JP7100571B2 - めっき可能な基板の枚数を予測する予測モデルを構築する方法、不具合を引き起こす構成部材を予想するための選択モデルを構築する方法、およびめっき可能な基板の枚数を予測する方法 - Google Patents

Description

本発明は、めっき装置に使用される基板ホルダに不具合が起こるまでにめっきすることが可能な基板の枚数を予測する予測モデルを構築する方法に関し、特にディープラーニングなどの機械学習により予測モデルを構築する方法に関する。また、本発明は、そのような予測モデルを用いて、めっき可能な基板の枚数を予測する方法に関する。

めっき装置は、基板ホルダで保持された基板（例えばウェーハ）をめっき液に浸漬させ、基板とアノードとの間に電圧を印加することで、基板の表面に導電膜を析出させる。基板ホルダは、基板と電源との電気的接続を確立するための複数の電気接点、これらの電気接点をめっき液から隔離するためのシール、シールを保持するシールホルダなどの複数の構成部材から構成されている。

基板ホルダに不具合が起こると、基板のめっきに悪影響を及ぼす。例えば、シールが変形すると、基板ホルダの内部にめっき液が浸入し、めっき液が電気接点に接触する。結果として、目標の厚さを持つ導電膜が基板上に形成されない。基板ホルダは、めっきされる基板に接触する構成部材を有するため、基板ホルダのコンディションは、めっき結果に大きく影響する。よって、良好なめっき結果を達成するために、基板ホルダのメンテナンスは重要である。

特開２０１８－３１０２号公報

基板ホルダのメンテナンスは基板ホルダの不具合が発生する前に実施することが望ましい。しかしながら、基板ホルダのメンテナンスが必要か否かを正確に判断することは難しい。このため、従来では、基板ホルダに不具合が発生した後に基板ホルダのメンテナンスを実行する場合があるが、その場合、事前にメンテナンスの準備を行うことができず、メンテナンスに時間がかかってしまう。なお、特許文献１には、基板ホルダの外観検査装置を備え、必要に応じて基板ホルダのクリーニングを行う基板ホルダの検査装置が記載されているが、基板ホルダの外観に異常が生じているか否かを判定するものに過ぎない。

そこで、本発明は、基板ホルダのメンテナンスが必要とされる時期を正確に予測することができる予測モデルを構築する方法を提供する。また、本発明は、基板ホルダの不具合の原因となりうる基板ホルダの複数の構成部材の中から、基板ホルダの不具合を引き起こす構成部材を予想することができる選択モデルを構築する方法を提供する。また、本発明は、そのような予測モデルを用いて、基板ホルダのメンテナンス時期を予測する方法を提供する。

一態様では、基板ホルダに不具合が起こるまでにめっきすることが可能な基板の枚数を予測する予測モデルを構築する方法であって、基板ホルダを用いて複数の基板をめっきし、前記基板ホルダに不具合が起こるまで前記基板ホルダを用いてめっきされた基板の総枚数を決定し、前記基板ホルダに不具合が起こるまでにめっきすることが可能な基板の枚数である第１処理可能枚数および第２処理可能枚数を決定し、前記第１処理可能枚数に対応する第１コンディションデータと、前記第１処理可能枚数との組み合わせからなる第１データセットを作成し、前記第１コンディションデータは、前記基板ホルダの構成部材の状態を表しており、前記第２処理可能枚数に対応する第２コンディションデータと、前記第２処理可能枚数との組み合わせからなる第２データセットを作成し、前記第２コンディションデータは、前記構成部材の状態を表しており、前記第１データセットと前記第２データセットを含む訓練データを用いて、ニューラルネットワークからなる予測モデルのパラメータを最適化することを含み、前記基板ホルダの不具合は、前記基板ホルダ内の漏液または前記基板ホルダの通電不良であり、前記第１コンディションデータおよび前記第２コンディションデータのそれぞれは、前記基板ホルダの画像データおよび表面形状データのうちのいずれか１つから構成されている、方法が提供される。

一態様では、前記第１処理可能枚数は０であり、前記第１コンディションデータは、前記不具合が起きたときの前記基板ホルダの前記構成部材の状態を表す欠陥コンディションデータであり、前記第１データセットは、前記欠陥コンディションデータと０との組み合わせからなる欠陥データセットである。
一態様では、前記第２処理可能枚数は、前記総枚数よりも少ない中間枚数を前記総枚数から減算することで得られた処理可能枚数であり、前記第２コンディションデータは、前記中間枚数の基板をめっきした時点での前記構成部材の状態を表す中間コンディションデータであり、前記第２データセットは、前記中間コンディションデータと前記第２処理可能枚数との組み合わせからなる中間データセットである。
一態様では、前記第１処理可能枚数は、前記総枚数よりも少ない第１中間枚数を前記総枚数から減算することで得られた処理可能枚数であり、前記第１コンディションデータは、前記第１中間枚数の基板をめっきした時点での前記構成部材の状態を表す第１中間コンディションデータであり、前記第１データセットは、前記第１中間コンディションデータと前記第１処理可能枚数との組み合わせからなる第１中間データセットであり、前記第２処理可能枚数は、前記第１中間枚数よりも少ない第２中間枚数を前記総枚数から減算することで得られた処理可能枚数であり、前記第２コンディションデータは、前記第２中間枚数の基板をめっきした時点での前記構成部材の状態を表す第２中間コンディションデータであり、前記第２データセットは、前記第２中間コンディションデータと前記第２処理可能枚数との組み合わせからなる第２中間データセットである。
一態様では、前記予測モデルは、入力層、少なくとも２つの中間層、および出力層を有するニューラルネットワークから構成されている。
一態様では、基板ホルダを用いて複数の基板をめっきすることから、前記予測モデルのパラメータを最適化することまでの工程を繰り返すことで、前記予測モデルを更新する。
一態様では、前記基板ホルダの不具合の原因が前記構成部材にあることを表す数値セットと、前記不具合が起きたときの前記基板ホルダの他の構成部材の状態を表す参照コンディションデータと、前記不具合が起きたときの前記構成部材の状態を表す欠陥コンディションデータとを含む選択データセットを作成し、前記選択データセットを用いて、ニューラルネットワークからなる選択モデルのパラメータを最適化する工程をさらに含む。

一態様では、上記記載の方法を用いて構築された予測モデルを用意し、現在使用されている基板ホルダの構成部材の状態を表す最新コンディションデータを前記予測モデルに入力し、前記予測モデルから予測処理可能枚数を出力する方法である。

一態様では、前記予測処理可能枚数を、前記現在使用されている基板ホルダに取り付けられた電子タグに書き込む工程をさらに備えている。

一態様では、基板ホルダの不具合の原因となりうる前記基板ホルダの複数の構成部材の中から、前記基板ホルダの不具合を引き起こす構成部材を予想するための選択モデルを構築する方法であって、第１基板ホルダの第１構成部材に起因して該第１基板ホルダに不具合が起こるまで複数の基板をめっきし、前記第１基板ホルダの不具合の原因が前記第１構成部材にあることを表す第１数値セットと、前記不具合が起きたときの前記第１基板ホルダの第２構成部材の状態を表す第１参照コンディションデータと、前記不具合が起きたときの前記第１構成部材の状態を表す第１欠陥コンディションデータとを含む第１選択データセットを作成し、前記第１選択データセットを用いて、ニューラルネットワークからなる選択モデルのパラメータを最適化し、第２基板ホルダの第２構成部材に起因して該第２基板ホルダに不具合が起こるまで複数の基板をめっきし、前記第２基板ホルダの不具合の原因が前記第２構成部材にあることを表す第２数値セットと、前記不具合が起きたときの前記第２基板ホルダの第１構成部材の状態を表す第２参照コンディションデータと、前記不具合が起きたときの前記第２構成部材の状態を表す第２欠陥コンディションデータとを含む第２選択データセットを作成し、前記第２選択データセットを用いて前記パラメータをさらに最適化することを含み、前記第１基板ホルダおよび前記第２基板ホルダの不具合は、前記第１基板ホルダおよび前記第２基板ホルダ内の漏液、または前記第１基板ホルダおよび前記第２基板ホルダの通電不良であり、前記第１参照コンディションデータおよび前記第１欠陥コンディションデータのそれぞれは、前記第１基板ホルダの画像データおよび表面形状データのうちのいずれか１つから構成されており、前記第２参照コンディションデータおよび前記第２欠陥コンディションデータのそれぞれは、前記第２基板ホルダの画像データおよび表面形状データのうちのいずれか１つから構成されている、方法が提供される。

一態様では、現在使用されている基板ホルダの構成部材の状態を表す基板ホルダの第１構成部材および第２構成部材の最新コンディションデータを、上記方法によって構築された選択モデルに入力し、前記選択モデルから出力された前記第１構成部材に対応する第１確信度が、前記第２構成部材に対応する第２確信度よりも高い場合に、前記第１構成部材の最新コンディションデータを、前記第１構成部材に対応する予測モデルに入力し、前記予測モデルから前記基板ホルダの予測処理可能枚数を出力する工程を含み、前記予測モデルは上記方法によって構築された予測モデルである、方法が提供される。

本発明によれば、基板ホルダに不具合が起こるまでにめっきすることが可能な基板の枚数を正確に予測することができる予測モデルを構築することができる。また、本発明によれば、基板ホルダの不具合の原因となりうる基板ホルダの複数の構成部材の中から、基板ホルダの不具合を引き起こす構成部材を予想することができる選択モデルを構築することができる。また、本発明によれば、予測モデルを用いて、基板ホルダに不具合が起こるまでにめっきすることが可能な基板の枚数を正確に予測することができる。

めっき装置の全体配置図である。 図１に示す基板ホルダの概略を示す斜視図である。 図１に示す基板ホルダの概略を示す平面図である。 図１に示す基板ホルダの概略を示す右側面図である。 図４のＡ部拡大図である。 漏液および通電不良の原因となりうる、基板ホルダの各構成部材の状態変化の種類を列挙した表である。 予測モデルの一例を示す模式図である。 予測モデルのパラメータを最適化する方法の一実施形態を示すフローチャートである。 選択モデルの一例を示す模式図である。 選択モデルのパラメータを最適化する方法の一実施形態を示すフローチャートである。 基板ホルダの使用可否を判断する工程の一実施形態を示すフローチャートである。 基板ホルダの使用可否を判断する工程の一実施形態を示すフローチャートである。 図１３（ａ）および図１３（ｂ）は、基板ホルダの構成部材の撮像方法と表面形状の測定方法の一例を示す模式図である。

以下、本発明の実施形態について図面を参照して説明する。図１は、めっき装置の全体配置図である。図１に示すように、このめっき装置には、ウェーハ等の基板を収納したカセット１０を搭載する２台のカセットテーブル１２と、基板のオリエンテーションフラットやノッチなどの切り欠きの位置を所定の方向に合わせるアライナ１４と、めっき処理後の基板を高速回転させて乾燥させるスピンリンスドライヤ１６が備えられている。

スピンリンスドライヤ１６の近くには、基板ホルダ１８を載置して基板の該基板ホルダ１８への着脱を行うフィキシングステーション２０が設けられる。さらに、カセット１０、アライナ１４、スピンリンスドライヤ１６、およびフィキシングステーション２０の間で基板を搬送する搬送用ロボットからなる基板搬送装置２２が配置されている。フィキシングステーション２０には、基板ホルダ１８を撮影するための撮像装置１０１と、基板ホルダ１８の表面形状を測定するための３次元計測器１０２が設置されている。

撮像装置１０１および３次元計測器１０２は、機械学習を実行する演算システム１１０に電気的に接続されている。撮像装置１０１および３次元計測器１０２は、生成した画像データおよび表面形状データを演算システム１１０に送信可能に構成されている。演算システム１１０は、少なくとも１台のコンピュータから構成されている。演算システム１１０は、上記画像データおよび表面形状データを記憶する記憶装置１１０ａを備えている。演算システム１１０は、ＣＰＵ（中央処理装置）またはＧＰＵ（グラフィックプロセッシングユニット）などの処理装置１１０ｂをさらに備えている。

図１では、演算システム１１０は模式的に描かれている。演算システム１１０は、めっき装置に通信線で接続されたエッジサーバであってもよいし、インターネットなどのネットワークによってめっき装置に接続されたクラウドサーバであってもよし、あるいはめっき装置に接続されたネットワーク内に設置されたフォグコンピューティングデバイス（ゲートウェイ、フォグサーバ、ルーターなど）であってもよい。演算システム１１０は、複数のサーバ（コンピュータ）の組み合わせであってもよい。例えば、演算システム１１０は、めっき装置の近くに配置されたエッジサーバと、めっき装置から遠く離れたクラウドサーバとの組み合わせであってもよい。演算システム１１０を構成する複数のサーバ（コンピュータ）は、インターネットなどのネットワークを介して互いに接続されてもよいし、あるいは互いに接続されていなくてもよい。

さらに、基板ホルダ１８の保管及び一時仮置きを行うストッカ２４、基板の表面を親水化処理するプリウェット槽２６、基板の表面に形成したシード層等の導電膜の表面の酸化膜をエッチング除去する前処理槽２８、前処理後の基板を洗浄する第１水洗槽３０ａ、洗浄後の基板の水切りを行うブロー槽３２、めっき後の基板を洗浄する第２水洗槽３０ｂ、及びめっき槽３４が順に配置されている。めっき槽３４は、オーバーフロー槽３６の内部に複数のめっきセル３８を収納して構成され、各めっきセル３８は、内部に１個の基板を収納して、銅めっきや金属めっき（Ｓｎ、Ａｕ、Ａｇ、Ｎｉ、Ｒｕ、Ｉｎめっき）、合金めっき（Ｓｎ／Ａｇ合金、Ｓｎ／Ｉｎ合金等）のめっきを施すようになっている。

さらに、めっき装置は、基板ホルダ１８を基板とともに搬送する、例えばリニアモータ方式を採用した基板ホルダ搬送装置４０を備えている。この基板ホルダ搬送装置４０は、フィキシングステーション２０、ストッカ２４、プリウェット槽２６との間で基板を搬送する第１トランスポータ４２と、ストッカ２４、プリウェット槽２６、前処理槽２８、第１水洗槽３０ａ、第２水洗槽３０ｂ、ブロー槽３２、及びめっき槽３４との間で基板を搬送する第２トランスポータ４４を有している。第２トランスポータ４４を備えることなく、第１トランスポータ４２のみを備えるようにしてもよい。この場合、第１トランスポータ４２は、フィキシングステーション２０、ストッカ２４、プリウェット槽２６、前処理槽２８、第１水洗槽３０ａ、第２水洗槽３０ｂ、ブロー槽３２、及びめっき槽３４との間で基板を搬送できるように構成される。

さらに、めっき装置は、コントローラ１１５を備えている。撮像装置１０１、３次元計測器１０２、演算システム１１０、フィキシングステーション２０、基板搬送装置２２、および基板ホルダ搬送装置４０は、コントローラ１１５に電気的に接続されている。撮像装置１０１、３次元計測器１０２、フィキシングステーション２０、基板搬送装置２２、および基板ホルダ搬送装置４０の動作は、コントローラ１１５によって制御される。演算システム１１０は、メンテナンス時期の予測結果をコントローラ１１５に送信し、コントローラ１１５は、上記メンテナンス時期の予測結果に基づいて、撮像装置１０１、３次元計測器１０２、および基板ホルダ搬送装置４０を制御する。

めっき槽３４のオーバーフロー槽３６に隣接して、各めっきセル３８の内部に位置してめっき液を攪拌する掻き混ぜ棒としてのパドル（図示せず）を駆動するパドル駆動装置４６が配置されている。

フィキシングステーション２０は、レール５０に沿って横方向にスライド自在な載置プレート５２を備えている。この載置プレート５２に２個の基板ホルダ１８を水平状態で並列に載置して、この一方の基板ホルダ１８と基板搬送装置２２との間で基板の受渡しを行った後、載置プレート５２を横方向にスライドさせて、他方の基板ホルダ１８と基板搬送装置２２との間で基板の受渡しを行うようになっている。

基板ホルダ１８は、図２乃至図５に示すように、例えば塩化ビニル製で矩形平板状の第１保持部材（ベース保持部材）５４と、この第１保持部材５４にヒンジ５６を介して開閉自在に取付けた第２保持部材（可動保持部材）５８とを有している。なお、この例では、第２保持部材５８を、ヒンジ５６を介して開閉自在に構成した例を示しているが、例えば第２保持部材５８を第１保持部材５４に対峙した位置に配置し、この第２保持部材５８を第１保持部材５４に向けて前進させて開閉するようにしてもよい。

第２保持部材５８は、基部６０とシールホルダ６２とを有している。シールホルダ６２は、例えば塩化ビニル製であり、下記のスライドプレート６４との滑りを良くしている。シールホルダ６２の上面には、基板ホルダ１８で基板Ｗを保持した時、基板Ｗの表面外周部に圧接して基板Ｗと第２保持部材５８との間の隙間をシールするシール（第１シール突起）６６が内方に突出して取付けられている。更に、シールホルダ６２の第１保持部材５４と対向する面には、基板ホルダ１８で基板Ｗを保持した時、第１保持部材５４に圧接して第１保持部材５４と第２保持部材５８との間の隙間をシールするシール（第２シール突起）６８が取付けられている。シール６８はシール６６の外方に位置している。

シール（第１シール突起）６６およびシール（第２シール突起）６８は無端状のシールである。シール６６およびシール６８はＯリングなどのシール部材でもよい。一実施形態では、シール６６およびシール６８を含む第２保持部材５８自体がシール機能を有する材料から構成されてもよい。本実施形態では、シール６６およびシール６８は環状であり、同心状に配置されている。基板Ｗのめっき時には、基板Ｗを保持した基板ホルダ１８は、縦姿勢で、めっきセル３８内に配置される。基板ホルダ１８が水平姿勢でめっきセル内に配置される場合には、シール６８は省略してもよい。

図５に示すように、シール６６は、シールホルダ６２と第１固定リング７０ａとの間に挟持されてシールホルダ６２に取付けられている。第１固定リング７０ａは、シールホルダ６２にボルト等の締結具６９ａを介して取付けられる。シール６８は、シールホルダ６２と第２固定リング７０ｂとの間に挟持されてシールホルダ６２に取付けられている。第２固定リング７０ｂは、シールホルダ６２にボルト等の締結具６９ｂを介して取付けられる。

第２保持部材５８のシールホルダ６２の外周部には、段部が設けられ、この段部に、スライドプレート６４がスペーサ６５を介して回転自在に装着されている。スライドプレート６４は、シールホルダ６２の側面に外方に突出ように取付けられた押え板７２（図３参照）により、脱出不能に装着されている。このスライドプレート６４は、酸やアルカリに対して耐食性に優れ、十分な剛性を有する、例えばチタンから構成される。スペーサ６５は、スライドプレート６４がスムーズに回転できるように、摩擦係数の低い材料、例えばＰＴＦＥで構成されている。

スライドプレート６４の外側方に位置して、第１保持部材５４には、内方に突出する突出部を有する逆Ｌ字状のクランパ７４が円周方向に沿って等間隔で立設されている。一方、スライドプレート６４の円周方向に沿ったクランパ７４と対向する位置には、外方に突出する突起部６４ｂが設けられている。そして、クランパ７４の内方突出部の下面及びスライドプレート６４の突起部６４ｂの上面は、回転方向に沿って互いに逆方向に傾斜するテーパ面となっている。スライドプレート６４の円周方向に沿った複数箇所（例えば３箇所）には、上方に突出する凸部６４ａが設けられている。これにより、フィキシングステーション２０の回転ピン（図示せず）を回転させて凸部６４ａを横から押し回すことにより、スライドプレート６４を回転させることができる。

第２保持部材５８を開いた状態で、基板Ｗは第１保持部材５４の中央部に置かれる。次いで、ヒンジ５６を介して第２保持部材５８を閉じ、スライドプレート６４を時計回りに回転させて、スライドプレート６４の突起部６４ｂをクランパ７４の内方突出部の内部に滑り込ませることで、スライドプレート６４とクランパ７４にそれそれぞれ設けたテーパ面を介して、第１保持部材５４と第２保持部材５８とを互いに締付けてロックし、スライドプレート６４を反時計回りに回転させてスライドプレート６４の突起部６４ｂを逆Ｌ字状のクランパ７４から外すことで、このロックを解くようになっている。

このようにして第２保持部材５８をロックした時（すなわち、基板ホルダ１８が基板Ｗを保持した時）、シール６６の内周面側の下方突出部下端は、基板Ｗの表面外周部に均一に押圧され、第２保持部材５８と基板Ｗの表面外周部との間の隙間がシール６６によってシールされる。同様に、シール６８の外周側の下方突出部下端は、第１保持部材５４の表面に均一に押圧され、第１保持部材５４と第２保持部材５８との間の隙間がシール６８によってシールされる。

基板ホルダ１８は、基板Ｗを第１保持部材５４と第２保持部材５８との間に挟むことによって、基板Ｗを保持する。第２保持部材５８は、円形の開口部５８ａを有している。この開口部５８ａは、基板Ｗの大きさよりもやや小さい。基板Ｗが第１保持部材５４と第２保持部材５８との間に挟まれているとき、基板Ｗの被処理面は、この開口部５８ａを通じて露出される。したがって、後述するプリウェット液、前処理液、めっき液などの各種処理液は、基板ホルダ１８に保持された基板Ｗの露出した表面に接触することができる。この基板Ｗの露出した表面は、シール（第１シール突起）６６に囲まれている。

基板ホルダ１８で基板Ｗを保持すると、図５に示すように、内周側をシール６６で、外周側をシール６８でそれぞれシールされた内部空間Ｒ１が基板ホルダ１８の内部に形成される。第１保持部材５４の中央部には、基板Ｗの大きさに合わせてリング状に突出し、基板Ｗの外周部に当接して該基板Ｗを支持する支持面８０を有する突条部８２が設けられている。この突条部８２の円周方向に沿った所定位置に凹部８４が設けられている。

そして、図３に示すように、この各凹部８４内には複数（図示では１２個）の第２電気接点８６が配置されており、これらの第２電気接点８６は、ハンド９０に設けた外部電気接点９１から延びる複数の電線９２にそれぞれ接続されている。第１保持部材５４の支持面８０上に基板Ｗを載置した際、この第２電気接点８６の端部が基板Ｗの側方で第１保持部材５４の表面にばね性を有した状態で露出して、図５に示す第１電気接点８８の下部に接触するようになっている。

第２電気接点８６に電気的に接続される第１電気接点８８は、ボルト等の締結具８９を介して第２保持部材５８のシールホルダ６２に固着されている。この第１電気接点８８は、板ばね形状を有している。第１電気接点８８は、シール６６の外方に位置して、内方に板ばね状に突出する接点部を有しており、この接点部において、その弾性力によるばね性を有して容易に屈曲する。第１保持部材５４と第２保持部材５８で基板Ｗを保持した時に、第１電気接点８８の接点部が、第１保持部材５４の支持面８０上に支持された基板Ｗの外周面に弾性的に接触するように構成されている。

第２保持部材５８の開閉は、図示しないエアシリンダと第２保持部材５８の自重によって行われる。つまり、第１保持部材５４には通孔５４ａが設けられ、フィキシングステーション２０の上に基板ホルダ１８を載置した時に該通孔５４ａに対向する位置にエアシリンダが設けられている。これにより、ピストンロッドを伸展させ、通孔５４ａを通じて押圧棒（図示せず）で第２保持部材５８のシールホルダ６２を上方に押上げることで第２保持部材５８を開き、ピストンロッドを収縮させることで、第２保持部材５８をその自重で閉じるようになっている。

基板ホルダ１８の第１保持部材５４の端部には、基板ホルダ１８を搬送したり、吊下げる際の支持部となる一対の略Ｔ字状のハンド９０が設けられている。ストッカ２４内においては、ストッカ２４の周壁上面にハンド９０を引っ掛けることで、基板ホルダ１８が垂直に吊下げられる。この吊下げられた基板ホルダ１８のハンド９０を基板ホルダ搬送装置４０のトランスポータ４２または４４で把持して基板ホルダ１８を搬送するようになっている。なお、プリウェット槽２６、前処理槽２８、第１水洗槽３０ａ、第２水洗槽３０ｂ、ブロー槽３２及びめっき槽３４内においても、基板ホルダ１８は、ハンド９０を介してそれらの周壁に吊下げられる。

本実施形態に使用される基板Ｗは、ウェーハなどの円形の基板であるが、本発明は四角形の基板にも適用することができる。四角形の基板を保持するための基板ホルダの各構成部材は、その基板の形状に適合する形状を有する。例えば、上述した開口部５８ａは、四角形の基板全体のサイズよりも小さい四角形の開口部とされる。シール６６，６８などの他の構成部材も、四角形の基板の形状に適合する形状とされる。その他の各構成部材の形状も、上述した技術思想から逸脱しない範囲内で適宜変更される。

上述したように、基板ホルダ１８は、シール６６，６８、第１電気接点８８、第２電気接点８６、外部電気接点９１、シールホルダ６２、第１保持部材５４などの複数の構成部材から構成された複合組立体である。これら構成部材は、基板ホルダ１８が複数の基板のめっきに使用されるにつれて、変形または腐食することがある。例えば、第１電気接点８８が変形すると、適切な電流を基板に流すことができない。他の例では、シール６６，６８が変形すると、めっき液が基板ホルダ１８の内部空間Ｒ１内に浸入し、めっき液が電気接点８６，８８に接触してしまう。結果として、めっき不良が起こる。このため、めっき不良が起こる前に、基板ホルダ１８のメンテナンスを実施することが重要である。

本実施形態では、機械学習によって構築された予測モデルを用いて基板ホルダ１８のメンテナンス時期を予測する。この予測モデルは、基板ホルダ１８に不具合が起こるまでに該基板ホルダ１８を用いてめっきすることが可能な基板の枚数を予測するためのモデルである。本明細書では、機械学習は、ニューラルネットワークを用いた学習であり、機械学習にはディープラーニングが含まれる。機械学習は、少なくとも１台のコンピュータから構成された演算システム１１０によって実行される。演算システム１１０は、演算システム１１０に機械学習を実行させるためのプログラムが格納された記憶装置１１０ａと、プログラムに従って演算を行う処理装置１１０ｂを備えている。

基板ホルダ１８の各構成部材の状態は、基板のめっきを繰り返し実施するにつれて、徐々に変化する。各構成部材の状態変化は、基板ホルダ１８の不具合の原因となりうる。基板ホルダ１８の不具合の例として、漏液と通電不良が挙げられる。漏液は、シール機能が不十分であることに起因してめっき液が基板ホルダ１８の内部空間Ｒ１内に浸入することである。通電不良は、基板ホルダ１８に保持された基板に所望の電流が流れないことである。漏液または通電不良が起こると、めっき装置は、意図した厚さの膜を基板の表面に形成することができない。

漏液および通電不良の原因には、さまざまなものが考えられる。図６は、漏液および通電不良の原因となりうる、基板ホルダ１８の各構成部材の状態変化の種類を列挙した表である。図６において、丸印（○）は、構成部材の状態変化が、漏液または通電不良を引き起こす可能性が高いことを示し、三角印（△）は、構成部材の状態変化が、漏液または通電不良を引き起こすかどうか不明であることを示している。さらに、図６に示す表には、各状態変化の検出に使用されるデータのタイプが列挙されている。例えば、シールホルダ６２の変色は、漏液の原因となりうる状態変化であり、シールホルダ６２の変色は画像データに基づいて検出される。電気接点８６，８８の変形は、通電不良の原因となりうる状態変化であり、電気接点８６，８８の変形は表面形状データに基づいて検出される。

各構成部材の状態変化の具体例は、次の通りである。ただし、各構成部材の状態変化は以下の具体例に限られない。
シールホルダ６２：変色、変形、結晶残留
第１保持部材５４：変色、変形、結晶残留
第１電気接点８８：変形、Ａｕ表面膜の剥離、金属析出、めっき液に含まれる硫酸 銅の結晶化
第２電気接点８６：変形、Ａｕ表面膜の剥離、金属析出、めっき液に含まれる硫酸
銅の結晶化
外部電気接点９１：変形、Ａｕ表面膜の剥離、金属析出、めっき液に含まれる硫酸
銅の結晶化
シール６６，６８：変形、変色
スライドプレート６４：変形
上記各構成部材の変形の具体例として、外力を加えられたことに起因する変形、内部応力に起因する歪、構成部材の腐食が挙げられる。

基板ホルダ１８の不具合を予測する予測モデルを構築するために、各構成部材の画像データおよび表面形状データのうちの少なくとも１つが用いられる。例えば、シール６６，６８の変形に基づいて基板ホルダ１８の不具合を予測する予測モデルの構築には表面形状データが使用され、シール６６，６８の変色に基づいて基板ホルダ１８の不具合を予測する予測モデルの構築には画像データが使用される。

めっきすべき基板を保持する前に、基板ホルダ１８の各構成部材の画像データおよび表面形状データは撮像装置１０１および３次元計測器１０２によってそれぞれ生成される。演算システム１１０は、画像データおよび表面形状データを撮像装置１０１および３次元計測器１０２から取得し、画像データおよび表面形状データを記憶装置１１０ａ内に記憶する。一実施形態では、基板ホルダ１８の各構成部材の画像データおよび表面形状データの生成は、めっきされた基板が基板ホルダ１８から取り出された後に行われてもよい。

撮像装置１０１は、ＣＣＤまたはＣＭＯＳなどのイメージセンサを備えたカメラである。３次元計測器１０２は、対象物の表面形状を測定することができる装置であり、例えば、レーザ変位計が使用される。より具体的には、３次元計測器１０２は、構成部材の表面上の複数の測定点の位置を測定し、位置の測定値として各測定点のＸ座標、Ｙ座標、Ｚ座標を出力する。

演算システム１１０は、ある特定の基板ホルダ１８の使用が開始されてから、その基板ホルダ１８を用いてめっきされた基板の累積枚数を計数する。具体的には、基板ホルダ１８を用いて基板がめっきされるたびに、演算システム１１０は、その基板ホルダ１８を用いてめっきされた基板の累積枚数を計数する。さらに、画像データおよび表面形状データを撮像装置１０１および３次元計測器１０２から取得するたびに、演算システム１１０は、画像データおよび表面形状データを、めっきされた基板の現在の累積枚数に関連付ける。そして、演算システム１１０は、画像データおよび表面形状データを、めっきされた基板の現在の累積枚数に結び付けて記憶装置１１０ａ内に記憶する。

めっきすべき基板を保持した後に、基板ホルダ１８は、漏洩検査装置１１７に接続される。漏洩検査装置１１７は、基板ホルダ１８のシール６６，６８が正常に機能しているかを検査する。漏洩検査装置１１７は、シール６６，６８によって基板ホルダ１８内に形成された内部空間Ｒ１内に正圧または負圧を形成し、内部空間Ｒ１の圧力（正圧または負圧）が所定時間内に許容値を超えて変化した場合は、基板ホルダ１８に不具合が起きたことを示すアラーム信号を発する。内部空間Ｒ１内の圧力が大きく変化した場合は、基板のめっき中にめっき液が内部空間Ｒ１内に浸入するおそれがある。これは、基板ホルダ１８に不具合（すなわち、漏液）が起きたことを意味する。漏洩検査装置１１７は、コントローラ１１５に電気的に接続されている。

さらに、めっきすべき基板を保持したまま、基板ホルダ１８は、通電検査装置１１８に接続される。通電検査装置１１８は、基板ホルダ１８の外部電気接点９１を通じて基板に所定の電流を流し、基板ホルダ１８の内部抵抗を測定する。基板ホルダ１８の内部抵抗は、外部電気接点９１、電線９２、第１電気接点８８、第２電気接点８６、および基板ホルダ１８に保持されている基板の複合抵抗である。基板ホルダ１８の内部抵抗は、第１電気接点８８と基板との接触状態、および第１電気接点８８と第２電気接点８６の接触状態に依存して変わりうる。例えば、第１電気接点８８が腐食すると、第１電気接点８８と基板との接触抵抗が変化する。結果として、基板ホルダ１８の内部抵抗が変化する。

通電検査装置１１８は、内部抵抗の測定値が予め定められた設定範囲を外れる場合は、基板ホルダ１８に不具合が起きたことを示すアラーム信号を発する。内部抵抗の測定値が設定範囲を外れる場合は、外部電気接点９１、第１電気接点８８、第２電気接点８６のうちの少なくとも１つに不具合が生じていると推定される。結果として、所望の厚さの膜を基板に析出させることができない。これは、基板ホルダ１８に不具合（すなわち、通電不良）が起きたことを意味する。通電検査装置１１８は、コントローラ１１５に電気的に接続されている。

一実施形態では、基板ホルダ１８の内部抵抗の測定は、めっきすべき基板ではなく、ダミー基板を保持した基板ホルダ１８に対して行ってもよい。ダミー基板の例として、表面にパターンが形成されていないブランケット基板であって、表面に銅等の導電性膜が被膜された基板等が挙げられる。

画像データおよび表面形状データは、演算システム１１０に送られ、記憶装置１１０ａに記憶される。記憶装置１１０ａには、基板ホルダ１８に不具合が起こるまでにめっきすることが可能な基板の枚数を予測する複数の予測モデルが格納されている。画像データおよび表面形状データのうちのいずれか１つが各予測モデルに入力されると、予測モデルは、その基板ホルダ１８を用いてめっきすることができる基板の予測枚数を出力する。

複数の予測モデルは、少なくとも、基板ホルダ１８の複数の構成部材（シールホルダ６２、電気接点８６，８８、シール６６，６８など）に対応して設けられる。さらに、複数の予測モデルは、基板ホルダ１８の不具合のタイプ（漏液、通電不良）ごとに設けられる。これは、基板ホルダ１８を用いてめっきすることができる基板の予測枚数は、基板ホルダ１８の構成部材ごとに変わりうるから、および基板ホルダ１８の不具合のタイプごとに変わりうるからである。一実施形態では、複数の予測モデルは、基板ホルダ１８の構成部材の状態変化のタイプごとに設けられてもよい。すなわち、図６の表に示される丸印（○）と三角印（△）の数だけ予測モデルが設けられてもよい。さらに、一実施形態では、１つの予測モデルのみが基板ホルダ１８に対して設けられてもよい。

複数の予測モデルのそれぞれは、ニューラルネットワークからなるモデルである。演算システム１１０は、画像データおよび表面形状データから予め選択された１つを少なくとも含む訓練データを用いて、各予測モデルのパラメータ（重みなど）を学習することで、予測モデルを構築する。予測モデルのパラメータには、重みの他に、バイアスが含まれることがある。

本実施形態では、基板ホルダ１８の各構成部材の状態を示すデータは、画像データおよび表面形状データから構成される。一実施形態では、基板ホルダ１８の各構成部材の状態を示すデータとして画像データまたは表面形状データのいずれかのみを使用してもよい。

図７は、予測モデルの一例を示す模式図である。図７に示すように、予測モデルは、入力層２０１と、複数の中間層（隠れ層ともいう）２０２と、出力層２０３を有したニューラルネットワークである。図７に示す予測モデルは、４つの中間層２０２を有しているが、予測モデルの構成は図７に示す例に限られない。多くの中間層２０２を有するニューラルネットワークを用いて実施される機械学習は、ディープラーニングと呼ばれる。

画像データを用いた予測モデルでは、画像データを構成する各ピクセルの赤色、緑色、青色を表す数値が入力層２０１に入力される。表面形状データを用いた予測モデルでは、基板ホルダ１８の構成部材の表面上の測定点の位置を表すＸ座標値、Ｙ座標値、Ｚ座標値が入力層２０１に入力される。いずれの場合も、出力層２０３は、基板ホルダ１８に不具合が起こるまでにめっきすることが可能な基板の枚数を出力する。以下の説明では、予測モデルから出力される基板の枚数を、予測処理可能枚数という。

演算システム１１０は、訓練データを用いた機械学習により予測モデルのパラメータ（重みなど）を最適化し、予測モデルの精度を向上させる。図８は、予測モデルのパラメータを最適化する方法の一実施形態を示すフローチャートである。ステップ１では、１つの新しい基板ホルダ１８を用いて複数の基板をめっきする。これら基板のめっきは、図１に示すめっき装置によって実行される。「新しい基板ホルダ１８」の例には、未使用の基板ホルダのみならず、メンテナンスされた基板ホルダも含まれる。画像データおよび表面形状データは、各基板が基板ホルダ１８に保持される前に、撮像装置１０１および３次元計測器１０２によって生成される。演算システム１１０は、画像データおよび表面形状データを撮像装置１０１および３次元計測器１０２から取得し、めっきされた基板の累計枚数とともに、演算システム１１０の記憶装置１１０ａ内に記憶する。

上記新しい基板ホルダ１８を用いた複数の基板のめっきは、基板ホルダ１８に不具合が起きるまで実施される。ユーザーは、基板ホルダ１８に不具合が起きたことを、漏洩検査装置１１７または通電検査装置１１８から発せられたアラーム信号から知ることができる。基板ホルダ１８に不具合が起きると、ユーザーは、基板ホルダ１８をめっき装置から取り出し、基板ホルダ１８を分解し、基板ホルダ１８の不具合の原因を特定する。さらに、ユーザーは、図示しない入力装置および通信装置などを用いて、特定された構成部材の状態変化が原因で基板ホルダ１８に不具合が起きたとの情報を演算システム１１０に与える。具体的には、ユーザーは、予測モデルの構築（学習）に使用すべき構成部材を演算システム１１０に教示する。例えば、第１電気接点８８の変形が原因で基板ホルダ１８の不具合が起きた場合は、ユーザーは、予測モデルの構築（学習）に使用すべき構成部材が第１電気接点８８であるとの情報を演算システム１１０に与える。

ステップ２では、演算システム１１０は、上記不具合が起こるまで基板ホルダ１８を用いてめっきされた基板の総枚数を決定し、決定された基板の総枚数を記憶装置１１０ａに記憶する。基板の総枚数は、基板ホルダ１８の使用が開始されてから、基板ホルダ１８に不具合が起きたときまでに、その基板ホルダ１８を用いてめっきされた基板の累積枚数である。基板の総枚数は、演算システム１１０の記憶装置１１０ａに記憶されている最新の累積枚数に相当する。さらに、不具合が起きたときにその基板ホルダ１８を用いてめっきをすることができる基板の枚数は、０である。

ステップ３では、演算システム１１０は、基板ホルダ１８の不具合の原因である基板ホルダ１８の構成部材の状態を表す欠陥コンディションデータを決定する。欠陥コンディションデータは、基板ホルダ１８の不具合を引き起こした基板ホルダ１８の構成部材の状態を示すコンディションデータであり、より具体的には、基板ホルダ１８の不具合が起きたときの上記構成部材の状態を示すコンディションデータである。欠陥コンディションデータは、記憶装置１１０ａ内に記憶された画像データおよび表面形状データの一部を構成する。欠陥コンディションデータは、構成部材の画像データおよび表面形状データのうちのいずれか１つから構成される。例えば、第１電気接点８８の変形が原因で基板ホルダ１８の不具合が起きた場合は、欠陥コンディションデータは、基板ホルダ１８の不具合が起きたときの第１電気接点８８の画像データ、すなわち第１電気接点８８の最新の画像データである。

ステップ４では、演算システム１１０は、欠陥コンディションデータと０との組み合わせからなる欠陥データセットを作成する。この数値０は、その基板ホルダ１８を用いてめっきをすることができる基板の枚数、すなわち処理可能枚数である。欠陥コンディションデータは、数値０に対応するコンディションデータである。
ステップ５では、演算システム１１０は、上記ステップ２で得られた総枚数よりも少ない中間枚数を上記総枚数から減算することで処理可能枚数を決定する。例えば、基板ホルダ１８に不具合が起きたときの基板の総枚数が５００枚であり、中間枚数が２００枚である場合、処理可能枚数は、３００枚（５００枚－２００枚）である。

ステップ６では、演算システム１１０は、ステップ５で決定された処理可能枚数に対応する中間コンディションデータを決定する。中間コンディションデータは、基板ホルダ１８の不具合の原因である基板ホルダ１８の構成部材の状態を表すコンディションデータであり、より具体的には、上記中間枚数の基板をめっきした時点での上記構成部材の状態を示すコンディションデータである。欠陥コンディションデータと同様に、中間コンディションデータは、記憶装置１１０ａ内に記憶された画像データおよび表面形状データの一部を構成する。中間コンディションデータは、構成部材の画像データおよび表面形状データのうちのいずれか１つから構成され、かつ欠陥コンディションデータと同じタイプのデータである。例えば、欠陥コンディションデータが表面形状データであれば、中間コンディションデータも表面形状データである。
ステップ７では、演算システム１１０は、中間コンディションデータと上記ステップ５で決定された処理可能枚数との組み合わせからなる中間データセットを作成する。

上記ステップ５，６，７は所定回数繰り返される。より具体的には、演算システム１１０は、中間枚数を変えながら、処理可能枚数の決定および中間データセットの作成を繰り返すことで複数の中間データセットを作成する。例えば、基板ホルダ１８に不具合が起きたときの、めっきされた基板の総枚数が５００枚である場合、中間枚数は１００枚、２００枚、３００枚、４００枚に設定される。これら複数の中間枚数は、０と総枚数との間において均等に分布していることが好ましい。本実施形態では、処理可能枚数は、４００枚（５００枚－１００枚）、３００枚（５００枚－２００枚）、２００枚（５００枚－１００枚）、１００枚（５００枚－４００枚）と決定される。

演算システム１１０は、処理可能枚数４００に対応する中間コンディションデータ（すなわち、１００枚の基板がめっきされたときの構成部材の中間コンディションデータ）と、処理可能枚数３００に対応する中間コンディションデータ（すなわち、２００枚の基板がめっきされたときの構成部材の中間コンディションデータ）と、処理可能枚数２００に対応する中間コンディションデータ（すなわち、３００枚の基板がめっきされたときの構成部材の中間コンディションデータ）と、処理可能枚数１００に対応する中間コンディションデータ（すなわち、４００枚の基板がめっきされたときの構成部材の中間コンディションデータ）を決定する。

さらに、演算システム１１０は、１００枚の基板がめっきされたときの構成部材の中間コンディションデータと処理可能枚数４００との組み合わせからなる中間データセット、２００枚の基板がめっきされたときの構成部材の中間コンディションデータと処理可能枚数３００との組み合わせからなる中間データセット、３００枚の基板がめっきされたときの構成部材の中間コンディションデータと処理可能枚数２００との組み合わせからなる中間データセット、および４００枚の基板がめっきされたときの構成部材の中間コンディションデータと処理可能枚数１００との組み合わせからなる中間データセットを作成する。

ステップ８では、演算システム１１０は、上述した欠陥データセットと上述した複数の中間データセットを含む訓練データを作成する。一実施形態では、訓練データは、欠陥データセットを含まなくてもよい。この場合は、訓練データは、複数の中間データセットのみを含む。
ステップ９では、演算システム１１０は、訓練データを用いて、ニューラルネットワークからなる予測モデルを構築する。より具体的には、演算システム１１０は、訓練データを用いて、予測モデルのパラメータ（重みなど）をディープラーニングにより最適化する。欠陥コンディションデータ（例えば変色したシールホルダ６２の画像データ）は予測モデルの入力層２０１に入力される。演算システム１１０は、出力層２０３からの出力値と０との差を最小とすることができる予測モデルの最適なパラメータを決定する。同様に、中間コンディションデータが予測モデルの入力層２０１に入力される。演算システム１１０は、出力層２０３からの出力値と処理可能枚数（例えば３００）との差を最小とすることができる予測モデルの最適なパラメータを決定する。このようにして、演算システム１１０は、訓練データを用いてディープラーニングを実行し、予測モデルのパラメータを最適化する。ディープラーニングによって構築された予測モデルは、演算システム１１０の記憶装置１１０ａに格納される。

欠陥コンディションデータおよび中間コンディションデータを予測モデルに入力する前に、欠陥コンディションデータおよび中間コンディションデータに前処理を施してもよい。具体的には、演算システム１１０は、処理可能な基板枚数の予測に寄与しない欠陥コンディションデータの一部および中間コンディションデータの一部を削除することで、欠陥コンディションデータおよび中間コンディションデータの容量を小さくする。例えば、シール６６，６８は環状であるので、演算システム１１０は、撮像装置１０１から送られてきた画像データから、シール６６，６８の内側にある領域の画像データを削除する。このような前処理により、欠陥コンディションデータおよび中間コンディションデータの容量を小さくすることができ、演算システム１１０への負荷および学習速度を向上させることができる。

ステップ１からステップ９までのすべての工程は、複数回繰り返され、新たな訓練データを用いて予測モデルが更新される。すなわち、新たな基板ホルダ（例えば、上記基板ホルダ１８と同じ構造を持つ別の基板ホルダ、またはメンテナンスされた基板ホルダ１８）が用意され、その新たな基板ホルダに不具合が起きるまで当該新たな基板ホルダを用いて複数の基板がめっきされる。演算システム１１０は、新たな訓練データを作成し、上記予測モデルのパラメータを更に最適化することで、予測モデルを更新する。新たな基板ホルダの不具合の原因となった構成部材は、先に基板めっきに使用された基板ホルダ１８の不具合の原因となった構成部材と同じである。新たな訓練データに含まれる欠陥コンディションデータおよび中間コンディションデータのタイプも、先に作成された訓練データに含まれる欠陥コンディションデータおよび中間コンディションデータのタイプと同じである。

同じようにして、不具合の原因となる可能性のある基板ホルダの複数の構成部材に対応する複数の予測モデルが構築される。具体的には、同一構造を有する複数の基板ホルダを用いて、複数の訓練データが作成され、これら複数の訓練データを用いて複数の予測モデルのパラメータが最適化される。演算システム１１０は、これらの予測モデルを記憶装置１１０ａに格納する。複数の予測モデルは、図６に示す表の丸印（○）および三角印（△）の数だけ構築されてもよい。一実施形態では、１つの予測モデルのみが構築されてもよい。

図１に示すめっき装置は、予測モデルの構築に使用された上記基板ホルダ１８と同じ構造を持つ別の基板ホルダを用いて基板をめっきする。基板をめっきする前に、撮像装置１０１および３次元計測器１０２は、基板ホルダの各構成部材の画像データおよび表面形状データを生成し、通電検査装置１１８は基板ホルダの内部抵抗を測定する。画像データおよび表面形状データは、演算システム１１０に送られ、記憶装置１１０ａに記憶される。

演算システム１１０は、作成されたすべての予測モデル（学習済みモデル）を用いて、現在めっき装置が使用している基板ホルダに不具合が起こるまでにめっきすることが可能な基板の枚数を予測する。すなわち、演算システム１１０は、現在使用されている基板ホルダの各構成部材の状態を表す最新コンディションデータを、すべての予測モデルに入力する。最新コンディションデータは、現在使用されている基板ホルダの各構成部材の画像データまたは表面形状データから構成される。それぞれの予測モデルは、現在めっき装置が使用している基板ホルダに不具合が起こるまでにめっきすることが可能な基板の枚数、すなわち予測処理可能枚数を出力する。

本実施形態では、演算システム１１０はすべての予測モデルを用いて予測処理可能枚数を決定するので、得られた複数の予測処理可能枚数にはばらつきがありうる。そこで、演算システム１１０は、複数の予測処理可能枚数のうち、最も小さい予測処理可能枚数を選択する。

めっき装置では、同一構造を持つ複数の基板ホルダが使用される。これら基板ホルダのそれぞれには、ＲＦＩＤ（radio frequency identification）の技術を適用した電子タグ（図３の符号９５参照）が取り付けられている。この電子タグは、ＲＦＩＤタグまたはＲＦタグと呼ばれる。電子タグは電気回路を備えており、読み取り機および書き込み機（図示せず）とで情報を非接触で送受信することができる。電子タグには、その電子タグが取り付けられた基板ホルダの識別番号が予め書き込まれている。演算システム１１０は、予測処理可能枚数（すなわち上記最も小さい予測処理可能枚数）を書き込み機に送信し、書き込み機は予測処理可能枚数を基板ホルダの電子タグに書き込む。

基板ホルダが基板めっきに使用されるにつれて、予測モデルから出力される予測処理可能枚数は減少する。演算システム１１０は、すべての予測モデルが複数の予測処理可能枚数を出力するたびに、最も小さい予測処理可能枚数を決定し、その最も小さい予測処理可能枚数を書き込み機に送信する。書き込み機は、基板ホルダの電子タグ内に既に書き込まれている予測処理可能枚数を書き換える。

読み取り機は、基板ホルダの電子タグから予測処理可能枚数を読み取り、図示しない表示機に予測処理可能枚数を表示させる。このようにしてユーザーは、各基板ホルダの予測処理可能枚数を知ることができる。結果として、各基板ホルダのメンテナンスを適切なタイミングで実施することができる。

電子タグに基板ホルダの識別番号と予測処理可能枚数が書き込まれているので、基板ホルダをめっき装置から取り出した後であっても、演算システム１１０またはコントローラ１１５に保存された予測処理可能枚数を参照することなく、基板ホルダに固有の予測処理可能枚数を知ることができ、基板ホルダの運用管理が容易になる。

演算システム１１０は、上述した複数の予測モデルに加え、基板ホルダ１８の不具合の原因となりうる基板ホルダ１８の複数の構成部材の中から、基板ホルダ１８の不具合を引き起こす構成部材を予想するための選択モデルを備えている。この選択モデルは、それぞれの構成部材について確信度を算出するように構成されている。確信度は、各構成部材が基板ホルダ１８の不具合を引き起こす確率を示す指標値であり、０から１００までの数値で表される。確信度は、０から１までの数値で表されてもよい。確信度は、スコアと呼ばれることもある。確信度の高い構成部材について構築された予測モデルから出力された予測処理可能枚数は、信頼性が高い予測処理可能枚数である。

本実施形態では、基板ホルダ１８の不具合の２つのタイプ（漏液および通電不良）に対応して、２つの選択モデルが設けられる。図９は、選択モデルの一例を示す模式図である。図９に示すように、選択モデルは、入力層３０１と、複数の中間層（隠れ層ともいう）３０２と、出力層３０３を有したニューラルネットワークである。図９に示す選択モデルは、４つの中間層３０２を有しているが、選択モデルの構成は図９に示す例に限られない。

選択モデルの入力層３０１には、基板ホルダ１８が不具合を起こしたときの基板ホルダ１８の複数の構成部材の状態を表すデータが入力される。本実施形態では、図６の表に記載されているシールホルダ６２、第１保持部材５４、第１電気接点８８、第２電気接点８６、外部電気接点９１、シール６６，６８、スライドプレート６４のそれぞれの画像データおよび表面形状データが選択モデルの入力層３０１に入力される。選択モデルの出力層３０３は、複数の構成部材に対応する複数の確信度を出力する。出力層３０３は、基板ホルダ１８の不具合の原因となりうる基板ホルダ１８の構成部材の数と同じか、またはそれよりも多い数の確信度を出力する。

演算システム１１０は、訓練データを用いたディープラーニングにより選択モデルのパラメータ（重みなど）を最適化し、選択モデルを構築する。図１０は、選択モデルのパラメータを最適化する方法の一実施形態を示すフローチャートである。
ステップ１では、１つの新しい基板ホルダ１８を用いて複数の基板をめっきする。この新しい基板ホルダ１８を用いた複数の基板のめっきは、基板ホルダ１８に不具合が起きるまで実施される。「新しい基板ホルダ１８」の例には、未使用の基板ホルダのみならず、メンテナンスされた基板ホルダも含まれる。

基板ホルダ１８に不具合が起きると、ユーザーは、基板ホルダ１８をめっき装置から取り出し、基板ホルダ１８を分解し、基板ホルダ１８の不具合の原因を特定する。さらに、ユーザーは、図示しない入力装置および通信装置などを用いて、特定された第Ｎ構成部材の状態変化が原因で基板ホルダ１８に不具合が起きたとの情報を演算システム１１０に与える。具体的には、ユーザーは、選択モデルの構築（学習）に使用すべき第Ｎ構成部材を演算システム１１０に教示する。第Ｎ構成部材は、基板ホルダ１８の不具合の原因となりうる複数の構成部材のうちのいずれか１つである。図６に示す例では、第Ｎ構成部材は、シールホルダ６２、第１保持部材５４、第１電気接点８８、第２電気接点８６、外部電気接点９１、シール６６，６８、スライドプレート６４のうちのいずれか１つである。例えば、第１電気接点８８の変形が原因で基板ホルダ１８の不具合が起きた場合は、ユーザーは、選択モデルの構築（学習）に使用すべき構成部材が第１電気接点８８であるとの情報を演算システム１１０に与える。

ステップ２では、演算システム１１０は、基板ホルダ１８の不具合を引き起こした第Ｎ構成部材の状態を表す欠陥コンディションデータを決定する。より具体的には、欠陥コンディションデータは、基板ホルダ１８の不具合が起きたときの第Ｎ構成部材の状態を示すコンディションデータである。欠陥コンディションデータは、第Ｎ構成部材の画像データおよび表面形状データのうちのいずれか１つから構成される。
ステップ３では、演算システム１１０は、基板ホルダ１８の不具合の原因が第Ｎ構成部材にあることを表す数値セットと、基板ホルダ１８の不具合が起きたときの基板ホルダ１８の他の構成部材の状態を表す参照コンディションデータと、上記欠陥コンディションデータとを含む選択データセットを作成する。基板ホルダ１８の他の構成部材とは、基板ホルダ１８の不具合の原因となりうる構成部材であって、第Ｎ構成部材以外の構成部材である。

基板ホルダ１８の不具合の原因が第Ｎ構成部材にあることを表す数値セットは、確信度を示す１００と０との組み合わせからなる。数値セットは、ステップ１において不具合が起きた基板ホルダをユーザーが調査して、第Ｎ構成部材の状態変化が原因であると判断した確信度を表す数値セットである。具体的には、不具合原因であると特定した第Ｎ構成部材に対応する数値は１００であり、他の構成部材に対応する数値はすべて０である。

複数の構成部材が不具合原因となることもある。そのため、一実施形態では、２つ以上の構成部材のそれぞれに対応する数値を１００としてもよい。不具合原因が第Ｎ構成部材にあることを断定できない場合は、第Ｎ構成部材に対応する数値を１００よりも小さい数としてもよい。例えば、基板ホルダ１８の不具合原因が第Ｎ構成部材にある可能性が高いが、断定できない場合は、第Ｎ構成部材に対応する数値を８０としてもよい。

図６に示す例では、基板ホルダ１８の不具合の原因となりうる構成部材として、シールホルダ６２、第１保持部材５４、第１電気接点８８、第２電気接点８６、外部電気接点９１、シール６６，６８、およびスライドプレート６４が挙げられる。例えば、第Ｎ構成部材がシールホルダ６２である場合は、他の構成部材は、第１保持部材５４、第１電気接点８８、第２電気接点８６、外部電気接点９１、シール６６，６８、およびスライドプレート６４である。したがって、他の構成部材の参照コンディションデータは、第１保持部材５４、第１電気接点８８、第２電気接点８６、外部電気接点９１、シール６６，６８、およびスライドプレート６４の状態を表す参照コンディションデータである。参照コンディションデータは、上記他の構成部材のそれぞれの画像データおよび表面形状データのうちの少なくとも１つを含む。

ステップ４では、演算システム１１０は、上記ステップ３で作成された選択データセットを用いて、図９に示す選択モデルのパラメータ（重みなど）をディープラーニングにより最適化する。具体的には、欠陥コンディションデータおよび参照コンディションデータは選択モデルの入力層３０１に入力される。例えば、基板ホルダ１８の不具合が起こったときにシールホルダ６２が変色していた場合は、欠陥コンディションデータとしてシールホルダ６２の画像データが入力層３０１に入力され、参照コンディションデータとしてシールホルダ６２以外の構成部材の画像データおよび表面形状データが入力層３０１に入力される。演算システム１１０は、出力層３０３からの出力値のセットと、上記ステップ３で作成された数値セットとの差を最小とすることができる選択モデルの最適なパラメータを決定する。

図１０のステップ１からステップ４までの工程は、基板ホルダ１８の不具合の原因となりうる基板ホルダ１８の複数の構成部材すべてに対して選択データセットが作成され、かつ作成されたすべての選択データセットを用いて選択モデルのパラメータが最適化されるまで、繰り返される。すなわち、新たな基板ホルダ（例えば、上記基板ホルダ１８と同じ構造を持つ別の基板ホルダ、またはメンテナンスされた基板ホルダ１８）が用意され、第Ｎ構成部材とは別の構成部材に起因してその新たな基板ホルダに不具合が起きるまで当該新たな基板ホルダを用いて複数の基板がめっきされる。演算システム１１０は、新たな選択データセットを作成し、上記選択モデルのパラメータを更に最適化する。図１０に示すＮの初期値は１であり、Ｎ＝Ｎ＋１は、基板ホルダのある構成部材が別の構成部材に変更されることを表している。図６に示す実施形態では、シールホルダ６２、第１保持部材５４、第１電気接点８８、第２電気接点８６、外部電気接点９１、シール６６，６８、およびスライドプレート６４のすべてに対して選択データセットが作成され、かつ作成されたすべての選択データセットを用いて選択モデルのパラメータが最適化されるまで、ステップ１からステップ４までの工程が繰り返される。このようにして、基板ホルダ１８の不具合を引き起こす構成部材を予想することができる選択モデルが構築される。構築された選択モデルは、演算システム１１０の記憶装置１１０ａ内に格納される。なお図１０は、不具合の原因となりうる基板ホルダ１８の構成部材に対応した選択データセットと、その選択データセットを用いた学習（モデルの最適化）が必要であることを概念的に表したものである。実際には、精度の良い予測を行うには、１つの構成部材に対して十分な量の選択データセットを用いて繰り返し学習を行うことが必要である。

図１に示すめっき装置は、予測モデルおよび選択モデルの構築に使用された上記基板ホルダ１８と同じ構造を持つ基板ホルダを用いて基板をめっきする。基板をめっきする前に、撮像装置１０１および３次元計測器１０２は、基板ホルダの各構成部材の画像データおよび表面形状データを生成し、通電検査装置１１８は基板ホルダの内部抵抗を測定する。画像データおよび表面形状データは、演算システム１１０に送られ、記憶装置１１０ａに記憶される。

演算システム１１０は、現在めっき装置が使用している基板ホルダの複数の構成部材のそれぞれの状態を表す最新コンディションデータのすべてを選択モデルの入力層３０１に入力する。各最新コンディションデータは、現在使用されている基板ホルダの各構成部材の画像データまたは表面形状データから構成される。図６に示す例では、全ての構成部材の画像データおよび表面形状データが選択モデルの入力層３０１に入力される。選択モデルは、複数の構成部材に対応する複数の確信度を出力する。

演算システム１１０は、選択モデルから出力された複数の確信度に基づいて、少なくとも１つの構成部材を選択する。基本的に、確信度が最も高い構成部材が選択される。
演算システム１１０は、その記憶装置１１０ａに基準値を格納しており、確信度が基準値よりも大きい全ての構成部材を選択する。以下の例では、構成部材Ａと構成部材Ｂが選択される。
基準値：６５％
構成部材Ａ：確信度８０％
構成部材Ｂ：確信度７０％
構成部材Ｃ：確信度１０％
構成部材Ｄ：確信度５％
構成部材Ｅ：確信度１％

上記の例で、基準値が８５％である場合は、全ての構成部材は選択されない。この場合は、上位Ｍ個の構成部材が選択される（Ｍは全構成部材の総数よりも小さい自然数）。あるいは、上位Ｋ番目の構成部材の確信度と、上位Ｋ＋１番目の構成部材の確信度との差が予め設定された値よりも大きい場合は、上位Ｋ個の構成部材が選択される（ＫはＭよりも小さい自然数）。例えば、上記の例で、予め設定された値が４０％である場合、構成部材Ｂの確信度と構成部材Ｃの確信度との差は６０％であるので、構成部材Ａと構成部材Ｂが選択される。

演算システム１１０は、選択された少なくとも１つの構成部材について構築された予測モデルを用いて、現在めっき装置が使用している基板ホルダに不具合が起こるまでにめっきすることが可能な基板の予測枚数を算出する。すなわち、演算システム１１０は、画像データおよび表面形状データを、選択された少なくとも１つの構成部材について構築された予測モデルに入力する。予測モデルは、基板ホルダに不具合が起こるまでにめっきすることが可能な基板の予測枚数、すなわち予測処理可能枚数を出力する。複数の構成部材が選択された場合、これら複数の構成部材に対応する複数の予測モデルは、それぞれ予測処理可能枚数を出力する。演算システム１１０は、複数の予測処理可能枚数のうち、最も小さい予測処理可能枚数を選択する。

上述した予測モデルのみを用いた予測処理可能枚数の算出においては、使用している基板ホルダが最終的にどの構成部材が原因で不具合が生じるかは分からないため、各構成部材に対応する最新コンディションデータを各構成部材に対応する予測モデルに入力する必要がある。一方、上述した選択モデルと予測モデルを用いた予測処理可能枚数の算出においては、まずめっき装置が現在使用している基板ホルダの複数の構成部材のそれぞれの状態を表す最新コンディションデータのすべてを選択モデルの入力層３０１に入力する。選択モデルの出力層から出力される確信度は、構成部材ごとに変わりうる。すなわち、不具合の原因となる兆候のある構成部材に対応する確信度は高く、不具合の原因となる兆候のない構成部材に対応する確信度は低い。このように、選択モデルを用いることで、基板ホルダの不具合の原因となるであろう構成部材を予測できることから、当該構成部材に対応する最新コンディションデータと予測モデルのみを用いて予測処理可能枚数を算出することができる。一実施形態では、上述した基準値を、基板ホルダの使用初期は低く設定し、基板ホルダの処理枚数が増えるにつれて基準値を高くするように設定してもよい。

一実施形態では、演算システム１１０は、第１サーバ（第１コンピュータ）および第２サーバ（第２コンピュータ）を備えてもよい。演算システム１１０の記憶装置１１０ａおよび処理装置１１０ｂは、第１サーバ内の第１記憶装置および第１処理装置と、第２サーバ内の第２記憶装置および第２処理装置から構成される。例えば、上述した予測モデルおよび選択モデルの構築および更新は、第１サーバによって実行され、予測モデルおよび選択モデルを用いた予測処理可能枚数の算出および確信度の算出は、第２サーバによって実行されてもよい。

一実施形態では、予測モデルおよび選択モデルの構築は演算システム１１０とは別のシステム（サーバあるいはコンピュータ）で予め行っておき、構築された予測モデルおよび選択モデルを演算システム１１０にインストールし、予測モデルおよび選択モデルを用いた予測処理可能枚数の算出および確信度の算出のみを演算システム１１０によって実行してもよい。

次に、めっき装置に搭載された基板ホルダ１８の使用可否を判断する工程の一実施形態について、図１１および図１２に示すフローチャートに沿って説明する。ステップ１では、ストッカ２４内に収容されていた基板ホルダ１８を基板ホルダ搬送装置４０の第１トランスポータ４２で把持して、フィキシングステーション２０まで搬送する。そして、基板ホルダ１８を下降させて水平な状態とし、これによって、基板ホルダ１８をフィキシングステーション２０の載置プレート５２の上に載置する。

ステップ２では、フィキシングステーション２０のエアシリンダを作動させて基板ホルダ１８の第２保持部材５８を開き、基板ホルダ１８の各構成部材の画像データおよび表面形状データを撮像装置１０１および３次元計測器１０２によってそれぞれ生成する。

図１３（ａ）および図１３（ｂ）は、基板ホルダ１８の構成部材の撮像方法と表面形状の測定方法の一例を示す模式図である。図１３（ａ）は、シールホルダ６２、第１電気接点８８、シール６６、およびシール６８の、撮像方法および表面形状の測定方法の一例を示す模式図である。図１３（ｂ）は、第１保持部材５４および第２電気接点８６の、撮像方法および表面形状の測定方法の一例を示す模式図である。撮像装置１０１は、基板ホルダ１８の複数の構成部材を撮像し、各構成部材の画像データを生成する。３次元計測器１０２は、基板ホルダ１８の複数の構成部材の表面形状を測定し、各構成部材の表面形状データを生成する。

図１１に戻り、ステップ３では、撮像装置１０１および３次元計測器１０２は、ステップ２で生成した画像データおよび表面形状データを演算システム１１０に送信する。ステップ４では、コントローラ１１５は、フィキシングステーション２０に指令を発して、めっきすべき基板を基板ホルダ１８に保持させる。その後、基板ホルダ１８は漏洩検査装置１１７に接続される（ステップ５）。

ステップ６では、漏洩検査装置１１７は、基板ホルダ１８のシール６６，６８が正常に機能しているかを検査する。漏洩検査装置１１７は、シール６６，６８によって基板ホルダ１８内に形成された内部空間Ｒ１内に正圧または負圧を形成し、内部空間Ｒ１の圧力（正圧または負圧）が所定時間内に許容値を超えて変化した場合は、基板ホルダ１８に不具合が起きたことを示すアラーム信号を発する。アラーム信号はコントローラ１１５に送信される。コントローラ１１５は、アラーム信号を受けると、基板ホルダ搬送装置４０に指令を発して、基板ホルダ１８を基板ホルダ搬送装置４０の第１トランスポータ４２で把持して、ストッカ２４の所定の場所に戻す（ステップ７）。

漏洩検査装置１１７がアラーム信号を発生した場合、ユーザーは、ステップ８を実行してもよい。ステップ８では、ユーザーは、基板ホルダ１８をめっき装置から取り出し、基板ホルダ１８を分解し、基板ホルダ１８の不具合の原因を特定してもよい。さらに、ユーザーは、図示しない入力装置および通信装置などを用いて、特定された構成部材の状態変化が原因で基板ホルダ１８に不具合が起きたとの情報を演算システム１１０に与えてもよい。すなわち、ユーザーは、予測モデルの構築（学習）に使用すべき構成部材を演算システム１１０に教示してもよい。

基板ホルダ１８のシール６６，６８が正常に機能している場合は、基板ホルダ１８は、めっきすべき基板を保持したまま、通電検査装置１１８に接続される（ステップ９）。ステップ１０では、通電検査装置１１８は、基板ホルダ１８の内部抵抗を測定し、測定された抵抗値と予め定められた設定範囲とを比較する。測定された抵抗値が設定範囲を外れる場合は、通電検査装置１１８は、基板ホルダ１８に不具合が起きたことを示すアラーム信号を発する。アラーム信号はコントローラ１１５に送信される。コントローラ１１５は、アラーム信号を受けると、基板ホルダ搬送装置４０に指令を発して、基板ホルダ１８を基板ホルダ搬送装置４０の第１トランスポータ４２で把持して、ストッカ２４の所定の場所に戻す（ステップ１１）。

通電検査装置１１８がアラーム信号を発生した場合、ユーザーは、ステップ１２を実行してもよい。ステップ１２では、ユーザーは、基板ホルダ１８をめっき装置から取り出し、基板ホルダ１８を分解し、基板ホルダ１８の不具合の原因を特定してもよい。さらに、ユーザーは、図示しない入力装置および通信装置などを用いて、特定された構成部材の状態変化が原因で基板ホルダ１８に不具合が起きたとの情報を演算システム１１０に与えてもよい。すなわち、ユーザーは、予測モデルの構築（学習）に使用すべき構成部材を演算システム１１０に教示してもよい。

ステップ１０で測定された抵抗値が設定範囲内にある場合は、演算システム１１０は、ステップ３で送信された各データを予測モデルに入力し、予測処理可能枚数を出力する（ステップ１３）。

ステップ１４では、演算システム１１０は、ステップ１２で出力された予測処理可能枚数を予め定められたしきい値と比較する。予測処理可能枚数がしきい値よりも大きい場合は、基板ホルダ１８の使用可否を判断する工程を終了し、演算システム１１０は、使用許可信号をコントローラ１１５に送信する。コントローラ１１５は、めっき装置に後述するめっき工程を実行させる。

予測処理可能枚数がしきい値よりも小さい場合は、演算システム１１０は、基板ホルダ１８のメンテナンスが必要であることを示すアラーム信号を発する。アラーム信号は、少なくともコントローラ１１５に送信される。コントローラ１１５は、アラーム信号を受けると、基板ホルダ搬送装置４０に指令を発して、基板ホルダ１８を基板ホルダ搬送装置４０の第１トランスポータ４２で把持して、ストッカ２４の所定の場所に戻す（ステップ１５）。

以下、めっき工程の一実施形態について説明する。基板は、そのめっきされる面を基板ホルダ１８の開口部５８ａから露出させた状態で、基板ホルダ１８に保持される。基板は、そのめっき液に触れない部分において複数の第１電気接点８８と電気的に導通する。各基板ホルダ１８の外部電気接点９１は、各めっきセル３８の縁に配置された給電電極（図示せず）に接触する。給電電極は、外部電気接点９１、電線９２、第２電気接点８６、及び第１電気接点８８を通して基板のシード層等の導電膜に電気的に接続される。給電電極は電源（図示せず）に電気的に接続されている。

基板ホルダ１８を、めっき液で満たされためっきセル３８内に吊下げた後、めっきセル３８内のアノード（図示せず）と基板との間にめっき電圧を印加することにより、基板の表面にめっきを施す。めっきが終了した後、基板ホルダ１８は、第２水洗槽３０ｂに搬送され、基板の表面が洗浄される。基板洗浄後、基板および基板ホルダ１８は、ブロー層３２で乾燥される。基板ホルダ搬送装置４０の第１トランスポータ４２は、乾燥された基板ホルダ１８を把持し、フィキシングステーション２０の載置プレート５２の上に載置する。乾燥された基板は、基板ホルダ１８から取り出され、カセット１０に戻される。

上述した実施形態は、本発明が属する技術分野における通常の知識を有する者が本発明を実施できることを目的として記載されたものである。上記実施形態の種々の変形例は、当業者であれば当然になしうることであり、本発明の技術的思想は他の実施形態にも適用しうる。したがって、本発明は、記載された実施形態に限定されることはなく、特許請求の範囲によって定義される技術的思想に従った最も広い範囲に解釈されるものである。

１０ カセット
１２ カセットテーブル
１４ アライナ
１６ スピンリンスドライヤ
１８ 基板ホルダ
２０ フィキシングステーション
２２ 基板搬送装置
２４ ストッカ
２６ プリウェット槽
２８ 前処理槽
３０ａ 第１水洗槽
３０ｂ 第２水洗槽
３２ ブロー槽
３４ めっき槽
３６ オーバーフロー槽
３８ めっきセル
４０ 基板ホルダ搬送装置
４２ 第１トランスポータ
４４ 第２トランスポータ
４６ パドル駆動装置
５０ レール
５２ 載置プレート
５４ 第１保持部材
５４ａ 通孔
５６ ヒンジ
５８ 第２保持部材
５８ａ 開口部
６０ 基部
６２ シールホルダ
６４ スライドプレート
６４ａ 凸部
６４ｂ 突起部
６５ スペーサ
６６ シール（第１シール突起）
６８ シール（第２シール突起）
６９ａ 締結具
６９ｂ 締結具
７０ａ 第１固定リング
７０ｂ 第２固定リング
７２ 押え板
７４ クランパ
８０ 支持面
８２ 突条部
８４ 凹部
８６ 第２電気接点
８８ 第１電気接点
８９ 締結具
９０ ハンド
９１ 外部電気接点
９２ 電線
９５ 電子タグ
１０１ 撮像装置
１０２ ３次元計測器
１１０ 演算システム
１１０ａ 記憶装置
１１０ｂ 処理装置
１１５ コントローラ
１１７ 漏洩検査装置
１１８ 通電検査装置
２０１ 入力層
２０２ 中間層
２０３ 出力層
３０１ 入力層
３０２ 中間層
３０３ 出力層

Claims (11)

1. 基板ホルダに不具合が起こるまでにめっきすることが可能な基板の枚数を予測する予測モデルを構築する方法であって、
   基板ホルダを用いて複数の基板をめっきし、
   前記基板ホルダに不具合が起こるまで前記基板ホルダを用いてめっきされた基板の総枚数を決定し、
   前記基板ホルダに不具合が起こるまでにめっきすることが可能な基板の枚数である第１処理可能枚数および第２処理可能枚数を決定し、
   前記第１処理可能枚数に対応する第１コンディションデータと、前記第１処理可能枚数との組み合わせからなる第１データセットを作成し、前記第１コンディションデータは、前記基板ホルダの構成部材の状態を表しており、
   前記第２処理可能枚数に対応する第２コンディションデータと、前記第２処理可能枚数との組み合わせからなる第２データセットを作成し、前記第２コンディションデータは、前記構成部材の状態を表しており、
   前記第１データセットと前記第２データセットを含む訓練データを用いて、ニューラルネットワークからなる予測モデルのパラメータを最適化することを含み、
   前記基板ホルダの不具合は、前記基板ホルダ内の漏液または前記基板ホルダの通電不良であり、
   前記第１コンディションデータおよび前記第２コンディションデータのそれぞれは、前記基板ホルダの画像データおよび表面形状データのうちのいずれか１つから構成されている、方法。
2. 前記第１処理可能枚数は０であり、
   前記第１コンディションデータは、前記不具合が起きたときの前記基板ホルダの前記構成部材の状態を表す欠陥コンディションデータであり、
   前記第１データセットは、前記欠陥コンディションデータと０との組み合わせからなる欠陥データセットである、請求項１に記載の方法。
3. 前記第２処理可能枚数は、前記総枚数よりも少ない中間枚数を前記総枚数から減算することで得られた処理可能枚数であり、
   前記第２コンディションデータは、前記中間枚数の基板をめっきした時点での前記構成部材の状態を表す中間コンディションデータであり、
   前記第２データセットは、前記中間コンディションデータと前記第２処理可能枚数との組み合わせからなる中間データセットである、請求項２に記載の方法。
4. 前記第１処理可能枚数は、前記総枚数よりも少ない第１中間枚数を前記総枚数から減算することで得られた処理可能枚数であり、
   前記第１コンディションデータは、前記第１中間枚数の基板をめっきした時点での前記構成部材の状態を表す第１中間コンディションデータであり、
   前記第１データセットは、前記第１中間コンディションデータと前記第１処理可能枚数との組み合わせからなる第１中間データセットであり、
   前記第２処理可能枚数は、前記第１中間枚数よりも少ない第２中間枚数を前記総枚数から減算することで得られた処理可能枚数であり、
   前記第２コンディションデータは、前記第２中間枚数の基板をめっきした時点での前記構成部材の状態を表す第２中間コンディションデータであり、
   前記第２データセットは、前記第２中間コンディションデータと前記第２処理可能枚数との組み合わせからなる第２中間データセットである、請求項１に記載の方法。
5. 前記予測モデルは、入力層、少なくとも２つの中間層、および出力層を有するニューラルネットワークから構成されている、請求項１乃至４のいずれか一項に記載の方法。
6. 基板ホルダを用いて複数の基板をめっきすることから、前記予測モデルのパラメータを最適化することまでの工程を繰り返すことで、前記予測モデルを更新する、請求項１乃至５のいずれか一項に記載の方法。
7. 前記基板ホルダの不具合の原因が前記構成部材にあることを表す数値セットと、前記不具合が起きたときの前記基板ホルダの他の構成部材の状態を表す参照コンディションデータと、前記不具合が起きたときの前記構成部材の状態を表す欠陥コンディションデータとを含む選択データセットを作成し、
   前記選択データセットを用いて、ニューラルネットワークからなる選択モデルのパラメータを最適化する工程をさらに含む、請求項１乃至６のいずれか一項に記載の方法。
8. 請求項１乃至７のいずれか一項に記載の方法を用いて構築された予測モデルを用意し、
   現在使用されている基板ホルダの構成部材の状態を表す最新コンディションデータを前記予測モデルに入力し、
   前記予測モデルから予測処理可能枚数を出力する方法。
9. 前記予測処理可能枚数を、前記現在使用されている基板ホルダに取り付けられた電子タグに書き込む工程をさらに備えている、請求項８に記載の方法。
10. 基板ホルダの不具合の原因となりうる前記基板ホルダの複数の構成部材の中から、前記基板ホルダの不具合を引き起こす構成部材を予想するための選択モデルを構築する方法であって、
    第１基板ホルダの第１構成部材に起因して該第１基板ホルダに不具合が起こるまで複数の基板をめっきし、
    前記第１基板ホルダの不具合の原因が前記第１構成部材にあることを表す第１数値セットと、前記不具合が起きたときの前記第１基板ホルダの第２構成部材の状態を表す第１参照コンディションデータと、前記不具合が起きたときの前記第１構成部材の状態を表す第１欠陥コンディションデータとを含む第１選択データセットを作成し、
    前記第１選択データセットを用いて、ニューラルネットワークからなる選択モデルのパラメータを最適化し、
    第２基板ホルダの第２構成部材に起因して該第２基板ホルダに不具合が起こるまで複数の基板をめっきし、
    前記第２基板ホルダの不具合の原因が前記第２構成部材にあることを表す第２数値セットと、前記不具合が起きたときの前記第２基板ホルダの第１構成部材の状態を表す第２参照コンディションデータと、前記不具合が起きたときの前記第２構成部材の状態を表す第２欠陥コンディションデータとを含む第２選択データセットを作成し、
    前記第２選択データセットを用いて前記パラメータをさらに最適化することを含み、
    前記第１基板ホルダおよび前記第２基板ホルダの不具合は、前記第１基板ホルダおよび前記第２基板ホルダ内の漏液、または前記第１基板ホルダおよび前記第２基板ホルダの通電不良であり、
    前記第１参照コンディションデータおよび前記第１欠陥コンディションデータのそれぞれは、前記第１基板ホルダの画像データおよび表面形状データのうちのいずれか１つから構成されており、前記第２参照コンディションデータおよび前記第２欠陥コンディションデータのそれぞれは、前記第２基板ホルダの画像データおよび表面形状データのうちのいずれか１つから構成されている、方法。
11. 現在使用されている基板ホルダの構成部材の状態を表す基板ホルダの第１構成部材および第２構成部材の最新コンディションデータを、請求項１０に記載の方法によって構築された選択モデルに入力し、
    前記選択モデルから出力された前記第１構成部材に対応する第１確信度が、前記第２構成部材に対応する第２確信度よりも高い場合に、前記第１構成部材の最新コンディションデータを、前記第１構成部材に対応する予測モデルに入力し、
    前記予測モデルから前記基板ホルダの予測処理可能枚数を出力する工程を含み、
    前記予測モデルは、請求項１乃至９のいずれか一項に記載の方法によって構築された予測モデルである、方法。

Images