JP7412150B2 - 予測装置、予測方法及び予測プログラム - Google Patents

予測装置、予測方法及び予測プログラム Download PDF

Info

Publication number
JP7412150B2
JP7412150B2 JP2019217440A JP2019217440A JP7412150B2 JP 7412150 B2 JP7412150 B2 JP 7412150B2 JP 2019217440 A JP2019217440 A JP 2019217440A JP 2019217440 A JP2019217440 A JP 2019217440A JP 7412150 B2 JP7412150 B2 JP 7412150B2
Authority
JP
Japan
Prior art keywords
processing
unit
series data
time
network
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
JP2019217440A
Other languages
English (en)
Other versions
JP2021086572A (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
Priority to JP2019217440A priority Critical patent/JP7412150B2/ja
Priority to CN202011346759.7A priority patent/CN112884193A/zh
Priority to KR1020200161842A priority patent/KR20210067920A/ko
Priority to TW109141771A priority patent/TW202139072A/zh
Priority to US17/105,765 priority patent/US20210166121A1/en
Publication of JP2021086572A publication Critical patent/JP2021086572A/ja
Application granted granted Critical
Publication of JP7412150B2 publication Critical patent/JP7412150B2/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
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM]
    • G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
    • G05B19/4187—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow by tool management
    • 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
    • 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
    • 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
    • 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
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/80—Management or planning

Description

本開示は、予測装置、予測方法及び予測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、対象物の処理数や処理時間等の積算値を管理することで、製造プロセス内の状態等の推定項目について推定が行われている。また、これらの推定結果に基づいて、各パーツの交換時期や製造プロセスのメンテナンス時期等の予測が行われている。
一方で、製造プロセスにおいては、対象物の処理に伴い様々なデータが測定され、測定されたデータのセット（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）の中には、上記各推定項目と関連するデータも含まれる。
特開２０１１－１００２１１号公報
本開示は、製造プロセス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利用した予測装置、予測方法及び予測プログラムを提供する。
本開示の一態様による予測装置は、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と、該対象物を処理した際に取得された装置状態情報とを取得する取得部と、
取得された前記時系列データ群及び前記装置状態情報であって、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及び前記装置状態情報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み、該連結部により出力された合成結果が、前記製造プロセスの前記所定の処理単位において前記対象物を処理した際に取得された、前記製造プロセス内の状態を表す品質指標値に近づくように、前記複数のネットワーク部及び前記連結部について機械学習を行うことで、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生成する学習部と、を有し、
前記複数のネットワーク部それぞれの最終層に含まれるプーリング部は、出力データのデータサイズが各ミニバッチの平均のデータサイズとなるように、ＧＡＰ処理を行うことで、前記連結部に対して同じデータサイズの出力データを出力する。
本開示によれば、製造プロセス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利用した予測装置、予測方法及び予測プログラムを提供することができる。
半導体製造プロセスと予測装置とを含むシステムの全体構成の一例を示す第１の図である。 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。 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。 予測装置のハードウェア構成の一例を示す図である。 学習用データの一例を示す第１の図である。 時系列データ群の一例を示す図である。 学習部の機能構成の一例を示す第１の図である。 分岐部の処理の具体例を示す第１の図である。 分岐部の処理の具体例を示す第２の図である。 分岐部の処理の具体例を示す第３の図である。 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。 分岐部の処理の具体例を示す第４の図である。 推論部の機能構成の一例を示す第１の図である。 予測処理の流れを示す第１のフローチャートである。 半導体製造プロセスと予測装置とを含むシステムの全体構成の一例を示す第２の図である。 学習用データの一例を示す第２の図である。 ＯＥＳデータの一例を示す図である。 ＯＥＳデータが入力される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。 各正規化部の処理の具体例を示す図である。 プーリング部の処理の具体例を示す図である。 推論部の機能構成の一例を示す第２の図である。 予測処理の流れを示す第２のフローチャートである。
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、本明細書及び図面において、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］
＜半導体製造プロセスと予測装置とを含むシステムの全体構成＞
はじめに、製造プロセス（ここでは、半導体製造プロセス）と予測装置とを含むシステムの全体構成について説明する。図１は、半導体製造プロセスと予測装置とを含むシステムの全体構成の一例を示す第１の図である。図１に示すように、システム１００は、半導体製造プロセスと、時系列データ取得装置１４０＿１～１４０＿ｎと、予測装置１６０とを有する。
半導体製造プロセスでは、所定の処理単位１２０において、対象物（処理前ウェハ１１０）を処理し、結果物（処理後ウェハ１３０）を生成する。なお、ここでいう処理単位１２０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１１０とは、処理単位１２０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１３０とは、処理単位１２０において処理された後のウェハ（基板）を指す。
時系列データ取得装置１４０＿１～１４０＿ｎは、それぞれ、処理単位１２０において処理前ウェハ１１０の処理に伴い測定した時系列データを取得する。時系列データ取得装置１４０＿１～１４０＿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１４０＿１～１４０＿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１１０の処理に伴い測定した時系列データには、処理前ウェハ１１０の処理中に測定した時系列データのほか、処理前ウェハ１１０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１４０＿１～１４０＿ｎにより取得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、予測装置１６０の学習用データ格納部１６３に格納される。
なお、処理単位１２０において処理前ウェハ１１０が処理された際には、装置状態情報が取得され、時系列データ群と対応付けて、学習用データ（入力データ）として予測装置１６０の学習用データ格納部１６３に格納される。装置状態情報には、
・積算データ、例えば、
・半導体製造プロセスにおける処理枚数の積算値、
・半導体製造プロセスにおける処理時間の積算値（フォーカスリング（Ｆ／Ｒ）、カバーリング（Ｃ／Ｒ）、セル、電極等の所定のパーツの使用時間の積算値）、
・半導体製造プロセスにおいて成膜された膜厚の積算値、
・メンテナンスを管理するための累積値、等。
・半導体製造プロセス内のパーツ（例えば、Ｆ／Ｒ、Ｃ／Ｒ、セル、電極等）の劣化を示す情報、
・半導体製造プロセスの処理空間（例えば、チャンバ）内の壁等の部材の劣化を示す情報、
・半導体製造プロセス内のパーツに堆積するデポ膜の厚みなどの情報、
等が含まれる。装置状態情報は、パーツの交換や、クリーニングの実施によりリセットされ、対象ごとに個別に管理される情報である。
また、処理単位１２０において処理前ウェハ１１０が処理された際には、品質指標値が取得され、時系列データ群と対応付けて、学習用データ（正解データ）として予測装置１６０の学習用データ格納部１６３に格納される。品質指標値とは、半導体製造プロセス内の状態を表す情報（Ｅｔｃｈ Ｒａｔｅ、ＣＤ、膜厚、膜質、パーティクル数等のように、処理空間内の状態が反映される任意の値）である。品質指標値は、直接計測される値であっても、間接的に算出される推定値であってもよい。
予測装置１６０には、予測プログラムがインストールされており、当該プログラムが実行されることで、予測装置１６０は、学習部１６１及び推論部１６２として機能する。
学習部１６１は、学習用データ（時系列データ取得装置１４０＿１～１４０＿ｎにて取得された時系列データ群及び該時系列データ群と対応付けられた装置状態情報と、品質指標値）とを用いて機械学習を行う。
具体的には、学習部１６１は複数のネットワーク部を用いて時系列データ群及び装置状態情報（入力データ）を処理し、出力された各出力データの合成結果が、品質指標値（正解データ）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１６２は、機械学習された複数のネットワーク部に、処理単位１２０における新たな対象物（処理前ウェハ）の処理に伴い時系列データ取得装置１４０＿１～１４０＿ｎにて取得された時系列データ群及び装置状態情報を入力する。これにより、推論部１６２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及び装置状態情報に基づき、品質指標値を推論する。
なお、推論部１６２は、装置状態情報を変えながら、時系列データ群を繰り返し入力し、装置状態情報ごとに品質指標値を推論する。そして、推論部１６２は、品質指標値が所定の閾値に到達する際の装置状態情報を特定する。これにより、推論部１６２によれば、半導体製造プロセス内のパーツの交換時期や半導体製造プロセスのメンテナンス時期等を的確に予測することができる。
このように、本実施形態に係る予測装置１６０では、対象物の処理に伴い取得された時系列データ群及び対象物を処理した際に取得した品質指標値を推定したうえで、各パーツの交換時期や半導体製造プロセスのメンテナンス時期等を予測する。これにより、対象物の処理数や処理時間等の積算値のみから、各パーツの交換時期や半導体製造プロセスのメンテナンス時期等を予測する場合と比較して、予測精度を向上させることができる。
また、本実施形態に係る予測装置１６０では、対象物の処理に伴い取得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。これにより、所定の処理単位の時系列データ群を多面的に解析することが可能となり、例えば、１のネットワーク部を用いて処理する場合と比較して、高い推論精度を実現することが可能となる。
＜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の所定の処理単位１２０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（ａ）は、複数のチャンバを処理単位１２０と定義した場合を示している。この場合、処理前ウェハ１１０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１３０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（ａ）の処理単位１２０において、処理前ウェハ１１０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）におけるウェハの処理に伴い出力される時系列データ群と、
・チャンバＢ（第２の処理空間）におけるウェハの処理に伴い出力される時系列データ群と、
・チャンバＣ（第３の処理空間）におけるウェハの処理に伴い出力される時系列データ群と、
が含まれる。
一方、図２（ｂ）は、１のチャンバ（図２（ｂ）の例では、"チャンバＢ"）を処理単位１２０と定義した場合を示している。この場合、処理前ウェハ１１０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）を指し、処理後ウェハ１３０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（ｂ）の処理単位１２０において、処理前ウェハ１１０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１１０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、複数の処理内容によりウェハが処理される。
このうち、図３（ａ）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１２０と定義した場合を示している。この場合、処理前ウェハ１１０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１３０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（ａ）の処理単位１２０において、処理前ウェハ１１０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１１０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（ａ）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１２０とした場合について示した。しかしながら、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のように、異なるチャンバで各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１２０としてもよい。
一方、図３（ｂ）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のプロセスレシピ（図３（ｂ）の例では"プロセスレシピＩＩＩ"）の処理を処理単位１２０と定義した場合を示している。この場合、処理前ウェハ１１０とは、プロセスレシピＩＩＩの処理が行われる前のウェハ（プロセスレシピ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１３０とは、プロセスレシピＩＩＩの処理が行われた後のウェハ（プロセスレシピＩＶ（不図示）の処理が行われる前のウェハ）を指す。
また、図３（ｂ）の処理単位１２０において、処理前ウェハ１１０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、プロセスレシピＩＩＩによる処理に伴い測定される時系列データ群が含まれる。
＜予測装置のハードウェア構成＞
次に、予測装置１６０のハードウェア構成について説明する。図４は、予測装置のハードウェア構成の一例を示す図である。図４に示すように、予測装置１６０は、ＣＰＵ（Central Processing Unit）４０１、ＲＯＭ（Read Only Memory）４０２、ＲＡＭ（Random Access Memory）４０３を有する。また、予測装置１６０は、ＧＰＵ（Graphics Processing Unit）４０４を有する。なお、ＣＰＵ４０１、ＧＰＵ４０４などのプロセッサ（処理回路、Processing Circuit、Processing Circuitry）と、ＲＯＭ４０２、ＲＡＭ４０３などのメモリは、いわゆるコンピュータを形成する。
更に、予測装置１６０は、補助記憶装置４０５、表示装置４０６、操作装置４０７、Ｉ／Ｆ（Interface）装置４０８、ドライブ装置４０９を有する。なお、予測装置１６０の各ハードウェアは、バス４１０を介して相互に接続される。
ＣＰＵ４０１は、補助記憶装置４０５にインストールされた各種プログラム（例えば、予測プログラム等）を実行する演算デバイスである。
ＲＯＭ４０２は、不揮発性メモリであり、主記憶装置として機能する。ＲＯＭ４０２は、補助記憶装置４０５にインストールされた各種プログラムをＣＰＵ４０１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、ＲＯＭ４０２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。
ＲＡＭ４０３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。ＲＡＭ４０３は、補助記憶装置４０５にインストールされた各種プログラムがＣＰＵ４０１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。
ＧＰＵ４０４は、画像処理用の演算デバイスであり、ＣＰＵ４０１により予測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、ＧＰＵ４０４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４０５は、各種プログラムや、各種プログラムがＣＰＵ４０１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。例えば、学習用データ格納部１６３は、補助記憶装置４０５において実現される。
表示装置４０６は、予測装置１６０の内部状態を表示する表示デバイスである。操作装置４０７は、予測装置１６０の管理者が予測装置１６０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４０８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４０９は記録媒体４２０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４２０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４２０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４０５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４２０がドライブ装置４０９にセットされ、該記録媒体４２０に記録された各種プログラムがドライブ装置４０９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４０５にインストールされる各種プログラムは、不図示の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。
＜学習用データの具体例＞
次に、学習部１６１が機械学習を行う際に、学習用データ格納部１６３より読み出す学習用データについて説明する。図５は、学習用データの一例を示す第１の図である。図５に示すように、学習用データ５００には、情報の項目として、"装置"、"レシピ種類"、"時系列データ群"、"装置状態情報"、"品質指標値"が含まれる。なお、ここでは、所定の処理単位１２０が１のプロセスレシピの処理である場合について説明を行う。
"装置"には、品質指標値を監視する対象となる半導体製造装置（例えば、半導体製造装置２００）を示す識別子が格納される。"レシピ種類"は、対応する半導体製造装置（例えば、ＥｑＡ）において実行されるプロセスレシピのうち、時系列データ群が測定された際に実行されたプロセスレシピの種類を示す識別子（例えば、プロセスレシピＩ）が格納される。
"時系列データ群"には、"装置"により特定される半導体製造装置において、"レシピ種類"により特定されるプロセスレシピの処理が実行された際に、時系列データ取得装置１４０＿１～１４０＿ｎにより測定された時系列データ群が格納される。
"装置状態情報"には、時系列データ取得装置１４０＿１～１４０＿ｎにより、対応する時系列データ群（例えば、時系列データ群１）が測定された後に取得された装置状態情報が格納される。
"品質指標値"には、時系列データ取得装置１４０＿１～１４０＿ｎにより、対応する時系列データ群（例えば、時系列データ群１）が測定された後に取得された品質指標値が格納される。
＜時系列データ群の具体例＞
次に、時系列データ取得装置１４０＿１～１４０＿ｎにより測定される時系列データ群の具体例について説明する。図６は、時系列データ群の一例を示す図である。なお、図６の例では、説明の簡略化のため、時系列データ取得装置１４０＿１～１４０＿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が、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６（ａ）は、処理単位１２０が、図２（ｂ）、図３（ａ）、図３（ｂ）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１４０＿１～１４０＿ｎは、それぞれ、チャンバＢにおいて処理前ウェハ１１０の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１４０＿１～１４０＿ｎは、互いに、同一の時間範囲において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６（ｂ）は、処理単位１２０が、図２（ａ）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１４０＿１～１４０＿３は、例えば、チャンバＡにおいて処理前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１４０＿ｎ－２は、例えば、チャンバＢにおいて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１４０＿ｎ－１～１４０＿ｎは、例えば、チャンバＣにおいて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６（ａ）において、時系列データ取得装置１４０＿１～１４０＿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１４０＿１～１４０＿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１４０＿１～１４０＿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１４０＿１～１４０＿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１４０＿１～１４０＿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１４０＿１～１４０＿ｎは、プロセスレシピ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１４０＿１～１４０＿ｎは、プロセスレシピ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１４０＿１～１４０＿ｎは、プロセスレシピ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。
＜学習部の機能構成＞
次に、学習部１６１の機能構成について説明する。図７は、学習部の機能構成の一例を示す第１の図である。学習部１６１は、分岐部７１０と、第１のネットワーク部７２０＿１～第Ｍのネットワーク部７２０＿Ｍと、連結部７３０と、比較部７４０とを有する。
分岐部７１０は取得部の一例であり、学習用データ格納部１６３より時系列データ群と該時系列データ群に対応付けられた装置状態情報とを読み出す。
また、分岐部７１０は、時系列データ群及び装置状態情報が、第１のネットワーク部７２０＿１から第Ｍのネットワーク部７２０＿Ｍまでの複数のネットワーク部によって処理されるよう、複数のネットワーク部への入力を制御する。
第１のネットワーク部７２０＿１～第Ｍのネットワーク部７２０＿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７２０＿１は、第１層７２０＿１１～第Ｎ層７２０＿１Ｎを有する。同様に、第２のネットワーク部７２０＿２は、第１層７２０＿２１～第Ｎ層７２０＿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７２０＿Ｍは、第１層７２０＿Ｍ１～第Ｎ層７２０＿ＭＮを有する。
第１のネットワーク部７２０＿１の第１層７２０＿１１～第Ｎ層７２０＿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７２０＿２～第Ｍのネットワーク部７２０＿Ｍの各層でも同様の各種処理が行われる。
連結部７３０は、第１のネットワーク部７２０＿１の第Ｎ層７２０＿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７２０＿Ｍの第Ｎ層７２０＿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７４０に出力する。
比較部７４０は、連結部７３０より出力された合成結果と、学習用データ格納部１６３より読み出した品質指標値（正解データ）とを比較し、誤差を算出する。学習部１６１では、比較部７４０により算出された誤差が所定の条件を満たすように、誤差を逆伝播し、第１のネットワーク部７２０＿１～第Ｍのネットワーク部７２０＿Ｍ及び連結部７３０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７２０＿１～第Ｍのネットワーク部７２０＿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７３０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、学習部１６１の各部（ここでは、特に、分岐部）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
はじめに、分岐部７１０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１の図である。図８の場合、分岐部７１０は、時系列データ取得装置１４０＿１～１４０＿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７２０＿１に入力する。
また、分岐部７１０は、時系列データ取得装置１４０＿１～１４０＿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７２０＿２に入力する。
また、分岐部７１０は、装置状態情報を、第１のネットワーク部７２０＿１の第１層７２０＿１１～第Ｎ層７２０＿１Ｎのいずれかの層に入力する。分岐部７１０により入力された層内において、装置状態情報は、畳み込み処理される信号と結合される。なお、装置状態情報は、第１のネットワーク部７２０＿１において最初の方の層に入力され、最初の方の層内において、畳み込み処理される信号と結合されることがより好ましい。
また、分岐部７１０は、装置状態情報を、第２のネットワーク部７２０＿２の第１層７２０＿２１～第Ｎ層７２０＿２Ｎのいずれかの層に入力する。分岐部７１０により入力された層内において、装置状態情報は畳み込み処理される信号と結合される。なお、装置状態情報は、第２のネットワーク部７２０＿２において最初の方の層に入力され、最初の方の層内において、畳み込み処理される信号と結合されることがより好ましい。
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、処理単位１２０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構成とした場合と比較して、高い推論精度を実現するモデル（推論部１６２）を生成することが可能となる。
なお、図８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。しかしながら、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７１０の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２の図である。図９の場合、分岐部７１０は、時系列データ取得装置１４０＿１～１４０＿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とで、
・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７１０は、生成した時系列データ群１を第３のネットワーク部７２０＿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７２０＿４に入力する。
また、分岐部７１０は、装置状態情報を、第３のネットワーク部７２０＿３の第１層７２０＿３１～第Ｎ層７２０＿３Ｎのいずれかの層に入力する。分岐部７１０により入力された層内において、装置状態情報は畳み込み処理される信号と結合される。なお、装置状態情報は、第３のネットワーク部７２０＿３において最初の方の層に入力され、最初の方の層内において、畳み込み処理される信号と結合されることがより好ましい。
また、分岐部７１０は、装置状態情報を、第４のネットワーク部７２０＿４の第１層７２０＿４１～第Ｎ層７２０＿４Ｎのいずれかの層に入力する。分岐部７１０により入力された層内において、装置状態情報は畳み込み処理される信号と結合される。なお、装置状態情報は、第４のネットワーク部７２０＿４において最初の方の層に入力され、最初の方の層内において、畳み込み処理される信号と結合されることがより好ましい。
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、処理単位１２０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する場合と比較して、高い推論精度を実現するモデル（推論部１６２）を生成することが可能となる。
なお、図９の例では、時系列データ取得装置１４０＿１～１４０＿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。しかしながら、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プロセスレシピ（プロセスレシピＩ～ＩＩＩ）による処理に伴い測定された時系列データ群（時系列データ群１～３）であったとする。この場合には、プロセスレシピごとの時間範囲に応じて、時系列データ群を３つに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７１０による他の処理の詳細について説明する。図１０は、分岐部の処理の具体例を示す第３の図である。図１０の場合、分岐部７１０は、時系列データ取得装置１４０＿１～１４０＿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７２０＿５と第６のネットワーク部７２０＿６の両方に入力する。そして、第５のネットワーク部７２０＿５と第６のネットワーク部７２０＿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１１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に示すように、第５のネットワーク部７２０＿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１１の例は、第５のネットワーク部７２０＿５に含まれる各層のうち、第１層７２０＿５１に、正規化部１１０１と、畳み込み部１１０２と、活性化関数部１１０３と、プーリング部１１０４とが含まれることを示している。
このうち、正規化部１１０１では、分岐部７１０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。正規化時系列データ群１は、分岐部７１０により入力された装置状態情報と結合され、畳み込み部１１０２に入力される。なお、正規化部１１０１による第１の正規化処理及び正規化時系列データ１と装置状態情報との結合は、第１層７２０＿５１以外の他の層内において行われてもよい。ただし、第５のネットワーク部７２０＿５の最初の方の層内において行われることがより好ましい。
同様に、図１１の例は、第６のネットワーク部７２０＿６に含まれる各層のうち、第１層７２０＿６１には、正規化部１１１１と、畳み込み部１１１２と、活性化関数部１１１３と、プーリング部１１１４とが含まれることを示している。
このうち、正規化部１１１１では、分岐部７１０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。正規化時系列データ群２は、分岐部７１０により入力された装置状態情報と結合され、畳み込み部１１１２に入力される。なお、正規化部１１１１による第２の正規化処理及び正規化時系列データ２と装置状態情報との結合は、第１層７２０＿６１以外の他の層内において行われてもよい。ただし、第６のネットワーク部７２０＿６の最初の方の層内において行われることがより好ましい。
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、処理単位１２０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１の正規化処理を実行する構成とした場合と比較して、高い推論精度を実現するモデル（推論部１６２）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７１０による他の処理の詳細について説明する。図１２は、分岐部の処理の具体例を示す第４の図である。図１２の場合、分岐部７１０は、時系列データ取得装置１４０＿１～１４０＿ｎにより測定された時系列データ群のうち、チャンバＡでのウェハの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７２０＿７に入力する。
また、分岐部７１０は、時系列データ取得装置１４０＿１～１４０＿ｎにより測定された時系列データ群のうち、チャンバＢでの当該ウェハの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７２０＿８に入力する。
また、分岐部７１０は、チャンバＡでウェハが処理された際に取得された装置状態情報を、第７のネットワーク部７２０＿７の第１層７２０＿７１～第Ｎ層７２０＿７Ｎのいずれかの層に入力する。分岐部７１０により入力された層内において、装置状態情報は畳み込み処理される信号と結合される。なお、装置状態情報は、第７のネットワーク部７２０＿７において最初の方の層に入力され、最初の方の層内において、畳み込み処理される信号と結合されることがより好ましい。
また、分岐部７１０は、チャンバＢでウェハが処理された際に取得された装置状態情報を、第８のネットワーク部７２０＿８の第１層７２０＿８１～第Ｎ層７２０＿８Ｎのいずれかの層に入力する。分岐部７１０により入力された層内において、装置状態情報は畳み込み処理される信号と結合される。なお、装置状態情報は、第８のネットワーク部７２０＿８において最初の方の層に入力され、最初の方の層内において、畳み込み処理される信号と結合されることがより好ましい。
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、処理単位１２０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のネットワーク部を用いて処理する構成とした場合と比較して、高い推論精度を実現するモデル（推論部１６２）を生成することが可能となる。
＜推論部の機能構成＞
次に、推論部１６２の機能構成について説明する。図１３は、推論部の機能構成の一例を示す第１の図である。図１３に示すように、推論部１６２は、分岐部１３１０と、第１のネットワーク部１３２０＿１から第Ｍのネットワーク部１３２０＿Ｍと、連結部１３３０と、監視部１３４０と、予測部１３５０とを有する。
分岐部１３１０は、時系列データ取得装置１４０＿１～１４０＿Ｎにより新たに測定された時系列データ群及び装置状態情報を取得する。また、分岐部１３１０は、時系列データ群及び装置状態情報が、第１のネットワーク部１３２０＿１～第Ｍのネットワーク部１３２０＿Ｍにおいて処理されるよう制御する。なお、装置状態情報は可変であり、分岐部１３１０では、装置状態情報を変えながら、時系列データ群を繰り返し入力する。
第１のネットワーク部１３２０＿１～第Ｍのネットワーク部１３２０＿Ｍは、学習部１６１によって機械学習が行われ、第１のネットワーク部７２０＿１～第Ｍのネットワーク部７２０＿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１３３０は、学習部１６１によって機械学習が行われ、モデルパラメータが最適化された連結部７３０により形成される。連結部１３３０は、第１のネットワーク部１３２０＿１の第Ｎ層１３２０＿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１３２０＿Ｍの第Ｎ層１３２０＿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。これにより、連結部１３３０では、それぞれの装置状態情報について、推論結果（品質指標値）を出力する。
監視部１３４０は、連結部１３３０より出力されたそれぞれの品質指標値と、対応する装置状態情報とを取得する。また、監視部１３４０は、装置状態情報を横軸とし、品質指標値を縦軸とするグラフに、取得したそれぞれの品質指標値と、対応する装置状態情報とをプロットする。図１３において、グラフ１３４１は、監視部１３４０により生成されたグラフの一例である。
予測部１３５０は、装置状態情報ごとに取得される品質指標値が、所定の閾値１３５２を最初に超えたプロット（図１３の例ではプロット１３５１）の装置状態情報を特定する。また、予測部１３５０は、特定した装置状態情報と、現在の装置状態情報とに基づいて、半導体製造プロセス内の各パーツの交換時期または半導体製造プロセスのメンテナンス時期を予測する。
なお、所定の閾値１３５２は、半導体製造プロセスのメンテナンスが必要となる品質指標値に設定されているものとする。あるいは、所定の閾値１３５２は、半導体製造プロセス内のパーツの交換が必要となる品質指標値に設定されているものとする。
このように推論部１６２は、所定の処理単位１２０の時系列データ群を多面的に解析する学習部１６１により機械学習が行われることによって生成される。このため、推論部１６２は、異なるプロセスレシピ、異なるチャンバ、異なる装置にも適用することができる。あるいは、推論部１６２は、同一チャンバのメンテナンス前後にも適用することができる。つまり、本実施形態に係る推論部１６２によれば、例えば、従来のように、チャンバのメンテナンスに伴って、モデルをメンテナンスしたり、再学習させたりする必要がなくなる。
＜予測処理の流れ＞
次に、予測装置１６０による予測処理全体の流れについて説明する。図１４は、予測処理の流れを示す第１のフローチャートである。
ステップＳ１４０１において、学習部１６１は、学習用データとして、時系列データ群、装置状態情報、品質指標値を取得する。
ステップＳ１４０２において、学習部１６１は、取得した学習用データのうち、時系列データ群及び装置状態情報を入力データ、品質指標値を正解データとして機械学習を行う。
ステップＳ１４０３において、学習部１６１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Ｓ１４０３においてＹｅｓの場合には）、ステップＳ１４０１に戻る。一方、機械学習を終了する場合には（ステップＳ１４０３においてＮｏの場合には）、ステップＳ１４０４に進む。
ステップＳ１４０４において、推論部１６２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１３２０＿１～第Ｍのネットワーク部１３２０＿２を生成する。
ステップＳ１４０５において、推論部１６２は、装置状態情報に初期値を設定する。
ステップＳ１４０６において、推論部１６２は、新たな処理前ウェハの処理に伴い測定された時系列データ群及び新たな処理前ウェハが処理された際に取得された装置状態情報を入力することで、品質指標値を推論する。
ステップＳ１４０７において、推論部１６２は、推論した品質指標値が、所定の閾値を超えたか否かを判定する。ステップＳ１４０７において、推論した品質指標値が、所定の閾値を超えていないと判定した場合には（ステップＳ１４０７においてＮｏの場合には）、ステップＳ１４０８に進む。
ステップＳ１４０８において、推論部１６２は、装置状態情報を所定のきざみ幅で加算した後、ステップＳ１４０６に戻る。推論部１６２では、推論した品質指標値が所定の閾値を超えたと判定するまで、装置状態情報の加算を継続する。
一方、ステップＳ１４０７において、推論した品質指標値が所定の閾値を超えたと判定した場合には（ステップＳ１４０７においてＹｅｓの場合には）、ステップＳ１４０９に進む。
ステップＳ１４０９において、推論部１６２は、所定の閾値を超えた際の装置状態情報を特定する。また、推論部１６２は、特定した装置状態情報に基づいて、パーツの交換時期またはメンテナンス時期を予測し、出力する。
＜まとめ＞
以上の説明から明らかなように、第１の実施形態に係る予測装置は、
・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及び対象物を処理した際に取得された装置状態情報を取得する。
・取得した時系列データ群を、
・第１及び第２の基準に応じて処理することで、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、あるいは、
・データ種類または時間範囲に応じてグループ分けし、
装置状態情報とともに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、あるいは、
・取得した時系列データ群を、異なる手法で正規化を行う複数のネットワーク部にそれぞれ入力し、装置状態情報とともに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。
・各出力データを合成することで得た合成結果が、製造プロセスの所定の処理単位において、対象物を処理した際に取得された、品質指標値に近づくよう、複数のネットワーク部について機械学習を行う。
・新たな対象物の処理に伴い時系列データ取得装置により測定された時系列データ群を、装置状態情報を変えながら、機械学習された複数のネットワーク部を用いて処理する。そして、装置状態情報を変えるごとに、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として、品質指標値を推論する。
・装置状態情報を変えながら推論した品質指標値が所定の条件を満たすか否かを判定し、所定の条件を満たすと判定した際の装置状態情報を用いて、パーツの交換時期またはメンテナンス時期を予測する。
このように、第１の実施形態によれば、半導体製造プロセス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及び対象物を処理した際に取得された装置状態情報を利用した予測装置を提供することができる。
［第２の実施形態］
上記第１の実施形態に係る予測装置１６０では、取得した時系列データ群及び装置状態情報を複数のネットワーク部を用いて処理する構成として、４通りの構成について示した。これに対して、第２の実施形態では、これら４通りの構成のうち、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及び装置状態情報を処理する構成について、更に、詳細に説明する。なお、説明にあたっては、
・時系列データ取得装置は発光分光分析装置であり、
・時系列データ群はＯＥＳ（Optical Emission Spectroscopy）データ（発光強度の時系列データが波長の種類に応じた数だけ含まれるデータセット）である、
ことを前提とする。以下、第２の実施形態について、上記第１の実施形態との相違点を中心に行う。
＜半導体製造プロセスと予測装置とを含むシステムの全体構成＞
はじめに、時系列データ取得装置が発光分光分析装置である場合の、半導体製造プロセスと予測装置とを含むシステムの全体構成について説明する。図１５は、半導体製造プロセスと予測装置とを含むシステムの全体構成の一例を示す第２の図である。図１５に示すように、システム１５００は、半導体製造プロセスと、発光分光分析装置１５０１と、予測装置１６０とを有する。
図１５に示すシステム１５００において、発光分光分析装置１５０１は、発光分光分析技術により、処理単位１２０における処理前ウェハ１１０の処理に伴い、時系列データ群であるＯＥＳデータを測定する。発光分光分析装置１５０１により測定されたＯＥＳデータは、その一部が、機械学習を行う際の学習用データ（入力データ）として、予測装置１６０の学習用データ格納部１６３に格納される。
＜学習用データの具体例＞
次に、学習部１６１が機械学習を行う際に、学習用データ格納部１６３より読み出す学習用データについて説明する。図１６は、学習用データの一例を示す第２の図である。図１６に示すように、学習用データ１６００には、情報の項目として、図５に示した学習用データ５００の情報の項目と同様の情報の項目が含まれる。図５との相違点は、情報の項目として"時系列データ群"に代えて"ＯＥＳデータ"が含まれ、発光分光分析装置１５０１により測定されたＯＥＳデータが格納されている点である。
＜ＯＥＳデータの具体例＞
次に、発光分光分析装置１５０１において測定されるＯＥＳデータの具体例について説明する。図１７は、ＯＥＳデータの一例を示す図である。
図１７において、グラフ１７１０は、発光分光分析装置１５０１において測定される時系列データ群であるＯＥＳデータの特性を表したグラフであり、横軸は、処理単位１２０において処理された各処理前ウェハ１１０を識別するためのウェハ識別番号を示している。また、縦軸は、各処理前ウェハ１１０の処理に伴い発光分光分析装置１５０１において測定されたＯＥＳデータの時間長を示している。
グラフ１７１０に示すように、発光分光分析装置１５０１において測定されるＯＥＳデータは、処理されるウェハごとに時間長が異なる。
図１７の例において、例えば、ＯＥＳデータ１７２０は、ウェハ識別番号＝"７７０"の処理前ウェハの処理に伴い測定されたＯＥＳデータを示している。ＯＥＳデータ１７２０の縦方向のデータサイズは、発光分光分析装置１５０１において測定される波長の範囲に依存する。第２の実施形態において、発光分光分析装置１５０１は、所定の波長範囲の発光強度を測定するため、ＯＥＳデータ１７２０の縦方向のデータサイズは、例えば、所定の波長範囲に含まれる波長数"Ｎλ"となる。
一方、ＯＥＳデータ１７２０の横方向のデータサイズは、発光分光分析装置１５０１において測定された際の時間長に依存する。図１７の例では、ＯＥＳデータ１７２０の横方向のデータサイズは、"ＬＴ"である。
このように、ＯＥＳデータ１７２０は、波長ごとに、所定の時間長を有する１次元の時系列データが、所定の波長数分集まった時系列データ群であるということができる。
なお、分岐部７１０では、ＯＥＳデータ１７２０を第５のネットワーク部７２０＿５及び第６のネットワーク部７２０＿６に入力する際、他のウェハ識別番号のＯＥＳデータとデータサイズが同じになるよう、ミニバッチ単位でリサイズ処理を行うものとする。
＜正規化部の処理の具体例＞
次に、分岐部７１０によりＯＥＳデータ１７２０がそれぞれ入力される第５のネットワーク部７２０＿５及び第６のネットワーク部７２０＿６の、正規化部の処理の具体例について説明する。
図１８は、ＯＥＳデータが入力される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１８に示すように、第５のネットワーク部７２０＿５に含まれる各層のうち、第１層７２０＿５１は、正規化部１１０１を有する。また、正規化部１１０１は、ＯＥＳデータ１７２０を、第１の手法（波長全体について発光強度の平均と標準偏差）で正規化することで、正規化データ（正規化ＯＥＳデータ１８１０）を生成する。なお、正規化ＯＥＳデータ１８１０は、分岐部７１０により入力された装置状態情報と結合され、畳み込み部１１０２に入力される。
また、図１８に示すように、第６のネットワーク部７２０＿６に含まれる各層のうち、第１層７２０＿６１は、正規化部１１１１を有する。また、正規化部１１１１は、ＯＥＳデータ１７２０を、第２の手法（波長ごとに発光強度の平均と標準偏差）で正規化することで、正規化データ（正規化ＯＥＳデータ１８２０）を生成する。なお、正規化ＯＥＳデータ１８２０は、分岐部７１０により入力された装置状態情報と結合され、畳み込み部１１１２に入力される。
図１９は、各正規化部の処理の具体例を示す図である。図１９（ａ）に示すように、正規化部１１０１では、波長全体について、発光強度の平均と標準偏差と用いて正規化する。一方、図１９（ｂ）に示すように、正規化部１１１１では、波長ごとに、発光強度の平均と標準偏差とを用いて正規化する。
このように、何を基準として発光強度の変化を見るのかによって（つまり、解析のやり方によって）、同じＯＥＳデータ１７２０であっても、見える情報は変わってくる。第２の実施形態に係る予測装置１６０では、異なる正規化処理に対し、それぞれ異なるネットワーク部を用いて同じＯＥＳデータ１７２０を処理する。このように複数の正規化処理を組み合わせることで、処理単位１２０におけるＯＥＳデータ１７２０を多面的に解析することが可能となる。この結果、ＯＥＳデータ１７２０を１のネットワーク部を用いて１の正規化処理を実行する構成とした場合と比較して、高い推論精度を実現するモデル（推論部１６２）を生成することが可能となる。
なお、上記具体例では、発光強度の平均と標準偏差とを用いて正規化する場合について説明したが、正規化する際に用いる統計値はこれに限定されない。例えば、発光強度の最大値と標準偏差とを用いて正規化してもよいし、その他の統計値を用いて正規化してもよい。また、いずれの統計値を用いて正規化するかは選択できるように構成されていてもよい。
＜プーリング部の処理の具体例＞
次に、第５のネットワーク部７２０＿５及び第６のネットワーク部７２０＿６の最終層に含まれるプーリング部の処理の具体例について説明する。図２０は、プーリング部の処理の具体例を示す図である。
ミニバッチ間でデータサイズが異なるので、第５のネットワーク部７２０＿５及び第６のネットワーク部７２０＿６の最終層に含まれるプーリング部１１０４、１１１４では、ミニバッチ間で固定長のデータが出力されるようにプーリング処理を行う。
図２０は、プーリング部の処理の具体例を示す図である。図２０に示すように、プーリング部１１０４、１１１４では、活性化関数部１１０３、１１１３より出力された特徴データに対して、ＧＡＰ（Global Average Pooling）処理を行う。
図２０において、特徴データ２０１１＿１～２０１１＿ｍは、第５のネットワーク部７２０＿５の第Ｎ層７２０＿５Ｎのプーリング部１１０４に入力される特徴データであって、ミニバッチ１に属するＯＥＳデータに基づいて生成された特徴データを示している。特徴データ２０１１＿１～２０１１＿ｍは、それぞれ、１チャネル分の特徴データを示している。
また、特徴データ２０１２＿１～２０１２＿ｍは、第５のネットワーク部７２０＿５の第Ｎ層７２０＿５Ｎのプーリング部１１０４に入力される特徴データであって、ミニバッチ２に属するＯＥＳデータに基づいて生成された特徴データを示している。特徴データ２０１２＿１～２０１２＿ｍは、それぞれ、１チャネル分の特徴データを示している。
また、特徴データ２０３１＿１～２０３１＿ｍ、２０３２＿１～２０３２＿ｍも、特徴データ２０１１＿１～２０１１＿ｍ、２０１２＿１～２０１２＿ｍと同様である（ただし、それぞれが、Ｎλチャネル分の特徴データである）。
ここで、プーリング部１１０４、１１１４では、入力された特徴データに含まれる各特徴量の値について、チャネル単位で平均値を算出することで、固定長の出力データを出力する。これにより、プーリング部１１０４、１１１４より出力されるデータは、ミニバッチ間でデータサイズを同じにすることができる。
＜推論部の機能構成＞
次に、推論部１６２の機能構成について説明する。図２１は、推論部の機能構成の一例を示す第２の図である。図２１に示すように、推論部１６２は、分岐部１３１０と、第５のネットワーク部１３２０＿５及び第６のネットワーク部１３２０＿６と、連結部１３３０とを有する。
分岐部１３１０は、発光分光分析装置１５０１より新たに測定されたＯＥＳデータ及び装置状態情報を取得する。また、分岐部１３１０は、ＯＥＳデータ及び装置状態情報が、第５のネットワーク部１３２０＿５及び第６のネットワーク部１３２０＿６において処理されるよう制御する。なお、装置状態情報は可変であり、分岐部１３１０では、装置状態情報を変えながら、時系列データ群を繰り返し入力する。
第５のネットワーク部１３２０＿５及び第６のネットワーク部１３２０＿６は、学習部１６１によって機械学習が行われ、第５のネットワーク部７２０＿５及び第６のネットワーク部７２０＿６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１３３０は、学習部１６１によって機械学習が行われ、モデルパラメータが最適化された連結部７３０により形成される。連結部１３３０は、第５のネットワーク部１３２０＿５の第Ｎ層１３２０＿５Ｎから出力された出力データと、第６のネットワーク部１３２０＿６の第Ｎ層１３２０＿６Ｎから出力された出力データとを合成する。これにより、連結部１３３０では、それぞれの装置状態情報について、推論結果（品質指標値）を出力する。
なお、監視部１３４０及び予測部１３５０は、図１３に示した監視部１３４０及び予測部１３５０と同じであるため、ここでは説明を省略する。
このように推論部１６２は、所定の処理単位１２０のＯＥＳデータを多面的に解析する学習部１６１により機械学習が行われることによって生成される。このため、推論部１６２は、異なるプロセスレシピ、異なるチャンバ、異なる装置にも適用することができる。あるいは、推論部１６２は、同一チャンバのメンテナンス前後にも適用することができる。つまり、本実施形態に係る推論部１６２によれば、例えば、従来のように、チャンバのメンテナンスに伴って、モデルをメンテナンスしたり、再学習させたりする必要がなくなる。
＜予測処理の流れ＞
次に、予測装置１６０による予測処理全体の流れについて説明する。図２２は、予測処理の流れを示す第２のフローチャートである。図１４を用いて説明した第１のフローチャートとの相違点は、ステップＳ２２０１～Ｓ２２０２、Ｓ２２０３である。
ステップＳ２２０１において、学習部１６１は、学習用データとしてＯＥＳデータ、装置状態情報、品質指標値を取得する。
ステップＳ２２０２において、学習部１６１は、取得した学習用データのうち、ＯＥＳデータ及び装置状態情報を入力データ、品質指標値を正解データとして機械学習を行う。
ステップＳ２２０３において、推論部１６２は、新たな処理前ウェハの処理に伴い測定されたＯＥＳデータ及び新たな処理前ウェハが処理された際に取得された装置状態情報を入力することで、品質指標値を推論する。
＜まとめ＞
以上の説明から明らかなように、第２の実施形態に係る予測装置は、
・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発光分光分析装置により測定されたＯＥＳデータ及び対象物を処理した際に取得された装置状態情報を取得する。
・取得したＯＥＳデータ及び装置状態情報を、異なる手法で正規化を行う２つのネットワーク部にそれぞれ入力し、２つのネットワーク部より出力された各出力データを合成する。
・各出力データを合成することで得た合成結果が、製造プロセスの所定の処理単位において、対象物を処理した際に取得された、品質指標値に近づくよう、２つのネットワーク部について機械学習を行う。
・新たな対象物の処理に伴い発光分光分析装置により測定されたＯＥＳデータを、装置状態情報を変えながら、機械学習が行われた２つのネットワーク部を用いて処理する。そして、装置状態情報を変えるごとに、該２つ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として、品質指標値を推論する。
・装置状態情報を変えながら推論した品質指標値が所定の条件を満たすか否かを判定し、所定の条件を満たすと判定した際の装置状態情報を用いて、パーツの交換時期またはメンテナンス時期を予測する。
このように、第２の実施形態によれば、半導体製造プロセス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であるＯＥＳデータ及び対象物を処理した際に取得された装置状態情報を利用した予測装置を提供することができる。
［その他の実施形態］
上記第２の実施形態では、時系列データ取得装置の一例として、発光分光分析装置を挙げたが、第１の実施形態で説明した時系列データ取得装置は、発光分光分析装置に限定されない。
例えば、第１の実施形態で説明した時系列データ取得装置には、温度データ、圧力データ、ガスの流量データ等の各種プロセスデータを１次元の時系列データとして取得するプロセスデータ取得装置が含まれていてもよい。あるいは、第１の実施形態で説明した時系列データ取得装置には、高周波電源電圧データ等の各種ＲＦデータを１次元の時系列データとして取得するプラズマ用高周波電源装置が含まれていてもよい。
また、上記第１乃至第３の実施形態では、学習部１６１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１６１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、上記第１乃至第３の実施形態では、予測装置１６０が学習部１６１及び推論部１６２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１６１として機能する装置と、推論部１６２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、予測装置１６０は、推論部１６２を有していない学習部１６１として機能させてもよいし、学習部１６１を有していない推論部１６２として機能させてもよい。
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。
１００ ：システム
１１０ ：処理前ウェハ
１２０ ：処理単位
１３０ ：処理後ウェハ
１４０＿１～１４０＿ｎ ：時系列データ取得装置
１６０ ：予測装置
１６１ ：学習部
１６２ ：推論部
２００ ：半導体製造装置
５００ ：学習用データ
７１０ ：分岐部
７２０＿１～７２０＿Ｍ ：第１のネットワーク部～第Ｍのネットワーク部
７２０＿１１～７２０＿１Ｎ ：第１層～第Ｎ層
７２０＿２１～７２０＿２Ｎ ：第１層～第Ｎ層
７２０＿Ｍ１～７２０＿ＭＮ ：第１層～第Ｎ層
７３０ ：連結部
７４０ ：比較部
１１０１、１１１１ ：正規化部
１１０４、１１１４ ：プーリング部
１３１０ ：分岐部
１３２０＿１～１３２０＿Ｍ ：第１のネットワーク部～第Ｍのネットワーク部
１３２０＿１１～１３２０＿１Ｎ ：第１層～第Ｎ層
１３２０＿２１～１３２０＿２Ｎ ：第１層～第Ｎ層
１３２０＿Ｍ１～１３２０＿ＭＮ ：第１層～第Ｎ層
１３３０ ：連結部
１３４０ ：監視部
１３５０ ：予測部
１５００ ：システム
１５０１ ：発光分光分析装置
１６００ ：学習用データ

Claims (14)

  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と、該対象物を処理した際に取得された装置状態情報とを取得する取得部と、
    取得された前記時系列データ群及び前記装置状態情報であって、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及び前記装置状態情報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み、該連結部により出力された合成結果が、前記製造プロセスの前記所定の処理単位において前記対象物を処理した際に取得された、前記製造プロセス内の状態を表す品質指標値に近づくように、前記複数のネットワーク部及び前記連結部について機械学習を行うことで、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生成する学習部と、を有し、
    前記複数のネットワーク部それぞれの最終層に含まれるプーリング部は、出力データのデータサイズが各ミニバッチの平均のデータサイズとなるように、ＧＡＰ処理を行うことで、前記連結部に対して同じデータサイズの出力データを出力する、予測装置。
  2. 新たな対象物について取得された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を、装置状態情報を変えながら、機械学習済みの前記複数のネットワーク部に繰り返し入力し、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す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た合成結果を、前記新たな対象物を処理した際の品質指標値として、装置状態情報ごとに推論し、前記装置状態情報ごとに推論した前記品質指標値のうち、所定の条件を満たす品質指標値に対応する装置状態情報を特定し、特定した装置状態情報に基づいて、前記製造プロセス内のパーツの交換時期または前記製造プロセス内のメンテナンス時期を予測する推論部を更に有する請求項１に記載の予測装置。
  3. 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と、該対象物を処理した際に取得された装置状態情報とを取得する取得部と、
    取得された前記時系列データ群及び前記装置状態情報であって、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及び前記装置状態情報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、前記製造プロセスの前記所定の処理単位において前記対象物を処理した際に取得された、前記製造プロセス内の状態を表す品質指標値に近づくように、前記複数のネットワーク部及び前記連結部について機械学習が行わ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、
    新たな対象物について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、装置状態情報を変えながら、機械学習済みの前記複数のネットワーク部に繰り返し入力し、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す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た合成結果を、前記対象物を処理した際の、前記製造プロセス内の状態を表す品質指標値として推論し、前記装置状態情報ごとに推論した前記品質指標値のうち、所定の条件を満たす品質指標値に対応する装置状態情報を特定し、特定した装置状態情報に基づいて、前記製造プロセス内のパーツの交換時期または前記製造プロセス内のメンテナンス時期を予測する推論部と、を有し、
    前記複数のネットワーク部それぞれの最終層に含まれるプーリング部は、出力データのデータサイズが各ミニバッチの平均のデータサイズとなるように、ＧＡＰ処理を行うことで、前記連結部に対して同じデータサイズの出力データを出力する、予測装置。
  4. 前記学習部は、
    取得され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、生成した前記第１の時系列データ群及び前記第２の時系列データ群と、前記装置状態情報とを異なる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の合成結果が、前記製造プロセスの前記所定の処理単位において前記対象物を処理した際に取得された、前記品質指標値に近づくように、前記異なるネットワーク部及び前記連結部について機械学習を行う、請求項１に記載の予測装置。
  5. 新たな対象物について取得された時系列データ群を前記第１の基準及び前記第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、生成した前記第１の時系列データ群及び前記第２の時系列データ群を、装置状態情報を変えながら、機械学習済みの前記異なるネットワーク部に繰り返し入力し、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す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た合成結果を、前記新たな対象物を処理した際の品質指標値として、装置状態情報ごとに推論し、前記装置状態情報ごとに推論した前記品質指標値のうち、所定の条件を満たす品質指標値に対応する装置状態情報を特定し、特定した装置状態情報に基づいて、前記製造プロセス内のパーツの交換時期または前記製造プロセス内のメンテナンス時期を予測する推論部を更に有する請求項４に記載の予測装置。
  6. 前記学習部は、
    取得され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、各グループと、前記装置状態情報とを異なる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の合成結果が、前記製造プロセスの前記所定の処理単位において前記対象物を処理した際に取得された、前記品質指標値に近づくように、前記異なるネットワーク部及び前記連結部について機械学習を行う、請求項１に記載の予測装置。
  7. 新たな対象物について取得された時系列データ群を前記データ種類または前記時間範囲に応じてグループ分けし、各グループを、装置状態情報を変えながら、機械学習済みの前記異なるネットワーク部に繰り返し入力し、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す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た合成結果を、前記新たな対象物を処理した際の品質指標値として、装置状態情報ごとに推論し、前記装置状態情報ごとに推論した前記品質指標値のうち、所定の条件を満たす品質指標値に対応する装置状態情報を特定し、特定した装置状態情報に基づいて、前記製造プロセス内のパーツの交換時期または前記製造プロセス内のメンテナンス時期を予測する推論部を更に有する請求項６に記載の予測装置。
  8. 前記学習部は、
    取得された前記時系列データ群と、前記装置状態情報とを、異なる手法で正規化を行う正規化部をそれぞれに含む異なるネットワーク部に入力し、該異なる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の合成結果が、前記製造プロセスの前記所定の処理単位において前記対象物を処理した際に取得された、前記品質指標値に近づくように、前記異なるネットワーク部及び前記連結部について機械学習を行う、請求項１に記載の予測装置。
  9. 新たな対象物について取得された時系列データ群を、装置状態情報を変えながら、機械学習済みの前記異なるネットワーク部に繰り返し入力し、機械学習済みの前記異なる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であって、機械学習済みの前記連結部により合成された合成結果を、前記新たな対象物を処理した際の品質指標値として、装置状態情報ごとに推論し、前記装置状態情報ごとに推論した前記品質指標値のうち、所定の条件を満たす品質指標値に対応する装置状態情報を特定し、特定した装置状態情報に基づいて、前記製造プロセス内のパーツの交換時期または前記製造プロセス内のメンテナンス時期を予測する推論部を更に有する請求項８に記載の予測装置。
  10. 前記学習部は、
    前記所定の処理単位に含まれる第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の時系列データ群及び前記対象物を処理した際に取得された装置状態情報と、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の時系列データ群及び前記対象物を処理した際に取得された装置状態情報とを、異なる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の合成結果が、前記製造プロセスの所定の処理単位において前記対象物を処理した際に取得された、前記品質指標値に近づくように、前記異なるネットワーク部及び前記連結部について機械学習を行う、請求項１に記載の予測装置。
  11. 新たな対象物について、前記所定の処理単位に含まれる前記第１の処理空間における処理に伴い測定された第１の時系列データ群と、前記第２の処理空間における処理に伴い測定された第２の時系列データ群とを、装置状態情報を変えながら、機械学習済みの前記異なるネットワーク部に繰り返し入力し、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す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た合成結果を、前記新たな対象物を処理した際の品質指標値として、装置状態情報ごとに推論し、
    前記装置状態情報ごとに推論した前記品質指標値のうち、所定の条件を満たす品質指標値に対応する装置状態情報を特定し、特定した装置状態情報に基づいて、前記製造プロセス内のパーツの交換時期または前記製造プロセス内のメンテナンス時期を予測する推論部を更に有する請求項１０に記載の予測装置。
  12. 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に記載の予測装置。
  13. 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と、該対象物を処理した際に取得された装置状態情報とを取得する取得工程と、
    取得された前記時系列データ群及び前記装置状態情報であって、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及び前記装置状態情報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み、該連結部により出力された合成結果が、前記製造プロセスの前記所定の処理単位において前記対象物を処理した際に取得された、前記製造プロセス内の状態を表す品質指標値に近づくように、前記複数のネットワーク部及び前記連結部について機械学習を行うことで、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生成する学習工程と、をコンピュータが実行し、
    前記複数のネットワーク部それぞれの最終層に含まれるプーリング部は、出力データのデータサイズが各ミニバッチの平均のデータサイズとなるように、ＧＡＰ処理を行うことで、前記連結部に対して同じデータサイズの出力データを出力する、予測方法。
  14. 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と、該対象物を処理した際に取得された装置状態情報とを取得する取得工程と、
    取得された前記時系列データ群及び前記装置状態情報であって、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及び前記装置状態情報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み、該連結部により出力された合成結果が、前記製造プロセスの前記所定の処理単位において前記対象物を処理した際に取得された、前記製造プロセス内の状態を表す品質指標値に近づくように、前記複数のネットワーク部及び前記連結部について機械学習を行うことで、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生成する学習工程と、をコンピュータに実行させ、
    前記複数のネットワーク部それぞれの最終層に含まれるプーリング部は、出力データのデータサイズが各ミニバッチの平均のデータサイズとなるように、ＧＡＰ処理を行うことで、前記連結部に対して同じデータサイズの出力データを出力する、予測プログラム。
JP2019217440A 2019-11-29 2019-11-29 予測装置、予測方法及び予測プログラム Active JP7412150B2 (ja)

Priority Applications (5)

Application Number Priority Date Filing Date Title
JP2019217440A JP7412150B2 (ja) 2019-11-29 2019-11-29 予測装置、予測方法及び予測プログラム
CN202011346759.7A CN112884193A (zh) 2019-11-29 2020-11-26 预测装置、预测方法及记录介质
KR1020200161842A KR20210067920A (ko) 2019-11-29 2020-11-27 예측 장치, 예측 방법 및 예측 프로그램
TW109141771A TW202139072A (zh) 2019-11-29 2020-11-27 預測裝置及預測方法
US17/105,765 US20210166121A1 (en) 2019-11-29 2020-11-27 Predicting device and predicting method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2019217440A JP7412150B2 (ja) 2019-11-29 2019-11-29 予測装置、予測方法及び予測プログラム

Publications (2)

Publication Number Publication Date
JP2021086572A JP2021086572A (ja) 2021-06-03
JP7412150B2 true JP7412150B2 (ja) 2024-01-12

Family

ID=76043105

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2019217440A Active JP7412150B2 (ja) 2019-11-29 2019-11-29 予測装置、予測方法及び予測プログラム

Country Status (5)

Country Link
US (1) US20210166121A1 (ja)
JP (1) JP7412150B2 (ja)
KR (1) KR20210067920A (ja)
CN (1) CN112884193A (ja)
TW (1) TW202139072A (ja)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11688616B2 (en) 2020-07-22 2023-06-27 Applied Materials, Inc. Integrated substrate measurement system to improve manufacturing process performance
WO2023032636A1 (ja) * 2021-08-31 2023-03-09 東京エレクトロン株式会社 情報処理方法、情報処理装置、及び基板処理システム
US20230163002A1 (en) * 2021-11-23 2023-05-25 Applied Materials, Inc. Accelerating preventative maintenance recovery and recipe optimizing using machine-learning based algorithm
US20230236569A1 (en) * 2022-01-25 2023-07-27 Applied Materials, Inc. Estimation of chamber component conditions using substrate measurements
WO2023180784A1 (en) * 2022-03-21 2023-09-28 Applied Materials, Inc. Method of generating a computational model for improving parameter settings of one or more display manufacturing tools, method of setting parameters of one or more display manufacturing tools, and display manufacturing fab equipment
CN114841378B (zh) * 2022-07-04 2022-10-11 埃克斯工业(广东)有限公司 晶圆特征参数预测方法、装置、电子设备及可读存储介质
TW202406412A (zh) * 2022-07-15 2024-02-01 日商東京威力科創股份有限公司 電漿處理系統、支援裝置、支援方法及支援程式
US20240071838A1 (en) * 2022-08-24 2024-02-29 Applied Materials, Inc. Substrate placement optimization using substrate measurements

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017129896A (ja) 2016-01-18 2017-07-27 富士通株式会社 機械学習装置、機械学習方法及び機械学習プログラム
WO2019003404A1 (ja) 2017-06-30 2019-01-03 三菱電機株式会社 非定常検出装置、非定常検出システム、および非定常検出方法
JP2019106476A (ja) 2017-12-13 2019-06-27 オムロン株式会社 監視システム、学習装置、学習方法、監視装置及び監視方法
WO2019208773A1 (ja) 2018-04-27 2019-10-31 三菱日立パワーシステムズ株式会社 プラントの運転支援装置、プラントの運転支援方法、プラントの学習モデルの作成方法、プラントの運転支援プログラム、プラントの運転支援プログラムを記録した記録媒体、プラントの学習モデルの作成プログラム、及びプラントの学習モデルの作成プログラムを記録した記録媒体

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070282480A1 (en) * 2003-11-10 2007-12-06 Pannese Patrick D Methods and systems for controlling a semiconductor fabrication process
JP2011100211A (ja) 2009-11-04 2011-05-19 Sharp Corp 異常判定装置、異常判定方法、異常判定プログラム、および、このプログラムを記録したプログラム記録媒体
KR102083369B1 (ko) * 2013-01-29 2020-03-03 삼성디스플레이 주식회사 공정 모니터링 방법 및 공정 모니터링 장치
US9601130B2 (en) * 2013-07-18 2017-03-21 Mitsubishi Electric Research Laboratories, Inc. Method for processing speech signals using an ensemble of speech enhancement procedures
JP6280997B1 (ja) * 2016-10-31 2018-02-14 株式会社Ｐｒｅｆｅｒｒｅｄ Ｎｅｔｗｏｒｋｓ 疾患の罹患判定装置、疾患の罹患判定方法、疾患の特徴抽出装置及び疾患の特徴抽出方法
KR101917006B1 (ko) * 2016-11-30 2018-11-08 에스케이 주식회사 머신 러닝 기반 반도체 제조 수율 예측 시스템 및 방법
TW201915727A (zh) * 2017-09-18 2019-04-16 元智大學 多元感測器之錯誤偵測與分類方法
TWI829807B (zh) * 2018-11-30 2024-01-21 日商東京威力科創股份有限公司 製造製程之假想測定裝置、假想測定方法及假想測定程式

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017129896A (ja) 2016-01-18 2017-07-27 富士通株式会社 機械学習装置、機械学習方法及び機械学習プログラム
WO2019003404A1 (ja) 2017-06-30 2019-01-03 三菱電機株式会社 非定常検出装置、非定常検出システム、および非定常検出方法
JP2019106476A (ja) 2017-12-13 2019-06-27 オムロン株式会社 監視システム、学習装置、学習方法、監視装置及び監視方法
WO2019208773A1 (ja) 2018-04-27 2019-10-31 三菱日立パワーシステムズ株式会社 プラントの運転支援装置、プラントの運転支援方法、プラントの学習モデルの作成方法、プラントの運転支援プログラム、プラントの運転支援プログラムを記録した記録媒体、プラントの学習モデルの作成プログラム、及びプラントの学習モデルの作成プログラムを記録した記録媒体

Also Published As

Publication number Publication date
TW202139072A (zh) 2021-10-16
CN112884193A (zh) 2021-06-01
KR20210067920A (ko) 2021-06-08
US20210166121A1 (en) 2021-06-03
JP2021086572A (ja) 2021-06-03

Similar Documents

Publication Publication Date Title
JP7412150B2 (ja) 予測装置、予測方法及び予測プログラム
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
KR102039394B1 (ko) 탐색 장치 및 탐색 방법
US20230138127A1 (en) Information processing method and information processing apparatus including acquiring a time series data group measured duirng a processing cycle for a substrate
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
Kim et al. Fault detection prediction using a deep belief network-based multi-classifier in the semiconductor manufacturing process
US20130080372A1 (en) Architecture and methods for tool health prediction
CN113051452B (zh) 运维数据特征选择方法和装置
Mori et al. Incremental estimation of project failure risk with Naive Bayes classifier
US20230004837A1 (en) Inference device, inference method and inference program
EP4080421A1 (en) System and method for reassignment clustering for defect visibility regression
CN115829054A (zh) 基于机器学习模型对脑网络异常边连接的预测方法
US20210312610A1 (en) Analysis device and analysis method
Susto et al. A dynamic sampling approach for cost reduction in semiconductor manufacturing
JP2020025116A (ja) 探索装置および探索方法
JP2020181959A (ja) 学習方法、管理装置および管理プログラム
US20110282472A1 (en) Comprehensive analysis of queue times in microelectronic manufacturing
Srinivasan et al. Ensemble Neural Networks for Remaining Useful Life (RUL) Prediction
US11469122B2 (en) Semiconductor process analysis device, semiconductor process analysis method, and storage medium
Ki et al. Graphical approach of equipment health monitoring using network analysis
Yu et al. L n-norm multiple kernel learning and least squares support vector machines
Lin et al. Machine Learning-Based Approach for Automatic Ion Implanter Monitoring
Gentner Enhancing Scalability of Deep Learning Based Approaches in Semiconductor Manufacturing
Lyons et al. Applied Machine Learning Techniques for Performance Analysis in Large Wind Farms. Energies 2021, 14, 3756
CN114823410A (zh) 基于异质数据的半导体工艺预测方法与装置

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20220217

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20230131

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20230214

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230414

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20230711

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230908

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: 20231128

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20231226

R150 Certificate of patent or registration of utility model

Ref document number: 7412150

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150