JP7224265B2 - 機械学習装置、基板処理装置、学習済みモデル、機械学習方法、機械学習プログラム - Google Patents
機械学習装置、基板処理装置、学習済みモデル、機械学習方法、機械学習プログラム Download PDFInfo
- Publication number
- JP7224265B2 JP7224265B2 JP2019169007A JP2019169007A JP7224265B2 JP 7224265 B2 JP7224265 B2 JP 7224265B2 JP 2019169007 A JP2019169007 A JP 2019169007A JP 2019169007 A JP2019169007 A JP 2019169007A JP 7224265 B2 JP7224265 B2 JP 7224265B2
- Authority
- JP
- Japan
- Prior art keywords
- unit
- substrate
- processing unit
- substrates
- processing
- 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.)
- Active
Links
- 238000012545 processing Methods 0.000 title claims description 703
- 239000000758 substrate Substances 0.000 title claims description 604
- 238000010801 machine learning Methods 0.000 title claims description 170
- 238000004140 cleaning Methods 0.000 claims description 162
- 230000009471 action Effects 0.000 claims description 140
- 238000005498 polishing Methods 0.000 claims description 116
- 238000004381 surface treatment Methods 0.000 claims description 104
- 238000012546 transfer Methods 0.000 claims description 64
- 238000000034 method Methods 0.000 claims description 50
- 230000008569 process Effects 0.000 claims description 31
- 230000033001 locomotion Effects 0.000 claims description 27
- 230000008054 signal transmission Effects 0.000 claims description 24
- 230000002787 reinforcement Effects 0.000 claims description 12
- 239000012528 membrane Substances 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 7
- 239000010410 layer Substances 0.000 description 69
- 230000032258 transport Effects 0.000 description 58
- 238000013528 artificial neural network Methods 0.000 description 49
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 31
- 229910052802 copper Inorganic materials 0.000 description 30
- 239000010949 copper Substances 0.000 description 30
- 238000011282 treatment Methods 0.000 description 27
- 238000010586 diagram Methods 0.000 description 19
- 238000004891 communication Methods 0.000 description 15
- 238000005406 washing Methods 0.000 description 15
- 238000003860 storage Methods 0.000 description 12
- 206010048669 Terminal state Diseases 0.000 description 11
- 239000004065 semiconductor Substances 0.000 description 9
- 230000007704 transition Effects 0.000 description 9
- 230000015572 biosynthetic process Effects 0.000 description 8
- 238000001514 detection method Methods 0.000 description 8
- 230000004888 barrier function Effects 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 6
- 238000005260 corrosion Methods 0.000 description 6
- 230000007797 corrosion Effects 0.000 description 6
- 230000007723 transport mechanism Effects 0.000 description 5
- 229910052751 metal Inorganic materials 0.000 description 4
- 239000002184 metal Substances 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 230000002596 correlated effect Effects 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000007517 polishing process Methods 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000003111 delayed effect Effects 0.000 description 2
- 239000011229 interlayer Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 239000002344 surface layer Substances 0.000 description 2
- 229910004298 SiO 2 Inorganic materials 0.000 description 1
- BQCADISMDOOEFD-UHFFFAOYSA-N Silver Chemical compound [Ag] BQCADISMDOOEFD-UHFFFAOYSA-N 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000009713 electroplating Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 238000001459 lithography Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 150000002739 metals Chemical class 0.000 description 1
- 229910052709 silver Inorganic materials 0.000 description 1
- 239000004332 silver Substances 0.000 description 1
- 238000004544 sputter deposition Methods 0.000 description 1
Images
Classifications
-
- 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
- H01L21/02—Manufacture or treatment of semiconductor devices or of parts thereof
- H01L21/04—Manufacture or treatment of semiconductor devices or of parts thereof the devices having potential barriers, e.g. a PN junction, depletion layer or carrier concentration layer
- H01L21/18—Manufacture or treatment of semiconductor devices or of parts thereof the devices having potential barriers, e.g. a PN junction, depletion layer or carrier concentration layer the devices having semiconductor bodies comprising elements of Group IV of the Periodic Table or AIIIBV compounds with or without impurities, e.g. doping materials
- H01L21/30—Treatment of semiconductor bodies using processes or apparatus not provided for in groups H01L21/20 - H01L21/26
- H01L21/302—Treatment of semiconductor bodies using processes or apparatus not provided for in groups H01L21/20 - H01L21/26 to change their surface-physical characteristics or shape, e.g. etching, polishing, cutting
- H01L21/304—Mechanical treatment, e.g. grinding, polishing, cutting
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B24—GRINDING; POLISHING
- B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
- B24B37/00—Lapping machines or devices; Accessories
- B24B37/04—Lapping machines or devices; Accessories designed for working plane surfaces
- B24B37/07—Lapping machines or devices; Accessories designed for working plane surfaces characterised by the movement of the work or lapping tool
- B24B37/10—Lapping machines or devices; Accessories designed for working plane surfaces characterised by the movement of the work or lapping tool for single side lapping
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B24—GRINDING; POLISHING
- B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
- B24B37/00—Lapping machines or devices; Accessories
- B24B37/005—Control means for lapping machines or devices
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B24—GRINDING; POLISHING
- B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
- B24B37/00—Lapping machines or devices; Accessories
- B24B37/27—Work carriers
- B24B37/30—Work carriers for single side lapping of plane surfaces
- B24B37/32—Retaining rings
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B24—GRINDING; POLISHING
- B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
- B24B37/00—Lapping machines or devices; Accessories
- B24B37/34—Accessories
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B24—GRINDING; POLISHING
- B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
- B24B51/00—Arrangements for automatic control of a series of individual steps in grinding a workpiece
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- H01L21/02—Manufacture or treatment of semiconductor devices or of parts thereof
- H01L21/02041—Cleaning
- H01L21/02096—Cleaning only mechanical cleaning
-
- 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
- H01L21/67011—Apparatus for manufacture or treatment
- H01L21/67092—Apparatus for mechanical treatment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/092—Reinforcement learning
-
- 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
- H01L21/67011—Apparatus for manufacture or treatment
- H01L21/67155—Apparatus for manufacturing or treating in a plurality of work-stations
- H01L21/67207—Apparatus for manufacturing or treating in a plurality of work-stations comprising a chamber adapted to a particular process
- H01L21/67219—Apparatus for manufacturing or treating in a plurality of work-stations comprising a chamber adapted to a particular process comprising at least one polishing chamber
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Power Engineering (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Manufacturing & Machinery (AREA)
- Computer Hardware Design (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Container, Conveyance, Adherence, Positioning, Of Wafer (AREA)
- Constituent Portions Of Griding Lathes, Driving, Sensing And Control (AREA)
- Finish Polishing, Edge Sharpening, And Grinding By Specific Grinding Devices (AREA)
- Mechanical Treatment Of Semiconductor (AREA)
Description
複数枚の基板を収容するカセットが載置される載置部と、
基板を表面処理する第1処理ユニットおよび第2処理ユニットと、
表面処理後の基板を洗浄する洗浄ユニットと、
前記載置部と前記第1処理ユニットおよび第2処理ユニットと前記洗浄ユニットとの間で基板を搬送する搬送部と、
前記第1処理ユニットおよび第2処理ユニットと前記洗浄ユニットと前記搬送部の動作を制御する制御部と、
を有する基板処理装置または当該基板処理装置のシミュレータに対して、機械学習を行う機械学習装置であって、
前記基板処理装置内における基板の位置および各ユニット内に位置する基板の当該ユニット内での経過時間を含む状態情報を取得する状態情報取得部と、
ある状態において、新たな基板をカセットから取り出すか否かおよび取り出す場合には第1処理ユニットおよび第2処理ユニットのどちらに搬送するかの行動を行うことに対する価値を予測する予測モデルを有し、前記状態情報取得部により取得された状態情報を入力として前記予測モデルに基づいて1つの行動を選択する行動選択部と、
前記行動選択部により選択された行動を行うように前記制御部に指示信号を送信する指示信号送信部と、
予め定められた枚数の基板処理終了後、単位時間あたりの処理枚数と、表面処理後の基板が前記洗浄ユニットにて洗浄開始となるまでに待たされた待ち時間とを含む動作結果を取得する動作結果取得部と、
前記処理枚数が多くかつ前記待ち時間が短いほど報酬が大きくなるように、前記動作結果取得部により取得された動作結果に基づいて報酬を計算し、当該報酬に基づいて前記予測モデルを更新する予測モデル更新部と、
を備える。
前記第1処理ユニットおよび第2処理ユニットは、基板を研磨する研磨ユニットである。
前記状態情報は、前記第1処理ユニットおよび第2処理ユニットにて使用される消耗部材の使用時間をさらに含む。
前記消耗部材は、回転テーブルに取り付けられた研磨パッド、トップリングに取り付けられて基板の外周を支持するリテーナリング、トップリングに取り付けられて基板の裏面を支持する弾性膜のうちの1つまたは2つ以上である。
前記状態情報は、前記カセット内に収容された基板に予め施されている処理のレシピ情報をさらに含む。
前記状態情報は、前記第1処理ユニットおよび第2処理ユニットの故障発生情報または連続運転時間をさらに含む。
前記状態情報は、前記第1処理ユニットおよび第2処理ユニットでの表面処理のレシピ情報をさらに含む。
複数枚の基板を収容するカセットが載置される載置部と、
基板を表面処理する第1処理ユニットおよび第2処理ユニットと、
表面処理後の基板を洗浄する洗浄ユニットと、
前記載置部と前記第1処理ユニットおよび第2処理ユニットと前記洗浄ユニットとの間で基板を搬送する搬送部と、
前記第1処理ユニットおよび第2処理ユニットと前記洗浄ユニットと前記搬送部の動作を制御する制御部と、
を備えた基板処理装置であって、
前記制御部は、第1~7のいずれかの態様に係る機械学習装置により生成された学習済みモデルを有し、当該基板処理装置内における基板の位置および各ユニット内に位置する基板の当該ユニット内での経過時間を含む状態情報を入力として、前記学習済みモデルに基づいて、新たな基板をカセットから取り出すか否かおよび取り出す場合には第1処理ユニットおよび第2処理ユニットのどちらに搬送するかの行動を選択し、選択した行動を行うように前記搬送部の動作を制御する。
複数枚の基板を収容するカセットが載置される載置部と、
基板を表面処理する第1処理ユニットおよび第2処理ユニットと、
表面処理後の基板を洗浄する洗浄ユニットと、
前記載置部と前記第1処理ユニットおよび第2処理ユニットと前記洗浄ユニットとの間で基板を搬送する搬送部と、
前記第1処理ユニットおよび第2処理ユニットと前記洗浄ユニットと前記搬送部の動作を制御する制御部と、
を有する基板処理装置または当該基板処理装置のシミュレータに対して、機械学習を行うことにより生成された学習済みモデル(チューニングされたニューラルネットワークシステム)であって、
入力層と、入力層に接続された1または2以上の中間層と、中間層に接続された出力層とを有し、
前記基板処理装置内における基板の位置および各ユニット内に位置する基板の当該ユニット内での経過時間を含む状態情報が取得され、取得された状態情報が入力層に入力され、それにより出力層から出力される、新たな基板をカセットから取り出すか否かおよび取り出す場合には第1処理ユニットおよび第2処理ユニットのどちらに搬送するかの行動を行うことに対する価値に基づいて1つの行動が選択され、選択された行動を行うように前記搬送部の動作が制御され、予め定められた枚数の基板処理終了後、単位時間あたりの処理枚数と、表面処理後の基板が前記洗浄ユニットにて洗浄開始となるまでに待たされた待ち時間とを含む動作結果が取得され、前記処理枚数が多くかつ前記待ち時間が短いほど報酬が大きくなるように、取得された動作結果に基づいて報酬が計算され、当該報酬に基づいて各ノードのパラメータが更新される処理が繰り返されることにより、前記処理枚数が多くかつ前記待ち時間が短くなるような基板の搬送開始のタイミングおよびその搬送ルートを強化学習したものであり、
前記基板処理装置内における基板の位置および各ユニット内に位置する基板の当該ユニット内での経過時間を含む状態情報が入力層に入力されると、新たな基板をカセットから取り出すか否かおよび取り出す場合には第1処理ユニットおよび第2処理ユニットのどちらに搬送するかの行動を行うことに対する価値を予測して出力層から出力するよう、コンピュータを機能させるための学習済みモデル(チューニングされたニューラルネットワークシステム)である。
複数枚の基板を収容するカセットが載置される載置部と、
基板を表面処理する第1処理ユニットおよび第2処理ユニットと、
表面処理後の基板を洗浄する洗浄ユニットと、
前記載置部と前記第1処理ユニットおよび第2処理ユニットと前記洗浄ユニットとの間で基板を搬送する搬送部と、
前記第1処理ユニットおよび第2処理ユニットと前記洗浄ユニットと前記搬送部の動作を制御する制御部と、
を有する基板処理装置または当該基板処理装置のシミュレータに対して、コンピュータが実行する機械学習方法であって、
前記基板処理装置内における基板の位置および各ユニット内に位置する基板の当該ユニット内での経過時間を含む状態情報を取得する状態情報取得ステップと、
前記状態情報取得ステップにおいて取得された状態情報を入力として、ある状態において、新たな基板をカセットから取り出すか否かおよび取り出す場合には第1処理ユニットおよび第2処理ユニットのどちらに搬送するかの行動を行うことに対する価値を予測する予測モデルに基づいて、1つの行動を選択する行動選択ステップと、
前記行動選択ステップにおいて選択された行動を行うように前記制御部に指示信号を送信する指示信号送信ステップと、
予め定められた枚数の基板処理終了後、単位時間あたりの処理枚数と、表面処理後の基板が前記洗浄ユニットにて洗浄開始となるまでに待たされた待ち時間とを含む動作結果を取得する動作結果取得ステップと、
前記処理枚数が多くかつ前記待ち時間が短いほど報酬が大きくなるように、前記動作結果取得ステップにおいて取得された動作結果に基づいて報酬を計算し、当該報酬に基づいて前記予測モデルを更新する予測モデル更新ステップと、
を含む。
複数枚の基板を収容するカセットが載置される載置部と、
基板を表面処理する第1処理ユニットおよび第2処理ユニットと、
表面処理後の基板を洗浄する洗浄ユニットと、
前記載置部と前記第1処理ユニットおよび第2処理ユニットと前記洗浄ユニットとの間で基板を搬送する搬送部と、
前記第1処理ユニットおよび第2処理ユニットと前記洗浄ユニットと前記搬送部の動作を制御する制御部と、
を有する基板処理装置または当該基板処理装置のシミュレータに対して、機械学習を行うよう、コンピュータを機能させるための機械学習プログラムであって、
前記コンピュータを、
前記基板処理装置内における基板の位置および各ユニット内に位置する基板の当該ユニット内での経過時間を含む状態情報を取得する状態情報取得部と、
ある状態において、新たな基板をカセットから取り出すか否かおよび取り出す場合には第1処理ユニットおよび第2処理ユニットのどちらに搬送するかの行動を行うことに対する価値を予測する予測モデルを有し、前記状態情報取得部により取得された状態情報を入力として前記価値関数に基づいて1つの行動を選択する行動選択部と、
前記行動選択部により選択された行動を行うように前記制御部に指示信号を送信する指示信号送信部と、
予め定められた枚数の基板処理終了後、単位時間あたりの処理枚数と、表面処理後の基板が前記洗浄ユニットにて洗浄開始となるまでに待たされた待ち時間とを含む動作結果を取得する動作結果取得部と、
前記処理枚数が多くかつ前記待ち時間が短いほど報酬が大きくなるように、前記動作結果取得部により取得された動作結果に基づいて報酬を計算し、当該報酬に基づいて前記予測モデルを更新する予測モデル更新部と、
として機能させる。
複数枚の基板を収容するカセットが載置される載置部と、
基板を表面処理する第1処理ユニットおよび第2処理ユニットと、
表面処理後の基板を洗浄する洗浄ユニットと、
前記載置部と前記第1処理ユニットおよび第2処理ユニットと前記洗浄ユニットとの間で基板を搬送する搬送部と、
前記カセットから取り出される基板の順番と前記第1処理ユニットおよび第2処理ユニットのどちらに搬送するかとの対応関係が規定された搬送ルールに従って、前記第1処理ユニットおよび第2処理ユニットと前記洗浄ユニットと前記搬送部の動作を制御する制御部であって、
を有する基板処理装置または当該基板処理装置のシミュレータに対して、機械学習を行う機械学習装置であって、
前記基板処理装置内における基板の位置および各ユニット内に位置する基板の当該ユニット内での経過時間を含む状態情報を取得する状態情報取得部と、
ある状態において、新たな基板をカセットから取り出すか否かの行動を行うことに対する価値を予測する予測モデルを有し、前記状態情報取得部により取得された状態情報を入力として前記予測モデルに基づいて1つの行動を選択する行動選択部と、
前記行動選択部により選択された行動を行うように前記制御部に指示信号を送信する指示信号送信部と、
予め定められた枚数の基板処理終了後、単位時間あたりの処理枚数を含む動作結果を取得する動作結果取得部と、
前記処理枚数が多いほど報酬が大きくなるように、前記動作結果取得部により取得された動作結果に基づいて報酬を計算し、当該報酬に基づいて前記予測モデルを更新する予測モデル更新部と、
を備える。
前記第1処理ユニットおよび第2処理ユニットは、基板を研磨する研磨ユニットである。
前記状態情報は、前記第1処理ユニットおよび第2処理ユニットにて使用される消耗部材の使用時間をさらに含む。
前記消耗部材は、回転テーブルに取り付けられた研磨パッド、トップリングに取り付けられて基板の外周を支持するリテーナリング、トップリングに取り付けられて基板の裏面を支持する弾性膜のうちの1つまたは2つ以上である。
前記状態情報は、前記カセット内に収容された基板に予め施されている処理のレシピ情報をさらに含む。
前記状態情報は、前記第1処理ユニットおよび第2処理ユニットの連続運転時間をさらに含む。
前記状態情報は、前記第1処理ユニットおよび第2処理ユニットでの表面処理のレシピ情報をさらに含む。
複数枚の基板を収容するカセットが載置される載置部と、
基板を表面処理する第1処理ユニットおよび第2処理ユニットと、
表面処理後の基板を洗浄する洗浄ユニットと、
前記載置部と前記第1処理ユニットおよび第2処理ユニットと前記洗浄ユニットとの間で基板を搬送する搬送部と、
前記カセットから取り出される基板の順番と前記第1処理ユニットおよび第2処理ユニットのどちらに搬送するかとの対応関係が規定された搬送ルールに従って、前記第1処理ユニットおよび第2処理ユニットと前記洗浄ユニットと前記搬送部の動作を制御する制御部と、
を備えた基板処理装置であって、
前記制御部は、第12~18のいずれかの態様に係る機械学習装置により生成された学習済みモデルを有し、当該基板処理装置内における基板の位置および各ユニット内に位置する基板の当該ユニット内での経過時間を含む状態情報を入力として、前記学習済みモデルに基づいて、新たな基板をカセットから取り出すか否かの行動を選択し、選択した行動を行うように前記搬送部の動作を制御する。
複数枚の基板を収容するカセットが載置される載置部と、
基板を表面処理する第1処理ユニットおよび第2処理ユニットと、
表面処理後の基板を洗浄する洗浄ユニットと、
前記載置部と前記第1処理ユニットおよび第2処理ユニットと前記洗浄ユニットとの間で基板を搬送する搬送部と、
前記カセットから取り出される基板の順番と前記第1処理ユニットおよび第2処理ユニットのどちらに搬送するかとの対応関係が規定された搬送ルールに従って、前記第1処理ユニットおよび第2処理ユニットと前記洗浄ユニットと前記搬送部の動作を制御する制御部と、
を有する基板処理装置または当該基板処理装置のシミュレータに対して、機械学習を行うことにより生成された学習済みモデル(チューニングされたニューラルネットワークシステム)であって、
入力層と、入力層に接続された1または2以上の中間層と、中間層に接続された出力層とを有し、
前記基板処理装置内における基板の位置および各ユニット内に位置する基板の当該ユニット内での経過時間を含む状態情報が取得され、取得された状態情報が入力層に入力され、それにより出力層から出力される、新たな基板をカセットから取り出すか否かの行動を行うことに対する価値に基づいて1つの行動が選択され、選択された行動を行うように前記搬送部の動作が制御され、予め定められた枚数の基板処理終了後、単位時間あたりの処理枚数を含む動作結果が取得され、前記処理枚数が多いほど報酬が大きくなるように、取得された動作結果に基づいて報酬が計算され、当該報酬に基づいて各ノードのパラメータが更新される処理が繰り返されることにより、前記処理枚数が多くなるような基板の搬送開始のタイミングを強化学習したものであり、
前記基板処理装置内における基板の位置および各ユニット内に位置する基板の当該ユニット内での経過時間を含む状態情報が入力層に入力されると、新たな基板をカセットから取り出すか否かの行動を行うことに対する価値を予測して出力層から出力するよう、コンピュータを機能させるための学習済みモデル(チューニングされたニューラルネットワークシステム)である。
複数枚の基板を収容するカセットが載置される載置部と、
基板を表面処理する第1処理ユニットおよび第2処理ユニットと、
表面処理後の基板を洗浄する洗浄ユニットと、
前記載置部と前記第1処理ユニットおよび第2処理ユニットと前記洗浄ユニットとの間で基板を搬送する搬送部と、
前記カセットから取り出される基板の順番と前記第1処理ユニットおよび第2処理ユニットのどちらに搬送するかとの対応関係が規定された搬送ルールに従って、前記第1処理ユニットおよび第2処理ユニットと前記洗浄ユニットと前記搬送部の動作を制御する制御部と、
を有する基板処理装置または当該基板処理装置のシミュレータに対して、コンピュータが実行する機械学習方法であって、
前記基板処理装置内における基板の位置および各ユニット内に位置する基板の当該ユニット内での経過時間を含む状態情報を取得する状態情報取得ステップと、
前記状態情報取得ステップにおいて取得された状態情報を入力として、ある状態において、新たな基板をカセットから取り出すか否かの行動を行うことに対する価値を予測する予測モデルに基づいて、1つの行動を選択する行動選択ステップと、
前記行動選択ステップにおいて選択された行動を行うように前記制御部に指示信号を送信する指示信号送信ステップと、
予め定められた枚数の基板処理終了後、単位時間あたりの処理枚数を含む動作結果を取得する動作結果取得ステップと、
前記処理枚数が多いほど報酬が大きくなるように、前記動作結果取得ステップにおいて取得された動作結果に基づいて報酬を計算し、当該報酬に基づいて前記予測モデルを更新する予測モデル更新ステップと、
を含む。
複数枚の基板を収容するカセットが載置される載置部と、
基板を表面処理する第1処理ユニットおよび第2処理ユニットと、
表面処理後の基板を洗浄する洗浄ユニットと、
前記載置部と前記第1処理ユニットおよび第2処理ユニットと前記洗浄ユニットとの間で基板を搬送する搬送部と、
前記カセットから取り出される基板の順番と前記第1処理ユニットおよび第2処理ユニットのどちらに搬送するかとの対応関係が規定された搬送ルールに従って、前記第1処理ユニットおよび第2処理ユニットと前記洗浄ユニットと前記搬送部の動作を制御する制御部と、
を有する基板処理装置または当該基板処理装置のシミュレータに対して、機械学習を行うよう、コンピュータを機能させるための機械学習プログラムであって、
前記コンピュータを、
前記基板処理装置内における基板の位置および各ユニット内に位置する基板の当該ユニット内での経過時間を含む状態情報を取得する状態情報取得部と、
ある状態において、新たな基板をカセットから取り出すか否かの行動を行うことに対する価値を予測する予測モデルを有し、前記状態情報取得部により取得された状態情報を入力として前記予測モデルに基づいて1つの行動を選択する行動選択部と、
前記行動選択部により選択された行動を行うように前記制御部に指示信号を送信する指示信号送信部と、
予め定められた枚数の基板処理終了後、単位時間あたりの処理枚数を含む動作結果を取得する動作結果取得部と、
前記処理枚数が多いほど報酬が大きくなるように、前記動作結果取得部により取得された動作結果に基づいて報酬を計算し、当該報酬に基づいて前記予測モデルを更新する価値関数更新部と、
として機能させる。
基板を表面処理する処理ユニットにおける表面処理のレシピ情報と、基板情報と、前記処理ユニット内にて使用される消耗部材の使用時間と、前記処理ユニットの連続運転時間と、前記処理ユニットにおける実際の表面処理時間との関係性を機械学習する機械学習装置であって、
前記処理ユニットでの表面処理のレシピ情報と、基板情報と、前記処理ユニット内にて使用される消耗部材の使用時間と、前記処理ユニットの連続運転時間とを入力情報として取得する入力情報取得部と、
前記処理ユニットでの表面処理のレシピ情報と、基板情報と、前記処理ユニット内にて使用される消耗部材の使用時間と、前記処理ユニットの連続運転時間とに基づいて、前記処理ユニットにおける表面処理時間を予測する予測モデルを有し、前記入力情報取得部により取得された入力情報を入力として、前記予測モデルに基づいて、前記処理ユニットにおける表面処理時間を予測して出力する予測部と、
前記処理ユニットにおける実際の表面処理時間を取得する実表面処理時間取得部と、
前記実表面処理時間取得部により取得された実際の表面処理時間と前記予測部により予測された表面処理時間との誤差に応じて前記予測モデルを更新する予測モデル更新部と、
を備える。
前記処理ユニットは、基板を研磨する研磨ユニットである。
前記消耗部材は、回転テーブルに取り付けられた研磨パッド、トップリングに取り付けられて基板の外周を支持するリテーナリング、トップリングに取り付けられて基板の裏面を支持する弾性膜のうちの1つまたは2つ以上である。
複数枚の基板を収容するカセットが載置される載置部と、
基板を表面処理する第1処理ユニットおよび第2処理ユニットと、
表面処理後の基板を洗浄する洗浄ユニットと、
前記載置部と前記第1処理ユニットおよび第2処理ユニットと前記洗浄ユニットとの間で基板を搬送する搬送部と、
前記カセットから取り出される基板の順番と前記第1処理ユニットおよび第2処理ユニットのどちらに搬送するか、およびその搬送開始時刻との対応関係が規定された搬送ルールに従って、前記第1処理ユニットおよび第2処理ユニットと前記洗浄ユニットと前記搬送部の動作を制御する制御部と、
を備えた基板処理装置であって、
前記制御部は、第23~25のいずれかの態様に係る機械学習装置により生成された学習済みモデルを有し、前記カセットに収容された各基板に対して、前記第1処理ユニットまたは第2処理ユニットでの表面処理のレシピ情報と、基板情報と、前記第1処理ユニットまたは第2処理ユニット内にて使用される消耗部材の使用時間と、前記第1処理ユニットまたは第2処理ユニットの連続運転時間とを入力として、前記学習済みモデルに基づいて、前記第1処理ユニットまたは第2処理ユニットにおける表面処理時間を予測し、予測した表面処理時間に基づいて、前記搬送開始時刻を決定する。
基板を表面処理する処理ユニットにおける表面処理のレシピ情報と、基板情報と、前記処理ユニット内にて使用される消耗部材の使用時間と、前記処理ユニットの連続運転時間と、前記処理ユニットにおける実際の表面処理時間との関係性を機械学習することにより生成された学習済みモデル(チューニングされたニューラルネットワークシステム)であって、
入力層と、入力層に接続された1または2以上の中間層と、中間層に接続された出力層とを有し、
前記処理ユニットでの表面処理のレシピ情報と、基板情報と、前記処理ユニット内にて使用される消耗部材の使用時間と、前記処理ユニットの連続運転時間とが入力層に入力され、それにより出力層から出力される出力結果と、前記処理ユニットにおける実際の表面処理時間とが比較され、その誤差に応じて各ノードのパラメータが更新される処理が繰り返されることにより、前記処理ユニットでの表面処理のレシピ情報と、基板情報と、前記処理ユニット内にて使用される消耗部材の使用時間と、前記処理ユニットの連続運転時間と、前記処理ユニットにおける実際の表面処理時間との関係性を機械学習したものであり、
前記処理ユニットでの表面処理のレシピ情報と、基板情報と、前記処理ユニット内にて使用される消耗部材の使用時間と、前記処理ユニットの連続運転時間とが入力層に入力されると、前記処理ユニットにおける表面処理時間を予測して出力層から出力するよう、コンピュータを機能させるための学習済みモデル(ニューラルネットワークシステム)である。
基板を表面処理する処理ユニットにおける表面処理のレシピ情報と、基板情報と、前記処理ユニット内にて使用される消耗部材の使用時間と、前記処理ユニットの連続運転時間と、前記処理ユニットにおける実際の表面処理時間との関係性を機械学習する、コンピュータが実行する機械学習方法であって、
前記処理ユニットでの表面処理のレシピ情報と、基板情報と、前記処理ユニット内にて使用される消耗部材の使用時間と、前記処理ユニットの連続運転時間とを入力情報として取得する入力情報取得ステップと、
前記処理ユニットでの表面処理のレシピ情報と、基板情報と、前記処理ユニット内にて使用される消耗部材の使用時間と、前記処理ユニットの連続運転時間とに基づいて、前記処理ユニットにおける表面処理時間を予測する予測モデルを利用して、前記入力情報取得ステップにおいて取得された入力情報を入力として、前記予測モデルに基づいて、前記処理ユニットにおける表面処理時間を予測する予測ステップと、
前記処理ユニットにおける実際の表面処理時間を取得する実表面処理時間取得ステップと、
前記実表面処理時間取得ステップにおいて取得された実際の表面処理時間と前記予測ステップにおいて予測された表面処理時間との誤差に応じて前記予測モデルを更新する学習モデル更新ステップと、
を含む。
基板を表面処理する処理ユニットにおける表面処理のレシピ情報と、基板情報と、前記処理ユニット内にて使用される消耗部材の使用時間と、前記処理ユニットの連続運転時間と、前記処理ユニットにおける実際の表面処理時間との関係性を機械学習するよう、コンピュータを機能させるための機械学習プログラムであって、
前記コンピュータを、
前記処理ユニットでの表面処理のレシピ情報と、基板情報と、前記処理ユニット内にて使用される消耗部材の使用時間と、前記処理ユニットの連続運転時間とを入力情報として取得する入力情報取得部と、
前記処理ユニットでの表面処理のレシピ情報と、基板情報と、前記処理ユニット内にて使用される消耗部材の使用時間と、前記処理ユニットの連続運転時間とに基づいて、前記処理ユニットにおける表面処理時間を予測する予測モデルを有し、前記入力情報取得部により取得された入力情報を入力として、前記学習モデルに基づいて、前記処理ユニットにおける表面処理時間を予測して出力する予測部と、
前記処理ユニットにおける実際の表面処理時間を取得する実表面処理時間取得部と、
前記実表面処理時間取得部により取得された実際の表面処理時間と前記予測部により予測された表面処理時間との誤差に応じて前記予測モデルを更新する学習モデル更新部と、
として機能させる。
以下に説明する第1の実施形態に係る機械学習装置80は、以上のような点を考慮してなされたものであり、基板Wの搬送開始のタイミングおよびその搬送ルートを、基板処理装置10内におけるその時その時の状態に応じて、(単位時間あたりの処理枚数が多くかつ待ち時間が短くなるように)適切に決定することを可能にできるものである。
次に、第2の実施形態について説明する。基板の搬送、処理(研磨)および洗浄の工程を予め定められたタイムチャートに従って管理するスケジューラを使用した従来の制御方法では、研磨ユニットでの研磨時間が終点検出により決定されることで研磨時間にばらつきが存在することなどを理由として、平均研磨時間、平均搬送時間および平均洗浄時間に基づいて計算した時刻どおりに(許容時間なしで)制御を行うと、確実に遅れが生じてスループットが悪化する。そのため、装置内にて基板が多少滞留してしまうことを許容し、少し早めに目的箇所に到着するように制御することで、遅れが生じないようにすることが行われる。この許容時間は、従来は人間が経験で調整しており、装置内におけるその時その時の状態に関わらず一律に決められていた。
次に、第3の実施形態について説明する。基板の搬送、処理(研磨)および洗浄の工程を予め定められたタイムチャートに従って管理するスケジューラを使用した従来の制御方法では、同じレシピであっても研磨時間と消耗部材の使用時間との間に相関があることなどを理由として、平均研磨時間、平均搬送時間および平均洗浄時間に基づいて計算された時刻どおりに制御を行うと、遅れが生じてスループットが悪化することがある。
12 カセット
20 第1処理ユニット
22a、24a トップリング
22b、24b 回転テーブル
30 第2処理ユニット
32a、34a トップリング
32b、34b 回転テーブル
40 洗浄ユニット
50 搬送部
70 制御部
80 機械学習装置
81 通信部
82 制御部
82a 状態情報取得部
82b 行動選択部
82c 指示信号送信部
82d 動作結果取得部
82e 予測モデル更新部
83 記憶部
85 予測モデル
180 機械学習装置
181 通信部
182 制御部
182a 状態情報取得部
182b 行動選択部
182c 指示信号送信部
182d 動作結果取得部
182e 予測モデル更新部
183 記憶部
185 予測モデル
280 機械学習装置
281 通信部
282 制御部
282a 入力情報取得部
282b 予測部
282c 実表面処理時間取得部
282d 予測モデル更新部
283 記憶部
285 予測モデル
Claims (22)
- 複数枚の基板を収容するカセットが載置される載置部と、
基板を表面処理する第1処理ユニットおよび第2処理ユニットと、
表面処理後の基板を洗浄する洗浄ユニットと、
前記載置部と前記第1処理ユニットおよび第2処理ユニットと前記洗浄ユニットとの間で基板を搬送する搬送部と、
前記第1処理ユニットおよび第2処理ユニットと前記洗浄ユニットと前記搬送部の動作を制御する制御部と、
を有する基板処理装置または当該基板処理装置のシミュレータに対して、機械学習を行う機械学習装置であって、
前記基板処理装置内における基板の位置および各ユニット内に位置する基板の当該ユニット内での経過時間を含む状態情報を取得する状態情報取得部と、
ある状態において、新たな基板をカセットから取り出すか否かおよび取り出す場合には第1処理ユニットおよび第2処理ユニットのどちらに搬送するかの行動を行うことに対する価値を予測する予測モデルを有し、前記状態情報取得部により取得された状態情報を入力として前記予測モデルに基づいて1つの行動を選択する行動選択部と、
前記行動選択部により選択された行動を行うように前記制御部に指示信号を送信する指示信号送信部と、
予め定められた枚数の基板処理終了後、単位時間あたりの処理枚数と、表面処理後の基板が前記洗浄ユニットにて洗浄開始となるまでに待たされた待ち時間とを含む動作結果を取得する動作結果取得部と、
前記処理枚数が多くかつ前記待ち時間が短いほど報酬が大きくなるように、前記動作結果取得部により取得された動作結果に基づいて報酬を計算し、当該報酬に基づいて前記予測モデルを更新する予測モデル更新部と、
を備えたことを特徴とする機械学習装置。 - 前記第1処理ユニットおよび第2処理ユニットは、基板を研磨する研磨ユニットである、
ことを特徴とする請求項1に記載の機械学習装置。 - 前記状態情報は、前記第1処理ユニットおよび第2処理ユニットにて使用される消耗部材の使用時間をさらに含む、
ことを特徴とする請求項1または2に記載の機械学習装置。 - 前記消耗部材は、回転テーブルに取り付けられた研磨パッド、トップリングに取り付けられて基板の外周を支持するリテーナリング、トップリングに取り付けられて基板の裏面を支持する弾性膜のうちの1つまたは2つ以上である
ことを特徴とする請求項2を引用する請求項3に記載の機械学習装置。 - 前記状態情報は、前記カセット内に収容された基板に予め施されている処理のレシピ情報をさらに含む、
ことを特徴とする請求項1~4のいずれかに記載の機械学習装置。 - 前記状態情報は、前記第1処理ユニットおよび第2処理ユニットの故障発生情報または連続運転時間をさらに含む、
ことを特徴とする請求項1~5のいずれかに記載の機械学習装置。 - 前記状態情報は、前記第1処理ユニットおよび第2処理ユニットでの表面処理のレシピ情報をさらに含む、
ことを特徴とする請求項1~6のいずれかに記載の機械学習装置。 - 複数枚の基板を収容するカセットが載置される載置部と、
基板を表面処理する第1処理ユニットおよび第2処理ユニットと、
表面処理後の基板を洗浄する洗浄ユニットと、
前記載置部と前記第1処理ユニットおよび第2処理ユニットと前記洗浄ユニットとの間で基板を搬送する搬送部と、
前記第1処理ユニットおよび第2処理ユニットと前記洗浄ユニットと前記搬送部の動作を制御する制御部と、
を備えた基板処理装置であって、
前記制御部は、請求項1~7のいずれかに記載の機械学習装置により生成された学習済みモデルを有し、当該基板処理装置内における基板の位置および各ユニット内に位置する基板の当該ユニット内での経過時間を含む状態情報を入力として、前記学習済みモデルに基づいて、新たな基板をカセットから取り出すか否かおよび取り出す場合には第1処理ユニットおよび第2処理ユニットのどちらに搬送するかの行動を選択し、選択した行動を行うように前記搬送部の動作を制御する、
ことを特徴とする基板処理装置。 - 複数枚の基板を収容するカセットが載置される載置部と、
基板を表面処理する第1処理ユニットおよび第2処理ユニットと、
表面処理後の基板を洗浄する洗浄ユニットと、
前記載置部と前記第1処理ユニットおよび第2処理ユニットと前記洗浄ユニットとの間で基板を搬送する搬送部と、
前記第1処理ユニットおよび第2処理ユニットと前記洗浄ユニットと前記搬送部の動作を制御する制御部と、
を有する基板処理装置または当該基板処理装置のシミュレータに対して、機械学習を行うことにより生成された学習済みモデルであって、
入力層と、入力層に接続された1または2以上の中間層と、中間層に接続された出力層とを有し、
前記基板処理装置内における基板の位置および各ユニット内に位置する基板の当該ユニット内での経過時間を含む状態情報が取得され、取得された状態情報が入力層に入力され、それにより出力層から出力される、新たな基板をカセットから取り出すか否かおよび取り出す場合には第1処理ユニットおよび第2処理ユニットのどちらに搬送するかの行動を行うことに対する価値に基づいて1つの行動が選択され、選択された行動を行うように前記搬送部の動作が制御され、予め定められた枚数の基板処理終了後、単位時間あたりの処理枚数と、表面処理後の基板が前記洗浄ユニットにて洗浄開始となるまでに待たされた待ち時間とを含む動作結果が取得され、前記処理枚数が多くかつ前記待ち時間が短いほど報酬が大きくなるように、取得された動作結果に基づいて報酬が計算され、当該報酬に基づいて各ノードのパラメータが更新される処理が繰り返されることにより、前記処理枚数が多くかつ前記待ち時間が短くなるような基板の搬送開始のタイミングおよびその搬送ルートを強化学習したものであり、
前記基板処理装置内における基板の位置および各ユニット内に位置する基板の当該ユニット内での経過時間を含む状態情報が入力層に入力されると、新たな基板をカセットから取り出すか否かおよび取り出す場合には第1処理ユニットおよび第2処理ユニットのどちらに搬送するかの行動を行うことに対する価値を予測して出力層から出力するよう、コンピュータを機能させるための学習済みモデル。 - 複数枚の基板を収容するカセットが載置される載置部と、
基板を表面処理する第1処理ユニットおよび第2処理ユニットと、
表面処理後の基板を洗浄する洗浄ユニットと、
前記載置部と前記第1処理ユニットおよび第2処理ユニットと前記洗浄ユニットとの間で基板を搬送する搬送部と、
前記第1処理ユニットおよび第2処理ユニットと前記洗浄ユニットと前記搬送部の動作を制御する制御部と、
を有する基板処理装置または当該基板処理装置のシミュレータに対して、コンピュータが実行する機械学習方法であって、
前記基板処理装置内における基板の位置および各ユニット内に位置する基板の当該ユニット内での経過時間を含む状態情報を取得する状態情報取得ステップと、
前記状態情報取得ステップにおいて取得された状態情報を入力として、ある状態において、新たな基板をカセットから取り出すか否かおよび取り出す場合には第1処理ユニットおよび第2処理ユニットのどちらに搬送するかの行動を行うことに対する価値を予測する予測モデルに基づいて、1つの行動を選択する行動選択ステップと、
前記行動選択ステップにおいて選択された行動を行うように前記制御部に指示信号を送信する指示信号送信ステップと、
予め定められた枚数の基板処理終了後、単位時間あたりの処理枚数と、表面処理後の基板が前記洗浄ユニットにて洗浄開始となるまでに待たされた待ち時間とを含む動作結果を取得する動作結果取得ステップと、
前記処理枚数が多くかつ前記待ち時間が短いほど報酬が大きくなるように、前記動作結果取得ステップにおいて取得された動作結果に基づいて報酬を計算し、当該報酬に基づいて前記予測モデルを更新する予測モデル更新ステップと、
を含む機械学習方法。 - 複数枚の基板を収容するカセットが載置される載置部と、
基板を表面処理する第1処理ユニットおよび第2処理ユニットと、
表面処理後の基板を洗浄する洗浄ユニットと、
前記載置部と前記第1処理ユニットおよび第2処理ユニットと前記洗浄ユニットとの間で基板を搬送する搬送部と、
前記第1処理ユニットおよび第2処理ユニットと前記洗浄ユニットと前記搬送部の動作を制御する制御部と、
を有する基板処理装置または当該基板処理装置のシミュレータに対して、機械学習を行うよう、コンピュータを機能させるための機械学習プログラムであって、
前記コンピュータを、
前記基板処理装置内における基板の位置および各ユニット内に位置する基板の当該ユニット内での経過時間を含む状態情報を取得する状態情報取得部と、
ある状態において、新たな基板をカセットから取り出すか否かおよび取り出す場合には第1処理ユニットおよび第2処理ユニットのどちらに搬送するかの行動を行うことに対する価値を予測する予測モデルを有し、前記状態情報取得部により取得された状態情報を入力として前記予測モデルに基づいて1つの行動を選択する行動選択部と、
前記行動選択部により選択された行動を行うように前記制御部に指示信号を送信する指示信号送信部と、
予め定められた枚数の基板処理終了後、単位時間あたりの処理枚数と、表面処理後の基板が前記洗浄ユニットにて洗浄開始となるまでに待たされた待ち時間とを含む動作結果を取得する動作結果取得部と、
前記処理枚数が多くかつ前記待ち時間が短いほど報酬が大きくなるように、前記動作結果取得部により取得された動作結果に基づいて報酬を計算し、当該報酬に基づいて前記予測モデルを更新する予測モデル更新部と、
として機能させることを特徴とする機械学習プログラム。 - 複数枚の基板を収容するカセットが載置される載置部と、
基板を表面処理する第1処理ユニットおよび第2処理ユニットと、
表面処理後の基板を洗浄する洗浄ユニットと、
前記載置部と前記第1処理ユニットおよび第2処理ユニットと前記洗浄ユニットとの間で基板を搬送する搬送部と、
前記カセットから取り出される基板の順番と前記第1処理ユニットおよび第2処理ユニットのどちらに搬送するかとの対応関係が規定された搬送ルールに従って、前記第1処理ユニットおよび第2処理ユニットと前記洗浄ユニットと前記搬送部の動作を制御する制御部であって、
を有する基板処理装置または当該基板処理装置のシミュレータに対して、機械学習を行う機械学習装置であって、
前記基板処理装置内における基板の位置および各ユニット内に位置する基板の当該ユニット内での経過時間を含む状態情報を取得する状態情報取得部と、
ある状態において、新たな基板をカセットから取り出すか否かの行動を行うことに対する価値を予測する予測モデルを有し、前記状態情報取得部により取得された状態情報を入力として前記予測モデルに基づいて1つの行動を選択する行動選択部と、
前記行動選択部により選択された行動を行うように前記制御部に指示信号を送信する指示信号送信部と、
予め定められた枚数の基板処理終了後、単位時間あたりの処理枚数を含む動作結果を取得する動作結果取得部と、
前記処理枚数が多いほど報酬が大きくなるように、前記動作結果取得部により取得された動作結果に基づいて報酬を計算し、当該報酬に基づいて前記予測モデルを更新する予測モデル更新部と、
を備えたことを特徴とする機械学習装置。 - 前記第1処理ユニットおよび第2処理ユニットは、基板を研磨する研磨ユニットである、
ことを特徴とする請求項12に記載の機械学習装置。 - 前記状態情報は、前記第1処理ユニットおよび第2処理ユニットにて使用される消耗部材の使用時間をさらに含む、
ことを特徴とする請求項12または13に記載の機械学習装置。 - 前記消耗部材は、回転テーブルに取り付けられた研磨パッド、トップリングに取り付けられて基板の外周を支持するリテーナリング、トップリングに取り付けられて基板の裏面を支持する弾性膜のうちの1つまたは2つ以上である
ことを特徴とする請求項13を引用する請求項14に記載の機械学習装置。 - 前記状態情報は、前記カセット内に収容された基板に予め施されている処理のレシピ情報をさらに含む、
ことを特徴とする請求項12~15のいずれかに記載の機械学習装置。 - 前記状態情報は、前記第1処理ユニットおよび第2処理ユニットの連続運転時間をさらに含む、
ことを特徴とする請求項12~16のいずれかに記載の機械学習装置。 - 前記状態情報は、前記第1処理ユニットおよび第2処理ユニットでの表面処理のレシピ情報をさらに含む、
ことを特徴とする請求項12~17のいずれかに記載の機械学習装置。 - 複数枚の基板を収容するカセットが載置される載置部と、
基板を表面処理する第1処理ユニットおよび第2処理ユニットと、
表面処理後の基板を洗浄する洗浄ユニットと、
前記載置部と前記第1処理ユニットおよび第2処理ユニットと前記洗浄ユニットとの間で基板を搬送する搬送部と、
前記カセットから取り出される基板の順番と前記第1処理ユニットおよび第2処理ユニットのどちらに搬送するかとの対応関係が規定された搬送ルールに従って、前記第1処理ユニットおよび第2処理ユニットと前記洗浄ユニットと前記搬送部の動作を制御する制御部と、
を備えた基板処理装置であって、
前記制御部は、請求項12~18のいずれかに記載の機械学習装置により生成された学習済みモデルを有し、当該基板処理装置内における基板の位置および各ユニット内に位置する基板の当該ユニット内での経過時間を含む状態情報を入力として、前記学習済みモデルに基づいて、新たな基板をカセットから取り出すか否かの行動を選択し、選択した行動を行うように前記搬送部の動作を制御する、
ことを特徴とする基板処理装置。 - 複数枚の基板を収容するカセットが載置される載置部と、
基板を表面処理する第1処理ユニットおよび第2処理ユニットと、
表面処理後の基板を洗浄する洗浄ユニットと、
前記載置部と前記第1処理ユニットおよび第2処理ユニットと前記洗浄ユニットとの間で基板を搬送する搬送部と、
前記カセットから取り出される基板の順番と前記第1処理ユニットおよび第2処理ユニットのどちらに搬送するかとの対応関係が規定された搬送ルールに従って、前記第1処理ユニットおよび第2処理ユニットと前記洗浄ユニットと前記搬送部の動作を制御する制御部と、
を有する基板処理装置または当該基板処理装置のシミュレータに対して、機械学習を行うことにより生成された学習済みモデルであって、
入力層と、入力層に接続された1または2以上の中間層と、中間層に接続された出力層とを有し、
前記基板処理装置内における基板の位置および各ユニット内に位置する基板の当該ユニット内での経過時間を含む状態情報が取得され、取得された状態情報が入力層に入力され、それにより出力層から出力される、新たな基板をカセットから取り出すか否かの行動を行うことに対する価値に基づいて1つの行動が選択され、選択された行動を行うように前記搬送部の動作が制御され、予め定められた枚数の基板処理終了後、単位時間あたりの処理枚数を含む動作結果が取得され、前記処理枚数が多いほど報酬が大きくなるように、取得された動作結果に基づいて報酬が計算され、当該報酬に基づいて各ノードのパラメータが更新される処理が繰り返されることにより、前記処理枚数が多くなるような基板の搬送開始のタイミングを強化学習したものであり、
前記基板処理装置内における基板の位置および各ユニット内に位置する基板の当該ユニット内での経過時間を含む状態情報が入力層に入力されると、新たな基板をカセットから取り出すか否かの行動を行うことに対する価値を予測して出力層から出力するよう、コンピュータを機能させるための学習済みモデル。 - 複数枚の基板を収容するカセットが載置される載置部と、
基板を表面処理する第1処理ユニットおよび第2処理ユニットと、
表面処理後の基板を洗浄する洗浄ユニットと、
前記載置部と前記第1処理ユニットおよび第2処理ユニットと前記洗浄ユニットとの間で基板を搬送する搬送部と、
前記カセットから取り出される基板の順番と前記第1処理ユニットおよび第2処理ユニットのどちらに搬送するかとの対応関係が規定された搬送ルールに従って、前記第1処理ユニットおよび第2処理ユニットと前記洗浄ユニットと前記搬送部の動作を制御する制御部と、
を有する基板処理装置または当該基板処理装置のシミュレータに対して、コンピュータが実行する機械学習方法であって、
前記基板処理装置内における基板の位置および各ユニット内に位置する基板の当該ユニット内での経過時間を含む状態情報を取得する状態情報取得ステップと、
前記状態情報取得ステップにおいて取得された状態情報を入力として、ある状態において、新たな基板をカセットから取り出すか否かの行動を行うことに対する価値を予測する予測モデルに基づいて、1つの行動を選択する行動選択ステップと、
前記行動選択ステップにおいて選択された行動を行うように前記制御部に指示信号を送信する指示信号送信ステップと、
予め定められた枚数の基板処理終了後、単位時間あたりの処理枚数を含む動作結果を取得する動作結果取得ステップと、
前記処理枚数が多いほど報酬が大きくなるように、前記動作結果取得ステップにおいて取得された動作結果に基づいて報酬を計算し、当該報酬に基づいて前記予測モデルを更新する予測モデル更新ステップと、
を含む機械学習方法。 - 複数枚の基板を収容するカセットが載置される載置部と、
基板を表面処理する第1処理ユニットおよび第2処理ユニットと、
表面処理後の基板を洗浄する洗浄ユニットと、
前記載置部と前記第1処理ユニットおよび第2処理ユニットと前記洗浄ユニットとの間で基板を搬送する搬送部と、
前記カセットから取り出される基板の順番と前記第1処理ユニットおよび第2処理ユニットのどちらに搬送するかとの対応関係が規定された搬送ルールに従って、前記第1処理ユニットおよび第2処理ユニットと前記洗浄ユニットと前記搬送部の動作を制御する制御部と、
を有する基板処理装置または当該基板処理装置のシミュレータに対して、機械学習を行うよう、コンピュータを機能させるための機械学習プログラムであって、
前記コンピュータを、
前記基板処理装置内における基板の位置および各ユニット内に位置する基板の当該ユニット内での経過時間を含む状態情報を取得する状態情報取得部と、
ある状態において、新たな基板をカセットから取り出すか否かの行動を行うことに対する価値を予測する予測モデルを有し、前記状態情報取得部により取得された状態情報を入力として前記予測モデルに基づいて1つの行動を選択する行動選択部と、
前記行動選択部により選択された行動を行うように前記制御部に指示信号を送信する指示信号送信部と、
予め定められた枚数の基板処理終了後、単位時間あたりの処理枚数を含む動作結果を取得する動作結果取得部と、
前記処理枚数が多いほど報酬が大きくなるように、前記動作結果取得部により取得された動作結果に基づいて報酬を計算し、当該報酬に基づいて前記予測モデルを更新する価値関数更新部と、
として機能させることを特徴とする機械学習プログラム。
Priority Applications (6)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019169007A JP7224265B2 (ja) | 2019-09-18 | 2019-09-18 | 機械学習装置、基板処理装置、学習済みモデル、機械学習方法、機械学習プログラム |
CN202080065900.8A CN114430707A (zh) | 2019-09-18 | 2020-09-10 | 机器学习装置、基板处理装置、完成学习模型、机器学习方法、机器学习程序 |
KR1020227012315A KR20220063230A (ko) | 2019-09-18 | 2020-09-10 | 기계 학습 장치, 기판 처리 장치, 학습 완료 모델, 기계 학습 방법, 기계 학습 프로그램 |
US17/761,464 US20220344164A1 (en) | 2019-09-18 | 2020-09-10 | Machine learning device, substrate processing device, trained model, machine learning method, and machine learning program |
PCT/JP2020/034234 WO2021054236A1 (ja) | 2019-09-18 | 2020-09-10 | 機械学習装置、基板処理装置、学習済みモデル、機械学習方法、機械学習プログラム |
TW109131815A TW202114021A (zh) | 2019-09-18 | 2020-09-16 | 機械學習裝置、基板處理裝置、學習完成模型、機械學習方法、機械學習程式 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019169007A JP7224265B2 (ja) | 2019-09-18 | 2019-09-18 | 機械学習装置、基板処理装置、学習済みモデル、機械学習方法、機械学習プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021048213A JP2021048213A (ja) | 2021-03-25 |
JP7224265B2 true JP7224265B2 (ja) | 2023-02-17 |
Family
ID=74878686
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019169007A Active JP7224265B2 (ja) | 2019-09-18 | 2019-09-18 | 機械学習装置、基板処理装置、学習済みモデル、機械学習方法、機械学習プログラム |
Country Status (6)
Country | Link |
---|---|
US (1) | US20220344164A1 (ja) |
JP (1) | JP7224265B2 (ja) |
KR (1) | KR20220063230A (ja) |
CN (1) | CN114430707A (ja) |
TW (1) | TW202114021A (ja) |
WO (1) | WO2021054236A1 (ja) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11836429B2 (en) * | 2019-10-23 | 2023-12-05 | Lam Research Corporation | Determination of recipes for manufacturing semiconductor devices |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005109437A (ja) | 2003-09-08 | 2005-04-21 | Toshiba Corp | 半導体装置の製造システムおよび半導体装置の製造方法 |
JP2008091698A (ja) | 2006-10-03 | 2008-04-17 | Matsushita Electric Ind Co Ltd | 基板処理装置および基板処理方法 |
WO2008133286A1 (ja) | 2007-04-20 | 2008-11-06 | Ebara Corporation | 研磨装置及びそのプログラム |
JP2009004442A (ja) | 2007-06-19 | 2009-01-08 | Renesas Technology Corp | 半導体ウェハの研磨方法 |
JP2010027701A (ja) | 2008-07-16 | 2010-02-04 | Renesas Technology Corp | 化学的機械的研磨方法、半導体ウェハの製造方法、半導体ウェハ及び半導体装置 |
JP2010087135A (ja) | 2008-09-30 | 2010-04-15 | Nec Corp | 半導体装置の製造方法およびcmp装置 |
JP2012074574A (ja) | 2010-09-29 | 2012-04-12 | Hitachi Ltd | 加工装置制御システムおよび加工装置制御方法 |
JP2015199181A (ja) | 2014-04-10 | 2015-11-12 | 株式会社荏原製作所 | 基板処理装置 |
JP2018186203A (ja) | 2017-04-26 | 2018-11-22 | 株式会社荏原製作所 | 基板処理方法 |
JP2019040984A (ja) | 2017-08-24 | 2019-03-14 | 株式会社日立製作所 | 探索装置及び探索方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4068404B2 (ja) * | 2002-06-26 | 2008-03-26 | 大日本スクリーン製造株式会社 | 基板処理システム、基板処理装置、基板処理方法、プログラム及び記録媒体 |
JP4808453B2 (ja) * | 2005-08-26 | 2011-11-02 | 株式会社荏原製作所 | 研磨方法及び研磨装置 |
JP5511190B2 (ja) * | 2008-01-23 | 2014-06-04 | 株式会社荏原製作所 | 基板処理装置の運転方法 |
JP6627076B2 (ja) * | 2016-03-01 | 2020-01-08 | パナソニックIpマネジメント株式会社 | 部品実装用装置及び基板搬送方法 |
US20190240799A1 (en) * | 2016-10-18 | 2019-08-08 | Ebara Corporation | Substrate processing control system, substrate processing control method, and program |
JP6758247B2 (ja) * | 2017-05-10 | 2020-09-23 | 株式会社荏原製作所 | 洗浄装置および基板処理装置、洗浄装置のメンテナンス方法、並びにプログラム |
CN108427698A (zh) * | 2017-08-29 | 2018-08-21 | 平安科技(深圳)有限公司 | 预测模型的更新装置、方法及计算机可读存储介质 |
-
2019
- 2019-09-18 JP JP2019169007A patent/JP7224265B2/ja active Active
-
2020
- 2020-09-10 WO PCT/JP2020/034234 patent/WO2021054236A1/ja active Application Filing
- 2020-09-10 KR KR1020227012315A patent/KR20220063230A/ko unknown
- 2020-09-10 CN CN202080065900.8A patent/CN114430707A/zh active Pending
- 2020-09-10 US US17/761,464 patent/US20220344164A1/en active Pending
- 2020-09-16 TW TW109131815A patent/TW202114021A/zh unknown
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005109437A (ja) | 2003-09-08 | 2005-04-21 | Toshiba Corp | 半導体装置の製造システムおよび半導体装置の製造方法 |
JP2008091698A (ja) | 2006-10-03 | 2008-04-17 | Matsushita Electric Ind Co Ltd | 基板処理装置および基板処理方法 |
WO2008133286A1 (ja) | 2007-04-20 | 2008-11-06 | Ebara Corporation | 研磨装置及びそのプログラム |
JP2009004442A (ja) | 2007-06-19 | 2009-01-08 | Renesas Technology Corp | 半導体ウェハの研磨方法 |
JP2010027701A (ja) | 2008-07-16 | 2010-02-04 | Renesas Technology Corp | 化学的機械的研磨方法、半導体ウェハの製造方法、半導体ウェハ及び半導体装置 |
JP2010087135A (ja) | 2008-09-30 | 2010-04-15 | Nec Corp | 半導体装置の製造方法およびcmp装置 |
JP2012074574A (ja) | 2010-09-29 | 2012-04-12 | Hitachi Ltd | 加工装置制御システムおよび加工装置制御方法 |
JP2015199181A (ja) | 2014-04-10 | 2015-11-12 | 株式会社荏原製作所 | 基板処理装置 |
JP2018186203A (ja) | 2017-04-26 | 2018-11-22 | 株式会社荏原製作所 | 基板処理方法 |
JP2019040984A (ja) | 2017-08-24 | 2019-03-14 | 株式会社日立製作所 | 探索装置及び探索方法 |
Also Published As
Publication number | Publication date |
---|---|
TW202114021A (zh) | 2021-04-01 |
KR20220063230A (ko) | 2022-05-17 |
WO2021054236A1 (ja) | 2021-03-25 |
JP2021048213A (ja) | 2021-03-25 |
CN114430707A (zh) | 2022-05-03 |
US20220344164A1 (en) | 2022-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7522968B2 (en) | Scheduling method for processing equipment | |
TWI521628B (zh) | 排程器、基板處理裝置,及基板處理裝置之基板傳送方法 | |
JP7224265B2 (ja) | 機械学習装置、基板処理装置、学習済みモデル、機械学習方法、機械学習プログラム | |
US20080051930A1 (en) | Scheduling method for processing equipment | |
US20080014058A1 (en) | Scheduling method for processing equipment | |
TW201532118A (zh) | 用於控制多批工件處理的方法、儲存媒體及系統 | |
US11599115B2 (en) | Transport control device | |
JP5023146B2 (ja) | 研磨装置及びそのプログラム | |
US11275360B2 (en) | Using graphics processing unit for substrate routing and throughput modeling | |
TW202030826A (zh) | 真空處理裝置之運轉方法 | |
JP2011018737A (ja) | 半導体製造システム | |
TW201926165A (zh) | 將半導體批次調度到製造工具的系統和方法 | |
JP2994321B2 (ja) | 製造工程の生産管理システム | |
CN110223934B (zh) | 调度器、衬底处理装置及衬底输送方法 | |
US20030022404A1 (en) | System processing time computation method, system processing time computation device, and recording medium with system processing time computation program recorded thereon | |
Sung et al. | A neural network approach for batching decisions in wafer fabrication | |
JP5075835B2 (ja) | 半導体製造システム | |
Gupta et al. | Improving scheduling and control of the OHTC controller in wafer fab AMHS systems | |
JP7242890B2 (ja) | 真空処理装置の運転方法 | |
CN115295467A (zh) | 一种基于工艺路径的传输时间控制方法及半导体工艺设备 | |
JP2008159846A (ja) | 半導体デバイス製造ラインの仕掛り平準化制御方法及びシステム | |
JPH06291006A (ja) | 半導体ウェーハの生産方法 | |
JP2000114131A (ja) | 生産管理装置とその方法 | |
JP2018093131A (ja) | 搬送システム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220415 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20221101 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20221213 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20230110 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230207 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7224265 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |