KR20210092238A

KR20210092238A - Substrate processing condition setting support method, substrate processing system, storage medium and learning model

Info

Publication number: KR20210092238A
Application number: KR1020217017505A
Authority: KR
Inventors: 다케시 시모아오키; 유이치로 구누기모토; 게이시 하마다; 다카후미 하야마
Original assignee: 도쿄엘렉트론가부시키가이샤
Priority date: 2018-11-21
Filing date: 2019-11-12
Publication date: 2021-07-23
Also published as: TWI830812B; JPWO2020105517A1; CN112997274A; TW202024942A; JP2023171555A; WO2020105517A1; CN112997274B

Abstract

기판 처리의 조건 설정 지원 방법은, 기판으로의 처리액의 공급을 포함하여 기판 처리 장치에 의해 실행된 기판 처리의 처리 조건과, 당해 기판 처리의 품질에 관한 실적 데이터를 포함하는 데이터 세트를 기계 학습 장치에 입력하는 것과, 복수조의 데이터 세트에 기초하는 기계 학습에 의해 기계 학습 장치가 생성한 모델이며, 처리 조건의 입력에 응답하여 기판 처리의 품질에 관한 예측 데이터를 출력하는 학습 모델에 기초하여 기판 처리의 권장 처리 조건을 도출하는 것을 포함한다.A substrate processing condition setting support method includes machine learning of a data set including processing conditions for substrate processing performed by a substrate processing apparatus including supply of a processing liquid to a substrate, and performance data related to the quality of the substrate processing Based on a learning model that is input to the apparatus and a model generated by the machine learning apparatus by machine learning based on a plurality of sets of data sets, and outputs predictive data regarding the quality of substrate processing in response to input of processing conditions It involves deriving recommended treatment conditions for treatment.

Description

Substrate processing condition setting support method, substrate processing system, storage medium and learning model

본 개시는, 기판 처리의 조건 설정 지원 방법, 기판 처리 시스템, 기억 매체 및 학습 모델에 관한 것이다.The present disclosure relates to a substrate processing condition setting support method, a substrate processing system, a storage medium, and a learning model.

특허문헌 1에는, 기판의 표면에 감광성 피막을 형성하고, 당해 감광성 피막의 노광 처리 후에 당해 감광성 피막의 현상 처리를 행하는 장치가 개시되어 있다.Patent Document 1 discloses an apparatus in which a photosensitive film is formed on the surface of a substrate, and the photosensitive film is developed after exposure treatment of the photosensitive film.

일본 특허 공개 제2017-73522호 공보Japanese Patent Laid-Open No. 2017-73522

본 개시는, 기판 처리의 처리 조건을 설정하는 작업의 간소화에 유효한 조건 설정 지원 방법을 제공한다.The present disclosure provides a condition setting support method effective for simplifying the operation of setting processing conditions for substrate processing.

본 개시의 일 측면에 관한 기판 처리의 조건 설정 지원 방법은, 기판으로의 처리액의 공급을 포함하여 기판 처리 장치에 의해 실행된 기판 처리의 처리 조건과, 당해 기판 처리의 품질에 관한 실적 데이터를 포함하는 데이터 세트를 기계 학습 장치에 입력하는 것과, 복수조의 상기 데이터 세트에 기초하는 기계 학습에 의해 기계 학습 장치가 생성한 모델이며, 처리 조건의 입력에 응답하여 기판 처리의 품질에 관한 예측 데이터를 출력하는 학습 모델에 기초하여 기판 처리의 권장 처리 조건을 도출하는 것을 포함한다.A substrate processing condition setting support method according to an aspect of the present disclosure includes processing conditions for substrate processing performed by a substrate processing apparatus, including supply of a processing liquid to a substrate, and performance data related to the quality of the substrate processing. It is a model generated by the machine learning apparatus by inputting a data set including a data set to the machine learning apparatus and machine learning based on a plurality of sets of the above data sets, and predicting data regarding the quality of substrate processing in response to input of processing conditions and deriving recommended processing conditions for substrate processing based on the output learning model.

본 개시에 따르면, 기판 처리의 처리 조건을 설정하는 작업의 간소화에 유효한 조건 설정 지원 방법을 제공할 수 있다.According to the present disclosure, it is possible to provide a condition setting support method effective for simplification of the operation of setting processing conditions for substrate processing.

도 1은 하나의 예시적 실시 형태에 관한 기판 처리 시스템의 구성을 도시하는 모식도이다.
도 2는 도포 유닛의 개략 구성을 예시하는 모식도이다.
도 3은 현상 유닛의 개략 구성을 예시하는 모식도이다.
도 4는 처리 후 검사 장치의 개략 구성을 예시하는 모식도이다.
도 5는 처리 중 검사 장치의 개략 구성을 예시하는 모식도이다.
도 6은 제어 장치 및 기계 학습 장치의 기능적인 구성을 예시하는 블록도이다.
도 7은 제어 장치 및 기계 학습 장치의 하드웨어 구성을 예시하는 블록도이다.
도 8은 제어 장치가 실행하는 조건 설정 지원 수순을 예시하는 흐름도이다.
도 9는 제어 장치가 추가로 실행하는 조건 설정 지원 수순을 예시하는 흐름도이다.
도 10은 기계 학습 장치가 실행하는 조건 설정 지원 수순을 예시하는 흐름도이다.
도 11은 기계 학습 장치가 추가로 실행하는 조건 설정 지원 수순을 예시하는 흐름도이다.BRIEF DESCRIPTION OF THE DRAWINGS It is a schematic diagram which shows the structure of the substrate processing system which concerns on one exemplary embodiment.
2 is a schematic diagram illustrating a schematic configuration of an application unit.
3 is a schematic diagram illustrating a schematic configuration of a developing unit.
4 is a schematic diagram illustrating a schematic configuration of a post-processing inspection device.
5 is a schematic diagram illustrating a schematic configuration of an inspection device during processing.
6 is a block diagram illustrating functional configurations of a control device and a machine learning device.
7 is a block diagram illustrating a hardware configuration of a control device and a machine learning device.
8 is a flowchart illustrating a condition setting support procedure executed by the control device.
9 is a flowchart illustrating a condition setting support procedure additionally executed by the control device.
10 is a flowchart illustrating a condition setting support procedure executed by the machine learning apparatus.
11 is a flowchart illustrating a condition setting support procedure additionally executed by the machine learning apparatus.

이하, 다양한 예시적 실시 형태에 대해 설명한다. 설명에 있어서, 동일 요소 또는 동일 기능을 갖는 요소에는 동일한 부호를 붙이고, 중복되는 설명을 생략한다.Hereinafter, various exemplary embodiments will be described. In description, the same code|symbol is attached|subjected to the same element or the element which has the same function, and the overlapping description is abbreviate|omitted.

〔기판 처리 시스템〕[Substrate processing system]

기판 처리 시스템(1)은, 기판의 표면에 감광성 피막을 형성하고, 노광 처리 후의 당해 감광성 피막에 현상 처리를 실시하는 시스템이다. 처리 대상 기판은, 예를 들어 반도체의 웨이퍼(W)이다. 감광성 피막은, 예를 들어 레지스트막이다.The substrate processing system 1 is a system which forms a photosensitive film on the surface of a board|substrate, and performs a developing process on the said photosensitive film after an exposure process. The processing target substrate is, for example, a semiconductor wafer W. The photosensitive film is, for example, a resist film.

도 1에 예시하는 바와 같이, 기판 처리 시스템(1)은, 도포·현상 장치(2)와, 제어 장치(100)를 구비한다. 도포·현상 장치(2)는, 캐리어 블록(4)과, 처리 블록(5)과, 인터페이스 블록(6)을 구비한다.As illustrated in FIG. 1 , the substrate processing system 1 includes a coating/developing apparatus 2 and a control apparatus 100 . The coating/developing apparatus 2 includes a carrier block 4 , a processing block 5 , and an interface block 6 .

캐리어 블록(4)은, 도포·현상 장치(2) 내로의 웨이퍼(W)(기판)의 도입 및 도포·현상 장치(2) 내로부터의 웨이퍼(W)의 도출을 행한다. 예를 들어 캐리어 블록(4)은, 웨이퍼(W)용의 복수의 캐리어(C)를 지지 가능하며, 전달 암(A1)을 내장하고 있다. 캐리어(C)는, 예를 들어 원형의 복수매의 웨이퍼(W)를 수용한다. 전달 암(A1)은, 미처리 웨이퍼(W)를 캐리어(C)로부터 취출하고, 처리 후의 웨이퍼(W)를 캐리어(C)로 복귀시킨다.The carrier block 4 introduces the wafer W (substrate) into the coating/developing device 2 and takes out the wafer W from the inside of the coating/developing device 2 . For example, the carrier block 4 can support a plurality of carriers C for wafers W, and includes a transfer arm A1. The carrier C accommodates a plurality of circular wafers W, for example. The transfer arm A1 takes out the unprocessed wafer W from the carrier C, and returns the processed wafer W to the carrier C.

처리 블록(5)은, 복수의 처리 모듈(11, 12, 13, 14)을 갖는다. 처리 모듈(11, 12, 13)(처리부)은, 웨이퍼(W)의 표면(Wa)에 성막액(성막용 처리액)을 도포하여 피막을 형성하는 성막 처리를 행한다. 예를 들어 처리 모듈(11, 12, 13)은, 도포 유닛(U1)과, 열처리 유닛(U2)과, 이들 유닛에 웨이퍼(W)를 반송하는 반송 암(A3)을 내장하고 있다.The processing block 5 has a plurality of processing modules 11 , 12 , 13 , 14 . The processing modules 11 , 12 , and 13 (processing unit) perform a film forming process for forming a film by applying a film forming liquid (a film forming process liquid) to the surface Wa of the wafer W . For example, the processing modules 11 , 12 , and 13 include a coating unit U1 , a heat treatment unit U2 , and a transfer arm A3 that transfers the wafer W to these units.

처리 모듈(11)은, 도포 유닛(U1) 및 열처리 유닛(U2)에 의해 웨이퍼(W)의 표면 상에 하층막을 형성한다. 처리 모듈(11)의 도포 유닛(U1)은, 하층막 형성용의 처리액을 웨이퍼(W) 상에 도포한다. 처리 모듈(11)의 열처리 유닛(U2)은, 하층막의 형성에 수반되는 각종 열처리를 행한다.The processing module 11 forms an underlayer film on the surface of the wafer W by the application unit U1 and the heat treatment unit U2 . The application unit U1 of the processing module 11 applies a processing liquid for forming an underlayer film on the wafer W. The heat treatment unit U2 of the processing module 11 performs various heat treatments accompanying the formation of the underlayer film.

처리 모듈(12)은, 도포 유닛(U1) 및 열처리 유닛(U2)에 의해 하층막 상에 레지스트막을 형성한다. 처리 모듈(12)의 도포 유닛(U1)은, 레지스트막 형성용의 처리액을 하층막 상에 도포한다. 처리 모듈(12)의 열처리 유닛(U2)은, 레지스트막의 형성에 수반되는 각종 열처리를 행한다.The processing module 12 forms a resist film on the underlayer film by the application unit U1 and the heat treatment unit U2 . The application unit U1 of the processing module 12 applies a processing liquid for forming a resist film on the underlayer film. The heat treatment unit U2 of the processing module 12 performs various heat treatments accompanying the formation of the resist film.

처리 모듈(13)은, 도포 유닛(U1) 및 열처리 유닛(U2)에 의해 레지스트막 상에 상층막을 형성한다. 처리 모듈(13)의 도포 유닛(U1)은, 상층막 형성용의 액체를 레지스트막 상에 도포한다. 처리 모듈(13)의 열처리 유닛(U2)은, 상층막의 형성에 수반되는 각종 열처리를 행한다.The processing module 13 forms an upper layer film on the resist film by the application unit U1 and the heat treatment unit U2 . The application unit U1 of the processing module 13 applies a liquid for forming an upper layer film on the resist film. The heat treatment unit U2 of the processing module 13 performs various heat treatments accompanying the formation of the upper layer film.

도 2에 예시하는 바와 같이, 도포 유닛(U1)은, 회전 보유 지지부(50)와, 성막액 공급부(60)를 갖는다. 회전 보유 지지부(50)는, 웨이퍼(W)를 보유 지지하여 회전시킨다. 예를 들어 회전 보유 지지부(50)는, 보유 지지부(51)와, 회전 구동부(52)를 갖는다. 보유 지지부(51)는 수평하게 배치된 웨이퍼(W)를 지지하며, 예를 들어 진공 흡착 등에 의해 보유 지지한다. 회전 구동부(52)는, 예를 들어 전동 모터 등을 동력원으로 하여, 연직인 축선 주위로 보유 지지부(51)를 회전시킨다. 이에 의해, 보유 지지부(51)에 보유 지지된 웨이퍼(W)도 회전한다.As illustrated in FIG. 2 , the application unit U1 includes a rotation holding unit 50 and a film forming liquid supply unit 60 . The rotation holding unit 50 holds the wafer W and rotates it. For example, the rotation holding part 50 has the holding part 51 and the rotation drive part 52 . The holding part 51 supports the wafer W arranged horizontally, and holds it by, for example, vacuum suction or the like. The rotation drive part 52 uses an electric motor etc. as a power source, for example, and rotates the holding|maintenance part 51 around a vertical axis line. Thereby, the wafer W held by the holding part 51 also rotates.

성막액 공급부(60)는, 보유 지지부(51)에 보유 지지된 웨이퍼(W)의 표면(Wa)에 성막액을 공급한다. 예를 들어 성막액 공급부(60)는, 노즐(61)과, 액원(62)을 갖는다. 노즐(61)은, 보유 지지부(51)에 보유 지지된 웨이퍼(W)의 상방에 배치되며, 하방으로 처리액을 토출한다. 액원(62)은, 노즐(61)에 처리액을 압송한다.The film forming liquid supply unit 60 supplies the film forming liquid to the surface Wa of the wafer W held by the holding unit 51 . For example, the film-forming liquid supply unit 60 includes a nozzle 61 and a liquid source 62 . The nozzle 61 is disposed above the wafer W held by the holding unit 51 , and discharges the processing liquid downward. The liquid source 62 pressurizes the processing liquid to the nozzle 61 .

도 1로 돌아가, 처리 모듈(14)(처리부)은, 웨이퍼(W)의 표면(Wa)에 있어서 노광 처리가 실시된 레지스트막(감광성 피막)에 현상용의 처리액을 공급하는 현상 처리를 행한다. 예를 들어 처리 모듈(14)은, 현상 유닛(U3)과, 열처리 유닛(U4)과, 이들 유닛에 웨이퍼(W)를 반송하는 반송 암(A3)을 내장하고 있다. 처리 모듈(14)은, 현상 유닛(U3) 및 열처리 유닛(U4)에 의해, 노광 후의 레지스트막의 현상 처리를 행한다. 현상 유닛(U3)은, 노광 완료된 웨이퍼(W)의 표면 상에 현상액(현상용 처리액)을 도포한 후, 이것을 린스액(린스용 처리액)에 의해 씻어냄으로써, 레지스트막의 현상 처리를 행한다. 열처리 유닛(U4)은, 현상 처리에 수반되는 각종 열처리를 행한다. 열처리의 구체예로서는, 현상 처리 전의 가열 처리(PEB: Post Exposure Bake), 현상 처리 후의 가열 처리(PB: Post Bake) 등을 들 수 있다.Returning to FIG. 1 , the processing module 14 (processing unit) performs a development process of supplying a developing processing liquid to a resist film (photosensitive film) subjected to exposure treatment on the surface Wa of the wafer W. . For example, the processing module 14 includes a developing unit U3 , a heat treatment unit U4 , and a transfer arm A3 that transfers the wafer W to these units. The processing module 14 performs development processing of the resist film after exposure by the developing unit U3 and the heat treatment unit U4 . The developing unit U3 applies a developer (developing treatment liquid) on the surface of the exposed wafer W, and then washes it off with a rinsing liquid (rinsing treatment liquid) to develop the resist film. The heat treatment unit U4 performs various heat treatments accompanying the developing treatment. Specific examples of the heat treatment include heat treatment (PEB: Post Exposure Bake) before developing treatment, heat treatment after developing treatment (PB: Post Bake), and the like.

도 3에 예시하는 바와 같이, 현상 유닛(U3)은, 회전 보유 지지부(20)와, 현상액 공급부(30)와, 린스액 공급부(40)를 갖는다. 회전 보유 지지부(20)는, 웨이퍼(W)를 보유 지지하여 회전시킨다. 예를 들어 회전 보유 지지부(20)는, 보유 지지부(21)와, 회전 구동부(22)를 갖는다. 보유 지지부(21)는, 수평하게 배치된 웨이퍼(W)를 지지하며, 예를 들어 진공 흡착 등에 의해 보유 지지한다. 회전 구동부(22)는, 예를 들어 전동 모터 등을 동력원으로 하여, 연직인 축선 주위로 보유 지지부(21)를 회전시킨다. 이에 의해, 보유 지지부(21)에 보유 지지된 웨이퍼(W)도 회전한다.As illustrated in FIG. 3 , the developing unit U3 includes a rotation holding unit 20 , a developing solution supply unit 30 , and a rinse solution supply unit 40 . The rotation holding unit 20 holds the wafer W and rotates it. For example, the rotation holding part 20 has the holding part 21 and the rotation drive part 22 . The holding unit 21 supports the horizontally arranged wafer W, and holds it, for example, by vacuum suction or the like. The rotation drive part 22 uses an electric motor etc. as a power source, for example, and rotates the holding part 21 around a vertical axis line. Thereby, the wafer W held by the holding part 21 also rotates.

현상액 공급부(30)는, 보유 지지부(21)에 보유 지지된 웨이퍼(W)의 표면(Wa)에 현상액을 공급한다. 예를 들어 현상액 공급부(30)는, 노즐(31)과, 노즐 이송부(32)와, 액원(33)을 갖는다. 노즐(31)은, 보유 지지부(21)에 보유 지지된 웨이퍼(W)의 상방에 배치되며, 하방으로 현상액을 토출한다. 노즐 이송부(32)는, 전동 모터 등을 동력원으로 하여 노즐(31)을 수평 방향으로 이동시킨다. 액원(33)은, 노즐(31)에 현상액을 압송한다.The developer supply unit 30 supplies the developer to the surface Wa of the wafer W held by the holding unit 21 . For example, the developer supply unit 30 includes a nozzle 31 , a nozzle transfer unit 32 , and a liquid source 33 . The nozzle 31 is disposed above the wafer W held by the holding unit 21 , and discharges the developing solution downward. The nozzle transfer part 32 uses an electric motor etc. as a power source to move the nozzle 31 in a horizontal direction. The liquid source 33 pressurizes the developer to the nozzle 31 .

린스액 공급부(40)는, 보유 지지부(21)에 보유 지지된 웨이퍼(W)의 표면(Wa)에 린스액을 공급한다. 예를 들어 린스액 공급부(40)는, 노즐(41)과, 노즐 이송부(42)와, 액원(43)을 갖는다. 노즐(41)은, 보유 지지부(21)에 보유 지지된 웨이퍼(W)의 상방에 배치되며, 하방으로 린스액을 토출한다. 노즐 이송부(42)는, 전동 모터 등을 동력원으로 하여 노즐(41)을 수평 방향으로 이동시킨다. 액원(43)은, 노즐(41)에 린스액을 압송한다.The rinsing liquid supply unit 40 supplies a rinsing liquid to the surface Wa of the wafer W held by the holding unit 21 . For example, the rinse liquid supply unit 40 includes a nozzle 41 , a nozzle transfer unit 42 , and a liquid source 43 . The nozzle 41 is disposed above the wafer W held by the holding unit 21 , and discharges the rinse liquid downward. The nozzle transfer unit 42 uses an electric motor or the like as a power source to move the nozzle 41 in the horizontal direction. The liquid source 43 pressurizes the rinse liquid to the nozzle 41 .

도 1로 되돌아가, 인터페이스 블록(6)은, 웨이퍼(W) 상에 형성된 레지스트막의 노광 처리를 행하는 노광 장치(도시하지 않음)와의 사이에서 웨이퍼(W)의 전달을 행한다. 예를 들어 인터페이스 블록(6)은, 전달 암(A8)을 내장하고 있고, 노광 장치에 접속된다. 전달 암(A8)은, 노광 처리 전의 웨이퍼(W)를 노광 장치에 넘겨주고, 노광 처리 후의 웨이퍼(W)를 노광 장치로부터 수취한다.Returning to FIG. 1 , the interface block 6 transfers the wafer W to and from an exposure apparatus (not shown) for exposing the resist film formed on the wafer W . For example, the interface block 6 incorporates the transfer arm A8 and is connected to the exposure apparatus. The transfer arm A8 transfers the wafer W before the exposure process to the exposure apparatus, and receives the wafer W after the exposure process from the exposure apparatus.

처리 블록(5)과 캐리어 블록(4) 사이에는 수용부(U10)가 마련되어 있다. 수용부(U10)는, 상하 방향으로 배열되는 복수의 셀로 구획되어 있으며, 각 셀에 웨이퍼(W)를 수용 가능하다. 수용부(U10)는, 캐리어 블록(4)과 처리 블록(5) 사이에 있어서의 웨이퍼(W)의 전달 등에 사용된다. 수용부(U10)의 근방에는 승강 암(A7)이 마련되어 있다. 승강 암(A7)은, 수용부(U10)의 셀끼리의 사이에서 웨이퍼(W)를 승강시킨다. 처리 블록(5)과 인터페이스 블록(6) 사이에는 수용부(U11)가 마련되어 있다. 수용부(U11)도, 상하 방향으로 배열되는 복수의 셀로 구획되어 있으며, 각 셀에 웨이퍼(W)를 수용 가능하다. 수용부(U11)는, 처리 블록(5)과 인터페이스 블록(6) 사이에 있어서의 웨이퍼(W)의 전달 등에 사용된다.Between the processing block 5 and the carrier block 4 , a receiving portion U10 is provided. The accommodating unit U10 is divided into a plurality of cells arranged in the vertical direction, and each cell can accommodate the wafer W. The accommodating portion U10 is used for transferring the wafer W between the carrier block 4 and the processing block 5 , and the like. A lifting arm A7 is provided in the vicinity of the accommodating portion U10. The lifting arm A7 raises and lowers the wafer W between the cells of the accommodating part U10. Between the processing block 5 and the interface block 6, a receiving portion U11 is provided. The accommodating portion U11 is also divided into a plurality of cells arranged in the vertical direction, and the wafer W can be accommodated in each cell. The accommodating unit U11 is used for transferring the wafer W between the processing block 5 and the interface block 6 , and the like.

제어 장치(100)는, 예를 들어 이하의 수순으로 도포·현상 처리를 실행하도록 도포·현상 장치(2)를 제어한다. 먼저, 제어 장치(100)는, 캐리어(C) 내의 웨이퍼(W)를 수용부(U10)로 반송하도록 전달 암(A1)을 제어하고, 이 웨이퍼(W)를 처리 모듈(11)용의 셀에 배치하도록 승강 암(A7)을 제어한다.The control device 100 controls the coating/developing device 2 to perform coating/developing processing in the following procedure, for example. First, the control device 100 controls the transfer arm A1 to transfer the wafer W in the carrier C to the accommodating unit U10 , and transfers the wafer W to the cell for the processing module 11 . Control the lifting arm (A7) so as to be placed in

다음으로 제어 장치(100)는, 수용부(U10)의 웨이퍼(W)를 처리 모듈(11) 내의 도포 유닛(U1) 및 열처리 유닛(U2)으로 반송하도록 반송 암(A3)을 제어한다. 또한, 제어 장치(100)는, 이 웨이퍼(W)의 표면 상에 하층막을 형성하도록 도포 유닛(U1) 및 열처리 유닛(U2)을 제어한다. 그 후 제어 장치(100)는, 하층막이 형성된 웨이퍼(W)를 수용부(U10)로 복귀시키도록 반송 암(A3)을 제어하고, 이 웨이퍼(W)를 처리 모듈(12)용의 셀에 배치하도록 승강 암(A7)을 제어한다.Next, the control device 100 controls the transfer arm A3 to transfer the wafer W in the accommodating portion U10 to the application unit U1 and the heat treatment unit U2 in the processing module 11 . Further, the control device 100 controls the application unit U1 and the heat treatment unit U2 to form an underlayer film on the surface of the wafer W. Thereafter, the control device 100 controls the transfer arm A3 to return the wafer W with the underlayer film formed thereon to the accommodating portion U10 , and transfers the wafer W to the cell for the processing module 12 . The lifting arm A7 is controlled so as to be disposed.

다음으로 제어 장치(100)는, 수용부(U10)의 웨이퍼(W)를 처리 모듈(12) 내의 도포 유닛(U1) 및 열처리 유닛(U2)으로 반송하도록 반송 암(A3)을 제어한다. 또한, 제어 장치(100)는, 이 웨이퍼(W)의 하층막 상에 레지스트막을 형성하도록 도포 유닛(U1) 및 열처리 유닛(U2)을 제어한다. 그 후 제어 장치(100)는, 웨이퍼(W)를 수용부(U10)로 복귀시키도록 반송 암(A3)을 제어하고, 이 웨이퍼(W)를 처리 모듈(13)용의 셀에 배치하도록 승강 암(A7)을 제어한다.Next, the control device 100 controls the transfer arm A3 to transfer the wafer W in the accommodating portion U10 to the application unit U1 and the heat treatment unit U2 in the processing module 12 . Further, the control device 100 controls the coating unit U1 and the heat treatment unit U2 to form a resist film on the underlayer film of the wafer W. Thereafter, the control device 100 controls the transfer arm A3 to return the wafer W to the accommodating portion U10 , and lifts and lowers the wafer W to place the wafer W in the cell for the processing module 13 . Control arm A7.

다음으로 제어 장치(100)는, 수용부(U10)의 웨이퍼(W)를 처리 모듈(13) 내의 각 유닛으로 반송하도록 반송 암(A3)을 제어한다. 또한, 제어 장치(100)는, 이 웨이퍼(W)의 레지스트막 상에 상층막을 형성하도록 도포 유닛(U1) 및 열처리 유닛(U2)을 제어한다. 그 후 제어 장치(100)는, 웨이퍼(W)를 수용부(U11)로 반송하도록 반송 암(A3)을 제어한다.Next, the control device 100 controls the transfer arm A3 to transfer the wafer W of the accommodating unit U10 to each unit in the processing module 13 . Further, the control device 100 controls the coating unit U1 and the heat treatment unit U2 to form an upper layer film on the resist film of the wafer W. Thereafter, the control device 100 controls the transfer arm A3 to transfer the wafer W to the accommodating unit U11 .

다음으로 제어 장치(100)는, 수용부(U11)의 웨이퍼(W)를 노광 장치(3)로 내보내도록 전달 암(A8)을 제어한다. 그 후 제어 장치(100)는, 노광 처리가 실시된 웨이퍼(W)를 노광 장치(3)로부터 받아들여, 수용부(U11)에 있어서의 처리 모듈(14)용의 셀에 배치하도록 전달 암(A8)을 제어한다.Next, the control apparatus 100 controls the transfer arm A8 so that the wafer W of the accommodating part U11 is sent out to the exposure apparatus 3 . Thereafter, the control device 100 receives the wafer W subjected to the exposure process from the exposure device 3 and arranges it in the cell for the processing module 14 in the accommodating unit U11, so that the transfer arm ( A8) is controlled.

다음으로 제어 장치(100)는, 수용부(U11)의 웨이퍼(W)를 처리 모듈(14) 내의 각 유닛으로 반송하도록 반송 암(A3)을 제어하고, 이 웨이퍼(W)의 레지스트막에 현상 처리를 실시하도록 현상 유닛(U3) 및 열처리 유닛(U4)을 제어한다. 그 후 제어 장치(100)는, 웨이퍼(W)를 수용부(U10)로 복귀시키도록 반송 암(A3)을 제어하고, 이 웨이퍼(W)를 캐리어(C) 내로 복귀시키도록 승강 암(A7) 및 전달 암(A1)을 제어한다. 이상으로 도포·현상 처리가 완료된다.Next, the control device 100 controls the transfer arm A3 to transfer the wafer W of the accommodating unit U11 to each unit in the processing module 14 , and develops the wafer W on the resist film of the wafer W . The developing unit U3 and the heat treatment unit U4 are controlled to perform processing. Thereafter, the control device 100 controls the transfer arm A3 to return the wafer W to the accommodating portion U10 , and the lifting arm A7 to return the wafer W into the carrier C . ) and the delivery arm (A1). As described above, the coating/developing process is completed.

또한, 기판 처리 시스템의 구체적인 구성은, 이상에 예시한 것에 한정되지 않는다. 기판 처리 시스템은, 기판으로의 처리액의 공급을 포함하는 기판 처리를 행하는 처리부와, 이것을 제어 가능한 제어 장치(100)를 구비하고 있으면 어떠한 것이어도 된다.In addition, the specific structure of a substrate processing system is not limited to what was illustrated above. The substrate processing system may be any type as long as it includes a processing unit that performs substrate processing including supply of a processing liquid to the substrate, and the control device 100 capable of controlling the processing unit.

〔조건 설정 지원 시스템〕[Condition setting support system]

기판 처리 시스템(1)은, 조건 설정 시스템(7)을 더 구비한다. 조건 설정 시스템(7)은, 품질 검사 장치(70)를 갖는다. 또한, 조건 설정 시스템(7)의 적어도 일부는 상기 제어 장치(100)에 의해 구성된다. 즉, 조건 설정 시스템(7)은, 품질 검사 장치(70)와 제어 장치(100)를 갖는다. 품질 검사 장치(70)는, 도포·현상 장치(2)가 행하는 기판 처리의 품질에 관한 정보를 검출한다.The substrate processing system 1 further includes a condition setting system 7 . The condition setting system 7 has a quality inspection device 70 . In addition, at least a part of the condition setting system 7 is configured by the control device 100 . That is, the condition setting system 7 has the quality inspection device 70 and the control device 100 . The quality inspection device 70 detects information regarding the quality of the substrate processing performed by the coating/developing device 2 .

제어 장치(100)는, 미리 설정된 처리 조건에 따라서, 웨이퍼(W)로의 처리액의 공급을 포함하는 기판 처리를 도포·현상 장치(2)(기판 처리 장치)에 실행시키는 것과, 처리 조건에 따른 기판 처리의 품질에 관한 실적 데이터를 품질 검사 장치(70)로부터 취득하는 것과, 기판 처리의 처리 조건과, 당해 기판 처리의 실적 데이터를 포함하는 데이터 세트를 기계 학습 장치(200)에 입력하는 것과, 처리 조건의 입력에 응답하여 기판 처리의 품질에 관한 예측 데이터를 출력하도록, 복수조의 데이터 세트에 기초하는 기계 학습에 의해 기계 학습 장치(200)가 생성한 학습 모델에 기초하여 기판 처리의 권장 처리 조건을 도출하는 것을 실행하도록 구성되어 있다. 예측 데이터는, 예를 들어 상기 실적 데이터를 예측하는 데이터이다. 실적 데이터는, 기판 처리의 품질에 관계되는 한, 어떠한 데이터여도 된다. 기판 처리 후의 기판의 품질의 데이터는, 기판 처리의 품질에 관계된다. 또한, 기판 처리의 도중에 있어서의 처리액의 공급 상태도 기판 처리의 품질에 관계된다.The control apparatus 100 causes the coating/developing apparatus 2 (substrate processing apparatus) to perform substrate processing including the supply of the processing liquid to the wafer W according to preset processing conditions, and according to the processing conditions. Acquiring performance data regarding the quality of substrate processing from the quality inspection device 70, inputting a data set including processing conditions of substrate processing and performance data of the substrate processing into the machine learning apparatus 200; Recommended processing conditions for substrate processing based on a learning model generated by the machine learning apparatus 200 by machine learning based on a plurality of sets of data to output predictive data regarding the quality of substrate processing in response to input of processing conditions It is configured to execute deriving . Prediction data is data which predicts the said performance data, for example. The performance data may be any data as long as it relates to the quality of substrate processing. The data of the quality of the substrate after the substrate processing is related to the quality of the substrate processing. In addition, the supply state of the processing liquid in the middle of the substrate processing also relates to the quality of the substrate processing.

조건 설정 시스템(7)은, 기계 학습 장치(200)를 더 구비해도 된다. 기계 학습 장치(200)는, 상기 데이터 세트를 취득하는 것과, 복수조의 데이터 세트에 기초하는 기계 학습에 의해 상기 학습 모델을 생성하는 것을 실행하도록 구성되어 있다. 기계 학습 장치(200)는, 제어 장치(100)와 동일한 하우징에 수용되어 있어도 되고, 제어 장치(100)로부터 이격된 위치에 설치되어 있어도 된다. 제어 장치(100)로부터 이격된 위치에 설치되는 경우, 기계 학습 장치(200)는 예를 들어 로컬 에어리어 네트워크를 통해 제어 장치(100)에 접속된다. 기계 학습 장치(200)는, 소위 인터넷 등의 와이드 에어리어 네트워크를 통해 제어 장치(100)에 접속되어 있어도 된다. 이하, 각 부의 구성을 상세하게 설명한다.The condition setting system 7 may further include the machine learning device 200 . The machine learning apparatus 200 is configured to acquire the data set and generate the learning model by machine learning based on a plurality of sets of data sets. The machine learning apparatus 200 may be accommodated in the same housing as the control apparatus 100 , or may be provided at a position separated from the control apparatus 100 . When installed at a location separated from the control device 100 , the machine learning device 200 is connected to the control device 100 through, for example, a local area network. The machine learning apparatus 200 may be connected to the control apparatus 100 via a wide area network such as the so-called Internet. Hereinafter, the structure of each part is demonstrated in detail.

(품질 데이터 검출 장치)(Quality data detection device)

품질 검사 장치(70)는, 예를 들어 도 4에 도시하는 처리 후 검사부(80)를 갖는다. 처리 후 검사부(80)는, 기판 처리 후의 기판의 품질에 관한 정보를 검출한다. 일례로서, 처리 후 검사부(80)는, 현상 처리 후의 웨이퍼(W)의 표면에 형성된 레지스트 패턴의 선폭에 관한 정보를 검출한다. 예를 들어 처리 후 검사부(80)는, 레지스트 패턴의 선폭의 차이를 색상, 명도 및 채도 중 적어도 어느 것의 차이로서 인식 가능한 화상 정보를 검출한다.The quality inspection apparatus 70 has the after-process inspection part 80 shown in FIG. 4, for example. The post-processing inspection unit 80 detects information regarding the quality of the substrate after substrate processing. As an example, the post-processing inspection unit 80 detects information regarding the line width of the resist pattern formed on the surface of the wafer W after the development process. For example, the post-processing inspection unit 80 detects image information that can recognize the difference in the line width of the resist pattern as a difference in at least any one of hue, brightness, and chroma.

구체적으로, 처리 후 검사부(80)는, 보유 지지부(83)와, 리니어 구동부(84)와, 촬상부(81)와, 투광·반사부(82)를 포함한다. 보유 지지부(83)는, 웨이퍼(W)를 수평하게 보유 지지한다. 리니어 구동부(84)는, 예를 들어 전동 모터 등을 동력원으로 하고, 수평한 직선형 경로를 따라 보유 지지부(83)를 이동시킨다. 촬상부(81)는, 웨이퍼(W) 표면의 화상 데이터를 취득한다. 촬상부(81)는, 보유 지지부(83)의 이동 방향에 있어서 처리 후 검사부(80) 내의 일단측에 마련되어 있으며, 당해 이동 방향의 타단측을 향해 있다.Specifically, the post-processing inspection unit 80 includes a holding unit 83 , a linear driving unit 84 , an imaging unit 81 , and a light projection/reflection unit 82 . The holding part 83 holds the wafer W horizontally. The linear drive part 84 uses an electric motor etc. as a power source, for example, and moves the holding part 83 along a horizontal linear path|route. The imaging unit 81 acquires image data of the wafer W surface. The imaging unit 81 is provided at one end in the post-processing inspection unit 80 in the moving direction of the holding unit 83 , and faces the other end in the moving direction.

투광·반사부(82)는, 촬상 범위에 투광하여, 당해 촬상 범위로부터의 반사광을 촬상부(81) 측으로 유도한다. 예를 들어 투광·반사부(82)는, 하프 미러(86) 및 광원(87)을 갖는다. 하프 미러(86)는, 보유 지지부(83)보다 높은 위치에 있어서, 보유 지지부(83)의 이동 범위의 중간부에 마련되어 있고, 하방으로부터의 광을 촬상부(81) 측으로 반사한다. 광원(87)은, 하프 미러(86) 상에 마련되어 있고, 하프 미러(86)를 통해 하방으로 조명광을 조사한다.The light projection/reflection unit 82 projects light into the imaging range and guides the reflected light from the imaging range toward the imaging unit 81 side. For example, the light projection/reflection unit 82 includes a half mirror 86 and a light source 87 . The half mirror 86 is provided at a position higher than the holding unit 83 , in the middle of the moving range of the holding unit 83 , and reflects light from below toward the imaging unit 81 . The light source 87 is provided on the half mirror 86 and irradiates the illumination light downward through the half mirror 86 .

처리 후 검사부(80)는, 다음과 같이 동작하여 웨이퍼(W)의 표면의 화상 데이터를 취득한다. 먼저, 리니어 구동부(84)가 보유 지지부(83)를 이동시킨다. 이에 의해, 웨이퍼(W)가 하프 미러(86)의 하방을 통과한다. 이 통과 과정에 있어서, 웨이퍼(W) 표면의 각 부로부터의 반사광이 촬상부(81)로 순차 보내진다. 촬상부(81)는, 웨이퍼(W) 표면의 각 부로부터의 반사광을 결상시켜, 웨이퍼(W) 표면의 화상 데이터를 취득한다. 이에 의해, 레지스트 패턴의 화상 정보가 검출된다.The post-processing inspection unit 80 acquires image data of the surface of the wafer W by operating as follows. First, the linear driving unit 84 moves the holding unit 83 . As a result, the wafer W passes under the half mirror 86 . In this passing process, the reflected light from each part of the surface of the wafer W is sent to the imaging part 81 sequentially. The imaging unit 81 images the reflected light from each part of the surface of the wafer W, and acquires image data of the surface of the wafer W. Thereby, image information of the resist pattern is detected.

처리 후 검사부(80)는, 성막 처리 후의 웨이퍼(W)의 표면에 형성된 피막의 막 두께에 관한 정보를 검출해도 된다. 예를 들어 처리 후 검사부(80)는, 피막의 막 두께의 차이를 색상, 명도 및 채도 중 적어도 어느 것의 차이로서 인식 가능한 화상 정보를 검출한다. 당해 화상 정보도, 도 4에 예시하는 구성으로 검출 가능하다.The post-processing inspection unit 80 may detect information regarding the film thickness of the film formed on the surface of the wafer W after the film-forming process. For example, the post-processing inspection unit 80 detects image information capable of recognizing a difference in film thickness of a film as a difference in at least any one of hue, brightness, and chroma. The said image information can also be detected by the structure illustrated in FIG.

품질 검사 장치(70)는, 도 5에 도시하는 처리 중 검사부(90)를 더 가져도 된다. 처리 중 검사부(90)는, 기판 처리 중의 처리액의 공급 상태에 관한 정보를 검출한다. 일례로서, 처리 중 검사부(90)는, 현상 처리 중의 현상액의 공급 상태에 관한 정보를 검출한다. 예를 들어 처리 중 검사부(90)는, 액 튐 검출부(91)와, 액 고임 검출부(92)와, 드리핑 검출부(93)를 포함한다.The quality inspection apparatus 70 may further have the in-process inspection part 90 shown in FIG. The in-process inspection unit 90 detects information regarding the supply state of the processing liquid during substrate processing. As an example, the in-process inspection unit 90 detects information regarding the supply state of the developer during the developing process. For example, the in-process inspection unit 90 includes a liquid splash detection unit 91 , a liquid pooling detection unit 92 , and a dripping detection unit 93 .

액 튐 검출부(91)는, 현상액의 공급 중에 있어서의 액 튐의 발생 상태에 관한 정보를 검출한다. 예를 들어 액 튐 검출부(91)는, 조사부(94)와 촬상부(95)를 포함한다. 조사부(94)는, 예를 들어 노즐(31) 등에 고정되어 있고, 웨이퍼(W)의 상방에 있어서 수평 방향으로 레이저광을 조사한다. 조사부(94)의 설치 높이는, 표면(Wa)으로부터 튀어오른 액적이 도달 가능한 높이로 설정되어 있다. 촬상부(95)는, 조사부(94)로부터의 레이저광의 조사 범위의 화상 데이터를 취득한다. 액 튐이 발생하면, 튀어오른 액적에 의해 레이저광의 산란 등이 발생하여, 촬상부(95)가 취득하는 화상 데이터에 변화가 발생한다. 이 때문에, 촬상부(95)가 취득하는 화상 데이터는, 액적의 발생 상태에 관한 정보를 포함한다.The liquid splash detection unit 91 detects information regarding the state of occurrence of liquid splash during supply of the developer. For example, the liquid splash detection unit 91 includes an irradiation unit 94 and an imaging unit 95 . The irradiation part 94 is fixed to the nozzle 31 etc., for example, and irradiates a laser beam in the horizontal direction above the wafer W. The installation height of the irradiation part 94 is set to the height which the droplet which jumped out from the surface Wa can reach. The imaging part 95 acquires image data of the irradiation range of the laser beam from the irradiation part 94. When splashing occurs, laser light scattering or the like occurs due to the splashed droplet, and a change occurs in the image data acquired by the imaging unit 95 . For this reason, the image data acquired by the imaging part 95 contains the information regarding the generation|occurrence|production state of a droplet.

액 고임 검출부(92)는, 표면(Wa) 상에 있어서의 현상액의 액막의 형성 상태에 관한 정보를 검출한다. 예를 들어 액 고임 검출부(92)는, 촬상부(96)를 포함한다. 촬상부(96)는, 보유 지지부(21)에 보유 지지된 웨이퍼(W)의 표면(Wa)의 화상 데이터를 취득한다. 촬상부(96)가 취득하는 화상 데이터는, 액막의 형성 상태에 관한 정보를 포함한다.The liquid pool detection unit 92 detects information regarding the formation state of the liquid film of the developer on the surface Wa. For example, the liquid pool detection unit 92 includes an imaging unit 96 . The imaging unit 96 acquires image data of the surface Wa of the wafer W held by the holding unit 21 . The image data acquired by the imaging unit 96 includes information regarding the formation state of the liquid film.

드리핑 검출부(93)는, 노즐(31)로부터의 현상액의 드리핑의 발생 상태에 관한 정보를 검출한다. 드리핑이란, 미리 설정된 현상액의 공급 기간 외에 있어서 노즐(31)로부터 현상액이 낙하하는 현상을 의미한다. 예를 들어 드리핑 검출부(93)는, 촬상부(97)를 포함한다. 촬상부(97)는, 노즐(31) 및 그 하방의 화상 데이터를 취득한다. 촬상부(97)가 취득하는 화상 데이터는, 드리핑의 발생 상태에 관한 정보를 포함한다.The dripping detection unit 93 detects information regarding the occurrence state of dripping of the developer from the nozzle 31 . The dripping means a phenomenon in which the developer drops from the nozzle 31 outside the preset supply period of the developer. For example, the dripping detection unit 93 includes an imaging unit 97 . The imaging unit 97 acquires the nozzle 31 and image data below it. The image data acquired by the imaging unit 97 includes information regarding the state of occurrence of dripping.

처리 중 검사부(90)는, 성막 처리 중의 성막액의 공급 상태에 관한 정보를 검출해도 된다. 이 경우도, 상술한 액 튐 검출부(91), 액 고임 검출부(92) 및 드리핑 검출부(93) 등과 마찬가지의 구성에 의해, 도포 유닛(U1)에 있어서의 성막액의 공급 상태에 관한 정보를 검출하는 것이 가능하다.The in-process inspection unit 90 may detect information regarding the supply state of the film-forming liquid during the film-forming process. Also in this case, information regarding the supply state of the film-forming liquid in the application unit U1 is detected by the same configuration as the above-described liquid splash detection unit 91 , liquid pool detection unit 92 , dripping detection unit 93 , and the like. it is possible to do

(제어 장치 및 기계 학습 장치)(control unit and machine learning unit)

도 6에 도시하는 바와 같이, 제어 장치(100)는, 기능상의 구성(이하, 「기능 모듈」이라고 함.)으로서, 처리 조건 보유부(111)와, 처리 제어부(112)와, 데이터 취득부(113)와, 데이터 입력부(114)와, 권장 조건 도출부(115)를 갖는다.As shown in FIG. 6 , the control device 100 has a functional configuration (hereinafter referred to as a “function module”), and includes a processing condition holding unit 111 , a processing control unit 112 , and a data acquisition unit. 113 , a data input unit 114 , and a recommended condition derivation unit 115 .

처리 조건 보유부(111)는, 미리 설정된 처리 조건을 기억한다. 예를 들어 처리 조건 보유부(111)는, 처리 모듈(14)에 의한 현상 처리 조건을 기억한다. 현상 처리 조건은, 열처리 유닛(U4)에 의한 열처리 조건과, 현상 유닛(U3)에 의한 액처리 조건을 포함한다. 현상 유닛(U3)에 의한 액처리 조건은, 현상액의 공급, 린스액의 공급 및 건조(회전에 의한 털어내기 건조) 등의 시퀀스를 포함한다. 또한, 상기 현상 유닛(U3)에 의한 액처리 조건은, 각 시퀀스에 있어서의 웨이퍼(W)의 회전 속도, 현상액의 공급량, 현상액의 공급 시간, 린스액의 공급량, 린스액의 토출 시간, 및 털어내기 건조 시간 등을 포함한다. 노즐 이송부(32)에 의해 노즐(31)을 이동시키면서 현상액을 공급하는 경우, 현상 유닛(U3)에 의한 액처리 조건은, 현상액의 공급 중에 있어서의 노즐(31)의 이동 개시 위치, 이동 속도, 이동 종료 위치 등을 더 포함하고 있어도 된다.The processing condition holding unit 111 stores preset processing conditions. For example, the processing condition holding unit 111 stores the developing processing conditions by the processing module 14 . The developing treatment conditions include heat treatment conditions by the heat treatment unit U4 and liquid treatment conditions by the developing unit U3 . The liquid processing conditions by the developing unit U3 include sequences such as supply of a developer, supply of a rinse liquid, and drying (shaping off and drying by rotation). In addition, the liquid processing conditions by the developing unit U3 are the rotation speed of the wafer W in each sequence, the supply amount of the developer, the supply time of the developer, the supply amount of the rinse liquid, the discharge time of the rinse liquid, and the shaking. Including bet drying time, etc. In the case of supplying the developer while moving the nozzle 31 by the nozzle transfer unit 32, the liquid processing conditions by the developing unit U3 include: the movement start position of the nozzle 31 during supply of the developer, the movement speed; The movement end position and the like may be further included.

처리 조건 보유부(111)는, 처리 모듈(11, 12, 13)에 의한 성막 처리 조건을 기억하고 있어도 된다. 성막 처리 조건은, 도포 유닛(U1)에 의한 액처리 조건과, 열처리 유닛(U2)에 의한 열처리 조건을 포함한다. 도포 유닛(U1)에 의한 액처리 조건은, 성막액의 공급 등의 시퀀스를 포함한다. 또한, 도포 유닛(U1)에 의한 액처리 조건은, 각 시퀀스에 있어서의 웨이퍼(W)의 회전 속도, 성막액의 공급량, 성막액의 공급 시간 등을 포함한다.The processing condition holding unit 111 may store the film-forming processing conditions by the processing modules 11 , 12 , and 13 . The film-forming treatment conditions include liquid treatment conditions by the application unit U1 and heat treatment conditions by the heat treatment unit U2 . The liquid processing conditions by the application unit U1 include a sequence such as supply of a film-forming liquid. In addition, the liquid processing conditions by the application unit U1 include the rotation speed of the wafer W in each sequence, the supply amount of the film-forming liquid, the supply time of the film-forming liquid, and the like.

처리 제어부(112)는, 처리 조건 보유부(111)가 기억하는 처리 조건에 따라서 처리부에 기판 처리를 실행시킨다. 예를 들어 처리 제어부(112)는, 처리 조건 보유부(111)가 기억하는 현상 처리 조건에 따라서 처리 모듈(14)에 현상 처리를 실행시킨다. 일례로서, 처리 제어부(112)는, 미리 설정된 열처리 조건에 따라서 노광 처리 후의 웨이퍼(W)에 열처리(예를 들어 상기 PEB)를 실시하도록 열처리 유닛(U4)을 제어한다. 그 후 처리 제어부(112)는, 미리 설정된 액처리 조건에 따라서 웨이퍼(W)에 현상 처리를 실시하도록 현상 유닛(U3)을 제어한다. 그 후 처리 제어부(112)는, 미리 설정된 열처리 조건에 따라서 웨이퍼(W)에 열처리(예를 들어 상기 PB)를 실시하도록 열처리 유닛(U4)을 제어한다.The processing control unit 112 causes the processing unit to process the substrate according to the processing conditions memorized by the processing condition holding unit 111 . For example, the processing control unit 112 causes the processing module 14 to execute the developing processing according to the developing processing conditions memorized by the processing condition holding unit 111 . As an example, the processing control unit 112 controls the heat treatment unit U4 to perform a heat treatment (eg, the PEB) on the wafer W after exposure treatment according to preset heat treatment conditions. Thereafter, the processing control unit 112 controls the developing unit U3 to perform the developing processing on the wafer W according to the preset liquid processing conditions. Thereafter, the processing control unit 112 controls the heat treatment unit U4 to perform a heat treatment (eg, the PB) on the wafer W according to a preset heat treatment condition.

처리 제어부(112)는, 처리 조건 보유부(111)가 기억하는 성막 처리 조건에 따라서 처리 모듈(11, 12, 13)에 성막 처리를 실행시켜도 된다. 일례로서, 처리 제어부(112)는, 미리 설정된 액처리 조건에 따라서 웨이퍼(W)의 표면(Wa)에 성막액을 도포하도록 도포 유닛(U1)을 제어한다. 그 후 처리 제어부(112)는, 미리 설정된 열처리 조건에 따라서 웨이퍼(W)에 열처리를 실시하도록 열처리 유닛(U2)을 제어한다.The processing control unit 112 may cause the processing modules 11 , 12 , and 13 to perform the film formation processing according to the film formation processing conditions memorized by the processing condition holding unit 111 . As an example, the processing control unit 112 controls the application unit U1 to apply a film-forming liquid to the surface Wa of the wafer W according to a preset liquid processing condition. Thereafter, the processing control unit 112 controls the heat treatment unit U2 to perform a heat treatment on the wafer W according to a preset heat treatment condition.

데이터 취득부(113)는, 처리 조건에 따른 기판 처리의 품질에 관한 실적 데이터를 취득한다. 데이터 취득부(113)는, 복수 항목의 실적값을 포함하는 실적 데이터를 취득해도 된다. 복수 항목의 실적값은, 기판 처리 후에 있어서의 웨이퍼(W)의 품질을 나타내는 처리 후 항목과, 기판 처리 도중에 있어서의 처리액의 공급 상태를 나타내는 처리 중 항목의 실적값을 포함하고 있어도 된다. 복수 항목의 실적값은, 복수의 동종의 실적값을 포함하는 실적 데이터를 취득해도 된다. 복수의 동종의 실적값이란, 이상적으로는 동일한 값이 되어야 하는 복수의 실적값을 의미한다. 복수의 동종의 실적값의 구체예로서는, 복수 개소에 있어서 취득된 복수의 실적값을 들 수 있다.The data acquisition unit 113 acquires performance data regarding the quality of substrate processing according to processing conditions. The data acquisition part 113 may acquire the performance data containing the performance value of several items. The performance values of the plurality of items may include performance values of a post-processing item indicating the quality of the wafer W after substrate processing and an in-processing item indicating a supply state of the processing liquid during substrate processing. The performance value of a plurality of items may acquire the performance data containing the performance value of several same types. A plurality of performance values of the same type means a plurality of performance values that should ideally be the same value. As a specific example of a some same type of performance value, the some performance value acquired in several places is mentioned.

예를 들어 데이터 취득부(113)는, 처리 후 항목의 일례로서, 현상 처리에 의해 웨이퍼(W)의 표면(Wa)에 형성된 레지스트 패턴의 선폭의 실적값(이하, 「선폭 실적값」이라고 함.)을 나타내는 실적값을 취득한다. 구체적으로, 데이터 취득부(113)는 처리 후 검사부(80)에 의해 검출된 정보에 기초하여 선폭 실적값을 취득한다. 데이터 취득부(113)는, 처리 후 검사부(80)에 의해 검출된 정보에 기초하여, 표면(Wa) 상의 복수 개소에 있어서의 선폭 실적값을 취득해도 된다.For example, the data acquisition unit 113, as an example of the post-processing item, is an actual value of the line width of the resist pattern formed on the surface Wa of the wafer W by the developing process (hereinafter referred to as "line width performance value") .) is obtained. Specifically, the data acquisition unit 113 acquires the linewidth performance value based on the information detected by the post-processing inspection unit 80 . The data acquisition part 113 may acquire the linewidth performance value in several places on the surface Wa based on the information detected by the after-process inspection part 80. As shown in FIG.

데이터 취득부(113)는, 처리 중 항목의 일례로서, 현상 처리 중의 현상액의 공급 상태를 나타내는 실적값을 취득한다. 구체적으로, 데이터 취득부(113)는 처리 중 검사부(90)에 의해 검출된 정보에 기초하여, 현상액의 액 튐, 액막의 형성 불량 및 드리핑의 유무의 실적값을 취득한다.The data acquisition unit 113 acquires, as an example of an item in processing, a performance value indicating a supply state of a developer during development. Specifically, the data acquisition unit 113 acquires, on the basis of the information detected by the inspection unit 90 during processing, an actual value of the presence or absence of splashing of the developer, poor formation of the liquid film, and dripping.

데이터 취득부(113)는, 처리 후 항목의 일례로서, 성막 처리에 의해 웨이퍼(W)의 표면(Wa)에 형성된 피막의 막 두께의 실적값(이하, 「막 두께 실적값」이라고 함.)을 나타내는 실적값을 취득해도 된다. 구체적으로, 데이터 취득부(113)는 처리 후 검사부(80)에 의해 검출된 정보에 기초하여 막 두께 실적값을 취득해도 된다. 데이터 취득부(113)는, 처리 후 검사부(80)에 의해 검출된 정보에 기초하여, 표면(Wa) 상의 복수 개소에 있어서의 막 두께 실적값을 취득해도 된다.The data acquisition unit 113 is an example of the post-processing item, and is an actual value of the film thickness of the film formed on the surface Wa of the wafer W by the film forming process (hereinafter referred to as "film thickness performance value"). You may acquire a performance value representing Specifically, the data acquisition unit 113 may acquire the film thickness performance value based on the information detected by the post-processing inspection unit 80 . The data acquisition part 113 may acquire the film thickness performance value in several places on the surface Wa based on the information detected by the after-processing inspection part 80. As shown in FIG.

데이터 취득부(113)는, 처리 중 항목의 일례로서, 성막 처리 중의 성막액의 공급 상태를 나타내는 실적값을 취득해도 된다. 구체적으로, 데이터 취득부(113)는 처리 중 검사부(90)에 의해 검출된 정보에 기초하여, 성막액의 액 튐, 액막의 형성 불량 및 드리핑의 유무의 실적값을 취득해도 된다.The data acquisition unit 113 may acquire, as an example of the in-process item, a performance value indicating the supply state of the film-forming liquid during the film-forming process. Specifically, the data acquisition unit 113 may acquire, based on the information detected by the inspection unit 90 during processing, an actual value of the presence or absence of splashing of the film-forming liquid, poor formation of the liquid film, and dripping.

데이터 입력부(114)는, 처리 조건과, 당해 처리 조건에 대응하는 실적 데이터를 포함하는 데이터 세트를 기계 학습 장치(200)의 모델 생성부(214)(후술)에 입력한다. 데이터 입력부(114)는, 상기 처리 중 항목의 실적값에 기초하여, 모델 생성부(214)에 입력할 데이터 세트를 선택해도 된다. 예를 들어 데이터 입력부(114)는, 처리액의 공급 상태가 불량인 데이터 세트를, 모델 생성부(214)로의 입력 대상으로부터 제외해도 된다. 처리액의 공급 상태가 불량이라는 구체예로서는, 상기 액 튐, 액막의 형성 불량 및 드리핑 중 적어도 어느 것이 발생하는 것을 들 수 있다.The data input unit 114 inputs a data set including a processing condition and performance data corresponding to the processing condition into a model generation unit 214 (described later) of the machine learning apparatus 200 . The data input unit 114 may select a data set to be input to the model generation unit 214 based on the performance value of the item during the processing. For example, the data input unit 114 may exclude a data set in which the supply state of the processing liquid is defective from being input to the model generation unit 214 . Specific examples of the poor supply state of the processing liquid include occurrence of at least any of the liquid splashing, poor liquid film formation, and dripping.

권장 조건 도출부(115)는, 복수조의 데이터 세트에 기초하는 기계 학습에 의해 모델 생성부(214)가 생성한 학습 모델에 기초하여 기판 처리의 권장 처리 조건을 도출한다. 후술하는 바와 같이, 학습 모델은, 처리 조건의 입력에 응답하여 기판 처리의 품질에 관한 예측 데이터를 출력하도록 생성된다. 권장 처리 조건은, 학습 모델과, 예측 데이터의 소정의 평가 조건에 기초하여 채용을 권장해야 한다고 판단되는 처리 조건이다.The recommended condition derivation unit 115 derives recommended processing conditions for substrate processing based on the learning model generated by the model generation unit 214 by machine learning based on a plurality of sets of data sets. As will be described later, the learning model is generated to output predictive data regarding the quality of substrate processing in response to input of processing conditions. The recommended processing conditions are processing conditions for which it is determined that adoption should be recommended based on the learning model and predetermined evaluation conditions of the prediction data.

예를 들어 권장 조건 도출부(115)는, 보다 세분화된 기능 모듈로서, 평가 조건 입력부(121)와 탐색 결과 취득부(122)를 포함한다. 평가 조건 입력부(121)는, 예측 데이터의 평가 조건을 기계 학습 장치(200)의 조건 탐색부(216)(후술)에 입력한다. 평가 조건은, 예측 데이터가 허용 레벨인지 여부를 판정하는 조건이다.For example, the recommended condition deriving unit 115 is a more subdivided function module, and includes an evaluation condition input unit 121 and a search result acquisition unit 122 . The evaluation condition input unit 121 inputs the evaluation conditions of the prediction data into the condition search unit 216 (described later) of the machine learning apparatus 200 . The evaluation condition is a condition for determining whether the prediction data is an acceptable level.

평가 조건 입력부(121)는, 복수 항목의 예측값을 평가하는 평가 조건을 조건 탐색부(216)에 입력해도 된다. 평가 조건 입력부(121)는, 복수 항목 중 적어도 일부에 있어서의 예측값의 변동에 관한 조건을 포함하는 평가 조건을 조건 탐색부(216)에 입력해도 된다. 예를 들어 평가 조건은, 예측 데이터의 평가 스코어의 도출 방법과, 평가 스코어의 허용 레벨을 포함한다.The evaluation condition input unit 121 may input evaluation conditions for evaluating the predicted values of a plurality of items to the condition search unit 216 . The evaluation condition input unit 121 may input into the condition search unit 216 evaluation conditions including a condition related to the variation of the predicted value in at least a part of the plurality of items. For example, evaluation conditions include the derivation|derivation method of the evaluation score of predictive data, and the tolerance level of an evaluation score.

일례로서, 평가 조건 입력부(121)는, 표면(Wa) 상의 복수 개소에 있어서의 상기 선폭의 예측값(이하, 「선폭 예측값」이라고 함.)을 평가하는 평가 조건을 조건 탐색부(216)에 입력한다. 당해 평가 조건은, 상기 평가 스코어의 도출 방법의 일례로서, 복수 개소 중 적어도 일부(예를 들어 전체 개소)에 있어서의 선폭 예측값의 변동의 산출식(예를 들어 표준 편차의 산출식)을 포함한다. 당해 평가 조건은, 상기 평가 스코어의 허용 레벨로서, 상기 산출식에 의해 산출되는 변동의 허용 상한값을 포함한다.As an example, the evaluation condition input unit 121 inputs to the condition search unit 216 the evaluation conditions for evaluating the predicted values of the line widths (hereinafter referred to as “predicted line widths”) at a plurality of locations on the surface Wa. do. The evaluation condition includes, as an example of a method for deriving the evaluation score, a formula for calculating the variation of the line width predicted value in at least a part (for example, all locations) among a plurality of locations (for example, a formula for calculating the standard deviation). . The evaluation condition includes an allowable upper limit value of variation calculated by the above calculation formula as the allowable level of the evaluation score.

평가 조건 입력부(121)는, 표면(Wa) 상의 복수 개소에 있어서의 상기 막 두께의 예측값을 평가하는 평가 조건을 조건 탐색부(216)에 입력해도 된다. 당해 평가 조건은, 상기 평가 스코어의 도출 방법의 일례로서, 복수 개소 중 적어도 일부(예를 들어 전체 개소)에 있어서의 막 두께 예측값의 변동의 산출식(예를 들어 표준 편차의 산출식)을 포함한다. 당해 평가 조건은, 상기 평가 스코어의 허용 레벨로서, 상기 산출식에 의해 산출되는 변동의 허용 상한값을 포함한다.The evaluation condition input unit 121 may input into the condition search unit 216 evaluation conditions for evaluating the predicted values of the film thicknesses at a plurality of locations on the surface Wa. The evaluation condition includes, as an example of a method for deriving the evaluation score, a formula for calculating the variation of the film thickness predicted value in at least a part (for example, all locations) among a plurality of locations (for example, a formula for calculating the standard deviation) do. The evaluation condition includes an allowable upper limit value of variation calculated by the above calculation formula as the allowable level of the evaluation score.

탐색 결과 취득부(122)는, 조건 탐색부(216)가 도출한 권장 처리 조건을 취득하여 처리 조건 보유부(111)에 보존한다. 후술하는 바와 같이, 권장 처리 조건은, 복수조의 데이터 세트와, 학습 모델과, 평가 조건 입력부(121)가 입력한 평가 조건에 기초하여 도출된다.The search result acquisition unit 122 acquires the recommended processing condition derived by the condition search unit 216 and stores it in the processing condition holding unit 111 . As will be described later, the recommended processing conditions are derived based on the plurality of sets of data sets, the learning model, and the evaluation conditions input by the evaluation condition input unit 121 .

여기서, 처리 제어부(112)는 권장 처리 조건에 따라서 처리부에 기판 처리를 더 실행시켜도 된다. 데이터 취득부(113)는, 권장 처리 조건에 따른 기판 처리의 품질에 관한 추가 실적 데이터를 더 취득해도 된다. 데이터 입력부(114)는, 권장 처리 조건과 추가 실적 데이터를 포함하는 추가 데이터 세트를 모델 생성부(214)에 더 입력해도 된다. 권장 조건 도출부(115)는, 추가 데이터 세트에 기초하여 모델 생성부(214)가 갱신한 학습 모델에 기초하여 권장 처리 조건을 갱신해도 된다. 학습 모델을 갱신한다는 것은, 추가 데이터 세트를 부가한 복수조의 데이터 세트에 기초하여 새로운 학습 모델을 생성한다는 것을 의미한다. 권장 처리 조건을 갱신한다는 것은, 모델 생성부(214)가 갱신한 학습 모델에 기초하여 새로운 권장 처리 조건을 도출한다는 것을 의미한다.Here, the processing control unit 112 may further cause the processing unit to process the substrate according to the recommended processing conditions. The data acquisition unit 113 may further acquire additional performance data regarding the quality of substrate processing according to the recommended processing conditions. The data input unit 114 may further input an additional data set including the recommended processing conditions and additional performance data to the model generation unit 214 . The recommended condition derivation unit 115 may update the recommended processing conditions based on the learning model updated by the model generation unit 214 based on the additional data set. Updating the learning model means generating a new learning model based on a plurality of sets of data to which additional data sets are added. Updating the recommended processing conditions means that the model generating unit 214 derives new recommended processing conditions based on the updated learning model.

이 경우에, 제어 장치(100)는 조건 평가부(116)와, 반복 관리부(117)를 더 구비해도 된다. 조건 평가부(116)는, 권장 처리 조건의 채용 가부를 평가한다. 반복 관리부(117)는, 조건 평가부(116)에 의한 평가 결과가 채용 가능이 될 때까지 적어도 이하를 반복시킨다.In this case, the control device 100 may further include a condition evaluation unit 116 and a repetition management unit 117 . The condition evaluation unit 116 evaluates whether or not the recommended processing conditions are adopted. The repetition management unit 117 repeats at least the following until the evaluation result by the condition evaluation unit 116 becomes employable.

i) 처리 제어부(112)가 권장 처리 조건에 따라서 처리부에 기판 처리를 더 실행시킨다.i) The processing control unit 112 further causes the processing unit to process the substrate according to the recommended processing conditions.

ii) 데이터 취득부(113)가 추가 실적 데이터를 더 취득한다.ii) The data acquisition unit 113 further acquires additional performance data.

iii) 데이터 입력부(114)가 추가 데이터 세트를 모델 생성부(214)에 더 입력한다.iii) The data input unit 114 further inputs the additional data set to the model generation unit 214 .

iv) 추가 데이터 세트에 기초하여 모델 생성부(214)가 갱신한 학습 모델에 기초하여 권장 조건 도출부(115)가 권장 처리 조건을 갱신한다.iv) The recommended condition derivation unit 115 updates the recommended processing conditions based on the learning model updated by the model generation unit 214 based on the additional data set.

조건 평가부(116)에 의한 권장 처리 조건의 평가 방법에 특별히 제약은 없다. 예를 들어 조건 평가부(116)는, 소정의 평가 조건에 기초하는 상기 추가 실적 데이터의 평가 결과에 기초하여 권장 처리 조건의 채용 가부를 평가한다. 당해 평가 조건은, 상술한 예측 데이터의 평가 조건과 동일해도 된다. 예를 들어 평가 조건은, 추가 실적 데이터의 평가 스코어의 도출 방법과, 평가 스코어의 허용 레벨을 포함한다.There is no particular restriction on the evaluation method of the recommended processing conditions by the condition evaluation unit 116 . For example, the condition evaluation unit 116 evaluates whether the recommended processing condition is adopted or not based on the evaluation result of the additional performance data based on the predetermined evaluation condition. The evaluation conditions may be the same as the evaluation conditions of the prediction data described above. For example, evaluation conditions contain the derivation|derivation method of the evaluation score of additional performance data, and the tolerance level of an evaluation score.

일례로서, 조건 평가부(116)는, 표면(Wa) 상의 복수 개소에 있어서의 상기 선폭 실적값을 소정의 평가 조건에 기초하여 평가한다. 당해 평가 조건은, 상기 평가 스코어의 도출 방법의 일례로서, 복수 개소 중 적어도 일부(예를 들어 전체 개소)에 있어서의 선폭 실적값의 변동의 산출식(예를 들어 표준 편차의 산출식)을 포함한다. 당해 평가 조건은, 상기 평가 스코어의 허용 레벨로서, 상기 산출식에 의해 산출되는 변동의 허용 상한값을 포함한다.As an example, the condition evaluation part 116 evaluates the said linewidth performance value in several places on the surface Wa based on predetermined evaluation conditions. The evaluation condition includes, as an example of a method for deriving the evaluation score, a formula for calculating the variation of the line width performance value in at least a part (for example, all locations) among a plurality of locations (for example, a formula for calculating the standard deviation) do. The evaluation condition includes an allowable upper limit value of variation calculated by the above calculation formula as the allowable level of the evaluation score.

평가 조건 입력부(121)는, 표면(Wa) 상의 복수 개소에 있어서의 상기 막 두께 실적값을 소정의 평가 조건에 기초하여 평가해도 된다. 당해 평가 조건은, 상기 평가 스코어의 도출 방법의 일례로서, 복수 개소 중 적어도 일부(예를 들어 전체 개소)에 있어서의 막 두께 실적값의 변동의 산출식(예를 들어 표준 편차의 산출식)을 포함한다. 당해 평가 조건은, 상기 평가 스코어의 허용 레벨로서, 상기 산출식에 의해 산출되는 변동의 허용 상한값을 포함한다.The evaluation condition input part 121 may evaluate the said film thickness performance value in several places on the surface Wa based on predetermined evaluation conditions. The evaluation condition is an example of a method for deriving the evaluation score, and a calculation formula (for example, a formula for calculating the standard deviation) of the variation in the film thickness performance value in at least a part (for example, all locations) among a plurality of locations. include The evaluation condition includes an allowable upper limit value of variation calculated by the above calculation formula as the allowable level of the evaluation score.

조건 평가부(116)는, 최신의 권장 처리 조건과 과거의 권장 처리 조건(예를 들어 전회의 권장 처리 조건)의 차가 허용 레벨인지 여부에 기초하여 최신의 권장 처리 조건의 채용 가부를 평가해도 된다. 반복 관리부(117)에 의한 반복 처리에 의해, 권장 처리 조건은 점차 한 조건에 수렴되는 것이 상정된다. 최신의 권장 처리 조건과 과거의 권장 처리 조건의 차를 허용 레벨까지 축소시킴으로써, 수렴 결과에 가까운 권장 처리 조건을 채용하는 것이 가능해진다.The condition evaluation unit 116 may evaluate whether or not the latest recommended processing condition is adopted based on whether the difference between the latest recommended processing condition and the past recommended processing condition (for example, the previous recommended processing condition) is an acceptable level. . It is assumed that, by the iterative processing by the iteration management unit 117, the recommended processing conditions gradually converge to one condition. By reducing the difference between the latest recommended processing condition and the past recommended processing condition to an acceptable level, it becomes possible to adopt the recommended processing condition close to the convergence result.

조건 평가부(116)는, 최신의 추가 실적 데이터와 과거의 추가 실적 데이터의 차가 허용 레벨인지 여부에 기초하여 최신의 권장 처리 조건의 채용 가부를 평가해도 된다. 조건 평가부(116)는, 최신의 추가 실적 데이터의 평가 스코어와 과거의 추가 실적 데이터의 평가 스코어의 차가 허용 레벨인지 여부에 기초하여 최신의 권장 처리 조건의 채용 가부를 평가해도 된다.The condition evaluation unit 116 may evaluate whether or not the latest recommended processing condition is adopted based on whether the difference between the latest additional performance data and the past additional performance data is an acceptable level. The condition evaluation unit 116 may evaluate whether or not the latest recommended processing condition is adopted based on whether the difference between the evaluation score of the latest additional performance data and the evaluation score of the past additional performance data is an acceptable level.

제어 장치(100)는, 실적 데이터 보정부(118)를 더 가져도 된다. 실적 데이터 보정부(118)는, 데이터 입력부(114)가 데이터 세트를 모델 생성부(214)에 입력하기 전에, 당해 데이터 세트의 실적 데이터로부터, 도포·현상 장치(2)의 처리부에 의한 기판 처리와는 다른 요인에 기인하는 성분을 제외한다. 예를 들어 실적 데이터 보정부(118)는, 상기 복수 개소의 선폭 실적값으로부터, 노광 처리에 기인하는 변동 성분을 제외한다. 구체적으로, 실적 데이터 보정부(118)는 미리 조사된 노광 처리에 특유의 변동 패턴을 복수 개소의 선폭 실적값으로부터 제외한다.The control apparatus 100 may further have the performance data correction|amendment part 118. As shown in FIG. Before the data input unit 114 inputs the data set to the model generating unit 214 , the performance data correction unit 118 performs substrate processing by the processing unit of the coating/developing apparatus 2 from the performance data of the data set. Excludes components caused by factors other than For example, the performance data correction|amendment part 118 excludes the fluctuation|variation component resulting from an exposure process from the said line width performance value of several places. Specifically, the performance data correction unit 118 excludes, from the linewidth performance values of a plurality of places, the variation pattern peculiar to the exposure process irradiated in advance.

기계 학습 장치(200)는, 기능 모듈로서, 탐색 연산부(211)와, 데이터 취득부(212)와, 데이터 보유부(213)와, 모델 생성부(214)와, 모델 보유부(215)와, 조건 탐색부(216)를 갖는다. 탐색 연산부(211)는, 기계 학습 장치(200)에 있어서의 기계 학습의 엔진이다. 예를 들어 탐색 연산부(211)는, 미리 설정된 학습 조건에 기초하는 유전적 알고리즘에 의해 해의 탐색을 행한다. 당해 학습 조건은, 제1 세대의 개체와, 개체의 평가 스코어의 도출 방법과, 평가 스코어의 허용 레벨을 포함한다.The machine learning apparatus 200 includes, as a function module, a search operation unit 211 , a data acquisition unit 212 , a data holding unit 213 , a model generation unit 214 , and a model holding unit 215 , , and a condition search unit 216 . The search operation unit 211 is an engine of machine learning in the machine learning apparatus 200 . For example, the search operation unit 211 searches for a solution by a genetic algorithm based on preset learning conditions. The said learning condition contains the 1st-generation individual, the derivation|derivation method of the evaluation score of an individual, and the tolerance level of an evaluation score.

탐색 연산부(211)는, 제1 세대의 복수의 개체를 취득하여, 각 개체의 평가 스코어를 산출한다. 그 후, 탐색 연산부(211)는, 평가 스코어가 허용 레벨로부터 먼 개체를 도태시키면서, 복수의 개체를 교차, 역위, 및 돌연변이 등의 연산에 의해 차세대의 복수의 개체로 진화시킨다. 이후, 탐색 연산부(211)는, 개체의 평가 스코어의 도출, 개체의 도태, 및 개체의 진화를 반복함으로써, 평가 스코어가 허용 레벨인 개체를 도출한다.The search operation unit 211 acquires a plurality of individuals of the first generation, and calculates an evaluation score of each individual. Thereafter, the search operation unit 211 evolves the plurality of individuals into a plurality of next-generation individuals by calculations such as crossover, inversion, and mutation while culling individuals whose evaluation scores are far from the acceptable level. Thereafter, the search operation unit 211 derives an individual whose evaluation score is an acceptable level by repeating the derivation of the individual evaluation score, the selection of the individual, and the evolution of the individual.

데이터 취득부(212)는, 상기 데이터 세트 및 추가 데이터 세트를 데이터 입력부(114)로부터 취득한다. 데이터 보유부(213)는 데이터 취득부(212)가 취득한 데이터 세트를 학습용 데이터베이스로서 축적한다.The data acquisition unit 212 acquires the data set and the additional data set from the data input unit 114 . The data holding unit 213 accumulates the data set acquired by the data acquisition unit 212 as a learning database.

모델 생성부(214)는, 데이터 보유부(213)가 축적한 복수조의 데이터 세트에 기초하는 기계 학습에 의해 상기 학습 모델을 생성한다. 모델 생성부(214)는, 유전적 프로그램에 의해 상기 학습 모델을 탐색하는 연산 프로세스를 포함하는 기계 학습에 의해 학습 모델을 생성해도 된다. 예를 들어 모델 생성부(214)는, 처리 조건의 입력에 응답하여 복수 항목의 예측값을 각각 출력하는 복수의 모델식을 포함하는 학습 모델을 생성한다. 각 모델식의 생성에 있어서, 모델 생성부(214)는 모델식의 도출용의 상기 학습 조건을 설정하고, 당해 학습 조건에 따른 모델식의 도출을 탐색 연산부(211)에 요구한다.The model generation unit 214 generates the learning model by machine learning based on a plurality of sets of data accumulated by the data holding unit 213 . The model generation unit 214 may generate a learning model by machine learning including a computation process of searching for the learning model by a genetic program. For example, the model generation unit 214 generates a learning model including a plurality of model equations that respectively output predicted values of a plurality of items in response to an input of a processing condition. In generating each model equation, the model generating unit 214 sets the learning conditions for derivation of the model equations, and requests the search operation unit 211 to derive the model equations according to the learning conditions.

예를 들어 모델 생성부(214)는, 처리 조건의 입력에 응답하여 예측값을 생성하는 복수의 임시 모델식을 생성하고, 이들을 상기 제1 세대의 복수의 개체로 한다. 임시 모델식은, 각종 연산자와 랜덤의 수치를 요소로 하여 수식을 트리 구조로 나타낸 것이다. 모델 생성부(214)는, 임시 모델식에 기초하는 예측값과 실적값의 괴리를 나타내는 괴리 스코어를 상기 학습 조건에 있어서의 평가 스코어로 하고, 그 도출 방법을 정한다. 예를 들어 모델 생성부(214)는, 적어도 이하의 수순을 포함하는 도출 방법을 정한다.For example, the model generation unit 214 generates a plurality of temporary model equations for generating predicted values in response to the input of processing conditions, and sets them as a plurality of individuals of the first generation. The temporary model expression is expressed in a tree structure using various operators and random numerical values as elements. The model generation part 214 sets the deviation score which shows the deviation between the predicted value and performance value based on a temporary model formula as the evaluation score in the said learning condition, and determines the derivation|derivation method. For example, the model generation unit 214 determines a derivation method including at least the following procedures.

a1) 복수조의 데이터 세트의 처리 조건을 임시 모델식에 입력하여 복수의 예측값을 도출하는 것.a1) Deriving a plurality of predicted values by inputting the processing conditions of a plurality of sets of data sets into a temporary model equation.

a2) 복수의 예측값과 복수조의 데이터 세트의 실적값의 괴리를 나타내는 괴리 스코어를 도출하는 것.a2) Deriving the discrepancy score which shows the discrepancy of the performance value of a some predicted value and a data set of multiple sets.

괴리 스코어는, 복수의 예측값과 복수조의 데이터 세트의 실적값의 괴리를 나타내는 한, 어떠한 값이어도 된다. 괴리 스코어의 구체예로서는, 예측값과 실적값의 차의 제곱합, 또는 당해 제곱합의 평방근 등을 들 수 있다. 모델 생성부(214)는, 괴리 스코어에 대해 미리 설정된 상한값을 상기 학습 조건에 있어서의 평가 스코어의 허용 레벨로 한다.Any value may be sufficient as a deviation score as long as it shows the deviation of a some predicted value and the performance value of a plurality of sets of data sets. As a specific example of a deviation score, the sum of squares of the difference of a predicted value and a performance value, or the square root of the said sum of squares, etc. are mentioned. The model generation part 214 makes the upper limit preset with respect to a deviation score the allowable level of the evaluation score in the said learning condition.

탐색 연산부(211)는, 임시 모델식의 괴리 스코어의 도출, 임시 모델식의 도태, 및 임시 모델식의 진화를 반복함으로써, 괴리 스코어가 상한값 이하가 되는 모델식을 도출한다. 모델 생성부(214)는, 탐색 연산부(211)에 의해 도출된 모델식을 취득하여 모델 보유부(215)에 보존한다. 이상의 수순에서, 모델 생성부(214)가 각 모델식을 모델 보유부(215)에 보존함으로써 복수의 모델식을 포함하는 학습 모델이 모델 보유부(215)에 생성된다.The search operation unit 211 derives a model expression whose deviation score is equal to or less than an upper limit by repeating the derivation of the deviation score of the provisional model expression, the selection of the provisional model expression, and the evolution of the provisional model expression. The model generation unit 214 acquires the model expression derived by the search operation unit 211 and stores it in the model holding unit 215 . In the above procedure, a learning model including a plurality of model equations is generated in the model holding unit 215 by the model generating unit 214 storing each model equation in the model holding unit 215 .

조건 탐색부(216)는, 데이터 보유부(213)가 기억하는 복수조의 데이터 세트와, 모델 보유부(215)가 기억하는 학습 모델과, 평가 조건 입력부(121)가 입력한 평가 조건에 기초하여 권장 처리 조건을 도출한다. 조건 탐색부(216)는, 유전적 알고리즘에 의해 권장 처리 조건을 탐색하는 연산 프로세스를 포함하는 탐색 처리에 의해 권장 처리 조건을 도출해도 된다. 예를 들어 조건 탐색부(216)는, 권장 처리 조건의 도출용의 상기 학습 조건을 설정하고, 당해 학습 조건에 따른 권장 처리 조건의 도출을 탐색 연산부(211)에 요구한다.The condition search unit 216 is configured based on a plurality of sets of data sets stored by the data holding unit 213 , a learning model stored by the model holding unit 215 , and evaluation conditions input by the evaluation condition input unit 121 . Derive recommended processing conditions. The condition search unit 216 may derive the recommended processing condition by a search process including an arithmetic process for searching for the recommended processing condition by a genetic algorithm. For example, the condition search unit 216 sets the learning conditions for deriving the recommended processing conditions, and requests the search operation unit 211 to derive the recommended processing conditions according to the learning conditions.

예를 들어 조건 탐색부(216)는, 데이터 보유부(213)가 기억하는 복수조의 데이터 세트의 처리 조건을 제1 세대의 복수의 개체로 한다. 각 처리 조건은, 복수 항목의 조건을 트리 구조로 나타낸 것이다.For example, the condition search unit 216 sets the processing conditions of a plurality of sets of data sets stored in the data holding unit 213 as a plurality of first-generation individuals. Each processing condition represents the condition of a plurality of items in a tree structure.

조건 탐색부(216)는, 적어도 이하의 수순을 포함하도록 상기 학습 조건에 있어서의 평가 스코어의 도출 방법을 정한다.The condition search unit 216 determines a method for deriving an evaluation score in the learning condition including at least the following procedures.

b1) 복수조의 데이터 세트의 처리 조건을 모델 보유부(215)가 기억하는 학습 모델에 입력하여 예측 데이터를 도출하는 것.b1) Deriving predictive data by inputting the processing conditions of a plurality of sets of data into the learning model stored by the model holding unit 215 .

b2) 평가 조건 입력부(121)가 입력한 평가 조건에 있어서의 도출 방법에 따라서 예측 데이터의 평가 스코어를 도출하는 것.b2) Deriving the evaluation score of predictive data according to the derivation|derivation method in the evaluation condition input by the evaluation condition input part 121.

조건 탐색부(216)는, 평가 조건 입력부(121)가 입력한 평가 조건에 있어서의 허용 레벨을 상기 학습 조건에 있어서의 평가 스코어의 허용 레벨로 한다.The condition search unit 216 sets the allowable level in the evaluation condition input by the evaluation condition input unit 121 as the allowable level of the evaluation score in the learning condition.

탐색 연산부(211)는, 처리 조건의 평가 스코어의 도출, 처리 조건의 도태, 및 처리 조건의 진화를 반복함으로써, 평가 스코어가 허용 레벨인 권장 처리 조건을 도출한다. 조건 탐색부(216)는, 탐색 연산부(211)에 의해 도출된 권장 처리 조건을 취득하여 탐색 결과 취득부(122)에 출력한다.The search operation unit 211 derives the recommended processing condition in which the evaluation score is an acceptable level by repeating the derivation of the evaluation score of the processing condition, the selection of the processing condition, and the evolution of the processing condition. The condition search unit 216 acquires the recommended processing conditions derived by the search operation unit 211 and outputs it to the search result acquisition unit 122 .

도 7은, 제어 장치(100) 및 기계 학습 장치(200)의 하드웨어 구성을 예시하는 블록도이다. 제어 장치(100)는, 회로(190)를 포함한다. 회로(190)는, 적어도 하나의 프로세서(191)와, 메모리(192)와, 스토리지(193)와, 표시 디바이스(194)와, 입력 디바이스(195)와, 입출력 포트(196)와, 통신 포트(197)를 포함한다. 스토리지(193)는, 컴퓨터에 의해 판독 가능한 불휘발형의 기억 매체(예를 들어 플래시 메모리)이다. 예를 들어 스토리지(193)는, 미리 설정된 처리 조건에 따라서 도포·현상 장치(2)에 기판 처리를 실행시키는 것과, 처리 조건에 따른 기판 처리의 품질에 관한 실적 데이터를 품질 검사 장치(70)로부터 취득하는 것과, 기판 처리의 처리 조건과, 당해 기판 처리의 실적 데이터를 포함하는 데이터 세트를 기계 학습 장치(200)에 입력하는 것과, 복수조의 데이터 세트에 기초하여 기계 학습 장치(200)가 생성한 상기 학습 모델에 기초하여 기판 처리의 권장 처리 조건을 도출하는 것을 제어 장치(100)에 실행시키기 위한 프로그램을 기억하고 있다. 예를 들어, 스토리지(193)는 상기 기능 모듈을 구성하기 위한 프로그램을 기억하는 기억 영역과, 처리 조건 보유부(111)에 할당되는 기억 영역을 포함한다.7 is a block diagram illustrating a hardware configuration of the control device 100 and the machine learning device 200 . The control device 100 includes a circuit 190 . The circuit 190 includes at least one processor 191 , a memory 192 , a storage 193 , a display device 194 , an input device 195 , an input/output port 196 , and a communication port. (197). The storage 193 is a nonvolatile storage medium (eg, flash memory) readable by a computer. For example, the storage 193 causes the coating/developing apparatus 2 to perform substrate processing according to preset processing conditions, and transmits performance data regarding the quality of substrate processing according to the processing conditions from the quality inspection device 70 . Acquisition, processing conditions for substrate processing, and input of a data set including performance data of the substrate processing into the machine learning apparatus 200, and the machine learning apparatus 200 generated based on a plurality of sets of data sets A program for causing the control device 100 to derive the recommended processing conditions for substrate processing based on the learning model is stored. For example, the storage 193 includes a storage area for storing a program for constituting the function module, and a storage area allocated to the processing condition holding unit 111 .

표시 디바이스(194)는, 권장 처리 조건의 표시 등에 사용된다. 표시 디바이스(194) 및 입력 디바이스(195)는, 제어 장치(100)의 유저 인터페이스로서 기능한다. 표시 디바이스(194)는, 예를 들어 액정 모니터 등을 포함하며, 유저에 대한 정보 표시에 사용된다. 입력 디바이스(195)는, 예를 들어 키보드 등이며, 유저에 의한 입력 정보를 취득한다. 표시 디바이스(194) 및 입력 디바이스(195)는, 소위 터치 패널로서 일체화되어 있어도 된다. 입력 디바이스(195)는, 처리 조건 및 평가 조건의 입력 등에 사용된다.The display device 194 is used for display of recommended processing conditions and the like. The display device 194 and the input device 195 function as a user interface of the control apparatus 100 . The display device 194 includes, for example, a liquid crystal monitor and the like, and is used to display information to a user. The input device 195 is, for example, a keyboard, and acquires input information by a user. The display device 194 and the input device 195 may be integrated as a so-called touch panel. The input device 195 is used for input of processing conditions and evaluation conditions, and the like.

메모리(192)는, 스토리지(193)로부터 로드한 프로그램 및 프로세서(191)에 의한 연산 결과 등을 일시적으로 기억한다. 프로세서(191)는, 메모리(192)와 협동하여 상기 프로그램을 실행함으로써, 도포·현상 장치(2)의 제어를 실행한다. 입출력 포트(196)는, 프로세서(191)로부터의 명령에 따라서 표시 디바이스(194) 및 입력 디바이스(195)와의 사이에서 전기 신호의 입출력을 행한다. 통신 포트(197)는, 프로세서(191)로부터의 명령에 따라서 기계 학습 장치(200)와의 사이에서 네트워크 통신을 행한다.The memory 192 temporarily stores a program loaded from the storage 193 , an operation result by the processor 191 , and the like. The processor 191 executes the program in cooperation with the memory 192 to control the coating/developing apparatus 2 . The input/output port 196 performs input/output of an electric signal between the display device 194 and the input device 195 according to a command from the processor 191 . The communication port 197 performs network communication with the machine learning apparatus 200 according to an instruction from the processor 191 .

기계 학습 장치(200)는, 회로(290)를 포함한다. 회로(290)는, 프로세서(291)와, 메모리(292)와, 스토리지(293)와, 통신 포트(294)를 포함한다. 스토리지(293)는, 컴퓨터에 의해 판독 가능한 불휘발형의 기억 매체(예를 들어 플래시 메모리)이다. 예를 들어 스토리지(293)는, 상기 데이터 세트를 취득하는 것과, 복수조의 데이터 세트에 기초하는 기계 학습에 의해, 상기 학습 모델을 생성하는 것을 기계 학습 장치(200)에 실행시키기 위한 프로그램을 기억하고 있다. 예를 들어 스토리지(293)는, 상기 기능 모듈을 구성하기 위한 프로그램을 기억하기 위한 기억 영역과, 데이터 보유부(213) 및 모델 보유부(215)에 할당되는 기억 영역을 포함한다.The machine learning apparatus 200 includes a circuit 290 . The circuit 290 includes a processor 291 , a memory 292 , a storage 293 , and a communication port 294 . The storage 293 is a nonvolatile storage medium (eg, flash memory) readable by a computer. For example, the storage 293 stores a program for causing the machine learning device 200 to acquire the data set and generate the learning model by machine learning based on a plurality of sets of data sets, there is. For example, the storage 293 includes a storage area for storing a program for constituting the function module, and a storage area allocated to the data holding unit 213 and the model holding unit 215 .

메모리(292)는, 스토리지(293)로부터 로드한 프로그램 및 프로세서(291)에 의한 연산 결과 등을 일시적으로 기억한다. 프로세서(291)는, 메모리(292)와 협동하여 상기 프로그램을 실행함으로써 상기 학습 모델의 생성을 실행한다. 통신 포트(294)는, 프로세서(291)로부터의 명령에 따라서 제어 장치(100)와의 사이에서 네트워크 통신을 행한다.The memory 292 temporarily stores a program loaded from the storage 293 and an operation result by the processor 291 , and the like. The processor 291 performs generation of the learning model by executing the program in cooperation with the memory 292 . The communication port 294 performs network communication with the control device 100 according to a command from the processor 291 .

〔조건 설정 지원 수순〕[Condition setting support procedure]

계속해서, 조건 설정 지원 방법의 일례로서, 제어 장치(100) 및 기계 학습 장치(200)가 각각 실행하는 조건 설정 지원 수순을 설명한다. 제어 장치(100)가 실행하는 조건 설정 지원 수순은, 권장 처리 조건의 도출 수순과, 권장 처리 조건의 브러시 업 수순을 포함한다. 기계 학습 장치(200)가 실행하는 조건 설정 지원 수순은, 학습 모델의 생성 수순과, 권장 처리 조건의 탐색 수순을 포함한다. 이하, 각 수순을 구체적으로 예시한다.Subsequently, as an example of the condition setting support method, the condition setting support procedure executed by the control device 100 and the machine learning apparatus 200, respectively, will be described. The condition setting support procedure executed by the control device 100 includes a derivation procedure of the recommended processing condition and a brush-up procedure of the recommended processing condition. The condition setting support procedure executed by the machine learning apparatus 200 includes a learning model generation procedure and a search procedure for recommended processing conditions. Hereinafter, each procedure is specifically illustrated.

(권장 처리 조건의 도출 수순)(Deduction procedure for recommended processing conditions)

제어 장치(100)에 의한 권장 처리 조건의 도출 수순은, 미리 설정된 처리 조건에 따라서, 웨이퍼(W)로의 처리액의 공급을 포함하는 기판 처리를 도포·현상 장치(2)에 실행시키는 것과, 처리 조건에 따른 기판 처리의 품질에 관한 실적 데이터를 취득하는 것과, 기판 처리의 처리 조건과, 당해 기판 처리의 실적 데이터를 포함하는 데이터 세트를 기계 학습 장치(200)에 입력하는 것과, 복수조의 데이터 세트에 기초하여 기계 학습 장치(200)가 생성한 상기 학습 모델에 기초하여 권장 처리 조건을 도출하는 것을 포함한다. 권장 처리 조건을 도출하는 것은, 예측 데이터의 평가 조건을 기계 학습 장치(200)에 입력하는 것과, 복수조의 데이터 세트와, 학습 모델과, 평가 조건에 기초하여 기계 학습 장치(200)가 도출한 권장 처리 조건을 취득하는 것을 포함해도 된다.The procedure for deriving the recommended processing conditions by the control device 100 includes causing the coating/developing device 2 to perform substrate processing including supply of a processing liquid to the wafer W according to preset processing conditions; Acquiring performance data regarding the quality of the substrate processing according to the conditions, inputting a data set including the processing conditions of the substrate processing and the performance data of the substrate processing to the machine learning apparatus 200, a plurality of sets of data and deriving recommended processing conditions based on the learning model generated by the machine learning apparatus 200 based on the . Deriving the recommended processing conditions is inputting the evaluation conditions of the prediction data into the machine learning apparatus 200, and the recommendations derived by the machine learning apparatus 200 based on the plurality of sets of data sets, the learning model, and the evaluation conditions. Acquiring processing conditions may be included.

도 8에 예시하는 바와 같이, 제어 장치(100)는, 먼저 스텝 S01, S02, S03을 실행한다. 스텝 S01에서는, 처리 제어부(112)가, 처리 조건 보유부(111)가 기억하는 처리 조건에 따른 기판 처리를 도포·현상 장치(2)에 개시시킨다. 스텝 S02에서는, 데이터 취득부(113)가 상기 처리 중 항목의 실적값을 취득한다. 데이터 취득부(113)는, 복수의 처리 중 항목의 실적값을 취득해도 된다. 예를 들어 데이터 취득부(113)는, 처리 중 검사부(90)에 의해 검출된 정보에 기초하여, 현상액의 액 튐, 액막의 형성 불량 및 드리핑의 유무의 실적값을 취득한다. 데이터 취득부(113)는, 처리 중 검사부(90)에 의해 검출된 정보에 기초하여, 성막액의 액 튐, 액막의 형성 불량 및 드리핑의 유무의 실적값을 취득해도 된다. 스텝 S03에서는, 처리 제어부(112)가, 처리 조건에 따른 기판 처리가 완료되었는지 여부를 확인한다.As illustrated in FIG. 8 , the control device 100 first executes steps S01, S02, and S03. In step S01 , the processing control unit 112 causes the coating/developing apparatus 2 to start processing the substrate according to the processing conditions stored by the processing condition holding unit 111 . In step S02, the data acquisition part 113 acquires the performance value of the item in the said process. The data acquisition unit 113 may acquire the performance value of the item among a plurality of processes. For example, the data acquisition unit 113 acquires, based on the information detected by the inspection unit 90 during processing, an actual value of the presence or absence of splashing of the developer, poor formation of the liquid film, and dripping. The data acquisition unit 113 may acquire, based on the information detected by the inspection unit 90 during processing, an actual value of the presence or absence of splashing of the film-forming liquid, poor formation of the liquid film, and dripping. In step S03, the processing control unit 112 confirms whether the substrate processing according to the processing conditions has been completed.

스텝 S03에 있어서 기판 처리가 완료되지 않았다고 판정한 경우, 제어 장치(100)는 처리를 스텝 S02로 복귀시킨다. 이후, 기판 처리가 완료될 때까지 처리 중 항목의 실적값의 취득이 계속된다. 스텝 S03에 있어서 기판 처리가 완료되었다고 판정한 경우, 제어 장치(100)는 스텝 S04를 실행한다. 스텝 S04에서는, 데이터 입력부(114)가 처리 중 항목의 실적값에 기초하여, 처리액의 공급 상태에 불량이 발생하지 않았는지를 확인한다.When it is determined in step S03 that the substrate processing has not been completed, the control apparatus 100 returns the processing to step S02. Then, acquisition of the performance value of the item in process continues until the board|substrate process is completed. When it is determined in step S03 that the substrate processing has been completed, the control device 100 executes step S04. In step S04 , the data input unit 114 checks whether or not a defect has occurred in the supply state of the processing liquid based on the performance value of the item under processing.

스텝 S04에 있어서 처리액의 공급 상태에 불량이 발생하지 않았다고 판정한 경우, 제어 장치(100)는 스텝 S05, S06, S07을 실행한다. 스텝 S05에서는, 데이터 취득부(113)가 상기 처리 후 항목의 실적값을 취득한다. 데이터 취득부(113)는, 복수의 처리 후 항목의 실적값을 취득해도 된다. 예를 들어 데이터 취득부(113)는, 처리 후 검사부(80)에 의해 검출된 정보에 기초하여, 표면(Wa) 상의 복수 개소에 있어서의 상기 선폭 실적값을 취득한다. 데이터 취득부(113)는, 처리 후 검사부(80)에 의해 검출된 정보에 기초하여, 표면(Wa) 상의 복수 개소에 있어서의 상기 막 두께 실적값을 취득해도 된다. 스텝 S06에서는, 실적 데이터 보정부(118)가, 복수의 처리 후 항목의 실적값으로부터, 기판 처리와는 다른 요인에 기인하는 성분을 제외한다. 스텝 S07에서는, 데이터 입력부(114)가, 처리 조건과, 당해 처리 조건에 대응하는 실적 데이터(복수의 처리 후 항목의 실적값)를 포함하는 데이터 세트를 기계 학습 장치(200)에 입력한다.When it is determined in step S04 that no failure has occurred in the supply state of the processing liquid, the control device 100 executes steps S05, S06, and S07. In step S05, the data acquisition unit 113 acquires the performance value of the post-processed item. The data acquisition unit 113 may acquire the performance values of a plurality of post-processing items. For example, the data acquisition part 113 acquires the said linewidth performance value in several places on the surface Wa based on the information detected by the inspection part 80 after a process. The data acquisition part 113 may acquire the said film-thickness performance value in multiple locations on the surface Wa based on the information detected by the post-processing inspection part 80. As shown in FIG. In step S06, the performance data correction|amendment part 118 excludes the component resulting from the factor different from the board|substrate process from the performance value of several post-processing items. In step S07 , the data input unit 114 inputs to the machine learning apparatus 200 a data set including a processing condition and performance data corresponding to the processing condition (performance values of a plurality of processing items).

다음으로, 제어 장치(100)는 스텝 S08을 실행한다. 스텝 S04에 있어서 처리액의 공급 상태에 불량이 발생하였다고 판정한 경우, 제어 장치(100)는 스텝 S05, S06, S07을 실행하지 않고 스텝 S08을 실행한다. 스텝 S08에서는, 데이터 입력부(114)가, 기계 학습 장치(200)에 있어서의 기계 학습에 필요한 수의 데이터 세트의 입력이 완료되었는지 여부를 확인한다.Next, the control device 100 executes step S08. When it is determined in step S04 that a failure has occurred in the supply state of the processing liquid, the control device 100 executes step S08 without executing steps S05, S06, and S07. In step S08, the data input unit 114 confirms whether or not the input of the number of data sets required for machine learning in the machine learning apparatus 200 has been completed.

스텝 S08에 있어서 기계 학습에 필요한 수의 데이터 세트의 입력이 완료되지 않았다고 판정한 경우, 제어 장치(100)는 스텝 S09를 실행한다. 스텝 S09에서는, 처리 제어부(112)가 처리 조건을 변경한다. 예를 들어 처리 제어부(112)는, 입력 디바이스(195)로의 유저의 입력 등에 기초하여 처리 조건을 변경한다. 그 후, 제어 장치(100)는 처리를 스텝 S01로 복귀시킨다. 이후, 기계 학습에 필요한 수의 데이터 세트의 입력이 완료될 때까지는, 처리 조건의 변경과, 기판 처리의 실행과, 데이터 세트의 입력이 반복된다.When it is determined in step S08 that the input of the number of data sets required for machine learning has not been completed, the control device 100 executes step S09. In step S09, the processing control unit 112 changes the processing conditions. For example, the processing control unit 112 changes processing conditions based on a user's input to the input device 195 or the like. After that, the control device 100 returns the process to step S01. Thereafter, until the input of the number of data sets necessary for machine learning is completed, changing the processing conditions, executing the substrate processing, and inputting the data sets are repeated.

스텝 S08에 있어서, 기계 학습에 필요한 수의 데이터 세트의 입력이 완료되었다고 판정한 경우, 제어 장치(100)는 스텝 S11, S12, S13, S14를 실행한다. 스텝 S11에서는, 평가 조건 입력부(121)가, 기계 학습 장치(200)로부터의 학습 완료 통지를 대기한다. 스텝 S12에서는, 평가 조건 입력부(121)가 예측 데이터의 평가 조건을 설정한다. 예를 들어 평가 조건 입력부(121)는 입력 디바이스(195)로의 유저의 입력 등에 기초하여 상기 예측 데이터의 평가 조건을 설정한다. 스텝 S13에서는, 평가 조건 입력부(121)가, 스텝 S12에서 설정한 평가 조건을 기계 학습 장치(200)에 입력한다. 스텝 S14에서는, 탐색 결과 취득부(122)가 복수조의 데이터 세트와, 학습 모델과, 평가 조건 입력부(121)가 입력한 평가 조건에 기초하여 기계 학습 장치(200)가 도출한 권장 처리 조건을 취득하여 처리 모듈(11)에 보존한다. 이상으로 권장 처리 조건의 도출 수순이 완료된다.In step S08, when it is determined that the input of the number of data sets required for machine learning has been completed, the control device 100 executes steps S11, S12, S13, and S14. In step S11 , the evaluation condition input unit 121 waits for a learning completion notification from the machine learning apparatus 200 . In step S12, the evaluation condition input unit 121 sets the evaluation conditions of the prediction data. For example, the evaluation condition input unit 121 sets the evaluation condition of the prediction data based on a user's input to the input device 195 or the like. In step S13 , the evaluation condition input unit 121 inputs the evaluation condition set in step S12 to the machine learning apparatus 200 . In step S14, the search result acquisition unit 122 acquires a plurality of sets of data sets, the learning model, and the recommended processing conditions derived by the machine learning apparatus 200 based on the evaluation conditions input by the evaluation condition input unit 121 . and stored in the processing module 11 . With the above, the derivation procedure of the recommended processing conditions is completed.

(권장 처리 조건의 브러시 업 수순)(Brush-up procedure under recommended processing conditions)

제어 장치(100)에 의한 권장 처리 조건의 브러시 업 수순은, 권장 처리 조건에 따라서 도포·현상 장치(2)에 기판 처리를 더 실행시키는 것과, 권장 처리 조건에 따른 기판 처리의 품질에 관한 추가 실적 데이터를 더 취득하는 것과, 권장 처리 조건과 추가 실적 데이터를 포함하는 추가 데이터 세트를 기계 학습 장치(200)에 더 입력하는 것과, 추가 데이터 세트에 기초하여 기계 학습 장치(200)가 갱신한 학습 모델에 기초하여 권장 처리 조건을 갱신하는 것을 포함한다. 이 브러시 업 수순은, 권장 처리 조건을 평가하는 것을 더 포함해도 되고, 권장 처리 조건에 따라서 도포·현상 장치(2)에 기판 처리를 더 실행시키는 것과, 추가 실적 데이터를 더 취득하는 것과, 추가 데이터 세트를 기계 학습 장치(200)에 더 입력하는 것과, 추가 데이터 세트에 기초하여 기계 학습 장치(200)가 갱신한 학습 모델에 기초하여 권장 처리 조건을 갱신하는 것을, 권장 처리 조건의 평가 결과가 소정의 레벨에 도달할 때까지 반복해도 된다.The brush-up procedure of the recommended processing conditions by the control device 100 is to further perform substrate processing in the coating/developing apparatus 2 according to the recommended processing conditions, and additional results regarding the quality of substrate processing according to the recommended processing conditions Acquiring more data, further inputting an additional data set including recommended processing conditions and additional performance data into the machine learning apparatus 200, and the learning model updated by the machine learning apparatus 200 based on the additional data set and updating the recommended processing conditions based on the This brush-up procedure may further include evaluating recommended processing conditions, causing the coating/developing apparatus 2 to further perform substrate processing according to the recommended processing conditions, acquiring additional performance data, and additional data Further inputting the set into the machine learning apparatus 200, updating the recommended processing condition based on the learning model updated by the machine learning apparatus 200 based on the additional data set, the evaluation result of the recommended processing condition is predetermined Repeat until you reach the level of

도 9에 예시하는 바와 같이, 제어 장치(100)는, 먼저 스텝 S21, S22, S23, S24, S25를 실행한다. 스텝 S21에서는, 처리 제어부(112)가, 처리 조건 보유부(111)가 기억하는 권장 처리 조건에 따른 기판 처리를 도포·현상 장치(2)에 실행시킨다. 스텝 S22에서는, 데이터 취득부(113)가, 상기 처리 후 항목의 추가 실적값을 취득한다. 데이터 취득부(113)는, 복수의 처리 후 항목의 추가 실적값을 취득해도 된다. 스텝 S23에서는, 실적 데이터 보정부(118)가, 복수의 처리 후 항목의 추가 실적값으로부터, 기판 처리와는 다른 요인에 기인하는 성분을 제외한다. 스텝 S24에서는, 조건 평가부(116)가 권장 처리 조건을 평가한다. 스텝 S25에서는, 반복 관리부(117)가, 스텝 S24에 있어서의 평가 결과에 기초하여, 권장 처리 조건을 채용 가능한지 여부를 확인한다.As illustrated in FIG. 9 , the control device 100 first executes steps S21, S22, S23, S24, and S25. In step S21 , the processing control unit 112 causes the coating/developing apparatus 2 to perform substrate processing according to the recommended processing conditions memorized by the processing condition holding unit 111 . In step S22, the data acquisition part 113 acquires the additional performance value of the said post-processing item. The data acquisition unit 113 may acquire additional performance values of a plurality of post-processing items. In step S23, the performance data correction|amendment part 118 excludes the component resulting from the factor other than a board|substrate process from the addition performance value of several post-processing items. In step S24, the condition evaluation unit 116 evaluates the recommended processing conditions. In step S25, the repetition management unit 117 checks whether or not the recommended processing conditions are employable based on the evaluation result in step S24.

스텝 S25에 있어서 권장 처리 조건을 채용 가능하지 않다고 판정한 경우, 제어 장치(100)는 스텝 S26, S27, S28을 실행한다. 스텝 S26에서는, 데이터 입력부(114)가, 처리 조건과, 당해 처리 조건에 대응하는 추가 실적 데이터(복수의 처리 후 항목의 추가 실적값)를 포함하는 추가 데이터 세트를 기계 학습 장치(200)에 입력한다. 스텝 S27에서는, 탐색 결과 취득부(122)가, 기계 학습 장치(200)로부터의 학습 모델의 갱신 완료 통지를 대기한다. 스텝 S28에서는, 탐색 결과 취득부(122)가, 추가 데이터 세트에 기초하여 기계 학습 장치(200)가 갱신한 권장 처리 조건을 취득하여 처리 모듈(11)에 보존한다. 그 후, 제어 장치(100)는 처리를 스텝 S21로 복귀시킨다. 이후, 권장 처리 조건이 채용 가능이 될 때까지 추가 실적 데이터의 취득과, 권장 처리 조건의 갱신이 반복된다.When it is determined in step S25 that the recommended processing conditions are not employable, the control device 100 executes steps S26, S27, and S28. In step S26 , the data input unit 114 inputs to the machine learning apparatus 200 an additional data set including processing conditions and additional performance data corresponding to the processing conditions (additional performance values of a plurality of processing items). do. In step S27, the search result acquisition part 122 waits for the update completion notification of the learning model from the machine learning apparatus 200. In step S28 , the search result acquisition unit 122 acquires the recommended processing conditions updated by the machine learning apparatus 200 based on the additional data set and stores them in the processing module 11 . Then, the control apparatus 100 returns the process to step S21. Thereafter, acquisition of additional performance data and updating of the recommended processing condition are repeated until the recommended processing condition becomes employable.

스텝 S25에 있어서 권장 처리 조건을 채용 가능하다고 판정한 경우, 제어 장치(100)는 처리를 완료한다. 이상으로 권장 처리 조건의 브러시 업 수순이 완료된다.When it is determined in step S25 that the recommended processing conditions are employable, the control device 100 completes the processing. This completes the brush-up procedure for the recommended processing conditions.

(학습 모델의 생성 수순)(Sequence of creating a learning model)

기계 학습 장치(200)에 의한 학습 모델의 생성 수순은, 상기 데이터 세트를 취득하는 것과, 복수조의 데이터 세트에 기초하는 기계 학습에 의해 학습 모델을 생성하는 것을 포함한다. 기계 학습에 의해 학습 모델을 생성하는 것은, 유전적 프로그램에 의해 학습 모델을 탐색하는 연산 프로세스를 포함해도 된다. 처리 조건의 입력에 응답하여 복수 항목의 예측값을 각각 출력하는 복수의 모델식을 포함하는 학습 모델을 생성해도 된다.The procedure for generating a learning model by the machine learning apparatus 200 includes acquiring the data set and generating a learning model by machine learning based on a plurality of sets of data sets. Generating a learning model by machine learning may include a computational process of searching for a learning model by a genetic program. You may generate a learning model including a plurality of model equations that respectively output predicted values of a plurality of items in response to input of processing conditions.

도 10에 예시하는 바와 같이, 기계 학습 장치(200)는, 먼저 스텝 S31, S32, S33을 실행한다. 스텝 S31에서는, 데이터 취득부(212)가, 데이터 입력부(114)로부터의 데이터 세트의 입력을 대기한다. 스텝 S32에서는, 데이터 취득부(212)가, 입력된 데이터 세트를 데이터 보유부(213)에 축적한다. 스텝 S33에서는, 데이터 보유부(213)가, 데이터 보유부(213)에 축적된 데이터 세트의 수가 기계 학습에 필요한 수에 도달하였는지 여부를 확인한다.As illustrated in FIG. 10 , the machine learning apparatus 200 first executes steps S31, S32, and S33. In step S31 , the data acquisition unit 212 waits for input of the data set from the data input unit 114 . In step S32 , the data acquisition unit 212 accumulates the input data set in the data holding unit 213 . In step S33, the data holding unit 213 checks whether or not the number of data sets accumulated in the data holding unit 213 has reached the number required for machine learning.

스텝 S33에 있어서, 축적된 데이터 세트의 수가 기계 학습에 필요한 수에 도달하지 않았다고 판정한 경우, 제어 장치(100)는 처리를 스텝 S31로 복귀시킨다. 이후, 기계 학습에 필요한 수의 데이터 세트가 축적될 때까지 데이터 세트의 취득이 반복된다.When it is determined in step S33 that the number of accumulated data sets has not reached the number required for machine learning, the control device 100 returns the process to step S31. After that, acquisition of data sets is repeated until the number of data sets required for machine learning is accumulated.

스텝 S33에 있어서, 축적된 데이터 세트의 수가 기계 학습에 필요한 수에 도달하였다고 판정한 경우, 제어 장치(100)는 스텝 S34, S35, S36을 실행한다. 스텝 S34에서는, 모델 생성부(214)가, 어느 예측값에 대응하는 모델식의 도출용의 상기 학습 조건을 설정하고, 당해 학습 조건에 따른 모델식의 도출을 탐색 연산부(211)에 요구한다. 예를 들어 모델 생성부(214)는 처리 조건의 입력에 응답하여 예측값을 생성하는 복수의 임시 모델식을 생성하고, 이들을 상기 제1 세대의 복수의 개체로 한다. 또한, 모델 생성부(214)는, 상기 괴리 스코어를 평가 스코어로 하여 그 도출 방법을 정하고, 상기 괴리 스코어의 상한값을 평가 스코어의 허용 레벨로 한다. 스텝 S35에서는, 탐색 연산부(211)가, 상기 학습 조건에 따라서 각 임시 모델식의 괴리 스코어를 산출한다. 스텝 S36에서는, 탐색 연산부(211)가, 상기 학습 조건에 따라서 괴리 스코어가 상기 상한값 이하인 임시 모델식이 존재하는지 여부를 확인한다.When it is determined in step S33 that the number of accumulated data sets has reached the number required for machine learning, the control apparatus 100 executes steps S34, S35, and S36. In step S34, the model generation unit 214 sets the learning conditions for deriving a model expression corresponding to a certain predicted value, and requests the search operation unit 211 to derive a model expression according to the learning condition. For example, the model generating unit 214 generates a plurality of temporary model equations for generating predicted values in response to input of processing conditions, and sets them as a plurality of individuals of the first generation. Moreover, the model generation|generation part 214 makes the said deviation score an evaluation score, the derivation|derivation method is determined, and let the upper limit of the said deviation score be the allowable level of an evaluation score. In step S35, the search operation part 211 calculates the deviation score of each temporary model formula according to the said learning condition. In step S36, the search operation part 211 confirms whether the temporary model expression whose deviation score is below the said upper limit exists according to the said learning condition.

스텝 S36에 있어서, 괴리 스코어가 상한값 이하인 임시 모델식이 존재하지 않는다고 판정한 경우, 기계 학습 장치(200)는 스텝 S37을 실행한다. 스텝 S37에서는, 탐색 연산부(211)가, 괴리 스코어가 상한값의 초과가 큰 임시 모델식을 도태시키면서, 복수의 임시 모델식을 교차, 역위, 및 돌연변이 등의 연산에 의해 차세대의 복수의 임시 모델식으로 진화시킨다. 그 후, 기계 학습 장치(200)는 처리를 스텝 S35로 복귀시킨다. 이후, 괴리 스코어가 상한값 이하가 되는 임시 모델식이 도출될 때까지, 임시 모델식의 괴리 스코어의 도출, 임시 모델식의 도태, 및 임시 모델식의 진화가 반복된다.In step S36, when it determines with the temporary model expression whose deviation score is below an upper limit does not exist, the machine learning apparatus 200 performs step S37. In step S37, the search operation unit 211 selects a temporary model expression with a large deviation score exceeding the upper limit value, and crosses the plurality of temporary model expressions by calculations such as intersection, inversion, and mutation to generate a plurality of next-generation temporary model expressions. evolve into After that, the machine learning apparatus 200 returns the process to step S35. Thereafter, the derivation of the deviation score of the provisional model expression, the selection of the provisional model expression, and the evolution of the provisional model expression are repeated until a temporary model expression in which the deviation score is equal to or less than the upper limit is derived.

스텝 S36에 있어서, 괴리 스코어가 상한값 이하인 임시 모델식이 존재한다고 판정한 경우, 기계 학습 장치(200)는 스텝 S38, S39를 실행한다. 스텝 S38에서는, 탐색 연산부(211)가, 괴리 스코어가 가장 양호한(가장 작은) 임시 모델식을 선택하고, 이것을 학습 모델의 하나의 모델식으로서 모델 보유부(215)에 보존한다. 스텝 S39에서는, 모델 생성부(214)가, 학습 모델을 구성하기 위한 모든 모델식(즉, 복수 항목의 예측값의 도출에 필요한 모든 모델식)의 도출이 완료되었는지 여부를 확인한다.In step S36, when it determines with the temporary model expression whose deviation score is below an upper limit exists, the machine learning apparatus 200 performs step S38, S39. In step S38, the search operation part 211 selects the best (smallest) temporary model formula with a deviation score, and saves this in the model holding part 215 as one model formula of a learning model. In step S39, the model generation part 214 confirms whether derivation|derivation of all the model formulas for constituting the learning model (that is, all the model formulas necessary for derivation of the prediction values of multiple items) has been completed.

스텝 S39에 있어서 모든 모델식의 도출이 완료되지 않았다고 판정한 경우, 기계 학습 장치(200)는 스텝 S41을 실행한다. 스텝 S41에서는, 모델 생성부(214)가, 도출 대상의 모델식을 변경한다. 바꾸어 말하면, 모델 생성부(214)는, 모델식에 의한 예측 대상의 항목을 변경한다. 그 후, 기계 학습 장치(200)는 처리를 스텝 S34로 복귀시킨다. 이후, 모든 모델식의 도출이 완료될 때까지 학습 조건의 설정과 이것에 기초하는 모델식의 도출이 반복된다.When it is determined in step S39 that the derivation of all the model expressions is not completed, the machine learning apparatus 200 executes step S41. In step S41, the model generation unit 214 changes the model expression to be derived. In other words, the model generation unit 214 changes the item to be predicted by the model formula. After that, the machine learning apparatus 200 returns the process to step S34. Thereafter, the setting of the learning conditions and the derivation of the model equations based on this are repeated until the derivation of all the model equations is completed.

스텝 S39에 있어서 모든 모델식의 도출이 완료되었다고 판정한 경우, 기계 학습 장치(200)는 학습 모델의 생성을 완료한다. 이상으로 학습 모델의 생성 수순이 완료된다.When it is determined in step S39 that the derivation of all the model formulas has been completed, the machine learning apparatus 200 completes the generation of the learning model. As described above, the process of generating the learning model is completed.

(권장 처리 조건의 탐색 수순)(Search procedure for recommended processing conditions)

기계 학습 장치(200)에 의한 권장 처리 조건의 탐색 수순은, 복수조의 데이터 세트와, 학습 모델과, 예측 데이터의 평가 조건에 기초하여 기판 처리의 권장 처리 조건을 도출하는 것을 포함한다. 권장 처리 조건을 도출하는 것은, 유전적 알고리즘에 의해 권장 처리 조건을 탐색하는 연산 프로세스를 포함해도 된다. 복수조의 데이터 세트와, 복수의 모델식과, 복수 항목의 예측값을 평가하는 평가 조건에 기초하여 권장 처리 조건을 도출해도 된다. 예를 들어, 복수 항목의 예측값의 변동에 관한 조건을 포함하는 평가 조건에 기초하여 권장 처리 조건을 도출해도 된다.The search procedure for recommended processing conditions by the machine learning apparatus 200 includes deriving recommended processing conditions for substrate processing based on evaluation conditions of a plurality of sets of data sets, a learning model, and predictive data. Deriving the recommended processing conditions may include a computational process of searching for the recommended processing conditions by a genetic algorithm. You may derive recommended processing conditions based on the evaluation condition which evaluates multiple sets of data sets, multiple model expressions, and the predicted value of multiple items. For example, the recommended processing conditions may be derived based on the evaluation conditions including the conditions regarding variations in the predicted values of a plurality of items.

도 11에 예시하는 바와 같이, 기계 학습 장치(200)는, 먼저 스텝 S51, S52를 실행한다. 스텝 S51에서는, 조건 탐색부(216)가, 평가 조건 입력부(121)로부터의 평가 조건의 입력을 대기한다. 스텝 S52에서는, 조건 탐색부(216)가, 권장 처리 조건의 도출용의 상기 학습 조건을 설정하고, 당해 학습 조건에 따른 권장 처리 조건의 도출을 탐색 연산부(211)에 요구한다. 예를 들어 조건 탐색부(216)는, 데이터 보유부(213)가 기억하는 복수조의 데이터 세트 처리 조건을 제1 세대의 복수의 개체로 한다. 또한, 조건 탐색부(216)는, 평가 조건 입력부(121)가 입력한 평가 조건에 기초하여 평가 스코어의 도출 방법 및 평가 스코어의 허용 레벨을 정한다.As illustrated in FIG. 11 , the machine learning apparatus 200 first executes steps S51 and S52. In step S51 , the condition search unit 216 waits for input of the evaluation condition from the evaluation condition input unit 121 . In step S52, the condition search unit 216 sets the learning conditions for deriving the recommended processing conditions, and requests the search operation unit 211 to derive the recommended processing conditions according to the learning conditions. For example, the condition search unit 216 sets the plurality of sets of data set processing conditions stored in the data holding unit 213 as a plurality of first generation individuals. Further, the condition search unit 216 determines a method for deriving an evaluation score and an acceptable level of the evaluation score based on the evaluation condition input by the evaluation condition input unit 121 .

계속해서, 기계 학습 장치(200)는, 스텝 S53, S54, S55를 실행한다. 스텝 S53에서는, 탐색 연산부(211)가, 모델 보유부(215)가 기억하는 학습 모델에 각 처리 조건을 입력하여 예측 데이터를 도출한다. 스텝 S54에서는, 탐색 연산부(211)가 예측 데이터의 평가 스코어를 도출한다. 스텝 S55에서는, 탐색 연산부(211)가, 평가 스코어가 허용 레벨인 처리 조건이 존재하는지 여부를 확인한다.Then, the machine learning apparatus 200 executes steps S53, S54, and S55. In step S53, the search operation unit 211 inputs each processing condition to the learning model stored in the model holding unit 215 and derives predictive data. In step S54, the search operation part 211 derives the evaluation score of the prediction data. In step S55, the search operation unit 211 confirms whether or not a processing condition in which the evaluation score is an acceptable level exists.

스텝 S55에 있어서, 평가 스코어가 허용 레벨인 처리 조건이 존재하지 않는다고 판정한 경우, 기계 학습 장치(200)는 스텝 S56을 실행한다. 스텝 S56에서는, 탐색 연산부(211)가 평가 스코어가 허용 레벨로부터 먼 처리 조건을 도태시키면서, 복수의 처리 조건을 교차, 역위, 및 돌연변이 등의 연산에 의해 차세대의 복수의 처리 조건으로 진화시킨다. 그 후, 기계 학습 장치(200)는 처리를 스텝 S53으로 복귀시킨다. 이후, 평가 스코어가 허용 레벨이 되는 처리 조건이 도출될 때까지 처리 조건의 평가 스코어의 도출, 처리 조건의 도태, 및 처리 조건의 진화가 반복된다.In step S55, when it is determined that the processing condition whose evaluation score is an allowable level does not exist, the machine learning apparatus 200 executes step S56. In step S56, the search operation unit 211 evolves the plurality of processing conditions into a plurality of next-generation processing conditions by calculations such as crossover, inversion, and mutation while selecting processing conditions whose evaluation scores are far from the allowable level. Thereafter, the machine learning apparatus 200 returns the process to step S53. Thereafter, the derivation of the evaluation score of the treatment condition, the selection of the treatment condition, and the evolution of the treatment condition are repeated until a treatment condition in which the evaluation score becomes an acceptable level is derived.

스텝 S55에 있어서, 평가 스코어가 허용 레벨인 처리 조건이 존재한다고 판정한 경우, 기계 학습 장치(200)는 스텝 S57, S58을 실행한다. 스텝 S57에서는, 탐색 연산부(211)가, 평가 스코어가 가장 양호한 값인 처리 조건을 권장 처리 조건으로 한다. 스텝 S58에서는, 조건 탐색부(216)가, 탐색 연산부(211)에 의해 도출된 권장 처리 조건을 취득하여 탐색 결과 취득부(122)에 출력한다. 이상으로 권장 처리 조건의 탐색 수순이 완료된다.In step S55, when it is determined that the processing condition of which the evaluation score is an acceptable level exists, the machine learning apparatus 200 executes steps S57 and S58. In step S57, the search operation unit 211 sets the processing condition in which the evaluation score is the best value as the recommended processing condition. In step S58 , the condition search unit 216 acquires the recommended processing conditions derived by the search operation unit 211 and outputs it to the search result acquisition unit 122 . With the above, the search procedure of the recommended processing condition is completed.

권장 처리 조건을 도출하는 것은, 상술한 유전적 알고리즘에 의해 권장 처리 조건을 탐색하는 연산 프로세스에 한정되지 않는다. 예를 들어, 스텝 S55에 있어서, 평가 스코어가 허용 레벨이 될 때까지 처리 조건의 변경과 평가 스코어의 도출을 반복하는 연산 프로세스에 의해서도 권장 처리 조건을 도출하는 것이 가능하다.Deriving the recommended processing conditions is not limited to the computational process of searching for the recommended processing conditions by the above-described genetic algorithm. For example, in step S55, it is possible to derive|derivate a recommended process condition also by the calculation process which repeats the derivation|derivation of the change of process conditions and the evaluation score until an evaluation score becomes an acceptable level.

〔구체예〕[Specific Example]

일례로서, 현상 유닛(U3)에 있어서의 현상 처리의 처리 조건의 설정 지원 수순을 구체적으로 예시한다. 현상 유닛(U3)에 있어서의 현상 처리의 처리 조건은, 예를 들어 웨이퍼(W)의 회전 속도, 현상액의 공급량, 현상액의 공급 시간, 린스액의 공급량, 린스액의 토출 시간, 털어내기 건조 시간, 노즐(31)의 이동 개시 위치, 노즐(31)의 이동 속도, 및 노즐(31) 이동 종료 위치 등을 포함한다. 이 중, 권장 처리 조건이 필요한 항목은, 예를 들어 현상액의 공급 중에 있어서의 웨이퍼(W)의 회전 속도 및 노즐(31)의 이동 속도이다. 이 경우에, 상기 스텝 S01 내지 S09에 있어서는, 웨이퍼(W)의 회전 속도 및 노즐(31)의 이동 속도를 변화시키면서, 기계 학습 장치(200)에 데이터 세트를 입력하는 것이 반복된다.As an example, the setting support procedure of the processing condition of the developing process in the developing unit U3 is specifically illustrated. The processing conditions of the developing process in the developing unit U3 are, for example, the rotation speed of the wafer W, the supply amount of the developer, the supply time of the developer, the supply amount of the rinse liquid, the discharge time of the rinse liquid, and the drying time by shaking off. , the movement start position of the nozzle 31 , the movement speed of the nozzle 31 , the nozzle 31 movement end position, and the like. Among these, items requiring recommended processing conditions are, for example, the rotational speed of the wafer W and the moving speed of the nozzle 31 during supply of the developer. In this case, in the above steps S01 to S09, inputting the data set to the machine learning apparatus 200 is repeated while changing the rotation speed of the wafer W and the moving speed of the nozzle 31 .

예를 들어, 스텝 S01 내지 S09에서는, 웨이퍼(W)의 회전 속도를 200rpm으로 한 상태에서, 노즐(31)의 이동 속도가 15㎜/s, 20㎜/s, 25㎜/s가 되고, 다음으로 웨이퍼(W)의 회전 속도를 250rpm으로 한 상태에서, 노즐(31)의 이동 속도가 15㎜/s, 20㎜/s, 25㎜/s가 되고, 다음으로 웨이퍼(W)의 회전 속도를 300rpm으로 한 상태에서, 노즐(31)의 이동 속도가 15㎜/s, 20㎜/s, 25㎜/s가 된다. 이들 처리 조건 중 어느 것으로 실행되는 스텝 S04에 있어서, 처리액의 공급 상태에 불량이 발생하였다고 판정된 경우, 당해 처리 조건에 대응하는 데이터 세트는 기계 학습 장치(200)로의 입력 대상으로부터 제외된다. 이 경우, 기계 학습에 필요한 수의 데이터 세트를 얻기 위해, 스텝 S09에 의해 처리 조건의 추가 변경이 행해진다. 예를 들어, 회전 속도 300rpm, 또한 이동 속도 25㎜/s의 처리 조건에서 현상액의 액 튐이 발생하였다고 판정된 경우, 회전 속도가 290rpm으로 변경되고, 다시 회전 속도 290rpm, 또한 이동 속도 25㎜/s의 조건에서의 실적 데이터가 취득된다.For example, in steps S01 to S09, with the rotation speed of the wafer W set to 200 rpm, the moving speeds of the nozzle 31 are 15 mm/s, 20 mm/s, and 25 mm/s, and then In a state where the rotation speed of the wafer W is set to 250 rpm, the moving speeds of the nozzle 31 are 15 mm/s, 20 mm/s, and 25 mm/s, and then the rotation speed of the wafer W is set to In the state set to 300 rpm, the moving speed of the nozzle 31 becomes 15 mm/s, 20 mm/s, and 25 mm/s. In step S04 executed under any of these processing conditions, when it is determined that a failure has occurred in the supply state of the processing liquid, the data set corresponding to the processing condition is excluded from the input target to the machine learning apparatus 200 . In this case, in order to obtain the number of data sets required for machine learning, the processing conditions are further changed by step S09. For example, when it is determined that splashing of the developer has occurred under the processing conditions of a rotation speed of 300 rpm and a movement speed of 25 mm/s, the rotation speed is changed to 290 rpm, and again the rotation speed is 290 rpm, and a movement speed of 25 mm/s Performance data under the condition of

스텝 S05에 있어서는, 예를 들어 n개소로 분할된 웨이퍼(W)의 분할 영역의 각각에 있어서의 선폭의 평균값이, n개의 선폭 실적값으로서 취득된다. 이 경우에 있어서의 데이터 세트를 이하에 예시한다.In step S05, for example, the average value of the line widths in each of the division regions of the wafer W divided into n places is acquired as the n line width performance values. The data set in this case is exemplified below.

처리 조건: 웨이퍼(W)의 회전 속도＝200rpm, 노즐의 이동 속도＝15㎜/sProcessing conditions: rotation speed of wafer W = 200 rpm, moving speed of nozzle = 15 mm/s

실적 데이터: W1＝23㎚, W2＝28㎚, W3＝31㎚, ···Wn＝24㎚(Wi: 분할 영역 i에 있어서의 선폭 평균값)Performance data: W1 = 23 nm, W2 = 28 nm, W3 = 31 nm, ... Wn = 24 nm (Wi: average line width in divided region i)

이 데이터 세트에 기초하여 기계 학습 장치(200)에 있어서 생성되는 학습 모델은, 예를 들어 웨이퍼(W)의 회전 속도 및 노즐의 이동 속도의 입력에 응답하여, n개소의 분할 영역에 있어서의 선폭 평균값의 예측값을 출력하는 것이 된다. 스텝 S12에서는, 상기 평가 스코어의 산출식으로서, 예를 들어 n개의 선폭 예측값의 표준 편차의 산출식이 설정되고, 상기 허용 레벨로서, 표준 편차의 허용값이 설정된다. 이와 같이 설정된 평가 조건에 기초하여, 기계 학습 장치(200)에 있어서는, 웨이퍼(W)의 회전 속도 및 노즐(31)의 이동 속도의 권장값(예를 들어, 웨이퍼(W)의 회전 속도＝234rpm, 노즐(31)의 이동 속도＝22rpm)이 상기 권장 처리 조건으로서 도출된다.The learning model generated in the machine learning apparatus 200 based on this data set responds to, for example, input of the rotation speed of the wafer W and the movement speed of the nozzle, the line width in n divided regions It is to output the predicted value of the average value. In step S12, as a calculation formula of the said evaluation score, the calculation formula of the standard deviation of n line width predicted values is set as a calculation formula, and the allowable value of a standard deviation is set as the said permissible level. Based on the evaluation conditions set in this way, in the machine learning apparatus 200, the recommended values of the rotation speed of the wafer W and the moving speed of the nozzle 31 (for example, the rotation speed of the wafer W = 234 rpm) , the moving speed of the nozzle 31 = 22 rpm) is derived as the recommended processing condition.

〔본 실시 형태의 효과〕[Effect of this embodiment]

이상에 설명한 바와 같이, 본 실시 형태에 관한 기판 처리의 조건 설정 지원 방법은, 웨이퍼(W)로의 처리액의 공급을 포함하여 도포·현상 장치(2)에 의해 실행된 기판 처리의 처리 조건과, 당해 기판 처리의 품질에 관한 실적 데이터를 포함하는 데이터 세트를 기계 학습 장치(200)에 입력하는 것과, 복수조의 데이터 세트에 기초하는 기계 학습에 의해 기계 학습 장치(200)가 생성한 모델이며, 처리 조건의 입력에 응답하여 기판 처리의 품질에 관한 예측 데이터를 출력하는 학습 모델에 기초하여 기판 처리의 권장 처리 조건을 도출하는 것을 포함한다.As described above, the substrate processing condition setting support method according to the present embodiment includes the processing conditions of the substrate processing performed by the coating/developing apparatus 2 including the supply of the processing liquid to the wafer W; It is a model generated by the machine learning apparatus 200 by inputting a data set including performance data related to the quality of the substrate processing into the machine learning apparatus 200 and machine learning based on a plurality of sets of data sets, and deriving recommended processing conditions of the substrate processing based on the learning model outputting predictive data regarding the quality of the substrate processing in response to the input of the condition.

이 조건 설정 지원 방법에 의하면, 기계 학습에 의해 생성된 학습 모델에 기초하여 권장 처리 조건이 도출되므로, 적절한 처리 조건을 효율적으로 탐색할 수 있다. 따라서, 기판 처리의 처리 조건을 설정하는 작업의 간소화에 유효하다.According to this condition setting support method, since recommended processing conditions are derived based on the learning model generated by machine learning, appropriate processing conditions can be efficiently searched for. Therefore, it is effective for the simplification of the operation|work of setting processing conditions for a substrate processing.

기판 처리의 조건 설정 지원 방법은, 권장 처리 조건에 따라서 도포·현상 장치(2)에 기판 처리를 더 실행시키는 것과, 권장 처리 조건에 따른 기판 처리의 품질에 관한 추가 실적 데이터를 더 취득하는 것과, 권장 처리 조건과 추가 실적 데이터를 포함하는 추가 데이터 세트를 기계 학습 장치(200)에 더 입력하는 것과, 추가 데이터 세트에 기초하여 기계 학습 장치(200)가 갱신한 학습 모델에 기초하여 권장 처리 조건을 갱신하는 것을 포함하고 있어도 된다. 이 경우, 권장 처리 조건과 추가 실적 데이터의 피드백에 의해 권장 처리 조건이 갱신된다. 따라서, 보다 적절한 처리 조건을 효율적으로 탐색할 수 있다.A method for supporting the setting of conditions for substrate processing includes causing the coating/developing apparatus 2 to further perform substrate processing according to recommended processing conditions, and further acquiring additional performance data regarding the quality of substrate processing according to the recommended processing conditions; Further inputting an additional data set including the recommended processing conditions and additional performance data into the machine learning apparatus 200, and based on the learning model updated by the machine learning apparatus 200 based on the additional data set, recommended processing conditions update may be included. In this case, the recommended processing conditions are updated according to the feedback of the recommended processing conditions and additional performance data. Accordingly, it is possible to efficiently search for more appropriate processing conditions.

기판 처리의 조건 설정 지원 방법은, 권장 처리 조건을 평가하는 것을 더 포함하고, 권장 처리 조건에 따라서 도포·현상 장치(2)에 기판 처리를 더 실행시키는 것과, 추가 실적 데이터를 더 취득하는 것과, 추가 데이터 세트를 기계 학습 장치(200)에 더 입력하는 것과, 추가 데이터 세트에 기초하여 기계 학습 장치(200)가 갱신한 학습 모델에 기초하여 권장 처리 조건을 갱신하는 것을, 권장 처리 조건의 평가 결과가 소정의 레벨에 도달할 때까지 반복해도 된다. 이 경우, 반복 처리에 의해, 보다 적절한 처리 조건을 효율적으로 탐색할 수 있다.The substrate processing condition setting support method further includes evaluating recommended processing conditions, causing the coating/developing apparatus 2 to further perform substrate processing according to the recommended processing conditions, further acquiring additional performance data; Further inputting the additional data set into the machine learning apparatus 200, updating the recommended processing condition based on the learning model updated by the machine learning apparatus 200 based on the additional data set, the evaluation result of the recommended processing condition may be repeated until a predetermined level is reached. In this case, more appropriate processing conditions can be efficiently searched for by the iterative processing.

권장 처리 조건을 도출하는 것은, 예측 데이터의 평가 조건을 기계 학습 장치(200)에 입력하는 것과, 복수조의 데이터 세트와, 학습 모델과, 평가 조건에 기초하여 기계 학습 장치(200)가 도출한 권장 처리 조건을 취득하는 것을 포함하고 있어도 된다. 이 경우, 권장 처리 조건의 탐색도 기계 학습 장치(200)에서 행하기 때문에, 적절한 처리 조건을 더욱 효율적으로 탐색할 수 있다.Deriving the recommended processing conditions is inputting the evaluation conditions of the prediction data into the machine learning apparatus 200, and the recommendations derived by the machine learning apparatus 200 based on the plurality of sets of data sets, the learning model, and the evaluation conditions. Acquiring processing conditions may be included. In this case, since the search for recommended processing conditions is also performed by the machine learning apparatus 200, appropriate processing conditions can be searched more efficiently.

기판 처리의 조건 설정 지원 방법에서는, 복수 항목의 실적값을 포함하는 실적 데이터를 취득하고, 처리 조건의 입력에 응답하여 복수 항목의 예측값을 각각 출력하는 복수의 모델식을 포함하는 학습 모델을 생성하는 기계 학습 장치(200)에 데이터 세트를 입력하고, 복수 항목의 예측값을 평가하는 평가 조건을 기계 학습 장치(200)에 입력해도 된다. 이 경우, 평가 조건을 복수 항목으로 전개함으로써 처리의 품질을 보다 적절하게 평가하여, 보다 적절한 처리 조건을 탐색할 수 있다.In the substrate processing condition setting support method, a learning model including a plurality of model expressions for acquiring performance data including performance values of a plurality of items and outputting predicted values of a plurality of items in response to input of processing conditions, respectively, is generated. You may input a data set to the machine learning apparatus 200 and input evaluation conditions for evaluating the predicted values of a plurality of items into the machine learning apparatus 200 . In this case, by developing the evaluation conditions into a plurality of items, the quality of the processing can be evaluated more appropriately, and more suitable processing conditions can be searched for.

기판 처리의 조건 설정 지원 방법에서는, 복수 항목 중 적어도 일부에 있어서의 예측값의 변동에 관한 조건을 포함하는 평가 조건을 기계 학습 장치(200)에 입력해도 된다. 이 경우, 복수 항목을 효율적으로 평가할 수 있으므로, 보다 적절한 처리 조건을 효율적으로 탐색할 수 있다.In the method for supporting the setting of conditions for substrate processing, evaluation conditions including conditions related to variations in predicted values in at least one of a plurality of items may be input to the machine learning apparatus 200 . In this case, since a plurality of items can be evaluated efficiently, more appropriate processing conditions can be efficiently searched for.

기판 처리의 조건 설정 지원 방법에서는, 기판 처리 후에 있어서의 웨이퍼(W)의 품질을 나타내는 처리 후 항목과, 기판 처리 도중에 있어서의 처리액의 공급 상태를 나타내는 처리 중 항목의 실적값을 포함하는 실적 데이터를 취득하여, 처리 중 항목의 실적값에 기초하여 기계 학습 장치(200)에 입력할 데이터 세트를 선택해도 된다. 이 경우, 처리 중의 이상을 처리 중의 데이터로서 직접적으로 파악함으로써, 처리 후의 품질에 기초하는 권장 처리 조건의 탐색 범위를 좁힐 수 있다. 따라서, 적절한 처리 조건을 보다 효율적으로 탐색할 수 있다.In the substrate processing condition setting support method, performance data including performance values of a post-processing item indicating the quality of the wafer W after substrate processing and an in-processing item indicating a supply state of a processing liquid during substrate processing may be obtained and a data set to be input to the machine learning apparatus 200 may be selected based on the performance value of the item in processing. In this case, by directly grasping the abnormality during processing as data during processing, it is possible to narrow the search range for recommended processing conditions based on the quality after processing. Accordingly, appropriate processing conditions can be searched for more efficiently.

기판 처리의 조건 설정 지원 방법은, 데이터 세트를 기계 학습 장치(200)에 입력하기 전에, 당해 데이터 세트의 실적 데이터로부터, 기판 처리와는 다른 요인에 기인하는 성분을 제외하는 것을 더 포함하고 있어도 된다. 이 경우, 보다 적절한 처리 조건을 탐색할 수 있다.The substrate processing condition setting support method may further include, before inputting the data set into the machine learning apparatus 200 , excluding a component resulting from a factor different from that of the substrate processing from the performance data of the data set. . In this case, more appropriate processing conditions can be searched for.

기판 처리는, 웨이퍼(W)의 표면(Wa)에 있어서 노광 처리가 실시된 감광성 피막에 현상액을 공급하는 현상 처리를 포함해도 되고, 현상 처리에 의해 웨이퍼(W)의 표면(Wa)에 형성된 패턴의 선폭의 실적값을 포함하는 실적 데이터를 취득해도 된다. 기판 처리가 현상 처리를 포함하고 있는 경우, 적합한 처리 조건을 도출하기 위해서는 막대한 노동력을 요하는 경향이 있다. 이 때문에, 상기한 조건 설정 지원 방법에 의하면, 적절한 처리 조건을 효율적으로 탐색할 수 있어, 유효성이 현저하다.The substrate treatment may include a developing treatment of supplying a developing solution to the photosensitive film subjected to exposure treatment on the surface Wa of the wafer W, and a pattern formed on the surface Wa of the wafer W by the developing treatment. You may acquire the performance data containing the performance value of the line|wire width of . When substrate processing includes developing processing, it tends to require enormous labor in order to derive suitable processing conditions. For this reason, according to the above-described condition setting support method, an appropriate processing condition can be efficiently searched for, and the effectiveness is remarkable.

기판 처리는, 웨이퍼(W)의 표면(Wa)에 성막액을 도포하여 피막을 형성하는 성막 처리를 포함해도 되고, 성막 처리에 의해 웨이퍼(W)의 표면(Wa)에 형성된 피막의 막 두께의 실적값을 포함하는 실적 데이터를 취득해도 된다. 기판 처리가 성막 처리를 포함하고 있는 경우도, 기판 처리의 품질은 처리 조건에 대해 매우 민감하므로, 적합한 처리 조건을 도출하기 위해서는 막대한 노동력을 요하는 경향이 있다. 이 때문에, 상기한 조건 설정 지원 방법에 의하면, 적절한 처리 조건을 효율적으로 탐색할 수 있어, 유효성이 현저하다.The substrate treatment may include a film forming process in which a film is formed by applying a film forming liquid to the surface Wa of the wafer W, and the thickness of the film formed on the surface Wa of the wafer W by the film forming process is You may acquire performance data containing a performance value. Even when the substrate processing includes the film forming process, the quality of the substrate processing is very sensitive to the processing conditions, and therefore, it tends to require a great amount of labor to derive suitable processing conditions. For this reason, according to the above-described condition setting support method, an appropriate processing condition can be efficiently searched for, and the effectiveness is remarkable.

이상, 실시 형태에 대해 설명하였지만, 본 개시는 반드시 상술한 실시 형태에 한정되는 것은 아니며, 그 요지를 일탈하지 않는 범위에서 다양한 변경이 가능하다. 예를 들어, 처리 대상 기판은 반도체 웨이퍼에 한정되지 않고, 예를 들어 유리 기판, 마스크 기판, FPD(Flat Panel Display) 등이어도 된다.As mentioned above, although embodiment was described, this indication is not necessarily limited to embodiment mentioned above, A various change is possible in the range which does not deviate from the summary. For example, the processing target substrate is not limited to a semiconductor wafer, and may be, for example, a glass substrate, a mask substrate, a flat panel display (FPD), or the like.

2: 도포·현상 장치(기판 처리 장치)
11, 12, 13, 14: 처리 모듈(처리부)
112: 처리 제어부
113: 데이터 취득부
114: 데이터 입력부
115: 권장 조건 도출부
121: 평가 조건 입력부
122: 탐색 결과 취득부
214: 모델 생성부
W: 웨이퍼
Wa: 표면2: Coating/developing apparatus (substrate processing apparatus)
11, 12, 13, 14: processing module (processing unit)
112: processing control
113: data acquisition unit
114: data input unit
115: recommended condition derivation unit
121: evaluation condition input unit
122: search result acquisition unit
214: model generation unit
W: Wafer
Wa: surface

Claims

inputting into the machine learning apparatus a data set including processing conditions of the substrate processing performed by the substrate processing apparatus including supply of the processing liquid to the substrate, and performance data relating to the quality of the substrate processing;
The substrate processing based on a learning model that is a model generated by the machine learning apparatus by machine learning based on a plurality of sets of the data sets, and outputs predictive data regarding the quality of the substrate processing in response to an input of the processing condition A method for supporting condition setting of substrate processing, comprising deriving recommended processing conditions for

According to claim 1,
further subjecting the substrate processing apparatus to processing the substrate according to the recommended processing conditions;
further acquiring additional performance data regarding the quality of the substrate processing according to the recommended processing conditions;
further inputting an additional data set comprising the recommended processing conditions and the additional performance data into the machine learning device;
and updating the recommended processing conditions based on the learning model updated by the machine learning apparatus based on the additional data set.

3. The method of claim 2,
further comprising evaluating the recommended treatment conditions;
further causing the substrate processing apparatus to perform the substrate processing according to the recommended processing condition, further acquiring the additional performance data, further inputting the additional data set into the machine learning apparatus, and adding the additional data set to the additional data set. and repeating updating the recommended processing conditions based on the learning model updated by the machine learning apparatus based on the recommended processing conditions until an evaluation result of the recommended processing conditions reaches a predetermined level. .

4. The method according to any one of claims 1 to 3,
Deriving the recommended processing conditions is,
inputting the evaluation conditions of the prediction data into the machine learning device;
and acquiring the recommended processing conditions derived by the machine learning apparatus based on the plurality of sets of data sets, the learning model, and the evaluation conditions.

5. The method of claim 4,
acquiring the performance data including performance values of a plurality of items;
inputting the data set to the machine learning apparatus for generating the learning model including a plurality of model equations for respectively outputting the predicted values of the plurality of items in response to the input of the processing condition;
The condition setting support method for substrate processing, wherein the evaluation conditions for evaluating the predicted values of the plurality of items are input to the machine learning apparatus.

6. The method of claim 5,
The condition setting support method for substrate processing, wherein the evaluation condition including a condition related to a change in a predicted value in at least one of the plurality of items is input to the machine learning apparatus.

7. The method according to any one of claims 1 to 6,
Acquire the performance data including performance values of a post-processing item indicating the quality of the substrate after the substrate processing and an in-processing item indicating a supply state of the processing liquid to the substrate in the middle of the substrate processing; ,
A method for supporting condition setting of substrate processing, wherein a data set to be input to a machine learning apparatus is selected based on the performance value of the item during the processing.

8. The method according to any one of claims 1 to 7,
The method for supporting the condition setting of substrate processing, further comprising, before inputting the data set into the machine learning apparatus, excluding a component due to a factor different from that of the substrate processing from the performance data of the data set.

9. The method according to any one of claims 1 to 8,
The substrate treatment includes a developing treatment in which a developer is supplied to a photosensitive film subjected to exposure treatment on the surface of the substrate;
The condition setting support method for substrate processing, wherein the performance data including an actual value of a line width of a pattern formed on the surface of the substrate by the developing processing is acquired.

9. The method according to any one of claims 1 to 8,
The substrate treatment includes a film forming treatment of forming a film by applying a film forming liquid to the surface of the substrate,
The condition setting support method of substrate processing which acquires the said performance data containing the performance value of the film thickness of the said film formed on the surface of the said board|substrate by the said film-forming process.

acquiring a data set including processing conditions set for substrate processing including supply of a processing liquid to the substrate, and performance data relating to the quality of the substrate processing according to the processing conditions;
and generating, by machine learning based on a plurality of sets of the data sets, a learning model that outputs predictive data regarding the quality of the substrate processing in response to the input of the processing conditions.

12. The method of claim 11,
The method further comprising deriving recommended processing conditions for the substrate processing based on the evaluation conditions of the plurality of sets of data sets, the learning model, and the prediction data.

13. The method of claim 12,
Generating the learning model by the machine learning includes a computational process of searching the learning model by a genetic program,
and deriving the recommended processing condition includes a calculation process of searching for the recommended processing condition by a genetic algorithm.

14. The method of claim 12 or 13,
acquiring the data set in which the performance data includes performance values of a plurality of items;
generating the learning model including a plurality of model expressions for respectively outputting the predicted values of the plurality of items in response to the input of the processing condition;
and deriving the recommended processing conditions based on the plurality of sets of data sets, the plurality of model expressions, and the evaluation conditions for evaluating the predicted values of the plurality of items.

15. The method of claim 14,
and deriving the recommended processing condition based on the evaluation condition including a condition related to variation of the predicted value of the plurality of items.

a processing unit for performing substrate processing including supply of a processing liquid to the substrate;
a processing control unit configured to execute the substrate processing in the processing unit according to preset processing conditions;
a data acquisition unit configured to acquire performance data related to the quality of the substrate processing according to the processing conditions;
a data input unit for inputting a data set including the processing conditions and the performance data to a model generation unit;
Recommended processing of the substrate processing based on a learning model generated by the model generation unit by machine learning based on a plurality of sets of data sets so as to output predictive data regarding the quality of the substrate processing in response to the input of the processing conditions A substrate processing system comprising a recommended condition derivation unit for deriving a condition.

17. The method of claim 16,
The substrate processing system further comprising the model generation unit.

18. The method of claim 16 or 17,
The recommended condition derivation unit,
an evaluation condition input unit for inputting evaluation conditions of the prediction data to a condition search unit;
A substrate processing system comprising: a search result acquisition unit configured to acquire the recommended processing conditions derived from the condition search unit based on the plurality of sets of data sets, the learning model, and the evaluation conditions.

19. The method of claim 18,
The substrate processing system further comprising the condition search unit.

A computer-readable storage medium storing a program for causing an apparatus to execute the method for supporting the condition setting of the substrate processing according to any one of claims 1 to 15.

in response to input of a processing condition of a substrate processing performed by the substrate processing apparatus, including supply of a processing liquid to the substrate, to cause the apparatus to output predictive data regarding the quality of the substrate processing; A learning model generated by machine learning based on a plurality of sets of data each including a processing condition of a processing and performance data relating to the quality of the substrate processing according to the processing condition.