JP7645658B2 - 制御装置、位置決め装置、リソグラフィー装置および物品製造方法 - Google Patents

Description

本発明は、制御装置、位置決め装置、リソグラフィー装置および物品製造方法に関する。

特許文献１には、ニューラルネットワークを用いてステージを制御する制御系が記載されている。該制御系は、制御偏差に関する情報に基づいて第１操作量を出力する第１制御部と、該制御偏差に関する情報に基づいてニューラルネットワークによって第２操作量を出力する第２制御部と、該第１操作量と該第２操作量とを加算する加算器とを有する。該第２制御部は、該第２操作量の上限および下限を制限する制限部を有する。

特開２０１９－７１４０５号公報

しかし、特許文献１に記載されているように単純に操作量の上限および下限を制限するだけでは、ニューラルネットワークが無駄な操作量を発生することになり、これが制御特性の向上を妨げうる。

本発明は、制御特性の向上に有利な技術を提供することを目的とする。

本発明の１つの側面は、制御対象を制御する制御装置に係り、前記制御装置は、前記制御対象の状態を計測する計測器と、前記計測器の出力と目標値とに応じた操作量を生成する制御器と、を備え、前記制御器は、前記出力と前記目標値とに応じたインデックスを出力する補償器と、前記操作量の使用頻度が所定の分布に従うように前記インデックスに前記操作量を対応させる変換器と、を含み、前記所定の分布は、前記操作量を横軸、前記横軸で与えられる操作量が出現しうる確率を縦軸としたときに、前記操作量の最小値と最大値との間の全域において上に凸の形状を有する。

本発明によれば、制御特性の向上に有利な技術が提供される。

第１実施形態のシステムの構成を示す図。 第１実施形態のシステムにおける制御装置を位置決め装置に適用した例を示す図。 図２の制御装置（位置決め装置）をより具体化した構成を示す図。 第１実施形態における強化学習によるニューラルネットワークの学習シーケンスを例示する図。 制御器に制御偏差を入力してドライバへの操作量を決定する構成の一例を示す図。 比較例における変換規則を示す図。 比較例において学習によって最大報酬が得られたときの各操作量の使用頻度を示す図。 一実施形態における目標確率分布に基づいて複数の操作量を決定する例を示す図。 一実施形態における変換規則を例示する図。 比較例と一実施形態とにおける制御偏差を例示する図。 制御器に制御偏差を入力してドライバへの操作量を決定する構成の別の例を示す図。 第２実施形態のシステムにおける制御装置を位置決め装置に適用した例を示す図。 第２実施形態における強化学習によるニューラルネットワークの学習シーケンスを例示する図。 リソグラフィー装置としての露光装置の構成例を示す図。 リソグラフィー装置としてのインプリント装置の構成例を示す図。

以下、添付図面を参照して実施形態を詳しく説明する。なお、以下の実施形態は特許請求の範囲に係る発明を限定するものではない。実施形態には複数の特徴が記載されているが、これらの複数の特徴の全てが発明に必須のものとは限らず、また、複数の特徴は任意に組み合わせられてもよい。さらに、添付図面においては、同一若しくは同様の構成に同一の参照番号を付し、重複した説明は省略する。

図１には、一実施形態のシステムＳＹＳの構成が示されている。システムＳＹＳは、例えば、制御対象を含む制御装置１と、制御装置１を制御する制御サーバー２と、制御サーバー２を介して制御装置１の学習を実行する学習サーバー３とを備えうる。制御装置１は、ニューラルネットワークを含む補償器を備えていて、学習サーバー３は、例えば、制御サーバー２を介してニューラルネットワークのパラメータ値を制御装置１に送ったり、制御サーバー２を介して駆動指令を制御装置１に送ったりしうる。制御装置１は、駆動指令に従って制御対象を駆動する動作を実行し、その駆動結果（例えば、制御偏差）を制御サーバー２を介して学習サーバー３に送りうる。学習サーバー３は、駆動結果に基づいて報酬を計算し、その報酬に基づいてニューラルネットワークのパラメータ値を更新しうる。

制御サーバー２の機能の全部または一部は、制御装置１に組み込まれうる。あるいは、制御サーバー２の機能の全部または一部は、学習サーバー３に組み込まれうる。あるいは、制御サーバー２および学習サーバー３の機能の一部は、制御装置１に組み込まれうる。あるいは、制御装置１、制御サーバー２および学習サーバー３は、一体的に構成されうる。制御サーバー２は、制御装置１の上位装置でありうる。例えば、制御装置１は、リソグラフィー装置の一構成要素であり、制御サーバー２は、リソグラフィー装置の主制御装置、あるいは、そのリソグラフィー装置を含む複数のリソグラフィー装置を制御する統括制御装置でありうる。

図２には、図１に示されたシステムＳＹＳにおける制御装置１を位置決め装置に適用した例が示されている。位置決め装置として構成された制御装置１は、制御対象としてのステージＳＴの位置を制御するように構成されうる。図２に例示された制御装置１は、ステージ機構５、計測器６、ドライバ７および制御基板（制御部）８を備えうる。ステージ機構５は、例えば、ステージＳＴと、ステージＳＴを駆動するアクチュエータ（不図示）とを含みうる。ステージＳＴは、基板等の位置決め対象物を保持しうる。該アクチュエータは、例えば、リニアモータ、電磁アクチュエータ、ボイスコイルモータ、および、ラックアンドピニオン機構の少なくとも１つを含みうる。制御対象は、ステージＳＴ、あるいはステージＳＴによって保持された部材(例えば、基板)でありうる。より巨視的には、制御対象は、ステージ機構５として理解されてもよい。計測器６は、制御対象の状態（例えば、位置）を計測しうる。制御基板８は、ドライバ７に対して指令（操作量）を送り、ドライバ７は、ステージ機構５のアクチュエータに対して電流を出力しうる。ステージ機構５あるいはステージＳＴの状態（駆動結果）は、計測器６によって計測あるいは検出され、制御基板８に提供されうる。

図３には、図２に例示された制御装置１の構成をより具体化した構成例が示されている。制御基板８は、計測器６によって計測された制御対象の状態（例えば、位置）と制御対象を制御するための駆動指令（目標値）との差分（制御偏差）を演算する演算器９と、演算器９の出力に応じた操作量を生成する制御器１０とを含みうる。制御器１０は、制御対象の状態と駆動指令とに基づいて操作量を生成する構成要素として理解されてもよい。制御器１０は、学習サーバー３から提供されるニューラルネットワークのパラメータ値によって定義される補償器として動作しうる。ドライバ７は、制御基板８あるいは制御器１０から提供される操作量を電流に変換しうる。換言すると、ドライバ７は、制御基板８あるいは制御器１０から提供される操作量に従う大きさを有する電流をステージ機構５（のアクチュエータ）に出力する。

図４には、強化学習によるニューラルネットワークの学習シーケンスＳ１００が例示されている。まず、ステップＳ１０１において、学習サーバー３は、制御サーバー２を介して制御装置１と通信し、制御器１０のニューラルネットワークのパラメータ値を初期化する。次に、ステップＳ１０２において、学習サーバー３は、制御サーバー２を介して、ステージ機構５（ステージＳＴ）を駆動するように制御装置１に所定の動作指令を送る。一例において、制御サーバー２は、動作指令を受けて、その動作指令に対応する駆動軌道に沿ってステージ機構５のステージＳＴが駆動されるように駆動指令（目標値列）を制御装置１に供給しうる。制御装置１は、ステージ機構５の駆動結果、例えば、演算器９によって演算される差分（制御偏差）を蓄積し、制御サーバー２あるいは学習サーバー３からの要求に応じて駆動結果を制御サーバー２あるいは学習サーバー３に提供するように構成されうる。

ステップＳ１０３において、学習サーバー３は、ステップＳ１０２の動作において蓄積された駆動結果を制御サーバー２を介して制御装置１から取得する。ステップＳ１０４において、学習サーバー３は、ステップＳ１０３で取得した駆動結果に基づいて報酬を計算する。報酬を計算するための計算式は、例えば、制御偏差が小さい時に高い報酬が得られるように決定されうる。ステップＳ１０５において、学習サーバー３は、ステップＳ１０４において計算した報酬が学習終了条件を満たすかどうかを判断し、該報酬が該学習終了条件を満たす場合にはステップＳ１０６に処理を進め、そうでなければ処理をステップＳ１０７に進める。ステップＳ１０７において、学習サーバー３は、制御器１０のニューラルネットワークのパラメータ値を変更し、その後、ステップＳ１０２～Ｓ１０５を再度実行する。ステップＳ１０６において、学習サーバー３は、ニューラルネットワークの最新のパラメータ値を学習結果として保存する。

図５には、制御器１０に制御偏差を入力してドライバ７への操作量を決定する構成の一例が示されている。制御器１０は、制御偏差（計測器６の出力と目標値との差分）に応じたインデックス５０３を出力する補償器５１０と、変換規則５２１に従ってインデックス５０３を操作量５０４に変換する変換器５２０とを含みうる。変換規則５２１は、例えば、複数のインデックス５０３にそれぞれ対応する複数の操作量５０４を定義する変換テーブルによって与えられうる。補償器５１０は、ニューラルネットワークで構成され、該ニューラルネットワークは、入力層５００、隠れ層５０１および出力層５０２を含みうる。出力層５０２は、変換規則５２１に対する入力がとりうる複数のインデックス５０３にそれぞれ対応する複数のニューロンで構成されうる。補償器５１０を構成するニューラルネットワークの動作は、予め設定されたパラメータ値によって定義されていて、該ニューラルネットワークは、入力層５００に入力される制御偏差に基づいて、隠れ層５０１および出力層５０２の各ニューロンの活性度を算出する。次に、補償器５１０を構成するニューラルネットワークは、出力層５０２の複数のニューロンの中で最も活性しているニューロンに対応するインデックス５０３を複数のインデックス５０３の中から選択してニューラルネットワークの演算結果として出力する。ここで、複数のニューロンの中で最も活性しているニューロンは、活性度の数値が最も大きいニューロンである。変換器５２０は、変換規則５２１に従って、入力されたインデックス５０３に対応した操作量５０４を出力する。換言すると、変換器５２０は、変換規則５２１に従って、入力されたインデックス５０３を操作量５０４に変換し出力する。

本実施形態の１つの特徴は、変換規則５２１である。ここで、本実施形態における変換規則５２１の理解を深めるために、まず、比較例とその比較例における問題点を説明する。

図６には、比較例における変換規則が示されている。図６では、横軸をインデックス、縦軸を操作量Ｆｎとして変換規則が示されている。比較例では、操作量Ｆｎの最小値をＦ０、操作量Ｆｎの最大値をＦＮ、インデックスをｎとし、式（１）のようにインデックスｎと操作量Ｆｎとが線形の関係を有するように変換規則が定義されている。

Ｆｎ＝ｎ×（ＦＮ－Ｆ０）／Ｎ＋Ｆ０ （ｎ＝０～Ｎ）・・・（１）
このような変換規則が設定された状態で学習を行った。ここで、制御基板８の構成として、出力層５０２のニューロンの数、インデックス５０３の数および操作量５０４の数をそれぞれ９とし、Ｆ４＝０となるようにＦ０を決定した。この条件で、制御装置１に対する駆動指令（目標値）を所定値としたときの制御偏差が小さくなるように学習を実施した。

図７には、比較例において学習によって最大報酬が得られたときの各操作量の使用頻度が示されている。この結果から、操作量Ｆ０、Ｆ２、Ｆ５およびＦ７が全く使用されていないことが分かる。つまり、学習の結果、これらの操作量は不要という判断がされたことになる。ここで、図３に示された構成において、制御器１０は一定周期で出力（即ち、操作量）を生成しなければならないという制約があるので、制御器１０による演算量に無駄がないことが望ましい。しかし、比較例では、計算される操作量の中に上述したように不要な操作量があり、これらの操作量を削除するか、他の操作量と置き換えるなどの工夫がなされるべきである。

以下、上記の比較例との対比において、本実施形態における変換器５２０の変換規則５２１について説明する。本実施形態では、変換規則５２１は、変換器５２０あるいは制御器１０から出力される操作量の確率分布が目標確率分布に従うように設定される。ここで、操作量の確率分布は、操作量の最小値と最大値との間の範囲において操作量の各値が出現しうる確率の分布である。このような変換規則５２１を定義あるいは設定して学習を開始することによって、無駄な操作量の発生を低減し、制御器１０の演算の無駄を省くことができる。これは、制御装置１の制御特性を向上させるために有利である。

ステージＳＴの制御偏差が小さくなるように操作量を出力しなければならないことから、変換規則５２１は、操作量を横軸、確率を縦軸としたときに、操作量の最小値と最大値との間の全域において上に凸の形状（確率分布）を有することが好ましい。また、該形状は、オフセット値が０である場合には、操作量が０の位置にピークを有することが好ましく、オフセット値が０以外の値を有する場合には、操作量が該オフセット値である位置にピークを有することが好ましい。なお、オフセット値は、公差などに起因する個体差をキャンセルするために使用されうる。上に凸の形状は、例えば、正規分布でありうる。

一例において、図８に例示されるように、目標確率分布９００に基づいて、複数の操作量Ｆ０～Ｆ８の使用頻度（確率）（図８中の面積）が一定になるように、複数の操作量Ｆ０～Ｆ８が決定されうる。図９には、図８の目標確率分布９００および複数の操作量Ｆ０～Ｆ８に対応する、インデックスと操作量との関係（即ち、変換規則）が示されている。ここで、操作量の最大値Ｆ８と最小値Ｆ０は、制御対象であるステージＳＴの重量および最大駆動加速度、想定される最大制御偏差の大きさなどに基づいて決定されうる。また、上に凸の形状を有する目標確率分布９００が正規分布である場合、その分散値は、操作量の分解能に関係しているため、想定される最大制御偏差に応じて決定されうる。

図１０には、比較例（点線）と本実施形態（実線）とに関して、最大報酬が得られるパラメータ値がニューラルネットワークに設定された状態における制御偏差が示されている。本実施形態では、比較例と比べて、ゼロ（Ｆ４）に近い操作量を使用することが可能となったため、ドライバ７への出力分解能が向上し、その結果、制御偏差がより抑制されている。これは、比較例よりも本実施形態の制御特性が優れていることを意味する。また、学習に要する時間は、本実施形態の方が比較例よりも短かった。また、本実施形態と比較例とは、補償器５１０を構成するニューラルネットワーク内のニューロンの数は同じであるため、制御器１０の演算量は同じである。それにも拘わらず、ステージＳＴの位置決め精度は、本実施形態の方が比較例より優れている。また、本実施形態の効果は、補償器５１０がニューラルネットワークで構成されない場合においても得られる。

図１１には、制御器１０に制御偏差を入力してドライバ７への操作量を決定する構成の別の例が示されている。制御器１０は、制御偏差（計測器６の出力と目標値との差分）に応じたインデックス６０３を出力する補償器６１０と、変換規則６２１に従ってインデックス６０３を操作量に変換する変換器６２０とを含みうる。補償器６１０は、ニューラルネットワークで構成され、該ニューラルネットワークは、入力層６００、隠れ層６０１および出力層６０２を含みうる。ここで、出力層６０２は、単一のニューロンで構成される。補償器６１０を構成するニューラルネットワークの動作は、予め設定されたパラメータ値によって定義されていて、該ニューラルネットワークは、入力層６００に入力される制御偏差に基づいて、隠れ層６０１および出力層６０２の各ニューロンの活性度を算出する。次に、補償器６１０を構成するニューラルネットワークは、出力層６０２のニューロンの活性度の数値を０から１の数値となるように正規化したインデックス６０３をニューラルネットワークの演算結果として出力する。変換器６２０の変換規則６２１は、上に凸の形状を有する目標確率分布（例えば、正規分布）において、Ｆ０からの面積（積分値）がインデックス６０３と一致するときの操作量６０４を与えるものである。換言すると、変換規則６２１は、操作量６０４の確率分布が目標確率分布に従うように設定されている。変換器６２０は、このような変換規則６２１に従って操作量６０４を算出し、その操作量６０４を制御器１０の出力として出力する。変換規則６２１を規定する目標確率分布が正規分布である場合、その正規分布の平均値および分散値は任意である。

ステージ機構５あるいはステージＳＴの駆動を制御するために複数の駆動プロファイルが準備される場合、駆動プロファイル毎に制御器１０が設けられ、複数の制御器１０の中から駆動プロファイルに応じた制御器１０が選択されてもよい。この場合において、変換器５２０、６２０の変換規則は、制御器１０毎に決定されてもよい。

ある目標確率分布に基づいて決定されたインデックスと操作量との関係（変換規則）を有する制御器１０において、一連の学習シーケンスを実施した後により高い位置決め精度を達成するために、その目標確率分布を変更して再度学習シーケンスを実施してもよい。例えば、ある目標正規分布に基づいて決定されたインデックスと操作量との関係を有する制御器１０において、一連の学習シーケンスを実施した後により高い位置決め精度を達成させるために、その目標正規分布を変更して、再度学習シーケンスを実施してもよい。目標正規分布の変更は、例えば、平均値および分散値の少なくとも一方の変更を含みうる。

ここで、それぞれ図３に例示されるような複数のステージ制御装置を調整する場合を考える。このような場合、第１ステージ制御装置において学習シーケンスＳ１００を実施しニューラルネットワークのパラメータ値２０を取得した後、第２ステージ制御装置に対して、その学習済みのパラメータ値２０を適用すればよい。これにより、第２ステージ制御装置において学習を実施しなくても、第１ステージ制御装置と同程度の位置決め精度を達成することができる。さらに、第２ステージ制御装置に対して学習済みのパラメータ値２０を初期値として適用し、学習シーケンスＳ１００を実施してもよい。また、このとき、第２ステージ制御装置が有する制御器１０の変換規則を提供する目標確率分布の広がり量や操作量方向へのシフト量を変更してから学習を実施してもよい。

以下、第２実施形態を説明するが、ここで言及しない事項は、第１実施形態に従いうる。図１２には、第２実施形態に制御装置１の構成が示されている。第２実施形態の制御装置１は、この例では、位置決め装置として構成されているが、他の形態の制御装置として構成されてもよい。制御基板８は、計測器６で計測された制御対象の状態（例えば、位置）と制御対象を制御するための駆動指令（目標値）との差分（制御偏差）を演算する演算器９と、演算器９の出力に応じた第１、第２操作量を生成する第１制御器３０、第２制御器４０とを含みうる。第１制御器３０および第２制御器４０は、制御対象の状態と駆動指令とに基づいて操作量を生成する構成要素として理解されてもよい。第１制御器３０は、例えば、ＰＩＤ制御器でありうる。第２制御器４０は、学習サーバー３から提供されるニューラルネットワークのパラメータ値によって定義される補償器として動作する。第２制御器４０は、第１実施形態の制御器１０と同様に、補償器５１０（６１０）と、変換器５２０（６２０）とを含む。制御基板８はまた、第１操作量および第２操作量に基づいて制御対象を操作するための操作量を生成する演算器（加算器）６０と、第２制御器４０と演算器６０とを接続する経路を開閉するスイッチ５０とを備えうる。ドライバ７は、制御基板８あるいは制御器１０から提供される操作量を電流に変換しうる。

図１３には、第２実施形態の制御装置１の学習シーケンス２００が例示されている。図１３には、図１２に示された構成に対応した強化学習によるニューラルネットワークの学習シーケンスが示されている。まず、ステップＳ２０１において、学習サーバー３は、スイッチ５０をオフさせる。これにより、制御基板８あるいは制御装置１は、演算器６０が第２操作量に基づくことなく第１操作量に基づいて操作量を生成するモードになる。次に、ステップＳ２０２において、学習サーバー３は、制御サーバー２を介して、ステージ機構５を駆動するように制御装置１に所定の動作指令を送る。一例において、制御サーバー２は、動作指令を受けて、その動作指令に対応する駆動軌道に沿ってステージＳＴが駆動されるように駆動指令（目標値列）を制御装置１に供給しうる。制御装置１は、制御基板８（第１制御器３０）が発生する操作量を蓄積し、制御サーバー２あるいは学習サーバー３から要求に応じて駆動結果を制御サーバー２あるいは学習サーバー３に提供するように構成されうる。ステップＳ２０３において、学習サーバー３は、ステップＳ２０２の動作において蓄積された操作量を制御サーバー２を介して制御装置１から取得する。ステップＳ２０４において、学習サーバー３は、ステップＳ２０２、Ｓ２０３の実行回数が規定値以上になったかどうかを判断し、該実行回数が該規定値以上になったらステップＳ２０５に処理を進め、そうでなければステップＳ２０２、Ｓ２０３を再度実行する。

ステップＳ２０５において、学習サーバー３は、規定回数にわたって取得した操作量に基づいて操作量の頻度分布を生成し、その頻度分布に応じた目標確率分布を決定する。ここで、頻度分布に応じた目標確率分布は、例えば、頻度分布と同一または相似の形状を有する確率分布、または、頻度分布から抽出され特徴と同一の特徴を有する確率分布でありうるが、頻度分布に対して他の相関性を有してもよい。

ステップＳ２０６において、学習サーバー３は、ステップＳ２０５において決定した目標確率分布に応じた変換規則を生成して、これを第２制御器４０の変換器に設定する。この処理は、第１実施形態と同様である。ステップＳ２０７にこいて、学習サーバー３は、スイッチ５０をオンにする。これにより、制御基板８あるいは制御装置１は、演算器６０が第１操作量と第２操作量とに基づいて、ドライバ７に供給すべき操作量を発生するモードになる。次いで、ステップＳ２０８において、学習サーバー３は、図４に示されたステップＳ１０１～Ｓ１０７を実施する。なお、ニューラルネットワークのパラメータ値は、第２制御器４０のニューラルネットワークに設定される。

第２実施形態では、第２制御器４０の変換器に設定される変化規則は、演算器６０が第２操作量に基づくことなく第１操作量に基づいて操作量を生成するモードで制御対象が制御されたときの第１操作量の確率分布に応じた変換規則となる。学習サーバー３は、そのような変換規則を第２制御器４０の変換器に設定する設定器として機能する。そのような設定器は、制御装置１に組み込まれてもよい。

上記の位置決め装置は、原版のパターンを基板に転写するリソグラフィー装置に組み込まれ、該位置決め装置のステージＳＴは、基板を保持し該基板を位置決めするように構成されうる。図１４には、上記のステージ機構が組み込まれたリソグラフィー装置の一例としての露光装置ＥＸＰの構成が例示されている。露光装置ＥＸＰは、原版Ｒのパターンを基板Ｗに投影する投影光学系ＰＯを備えうる。また、露光装置ＥＸＰは、基板Ｗを位置決めする基板位置決め装置ＰＡ、原版Ｒを位置決めする原版位置決め装置ＲＳＭ、および、原版Ｒを照明する照明光学系ＩＯを備えうる。上記の位置決め装置は、基板位置決め装置ＰＡに適用されうる。基板位置決め機構ＰＡは、基板Ｗを保持する可動部としてのステージＷＳと、ステージＷＳを駆動するアクチュエータＷＳＡとを含みうる。あるいは、上記の位置決め装置は、原版位置決め装置ＲＳＭに適用されうる。

図１５には、上記のステージ機構が組み込まれたリソグラフィー装置の一例としてのインプリント装置ＩＭＰの構成が例示されている。インプリント装置ＩＭＰは、原版Ｍのパターンを基板Ｗの上のインプリント材ＩＭに転写する。インプリント装置ＩＭＰは、基板Ｗを位置決めする基板位置決め装置ＰＡ、原版Ｍを駆動するインプリントヘッドＩＨ、および、インプリント材を硬化させる硬化ユニットＣＵを備えうる。インプリントヘッドＩＨは、基板Ｗの上のインプリント材ＩＭに原版Ｍのパターン領域を接触させたり、硬化したインプリント材ＩＭから原版Ｍを分離させたりしうる。硬化ユニットＣＵは、基板Ｗの上のインプリント材ＩＭに原版Ｍのパターン領域が接触した状態で、インプリント材ＩＭに硬化エネルギー（例えば、光エネルギー）を照射し、これによってインプリント材ＩＭを硬化させうる。上記の位置決め装置は、基板位置決め装置ＰＡに適用されうる。

上記のリソグラフィー装置は、物品を製造する物品製造方法に適用されうる。該物品製造方法は、上記のリソグラフィー装置を使って基板の上にパターンを形成するパターン形成工程と、該パターンが形成された該基板を処理して物品を得る処理工程と、を含みうる。該処理工程は、例えば、該パターンをエッチングマスクとして用いて該基板をエッチングする工程を含みうる。該処理工程は、例えば、該基板の上に膜を形成する工程、該基板を封止する工程等を含みうる。該物品製造方法は、パターン形成方法を複数回にわたって実施してもよい。

発明は上記実施形態に制限されるものではなく、発明の精神及び範囲から離脱することなく、様々な変更及び変形が可能である。従って、発明の範囲を公にするために請求項を添付する。

１：制御装置、５：ステージ機構、６：計測器、ＳＴ：ステージ（制御対象）５１０：補償器、５２０：変換器

Claims (15)

1. 制御対象を制御する制御装置であって、
   前記制御対象の状態を計測する計測器と、
   前記計測器の出力と目標値とに応じた操作量を生成する制御器と、を備え、
   前記制御器は、前記出力と前記目標値とに応じたインデックスを出力する補償器と、前記操作量の使用頻度が所定の分布に従うように前記インデックスに前記操作量を対応させる変換器と、を含み、
   前記所定の分布は、前記操作量を横軸、前記横軸で与えられる操作量が出現しうる確率を縦軸としたときに、前記操作量の最小値と最大値との間の全域において上に凸の形状を有する、
   ことを特徴とする制御装置。
2. 前記所定の分布は、正規分布である、
   ことを特徴とする請求項１に記載の制御装置。
3. 前記補償器は、前記出力と前記目標値との差分に応じて前記インデックスを決定する、
   ことを特徴とする請求項１又は２に記載の制御装置。
4. 前記補償器は、ニューラルネットワークを含む、
   ことを特徴とする請求項１乃至３のいずれか１項に記載の制御装置。
5. 前記ニューラルネットワークは、入力層、隠れ層および出力層を有し、
   前記ニューラルネットワークのパラメータ値は、前記インデックスを前記操作量に変換するための変換規則が設定された状態で学習を行うことによって決定される、
   ことを特徴とする請求項４に記載の制御装置。
6. 前記変換器は、複数のインデックスにそれぞれ対応する複数の操作量を定義する変換テーブルを含み、
   前記ニューラルネットワークの前記出力層は、前記複数のインデックスにそれぞれ対応する複数のニューロンで構成され、
   前記補償器が出力する前記インデックスは、前記複数のニューロンのうち最も活性しているニューロンに対応する、
   ことを特徴とする請求項５に記載の制御装置。
7. 前記出力層は、単一のニューロンで構成され、前記ニューラルネットワークは、前記出力層の前記ニューロンの活性度に応じて前記インデックスを決定する、
   ことを特徴とする請求項５に記載の制御装置。
8. 前記補償器が出力する前記インデックスは、前記出力層の前記ニューロンの活性度を正規化して得られる、
   ことを特徴とする請求項７に記載の制御装置。
9. 制御対象を制御する制御装置であって、
   前記制御対象の状態を計測する計測器と、
   前記計測器の出力と目標値とに応じた第１操作量を生成する第１制御器と、
   前記出力と前記目標値とに応じた第２操作量を生成する第２制御器と、
   前記第１操作量および前記第２操作量に基づいて前記制御対象を操作するための操作量を生成する演算器と、を備え、
   前記第２制御器は、前記出力と前記目標値とに応じたインデックスを出力する補償器と、変換規則に従って前記インデックスを前記第２操作量に変換する変換器とを含み、
   前記変換規則は、前記演算器が前記第２操作量に基づくことなく前記第１操作量に基づいて前記操作量を生成するモードで前記制御対象が制御されたときの前記第１操作量の確率分布に応じた変換規則であり、
   前記確率分布は、前記第１操作量を横軸、前記横軸で与えられる第１操作量が出現しうる確率を縦軸としたときに、前記第１操作量の最小値と最大値との間の全域において上に凸の形状を有する、
   ことを特徴とする制御装置。
10. 制御対象を制御する制御装置であって、
    前記制御対象の状態を計測する計測器と、
    前記計測器の出力と目標値とに応じた第１操作量を生成する第１制御器と、
    前記出力と前記目標値とに応じた第２操作量を生成する第２制御器と、
    前記第１操作量および前記第２操作量に基づいて前記制御対象を操作するための操作量を生成する演算器と、
    設定器と、を備え、
    前記第２制御器は、前記出力と前記目標値とに応じたインデックスを出力する補償器と、変換規則に従って前記インデックスを前記第２操作量に変換する変換器とを含み、
    前記設定器は、前記演算器が前記第２操作量に基づくことなく前記第１操作量に基づいて前記操作量を生成するモードで前記制御対象が制御されたときの前記第１操作量の確率分布に応じて前記変換規則を設定し、
    前記確率分布は、前記第１操作量を横軸、前記横軸で与えられる第１操作量が出現しうる確率を縦軸としたときに、前記第１操作量の最小値と最大値との間の全域において上に凸の形状を有する、
    ことを特徴とする制御装置。
11. ステージを含むステージ機構と、
    前記ステージ機構を駆動するドライバと、
    前記ステージの状態を計測する計測器と、
    請求項１乃至１０のいずれか１項に記載の制御装置と、を備え、
    前記制御装置は、前記ステージを前記制御対象として制御するように構成されている、
    ことを特徴とする位置決め装置。
12. 原版のパターンを基板に転写するリソグラフィー装置であって、
    請求項１１に記載の位置決め装置を備え、
    前記位置決め装置のステージは、前記基板を保持する、
    ことを特徴とするリソグラフィー装置。
13. 前記原版のパターンを前記基板に投影する投影光学系を更に備え、露光装置として構成されていることを特徴とする請求項１２に記載のリソグラフィー装置。
14. 前記原版のパターンを前記基板の上のインプリント材に転写するインプリント装置として構成されていることを特徴とする請求項１２に記載のリソグラフィー装置。
15. 請求項１２乃至１４のいずれか１項に記載のリソグラフィー装置を使って基板の上にパターンを形成する工程と、
    前記パターンが形成された前記基板を処理して物品を得る工程と、
    を含むことを特徴とする物品製造方法。

Images