JP7224492B2 - 推論装置、推論方法及び推論プログラム - Google Patents

推論装置、推論方法及び推論プログラム Download PDF

Info

Publication number
JP7224492B2
JP7224492B2 JP2021561312A JP2021561312A JP7224492B2 JP 7224492 B2 JP7224492 B2 JP 7224492B2 JP 2021561312 A JP2021561312 A JP 2021561312A JP 2021561312 A JP2021561312 A JP 2021561312A JP 7224492 B2 JP7224492 B2 JP 7224492B2
Authority
JP
Japan
Prior art keywords
unit
time
processing
series data
inference
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
Application number
JP2021561312A
Other languages
English (en)
Other versions
JPWO2021106646A1 (ja
JPWO2021106646A5 (ja
Inventor
拓郎 筒井
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.)
Tokyo Electron Ltd
Original Assignee
Tokyo Electron 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 Tokyo Electron Ltd filed Critical Tokyo Electron Ltd
Publication of JPWO2021106646A1 publication Critical patent/JPWO2021106646A1/ja
Publication of JPWO2021106646A5 publication Critical patent/JPWO2021106646A5/ja
Application granted granted Critical
Publication of JP7224492B2 publication Critical patent/JP7224492B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • 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
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/045—Explanation of inference; Explainable artificial intelligence [XAI]; Interpretable artificial intelligence
    • 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
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • 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
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Automation & Control Theory (AREA)
  • Computational Linguistics (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • General Factory Administration (AREA)

Description

本開示は、推論装置、推論方法及び推論プログラムに関する。
従来より、各種製造プロセスの分野では、対象物の処理中に測定された測定データ（複数種類の時系列データのデータセット、以下、時系列データ群と称す）から、処理後の対象物の状態や処理中のプロセス内の事象等を推論する推論技術が知られている。
一例として、半導体製造プロセスにおいては、処理後のウェハの状態を推論する仮想測定技術や、処理中のプロセス内の異常の有無を推論する異常検知技術等が知られている。
一方で、これらの推論技術において用いられるモデル（例えば、仮想測定モデル、異常検知モデル）が、より高精度な推論を実現するには、プロセスごとにモデルを生成し、最適化する必要があり、コストと時間がかかる。
これに対して、特定のプロセスを対象として高精度な推論を実現したモデルを、同種の他のプロセスにも適用することができれば、モデルの最適化にかかるコストと時間を削減することができる。
特開２００６－１６３５１７号公報
本開示は、適用対象によらず高精度な推論が可能な推論装置、推論方法及び推論プログラムを提供する。
本開示の一態様による推論装置は、例えば、以下のような構成を有する。即ち、
製造プロセスの所定の処理単位において、対象物の処理に伴い測定された時系列データ群を取得する取得部と、
予め取得された前記時系列データ群であって、対応するネットワーク部で行われる処理に応じて分岐された前記時系列データ群それぞれを処理する複数のネットワーク部と、該複数のネットワーク部を用いて処理することで出力された各出力データを合成する連結部とを含む学習部によって、該連結部より出力された合成結果が、前記対象物を処理した際の結果物の検査データに近づくように、前記複数のネットワーク部及び前記連結部が機械学習されることで生成された、機械学習済みの前記複数のネットワーク部及び機械学習済みの前記連結部と、
取得された前記時系列データ群であって、対応する機械学習済みのネットワーク部で行われる処理に応じて分岐された前記時系列データ群それぞれが、機械学習済みの前記複数のネットワーク部を用いて処理されることで出力された各出力データであって、機械学習済みの前記連結部により合成されることなく出力された各出力データを調整し、調整した後の各出力データを合成することで、推論結果を出力する調整部と、を有し、
前記調整部は、前記推論結果に含まれる誤差に応じた補正パラメータを用いて、前記各出力データを調整する。
本開示によれば、適用対象によらず高精度な推論が可能な推論装置、推論方法及び推論プログラムを提供することができる。
図１は、仮想測定装置が適用されるシステムの全体構成の一例を示す図である。 図２は、半導体製造プロセスの所定の処理単位の一例を示す第１の図である。 図３は、半導体製造プロセスの所定の処理単位の一例を示す第２の図である。 図４は、取得される時系列データ群の一例を示す図である。 図５は、仮想測定装置のハードウェア構成の一例を示す図である。 図６は、仮想測定装置の学習部の機能構成の一例を示す図である。 図７は、分岐部の処理の具体例を示す第１の図である。 図８は、分岐部の処理の具体例を示す第２の図である。 図９は、分岐部の処理の具体例を示す第３の図である。 図１０は、各ネットワーク部に含まれる正規化部の処理の具体例を示す図である。 図１１は、分岐部の処理の具体例を示す第４の図である。 図１２は、仮想測定装置の推論部の機能構成の一例を示す図である。 図１３は、仮想測定装置による仮想測定処理の流れを示すフローチャートである。 図１４は、仮想測定装置の微調整機能付き推論部の機能構成の一例を示す第１の図である。 図１５は、仮想測定装置による微調整処理の流れを示すフローチャートである。 図１６は、仮想測定装置の微調整機能付き推論部の機能構成の一例を示す第２の図である。
以下、各実施形態について添付の図面を参照しながら説明する。なお、以下の各実施形態では、特定の半導体製造プロセスを対象として、ウェハの処理に伴い測定された時系列データ群を用いて、
・処理後のウェハの状態を推論する仮想測定モデル、または、
・プロセス内の異常の有無を推論する異常検知モデル、
を生成する場合について説明する。このとき、以下の各実施形態では、時系列データ群を複数のネットワーク部を用いて処理することで、多面的な解析を行い、高精度な推論を実現するモデルを生成する。
また、以下の各実施形態では、生成したモデルに微調整機能を付加することで、同種の他の半導体製造プロセスに当該モデルを適用した際に、プロセス間の個体差に起因する誤差（推論結果に含まれる誤差）を、該微調整機能を用いて低減させる。
これにより、以下の各実施形態によれば、適用対象によらず高精度な推論が可能な推論装置、推論方法及び推論プログラムを提供することができる。この結果、他の半導体製造プロセスを対象として新たにモデルを生成し、最適化する場合と比較して、コストと時間を削減することができる。
なお、以下の各実施形態のうち、第１の実施形態では、時系列データ群に基づくモデルとして仮想測定モデルを生成し、微調整機能として補正行列を用いる場合について説明する。また、第２の実施形態では、微調整機能として、補正行列に代えてニューラルネットワークを用いる場合について説明する。更に、第３の実施形態では、時系列データ群に基づくモデルとして、仮想測定モデルに代えて異常検知モデルを生成する場合について説明する。
なお、各実施形態及び添付の図面において、実質的に同一の機能構成を有する構成要素については、同一の符号を付することにより重複した説明を省略する。
［第１の実施形態］
＜推論装置の適用例＞
はじめに、仮想測定モデルに微調整機能が付加された仮想測定装置（推論装置）の適用例について説明する。図１は、仮想測定装置が適用されるシステムの全体構成の一例を示す図である。
図１に示すように、システム１００Ａは、半導体製造プロセスＡと、時系列データ取得装置１４０Ａ＿１～１４０Ａ＿ｎと、検査データ取得装置１５０Ａと、仮想測定装置１６０Ａとを有する。システム１００Ａでは、特定のプロセスである半導体製造プロセスＡを対象として、高精度な推論を実現する仮想測定モデルが生成される。
システム１００Ｂは、半導体製造プロセスＢと、時系列データ取得装置１４０Ｂ＿１～１４０Ｂ＿ｎと、検査データ取得装置１５０Ｂと、仮想測定装置１６０Ｂとを有する。システム１００Ｂにおいて、半導体製造プロセスＢは、半導体製造プロセスＡと同種の他のプロセスであり、本実施形態では、システム１００Ａにおいて生成された仮想測定モデルに微調整機能が付加された仮想測定装置（推論装置）が適用される適用対象である。
システム１００Ａにおいて、半導体製造プロセスＡは、所定の処理単位１２０Ａにおいて、対象物（処理前ウェハ１１０Ａ）を処理し、結果物（処理後ウェハ１３０Ａ）を生成する。なお、ここでいう処理単位１２０Ａとは、抽象的な概念であり、詳細は後述する。また、処理前ウェハ１１０Ａとは、処理単位１２０Ａにおいて処理される前のウェハ（基板）を指し、処理後ウェハ１３０Ａとは、処理単位１２０Ａにおいて処理された後のウェハ（基板）を指す。
また、システム１００Ａにおいて、時系列データ取得装置１４０Ａ＿１～１４０Ａ＿ｎは、それぞれ、処理前ウェハ１１０Ａの処理に伴い時系列データを測定する。時系列データ取得装置１４０Ａ＿１～１４０Ａ＿ｎは、互いに異なる種類の測定項目について測定を行うものとする。なお、時系列データ取得装置１４０Ａ＿１～１４０Ａ＿ｎそれぞれが測定する測定項目の数は１つであっても、複数であってもよい。また、処理前ウェハ１１０Ａの処理に伴い測定した時系列データには、処理前ウェハ１１０Ａの処理中に測定した時系列データのほか、処理前ウェハ１１０Ａの処理の前後に行われる前処理、後処理の際に測定した時系列データも含まれる。これらの処理にはウェハ（基板）が無い状態で行われる前処理、後処理が含まれていてもよい。
時系列データ取得装置１４０Ａ＿１～１４０Ａ＿ｎにより測定された時系列データ群は、学習用データ（入力データ）として、仮想測定装置１６０Ａの学習用データ格納部１６３Ａに格納される。
また、システム１００Ａにおいて、検査データ取得装置１５０Ａは、処理単位１２０Ａにおいて処理された処理後ウェハ１３０Ａの所定の検査項目（例えば、ＥＲ（Etch Rate））を検査し、検査データを取得する。検査データ取得装置１５０Ａにより取得された検査データは、学習用データ（正解データ）として、仮想測定装置１６０Ａの学習用データ格納部１６３Ａに格納される。
また、システム１００Ａにおいて、仮想測定装置１６０Ａには、学習プログラム及び推論プログラムを含む仮想測定プログラムがインストールされている。仮想測定プログラムが実行されることで、仮想測定装置１６０Ａは、学習部１６１Ａ及び推論部１６２Ａとして機能する。
学習部１６１Ａは、時系列データ取得装置１４０Ａ＿１～１４０Ａ＿ｎにより測定された時系列データ群と、検査データ取得装置１５０Ａにより取得された検査データとを用いて機械学習を行う。
具体的には、学習部１６１Ａが有する複数のネットワーク部を用いて時系列データ群を処理し、複数のネットワーク部より出力された各出力データの合成結果が、検査データに近づくよう、当該複数のネットワーク部について機械学習を行う。
推論部１６２Ａは、新たな対象物（処理前ウェハ）の処理に伴い測定された時系列データ群を取得し、機械学習が行われた複数のネットワーク部に入力する。これにより、推論部１６２Ａは、新たな処理前ウェハの処理に伴い取得された時系列データに基づき、処理後ウェハの検査データを推論し、推論結果（仮想測定データ）を出力する。
このように、対象物の処理に伴い測定された時系列データ群を、複数のネットワーク部を用いて処理することで、仮想測定装置１６０Ａによれば、時系列データ群を多面的に解析することが可能となる。この結果、時系列データ群を１のネットワーク部を用いて処理する場合と比較して、高精度な推論を実現する仮想測定モデル（推論部１６２Ａ）を生成することができる。
一方、システム１００Ｂにおいて、半導体製造プロセスＢは、システム１００Ａの半導体製造プロセスＡと同種のプロセスである。また、システム１００Ｂにおいて、時系列データ取得装置１４０Ｂ＿１～１４０Ｂ＿ｎ、検査データ取得装置１５０Ｂは、それぞれ、システム１００Ａの時系列データ取得装置１４０Ａ＿１～１４０Ａ＿ｎ、検査データ取得装置１５０Ａと対応している。
更に、システム１００Ｂにおいて、仮想測定装置１６０Ｂ（推論装置）は、システム１００Ａの仮想測定装置１６０Ａと対応している。ただし、システム１００Ｂの仮想測定装置１６０Ｂの場合、学習部１６１Ａを有していない。また、推論部１６２Ａに代えて、微調整機能付き推論部１６２Ｂを有している（学習プログラムを含まず、仮想測定装置１６０Ａにインストールされた推論プログラムとは同様の推論プログラムを含む仮想測定プログラムがインストールされている）。
システム１００Ｂの仮想測定装置１６０Ｂの場合、新たに仮想測定モデルを生成し、時系列データ群を用いて機械学習を行うことで最適化するのではなく、システム１００Ａの仮想測定装置１６０Ａにおいて生成された仮想測定モデル（推論部１６２Ａ）を適用する。
ここで、半導体製造プロセスＡと半導体製造プロセスＢとは、上述したように同種のプロセスであるが、個体差を有している。このため、仮想測定装置１６０Ａにおいて生成された仮想測定モデル（推論部１６２Ａ）をそのまま適用しても、推論結果（仮想測定データ）には誤差が含まれる。
そこで、仮想測定装置１６０Ｂ（推論装置）の場合、仮想測定装置１６０Ａにおいて生成された仮想測定モデル（推論部１６２Ａ）に微調整機能を付加した推論部を生成する。図１において、仮想測定装置１６０Ｂが有する微調整機能付き推論部１６２Ｂは、仮想測定装置１６０Ａにおいて生成された仮想測定モデル（推論部１６２Ａ）に微調整機能を付加した推論部の一例である。
微調整機能付き推論部１６２Ｂは、仮想測定装置１６０Ａにおいて生成された仮想測定モデル（推論部１６２Ａ）が適用される一方で（破線１７０参照）、個体差に起因する誤差（推論結果に含まれる誤差）を低減する微調整機能が付加されている。
具体的には、微調整機能付き推論部１６２Ｂは、
・生成された仮想測定モデルに含まれる複数のネットワーク部を用いて、時系列データ群を処理し、複数のネットワーク部より出力された各出力データを調整した後に合成することで出力される推論結果（仮想測定データ）と、
・検査データ取得装置１５０Ｂにより取得される検査データと、
の誤差が低減されるように、補正パラメータ（各出力データを調整する際に用いる補正行列に含まれるパラメータ。詳細は後述）を更新する。
これにより、仮想測定装置１６０Ｂでは、
・仮想測定装置１６０Ａにおいて生成された、高精度な推論を実現する仮想測定モデル（推論部１６２Ａ）が適用されたモデルであって、
・適用対象である半導体製造プロセスＢにおいても、高精度な推論が可能なモデル、
を実現することができる。
＜半導体製造プロセスの所定の処理単位＞
次に、半導体製造プロセスＡ、Ｂの所定の処理単位１２０Ａ、１２０Ｂについて説明する。図２は、半導体製造プロセスの所定の処理単位の一例を示す第１の図である。図２に示すように、基板処理装置の一例である半導体製造装置２００は、複数のチャンバ（複数の処理空間の一例。図２の例では、“チャンバＡ”～“チャンバＣ”）を有しており、各チャンバにおいて、ウェハが処理される。
このうち、図２の２ａは、複数のチャンバを処理単位１２０Ａ、１２０Ｂと定義した場合を示している。この場合、処理前ウェハ１１０Ａ、１１０Ｂとは、チャンバＡにおいて処理される前のウェハを指し、処理後ウェハ１３０Ａ、１３０Ｂとは、チャンバＣにおいて処理された後のウェハを指す。
また、図２の２ａの処理単位１２０Ａ、１２０Ｂにおいて、処理前ウェハ１１０Ａ、１１０Ｂの処理に伴い測定される時系列データ群には、
・チャンバＡ（第１の処理空間）における処理に伴い測定される時系列データ群と、
・チャンバＢ（第２の処理空間）における処理に伴い測定される時系列データ群と、
・チャンバＣ（第３の処理空間）における処理に伴い測定される時系列データ群と、
が含まれる。
一方、図２の２ｂは、１のチャンバ（図２の２ｂの例では、“チャンバＢ”）を処理単位１２０Ａ、１２０Ｂと定義した場合を示している。この場合、処理前ウェハ１１０Ａ、１１０Ｂとは、チャンバＢにおいて処理される前のウェハ（チャンバＡにおいて処理された後のウェハ）を指す。また、処理後ウェハ１３０Ａ、１３０Ｂとは、チャンバＢにおいて処理された後のウェハ（チャンバＣにおいて処理される前のウェハ）を指す。
また、図２の２ｂの処理単位１２０Ａ、１２０Ｂにおいて、処理前ウェハ１１０Ａ、１１０Ｂの処理に伴い測定される時系列データ群には、チャンバＢにおいて、処理前ウェハ１１０Ａ、１１０Ｂの処理に伴い測定される時系列データ群が含まれる。
図３は、半導体製造プロセスの所定の処理単位の一例を示す第２の図である。図２と同様、半導体製造装置２００は、複数のチャンバを有しており、各チャンバにおいて、ウェハが処理される。
このうち、図３の３ａは、チャンバＢにおける処理内容のうち、前処理と後処理とを除いた処理（“ウェハ処理”と称す）を処理単位１２０Ａ、１２０Ｂと定義した場合を示している。この場合、処理前ウェハ１１０Ａ、１１０Ｂとは、ウェハ処理が行われる前のウェハ（前処理が行われた後のウェハ）を指し、処理後ウェハ１３０Ａ、１３０Ｂとは、ウェハ処理が行われた後のウェハ（後処理が行われる前のウェハ）を指す。
また、図３の３ａの処理単位１２０Ａ、１２０Ｂにおいて、処理前ウェハ１１０Ａ、１１０Ｂの処理に伴い測定される時系列データ群には、チャンバＢにおいて、処理前ウェハ１１０Ａ、１１０Ｂのウェハ処理に伴い測定される時系列データ群が含まれる。
なお、図３の３ａの例では、同一チャンバ内（チャンバＢ内）において、前処理、ウェハ処理（本処理）、後処理が行われる場合の、ウェハ処理を処理単位１２０Ａ、１２０Ｂとした場合について示した。しかしながら、異なるチャンバで各処理が行われる場合（例えば、チャンバＡ内において前処理が、チャンバＢ内においてウェハ処理が、チャンバＣ内において後処理が行われる場合）にあっては、チャンバごとの各処理を処理単位１２０Ａ、１２０Ｂとしてもよい。
一方、図３の３ｂは、チャンバＢにおける処理内容のうち、ウェハ処理に含まれる１のレシピ（図３の３ｂの例では“レシピＩＩＩ”）の処理を処理単位１２０Ａ、１２０Ｂと定義した場合を示している。この場合、処理前ウェハ１１０Ａ、１１０Ｂとは、レシピＩＩＩの処理が行われる前のウェハ（レシピＩＩの処理が行われた後のウェハ）を指す。また、処理後ウェハ１３０Ａ、１３０Ｂとは、レシピＩＩＩの処理が行われた後のウェハ（レシピＩＶ（不図示）の処理が行われる前のウェハ）を指す。
また、図３の３ａの処理単位１２０Ａ、１２０Ｂにおいて、処理前ウェハ１１０Ａ、１１０Ｂの処理に伴い測定される時系列データ群には、チャンバＢにおいて、レシピＩＩＩによるウェハ処理に伴い測定される時系列データ群が含まれる。
＜時系列データ群の具体例＞
次に、時系列データ取得装置１４０Ａ＿１～１４０Ａ＿ｎ、１４０Ｂ＿１～１４０Ｂ＿ｎにおいて取得される時系列データ群の具体例について説明する。図４は、取得される時系列データ群の一例を示す図である。なお、図４の例では、説明の簡略化のため、時系列データ取得装置１４０Ａ＿１～１４０Ａ＿ｎ、１４０Ｂ＿１～１４０Ｂ＿ｎがそれぞれ１次元のデータを測定するものとしている。ただし、１の時系列データ取得装置が２次元のデータ（複数種類の１次元データのデータセット）を測定してもよい。
このうち、図４の４ａは、処理単位１２０Ａ、１２０Ｂが、図２の２ｂ、図３の３ａ、図３の３ｂのいずれかで定義された場合の時系列データ群を表している。この場合、時系列データ取得装置１４０Ａ＿１～１４０Ａ＿ｎ、１４０Ｂ＿１～１４０Ｂ＿ｎは、それぞれ、チャンバＢにおける処理に伴い測定した時系列データを取得する。また、時系列データ取得装置１４０Ａ＿１～１４０Ａ＿ｎは、互いに、同一時間帯に測定した時系列データを、時系列データ群として取得する。同様に、時系列データ取得装置１４０Ｂ＿１～１４０Ｂ＿ｎは、互いに、同一時間帯に測定した時系列データを、時系列データ群として取得する。
一方、図４の４ｂは、処理単位１２０Ａ、１２０Ｂが、図２の２ａで定義された場合の時系列データ群を表している。この場合、時系列データ取得装置１４０Ａ＿１～１４０Ａ＿３、１４０Ｂ＿１～１４０Ｂ＿３は、例えば、チャンバＡにおけるウェハの処理に伴い測定した時系列データ群１を取得する。また、時系列データ取得装置１４０Ａ＿ｎ－２、１４０Ｂ＿ｎ－２は、例えば、チャンバＢにおける当該ウェハの処理に伴い測定した時系列データ群２を取得する。また、時系列データ取得装置１４０Ａ＿ｎ－１～１４０Ａ＿ｎ、１４０Ｂ＿ｎ－１～１４０Ｂ＿ｎは、例えば、チャンバＣにおける当該ウェハの処理に伴い測定した時系列データ群３を取得する。
なお、図４の４ａにおいて、時系列データ取得装置１４０Ａ＿１～１４０Ａ＿ｎ、１４０Ｂ＿１～１４０Ｂ＿ｎは、チャンバＢにおいて処理前ウェハの処理に伴い測定した、同一の時間範囲の時系列データを、時系列データ群として取得する場合について示した。しかしながら、時系列データ取得装置１４０Ａ＿１～１４０Ａ＿ｎ、１４０Ｂ＿１～１４０Ｂ＿ｎは、チャンバＢにおいて処理前ウェハの処理に伴い測定した、異なる時間範囲の時系列データを時系列データ群として取得してもよい。
具体的には、時系列データ取得装置１４０Ａ＿１～１４０Ａ＿ｎ、１４０Ｂ＿１～１４０Ｂ＿ｎは、前処理を実行中に測定した複数の時系列データを、時系列データ群１として取得してもよい。また、時系列データ取得装置１４０Ａ＿１～１４０Ａ＿ｎ、１４０Ｂ＿１～１４０Ｂ＿ｎは、ウェハ処理を実行中に測定した複数の時系列データを、時系列データ群２として取得してもよい。更に、時系列データ取得装置１４０Ａ＿１～１４０Ａ＿ｎ、１４０Ｂ＿１～１４０Ｂ＿ｎは、後処理を実行中に測定した複数の時系列データを、時系列データ群３として取得してもよい。
同様に、時系列データ取得装置１４０Ａ＿１～１４０Ａ＿ｎ、１４０Ｂ＿１～１４０Ｂ＿ｎは、レシピＩを実行中に測定した複数の時系列データを、時系列データ群１として取得してもよい。また、時系列データ取得装置１４０Ａ＿１～１４０Ａ＿ｎ、１４０Ｂ＿１～１４０Ｂ＿ｎは、レシピＩＩを実行中に測定した複数の時系列データを、時系列データ群２として取得してもよい。更に、時系列データ取得装置１４０Ａ＿１～１４０Ａ＿ｎ、１４０Ｂ＿１～１４０Ｂ＿ｎは、レシピＩＩＩを実行中に測定した複数の時系列データを、時系列データ群３として取得してもよい。
＜仮想測定装置のハードウェア構成＞
次に、仮想測定装置１６０Ａ、１６０Ｂのハードウェア構成について説明する。図５は、仮想測定装置のハードウェア構成の一例を示す図である。図５に示すように、仮想測定装置１６０Ａ、１６０Ｂは、ＣＰＵ（Central Processing Unit）５０１、ＲＯＭ（Read Only Memory）５０２、ＲＡＭ（Random Access Memory）５０３を有する。また、仮想測定装置１６０は、ＧＰＵ（Graphics Processing Unit）５０４を有する。なお、ＣＰＵ５０１、ＧＰＵ５０４などのプロセッサ（処理回路、Processing Circuit、Processing Circuitry）と、ＲＯＭ５０２、ＲＡＭ５０３などのメモリは、いわゆるコンピュータを形成する。
更に、仮想測定装置１６０は、補助記憶装置５０５、表示装置５０６、操作装置５０７、Ｉ／Ｆ（Interface）装置５０８、ドライブ装置５０９を有する。なお、仮想測定装置１６０の各ハードウェアは、バス５１０を介して相互に接続される。
ＣＰＵ５０１は、補助記憶装置５０５にインストールされた各種プログラム（例えば、仮想測定プログラム等）を実行する演算デバイスである。
ＲＯＭ５０２は、不揮発性メモリであり、主記憶装置として機能する。ＲＯＭ５０２は、補助記憶装置５０５にインストールされた各種プログラムをＣＰＵ５０１が実行するために必要な各種プログラム、データ等を格納する。具体的には、ＲＯＭ５０２はＢＩＯＳ（Basic Input/Output System）やＥＦＩ（Extensible Firmware Interface）等のブートプログラム等を格納する。
ＲＡＭ５０３は、ＤＲＡＭ（Dynamic Random Access Memory）やＳＲＡＭ（Static Random Access Memory）等の揮発性メモリであり、主記憶装置として機能する。ＲＡＭ５０３は、補助記憶装置５０５にインストールされた各種プログラムがＣＰＵ５０１によって実行される際に展開される、作業領域を提供する。
ＧＰＵ５０４は、画像処理用の演算デバイスであり、ＣＰＵ５０１により仮想測定プログラムが実行される際に、各種画像データ（本実施形態では、時系列データ群）について、並列処理による高速演算を行う。なお、ＧＰＵ５０４は、内部メモリ（ＧＰＵメモリ）を搭載しており、各種画像データについて並列処理を行う際に必要な情報を一時的に保持する。
補助記憶装置５０５は、各種プログラムや、各種プログラムがＣＰＵ５０１によって実行される際に用いられる各種データ等を格納する。
表示装置５０６は、仮想測定装置１６０Ａ、１６０Ｂの内部状態を表示する表示デバイスである。操作装置５０７は、仮想測定装置１６０Ａ、１６０Ｂの管理者が仮想測定装置１６０Ａ、１６０Ｂに対して各種指示を入力する際に用いる入力デバイスである。Ｉ／Ｆ装置５０８は、不図示のネットワークと接続し、通信を行うための接続デバイスである。
ドライブ装置５０９は記録媒体５２０をセットするためのデバイスである。ここでいう記録媒体５２０には、ＣＤ－ＲＯＭ、フレキシブルディスク、光磁気ディスク等のように情報を光学的、電気的あるいは磁気的に記録する媒体が含まれる。また、記録媒体５２０には、ＲＯＭ、フラッシュメモリ等のように情報を電気的に記録する半導体メモリ等が含まれていてもよい。
なお、補助記憶装置５０５にインストールされる各種プログラムは、例えば、配布された記録媒体５２０がドライブ装置５０９にセットされ、該記録媒体５２０に記録された各種プログラムがドライブ装置５０９により読み出されることでインストールされる。あるいは、補助記憶装置５０５にインストールされる各種プログラムは、ネットワークを介してダウンロードされることで、インストールされてもよい。
＜学習部の機能構成＞
次に、システム１００Ａにおける、仮想測定装置１６０Ａの学習部１６１Ａの機能構成について説明する。図６は、仮想測定装置の学習部の機能構成の一例を示す図である。学習部１６１Ａは、分岐部６１０と、第１のネットワーク部６２０＿１～第Ｍのネットワーク部６２０＿Ｍと、連結部６３０と、比較部６４０とを有する。
分岐部６１０は、学習用データ格納部１６３Ａより時系列データ群を読み出す。また、分岐部６１０は、読み出した時系列データ群が、第１のネットワーク部６２０＿１から第Ｍのネットワーク部６２０＿Ｍまでの複数のネットワーク部を用いて処理されるよう、当該時系列データ群を処理する。
第１のネットワーク部６２０＿１～第Ｍのネットワーク部６２０＿Ｍは、畳み込みニューラルネットワーク（ＣＮＮ：Convolutional Neural Network）をベースに構成されており、複数の層を有する。
具体的には、第１のネットワーク部６２０＿１は、第１層６２０＿１１～第Ｎ層６２０＿１Ｎを有する。同様に、第２のネットワーク部６２０＿２は、第１層６２０＿２１～第Ｎ層６２０＿２Ｎを有する。以下、同様の構成を有しており、第Ｍのネットワーク部６２０＿Ｍは、第１層６２０＿Ｍ１～第Ｎ層６２０＿ＭＮを有する。
第１のネットワーク部６２０＿１の第１層６２０＿１１～第Ｎ層６２０＿１Ｎの各層では、正規化処理や、畳み込み処理、活性化処理、プーリング処理等の各種処理が行われる。また、第２のネットワーク部６２０＿２～第Ｍのネットワーク部６２０＿Ｍの各層でも同様の各種処理が行われる。
連結部６３０は、第１のネットワーク部６２０＿１の第Ｎ層６２０＿１Ｎから出力された出力データから、第Ｍのネットワーク部６２０＿Ｍの第Ｎ層６２０＿ＭＮから出力された出力データまでの各出力データを合成し、合成結果を比較部６４０に出力する。
比較部６４０は、連結部６３０より出力された合成結果と、学習用データ格納部１６３Ａより読み出した検査データ（正解データ）とを比較し、誤差を算出する。学習部１６１Ａでは、比較部６４０により算出された誤差が所定の条件を満たすように、第１のネットワーク部６２０＿１～第Ｍのネットワーク部６２０＿Ｍ及び連結部６３０について機械学習を行う。
これにより、第１のネットワーク部６２０＿１～第Ｍのネットワーク部６２０＿Ｍの第１層～第Ｎ層それぞれのモデルパラメータ及び連結部６３０のモデルパラメータが最適化される。
＜学習部の各部の処理の詳細＞
次に、システム１００Ａにおける、仮想測定装置１６０Ａの学習部１６１Ａの各部（ここでは、特に、分岐部６１０）の処理の詳細について、具体例を挙げて説明する。
（１）分岐部の処理の詳細１
図７は、分岐部の処理の具体例を示す第１の図である。図７の場合、分岐部６１０は、時系列データ取得装置１４０Ａ＿１～１４０Ａ＿ｎにより測定された時系列データ群を、第１の基準に応じて加工することで、時系列データ群１（第１の時系列データ群）を生成し、第１のネットワーク部６２０＿１に入力する。
また、分岐部６１０は、時系列データ取得装置１４０Ａ＿１～１４０Ａ＿ｎにより測定された時系列データ群を、第２の基準に応じて加工することで、時系列データ群２（第２の時系列データ群）を生成し、第２のネットワーク部６２０＿２に入力する。
このように、時系列データ群を、異なる基準に応じて加工し、それぞれ異なるネットワーク部に分けて処理する構成としたうえで機械学習を行うことで、時系列データ群を多面的に解析することが可能となる。この結果、時系列データ群を１のネットワーク部に入力して機械学習を行う場合と比較して、高精度な推論を実現する仮想測定モデル（推論部１６２Ａ）を生成することが可能となる。
なお、図７の例では、２種類の基準に応じて時系列データ群を加工することで、２種類の時系列データ群を生成する場合について示したが、３種類以上の基準に応じて時系列データ群を加工することで、３種類以上の時系列データ群を生成してもよい。
（２）分岐部による処理の詳細２
次に、分岐部６１０の他の処理の詳細について説明する。図８は、分岐部の処理の具体例を示す第２の図である。図８の場合、分岐部６１０は、時系列データ取得装置１４０Ａ＿１～１４０Ａ＿ｎにより測定された時系列データ群を、データ種類に応じてグループ分けする。これにより、分岐部６１０は、時系列データ群１（第１の時系列データ群）と時系列データ群２（第２の時系列データ群）とを生成する。また、分岐部６１０は、生成した時系列データ群１を第３のネットワーク部６２０＿３に入力し、生成した時系列データ群２を第４のネットワーク部６２０＿４に入力する。
このように、時系列データ群を、データ種類に応じて複数のグループに分け、異なるネットワーク部を用いて処理する構成としたうえで機械学習を行うことで、時系列データ群を多面的に解析することが可能となる。この結果、時系列データ群を１のネットワーク部に入力して機械学習を行う場合と比較して、高精度な推論を実現する仮想測定モデル（推論部１６２Ａ）を生成することが可能となる。
なお、図８の例では、時系列データ取得装置１４０Ａ＿１～１４０Ａ＿ｎの違いに基づくデータ種類の違いに応じて、時系列データ群をグループ分けしたが、データが取得された時間範囲に応じて、時系列データ群をグループ分けしてもよい。例えば、時系列データ群が複数のレシピによる処理に伴い測定された時系列データ群であった場合には、レシピごとの時間範囲に応じて、時系列データ群をグループ分けしてもよい。
（３）分岐部による処理の詳細３
次に、分岐部６１０による他の処理の詳細について説明する。図９は、分岐部の処理の具体例を示す第３の図である。図９の場合、分岐部６１０は、時系列データ取得装置１４０Ａ＿１～１４０Ａ＿ｎにより取得された時系列データ群を、第５のネットワーク部６２０＿５と第６のネットワーク部６２０＿６の両方に入力する。そして、第５のネットワーク部６２０＿５と第６のネットワーク部６２０＿６とで、同じ時系列データ群に対して、異なる処理（正規化処理）を施す。
図１０は、各ネットワーク部に含まれる正規化部の処理の具体例を示す図である。図１０に示すように、第５のネットワーク部６２０＿５の各層には、正規化部と、畳み込み部と、活性化関数部と、プーリング部とが含まれる。
図１０の例は、第５のネットワーク部６２０＿５に含まれる各層のうち、第１層６２０＿５１に、正規化部１００１と、畳み込み部１００２と、活性化関数部１００３と、プーリング部１００４とが含まれることを示している。
このうち、正規化部１００１では、分岐部６１０により入力された時系列データ群に対して第１の正規化処理を行い、正規化時系列データ群１（第１の時系列データ群）を生成する。
同様に、図１０の例は、第６のネットワーク部６２０＿６に含まれる各層のうち、第１層６２０＿６１には、正規化部１０１１と、畳み込み部１０１２と、活性化関数部１０１３と、プーリング部１０１４とが含まれることを示している。
このうち、正規化部１０１１では、分岐部６１０により入力された時系列データ群に対して第２の正規化処理を行い、正規化時系列データ群２（第２の時系列データ群）を生成する。
このように、異なる手法で正規化処理を行う正規化部をそれぞれに含む複数のネットワーク部を用いて時系列データ群を処理する構成としたうえで機械学習を行うことで、時系列データ群を多面的に解析することが可能となる。この結果、時系列データ群を１の正規化処理を行う１のネットワーク部に入力して機械学習を行う場合と比較して、高精度な推論を実現する仮想測定モデル（推論部１６２Ａ）を生成することが可能となる。
（４）分岐部による処理の詳細４
次に、分岐部６１０による他の処理の詳細について説明する。図１１は、分岐部の処理の具体例を示す第４の図である。図１１の場合、分岐部６１０は、時系列データ取得装置１４０Ａ＿１～１４０Ａ＿ｎにより測定された時系列データ群のうち、チャンバＡにおける処理に伴い測定された時系列データ群１（第１の時系列データ群）を第７のネットワーク部６２０＿７に入力する。
また、分岐部６１０は、時系列データ取得装置１４０Ａ＿１～１４０Ａ＿ｎにより測定された時系列データ群のうち、チャンバＢにおける処理に伴い測定された時系列データ群２（第２の時系列データ群）を第８のネットワーク部６２０＿８に入力する。
このように、異なるチャンバ（第１の処理空間、第２の処理空間）における処理に伴い測定されたそれぞれの時系列データ群を、異なるネットワーク部を用いて処理する構成としたうえで機械学習を行うことで、時系列データ群を多面的に解析することが可能となる。この結果、それぞれの時系列データ群を１のネットワーク部に入力して機械学習を行う場合と比較して、高精度な推論を実現する仮想測定モデル（推論部１６２Ａ）を生成することが可能となる。
＜仮想測定装置の推論部の機能構成＞
次に、システム１００Ａにおける、仮想測定装置１６０Ａの推論部１６２Ａの機能構成について説明する。図１２は、仮想測定装置の推論部の機能構成の一例を示す図である。図１２に示すように、仮想測定装置１６０Ａの推論部１６２Ａは、分岐部１２１０と、第１のネットワーク部１２２０＿１から第Ｍのネットワーク部１２２０＿Ｍと、連結部１２３０とを有する。
分岐部１２１０は、時系列データ取得装置１４０Ａ＿１～１４０Ａ＿Ｎにより新たに測定された時系列データ群を取得する。また、分岐部１２１０は、取得した時系列データ群が、第１のネットワーク部１２２０＿１～第Ｍのネットワーク部１２２０＿Ｍを用いて処理されるよう制御する。
第１のネットワーク部１２２０＿１～第Ｍのネットワーク部１２２０＿Ｍは、学習部１６１Ａにより機械学習が行われ、第１のネットワーク部６２０＿１～第Ｍのネットワーク部６２０＿Ｍの各層のモデルパラメータが最適化されることで形成される。
連結部１２３０は、学習部１６１Ａにより機械学習が行われ、モデルパラメータが最適化された連結部６３０により形成される。連結部１２３０は、第１のネットワーク部１２２０＿１の第Ｎ層１２２０＿１Ｎから出力された出力データから、第Ｍのネットワーク部１２２０＿Ｍの第Ｎ層１２２０＿ＭＮから出力された出力データまでの各出力データを合成し、仮想測定データを出力する。
＜仮想測定処理の流れ＞
次に、システム１００Ａにおける、仮想測定装置１６０Ａによる仮想測定処理全体の流れについて説明する。図１３は、仮想測定装置による仮想測定処理の流れを示すフローチャートである。
ステップＳ１３０１において、学習部１６１Ａは、学習用データとして時系列データ群及び検査データを取得する。
ステップＳ１３０２において、学習部１６１Ａは、取得した学習用データのうち、時系列データ群を入力データ、検査データを正解データとして機械学習を行う。
ステップＳ１３０３において、学習部１６１Ａは、機械学習を継続するか否かを判定する。更なる学習用データを取得して機械学習を継続する場合には（ステップＳ１３０３においてＹＥＳの場合には）、ステップＳ１３０１に戻る。一方、機械学習を終了する場合には（ステップＳ１３０３においてＮＯの場合には）、ステップＳ１３０４に進む。
ステップＳ１３０４において、推論部１６２Ａは、機械学習により最適化されたモデルパラメータを反映することで、第１のネットワーク部１２２０＿１～第Ｍのネットワーク部１２２０＿Ｍを生成する。
ステップＳ１３０５において、推論部１６２Ａは、新たな処理前ウェハ１１０Ａの処理に伴い測定された時系列データ群を入力し、仮想測定データを推論する。
ステップＳ１３０６において、推論部１６２Ａは、推論した仮想測定データを出力する。
＜仮想測定装置の微調整機能付き推論部の機能構成＞
次に、システム１００Ｂにおける、仮想測定装置１６０Ｂの微調整機能付き推論部１６２Ｂの機能構成について説明する。図１４は、仮想測定装置の微調整機能付き推論部の機能構成の一例を示す図である。
図１４に示すように、仮想測定装置１６０Ｂの微調整機能付き推論部１６２Ｂは、取得部として機能する分岐部１２１０を有する。また、仮想測定装置１６０Ｂの微調整機能付き推論部１６２Ｂは、推論部として機能する、第１のネットワーク部１２２０＿１から第Ｍのネットワーク部１２２０＿Ｍ、連結部１４１０、個体調整部１４２０、微調整部１４３０、比較部１４４０を有する。
このうち、分岐部１２１０は、推論部１６２Ａの分岐部１２１０と同じであり、図１２を用いて説明済みであるため、ここでは説明を省略する。また、第１のネットワーク部１２２０＿１から第Ｍのネットワーク部１２２０＿Ｍも、推論部１６２Ａの第１のネットワーク部１２２０＿１から第Ｍのネットワーク部１２２０＿Ｍと同じである。
具体的には、第１のネットワーク部１２２０＿１～第Ｍのネットワーク部１２２０＿Ｍは、学習部１６１Ａにより機械学習が行われ、第１のネットワーク部６２０＿１～第Ｍのネットワーク部６２０＿Ｍの各層のモデルパラメータが最適化されることで形成される。
連結部１４１０は、学習部１６１Ａにより機械学習が行われ、モデルパラメータが最適化された連結部６３０により形成される。ただし、連結部１４１０の場合、第１のネットワーク部１２２０＿１の第Ｎ層１２２０＿１Ｎから出力された出力データから、第Ｍのネットワーク部１２２０＿Ｍの第Ｎ層１２２０＿ＭＮから出力された出力データまでの各出力データを合成することなく出力する。
個体調整部１４２０は、連結部１４１０より出力された各出力データに、半導体製造プロセスＡの処理単位１２０Ａと、半導体製造プロセスＢの処理単位１２０Ｂとの個体差に応じた係数（“個体感度”と称す）をかけ合わせる。
微調整部１４３０は、個体調整部１４２０により個体感度がかけ合わされた各出力データに、補正行列をかけ合わせることで、スカラ量である仮想測定データを算出する。
比較部１４４０は、微調整部１４３０により出力された仮想測定データを取得するとともに、処理後ウェハ１３０Ｂについての検査データを取得する。また、比較部１４４０は、取得した仮想測定データと検査データとの差分を算出し、微調整部１４３０に通知する。
このように、微調整機能付き推論部１６２Ｂでは、半導体製造プロセスＢにおいて、所定の期間、処理後ウェハ１３０Ｂについての検査データに基づいて、微調整部１４３０が補正パラメータ（Ｐ１～ＰＭ）を更新する。そして、微調整機能付き推論部１６２Ｂの微調整部４３０では、仮想測定データと検査データとの差分が所定の閾値以下となるまで、補正パラメータ（Ｐ１～ＰＭ）の更新を継続する。
これにより、微調整部１４３０では、半導体製造プロセスＡの処理単位１２０Ａと、半導体製造プロセスＢの処理単位１２０Ｂとの個体差に起因する誤差（推論結果に含まれる誤差）を低減させることが可能になる。
なお、微調整機能付き推論部１６２Ｂの場合、半導体製造プロセスＢにおいて測定された時系列データ群を追加データとして、仮想測定モデルを再学習することで最適化する場合と比較して、コストと時間を削減することができる。
＜微調整処理の流れ＞
次に、システム１００Ｂにおける、仮想測定装置１６０Ｂによる微調整処理の流れについて説明する。図１５は、仮想測定装置による微調整処理の流れを示すフローチャートである。
ステップＳ１５０１において、微調整機能付き推論部１６２Ｂの分岐部１２１０は、半導体製造プロセスＢの処理単位１２０Ｂにおいて、新たな処理前ウェハ１１０Ｂの処理に伴い測定された時系列データ群を取得する。また、微調整機能付き推論部１６２Ｂの第１～第Ｍのネットワーク部１２２０＿１～１２２０＿Ｍは、取得された時系列データ群を処理する。これにより、第１～第Ｍのネットワーク部１２２０＿１～１２２０＿Ｍの最終層から各出力データが出力される。
ステップＳ１５０２において、微調整機能付き推論部１６２Ｂの個体調整部１４２０は、第１～第Ｍのネットワーク部１２２０＿１～１２２０＿Ｍの最終層より出力された各出力データに、個体感度をかけ合わせることで、各出力データを調整する。
ステップＳ１５０３において、微調整機能付き推論部１６２Ｂの微調整部１４３０は、個体感度がかけあわされた各出力データに、補正行列をかけ合わせることで、仮想測定データを算出する。
ステップＳ１５０４において、微調整機能付き推論部１６２Ｂは、処理後ウェハ１３０Ｂについての検査データを取得し、比較部１４４０に通知する。また、比較部１４４０は、微調整部１４３０より出力された仮想測定データと、通知された検査データとを比較し、差分（推論結果に含まれる誤差）を算出する。
ステップＳ１５０５において、微調整機能付き推論部１６２Ｂの比較部１４４０は、比較結果に基づいて、差分が所定の閾値以下か否かを判定することで、補正パラメータの更新が必要か否かを判定する。
ステップＳ１５０５において、差分が所定の閾値を超えており、補正パラメータの更新が必要と判定した場合には（ステップＳ１５０５においてＹＥＳの場合には）、ステップＳ１５０６に進む。
ステップＳ１５０６において、微調整機能付き推論部１６２Ｂの微調整部１４３０は、比較部１４４０により算出された差分（推論結果に含まれる誤差）に応じて、補正行列の補正パラメータ（Ｐ１～ＰＭ）を更新する。その後、ステップＳ１５０７に進む。
一方、ステップＳ１５０５において、差分が所定の閾値以下であり、補正パラメータの更新が必要でないと判定した場合には（ステップＳ１５０５においてＮＯの場合には）、直接、ステップＳ１５０７に進む。
ステップＳ１５０７において、微調整機能付き推論部１６２Ｂは、微調整処理を終了するか否かを判定する。ステップＳ１５０７において、微調整処理を終了しないと判定した場合には（ステップＳ１５０７においてＮＯの場合には）、ステップＳ１５０１に戻る。
一方、ステップＳ１５０７において、微調整処理を終了すると判定した場合には（ステップＳ１５０７においてＹＥＳの場合には）、微調整処理を終了する。
＜まとめ＞
以上の説明から明らかなように、仮想測定装置１６０Ａは、
・製造プロセスの所定の処理単位において、対象物の処理に伴い測定された時系列データ群を取得する。
・取得した時系列データ群を複数のネットワーク部を用いて処理することで各ネットワーク部より出力される各出力データの合成結果が、対象物を処理することで得られる結果物の検査データに近づくように、各ネットワーク部について機械学習を行う。
このように、時系列データ群を複数のネットワーク部を用いて処理することで、多面的な解析を行うことが可能となる。この結果、仮想測定装置１６０Ａでは、高精度な推論を実現する仮想測定モデルを生成することが可能となる。
また、仮想測定装置１６０Ｂ（推論装置）は、
・他の製造プロセスの所定の処理単位において、対象物の処理に伴い測定された時系列データ群を、生成された仮想測定モデルに含まれる複数のネットワーク部を用いて処理し、各出力データを出力する。
・出力した各出力データを補正パラメータを用いて微調整した後に合成することで、仮想測定データを推論する。
・推論した仮想測定データに含まれる誤差に応じて補正パラメータを更新する。
このように、製造プロセスの所定の処理単位において、時系列データ群を用いて生成された仮想測定モデルを、他の製造プロセスに適用する際、仮想測定装置１６０Ｂでは、複数のネットワーク部より出力される各出力データを微調整する機能を付加する。
これにより、他の製造プロセスに仮想測定モデルを適用する際に、プロセス間の個体差に起因する誤差（推論結果に含まれる誤差）を低減させることが可能になる。つまり、第１の実施形態によれば、適用対象によらず高精度な推論が可能な推論装置、推論方法及び推論プログラムを提供することができる。
［第２の実施形態］
上記第１の実施形態では、各ネットワーク部の最終層から出力された各出力データを、個体感度及び補正行列を用いて微調整するものとして説明した。しかしながら、微調整機能付き推論部による各出力データの微調整の方法はこれに限定されず、例えば、微調整用のネットワーク部を用いて、各出力データを微調整してもよい。
図１６は、仮想測定装置の微調整機能付き推論部の機能構成の一例を示す第２の図である。図１４との相違点は、図１６に示す微調整機能付き推論部１６００Ｂの場合、微調整ネットワーク部１６１０を有する点である。
微調整ネットワーク部１６１０は、畳み込みニューラルネットワークをベースに構成され、連結部１４１０より出力された各出力データを入力することで、仮想測定データを出力する。
また、微調整ネットワーク部１６１０は、仮想測定データを出力したことに応じて、比較部１４４０から通知される差分に基づいて、微調整ネットワーク部１６１０のモデルパラメータである補正パラメータを更新する。
このように、微調整機能付き推論部１６００Ｂでは、半導体製造プロセスＢにおいて、所定の期間、処理後ウェハ１３０Ｂについての検査データに基づいて、微調整ネットワーク部１６１０が補正パラメータを更新する。なお、このとき、第１のネットワーク部１２２０＿１から第Ｍのネットワーク部１２２０＿Ｍのモデルパラメータは固定した状態を維持するものとする。そして、微調整機能付き推論部１６００Ｂの微調整ネットワーク部１６１０では、仮想測定データと検査データとの差分が所定の閾値以下になるまで、補正パラメータの更新を継続する。
これにより、微調整ネットワーク部１６１０では、半導体製造プロセスＡの処理単位１２０Ａと、半導体製造プロセスＢの処理単位１２０Ｂとの個体差に起因する誤差（推論結果に含まれる誤差）を低減させることが可能になる。
なお、微調整機能付き推論部１６００Ｂの場合、新たに仮想測定モデルを生成し、半導体製造プロセスＢにおいて測定された時系列データ群を用いて最適化する場合と比較して、オーバフィッティングの可能性を低減させることができる。
［第３の実施形態］
上記第１及び第２の実施形態では、仮想測定装置１６０Ａが生成した仮想測定モデルを他の半導体製造プロセスＢに適用する場合について説明したが、他の半導体製造プロセスＢに適用されるモデルは、仮想測定モデルに限定されない。
第３の実施形態では、第１及び第２の実施形態において説明した仮想測定装置１６０Ａ及び１６０Ｂを、異常検知装置１６０Ａ及び１６０Ｂと読み替え、異常検知装置１６０Ａが生成した異常検知モデルを他の半導体製造プロセスＢに適用する場合について説明する。
異常検知装置１６０Ａの場合、学習部１６１Ａは、時系列データ群を入力データ、イベント（異常の有無を示す情報）を正解データとして、異常検知モデル（推論部１６２Ａ）について機械学習を行う。異常検知モデル（推論部１６２Ａ）は、仮想測定モデル（推論部１６２Ａ）と同様の構成を有しているものとし、機械学習に用いる学習用データだけが異なっているものとする。
なお、異常検知装置１６０Ａの場合、機械学習に用いる時系列データ群を出力する時系列データ取得装置１４０Ａ＿１～１４０Ａ＿ｎには、例えば、
・時系列データ群であるＯＥＳ（Optical Emission Spectrometry）データを出力する、発光分光分析装置、
・時系列データ群である温度データ、圧力データ等のプロセスデータを出力する、プロセスデータ取得装置、
・時系列データであるＲＦデータを出力する、プラズマ用高周波電源装置、
等が含まれる。
また、異常検知装置１６０Ｂ（推論装置）の場合、微調整機能付き推論部１６００Ｂは、時系列データ群を入力し、異常の有無を示す情報を推論する。
なお、異常検知装置１６０Ｂの場合、推論に用いる時系列データ群を出力する時系列データ取得装置１４０Ａ＿１～１４０Ａ＿ｎには、例えば、
・時系列データ群であるＯＥＳ（Optical Emission Spectrometry）データを出力する、発光分光分析装置、
・時系列データ群である温度データ、圧力データ等のプロセスデータを出力する、プロセスデータ取得装置、
・時系列データであるＲＦデータを出力する、プラズマ用高周波電源装置、
等が含まれる。
＜まとめ＞
以上の説明から明らかなように、異常検知装置１６０Ａは、
・製造プロセスの所定の処理単位において、対象物の処理に伴い測定された時系列データ群（ＯＥＳデータ、プロセスデータ、ＲＦデータ）を取得する。
・取得した時系列データ群を複数のネットワーク部を用いて処理することで各ネットワーク部より出力された各出力データの合成結果が、対象物の処理に伴い発生したイベント（異常の有無を示す情報）に近づくように、各ネットワーク部について機械学習を行う。
このように、時系列データ群を複数のネットワーク部を用いて処理することで、多面的な解析を行うことが可能となる。この結果、異常検知装置１６０Ａでは、高精度な推論を実現する異常検知モデルを生成することが可能となる。
また、異常検知装置１６０Ｂ（推論装置）は、
・他の製造プロセスの所定の処理単位において、対象物の処理に伴い測定された時系列データ群（ＯＥＳデータ、プロセスデータ、ＲＦデータ）を、生成された異常検知モデルに含まれる複数のネットワーク部を用いて処理し、各出力データを出力する。
・出力した各出力データを補正パラメータを用いて微調整した後に合成することで、異常の有無を示す情報を推論する。
・推論した異常の有無を示す情報に含まれる誤差に応じて補正パラメータを更新する。
このように、製造プロセスの所定の処理単位において、時系列データ群を用いて生成された異常検知モデルを、他の製造プロセスに適用する際、異常検知装置１６０Ｂでは、複数のネットワーク部より出力される各出力データを微調整する機能を付加する。
これにより、他の製造プロセスに異常検知モデルを適用する際に、プロセス間の個体差に起因する誤差（推論結果に含まれる誤差）を低減させることが可能になる。つまり、第３の実施形態によれば、適用対象によらず高精度な推論が可能な推論装置、推論方法及び推論プログラムを提供することができる。
［その他の実施形態］
上記第１及び第２の実施形態では、各出力データの微調整の方法として、個体感度及び補正行列、または、微調整用のネットワーク部を用いる場合について説明した。しかしながら、各出力データの微調整の方法は、これに限定されず、例えば、一般化線形混合モデルや、ガウス過程回帰分析、カルマンフィルタ等を用いてもよい。
また、上記第３の実施形態では、異常検知装置が、対象物の処理に伴い発光分光分析装置、プロセスデータ取得装置、プラズマ用高周波電源装置より出力されたＯＥＳデータ、プロセスデータ、ＲＦデータを取得するものとして説明した。しかしながら、異常検知装置が取得するデータの組み合わせは、これに限定されず、いずれか１のデータを取得してもよいし、いずれか２のデータの組み合わせを取得してもよい。
また、上記各実施形態では、微調整機能付き推論部１６２Ｂ、１６００Ｂが、第１～第Ｍのネットワーク部１２２０＿１～１２２０＿Ｍを有するものとして説明した。しかしながら、微調整機能付き推論部１６２Ｂ、１６００Ｂは、第１～第Ｍのネットワーク部１２２０＿１～１２２０＿Ｍを全て有している必要はなく、少なくとも２以上のいずれかのネットワーク部を有しているものとする。
また、上記各実施形態では、学習部１６１Ａの各ネットワーク部の機械学習アルゴリズムを、畳み込みニューラルネットワークをベースに構成するものとして説明した。しかしながら、学習部１６１Ａの各ネットワーク部の機械学習アルゴリズムは、畳み込みニューラルネットワークに限定されず、他の機械学習アルゴリズムをベースに構成してもよい。
また、上記各実施形態では、仮想測定装置または異常検知装置１６０Ａが学習部１６１Ａ及び推論部１６２Ａとして機能するものとして説明した。しかしながら、学習部１６１Ａとして機能する装置と、推論部１６２Ａとして機能する装置とは一体である必要はなく、別体により構成されてもよい。つまり、仮想測定装置または異常検知装置１６０Ａは、推論部１６２Ａを有していない学習部１６１Ａとして機能させてもよいし、学習部１６１Ａを有していない推論部１６２Ａとして機能させてもよい。
また、上記各実施形態では、システム１００Ａにおいて生成された仮想測定モデル（または異常検知モデル）に微調整機能が付加された仮想測定装置（または異常検知装置）を、システム１００Ｂに適用するものとして説明した。しかしながら、微調整機能が付加された仮想測定装置（または異常検知装置）が適用される適用対象は、他のシステムに限定されず、自システムであってもよい。
例えば、プロセスレシピの一部を変更した場合等、変更の程度が小さい場合において、自システムで生成した仮想測定モデル（または異常検知モデル）に、微調整機能を付加して適用してもよい。
あるいは、自システム内の装置において、部品交換などの保守作業を行った場合や、自システム内の装置のパーツ消耗等により装置内の環境が変化した場合等、自システムで生成した仮想測定モデル（または異常検知モデル）の精度が低下した際に適用してもよい。
なお、上記実施形態に挙げた構成等に、その他の要素との組み合わせ等、ここで示した構成に本発明が限定されるものではない。これらの点に関しては、本発明の趣旨を逸脱しない範囲で変更することが可能であり、その応用形態に応じて適切に定めることができる。
本出願は、２０１９年１１月２９日に出願された日本国特許出願第２０１９－２１７４３９号に基づきその優先権を主張するものであり、同日本国特許出願の全内容を参照することにより本願に援用する。
１００Ａ、１００Ｂ ：システム
１１０Ａ、１１０Ｂ ：処理前ウェハ
１２０Ａ、１２０Ｂ ：処理単位
１３０Ａ、１３０Ｂ ：処理後ウェハ
１４０Ａ＿１～１４０Ａ＿ｎ ：時系列データ取得装置
１４０Ｂ＿１～１４０Ｂ＿ｎ ：時系列データ取得装置
１５０Ａ、１５０Ｂ ：検査データ取得装置
１６０Ａ、１６０Ｂ ：仮想測定装置
１６１Ａ ：学習部
１６２Ａ ：推論部
１６２Ｂ ：微調整機能付き推論部
２００ ：半導体製造装置
６１０ ：分岐部
６２０＿１ ：第１のネットワーク部
６２０＿１１～６２０＿１Ｎ ：第１層～第Ｎ層
６２０＿２ ：第２のネットワーク部
６２０＿２１～６２０＿２Ｎ ：第１層～第Ｎ層
６２０＿Ｍ ：第Ｍのネットワーク部
６２０＿Ｍ１～６２０＿ＭＮ ：第１層～第Ｎ層
６３０ ：連結部
６４０ ：比較部
１００１、１０１１ ：正規化部
１００４、１０１４ ：プーリング部
１２１０ ：分岐部
１２２０＿１ ：第１のネットワーク部
１２２０＿１１～１２２０＿１Ｎ ：第１層～第Ｎ層
１２２０＿２ ：第２のネットワーク部
１２２０＿２１～１２２０＿２Ｎ ：第１層～第Ｎ層
１２２０＿Ｍ ：第Ｍのネットワーク部
１２２０＿Ｍ１～１２２０＿ＭＮ ：第１層～第Ｎ層
１２４０ ：連結部
１４１０ ：連結部
１４２０ ：個体調整部
１４３０ ：微調整部
１４４０ ：比較部
１６００Ｂ ：微調整機能付き推論部
１６１０ ：微調整ネットワーク部

Claims (9)

  1. 製造プロセスの所定の処理単位において、対象物の処理に伴い測定された時系列データ群を取得する取得部と、
    予め取得された前記時系列データ群であって、対応するネットワーク部で行われる処理に応じて分岐された前記時系列データ群それぞれを処理する複数のネットワーク部と、該複数のネットワーク部を用いて処理することで出力された各出力データを合成する連結部とを含む学習部によって、該連結部より出力された合成結果が、前記対象物を処理した際の結果物の検査データに近づくように、前記複数のネットワーク部及び前記連結部が機械学習されることで生成された、機械学習済みの前記複数のネットワーク部及び機械学習済みの前記連結部と、
    取得された前記時系列データ群であって、対応する機械学習済みのネットワーク部で行われる処理に応じて分岐された前記時系列データ群それぞれが、機械学習済みの前記複数のネットワーク部を用いて処理されることで出力された各出力データであって、機械学習済みの前記連結部により合成されることなく出力された各出力データを調整し、調整した後の各出力データを合成することで、推論結果を出力する調整部と、を有し、
    前記調整部は、前記推論結果に含まれる誤差に応じた補正パラメータを用いて、前記各出力データを調整する、推論装置。
  2. 前記調整部は、機械学習済みの前記複数のネットワーク部のモデルパラメータを固定した状態で、前記推論結果に含まれる誤差が低減されるように、前記補正パラメータを更新する、請求項１に記載の推論装置。
  3. 前記取得部は、取得した前記時系列データ群を第１の基準及び第２の基準に応じてそれぞれ処理することで、第１の時系列データ群と第２の時系列データ群とを生成し、
    前記第１の時系列データ群及び前記第２の時系列データ群が、機械学習済みの前記複数のネットワーク部を用いて処理される、請求項２に記載の推論装置。
  4. 前記取得部は、取得した前記時系列データ群をデータ種類または時間範囲に応じてグループ分けし、
    グループ分けした各グループが、機械学習済みの前記複数のネットワーク部を用いて処理される、請求項２に記載の推論装置。
  5. 取得された前記時系列データ群が、異なる手法で正規化を行う正規化部をそれぞれに含む、機械学習済みの前記複数のネットワーク部を用いて処理される、請求項２に記載の推論装置。
  6. 前記取得部は、取得した前記時系列データ群を、前記所定の処理単位の第１の処理空間における前記対象物の処理に伴い測定された第１の時系列データ群と、第２の処理空間における前記対象物の処理に伴い測定された第２の時系列データ群とに分け、
    前記第１の時系列データ群及び前記第２の時系列データ群が、機械学習済みの前記複数のネットワーク部を用いて処理される、請求項２に記載の推論装置。
  7. 前記時系列データ群は、基板処理装置における処理に伴い測定されたデータである、請求項１に記載の推論装置。
  8. 製造プロセスの所定の処理単位において、対象物の処理に伴い測定された時系列データ群を取得する取得工程と、
    予め取得された前記時系列データ群であって、対応するネットワーク部で行われる処理に応じて分岐された前記時系列データ群それぞれを処理する複数のネットワーク部と、該複数のネットワーク部を用いて処理することで出力された各出力データを合成する連結部とを含む学習部によって、該連結部より出力された合成結果が、前記対象物を処理した際の結果物の検査データに近づくように、前記複数のネットワーク部及び前記連結部が機械学習されることで生成された、機械学習済みの前記複数のネットワーク部及び機械学習済みの前記連結部を用いて、取得された前記時系列データ群を処理する処理工程と、
    取得された前記時系列データ群であって、対応する機械学習済みのネットワーク部で行われる処理に応じて分岐された前記時系列データ群それぞれが、機械学習済みの前記複数のネットワーク部を用いて処理されることで出力された各出力データであって、機械学習済みの前記連結部により合成されることなく出力された各出力データを調整し、調整した後の各出力データを合成することで、推論結果を出力する調整工程と、を有し、
    前記調整工程は、前記推論結果に含まれる誤差に応じた補正パラメータを用いて、前記各出力データを調整する、推論方法。
  9. 製造プロセスの所定の処理単位において、対象物の処理に伴い測定された時系列データ群を取得する取得工程と、
    予め取得された前記時系列データ群であって、対応するネットワーク部で行われる処理に応じて分岐された前記時系列データ群それぞれを処理する複数のネットワーク部と、該複数のネットワーク部を用いて処理することで出力された各出力データを合成する連結部とを含む学習部によって、該連結部より出力された合成結果が、前記対象物を処理した際の結果物の検査データに近づくように、前記複数のネットワーク部及び前記連結部が機械学習されることで生成された、機械学習済みの前記複数のネットワーク部及び機械学習済みの前記連結部を用いて、取得された前記時系列データ群を処理する処理工程と、
    取得された前記時系列データ群であって、対応する機械学習済みのネットワーク部で行われる処理に応じて分岐された前記時系列データ群それぞれが、機械学習済みの前記複数のネットワーク部を用いて処理されることで出力された各出力データであって、機械学習済みの前記連結部により合成されることなく出力された各出力データを調整し、調整した後の各出力データを合成することで、推論結果を出力する調整工程と、をコンピュータに実行させるための推論プログラムであって、
    前記調整工程は、前記推論結果に含まれる誤差に応じた補正パラメータを用いて、前記各出力データを調整する、推論プログラム。
JP2021561312A 2019-11-29 2020-11-16 推論装置、推論方法及び推論プログラム Active JP7224492B2 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2019217439 2019-11-29
JP2019217439 2019-11-29
PCT/JP2020/042564 WO2021106646A1 (ja) 2019-11-29 2020-11-16 推論装置、推論方法及び推論プログラム

Publications (3)

Publication Number Publication Date
JPWO2021106646A1 JPWO2021106646A1 (ja) 2021-06-03
JPWO2021106646A5 JPWO2021106646A5 (ja) 2022-07-14
JP7224492B2 true JP7224492B2 (ja) 2023-02-17

Family

ID=76130232

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2021561312A Active JP7224492B2 (ja) 2019-11-29 2020-11-16 推論装置、推論方法及び推論プログラム

Country Status (6)

Country Link
US (1) US20230004837A1 (ja)
JP (1) JP7224492B2 (ja)
KR (1) KR20220106999A (ja)
CN (1) CN114746820A (ja)
TW (1) TW202123057A (ja)
WO (1) WO2021106646A1 (ja)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102539835B1 (ko) * 2023-01-10 2023-06-02 (재) 한국건설품질연구원 3d 카메라를 이용한 디지털 트윈 생성 및 손상 분석 시스템

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010119894A1 (ja) 2009-04-14 2010-10-21 シャープ株式会社 出来映え予測装置、出来映え予測方法、出来映え予測プログラム、及び、プログラム記録媒体
JP2015127914A (ja) 2013-12-27 2015-07-09 三菱重工業株式会社 予測システム、監視システム、運転支援システム、ガスタービン設備及び予測方法
WO2019159483A1 (ja) 2018-02-14 2019-08-22 オムロン株式会社 デバイス選択装置、データセット選択装置、デバイス選択方法及びプログラム

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0736505A (ja) * 1993-07-21 1995-02-07 Nkk Corp 制御対象の同定・制御方法
JPH10260718A (ja) * 1997-03-19 1998-09-29 Fuji Electric Co Ltd ダムにおける水量予測方法
JP4635194B2 (ja) 2004-12-02 2011-02-16 財団法人石油産業活性化センター 異常検知装置
US7359759B2 (en) * 2005-10-31 2008-04-15 Taiwan Semiconductor Manufacturing Company Method and system for virtual metrology in semiconductor manufacturing

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010119894A1 (ja) 2009-04-14 2010-10-21 シャープ株式会社 出来映え予測装置、出来映え予測方法、出来映え予測プログラム、及び、プログラム記録媒体
JP2015127914A (ja) 2013-12-27 2015-07-09 三菱重工業株式会社 予測システム、監視システム、運転支援システム、ガスタービン設備及び予測方法
WO2019159483A1 (ja) 2018-02-14 2019-08-22 オムロン株式会社 デバイス選択装置、データセット選択装置、デバイス選択方法及びプログラム

Also Published As

Publication number Publication date
KR20220106999A (ko) 2022-08-01
TW202123057A (zh) 2021-06-16
WO2021106646A1 (ja) 2021-06-03
JPWO2021106646A1 (ja) 2021-06-03
US20230004837A1 (en) 2023-01-05
CN114746820A (zh) 2022-07-12

Similar Documents

Publication Publication Date Title
JP7118170B2 (ja) 仮想測定装置、仮想測定方法及び仮想測定プログラム
JP7412150B2 (ja) 予測装置、予測方法及び予測プログラム
KR102179988B1 (ko) 오버레이 오차, 근본 원인 분석 및 공정 제어의 피드 포워드 및 피드백 정정을 위한 통계적 오버레이 오차 예측
US10734261B2 (en) Search apparatus and search method
AU2016259298B2 (en) Machine for development and deployment of analytical models
US10387798B2 (en) Machine for development of analytical models
JP7452990B2 (ja) 異常検知装置、異常検知方法及び異常検知プログラム
US8452439B2 (en) Device performance parmeter tuning method and system
JP7224492B2 (ja) 推論装置、推論方法及び推論プログラム
WO2022185969A1 (ja) データ収集システム、データ収集装置、データ収集方法及びデータ収集プログラム
KR20230028995A (ko) 결함 예측 방법 및 장치
US11687066B2 (en) Virtual cross metrology-based modeling of semiconductor fabrication processes
US20170146983A1 (en) Method and system for generating minimal cut-sets for highly integrated large systems
US20210200575A1 (en) Self-Optimizing Computation Graphs
US20230010252A1 (en) Semiconductor process modeling system and method
CN117010463A (zh) 包括改进的rbf神经网络的处理器及提供该神经网络的方法
EP4328915A1 (en) Memory and method with in-memory computing defect detection
WO2023224750A1 (en) Physically-informed multi-system hardware operating windows

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20220516

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20220516

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20221025

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20221219

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: 7224492

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150