットＤＳの生成（ステップＳ２）及びパラメータの推奨値ＲＸ（推奨条件）の生成（ステップＳ３）を行う。
支援プログラムＰＲは、機械学習モデルＭを含む。具体的には、支援プログラムＰＲは、第１機械学習モデルＭ１と、第２機械学習モデルＭ２とを含む。支援プログラムＰＲには、ベイズ最適化を実行するプログラムが更に含まれる。獲得関数ＡＦ及び探索範囲ＳＷは、ベイズ最適化に用いられる。なお、獲得関数ＡＦ及び探索範囲ＳＷは、支援プログラムＰＲに含まれてもよい。
続いて、図６及び図７（ａ）を参照して、パラメータ設定値Ｘ、センシングデータＺ１、及び品質データＹを説明する。図７（ａ）は、パラメータ設定値Ｘと、センシングデータＺ１と、品質データＹとを示す図である。図７（ａ）に示すように、パラメータ設定値Ｘは、各種パラメータの設定値Ｐ（設定値Ｐ１、設定値Ｐ２等）の集合を示す。センシングデータＺ１は、基板処理装置１００に設けられた各種センサの検出結果ＳＥ（検出結果ＳＥ１、検出結果ＳＥ２等）の集合を示す。記憶部２０２は、図１を参照して説明した品質検査（実験）ごとに、パラメータ設定値Ｘと、センシングデータＺ１と、及び品質データＹとを関連付けて記憶する。
続いて、図７（ｂ）を参照して、検出結果ＳＥを説明する。図７（ｂ）は、検出結果ＳＥの一例を示す図である。図７（ｂ）に示すように、検出結果ＳＥは、センサで検出された物理量を示す生データである。したがって、検出結果ＳＥはデータ数が多い。
続いて、図６及び図８を参照して、本実施形態の支援方法を説明する。本実施形態では、図６を参照して説明した制御装置２００により支援方法が実行される。図８は、本実施形態の支援方法を示すフローチャートである。詳しくは、図８は、制御部２０１が実行する処理の流れを示す。図８に示す処理は、データセットＤＳを生成する処理（ステップＳ２）と、パラメータの推奨値ＲＸ（推奨条件）を生成する処理（ステップＳ３）とを含む。データセットＤＳを生成する処理（ステップＳ２）は、ステップＳ３１と、ステップＳ３２とを含む。パラメータの推奨値ＲＸ（推奨条件）を生成する処理（ステップＳ３）は、ステップＳ３３～ステップＳ３６を含む。図８に示す処理は、作業者が入力部２０３を操作して、パラメータ推奨値ＲＸの生成を指示することにより開始する。
図８に示すように、制御部２０１は、パラメータ推奨値ＲＸの生成が指示されると、センシングデータＺ１に含まれる各検出結果ＳＥに対して前処理を行い、前処理後センシングデータＺ２を生成する（ステップＳ３１）。前処理により、各検出結果ＳＥのデータ数が削減される。以下、前処理された検出結果ＳＥを、「前処理後データＡＳＥ」と記載する場合がある。前処理後センシングデータＺ２には、前処理後データＡＳＥ（前処理後データＡＳＥ１、前処理後データＡＳＥ２等）が含まれる。前処理後センシングデータＺ２は、「物理量に関する検出データ」の一例である。
前処理は、例えば、生データ（検出結果ＳＥ）の特徴量を抽出する処理である。例えば、前処理は、生データの次元を削減する処理（次元削減処理）、生データの要約統計量を演算する処理、又は、生データから１つ以上の任意のデータを抽出する処理を含む。
次元削減処理は、例えば、線形次元削減処理、又は非線形次元削減処理である。線形次元削減処理は、例えば、主成分分析、独立成分分析、又は、テンソル分解である。非線形次元削減処理は、例えば、ＵＭＡＰ（Ｕｎｉｆｏｒｍ Ｍａｎｉｆｏｌｄ Ａｐｐｒｏｘｉｍａｔｉｏｎ ａｎｄ Ｐｒｏｊｅｃｔｉｏｎ）、又は、自己符号化器である。例えば、主成分分析により、検出結果ＳＥ（生データ）の低次元特徴量が取得される。したがって、前処理が主成分分析である場合、前処理後データＡＳＥは、検出結果ＳＥ（生データ）の低次元特徴量を示す。
要約統計量は、例えば、平均値、中央値、又は最頻値を示す。検出結果ＳＥ（生データ）の要約統計量を演算することにより、検出結果ＳＥ（生データ）平均値、中央値、又は最頻値が取得される。したがって、前処理が要約統計量を演算する処理である場合、前処理後データＡＳＥは、検出結果ＳＥ（生データ）平均値、中央値、又は最頻値を示す。
ステップＳ３２では、制御部２０１は、品質データＹと、前処理後センシングデータＺ２と、パラメータ設定値Ｘとに基づいて、第１データセットＤＳ１と、第２データセットＤＳ２とを作成する。第１データセットＤＳ１は、第１訓練データの一例であり、第１機械学習モデルＭ１の訓練（学習）に用いられる。第２データセットＤＳ２は、第２訓練データの一例であり、第２機械学習モデルＭ２の訓練（学習）に用いられる。第１データセットＤＳ１及び第２データセットＤＳ２については、図９（ａ）～図９（ｃ）を参照して後述する。
ステップＳ３３では、制御部２０１は、第１機械学習モデルＭ１に第１データセットＤＳ１を学習させる。この結果、基板処理の品質を予測する予測モデルＰＭが構築される。本実施形態では、予測モデルＰＭは、基板処理により基板Ｗに付着したパーティクルの数を予測するモデルである。
ステップＳ３４では、制御部２０１は、予測モデルＰＭと、獲得関数ＡＦと、探索範囲ＳＷとに基づいてベイズ最適化を実行して、基板処理の品質を目標品質に近づける前処理後データＡＳＥの推奨値Ｚ３（推奨値ＲＳＥ１、推奨値ＲＳＥ２等）を取得する。本実施形態では、制御部２０１は、ベイズ最適化により、予測モデルＰＭを最小化する各前処理後データＡＳＥの推奨値Ｚ３を取得する。具体的には、制御部２０１は、基板処理により基板Ｗに付着するパーティクルの数を最小にする各前処理後データＡＳＥの推奨値Ｚ３を取得する。以下、前処理後データＡＳＥの推奨値Ｚ３を、「センシングデータ推奨値Ｚ３」と記載する場合がある。センシングデータ推奨値Ｚ３は、「検出データ推奨値」の一例である。
獲得関数ＡＦは、例えば、Ｅｘｐｅｃｔｅｄ Ｉｍｐｒｏｖｅｍｅｎｔ（ＥＩ）、Ｍｕｔｕａｌ Ｉｎｆｏｒｍａｔｉｏｎ（ＭＩ）、Ｐｒｏｂａｂｉｌｉｔｙ ｏｆ Ｉｍｐｒｏｖｅｍｅｎｔ（ＰＩ）、又は、Ｕｐｐｅｒ Ｃｏｎｆｉｄｅｎｃｅ ｂｏｕｎｄ（ＵＣＢ）である。探索範囲ＳＷは、任意の範囲である。探索範囲ＳＷは、作業者が入力部２０３を操作して入力してもよい。なお、本実施形態では、ベイズ最適化により、予測モデルＰＭを最小化するセンシングデータ推奨値Ｚ３を取得するが、基板処理の品質の指標によっては、予測モデルＰＭを最大化するセンシングデータ推奨値Ｚ３を取得してもよい。
ステップＳ３５では、制御部２０１は、第２データセットＤＳ２を第２機械学習モデルＭ２に学習させる。ステップＳ３６では、学習後の第２機械学習モデルＭ２にセンシングデータ推奨値Ｚ３を入力して、センシングデータ推奨値Ｚ３（推奨値ＲＳＥ１、推奨値ＲＳＥ２等）を、パラメータの推奨値ＲＸ（推奨値ＲＰ１、推奨値ＲＰ２等）に変換する。
続いて、図６及び図９（ａ）～図９（ｃ）を参照して、第１データセットＤＳ１及び第２データセットＤＳ２について説明する。図９（ａ）は、パラメータ設定値Ｘを分割する処理を示す図である。図９（ｂ）は、第１データセットＤＳ１を示す図である。図９（ｃ）は、第２データセットＤＳ２を示す図である。
図９（ａ）に示すように、制御部２０１は、第１データセットＤＳ１及び第２データセットＤＳ２を作成する前に、パラメータ設定値Ｘを第１パラメータ設定値Ｘ１と第２パラメータ設定値Ｘ２とに分割する。
第１パラメータ設定値Ｘ１は、対応する物理量がセンサにより検出されるパラメータの設定値Ｐ（設定値Ｐ１、設定値Ｐ２等）を含む。例えば、図５を参照して説明した例では、第１処理液～第３処理液の流量はそれぞれ第１流量センサＦ１～第３流量センサＦ３により検出される。したがって、第１処理液～第３処理液の流量は、対応する物理量がセンサにより検出されるパラメータである。以下、対応する物理量がセンサにより検出されるパラメータを、「検出対象パラメータ」と記載する場合がある。第１パラメータ設定値Ｘ１は、検出対象パラメータの設定値Ｐの集合を示す。
第２パラメータ設定値Ｘ２は、パラメータ設定値Ｘのうち、検出対象パラメータ以外のパラメータの設定値Ｐ（設定値Ｐ４、設定値Ｐ５等）の集合を示す。例えば、第２パラメータ設定値Ｘ２には、基板回転数の設定値や、各種設定時間が含まれる。なお、基板回転数は、図５を参照して説明したモータ本体４１の回転数を示す。
図９（ｂ）に示すように、第１データセットＤＳ１は、品質データＹと、前処理後センシングデータＺ２と、第２パラメータ設定値Ｘ２とを含む。つまり、制御部２０１は、品質データＹと、前処理後センシングデータＺ２と、第２パラメータ設定値Ｘ２とを用いて第１データセットＤＳ１を作成する。詳しくは、制御部２０１は、図１を参照して説明した品質検査（実験）ごとに、品質データＹと、前処理後センシングデータＺ２と、第２パラメータ設定値Ｘ２とを関連付けて記憶部２０２に記憶させる。
図９（ｃ）に示すように、第２データセットＤＳ２は、第１パラメータ設定値Ｘ１と、前処理後センシングデータＺ２と、第２パラメータ設定値Ｘ２とを含む。つまり、制御部２０１は、第１パラメータ設定値Ｘ１と、前処理後センシングデータＺ２と、第２パラメータ設定値Ｘ２とを用いて第２データセットＤＳ２を作成する。詳しくは、制御部２０１は、図１を参照して説明した品質検査（実験）ごとに、第１パラメータ設定値Ｘ１と、前処理後センシングデータＺ２と、第２パラメータ設定値Ｘ２とを関連付けて記憶部２０２に記憶させる。
続いて、図６、図９（ｂ）、及び図１０（ａ）を参照して、第１機械学習モデルＭ１の学習について説明する。図１０（ａ）は、第１機械学習モデルＭ１に第１データセットＤＳ１を学習させる処理（図８のステップＳ３３）を示す図である。
図１０（ａ）に示すように、制御部２０１は、第１機械学習モデルＭ１に第１データセットＤＳ１を学習させる。詳しくは、図９（ｂ）に示すように、目的変数として品質データＹを第１機械学習モデルＭ１に入力し、説明変数として前処理後センシングデータＺ２と第２パラメータ設定値Ｘ２とを第１機械学習モデルＭ１に入力する。この結果、第１機械学習モデルＭ１が学習を行って予測モデルＰＭが構築される。
例えば、第１機械学習モデルＭ１のアルゴリズムは、ガウス過程回帰である。但し、第１機械学習モデルＭ１のアルゴリズムは、予測分布を生成できるモデルである限り、特に限定されない。例えば、第１機械学習モデルＭ１のアルゴリズムは、ベイズ線形回帰、階層ベイズ、ベイズ深層学習、又は、ＮＧＢｏｏｓｔ（Ｎａｔｕｒａｌ Ｇｒａｄｉｅｎｔ Ｂｏｏｓｔｉｎｇ）であってもよい。
続いて、図６及び図１０（ｂ）を参照して、ベイズ最適化を説明する。図１０（ｂ）は、ベイズ最適化の処理（図８のステップＳ３４）を示す図である。
図１０（ｂ）に示すように、制御部２０１は、獲得関数ＡＦと、探索範囲ＳＷと、予測モデルＰＭ（学習後の第１機械学習モデルＭ１）とに基づいてベイズ最適化を行う。この結果、基板処理により基板Ｗに付着するパーティクルの数を最小にする値として、センシングデータ推奨値Ｚ３と、第２パラメータ設定値Ｘ２とが取得される。ここで、センシングデータ推奨値Ｚ３は、各前処理後データＡＳＥの推奨値ＲＳＥ（推奨値ＲＳＥ１、推奨値ＲＳＥ２等）の集合を示す。
詳しくは、予測モデルＰＭは、既に説明したように、説明変数である前処理後センシングデータＺ２及び第２パラメータ設定値Ｘ２に基づいて、基板処理により基板Ｗに付着したパーティクルの数（目的変数）を予測するモデルである。ベイズ最適化は、基板処理により基板Ｗに付着したパーティクルの数を最小にする前処理後センシングデータＺ２及び第２パラメータ設定値Ｘ２を探索範囲ＳＷ内で探索する処理である。
続いて、図６、図９（ｃ）及び図１１（ａ）を参照して、第２機械学習モデルＭ２の学習について説明する。図１１（ａ）は、第２機械学習モデルＭ２に第２データセットＤＳ２を学習させる処理（図８のステップＳ３５）を示す図である。
図１１（ａ）に示すように、制御部２０１は、第２機械学習モデルＭ２に第２データセットＤＳ２を学習させる。詳しくは、図９（ｃ）に示すように、目的変数として第１パラメータ設定値Ｘ１を第２機械学習モデルＭ２に入力し、説明変数として前処理後センシングデータＺ２と第２パラメータ設定値Ｘ２とを第２機械学習モデルＭ２に入力する。この結果、学習後の第２機械学習モデルＭ２は、前処理後センシングデータＺ２と第２パラメータ設定値Ｘ２とに基づいて第１パラメータ設定値Ｘ１を予測するモデルとなる。
なお、第２機械学習モデルＭ２は特に限定されない。例えば、第２機械学習モデルＭ２のアルゴリズムは、ランダムフォレストや深層学習のように複数の値を出力するアルゴリズムを含む。
続いて、図６及び図１１（ｂ）を参照して、パラメータの推奨値ＲＸを生成する処理を説明する。図１１（ｂ）は、パラメータの推奨値ＲＸを生成する処理（図８のステップＳ３６）を示す図である。
図１１（ｂ）に示すように、制御部２０１は、第２データセットＤＳ２を学習した後の第２機械学習モデルＭ２に対し、ベイズ最適化により取得したセンシングデータ推奨値Ｚ３及び第２パラメータ設定値Ｘ２を入力する。
既に説明したように、学習後の第２機械学習モデルＭ２は、前処理後センシングデータＺ２と第２パラメータ設定値Ｘ２とに基づいて第１パラメータ設定値Ｘ１を予測するモデルを構築している。したがって、前処理後センシングデータＺ２に替えてセンシングデータ推奨値Ｚ３（各前処理後データＡＳＥの推奨値ＲＳＥ）を学習後の第２機械学習モデルＭ２に入力することにより、検出対象パラメータの推奨値ＲＸ１（推奨値ＲＰ１、推奨値ＲＰ２等）が第２機械学習モデルＭ２から出力される。換言すると、センシングデータ推奨値Ｚ３（推奨値ＲＳＥ１、推奨値ＲＳＥ２等）が検出対象パラメータの推奨値ＲＸ１（推奨値ＲＰ１、推奨値ＲＰ２等）に変換される。なお、第２パラメータ設定値Ｘ２はそれ自身が推奨値であるため、制御部２０１は、入力された第２パラメータ設定値Ｘ２を、そのまま出力する。
続いて、図１２及び図１３を参照して、第２機械学習モデルＭ２の変形例を説明する。第２機械学習モデルＭ２は、一つの値を出力するモデルであってもよい。以下、一つの値を出力するモデルを、「単一出力モデルＳＭ」と記載する場合がある。なお、単一出力モデルＳＭのアルゴリズムは、例えば、線形回帰、ＬｉｇｈｔＧＢＭ、又は深層学習である。
図１２は、第２機械学習モデルＭ２の変形例を示す図である。図１２に示すように、第２機械学習モデルＭ２は、複数の単一出力モデルＳＭを有してもよい。単一出力モデルＳＭは、検出対象パラメータの数以上であればよい。
図１２は、第２機械学習モデルＭ２に第２データセットＤＳ２を学習させる処理（図８のステップＳ３５）を示している。図１２に示すように、第２機械学習モデルＭ２が複数の単一出力モデルＳＭを含む場合、制御部２０１は、検査対象パラメータの設定値Ｐ（目的変数）と、対応する前処理後データＡＳＥ（説明変数）とを組み合わせて、それぞれの組を互いに異なる単一出力モデルＳＭに入力させる。この結果、単一出力モデルＳＭがそれぞれ、検査対象パラメータの設定値Ｐと、対応する前処理後データＡＳＥとの組み合わせを学習し、前処理後データＡＳＥから検査対象パラメータの設定値Ｐを予測するモデルを構築する。
図１３は、図１２に示す第２機械学習モデルＭ２により検査対象パラメータの推奨値ＲＸ１（推奨値ＲＰ１、推奨値ＲＰ２等）を生成する処理（図８のステップＳ３６）を示す図である。図１３に示すように、制御部２０１は、単一出力モデルＳＭのそれぞれに対し、対応する前処理後データＡＳＥの推奨値ＲＳＥを入力する。この結果、各単一出力モデルＳＭから、検査対象パラメータの推奨値ＲＰ（推奨値ＲＰ１、推奨値ＲＰ２等）が出力される。
以上説明した実施形態によれば、基板処理の品質を向上させることができる。すなわち、本実施形態では、検査対象パラメータの推奨値ＲＸ１の演算に、検査対象パラメータの実際の物理量（センシングデータＺ１）を反映させることができる。したがって、基板処理装置１００の実際の動作とパラメータの設定値Ｘとの間のズレが考慮された推奨値ＲＸ１を取得できる。よって、基板処理の品質を向上させることができる。
また、本実施形態によれば、前処理したデータを用いて機械学習を行うので、過学習が発生し難い。よって、機械学習モデルＭの予測の精度が高くなるので、基板処理の品質を向上させることができる。但し、生データを用いて機械学習を行ってもよい。
以上、図面（図１～図１３）を参照して本発明の実施形態について説明した。ただし、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できる。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１３を参照して説明した実施形態では、基板処理装置１００はエッチング処理又は洗浄処理を行うが、基板処理はエッチング処理及び洗浄処理に限定されない。例えば、基板処理は、ブラシ洗浄処理、感光膜塗布処理、現像処理、アニール処理、又は描画処理であってもよい。
また、図１～図１３を参照して説明した実施形態では、基板処理装置１００は枚葉式であったが、基板処理装置１００はバッチ式であってもよい。
本発明は、基板を処理する装置に有用であり、産業上の利用可能性を有する。
１００ ：基板処理装置
２００ ：制御装置
２０１ ：制御部
２０２ ：記憶部
１０００ ：基板処理システム
ＡＦ ：獲得関数
ＡＳＥ ：前処理後データ
ＤＳ１ ：第１データセット
ＤＳ２ ：第２データセット
Ｆ１ ：第１流量センサ
Ｆ２ ：第２流量センサ
Ｆ３ ：第３流量センサ
Ｍ１ ：第１機械学習モデル
Ｍ２ ：第２機械学習モデル
Ｐ ：パラメータの設定値
ＰＭ ：予測モデル
ＰＲ ：支援プログラム
ＲＰ ：検索対象パラメータの推奨値
ＲＸ１ ：検索対象パラメータの推奨値
ＳＥ ：検出結果
ＳＷ ：探索範囲
Ｔ ：温度センサ
Ｗ ：基板
Ｗａ ：未処理の基板
Ｗｂ ：処理後の基板
Ｘ１ ：第１パラメータ設定値
Ｘ２ ：第２パラメータ設定値
Ｙ ：品質データ
Ｚ１ ：センシングデータ
Ｚ２ ：前処理後センシングデータ
Ｚ３ ：センシングデータ推奨値

Claims (15)

  1. パラメータに基づいて動作して基板を処理する基板処理装置の前記パラメータの値の調整を支援する支援装置であって、
    前記パラメータは、対応する物理量が検出される検出対象パラメータを含み、
    前記支援装置は、
    第１機械学習モデルと第２機械学習モデルとを用いて前記パラメータの値の推奨値であるパラメータ推奨値を出力する演算処理部を備え、
    前記演算処理部は、
    前記物理量に関する検出データと、前記基板処理装置による基板処理の品質に関する品質データとを含む第１訓練データを前記第１機械学習モデルに学習させて、前記基板処理の品質を予測する予測モデルを構築し、
    前記予測モデルと、獲得関数と、探索範囲とに基づいてベイズ最適化を実行して、前記基板処理の品質を目標品質に近づける前記検出データの推奨値である検出データ推奨値を取得し、
    前記物理量の検出時に設定されていた前記検出対象パラメータの値と、前記検出データとを含む第２訓練データを前記第２機械学習モデルに学習させ、
    学習後の前記第２機械学習モデルに前記検出データ推奨値を入力して、前記検出データ推奨値を前記パラメータ推奨値に変換する、支援装置。
  2. 前記検出データは、前記物理量を示す生データを前処理して得られる前処理後データを含み、
    前記演算処理部は、前記生データを前処理して前記前処理後データを生成し、
    前記前処理後データは、前記生データよりもデータ数が少ない、請求項１に記載の支援装置。
  3. 前記前処理は、前記生データの特徴量を抽出する処理を含む、請求項２に記載の支援装置。
  4. 前記前処理は、前記生データの次元を削減する処理を含む、請求項３に記載の支援装置。
  5. 前記前処理は、前記生データの要約統計量を演算する処理を含む、請求項３に記載の支援装置。
  6. 前記前処理は、前記生データから１つ以上の任意のデータを抽出する処理を含む、請求項２に記載の支援装置。
  7. パラメータに基づいて動作して基板を処理する基板処理装置の前記パラメータの値の調整を支援する支援方法であって、
    前記パラメータは、対応する物理量が検出される検出対象パラメータを含み、
    前記支援方法は、
    前記物理量に関する検出データと、前記基板処理装置による基板処理の品質に関する品質データとを含む第１訓練データを第１機械学習モデルに学習させて、前記基板処理の品質を予測する予測モデルを構築させるステップと、
    前記予測モデルと、獲得関数と、探索範囲とに基づいてベイズ最適化を実行して、前記基板処理の品質を目標品質に近づける前記検出データの推奨値を取得するステップと、
    前記物理量の検出時に設定されていた前記検出対象パラメータの値と、前記検出データとを含む第２訓練データを第２機械学習モデルに学習させるステップと、
    学習後の前記第２機械学習モデルに前記検出データの推奨値を入力して、前記検出データの推奨値を前記パラメータの値の推奨値に変換するステップと
    を含む、支援方法。
  8. 前記検出データは、前記物理量を示す生データを前処理して得られる前処理後データを含み、
    前記支援方法は、前記生データを前処理して前記前処理後データを生成するステップを更に含み、
    前記前処理後データは、前記生データよりもデータ数が少ない、請求項７に記載の支援方法。
  9. 前記前処理は、前記生データの特徴量を抽出する処理を含む、請求項８に記載の支援方法。
  10. 前記前処理は、前記生データの次元を削減する処理を含む、請求項９に記載の支援方法。
  11. 前記前処理は、前記生データの要約統計量を演算する処理を含む、請求項９に記載の支援方法。
  12. 前記前処理は、前記生データから１つ以上の任意のデータを抽出する処理を含む、請求項８に記載の支援方法。
  13. パラメータに基づいて動作して基板を処理する基板処理装置と、
    請求項１から請求項６のいずれか１項に記載の支援装置と
    を備える、基板処理システム。
  14. コンピュータに実行させる支援プログラムを記録した非一時的コンピュータ読取可能記録媒体であって、
    前記支援プログラムは、請求項７から請求項１２のいずれか１項に記載の支援方法に従って前記コンピュータに演算を実行させる、記録媒体。
  15. コンピュータによって実行される支援プログラムであって、
    請求項７から請求項１２のいずれか１項に記載の支援方法に従って前記コンピュータに演算を実行させる、支援プログラム。
JP2022152398A 2022-09-26 2022-09-26 支援装置、支援方法、基板処理システム、記録媒体、及び、支援プログラム Pending JP2024046993A (ja)

Priority Applications (5)

Application Number Priority Date Filing Date Title
JP2022152398A JP2024046993A (ja) 2022-09-26 2022-09-26 支援装置、支援方法、基板処理システム、記録媒体、及び、支援プログラム
KR1020230099510A KR20240043071A (ko) 2022-09-26 2023-07-31 지원 장치, 지원 방법, 기판 처리 시스템, 및, 기록 매체
US18/366,418 US20240103462A1 (en) 2022-09-26 2023-08-07 Support device, support method, substrate processing system, and storage medium
TW112131081A TW202429524A (zh) 2022-09-26 2023-08-18 支援裝置、支援方法、基板處理系統、非暫時性電腦可讀取記錄媒體、及支援程式
CN202311183995.5A CN117763212A (zh) 2022-09-26 2023-09-14 支援装置、支援方法、基板处理系统及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2022152398A JP2024046993A (ja) 2022-09-26 2022-09-26 支援装置、支援方法、基板処理システム、記録媒体、及び、支援プログラム

Publications (1)

Publication Number Publication Date
JP2024046993A true JP2024046993A (ja) 2024-04-05

Family

ID=90309195

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2022152398A Pending JP2024046993A (ja) 2022-09-26 2022-09-26 支援装置、支援方法、基板処理システム、記録媒体、及び、支援プログラム

Country Status (5)

Country Link
US (1) US20240103462A1 (ja)
JP (1) JP2024046993A (ja)
KR (1) KR20240043071A (ja)
CN (1) CN117763212A (ja)
TW (1) TW202429524A (ja)

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2021166229A (ja) 2020-04-06 2021-10-14 浜松ホトニクス株式会社 検査装置及び検査方法

Also Published As

Publication number Publication date
KR20240043071A (ko) 2024-04-02
US20240103462A1 (en) 2024-03-28
CN117763212A (zh) 2024-03-26
TW202429524A (zh) 2024-07-16

Similar Documents

Publication Publication Date Title
JP7348440B2 (ja) 統合的な半導体処理モジュールを組み込んだ自己認識及び補正異種プラットフォーム及びその使用方法
JP7402399B2 (ja) 統合的な半導体処理モジュールを組み込んだ自己認識及び補正異種プラットフォーム及びその使用方法
EP1558977B1 (en) Probability constrained optimization for electrical fabrication control
US11099485B2 (en) Maintaining a set of process fingerprints
KR102583402B1 (ko) 학습 완료된 모델 생성 방법, 이상 요인 추정 장치, 기판 처리 장치, 이상 요인 추정 방법, 학습 방법, 학습 장치, 및 학습 데이터 작성 방법
JP2006501684A (ja) プラズマプロセスのデータを解析するための方法とシステム
US20230161301A1 (en) Substrate processing apparatus, substrate processing method, training data generation method, training method, training device, trained model creation method, and trained model
CN115769336A (zh) 加工设备的控制
EP4325549A1 (en) Substrate processing device, substrate processing system, and data processing method
CN111190393B (zh) 半导体制程自动化控制方法及装置
Tin et al. A realizable overlay virtual metrology system in semiconductor manufacturing: Proposal, challenges and future perspective
JP5200276B2 (ja) インラインリソグラフィ及びエッチングシステム
TW202420003A (zh) 有感測器支援的永續性監測平台
KR101290199B1 (ko) 반도체 제조 설비에서 런-투-런 제어를 위한 컨텍스트 오프셋들을 추정하기 위한 방법 및 시스템
JP2024046993A (ja) 支援装置、支援方法、基板処理システム、記録媒体、及び、支援プログラム
Chen et al. Development of a virtual metrology for high-mix TFT-LCD manufacturing processes
US20210202258A1 (en) Substrate treatment apparatus, substrate treatment method, substrate treatment system, and learning data generation method
Haskaraman Chamber matching in semiconductor manufacturing using statistical analysis and run-to-run control
Bertorelle Virtual metrology for semiconductor manufacturing applications

Legal Events

Date Code Title Description
RD02 Notification of acceptance of power of attorney

Free format text: JAPANESE INTERMEDIATE CODE: A7422

Effective date: 20240626