KR20210119289A - 학습 완료된 모델 생성 방법, 이상 요인 추정 장치, 기판 처리 장치, 이상 요인 추정 방법, 학습 방법, 학습 장치, 및 학습 데이터 작성 방법 - Google Patents

학습 완료된 모델 생성 방법, 이상 요인 추정 장치, 기판 처리 장치, 이상 요인 추정 방법, 학습 방법, 학습 장치, 및 학습 데이터 작성 방법 Download PDF

Info

Publication number
KR20210119289A
KR20210119289A KR1020210018875A KR20210018875A KR20210119289A KR 20210119289 A KR20210119289 A KR 20210119289A KR 1020210018875 A KR1020210018875 A KR 1020210018875A KR 20210018875 A KR20210018875 A KR 20210018875A KR 20210119289 A KR20210119289 A KR 20210119289A
Authority
KR
South Korea
Prior art keywords
information
processing
substrate
learning
abnormality factor
Prior art date
Application number
KR1020210018875A
Other languages
English (en)
Other versions
KR102583402B1 (ko
Inventor
아스카 와키타
나오키 사와자키
타카시 오타
Original Assignee
가부시키가이샤 스크린 홀딩스
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 가부시키가이샤 스크린 홀딩스 filed Critical 가부시키가이샤 스크린 홀딩스
Publication of KR20210119289A publication Critical patent/KR20210119289A/ko
Application granted granted Critical
Publication of KR102583402B1 publication Critical patent/KR102583402B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
    • H01L21/67005—Apparatus not specifically provided for elsewhere
    • H01L21/67242—Apparatus for monitoring, sorting or marking
    • H01L21/67253—Process monitoring, e.g. flow or thickness monitoring
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
    • H01L21/67005—Apparatus not specifically provided for elsewhere
    • H01L21/67011—Apparatus for manufacture or treatment
    • H01L21/67017—Apparatus for fluid treatment
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
    • H01L21/67005—Apparatus not specifically provided for elsewhere
    • H01L21/67011—Apparatus for manufacture or treatment
    • H01L21/67017—Apparatus for fluid treatment
    • H01L21/67028—Apparatus for fluid treatment for cleaning followed by drying, rinsing, stripping, blasting or the like
    • H01L21/6704—Apparatus for fluid treatment for cleaning followed by drying, rinsing, stripping, blasting or the like for wet cleaning or washing
    • H01L21/67051—Apparatus for fluid treatment for cleaning followed by drying, rinsing, stripping, blasting or the like for wet cleaning or washing using mainly spraying means, e.g. nozzles
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
    • H01L21/67005—Apparatus not specifically provided for elsewhere
    • H01L21/67011—Apparatus for manufacture or treatment
    • H01L21/67017—Apparatus for fluid treatment
    • H01L21/67063—Apparatus for fluid treatment for etching
    • H01L21/67075—Apparatus for fluid treatment for etching for wet etching
    • H01L21/6708—Apparatus for fluid treatment for etching for wet etching using mainly spraying means, e.g. nozzles
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
    • H01L21/67005—Apparatus not specifically provided for elsewhere
    • H01L21/67242—Apparatus for monitoring, sorting or marking
    • H01L21/67288—Monitoring of warpage, curvature, damage, defects or the like

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Power Engineering (AREA)
  • Manufacturing & Machinery (AREA)
  • Computer Hardware Design (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Automation & Control Theory (AREA)
  • Cleaning Or Drying Semiconductors (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

본 발명은, 학습 완료된 모델 생성 방법, 이상 요인 추정 장치, 기판 처리 장치, 이상 요인 추정 방법, 학습 방법, 학습 장치, 및 학습 데이터 작성 방법을 제공한다. 학습 완료된 모델 생성 방법은, 학습 데이터(TND)를 취득하는 스텝(S31)과, 처리 유체에 의한 처리 후의 처리 대상 기판(W2)의 이상 요인을 추정하는 학습 완료된 모델(LM)을, 학습 데이터(TND)를 기계 학습하는 것에 의해 생성하는 스텝(S32)을 포함한다. 학습 데이터(TND)는, 특징량(XD)과 이상 요인 정보(YD)를 포함한다. 이상 요인 정보(YD)는, 처리 유체에 의한 처리 후의 학습 대상 기판(W1)의 이상 요인을 나타낸다. 특징량(XD)은, 처리 유체에 의해 학습 대상 기판(W1)을 처리하는 기판 처리 장치(200)가 사용하는 물체의 물리량을 나타내는 시계열 데이터(TD1) 중, 구간 데이터(SX)의 시간 추이의 특징을 나타내는 제1 특징량 정보(XD1)를 포함한다. 제1 특징량 정보(XD1)는, 시간에 의해서 나타난다.

Description

학습 완료된 모델 생성 방법, 이상 요인 추정 장치, 기판 처리 장치, 이상 요인 추정 방법, 학습 방법, 학습 장치, 및 학습 데이터 작성 방법{LEARNED MODEL GENERATING METHOD, ABNORMALITY FACTOR ESTIMATING DEVICE, SUBSTRATE PROCESSING DEVICE, ABNORMALITY FACTOR ESTIMATING METHOD, LEARNING METHOD, LEARNING DEVICE, AND LEARNING DATA GENERATING METHOD}
본 발명은, 학습 완료된 모델 생성 방법, 이상 요인 추정 장치, 기판 처리 장치, 이상 요인 추정 방법, 학습 방법, 학습 장치, 및 학습 데이터 작성 방법에 관한 것이다.
특허문헌 1에 기재되어 있는 이상 진단 시스템은, 레지스트 도포·현상 처리 장치에서 발생한 이상을 검지해, 이상 원인을 추정한다.
이상 진단 시스템은, 복수의 프로세스 처리 장치에 각각 설치되는 센서와 배선에 의해 접속되어 있다. 센서는, 시간과 함께 변동하는 시계열 데이터를 이상 진단 시스템에 출력한다. 센서는, 예를 들면, 압력 센서, 온도 센서, 유량 센서, 액면 센서, 위치 센서, 토크 센서, 또는, 속도 센서이다.
이상 진단 시스템은, 데이터 보관유지부와, 데이터 수집부와, 이상 검지부와, 판정 데이터 작성부와, 진단부로 구성된다.
데이터 보관유지부에는, 시계열 데이터와, 이상 데이터와, 판정 데이터와, 모델 데이터가 기억되어 있다.
데이터 수집부는, 복수의 프로세스 처리 장치에 각각 설치되는 센서로부터, 시간과 함께 변동하는 시계열 데이터를 수집해, 데이터 보관유지부에 시계열 데이터를 기억한다. 시계열 데이터는, 예를 들면, 시간과 함께 변동하는 압력, 온도, 유량, 액면 레벨, 위치, 토크, 또는 속도이다.
이상 검지부는, 데이터 수집부가 수집한 시계열 데이터를 상하 변동 역치 데이터와 비교함으로써, 비정상의 시계열 데이터인 이상 데이터를 검지한다.
판정 데이터 작성부는, 이상 검지부에 의해 검지된 이상 데이터를, 판정 조건 데이터에 근거하여 시계열 마다 복수의 감시 구간으로 분할하고, 각각의 감시 구간에서, 복수의 판정 조건에 합치(合致)되는지 여부를 판정하는 동시에, 판정 결과의 조합으로 이루어진 판정 데이터를 작성해, 데이터 보관유지부에 판정 데이터로서 기억한다.
진단부는, 판정 데이터 작성부에 의해 작성된 판정 데이터를, 판정 데이터에 대응하는 모델 데이터와 대조함으로써 프로세스 처리 장치의 이상 원인을 추정한다.
모델 데이터는, 이상 원인 마다 특유의 변동 경향이 발생한 시계열 데이터를, 판정 데이터를 작성했을 때의 판정 조건에 따라 판정한 경우의 결과이며, 미리 기억되어 있다. 또한, 각 판정 조건의 역치 및 범위 등은 감시 구간 마다 결정된다.
[특허문헌1] 일본 특허공개 2012-150721호 공보
그러나, 특허문헌 1에 기재되어 있는 이상 진단 시스템에서는, 모델 데이터 및 판정 조건의 정밀도(精度)에 의존하여, 프로세스 처리 장치의 이상 원인을 정밀도 좋게 추정할 수 없는 경우가 있다. 이 경우에는, 검사 기술자가, 시계열 데이터를 해석하여, 프로세스 처리 장치의 이상 원인을 특정할 필요가 있다.
그러나, 시계열 데이터는 매우 복잡하고, 검사 기술자가 규칙성을 찾아내는 것은 곤란하다. 또한, 시계열 데이터는, 다수의 파라미터를 가지고 있어, 해석 대상이 방대하다. 따라서, 검사 기술자의 기능 및 경험에 의존하여, 프로세스 처리 장치의 이상 요인의 특정에 장시간을 필요로 하는 경우가 있다. 그 결과, 프로세스 처리 장치에 의해서 처리된 기판의 이상 요인의 특정에도 장시간을 필요로 하는 경우가 있다.
본 발명은 상기 과제를 감안하여 이루어진 것으로, 그 목적은, 처리 유체에 의한 처리 후의 처리 대상 기판의 이상 요인을 정밀도 좋게 특정할 수 있는 동시에, 이상 요인을 특정할 때의 시간을 단축할 수 있는 학습 완료된 모델 생성 방법, 이상 요인 추정 장치, 기판 처리 장치, 이상 요인 추정 방법, 학습 방법, 학습 장치, 및 학습 데이터 작성 방법을 제공하는 것에 있다.
본 발명의 일 국면에 의하면, 학습 완료된 모델 생성 방법은, 학습 데이터를 취득하는 단계와, 처리 유체에 의한 처리 후의 처리 대상 기판의 이상 요인을 추정하는 학습 완료된 모델을, 상기 학습 데이터를 기계 학습하는 것에 의해 생성하는 단계를 포함한다. 상기 학습 데이터는, 특징량과 이상 요인 정보를 포함한다. 상기 이상 요인 정보는, 상기 처리 유체에 의한 처리 후의 학습 대상 기판의 이상 요인을 나타낸다. 상기 특징량은, 상기 처리 유체에 의해 상기 학습 대상 기판을 처리하는 기판 처리 장치가 사용하는 물체의 물리량을 나타내는 시계열 데이터 중, 구간 데이터의 시간 추이의 특징을 나타내는 제1 특징량 정보를 포함한다. 상기 제1 특징량 정보는, 시간에 의해서 나타난다.
본 발명의 학습 완료된 모델 생성 방법에 있어서, 상기 이상 요인 정보는, 제1 이상 요인 정보와 제2 이상 요인 정보 중 적어도 하나의 정보를 포함하는 것이 바람직하다. 상기 제1 이상 요인 정보는, 상기 기판 처리 장치에 의한 상기 학습 대상 기판의 처리시의 상기 처리 유체에 관한 정보인 것이 바람직하다. 상기 제2 이상 요인 정보는, 상기 기판 처리 장치의 부품에 관한 정보인 것이 바람직하다.
본 발명의 학습 완료된 모델 생성 방법에 있어서, 상기 제1 특징량 정보는, 제1 정보와 제2 정보와 제3 정보와 제4 정보와 제5 정보와 제6 정보 중 적어도 하나의 정보를 포함하는 것이 바람직하다. 상기 제1 정보는, 상기 물리량이 목표치를 향해 증가할 때의 상기 물리량의 상태를 나타내는 정보인 것이 바람직하다. 상기 제2 정보는, 상기 물리량의 오버슈트(overshoot)를 나타내는 정보인 것이 바람직하다. 상기 제3 정보는, 상기 물리량의 변동을 나타내는 정보인 것이 바람직하다. 상기 제4 정보는, 상기 물리량이 상기 목표치로부터 감소할 때의 상기 물리량의 상태를 나타내는 정보인 것이 바람직하다. 상기 제5 정보는, 상기 기판 처리 장치가 서로 다른 적어도 2개의 상기 물체를 사용할 때, 상기 2개의 물체 중 일방의 물체의 상기 물리량과 타방의 물체의 상기 물리량과의 오버랩을 나타내는 정보인 것이 바람직하다. 상기 제6 정보는, 시간축 상에서, 상기 일방의 물체와 상기 타방의 물체와의 시간 간격을 나타내는 정보인 것이 바람직하다.
본 발명의 학습 완료된 모델 생성 방법에 있어서, 상기 물체는, 상기 처리 유체인 것이 바람직하다. 상기 물리량은, 상기 처리 유체를 배출하는 배출관 내에서의 상기 처리 유체의 물리량을 나타내는 것이 바람직하다.
본 발명의 학습 완료된 모델 생성 방법에 있어서, 상기 물체는, 상기 처리 유체인 것이 바람직하다. 상기 물리량은, 상기 처리 유체의 유량, 상기 처리 유체의 온도, 또는, 상기 처리 유체의 농도를 나타내는 것이 바람직하다.
본 발명의 학습 완료된 모델 생성 방법에 있어서, 상기 물체는, 상기 학습 대상 기판을 회전시키는 기판 보관유지부, 상기 학습 대상 기판을 향해서 상기 처리 유체를 토출(吐出)하는 노즐을 이동시키는 암, 상기 학습 대상 기판으로부터 비산(飛散)한 상기 처리 유체를 받는 가드, 또는, 상기 처리 유체의 흐름을 조절하는 밸브인 것이 바람직하다. 상기 물체가 상기 기판 보관유지부인 경우, 상기 물리량은, 상기 기판 보관유지부의 동작 및/또는 상태에 관한 양을 나타내는 것이 바람직하다. 상기 물체가 상기 암인 경우, 상기 물리량은, 상기 암의 동작 및/또는 상태에 관한 양을 나타내는 것이 바람직하다. 상기 물체가 상기 가드인 경우, 상기 물리량은, 상기 가드의 동작 및/또는 상태에 관한 양을 나타내는 것이 바람직하다. 상기 물체가 상기 밸브인 경우, 상기 물리량은, 상기 밸브의 동작 및/또는 상태에 관한 양을 나타내는 것이 바람직하다.
본 발명의 학습 완료된 모델 생성 방법에 있어서, 상기 물체는, 상기 학습 대상 기판의 상면을 간격을 두고 덮는 차단판을 포함하는 것이 바람직하다. 상기 물체가 상기 차단판인 경우, 상기 물리량은, 상기 차단판의 동작 및/또는 상태에 관한 양을 나타내는 것이 바람직하다.
본 발명의 학습 완료된 모델 생성 방법에 있어서, 상기 특징량은, 제2 특징량 정보를 더 포함하는 것이 바람직하다. 상기 제2 특징량 정보는, 하나의 로트를 구성하는 선정된 수의 상기 학습 대상 기판에 대한 처리의 순번을 나타내는 처리 순번 정보, 또는, 로트에 대한 처리 종료부터 다음의 로트에 대한 처리 개시까지의 시간 간격을 나타내는 로트 간격 정보인 것이 바람직하다.
본 발명의 다른 국면에 의하면, 이상 요인 추정 장치는, 처리 유체에 의한 처리 후의 처리 대상 기판의 이상 요인을 추정한다. 이상 요인 추정 장치는, 기억부와, 추정부를 구비한다. 기억부는, 학습 데이터를 기계 학습함으로써 구축되는 학습 완료된 모델을 기억한다. 추정부는, 상기 학습 완료된 모델에 입력 정보를 입력하여, 상기 학습 완료된 모델로부터 출력 정보를 취득한다. 상기 학습 데이터는, 특징량과 이상 요인 정보를 포함한다. 상기 이상 요인 정보는, 상기 처리 유체에 의한 처리 후의 학습 대상 기판의 이상 요인을 나타낸다. 상기 특징량은, 상기 처리 유체에 의해 상기 학습 대상 기판을 처리하는 기판 처리 장치가 사용하는 물체의 물리량을 나타내는 시계열 데이터 중, 구간 데이터의 시간 추이의 특징을 나타내는 제1 특징량 정보를 포함하고, 상기 제1 특징량 정보는, 시간에 의해서 나타난다. 상기 입력 정보는, 상기 처리 유체에 의해 상기 처리 대상 기판을 처리하는 기판 처리 장치가 사용하는 물체의 물리량을 나타내는 시계열 데이터 중, 구간 데이터의 시간 추이의 특징을 나타내는 제1 입력 정보를 포함하고, 상기 제1 입력 정보는, 시간에 의해서 나타난다. 상기 출력 정보는, 상기 처리 유체에 의한 처리 후의 상기 처리 대상 기판의 이상 요인을 나타낸다.
본 발명의 이상 요인 추정 장치에 있어서, 상기 이상 요인 정보는, 제1 이상 요인 정보와 제2 이상 요인 정보 중 적어도 하나의 정보를 포함하는 것이 바람직하다. 상기 제1 이상 요인 정보는, 상기 기판 처리 장치에 의한 상기 학습 대상 기판의 처리시의 상기 처리 유체에 관한 정보인 것이 바람직하다. 상기 제2 이상 요인 정보는, 상기 학습 대상 기판을 처리하는 상기 기판 처리 장치의 부품에 관한 정보인 것이 바람직하다. 상기 출력 정보는, 제1 출력 정보와 제2 출력 정보 중 적어도 하나의 정보를 포함하는 것이 바람직하다. 상기 제1 출력 정보는, 상기 기판 처리 장치에 의한 상기 처리 대상 기판의 처리시의 상기 처리 유체에 관한 정보인 것이 바람직하다. 상기 제2 출력 정보는, 상기 처리 대상 기판을 처리하는 상기 기판 처리 장치의 부품에 관한 정보인 것이 바람직하다.
본 발명의 이상 요인 추정 장치에 있어서, 상기 제1 특징량 정보 및 상기 제1 입력 정보의 각각은, 제1 정보와 제2 정보와 제3 정보와 제4 정보와 제5 정보와 제6 정보 중 적어도 하나의 정보를 포함하는 것이 바람직하다. 상기 제1 정보는, 상기 물리량이 목표치를 향해 증가할 때의 상기 물리량의 상태를 나타내는 정보인 것이 바람직하다. 상기 제2 정보는, 상기 물리량의 오버슈트를 나타내는 정보인 것이 바람직하다. 상기 제3 정보는, 상기 물리량의 변동을 나타내는 정보인 것이 바람직하다. 상기 제4 정보는, 상기 물리량이 상기 목표치로부터 감소할 때의 상기 물리량의 상태를 나타내는 정보인 것이 바람직하다. 상기 제5 정보는, 상기 기판 처리 장치가 서로 다른 적어도 2개의 상기 물체를 사용할 때, 상기 2개의 물체 중 일방의 물체의 상기 물리량과 타방의 물체의 상기 물리량과의 오버랩을 나타내는 정보인 것이 바람직하다. 상기 제6 정보는, 시간축 상에서, 상기 일방의 물체와 상기 타방의 물체와의 시간 간격을 나타내는 정보인 것이 바람직하다.
본 발명의 이상 요인 추정 장치에 있어서, 상기 물체는, 상기 처리 유체인 것이 바람직하다. 상기 물리량은, 상기 처리 유체를 배출하는 배출관 내에서의 상기 처리 유체의 물리량을 나타내는 것이 바람직하다.
본 발명의 이상 요인 추정 장치에 있어서, 상기 물체는, 상기 처리 유체인 것이 바람직하다. 상기 물리량은, 상기 처리 유체의 유량, 상기 처리 유체의 온도, 또는, 상기 처리 유체의 농도를 나타내는 것이 바람직하다.
본 발명의 이상 요인 추정 장치에 있어서, 상기 학습 대상 기판을 처리하는 상기 기판 처리 장치가 사용하는 상기 물체는, 상기 학습 대상 기판을 회전시키는 기판 보관유지부, 상기 학습 대상 기판을 향해서 상기 처리 유체를 토출하는 노즐을 이동시키는 암, 상기 학습 대상 기판으로부터 비산한 상기 처리 유체를 받는 가드, 또는, 상기 처리 유체의 흐름을 조절하는 밸브인 것이 바람직하다. 상기 처리 대상 기판을 처리하는 상기 기판 처리 장치가 사용하는 상기 물체는, 상기 처리 대상 기판을 회전시키는 기판 보관유지부, 상기 처리 대상 기판을 향해서 상기 처리 유체를 토출하는 노즐을 이동시키는 암, 상기 처리 대상 기판으로부터 비산한 상기 처리 유체를 받는 가드, 또는, 상기 처리 유체의 흐름을 조절하는 밸브인 것이 바람직하다. 상기 물체가 상기 기판 보관유지부인 경우, 상기 물리량은, 상기 기판 보관유지부의 동작 및/또는 상태에 관한 양을 나타내는 것이 바람직하다. 상기 물체가 상기 암인 경우, 상기 물리량은, 상기 암의 동작 및/또는 상태에 관한 양을 나타내는 것이 바람직하다. 상기 물체가 상기 가드인 경우, 상기 물리량은, 상기 가드의 동작 및/또는 상태에 관한 양을 나타내는 것이 바람직하다. 상기 물체가 상기 밸브인 경우, 상기 물리량은, 상기 밸브의 동작 및/또는 상태에 관한 양을 나타내는 것이 바람직하다.
본 발명의 이상 요인 추정 장치에 있어서, 상기 학습 대상 기판을 처리하는 상기 기판 처리 장치가 사용하는 상기 물체는, 상기 학습 대상 기판의 상면을 간격을 두고 덮는 차단판을 포함하는 것이 바람직하다. 상기 처리 대상 기판을 처리하는 상기 기판 처리 장치가 사용하는 상기 물체는, 상기 처리 대상 기판의 상면을 간격을 두고 덮는 차단판을 포함하는 것이 바람직하다. 상기 물체가 상기 차단판인 경우, 상기 물리량은, 상기 차단판의 동작 및/또는 상태에 관한 양을 나타내는 것이 바람직하다.
본 발명의 이상 요인 추정 장치에 있어서, 상기 특징량은, 제2 특징량 정보를 더 포함하는 것이 바람직하다. 상기 제2 특징량 정보는, 하나의 로트를 구성하는 선정된 수의 상기 학습 대상 기판에 대한 처리의 순번을 나타내는 처리 순번 정보, 또는, 로트에 대한 처리 종료부터 다음의 로트에 대한 처리 개시까지의 시간 간격을 나타내는 로트 간격 정보인 것이 바람직하다. 상기 입력 정보는, 상기 처리 대상 기판에 관한 제2 입력 정보를 더 포함하는 것이 바람직하다. 상기 제2 입력 정보는, 하나의 로트를 구성하는 선정된 수의 상기 처리 대상 기판에 대한 처리의 순번을 나타내는 처리 순번 정보, 또는, 로트에 대한 처리 종료부터 다음의 로트에 대한 처리 개시까지의 시간 간격을 나타내는 로트 간격 정보인 것이 바람직하다.
본 발명의 또 다른 국면에 의하면, 기판 처리 장치는, 상기 이상 요인 추정 장치와, 기판을 처리하는 처리 장치를 구비한다.
본 발명의 또 다른 국면에 의하면, 학습 완료된 모델은, 학습 데이터를 기계 학습함으로써 구축되고, 처리 유체에 의한 처리 후의 처리 대상 기판의 이상 요인을 추정하도록, 컴퓨터를 기능시키는 학습 완료된 모델이다. 상기 학습 데이터는, 특징량과 이상 요인 정보를 포함한다. 상기 이상 요인 정보는, 상기 처리 유체에 의한 처리 후의 학습 대상 기판의 이상 요인을 나타낸다. 상기 특징량은, 상기 처리 유체에 의해 상기 학습 대상 기판을 처리하는 기판 처리 장치가 사용하는 물체의 물리량을 나타내는 시계열 데이터 중, 구간 데이터의 시간 추이의 특징을 나타내는 특징량 정보를 포함한다. 상기 특징량 정보는, 시간에 의해서 나타난다. 입력 정보를 입력해, 출력 정보를 출력하도록, 상기 컴퓨터를 기능시킨다. 상기 입력 정보는, 상기 처리 유체에 의해 상기 처리 대상 기판을 처리하는 기판 처리 장치가 사용하는 물체의 물리량을 나타내는 시계열 데이터 중, 구간 데이터의 시간 추이의 특징을 나타내는 정보를 포함한다. 상기 정보는, 시간에 의해서 나타난다. 상기 출력 정보는, 상기 처리 유체에 의한 처리 후의 상기 처리 대상 기판의 이상 요인을 나타낸다.
본 발명의 또 다른 국면에 의하면, 이상 요인 추정 방법은, 처리 유체에 의한 처리 후의 처리 대상 기판의 이상 요인을 추정한다. 이상 요인 추정 방법은, 입력 정보를 취득하는 단계와, 학습 데이터를 기계 학습함으로써 구축되는 학습 완료된 모델에 상기 입력 정보를 입력하여, 상기 학습 완료된 모델로부터 출력 정보를 취득하는 단계를 포함한다. 상기 학습 데이터는, 특징량과 이상 요인 정보를 포함한다. 상기 이상 요인 정보는, 상기 처리 유체에 의한 처리 후의 학습 대상 기판의 이상 요인을 나타낸다. 상기 특징량은, 상기 처리 유체에 의해 상기 학습 대상 기판을 처리하는 기판 처리 장치가 사용하는 물체의 물리량을 나타내는 시계열 데이터 중, 구간 데이터의 시간 추이의 특징을 나타내는 특징량 정보를 포함하고, 상기 특징량 정보는, 시간에 의해서 나타난다. 상기 입력 정보는, 상기 처리 유체에 의해 상기 처리 대상 기판을 처리하는 기판 처리 장치가 사용하는 물체의 물리량을 나타내는 시계열 데이터 중, 구간 데이터의 시간 추이의 특징을 나타내는 정보를 포함하고, 상기 정보는, 시간에 의해서 나타난다. 상기 출력 정보는, 상기 처리 유체에 의한 처리 후의 상기 처리 대상 기판의 이상 요인을 나타낸다.
본 발명의 또 다른 국면에 의하면, 학습 방법은, 학습 데이터를 취득하는 단계와, 상기 학습 데이터를 기계 학습하는 단계를 포함한다. 상기 학습 데이터는, 특징량과 이상 요인 정보를 포함한다. 상기 이상 요인 정보는, 처리 유체에 의한 처리 후의 학습 대상 기판의 이상 요인을 나타낸다. 상기 특징량은, 상기 처리 유체에 의해 상기 학습 대상 기판을 처리하는 기판 처리 장치가 사용하는 물체의 물리량을 나타내는 시계열 데이터 중, 구간 데이터의 시간 추이의 특징을 나타내는 특징량 정보를 포함한다. 상기 특징량 정보는, 시간에 의해서 나타난다.
본 발명의 또 다른 국면에 의하면, 학습 장치는, 기억부와, 학습부를 구비한다. 기억부는, 학습 데이터를 기억한다. 학습부는, 상기 학습 데이터를 기계 학습한다. 상기 학습 데이터는, 특징량과 이상 요인 정보를 포함한다. 상기 이상 요인 정보는, 처리 유체에 의한 처리 후의 학습 대상 기판의 이상 요인을 나타낸다. 상기 특징량은, 상기 처리 유체에 의해 상기 학습 대상 기판을 처리하는 기판 처리 장치가 사용하는 물체의 물리량을 나타내는 시계열 데이터 중, 구간 데이터의 시간 추이의 특징을 나타내는 특징량 정보를 포함한다. 상기 특징량 정보는, 시간에 의해서 나타난다.
본 발명의 또 다른 국면에 의하면, 학습 데이터 작성 방법은, 처리 유체에 의해 학습 대상 기판을 처리하는 기판 처리 장치가 사용하는 물체의 물리량을 나타내는 시계열 데이터로부터, 적어도 하나의 구간 데이터를 취득하는 단계와, 상기 구간 데이터의 시간 추이의 특징을 나타내는 특징량 정보를 산출하는 단계와, 상기 특징량 정보에 이상 요인 정보를 연관지어 기억하도록, 기억부를 제어하는 단계를 포함한다. 상기 이상 요인 정보는, 상기 처리 유체에 의한 처리 후의 상기 학습 대상 기판의 이상 요인을 나타낸다. 상기 특징량 정보는, 시간에 의해서 나타난다. 상기 특징량 정보 및 상기 이상 요인 정보는, 기계 학습의 대상인 학습 데이터를 구성한다.
본 발명에 따르면, 처리 유체에 의한 처리 후의 처리 대상 기판의 이상 요인을 정밀도 좋게 특정할 수 있는 동시에, 이상 요인을 특정할 때의 시간을 단축시킬 수 있다.
[도 1] 본 발명의 실시 형태에 따른 기판 처리 시스템을 도시한 블록도이다.
[도 2] 본 실시 형태에 따른 기판 처리 장치를 나타내는 모식적 평면도이다.
[도 3] 본 실시 형태에 따른 기판 처리 장치의 처리 장치를 나타내는 모식적 단면도이다.
[도 4] (a)는, 본 실시 형태에 따른 유체 공급부를 도시한 도면이며, (b)는, 본 실시 형태에 따른 다른 유체 공급부를 도시한 도면이다.
[도 5] 본 실시 형태에 따른 기판 처리 장치를 도시한 도면이다.
[도 6] 본 실시 형태에 따른 기판 처리 장치의 제어 장치를 도시한 블록도이다.
[도 7] 본 실시 형태에 따른 기판 처리 방법을 도시한 플로우차트이다.
[도 8] 본 실시 형태에 따른 학습 데이터 작성 장치를 도시한 블록도이다.
[도 9] 본 실시 형태에 따른 시계열 데이터의 일례를 도시한 그래프이다.
[도 10] 본 실시 형태에 따른 특징량을 도시한 도면이다.
[도 11] (a)는, 본 실시 형태에 따른 제1 특징량 정보에 포함되는 제1 정보의 산출 방법의 일례를 도시한 도면이며, (b)는, 제1 정보의 산출 방법의 다른 예를 도시한 도면이며, (c)는, 제1 정보의 산출 방법의 또 다른 예를 도시한 도면이다.
[도 12] 본 실시 형태에 따른 제1 특징량 정보에 포함되는 제2 정보의 산출 방법의 일례를 도시한 도면이다.
[도 13] 본 실시 형태에 따른 제1 특징량 정보에 포함되는 제3 정보의 산출 방법의 일례를 도시한 도면이다.
[도 14] (a)는, 본 실시 형태에 따른 제1 특징량 정보에 포함되는 제4 정보의 산출 방법의 일례를 도시한 도면이며, (b)는, 제4 정보의 산출 방법의 다른 예를 도시한 도면이며, (c)는, 제4 정보의 산출 방법의 또 다른 예를 도시한 도면이다.
[도 15] 본 실시 형태에 따른 제1 특징량 정보에 포함되는 제5 정보의 산출 방법의 일례를 도시한 도면이다.
[도 16] 본 실시 형태에 따른 제1 특징량 정보에 포함되는 제6 정보의 산출 방법의 일례를 도시한 도면이다.
[도 17] 본 실시 형태에 따른 이상 요인 정보를 도시한 도면이다.
[도 18] 본 실시 형태에 따른 학습 데이터 작성 방법을 도시한 플로우차트이다.
[도 19] 본 실시 형태에 따른 학습 장치를 도시한 블록도이다.
[도 20] 본 실시 형태에 따른 학습 방법을 도시한 플로우차트이다.
[도 21] 본 실시 형태에 따른 이상 요인 추정 장치를 도시한 블록도이다.
[도 22] 본 실시 형태에 따른 입력 정보를 도시한 도면이다.
[도 23] 본 실시 형태에 따른 출력 정보를 도시한 도면이다.
[도 24] 본 실시 형태에 따른 이상 요인 추정 방법을 도시한 플로우차트이다.
이하, 본 발명의 실시 형태에 대해서, 도면을 참조하면서 설명한다. 덧붙여, 도면 중, 동일 또는 상당 부분에 대해서는 동일한 참조 부호를 교부하고 설명을 반복하지 않는다. 또한, 도면 중, 이해를 용이하게 하기 위해서, X축, Y축 및 Z축을 적절히 도시하고 있다. X축, Y축 및 Z축은 서로 직교하고, X축 및 Y축은 수평 방향으로 평행하고, Z축은 연직 방향으로 평행하다. 덧붙여, 「평면시(平面視)」는, 연직 상방으로부터 대상을 보는 것을 나타낸다.
도 1~도 22를 참조하여, 본 발명의 실시 형태에 따른 기판 처리 시스템(100)을 설명한다. 우선, 도 1을 참조해 기판 처리 시스템(100)을 설명한다.
도 1은, 기판 처리 시스템(100)을 도시한 도면이다. 도 1에 도시한 것처럼, 본 실시 형태에 따른 기판 처리 시스템(100)은, 기판 처리 장치(200)와, 기판 처리 장치(300)와, 학습 데이터 작성 장치(400)와, 학습 장치(500)와, 이상 요인 추정 장치(600)를 구비한다.
기판 처리 장치(200)는, 처리 유체에 의해 학습 대상 기판을 처리한다. 처리 유체는, 예를 들면, 처리액 또는 처리 가스이다. 기판 처리 장치(200)는, 학습 대상 기판을 1매씩 처리하는 매엽형(枚葉型)이다. 학습 대상 기판은 대략 원판상이다.
기판 처리 장치(300)는, 처리 유체에 의해 처리 대상 기판을 처리한다. 처리 유체는, 예를 들면, 처리액 또는 처리 가스이다. 기판 처리 장치(300)가 사용하는 처리 유체의 구성은, 기판 처리 장치(200)가 사용하는 처리 유체의 구성과 같다. 처리 대상 기판의 구성은, 학습 대상 기판의 구성과 같다. 기판 처리 장치(300)는, 처리 대상 기판을 1매씩 처리하는 매엽형이다. 처리 대상 기판은 대략 원판상이다.
이하, 학습 대상 기판을 「학습 대상 기판(W1)」으로 기재하고, 처리 대상 기판을 「처리 대상 기판(W2)」으로 기재하는 경우가 있다. 또한, 학습 대상 기판(W1)과 처리 대상 기판(W2)을 구별해 설명할 필요가 없을 때는, 학습 대상 기판(W1) 및 처리 대상 기판(W2)을 「기판(W)」으로 기재하는 경우가 있다.
기판(W)은, 예를 들면, 반도체 웨이퍼, 액정 표시 장치용 기판, 플라스마 디스플레이용 기판, 전계 방출 디스플레이(Field　Emission　Display：FED)용 기판, 광 디스크용 기판, 자기 디스크용 기판, 광학 자기 디스크용 기판, 포토마스크용 기판, 세라믹 기판, 또는, 태양전지용 기판이다.
또한, 본 명세서에서, 처리 유체는, 기판(W)에 접촉하는 유체인 한 특별히 한정되지 않는다. 처리 유체로서의 처리액은, 예를 들면, 약액 또는 린스액이다.
약액은, 예를 들면, 희불산(DHF), 불산(HF), 불질산(불산과 질산(HNO3)의 혼합액), 버퍼드 불산(BHF), 불화암모늄, HFEG(불산과 에틸렌글리콜의 혼합액), 인산(H3PO4), 황산, 초산, 질산, 염산, 암모니아수, 과산화수소수, 유기산(예를 들면, 구연산, 옥살산), 유기알칼리(예를 들면, TMAH: 테트라메틸 암모늄 하이드로 옥사이드), 황산 과산화수소수 혼합액(SPM), 암모니아 과산화수소수 혼합액(SC1), 염산 과산화수소수 혼합액(SC2), 이소프로필 알코올(IPA), 계면 활성제, 또는, 부식 방지제이다.
린스액은, 예를 들면, 탈이온수, 탄산수, 전해이온수, 수소수, 오존수, 또는, 희석 농도(예를 들면, 10ppm~100ppm 정도)의 염산수이다.
또한, 처리 유체로서의 처리 가스는, 예를 들면, 기판(W)에 부착한 액체 또는 기판(W)과 반응하는 반응 가스, 또는, 불활성 가스이다. 반응 가스는, 예를 들면, 오존 가스, 불소 가스, 불화 수소를 포함한 기체, 또는, IPA를 포함한 기체이다. 불활성 가스는, 예를 들면, 질소, 헬륨, 또는, 아르곤이다.
기판 처리 장치(200)는, 시계열 데이터(TD1)를 출력한다. 시계열 데이터(TD1)는, 기판 처리 장치(200)가 사용하는 물체의 물리량을 나타낸다. 물체는, 예를 들면, 처리 유체, 또는, 기판 처리 장치(200)의 부품이다. 부품은, 하드웨어 부품 뿐만 아니라, 소프트웨어 부품을 포함한다. 물체 및 물리량의 상세는 후술한다.
학습 데이터 작성 장치(400)는, 시계열 데이터(TD1)에 근거하여 학습 데이터(TND)를 작성한다. 그리고, 학습 데이터 작성 장치(400)는 학습 데이터(TND)를 출력한다. 학습 데이터(TND)는, 학습 장치(500)에 의한 기계 학습의 대상이다. 학습 데이터(TND)는, 학습 대상 기판(W1)의 처리에 관한 특징량과, 학습 대상 기판(W1)의 처리에 관한 이상 요인 정보를 포함한다. 이상 요인 정보는, 처리 유체에 의한 처리 후의 학습 대상 기판(W1)의 이상 요인을 나타낸다. 특징량은 설명 변수이며, 이상 요인 정보는 목적 변수이다. 특징량 및 이상 요인 정보의 상세는 후술한다.
학습 장치(500)는, 학습 데이터(TND)를 기계 학습하는 것에 의해, 학습 완료된 모델(LM)을 생성한다. 그리고, 학습 장치(500)는 학습 완료된 모델(LM)을 출력한다. 학습 완료된 모델(LM)은, 기판 처리 장치(300)에서의 처리 유체에 의한 처리 후의 처리 대상 기판(W2)의 이상 요인을 추정한다. 구체적으로는, 학습 완료된 모델(LM)은, 입력부터 출력까지의 연산을 실시하는 컴퓨터 프로그램이다. 학습 완료된 모델(LM)을 구성하는 컴퓨터 프로그램은, 연산에 이용하는 복수의 파라미터(예를 들면, 복수의 가중치 계수)를 포함한다.
기판 처리 장치(300)는, 시계열 데이터(TD2)를 출력한다. 시계열 데이터(TD2)는, 기판 처리 장치(300)가 사용하는 물체의 물리량을 나타낸다. 물체는, 예를 들면, 처리 유체, 또는, 기판 처리 장치(300)의 부품이다. 부품은, 하드웨어 부품 뿐만 아니라, 소프트웨어 부품을 포함한다. 물체 및 물리량의 상세는 후술한다.
시계열 데이터(TD2)의 정의에 있어서, 기판 처리 장치(300)가 사용하는 물체는, 기판 처리 장치(200)가 사용하는 물체에 대응한다. 따라서, 기판 처리 장치(300)가 사용하는 물체의 구성은, 기판 처리 장치(200)가 사용하는 물체의 구성과 같다. 또한, 시계열 데이터(TD2)의 정의에 있어서, 기판 처리 장치(300)가 사용하는 물체의 물리량은, 기판 처리 장치(200)가 사용하는 물체의 물리량에 대응한다. 따라서, 기판 처리 장치(300)가 사용하는 물체의 물리량은, 기판 처리 장치(200)가 사용하는 물체의 물리량과 같다.
이상 요인 추정 장치(600)는, 학습 완료된 모델(LM)을 사용하여, 시계열 데이터(TD2)에 근거해, 기판 처리 장치(300)에서의 처리 유체에 의한 처리 후의 처리 대상 기판(W2)의 이상 요인을 추정한다.
구체적으로는, 이상 요인 추정 장치(600)는, 전처리부(81)와, 추정부(83)를 구비한다.
전처리부(81)는, 시계열 데이터(TD2)에 근거하여 입력 정보(IF1)를 생성한다. 그리고, 전처리부(81)는 입력 정보(IF1)를 출력한다. 입력 정보(IF1)는, 처리 대상 기판(W2)의 처리에 관한 특징량을 포함한다. 특징량은 설명 변수이다. 입력 정보(IF1)의 특징량은, 학습 데이터(TND)의 특징량에 대응하는 정보이다. 특징량의 상세는 후술한다.
추정부(83)는, 학습 완료된 모델(LM)에 입력 정보(IF1)를 입력한다. 그리고, 학습 완료된 모델(LM)은, 입력 정보(IF1)에 포함되는 특징량에 근거하여, 기판 처리 장치(300)에서의 처리 유체에 의한 처리 후의 처리 대상 기판(W2)의 이상 요인을 추정하고, 출력 정보(IF2)를 출력한다. 추정부(83)는, 학습 완료된 모델(LM)로부터 출력 정보(IF2)를 취득하고, 출력 정보(IF2)를 출력한다. 출력 정보(IF2)는, 처리 대상 기판(W2)의 처리에 관한 이상 요인 정보를 포함한다. 이상 요인 정보는, 처리 유체에 의한 처리 후의 처리 대상 기판(W2)의 이상 요인을 나타낸다. 이상 요인 정보는 목적 변수이다. 출력 정보(IF2)의 이상 요인 정보는, 학습 데이터(TND)의 이상 요인 정보로 대응하는 정보이다. 이상 요인 정보의 상세는 후술한다.
이상, 도 1을 참조해 설명한 것처럼, 본 실시 형태에 의하면, 학습 장치(500)는, 기계 학습을 실시한다. 따라서, 매우 복잡하고 해석 대상이 방대한 시계열 데이터(TD1)로부터 규칙성을 찾아내, 정밀도 높은 학습 완료된 모델(LM)을 작성할 수 있다. 그리고, 이상 요인 추정 장치(600)는, 학습 완료된 모델(LM)에 대해서, 시계열 데이터(TD2)에 근거한 특징량을 포함하는 입력 정보(IF1)를 입력하고, 학습 완료된 모델(LM)로부터, 이상 요인 정보를 포함한 출력 정보(IF2)를 출력시킨다. 따라서, 처리 유체에 의한 처리 후의 처리 대상 기판(W2)의 이상 요인을 정밀도 좋게 특정할 수 있는 동시에, 이상 요인을 특정할 때의 시간을 단축시킬 수 있다.
여기서, 본 명세서에 있어서, 「물체」는, 「기판 처리 장치(200)가 사용하는 물체」 또는 「기판 처리 장치(300)가 사용하는 물체」를 나타낸다. 또한, 「물리량」은 「물체의 물리량」을 나타낸다. 「물체」 및 「물리량」의 상세는 후술한다.
다음으로, 도 2~도 7을 참조하여, 기판 처리 장치(200)를 설명한다. 기판 처리 장치(200)가 처리하는 기판(W)은, 「학습 대상 기판(W1)」이다. 덧붙여, 기판 처리 장치(300)의 구성 및 동작은, 기판 처리 장치(200)의 구성 및 동작과 마찬가지이다. 따라서, 도 2~도 7을 참조해 설명하는 기판 처리 장치(200)의 설명은, 기판 처리 장치(300)의 설명에 원용된다. 이 경우, 기판 처리 장치(300)가 처리하는 기판(W)은, 「처리 대상 기판(W2)」이다.
도 2는, 기판 처리 장치(200)를 나타내는 모식적 평면도이다. 도 2에 도시한 것처럼, 기판 처리 장치(200)는, 복수의 로드 포트(LP)와, 인덱서 로봇(IR)과, 센터 로봇(CR)과, 복수의 처리 장치(1)와, 제어 장치(3)와, 복수의 처리 유체 박스(4)와, 처리 유체 캐비넷(5)을 구비한다. 제어 장치(3)는, 로드 포트(LP), 인덱서 로봇(IR), 센터 로봇(CR), 및 처리 장치(1)를 제어한다.
로드 포트(LP)의 각각은, 복수 매의 기판(W)을 적층하여 수용한다. 인덱서 로봇(IR)은, 로드 포트(LP)와 센터 로봇(CR)의 사이에서 기판(W)을 반송한다. 센터 로봇(CR)은, 인덱서 로봇(IR)과 처리 장치(1)의 사이에서 기판(W)을 반송한다. 처리 장치(1)의 각각은, 기판(W)에 처리 유체를 공급하여, 기판(W)을 처리한다. 처리 유체 박스(4)의 각각은 유체 기기를 수용한다. 처리 유체 캐비넷(5)은 처리 유체를 수용한다.
구체적으로는, 복수의 처리 장치(1)는, 평면시에서 센터 로봇(CR)을 둘러싸도록 배치된 복수의 타워(TW)(본 실시 형태에서는, 4개의 타워(TW))를 형성하고 있다. 각 타워(TW)는, 상하로 적층된 복수의 처리 장치(1)(본 실시 형태에서는, 3개의 처리 장치(1))를 포함한다. 복수의 처리 유체 박스(4)는, 각각, 복수의 타워(TW)에 대응하고 있다. 처리 유체 캐비넷(5) 내의 처리 유체는, 어느 하나의 처리 유체 박스(4)를 통해, 처리 유체 박스(4)에 대응하는 타워(TW)에 포함되는 모든 처리 장치(1)에 공급된다.
도 3은, 처리 장치(1)를 나타내는 모식적 단면도이다. 도 3에 도시한 것처럼, 처리 장치(1)는, 기판(W)을 처리 유체에 의해 처리한다. 구체적으로는, 처리 장치(1)는, 기판(W)을 1매씩 처리하는 매엽형이다.
도 3에서는, 처리 유체의 일례로서, 처리액(LQ1), 처리액(LQ21)과 처리액(LQ22)의 혼합액, 처리액(LQ3), 처리액(LQ4), 처리액(LQ5), 및 불활성 가스(GA)를 기재하고 있다. 처리액(LQ21)과 처리액(LQ22)은 상이하다. 처리액(LQ1~LQ5, LQ21, LQ22)은, 예를 들면, 상기에서 예시한 약액 또는 린스액이다. 불활성 가스(GA)는, 예를 들면, 상기에서 예시한 불활성 가스이다. 또한, 기판 처리 장치(200)는, 처리 장치(1) 마다, 유체 공급부(V1, V2, V3, V4, V5, V6)와, 배관(G1, G2, G3, G4, G5, G6)과, 온도 센서(TS1, TS2, TS3, TS4, TS5, TS6)를 더 구비한다.
처리 장치(1)는, 챔버(11)와, 스핀 척(13)과, 스핀 모터(15)와, 노즐(17)과, 노즐 이동부(19)와, 노즐(21)과, 노즐 이동부(23)와, 노즐(25)과, 노즐(27)과, 유체 공급 유닛(29)과, 유닛 동작부(31)와, 복수의 가드(33)(본 실시 형태에서는, 4개의 가드(33))를 구비한다.
챔버(11)는 대략 박스 형상을 가진다. 챔버(11)는, 기판(W), 스핀 척(13), 스핀 모터(15), 노즐(17), 노즐 이동부(19), 노즐(21), 노즐 이동부(23), 노즐(25), 노즐(27), 유체 공급 유닛(29), 유닛 동작부(31), 복수의 가드(33), 및 온도 센서(TS1~TS6)를 수용한다. 또한, 챔버(11)는, 배관(G1, G2, G3, G4, G5, G6) 각각의 일부를 수용한다.
스핀 척(13)은, 기판(W)을 보관유지해 회전한다. 스핀 척(13)은 「기판 보관유지부」의 일례에 상당한다. 구체적으로는, 스핀 척(13)은, 챔버(11) 내에서 기판(W)을 수평하게 유지하면서, 회전축선(AX)의 주위에 기판(W)을 회전시킨다.
스핀 척(13)은, 복수의 척 부재(130)와, 스핀 베이스(131)를 구비한다. 복수의 척 부재(130)는 스핀 베이스(131)에 설치된다. 복수의 척 부재(130)는 기판(W)을 수평한 자세로 보관유지한다. 스핀 베이스(131)는, 대략 원판상이며, 수평한 자세로 복수의 척 부재(130)를 지지한다. 스핀 모터(15)는, 스핀 베이스(131)를 회전축선(AX)의 주위에 회전시킨다. 따라서, 스핀 베이스(131)는 회전축선(AX)의 주위에서 회전한다. 그 결과, 스핀 베이스(131)에 설치된 복수의 척 부재(130)에 보관유지된 기판(W)이 회전축선(AX)의 주위에서 회전한다. 구체적으로는, 스핀 모터(15)는, 모터 본체(150)와 샤프트(151)를 구비한다. 샤프트(151)는 스핀 베이스(131)에 결합된다. 그리고, 모터 본체(150)는, 샤프트(151)를 회전시킴으로써, 스핀 베이스(131)를 회전시킨다.
노즐(17)은, 기판(W)의 회전 중에 기판(W)을 향해서 처리액(LQ1)을 토출한다. 배관(G1)은 노즐(17)에 처리액(LQ1)을 공급한다. 유체 공급부(V1)는, 노즐(17)에 대한 처리액(LQ1)의 공급을 조절한다. 온도 센서(TS1)는, 배관(G1)을 흐르는 처리액(LQ1)의 온도를 검출하여, 온도를 나타내는 검출 신호를 출력한다. 온도 센서(TS1)는, 예를 들면, 열 전대를 포함한다.
노즐 이동부(19)는, 대략 연직 방향 및 대략 수평 방향으로 노즐(17)을 이동한다. 구체적으로는, 노즐 이동부(19)는, 암(191)과, 회동축(193)과, 노즐 이동 기구(195)를 구비한다. 암(191)은 대략 수평 방향을 따라서 늘어난다. 암(191)의 선단부에는 노즐(17)이 배치된다. 암(191)은 회동축(193)에 결합된다. 회동축(193)은, 대략 연직 방향을 따라서 늘어난다. 노즐 이동 기구(195)는, 회동축(193)을 대략 연직 방향에 따른 회동축선의 주위에 회동시키고, 암(191)을 대략 수평면을 따라서 회동시킨다. 그 결과, 노즐(17)이 대략 수평면을 따라서 이동한다. 또한, 노즐 이동 기구(195)는, 회동축(193)을 대략 연직 방향을 따라서 승강시키고, 암(191)을 승강시킨다. 그 결과, 노즐(17)이 대략 연직 방향을 따라서 이동한다. 노즐 이동 기구(195)는, 예를 들면, 볼나사 기구와, 볼나사 기구에 구동력을 주는 전동 모터를 구비한다.
노즐(21)은, 기판(W)의 회전 중에 기판(W)을 향해서, 처리액(LQ21)과 처리액(LQ22)의 혼합액을 토출한다. 배관(G2)은 노즐(21)에 혼합액을 공급한다. 유체 공급부(V2)는, 노즐(21)에 대한 혼합액의 공급을 조절한다. 온도 센서(TS2)는, 배관(G2)을 흐르는 혼합액의 온도를 검출하여, 온도를 나타내는 검출 신호를 출력한다. 온도 센서(TS2)는, 예를 들면, 열 전대를 포함한다.
노즐 이동부(23)는, 대략 연직 방향 및 대략 수평 방향으로 노즐(21)을 이동한다. 구체적으로는, 노즐 이동부(23)는, 암(231)과, 회동축(233)과, 노즐 이동 기구(235)를 구비한다. 암(231)은 대략 수평 방향을 따라서 늘어난다. 암(231)의 선단부에는 노즐(21)이 배치된다. 암(231)은 회동축(233)에 결합된다. 회동축(233)은, 대략 연직 방향을 따라서 늘어난다. 노즐 이동 기구(235)는, 회동축(233)을 대략 연직 방향에 따른 회동축선의 주위에 회동시키고, 암(231)을 대략 수평면을 따라서 회동시킨다. 그 결과, 노즐(21)이 대략 수평면을 따라서 이동한다. 또한, 노즐 이동 기구(235)는, 회동축(233)을 대략 연직 방향을 따라서 승강시키고, 암(231)을 승강시킨다. 그 결과, 노즐(21)이 대략 연직 방향을 따라서 이동한다. 노즐 이동 기구(235)는, 예를 들면, 볼나사 기구와, 볼나사 기구에 구동력을 주는 전동 모터를 구비한다.
노즐(25)은, 기판(W)의 회전 중에 기판(W)을 향해서 처리액(LQ3)을 토출한다. 배관(G3)은 노즐(25)에 처리액(LQ3)을 공급한다. 유체 공급부(V3)는, 노즐(25)에 대한 처리액(LQ3)의 공급을 조절한다. 온도 센서(TS3)는, 배관(G3)을 흐르는 처리액(LQ3)의 온도를 검출하여, 온도를 나타내는 검출 신호를 출력한다. 온도 센서(TS3)는, 예를 들면, 열 전대를 포함한다.
노즐(27)은, 기판(W)의 회전 중에 척 부재(130)를 향해서 처리액(LQ4)을 토출한다. 배관(G4)은 노즐(27)에 처리액(LQ4)을 공급한다. 유체 공급부(V4)는, 노즐(27)에 대한 처리액(LQ4)의 공급을 조절한다. 온도 센서(TS4)는, 배관(G4)을 흐르는 처리액(LQ4)의 온도를 검출하여, 온도를 나타내는 검출 신호를 출력한다. 온도 센서(TS4)는, 예를 들면, 열 전대를 포함한다.
유체 공급 유닛(29)은, 스핀 척(13)의 상방에 위치한다. 유체 공급 유닛(29)은, 차단판(291)과, 지축(支軸)(293)과, 노즐(295)과, 노즐(297)을 구비한다.
차단판(291)은, 예를 들면, 대략 원판상이다. 차단판(291)은, 차단판(291)의 하면이 대략 수평이 되도록 배치되어 있다. 차단판(291)은, 차단판(291)의 중심축선이 회전축선(AX) 상에 위치하도록 배치되어 있다. 차단판(291)의 하면은, 스핀 척(13)에 보관유지된 기판(W)에 대향하고 있다. 차단판(291)은, 수평한 자세로 지축(293)의 하단에 연결되어 있다.
유닛 동작부(31)는, 근접 위치와 퇴피 위치와의 사이에서, 유체 공급 유닛(29)을 상승 또는 하강시킨다. 근접 위치는, 차단판(291)이 하강하여 기판(W)의 상면에 소정 간격을 두고 근접하는 위치를 나타낸다. 근접 위치에서는, 차단판(291)은, 기판(W)의 표면을 덮어, 기판(W) 표면의 상방을 차단한다. 즉, 근접 위치에서는, 차단판(291)은, 기판(W)의 표면과 대향하여, 기판(W) 표면의 상방을 덮는다. 퇴피 위치는, 근접 위치 보다 상방이며, 차단판(291)이 상승하여 기판(W)으로부터 이간하고 있는 위치를 나타낸다. 도 3에서는, 차단판(291)은 퇴피 위치에 위치한다. 또한, 유닛 동작부(31)는, 근접 위치에 있어서, 유체 공급 유닛(29)을 회전시킨다. 예를 들면, 유닛 동작부(31)는, 볼나사 기구와, 볼나사 기구에 구동력을 주는 승강 모터를 구비한다. 승강 모터는, 예를 들면, 써보모터이다. 예를 들면, 유닛 동작부(31)는, 모터와, 모터의 회전을 유체 공급 유닛(29)에 전달하는 전달 기구를 구비한다.
유체 공급 유닛(29)의 노즐(295) 및 노즐(297)은, 차단판(291) 및 지축(293)의 내부에 배치된다. 노즐(295)의 선단 및 노즐(297)의 선단은 차단판(291)의 하면으로부터 노출하고 있다.
노즐(295)은, 유체 공급 유닛(29)이 근접 위치에 위치할 때, 회전 중인 기판(W)에 처리액(LQ5)을 토출한다. 노즐(295)에는 배관(G5)이 접속된다. 배관(G5)은 노즐(295)에 처리액(LQ5)을 공급한다. 유체 공급부(V5)는, 노즐(295)에 대한 처리액(LQ5)의 공급을 조절한다. 온도 센서(TS5)는, 배관(G5)을 흐르는 처리액(LQ5)의 온도를 검출하여, 온도를 나타내는 검출 신호를 출력한다. 온도 센서(TS5)는, 예를 들면, 열 전대를 포함한다.
노즐(297)은, 유체 공급 유닛(29)이 근접 위치에 위치할 때, 회전 중인 기판(W)에 불활성 가스(GA)를 토출한다. 노즐(297)에는 배관(G6)이 접속된다. 배관(G6)은 노즐(297)에 불활성 가스(GA)를 공급한다. 유체 공급부(V6)는, 노즐(297)에 대한 불활성 가스(GA)의 공급을 조절한다. 온도 센서(TS6)는, 배관(G6)을 흐르는 불활성 가스(GA)의 온도를 검출하여, 온도를 나타내는 검출 신호를 출력한다. 온도 센서(TS6)는, 예를 들면, 열 전대를 포함한다.
복수의 가드(33)의 각각은 대략 통(筒) 형상을 가진다. 복수의 가드(33)의 각각은, 기판(W)으로부터 배출된 처리 유체(처리액(LQ1), 처리액(LQ21)과 처리액(LQ22)의 혼합액, 처리액(LQ3), 또는, 처리액(LQ5))을 받아들인다. 복수의 가드(33)의 각각은, 상승 또는 하강하는 것이 가능하다.
도 4(a)는, 유체 공급부(V1)를 도시한 도면이다. 덧붙여, 유체 공급부(V3~V6)의 구성은, 유체 공급부(V1)의 구성과 마찬가지이다. 따라서, 유체 공급부(V3~V6)의 설명에서, 도 4(a)를 적절히 참조해, 유체 공급부(V1)의 부품에 교부하고 있는 참조 부호를 적절히 사용한다.
도 4(a)에 도시한 것처럼, 유체 공급부(V1)는, 유량계(FW1)와, 유량 조정 밸브(V11)와, 공급 밸브(V12)를 구비한다. 유량계(FW1)와, 유량 조정 밸브(V11)와, 공급 밸브(V12)는, 배관(G1)에 개삽(介揷)(Insert between)되어 있다. 유량계(FW1)는, 배관(G1)을 흐르는 처리 유체(도 3의 예에서는, 처리액(LQ1))의 유량을 검출하여, 유량을 나타내는 검출 신호를 출력한다. 유량 조정 밸브(V11)는, 배관(G1)을 흐르는 처리 유체의 유량을 조정한다. 유량 조정 밸브(V11)는, 예를 들면, 모터 니들 밸브이다. 공급 밸브(V12)는, 배관(G1)을 개방 또는 폐색하여, 노즐(17)에 대해서 처리 유체의 공급 개시와 공급 정지를 절체(switching)한다. 공급 밸브(V12)는, 예를 들면, 릴리프 밸브(Relief valve)이다.
도 4(b)는, 유체 공급부(V2)를 도시한 도면이다. 도 4(b)에 도시한 것처럼, 유체 공급부(V2)는, 밸브(V21)와, 밸브(V22)와, 혼합부(MXN)를 구비한다. 밸브(V21)는, 혼합부(MXN)에 대한 처리액(LQ21)의 공급 개시와 공급 정지를 절체한다. 밸브(V22)는, 혼합부(MXN)에 대한 처리액(LQ22)의 공급 개시와 공급 정지를 절체한다. 혼합부(MXN)는, 처리액(LQ21)과 처리액(LQ22)을 혼합하여, 혼합액을 배관(G2) 및 노즐(21)에 공급한다. 구체적으로는, 혼합부(MXN)는, 믹싱 밸브(V23)와, 유량계(FW2)를 포함한다. 믹싱 밸브(V23)는, 처리액(LQ21)과 처리액(LQ22)을 혼합한다. 유량계(FW2)는, 혼합액의 유량을 검출하고, 검출 신호를 출력한다. 처리액(LQ21)은, 예를 들면, 황산이며, 처리액(LQ22)은, 예를 들면, 과산화수소수이다.
이하, 도 3~도 4(b)에 도시한 노즐(17, 21, 25, 27, 295, 297)을 총칭해 「노즐(NZ)」로 기재하는 경우가 있다. 밸브(V11, V12, V21, V22, V23)를 총칭해 「밸브(VB)」로 기재하는 경우가 있다. 암(191, 231)을 총칭해 「암(AM)」으로 기재하는 경우가 있다.
도 5는, 기판 처리 장치(200)를 도시한 도면이다. 도 5에서는, 도면의 간략화를 위해, 배관(G1)에 공급하는 처리 유체(도 3의 예에서는, 처리액(LQ1))에 관한 부품을 설명한다. 덧붙여, 배관(G2~G6)에 공급하는 처리 유체에 관한 부품의 구성은, 배관(G1)에 공급하는 처리 유체에 관한 부품의 구성과 마찬가지이다. 따라서, 배관(G2~G6)에 공급하는 처리 유체에 관한 부품의 설명에서, 도 5를 적절히 참조해, 배관(G1)에 공급하는 처리 유체에 관한 부품에 교부하고 있는 참조 부호를 적절히 사용한다.
도 5에 도시한 것처럼, 기판 처리 장치(200)는, 각 타워(TW)에 있어서, 처리 장치(1) 마다, 배관(G1)과 유체 공급부(V1)를 갖추고 있다. 유체 공급부(V1)는, 타워(TW)에 대응하는 처리 유체 박스(4)에 수용된다. 각 배관(G1)의 일부는 챔버(11)에 수용되고, 각 배관(G1)의 일부는 처리 유체 박스(4)에 수용된다.
또한, 기판 처리 장치(200)는, 처리 유체 탱크(50)와, 순환 배관(51)과, 펌프(55)와, 펄스 댐퍼(Pulse damper)(56)와, 필터(57)와, 온도 조절기(58)를 더 구비한다. 처리 유체 탱크(50)와, 펌프(55)와, 펄스 댐퍼(56)와, 필터(57)와, 온도 조절기(58)는, 처리 유체 캐비넷(5)에 수용된다. 순환 배관(51)의 일부는 처리 유체 캐비넷(5)에 수용되고, 순환 배관(51)의 일부는 처리 유체 박스(4)에 수용된다.
처리 유체 탱크(50)는 처리 유체(도 3의 예에서는, 처리액(LQ1))를 저장한다. 순환 배관(51)은, 처리 유체 탱크(50)로부터 하류에 늘어나는 상류 배관(52)과, 상류 배관(52)으로부터 분기한 복수의 개별 배관(53)과, 각 개별 배관(53)으로부터 처리 유체 탱크(50)까지 하류에 늘어나는 하류 배관(54)을 구비한다.
상류 배관(52)의 상류단은, 처리 유체 탱크(50)에 접속되어 있다. 하류 배관(54)의 하류단은, 처리 유체 탱크(50)에 접속되어 있다. 상류 배관(52)의 상류단은, 순환 배관(51)의 상류단에 상당하고, 하류 배관(54)의 하류단은, 순환 배관(51)의 하류단에 상당한다. 각 개별 배관(53)은, 상류 배관(52)의 하류단으로부터 하류 배관(54)의 상류단으로 늘어나고 있다.
복수의 개별 배관(53)은, 각각, 복수의 타워(TW)에 대응하고 있다. 1개의 타워(TW)에 포함되는 3개의 처리 장치(1)에 대응하는 3개의 배관(G1)은, 1개의 개별 배관(53)에 접속되어 있다.
펌프(55)는, 처리 유체 탱크(50) 내의 처리 유체를 순환 배관(51)으로 송출한다. 펄스 댐퍼(56)는, 펌프(55)로부터 송출되는 처리 유체의 맥동(脈動)을 억제한다. 필터(57)는, 순환 배관(51)을 흐르는 처리 유체로부터 이물을 제거한다. 온도 조절기(58)는, 처리 유체 탱크(50) 내의 처리 유체의 온도를 조절한다. 온도 조절기(58)는, 예를 들면, 처리 유체를 가열하는 히터이다.
펌프(55), 펄스 댐퍼(56), 필터(57), 및 온도 조절기(58)는, 상류 배관(52)에 배치되어 있다. 처리 유체 탱크(50) 내의 처리 유체는, 펌프(55)에 의해서 상류 배관(52)으로 송출되어, 상류 배관(52)으로부터 복수의 개별 배관(53)으로 흐른다. 개별 배관(53) 내의 처리 유체는, 하류 배관(54)으로 흐르고, 하류 배관(54)으로부터 처리 유체 탱크(50)로 리턴한다. 처리 유체는 온도 조절기(58)에 의해서 가열되어, 규정 온도로 유지된다. 따라서, 순환 배관(51)을 순환하는 처리 유체의 온도는, 규정 온도로 유지된다. 그리고, 순환 배관(51) 내에서 규정 온도로 유지되고 있는 처리 유체가, 배관(G1)에 공급된다.
또한, 기판 처리 장치(200)는, 복수의 배출관(P7)과, 복수의 온도 센서(TS7)와, 복수의 유량계(FW3)를 더 구비한다. 복수의 배출관(P7)은, 각각, 복수의 처리 장치(1)에 대응해서 배치된다. 배출관(P7)은, 처리 장치(1)에 접속되고, 가드(33)가 받아들인 처리 유체(도 3의 예에서는, 처리액(LQ1))를 처리 장치(1)의 외부로 배출한다. 배출관(P7)에는, 유량계(FW3)가 개삽된다. 그리고, 유량계(FW3)는, 배출관(P7)을 흐르는 처리 유체의 유량을 검출하여, 유량을 나타내는 검출 신호를 출력한다. 또한, 온도 센서(TS7)는, 배출관(P7)을 흐르는 처리 유체의 온도를 검출하여, 온도를 나타내는 검출 신호를 출력한다. 온도 센서(TS7)는, 예를 들면, 열 전대를 포함한다.
다음으로, 도 6을 참조하여, 기판 처리 장치(200)의 제어 장치(3)를 설명한다. 도 6은, 제어 장치(3)를 도시한 블록도이다. 제어 장치(3)는, 예를 들면, 컴퓨터이다. 도 6에 도시한 것처럼, 제어 장치(3)는, 제어부(3A)와, 기억부(3B)와, 통신부(3C)와, 입력부(3D)와, 표시부(3E)를 구비한다.
제어부(3A)는, CPU(Central　Processing　Unit) 및 GPU(Graphics　Processing　Unit) 등의 프로세서를 구비한다. 기억부(3B)는, 기억 장치를 포함하고, 데이터 및 컴퓨터 프로그램을 기억한다. 제어부(3A)의 프로세서는, 기억부(3B)의 기억 장치가 기억하고 있는 컴퓨터 프로그램을 실행하여, 기판 처리 장치(200)의 각 부품을 제어한다.
예를 들면, 기억부(3B)는, 반도체 메모리 등의 주 기억 장치와, 반도체 메모리 및 하드디스크 드라이브 등의 보조 기억 장치를 구비한다. 기억부(3B)는, 광디스크 등의 이동식 매체(removable media)를 갖추고 있어도 무방하다. 기억부(3B)는, 예를 들면, 비일시적 컴퓨터 판독 가능 기억 매체이다.
구체적으로는, 기억부(3B)는, 제어 프로그램(PG1)과, 복수의 처리 조건 정보(CD)를 기억하고 있다. 제어부(3A)는, 제어 프로그램(PG1)을 실행하여, 적어도 하나의 처리 조건 정보(CD)에 근거해, 기판 처리 장치(200)의 각 부품을 제어한다. 복수의 처리 조건 정보(CD)의 각각은, 기판(W)의 처리 조건을 나타내는 정보이다. 복수의 처리 조건 정보(CD)의 각각은, 레시피 정보(RP)와, 복수의 파라미터 정보(PM)를 포함한다. 레시피 정보(RP)는, 기판(W)의 처리 내용 및 처리 순서를 규정한다. 복수의 파라미터 정보(PM)의 각각은, 레시피 정보(RP)에 따른 처리를 실현하기 위한 설정값이며, 기판 처리 장치(200)의 부품에 대한 설정값을 나타낸다. 레시피 정보(RP) 및 파라미터 정보(PM)는, 기판 처리 장치(200)의 소프트웨어 부품이다.
통신부(3C)는, 네트워크에 접속되어, 외부 장치와 통신한다. 본 실시 형태에 있어서, 네트워크는, 예를 들면, 인터넷, LAN(Local　Area　Network), 공중 전화망, 및 근거리 무선 네트워크를 포함한다. 통신부(3C)는, 통신기이며, 예를 들면, 네트워크 인터페이스 컨트롤러이다.
입력부(3D)는, 제어부(3A)에 대해서 각종 정보를 입력하기 위한 입력 기기이다. 예를 들면, 입력부(3D)는, 키보드 및 포인팅 디바이스, 또는, 터치패널이다.
표시부(3E)는 화상을 표시한다. 표시부(3E)는, 예를 들면, 액정 디스플레이, 또는, 유기 전계 발광 디스플레이이다.
제어부(3A)는, 검출계군(SNS)으로부터 시계열 데이터(TD1)를 취득하여, 시계열 데이터(TD1)를 기억부(3B)에 기억시킨다. 이 경우, 제어부(3A)는, 시계열 데이터(TD1)를, 로트 식별 정보, 기판 식별 정보, 처리 순번 정보(이하, 「처리 순번 정보(XA)」), 및 로트 간격 정보(이하, 「로트 간격 정보(XB)」)와 연관지어 기억부(3B)에 기억시킨다. 로트 식별 정보는, 로트를 식별하기 위한 정보(예를 들면, 로트 번호)이다. 로트는 기판(W)의 처리 단위를 나타낸다. 하나의 로트는, 선정된 수의 기판(W)에 의해서 구성된다. 기판 식별 정보는, 기판(W)을 식별하기 위한 정보이다. 처리 순번 정보(XA)는, 하나의 로트를 구성하는 선정된 수의 기판(W)에 대한 처리의 순번을 나타내는 정보이다. 로트 간격 정보(XB)는, 로트에 대한 처리 종료부터 다음의 로트에 대한 처리 개시까지의 시간 간격을 나타내는 정보이다.
시계열 데이터(TD1)는, 기판 처리 장치(200)가 사용하는 물체의 물리량을 나타낸다. 그리고, 검출계군(SNS)은 기판 처리 장치(200)에 구비되어 있다. 검출계군(SNS)은, 1매의 기판(W)의 처리 마다, 기판(W)의 처리 개시부터 처리 종료까지의 기간에 있어서, 기판 처리 장치(200)가 사용하는 물체의 물리량을 검출하여, 물리량을 나타내는 검출 신호를 제어부(3A)에 출력한다. 그리고, 제어부(3A)는, 기판(W)의 처리 개시부터 처리 종료까지의 기간에 있어서, 검출계군(SNS)으로부터 출력되는 검출 신호에 의해서 나타나는 물리량을, 1매의 기판(W)의 처리 마다, 시간과 연관지어 시계열 데이터(TD1)로서, 기억부(3B)에 기억시킨다.
복수의 시계열 데이터(TD1)의 각각은, 적어도 하나의 개별 시계열 데이터(TD)를 포함한다. 본 실시 형태에서는, 복수의 시계열 데이터(TD1)의 각각은, 1개 또는 복수의 개별 시계열 데이터(TD)를 포함한다. 1개의 개별 시계열 데이터(TD)는, 1개의 물체의 물리량을 나타내는 시계열 데이터이다.
본 실시 형태에서는, 「기판 처리 장치(200)가 사용하는 물체」는, 「처리 유체」, 및/또는, 「기판 처리 장치(200)의 부품」이다. 「부품」은, 1개의 부재로부터 구성되어도 무방하고, 복수의 부재로 구성되어도 무방하다. 기판 처리 장치(200)가 사용하는 물체가 처리 유체인 경우, 예를 들면, 「기판 처리 장치(200)가 사용하는 물체의 물리량」은, 「처리 유체의 유량」, 「처리 유체의 온도」, 또는, 「처리 유체의 농도」이다. 기판 처리 장치(200)가 사용하는 물체가 기판 처리 장치(200)의 부품인 경우, 예를 들면, 「기판 처리 장치(200)가 사용하는 물체의 물리량」은, 「부품의 동작 및/또는 상태를 나타내는 물리량」이다.
구체적으로는, 검출계군(SNS)은, 유량계군(3F), 온도 센서군(3G), 및 센서군(3H)을 포함한다.
유량계군(3F)은, 복수의 유량계(FW)를 포함한다. 복수의 유량계(FW)의 각각은, 1매의 기판(W)의 처리 마다, 기판(W)의 처리 개시부터 처리 종료까지의 기간에 있어서, 처리 유체의 유량을 검출하여, 유량을 나타내는 검출 신호를 출력한다. 그리고, 제어부(3A)는, 기판(W)의 처리 개시부터 처리 종료까지의 기간에 있어서, 각 유량계(FW)로부터 출력되는 검출 신호에 의해서 나타나는 유량을, 1매의 기판(W)의 처리 마다, 시간과 연관지어 시계열 데이터(TD1)로서, 기억부(3B)에 기억시킨다. 이 경우, 1개의 개별 시계열 데이터(TD)는, 처리 유체의 토출시 1개의 노즐(NZ)에 공급되는 처리 유체의 유량을 나타내는 시계열 데이터이다.
복수의 유량계(FW)는, 복수의 유량계(FW1), 복수의 유량계(FW2), 및 복수의 유량계(FW3)를 포함한다(도 3 및 도 4). 또한, 복수의 유량계(FW)는, 그 외의 1 이상의 유량계를 더 갖추어도 무방하다. 이 경우, 유량계는, 기판 처리 장치(200)의 임의의 위치(예를 들면, 배관)에 배치될 수 있다.
온도 센서군(3G)은, 복수의 온도 센서(TS)를 포함한다. 복수의 온도 센서(TS)의 각각은, 1매의 기판(W)의 처리 마다, 기판(W)의 처리 개시부터 처리 종료까지의 기간에 있어서, 처리 유체의 온도를 검출하여, 온도를 나타내는 검출 신호를 출력한다. 그리고, 제어부(3A)는, 기판(W)의 처리 개시부터 처리 종료까지의 기간에 있어서, 각 온도 센서(TS)로부터 출력되는 검출 신호에 의해서 나타나는 온도를, 1매의 기판(W)의 처리 마다, 시간과 연관지어 시계열 데이터(TD1)로서, 기억부(3B)에 기억시킨다. 이 경우, 1개의 개별 시계열 데이터(TD)는, 처리 유체의 토출시 1개의 노즐(NZ)에 공급되는 처리 유체의 온도를 나타내는 시계열 데이터이다.
복수의 온도 센서(TS)는, 복수의 온도 센서(TS1), 복수의 온도 센서(TS2), 복수의 온도 센서(TS3), 복수의 온도 센서(TS4), 복수의 온도 센서(TS5), 복수의 온도 센서(TS6), 및 복수의 온도 센서(TS7)를 포함한다(도 3). 또한, 복수의 온도 센서(TS)는, 그 외의 1 이상의 온도 센서를 더 갖추어도 무방하다. 이 경우, 온도 센서는, 기판 처리 장치(200)의 임의의 위치(예를 들면, 배관, 처리 유체 탱크(50), 또는, 챔버(11))에 배치될 수 있다.
센서군(3H)은, 복수의 센서(SN)를 포함한다. 복수의 센서(SN)의 각각은, 1매의 기판(W)의 처리 마다, 기판(W)의 처리 개시부터 처리 종료까지의 기간에 있어서, 기판 처리 장치(200)가 사용하는 부품의 동작 및/또는 상태를 나타내는 물리량을 검출하여, 부품의 동작 및/또는 상태를 나타내는 물리량을 나타내는 검출 신호를 출력한다. 그리고, 제어부(3A)는, 기판(W)의 처리 개시부터 처리 종료까지의 기간에 있어서, 각 센서(SN)로부터 출력되는 검출 신호에 의해서 나타나는 부품의 동작 및/또는 상태를 나타내는 물리량을, 1매의 기판(W)의 처리 마다, 시간과 연관지어 시계열 데이터(TD1)로서, 기억부(3B)에 기억시킨다. 이 경우, 1개의 개별 시계열 데이터(TD)는, 1개의 부품의 동작 및/또는 상태를 나타내는 물리량의 시계열 데이터이다.
기판 처리 장치(200)가 사용하는 부품은, 예를 들면, 기판(W)을 회전시키는 스핀 척(13), 기판(W)을 향해서 처리 유체를 토출하는 노즐(NZ)을 이동시키는 암(AM), 기판(W)의 상면을 간격을 두고 덮는 차단판(291), 기판(W)으로부터 비산한 처리 유체를 받는 가드(33), 또는, 처리 유체의 흐름을 조절하는 밸브(VB)이다.
기판 처리 장치(200)가 사용하는 부품이 스핀 척(13)인 경우, 스핀 척(13)의 물리량은, 스핀 척(13)의 동작 및/또는 상태에 관한 양을 나타낸다. 예를 들면, 물리량은, 스핀 척(13)의 회전 수를 나타낸다. 따라서, 센서(SN)는, 스핀 척(13)의 회전 수를 검출하여, 회전 수를 나타내는 검출 신호를 출력한다. 이 경우, 센서(SN)는, 광학적, 전기적, 또는, 기계적으로 스핀 척(13)의 회전 수를 검출한다. 스핀 척(13)의 회전 수는, 기판(W)의 회전 수를 나타낸다. 덧붙여, 센서(SN)는, 스핀 모터(15)의 회전 수를 검출해도 무방하다. 이 경우, 기판 처리 장치(200)가 사용하는 부품은 스핀 모터(15)이며, 스핀 모터(15)의 물리량은 스핀 모터(15)의 회전 수이다.
기판 처리 장치(200)가 사용하는 부품이 암(AM)인 경우, 암(AM)의 물리량은, 암(AM)의 동작 및/또는 상태에 관한 양을 나타낸다. 예를 들면, 물리량은, 노즐(NZ)에 의한 스캔 처리를 실행하는 경우의 암(AM)의 위치 또는 변위를 나타내는 정보이다. 스캔 처리란, 노즐(NZ)이 기판(W)의 지름 방향을 따라 처리 유체의 토출 위치를 이동하면서, 기판(W)을 처리 유체에 의해 처리하는 것이다. 이 경우, 센서(SN)는, 암(AM)의 위치 또는 변위를 검출하여, 위치 또는 변위를 나타내는 검출 신호를 출력한다. 이 경우, 센서(SN)는, 광학적, 전기적, 또는, 기계적으로 암(AM)의 위치 또는 변위를 검출한다.
기판 처리 장치(200)가 사용하는 부품이 차단판(291)인 경우, 차단판(291)의 물리량은, 차단판(291)의 동작 및/또는 상태에 관한 양을 나타낸다. 예를 들면, 물리량은, 차단판(291)의 연직 방향에 따른 위치를 나타내는 정보, 변위를 나타내는 정보, 또는, 회전 수를 나타내는 정보이다. 이 경우, 센서(SN)는, 차단판(291)의 위치, 변위, 또는, 회전 수를 검출하여, 위치, 변위, 또는, 회전 수를 나타내는 검출 신호를 출력한다. 이 경우, 센서(SN)는, 광학적, 전기적, 또는, 기계적으로 차단판(291)의 위치, 변위, 또는, 회전 수를 검출한다.
기판 처리 장치(200)가 사용하는 부품이 가드(33)인 경우, 가드(33)의 물리량은, 가드(33)의 동작 및/또는 상태에 관한 양을 나타낸다. 예를 들면, 물리량은, 가드(33)의 위치 또는 변위를 나타내는 정보이다. 이 경우, 센서(SN)는, 가드(33)의 위치 또는 변위를 검출하고, 위치 또는 변위를 나타내는 검출 신호를 출력한다. 이 경우, 센서(SN)는, 광학적, 전기적, 또는, 기계적으로 가드(33)의 위치 또는 변위를 검출한다.
기판 처리 장치(200)가 사용하는 부품이 밸브(VB)인 경우, 밸브(VB)의 물리량은, 밸브(VB)의 동작 및/또는 상태에 관한 양을 나타낸다. 예를 들면, 물리량은, 밸브(VB)의 열린 정도(開度)를 나타내는 정보이다. 이 경우, 센서(SN)는, 밸브(VB)의 열린 정도를 검출하여, 열린 정도를 나타내는 검출 신호를 출력한다. 이 경우, 센서(SN)는, 광학적, 전기적, 또는, 기계적으로 밸브(VB)의 열린 정도를 검출한다. 열린 정도는, 밸브(VB)가 열려 있는 정도를 나타낸다.
복수의 센서(SN)는, 복수의 농도 센서를 포함하여도 무방하다. 이 경우, 복수의 농도 센서는, 1매의 기판(W)의 처리 마다, 기판(W)의 처리 개시부터 처리 종료까지의 기간에 있어서, 처리 유체의 농도를 직접적 또는 간접적으로 검출하여, 농도를 나타내는 검출 신호를 출력한다. 그리고, 제어부(3A)는, 기판(W)의 처리 개시부터 처리 종료까지의 기간에 있어서, 각 농도 센서로부터 출력되는 검출 신호에 의해서 나타나는 농도를, 1매의 기판(W)의 처리 마다, 시간과 연관지어 시계열 데이터(TD1)로서, 기억부(3B)에 기억시킨다. 이 경우, 1개의 개별 시계열 데이터(TD)는, 처리 유체의 토출시 1개의 노즐(NZ)에 공급되는 처리 유체의 농도를 나타내는 시계열 데이터이다. 덧붙여, 농도는 처리 유체의 비중에 의해서 나타나도 무방하다. 이 경우는, 농도 센서는 처리 유체의 비중을 검출한다. 또한, 농도 센서는, 배관에 배치되어도 무방하고, 처리 유체 탱크(50)에 배치되어도 무방하다.
제어부(3A)는, 예를 들면, 시계열 데이터(TD1)를 학습 데이터 작성 장치(400)에 송신하도록, 통신부(3C)를 제어한다. 그 결과, 통신부(3C)는, 네트워크를 통해, 시계열 데이터(TD1)를 학습 데이터 작성 장치(400)에 송신한다.
제어부(3A)는, 예를 들면, 시계열 데이터(TD1)를 표시하도록, 표시부(3E)를 제어한다. 그 결과, 표시부(3E)는, 시계열 데이터(TD1)를 표시한다.
다음으로, 도 2, 도 3, 도 6, 및 도 7을 참조하여, 기판 처리 장치(200)가 실행하는 기판 처리 방법을 설명한다. 도 7은, 본 실시 형태에 따른 기판 처리 방법을 도시한 플로우차트이다. 도 7에 도시한 것처럼, 기판 처리 방법은, 스텝(S1)~스텝(S10)을 포함한다. 기판 처리 방법은, 1매의 기판(W) 마다 기판 처리 장치(200)에 의해서 실행된다.
도 7에 도시한 것처럼, 스텝(S1)에서, 도 2에 도시한 기판 처리 장치(200)의 센터 로봇(CR)은, 기판(W)을 처리 장치(1)에 반입한다. 그리고, 도 3에 도시한 처리 장치(1)에 있어서, 스핀 척(13)의 척 부재(130)가 기판(W)을 보관유지한다.
다음으로, 스텝(S2)에서, 도 6에 도시한 제어 장치(3)의 제어부(3A)는, 검출계군(SNS)으로부터, 시계열 데이터(TD1)의 취득 및 기억을 개시한다.
다음으로, 스텝(S3)에서, 스핀 척(13)은, 기판(W)의 회전을 개시한다.
다음으로, 스텝(S4)에서, 처리 장치(1)의 노즐(17)은, 기판(W)의 표면에 처리액(LQ1)을 토출하여, 기판(W)을 처리한다.
다음으로, 스텝(S5)에서, 처리 장치(1)의 노즐(25)은, 기판(W)의 표면에 처리액(LQ3)을 토출하여, 기판(W)으로부터 처리액(LQ1)을 씻어 낸다.
다음으로, 스텝(S6)에서, 처리 장치(1)의 노즐(295)은, 기판(W)의 표면에 처리액(LQ5)을 토출하여, 처리액(LQ3)을 처리액(LQ5)으로 치환함으로써, 기판(W)을 건조한다.
다음으로, 스텝(S7)에서, 처리 장치(1)의 노즐(297)은, 기판(W)의 표면에 불활성 가스(GA)를 토출하여, 기판(W)을 건조한다.
다음으로, 스텝(S8)에서, 처리 장치(1)의 스핀 척(13)은, 기판(W)의 회전을 정지하고, 척 부재(130)가 기판(W)을 개방한다.
다음으로, 스텝(S9)에서, 제어 장치(3)의 제어부(3A)는, 검출계군(SNS)으로부터의 시계열 데이터(TD1)의 취득 및 기억을 정지한다.
다음으로, 스텝(S10)에서, 기판 처리 장치(200)의 센터 로봇(CR)은, 기판(W)을 처리 장치(1)로부터 반출한다.
이상, 기판 처리 장치(200)가 스텝(S1)~스텝(S10)을 실행함으로써 1매의 기판(W)의 처리가 종료한다.
덧붙여, 도 2~도 7의 설명에서, 기판 처리 장치(200)에 관해, 「기판(W)」을 「학습 대상 기판(W1)」으로 대체할 수 있다. 또한, 도 2~도 7의 설명에서, 「기판 처리 장치(200)」을 「기판 처리 장치(300)」로 대체하고, 「시계열 데이터(TD1)」를 「시계열 데이터(TD2)」로 대체하고, 「기판(W)」을 「처리 대상 기판」으로 대체할 수 있다.
다음으로, 도 8~도 18을 참조하여, 학습 데이터 작성 장치(400)를 설명한다. 우선, 도 8을 참조하여, 학습 데이터 작성 장치(400)를 설명한다. 학습 데이터 작성 장치(400)는, 예를 들면, 컴퓨터이다. 도 8은, 학습 데이터 작성 장치(400)를 도시한 블록도이다. 도 8에 도시한 것처럼, 학습 데이터 작성 장치(400)는, 처리부(4A)와, 기억부(4B)와, 통신부(4C)와, 입력부(4D)와, 표시부(4E)를 구비한다.
처리부(4A)는, CPU 및 GPU 등의 프로세서를 구비한다. 기억부(4B)는, 기억 장치를 포함하고, 데이터 및 컴퓨터 프로그램을 기억한다. 처리부(4A)의 프로세서는, 기억부(4B)의 기억 장치가 기억하고 있는 컴퓨터 프로그램을 실행하여, 각종 처리를 실행한다. 예를 들면, 기억부(4B)는, 기억부(3B)와 마찬가지로, 주 기억 장치와, 보조 기억 장치를 갖추고, 이동식 매체를 갖추고 있어도 무방하다. 기억부(4B)는, 예를 들면, 비일시적 컴퓨터 판독 가능 기억 매체이다.
구체적으로는, 기억부(4B)는, 학습 데이터 작성 프로그램(PG2)을 기억하고 있다. 처리부(4A)는, 학습 데이터 작성 프로그램(PG2)을 실행하여, 학습 데이터 작성부(61), 기억 제어부(63), 및 표시 제어부(65)로서 기능한다. 즉, 처리부(4A)는, 학습 데이터 작성부(61)와, 기억 제어부(63)와, 표시 제어부(65)를 포함한다. 학습 데이터 작성부(61)는, 취득부(611)와, 특징량 산출부(613)를 포함한다.
통신부(4C)는, 네트워크에 접속되어, 외부 장치와 통신한다. 통신부(4C)는, 통신기이며, 예를 들면, 네트워크 인터페이스 컨트롤러이다.
입력부(4D)는, 처리부(4A)에 대해서 각종 정보를 입력하기 위한 입력 기기이다. 예를 들면, 입력부(4D)는, 키보드 및 포인팅 디바이스, 또는, 터치패널이다.
표시부(4E)는 화상을 표시한다. 표시부(4E)는, 예를 들면, 액정 디스플레이, 또는, 유기 전계 발광 디스플레이이다.
계속해서, 도 8을 참조하여, 처리부(4A)를 설명한다. 처리부(4A)의 학습 데이터 작성부(61)는, 시계열 데이터(TD1)에 근거하여 학습 데이터(TND)를 작성한다. 학습 데이터(TND)는, 기계 학습의 대상이다. 그리고, 기억 제어부(63)는, 학습 데이터(TND)를 기억하도록, 기억부(4B)를 제어한다. 그 결과, 기억부(4B)는, 로트 식별 정보 및 기판 식별 정보와 연관지어, 학습 데이터(TND)를 기억한다. 예를 들면, 1매의 학습 대상 기판(W1)을 처리할 때에 취득된 적어도 하나의 시계열 데이터(TD1)에 대해서, 1개의 학습 데이터(TND)가 작성된다.
학습 데이터(TND)는, 학습 대상 기판(W1)의 처리에 관한 특징량(XD)과, 학습 대상 기판(W1)의 처리에 관한 이상 요인 정보(YD)를 포함한다. 특징량(XD)은, 제1 특징량 정보(XD1)를 포함한다. 특징량(XD)은, 제2 특징량 정보(XD2) 및/또는 제3 특징량 정보(XD3)를 포함하여도 무방하다. 본 실시 형태에서는, 특징량(XD)은, 제1 특징량 정보(XD1)와, 제2 특징량 정보(XD2)와, 제3 특징량 정보(XD3)를 포함한다.
구체적으로는, 학습 데이터 작성부(61)의 취득부(611)는, 기판 처리 장치(200)로부터 복수의 시계열 데이터(TD1)를 취득한다. 이 경우, 시계열 데이터(TD1)의 각각에는, 로트 식별 정보, 기판 식별 정보, 처리 순번 정보(XA), 및 로트 간격 정보(XB)가 부속되어 있다. 예를 들면, 취득부(611)는, 네트워크 및 통신부(4C)를 통해, 기판 처리 장치(200)로부터 복수의 시계열 데이터(TD1)를 취득한다.
그리고, 기억부(4B)는, 각 시계열 데이터(TD1)를, 로트 식별 정보, 기판 식별 정보, 처리 순번 정보(XA), 및 로트 간격 정보(XB)와 연관지어 기억한다.
게다가, 취득부(611)는, 시계열 데이터(TD1)로부터, 적어도 하나의 구간 데이터를 취득한다. 본 실시 형태에서는, 취득부(611)는, 시계열 데이터(TD1)로부터, 복수의 구간 데이터를 취득한다. 구간 데이터는, 시계열 데이터의 시간 추이의 특징 부분이 나타나는 기간을 포함한 시간 구간에 있어서의 데이터이며, 시계열 데이터(TD1)의 일부의 데이터이다.
그리고, 특징량 산출부(613)는, 구간 데이터 마다, 구간 데이터에 근거하여, 제1 특징량 정보(XD1)를 산출한다. 제1 특징량 정보(XD1)는, 구간 데이터의 시간 추이의 특징을 나타낸다. 제1 특징량 정보(XD1)는, 시간에 의해서 나타난다. 제1 특징량 정보(XD1)는, 「특징량 정보」의 일례에 상당한다. 제1 특징량 정보(XD1)의 상세는 후술한다.
또한, 입력부(4D)는, 유저로부터, 복수의 이상 요인 정보(YD)를 접수한다.
그리고, 기억 제어부(63)는, 제1 특징량 정보(XD1)에 대해서 이상 요인 정보(YD)를 라벨링한다. 구체적으로는, 기억 제어부(63)는, 제1 특징량 정보(XD1)를 이상 요인 정보(YD)와 연관지어 기억하도록, 기억부(4B)를 제어한다. 그 결과, 기억부(4B)는, 제1 특징량 정보(XD1)를 이상 요인 정보(YD)와 연관지어 기억한다. 이상 요인 정보(YD)는, 처리 유체에 의한 처리 후의 학습 대상 기판(W1)의 이상 요인을 나타낸다.
또한, 기억 제어부(63)는, 제2 특징량 정보(XD2)에 대해서 이상 요인 정보(YD)를 라벨링한다. 구체적으로는, 기억 제어부(63)는, 제2 특징량 정보(XD2)에 이상 요인 정보(YD)를 연관지어 기억하도록, 기억부(4B)를 제어한다. 그 결과, 기억부(4B)는, 제2 특징량 정보(XD2)에 이상 요인 정보(YD)를 연관지어 기억한다. 제2 특징량 정보(XD2)는, 하나의 로트를 구성하는 선정된 수의 학습 대상 기판(W1)에 대한 처리의 순번을 나타내는 처리 순번 정보(XA), 또는, 로트에 대한 처리 종료부터 다음의 로트에 대한 처리 개시까지의 시간 간격을 나타내는 로트 간격 정보(XB)이다.
게다가, 기억 제어부(63)는, 제3 특징량 정보(XD3)에 대해서 이상 요인 정보(YD)를 라벨링한다. 구체적으로는, 기억 제어부(63)는, 제3 특징량 정보(XD3)에 이상 요인 정보(YD)를 연관지어 기억하도록, 기억부(4B)를 제어한다. 그 결과, 기억부(4B)는, 제3 특징량 정보(XD3)에 이상 요인 정보(YD)를 연관지어 기억한다. 제3 특징량 정보(XD3)는, 구간 데이터, 물체 정보(이하, 「물체 정보(IDA)」), 또는, 물리량 정보(이하, 「물리량 정보(IDB)」)이다. 구간 데이터는, 취득부(611)에 의해서 시계열 데이터(TD1)로부터 취득된 구간 데이터이다.
물체 정보(IDA)는, 기판 처리 장치(200)가 사용하는 물체를 식별하기 위한 정보이다. 물체가 「처리 유체」인 경우는, 물체 정보(IDA)는, 「처리 유체」를 식별하기 위한 정보이다. 물체가 「기판 처리 장치의 부품」인 경우는, 물체 정보(IDA)는, 「부품」을 식별하기 위한 정보이다.
물리량 정보(IDB)는, 기판 처리 장치(200)가 사용하는 물체의 물리량의 종별(種別)을 식별하기 위한 정보이다. 물체가 「처리 유체」인 경우는, 물리량 정보(IDB)는, 물리량의 종별이 「처리 유체의 유량」인 것을 나타내는 정보, 물리량의 종별이 「처리 유체의 온도」인 것을 나타내는 정보, 또는, 물리량의 종별이 「처리 유체의 농도」인 것을 나타내는 정보이다. 물체가 「부품」인 경우는, 물리량 정보(IDB)는, 물리량의 종별이 「부품의 동작 및/또는 상태에 관한 물리량」인 것을 나타내는 정보이다. 예를 들면, 물체가 「부품」인 경우는, 물리량 정보(IDB)는, 물리량의 종별이 「부품의 회전 수」, 「부품의 위치」, 「부품의 변위」, 또는, 「부품의 열린 정도」인 것을 나타내는 정보이다.
이상, 도 8을 참조해 설명한 것처럼, 기억부(4B)는, 제1 특징량 정보(XD1), 제2 특징량 정보(XD2), 및 제3 특징량 정보(XD3)에, 이상 요인 정보(YD)를 연관지어 기억한다.
즉, 기억 제어부(63)는, 특징량(XD)에 대해서 이상 요인 정보(YD)를 라벨링한다. 구체적으로는, 기억 제어부(63)는, 특징량(XD)에 이상 요인 정보(YD)와 연관지어 기억하도록, 기억부(4B)를 제어한다. 그 결과, 기억부(4B)는, 특징량(XD) 및 이상 요인 정보(YD)를 학습 데이터(TND)로서 기억한다. 즉, 특징량(XD) 및 이상 요인 정보(YD)는 학습 데이터(TND)를 구성한다. 예를 들면, 1개의 학습 데이터(TND)는, 1매의 학습 대상 기판(W1)을 처리할 때에 취득된 적어도 하나의 시계열 데이터(TD1)에 근거하여 산출된 특징량(XD)과, 특징량(XD)에 연관된 이상 요인 정보(YD)를 포함한다.
이상 요인 정보(YD)는, 제1 이상 요인 정보(YD1)와, 제2 이상 요인 정보(YD2) 중 적어도 하나를 포함한다. 본 실시 형태에서는, 이상 요인 정보(YD)는, 제1 이상 요인 정보(YD1)와, 제2 이상 요인 정보(YD2)를 포함한다.
제1 이상 요인 정보(YD1)는, 기판 처리 장치(200)에 의한 학습 대상 기판(W1)의 처리시의 처리 유체에 관한 정보이며, 처리 유체에 의한 처리 후의 학습 대상 기판(W1)의 이상 요인을 나타내는 정보이다. 제2 이상 요인 정보(YD2)는, 기판 처리 장치(200)의 부품에 관한 정보이며, 처리 유체에 의한 처리 후의 학습 대상 기판(W1)의 이상 요인을 나타내는 정보이다. 입력부(4D)는, 유저로부터, 복수의 제1 이상 요인 정보(YD1) 및 복수의 제2 이상 요인 정보(YD2)를 접수한다. 그리고, 기억 제어부(63)는, 제1 특징량 정보(XD1)~제3 특징량 정보(XD3)에 대해서 제1 이상 요인 정보(YD1) 및 제2 이상 요인 정보(YD2)를 라벨링한다. 구체적으로는, 기억 제어부(63)는, 제1 특징량 정보(XD1)~제3 특징량 정보(XD3)에 제1 이상 요인 정보(YD1) 및 제2 이상 요인 정보(YD2)를 연관지어 기억하도록, 기억부(4B)를 제어한다. 그 결과, 기억부(4B)는, 제1 특징량 정보(XD1)~제3 특징량 정보(XD3)에 제1 이상 요인 정보(YD1) 및 제2 이상 요인 정보(YD2)를 연관지어 기억한다.
덧붙여, 표시 제어부(65)는, 시계열 데이터(TD1) 또는 학습 데이터(TND)를 표시하도록, 표시부(4E)를 제어한다. 그 결과, 표시부(4E)는 시계열 데이터(TD1) 또는 학습 데이터(TND)를 표시한다.
다음으로, 도 8 및 도 9를 참조하여, 시계열 데이터(TD1)를 설명한다. 이 설명에서, 기판 처리 장치(200)가 사용하는 물체의 물리량이, 「처리 유체의 유량」인 예를 든다. 「처리 유체」로는, 처리액(LQ1), 처리액(LQ3), 처리액(LQ5), 및 불활성 가스(GA)를 예로 든다.
도 9는, 시계열 데이터(TD1)의 일례를 도시한 그래프이다. 도 9에서, 가로축은 시간을 나타내고, 세로축은 처리 유체의 유량을 나타낸다.
도 9에 도시한 것처럼, 시계열 데이터(TD1)는, 개별 시계열 데이터(TD)로서, 개별 시계열 데이터(TD11), 개별 시계열 데이터(TD12), 개별 시계열 데이터(TD13), 및 개별 시계열 데이터(TD14)를 포함한다. 개별 시계열 데이터(TD11)는, 처리액(LQ1)의 토출시 노즐(17)에 공급되는 처리액(LQ1)의 유량이며, 유체 공급부(V1)의 유량계(FW1)에 의해서 검출된 유량을 나타낸다. 개별 시계열 데이터(TD12)는, 처리액(LQ3)의 토출시 노즐(25)에 공급되는 처리액(LQ3)의 유량이며, 유체 공급부(V3)의 유량계(FW1)에 의해서 검출된 유량을 나타낸다. 개별 시계열 데이터(TD13)는, 처리액(LQ5)의 토출시 노즐(295)에 공급되는 처리액(LQ5)의 유량이며, 유체 공급부(V5)의 유량계(FW1)에 의해서 검출된 유량을 나타낸다. 개별 시계열 데이터(TD14)는, 불활성 가스(GA)의 토출시 노즐(297)에 공급되는 불활성 가스(GA)의 유량이며, 유체 공급부(V6)의 유량계(FW1)에 의해서 검출된 유량을 나타낸다.
도 8 및 도 9에 도시한 것처럼, 취득부(611)는, 시계열 데이터(TD1)로부터, 시간 구간(T11~T14)의 각각에서의 구간 데이터, 시간 구간(T21~T24)의 각각에서의 구간 데이터, 시간 구간(T31~T34)의 각각에서의 구간 데이터, 시간 구간(T41~T44)의 각각에서의 구간 데이터, 및 시간 구간(T51, T61)의 각각에서의 구간 데이터를 취득한다.
이하, 「구간 데이터」를 총칭해 「구간 데이터(SX)」로 기재하는 경우가 있다.
시간 구간(T11~T14, T21~T24, T31~T34, T41~T44, T51, T61)은, 시계열 데이터(TD1)의 시간 추이의 특징 부분을 포함한 구간이다. 예를 들면, 시간 구간(T11~T14, T21~T24, T31~T34, T41~T44, T51, T61)은, 복수의 학습 대상 기판(W1)의 각각에 대한 복수의 시계열 데이터(TD1)에 있어서 공통된다. 예를 들면, 시간 구간(T11~T14, T21~T24, T31~T34, T41~T44, T51, T61)은, 모든 학습 대상 기판(W1)에 대한 모든 시계열 데이터(TD1)에 있어서 공통된다.
시간 구간(T11~T14)은, 시계열 데이터(TD1)(개별 시계열 데이터(TD))의 시간 추이의 제1 특징 부분이 나타날 가능성이 있는 기간을 나타내고 있다. 제1 특징 부분은, 온 딜레이 부분이다. 온 딜레이 부분은, 시계열 데이터(TD1)(개별 시계열 데이터(TD)) 중, 처리 유체의 토출 개시부터 유량이 증가해 목표치에 도달할 때까지의 유량을 나타내는 부분이다. 온 딜레이 부분은, 처리 유체의 유량이 목표치를 향해 증가할 때에, 처리 유체의 유량이 목표치에 도달할 때까지의 지연을 나타낸다. 덧붙여, 도 9에서는, 처리 유체의 「토출 제어 개시시」가, 「처리액(LQ1) 온」, 「처리액(LQ3) 온」, 「처리액(LQ5) 온」, 및 「불활성 가스(GA) 온」으로 기재되어 있다. 「토출 제어 개시시」는, 제어부(3A)가 공급 밸브(V12)(도 4(a))에 대해서 개방 지시 신호를 출력했을 때를 나타낸다. 개방 지시 신호는, 공급 밸브(V12)를 여는 것을 지시하는 신호(밸브 온 신호)이다. 이하, 토출 제어 개시시를 「토출 제어 개시시(tx)」로 기재하는 경우가 있다.
시간 구간(T21~T24)은, 시계열 데이터(TD1)(개별 시계열 데이터(TD))의 시간 추이의 제2 특징 부분이 나타날 가능성이 있는 기간을 나타내고 있다. 제2 특징 부분은 오버슈트 부분이다. 오버슈트 부분은, 시계열 데이터(TD1)(개별 시계열 데이터(TD)) 중, 처리 유체의 토출 개시부터 유량이 증가하여 목표치를 관통해 넘는 부분이다.
시간 구간(T31~T34)은, 시계열 데이터(TD1)(개별 시계열 데이터(TD))의 시간 추이의 제3 특징 부분이 나타날 가능성이 있는 기간을 나타내고 있다. 제3 특징 부분은 변동 부분이다. 변동 부분은, 시계열 데이터(TD1)(개별 시계열 데이터(TD)) 중, 유량이 목표치의 근방에서 상하로 변동하는 부분이다.
시간 구간(T41~T44)은, 시계열 데이터(TD1)(개별 시계열 데이터(TD))의 시간 추이의 제4 특징 부분이 나타날 가능성이 있는 기간을 나타내고 있다. 제4 특징 부분은 오프 딜레이 부분이다. 오프 딜레이 부분은, 시계열 데이터(TD1)(개별 시계열 데이터(TD)) 중, 처리 유체의 토출 정지로부터 유량이 감소해 하한 목표치(예를 들면, 제로)에 도달할 때까지의 유량을 나타내는 부분이다. 오프 딜레이 부분은, 처리 유체의 유량이 하한 목표치(예를 들면, 제로)를 향해 감소할 때에, 처리 유체의 유량이 하한 목표치에 도달할 때까지의 지연을 나타낸다. 덧붙여, 도 9에서는, 처리 유체의 「토출 제어 정지시」가, 「처리액(LQ1) 오프」, 「처리액(LQ3) 오프」, 「처리액(LQ5) 오프」, 및 「불활성 가스(GA)오프」로 기재되어 있다. 「토출 제어 정지시」는, 제어부(3A)가 공급 밸브(V12)(도 4(a))에 대해서 폐색 지시 신호를 출력했을 때를 나타낸다. 폐색 지시 신호는, 공급 밸브(V12)를 닫는 것을 지시하는 신호(밸브 오프 신호)이다. 이하, 토출 제어 정지시를 「토출 제어 정지시(ty)」로 기재하는 경우가 있다.
시간 구간(T51)은, 시계열 데이터(TD1)(개별 시계열 데이터(TD11), TD12)의 시간 추이의 제5 특징 부분이 나타날 가능성이 있는 기간을 나타내고 있다. 제5 특징 부분은 오버랩 부분이다. 오버랩 부분은, 시계열 데이터(TD1) 중, 서로 이웃하는 개별 시계열 데이터(TD11, TD12)의 시간적인 중복 부분이다. 즉, 오버랩 부분은, 시계열 데이터(TD1) 중, 서로 다른 2개의 처리 유체의 유량이 시간적으로 중복하는 부분이다.
시간 구간(T61)은, 시계열 데이터(TD1)(개별 시계열 데이터(TD12, TD13))의 시간 추이의 제6 특징 부분이 나타날 가능성이 있는 기간을 나타내고 있다. 제6 특징 부분은 인터벌 부분이다. 인터벌 부분은, 시계열 데이터(TD1) 중, 서로 이웃하는 개별 시계열 데이터(TD12, TD13)의 간격이 시간적으로 벌어져 있는 부분이다. 즉, 인터벌 부분은, 시계열 데이터(TD1) 중, 서로 다른 2개의 처리 유체의 간격이 시간적으로 벌어져 있는 부분이다.
다음으로, 온 딜레이 부분, 오버슈트 부분, 변동 부분, 오프 딜레이 부분, 오버랩 부분, 및 인터벌 부분을 일반화해 정의한다. 하기의 정의에서, 「물체」는, 「기판 처리 장치(200)가 사용하는 물체」를 나타내고, 「물리량」은, 「물체의 물리량」을 나타낸다.
즉, 온 딜레이 부분은, 시계열 데이터(TD1)(개별 시계열 데이터(TD)) 중, 물체의 사용 개시 또는 사용 상태 변경으로부터 물체의 물리량이 증가해 목표치에 도달할 때까지의 물리량을 나타내는 부분이다. 온 딜레이 부분은, 물체의 물리량이 목표치를 향해 증가할 때에, 물체의 물리량이 목표치에 도달할 때까지의 지연을 나타낸다.
오버슈트 부분은, 시계열 데이터(TD1)(개별 시계열 데이터(TD)) 중, 물체의 사용 개시 또는 사용 상태 변경으로부터 물체의 물리량이 증가하여 목표치를 관통해 넘는 부분이다.
변동 부분은, 시계열 데이터(TD1)(개별 시계열 데이터(TD)) 중, 물체의 물리량이 목표치의 근방에서 상하로 변동하는 부분이다.
오프 딜레이 부분은, 시계열 데이터(TD1)(개별 시계열 데이터(TD)) 중, 물체의 사용 정지 또는 사용 상태 변경으로부터 물체의 물리량이 감소해 하한 목표치에 도달할 때까지의 물리량을 나타내는 부분이다. 오프 딜레이 부분은, 물체의 물리량이 하한 목표치를 향해 감소할 때에, 물체의 물리량이 하한 목표치에 도달할 때까지의 지연을 나타낸다.
오버랩 부분은, 시계열 데이터(TD1) 중, 서로 다른 2개의 물체의 물리량이 시간적으로 중복하는 부분이다.
인터벌 부분은, 시계열 데이터(TD1) 중, 서로 다른 2개의 물체의 간격이 시간적으로 벌어져 있는 부분이다.
다음으로, 도 10을 참조하여, 특징량(XD)을 설명한다. 도 10은, 특징량(XD)을 도시한 도면이다. 도 10에 도시한 것처럼, 특징량(XD)의 제1 특징량 정보(XD1)는, 제1 정보(X1)와 제2 정보(X2)와 제3 정보(X3)와 제4 정보(X4)와 제5 정보(X5)와 제6 정보(X6) 중 적어도 하나의 정보를 포함한다. 도 10의 예에서는, 제1 특징량 정보(XD1)는, 제1 정보(X1)와 제2 정보(X2)와 제3 정보(X3)와 제4 정보(X4)와 제5 정보(X5)와 제6 정보(X6)를 포함한다.
제1 정보(X1)는, 시계열 데이터(TD1)의 온 딜레이 부분의 시간 추이의 특징을 나타낸다. 즉, 제1 정보(X1)는, 처리 유체의 유량이 목표치를 향해 증가할 때의 유량 상태를 나타내는 정보이다.
제1 정보(X1)는, 정보(a)와 정보(b)와 정보(c)와 정보(d) 중 적어도 하나의 정보를 포함한다. 도 10의 예에서는, 제1 정보(X1)는, 정보(a)~정보(d)를 포함한다. 정보(a)~정보(c)는 시간에 의해서 나타나고, 정보(d)는 각도에 의해서 나타난다. 정보(a~d)의 상세는 후술한다.
제2 정보(X2)는, 시계열 데이터(TD1)의 오버슈트 부분의 시간 추이의 특징을 나타낸다. 즉, 제2 정보(X2)는, 처리 유체의 유량의 오버슈트를 나타내는 정보이다.
제2 정보(X2)는, 정보(e)와 정보(f) 중 적어도 하나의 정보를 포함한다. 도 10의 예에서는, 제2 정보(X2)는, 정보(e) 및 정보(f)를 포함한다. 정보(e)는 시간에 의해서 나타나고, 정보(f)는 유량에 의해서 나타난다. 정보(e, f)의 상세는 후술한다.
제3 정보(X3)는, 시계열 데이터(TD1)의 변동 부분의 시간 추이의 특징을 나타낸다. 즉, 제3 정보(X3)는, 처리 유체의 유량의 변동(시간 변동)을 나타내는 정보이다.
제3 정보(X3)는, 정보(g)와 정보(h)와 정보(i) 중 적어도 하나의 정보를 포함한다. 도 10의 예에서는, 제3 정보(X3)는, 정보(g)~정보(i)를 포함한다. 정보(g)는 시간에 의해서 나타나고, 정보(h)는 면적에 의해서 나타나고, 정보(i)는 주기에 의해서 나타난다. 정보(g~i)의 상세는 후술한다.
제4 정보(X4)는, 시계열 데이터(TD1)의 오프 딜레이 부분의 시간 추이의 특징을 나타낸다. 즉, 제4 정보(X4)는, 처리 유체의 유량이 목표치로부터 감소할 때의 유량 상태를 나타내는 정보이다.
제4 정보(X4)는, 정보(j)와 정보(k)와 정보(l)와 정보(m) 중 적어도 하나의 정보를 포함한다. 도 10의 예에서는, 제4 정보(X4)는, 정보(j)~정보(m)를 포함한다. 정보(j)~정보(l)는 시간에 의해서 나타나고, 정보(m)는 각도에 의해서 나타난다. 정보(j~m)의 상세는 후술한다.
제5 정보(X5)는, 시계열 데이터(TD1)의 오버랩 부분의 시간 추이의 특징을 나타낸다. 즉, 제5 정보(X5)는, 기판 처리 장치(200)가 서로 다른 적어도 2개의 처리 유체를 사용할 때에, 2개의 처리 유체 중 일방의 처리 유체의 유량과 타방의 처리 유체의 유량과의 오버랩을 나타내는 정보이다.
제5 정보(X5)는, 정보(n)와 정보(o)와 정보(p) 중 적어도 하나의 정보를 포함한다. 도 10의 예에서는, 제5 정보(X5)는, 정보(n)~정보(p)를 포함한다. 정보(n)는 시간에 의해서 나타나고, 정보(o)는 면적에 의해서 나타나고, 정보(p)는 유량에 의해서 나타난다. 정보(n~p)의 상세는 후술한다.
제6 정보(X6)는, 시계열 데이터(TD1)의 인터벌 부분의 시간 추이의 특징을 나타낸다. 즉, 제6 정보(X6)는, 기판 처리 장치(200)가 서로 다른 적어도 2개의 처리 유체를 사용할 때에, 시간축 상에서, 2개의 처리 유체 중 일방의 처리 유체와 타방의 처리 유체와의 시간 간격을 나타내는 정보이다.
제6 정보(X6)는, 정보(q)를 포함한다. 정보(q)는 시간에 의해서 나타난다. 정보(q)의 상세는 후술한다.
이상, 도 10의 설명에서는, 「물체」로서 「처리 유체」를 예시하고, 「물리량」으로서 「유량」을 예시하여, 제1 정보(X1)~제6 정보(X6)를 설명하였다. 다만, 제1 정보(X1)~제6 정보(X6)를 다음과 같이 일반화하여 정의할 수 있다. 즉, 도 10의 제1 정보(X1)~제6 정보(X6)의 설명에서, 「처리 유체」를 「물체」로 대체하고, 「유량」을 「물리량」으로 대체할 수 있다. 덧붙여, 특징량(XD)에는, 로트 식별 정보 및 기판 식별 정보가 연관지어져 있다.
또한, 제2 특징량 정보(XD2)는, 처리 순번 정보(XA) 및 로트 간격 정보(XB) 중 적어도 하나의 정보를 포함한다. 도 10의 예에서는, 제2 특징량 정보(XD2)는, 처리 순번 정보(XA) 및 로트 간격 정보(XB)를 포함한다.
게다가, 제3 특징량 정보(XD3)는, 구간 데이터(SX), 물체 정보(IDA), 및 물리량 정보(IDB) 중 적어도 하나의 정보를 포함한다. 도 10의 예에서는, 제3 특징량 정보(XD3)는, 구간 데이터(SX), 물체 정보(IDA), 및 물리량 정보(IDB)를 포함한다.
다음으로, 도 11(a)~도 16을 참조하여, 특징량 산출부(613)(도 8)에 의한 정보(a)~정보(q)(도 10)의 산출 방법을 설명한다. 도 11(a)~도 16에서는, 가로축은 시간을 나타내고, 세로축은 처리 유체의 유량을 나타내고 있다.
도 11(a)~도 11(c)는, 제1 특징량 정보(XD1)에 포함되는 제1 정보(X1)의 산출 방법의 예를 도시한 도면이다.
도 11(a)에 도시한 것처럼, 특징량 산출부(613)는, 온 딜레이 부분을 포함한 구간 데이터(SX)를 해석하여, 시간(t1)을 산출한다. 시간(t1)이, 제1 정보(X1)의 정보(a)이다. 시간(t1)은, 처리 유체의 토출 제어 개시시(tx)로부터, 처리 유체의 유량의 상승 개시시(ta)까지의 기간을 나타낸다. 상승 개시시(ta)는, 유량이 목표치(TG)의 U%가 되었을 때를 나타낸다. 「U%」는, 예를 들면, 10% 이하의 값을 나타낸다.
도 11(b)에 도시한 것처럼, 특징량 산출부(613)는, 온 딜레이 부분을 포함한 구간 데이터(SX)를 해석하여, 시간(t2)을 산출한다. 시간(t2)이, 제1 정보(X1)의 정보(b)이다. 시간(t2)은, 처리 유체의 유량의 상승 개시시(ta)로부터, 처리 유체의 유량의 상승시(tb)까지의 기간을 나타낸다. 상승시(tb)는, 유량이 목표치(TG)에 가까워졌을 때를 나타낸다. 구체적으로는, 상승시(tb)는, 유량이 목표치(TG)의 V%가 되었을 때를 나타낸다. V%는 U% 보다 크다. 「V%」는, 예를 들면, 70% 이상 100% 미만의 값을 나타낸다. 덧붙여, 상승시(tb)는, 「상승 유사 완료시(tb)」로 기재할 수도 있다.
또한, 특징량 산출부(613)는, 온 딜레이 부분을 포함한 구간 데이터(SX)를 해석하여, 유량의 상승 경사를 나타내는 경사각(θ1)을 산출한다. 경사각(θ1)이, 제1 정보(X1)의 정보(d)이다. 경사각(θ1)은, 예를 들면, 처리 유체의 상승 개시시(ta)의 유량값과 상승시(tb)의 유량값을 잇는 직선의 경사각, 또는, 처리 유체의 상승 개시시(ta)와 상승시(tb)와의 사이의 유량값을 나타내는 근사 직선의 경사각이다.
도 11(c)에 도시한 것처럼, 특징량 산출부(613)는, 온 딜레이 부분을 포함한 구간 데이터(SX)를 해석하여, 시간(t3)을 산출한다. 시간(t3)이, 제1 정보(X1)의 정보(c)이다. 시간(t3)은, 처리 유체의 토출 제어 개시시(tx)로부터, 처리 유체의 유량의 상승시(tb)까지의 기간을 나타낸다.
이상, 도 11(a)~도 11(c)을 참조해 설명한 것처럼, 시간(t1~t3) 및 경사각(θ1)은, 처리 유체의 유량이 목표치(TG)를 향해 증가할 때에, 처리 유체의 유량이 목표치(TG)에 도달할 때까지의 지연을 나타내는 지표이다.
도 12는, 제1 특징량 정보(XD1)에 포함되는 제2 정보(X2)의 산출 방법의 예를 도시한 도면이다. 도 12에 도시한 것처럼, 특징량 산출부(613)는, 오버슈트 부분을 포함한 구간 데이터(SX)를 해석하여, 시간(t4)을 산출한다. 시간(t4)이, 제2 정보(X2)의 정보(e)이다. 시간(t4)은, 유량의 오버슈트를 기인으로 하는 유량의 변동이 기준시(tc)로부터 제1 소정 범위(RG1) 내에 들어갔을 때(td)까지의 기간을 나타낸다. 기준시(tc)는, 토출 제어 개시시(tx)로부터 유량이 최대값(MX)이 되었을 때까지의 어느 하나의 시간으로 설정된다. 제1 소정 범위(RG1)는 유량의 목표치(TG)를 포함한다.
도 12의 예에서는, 기준시(tc)는, 유량이 최대값(MX)이 되었을 때이다. 또한, 제1 소정 범위(RG1)의 상한치는 유량의 목표치(TG)의 X1%이며, 제1 소정 범위(RG1)의 하한치는 유량의 목표치(TG)의 X2%이다. X1% 및 X2%의 구체적인 수치에 대해서는, 예를 들면, 실험적 및/또는 경험적으로 정해진다. 유량의 변동이 제1 소정 범위(RG1) 내에 들어갔을 때(td)는, 예를 들면, 유량의 국소적 최소값(MN)이 제1 소정 범위(RG1) 내에 들어갔을 때이다. 국소적 최소값(MN)이란, 국소적인 시간 구간에 있어서의 최소값이다. 유량의 변동이 제1 소정 범위(RG1) 내에 들어갔을 때(td)는, 예를 들면, 유량의 국소적 최대값이 제1 소정 범위(RG1) 내에 들어갔을 때여도 무방하다. 국소적 최대값이란, 국소적인 시간 구간에 있어서의 최대값이다.
예를 들면, 시간(t4)은, 유량이 오버슈트를 일으키고 나서 제1 소정 범위(RG1) 내에 계속적으로 들어갈 때까지의 기간을 나타낸다.
또한, 특징량 산출부(613)는, 오버슈트 부분을 포함한 구간 데이터(SX)를 해석하여, 유량의 최대값(MX)을 산출한다. 유량의 최대값(MX)이, 제2 정보(X2)의 정보(f)이다.
이상, 도 12를 참조해 설명한 것처럼, 시간(t4) 및 최대값(MX)은, 처리 유체의 유량의 오버슈트의 정도(程度)를 나타내는 지표이다. 오버슈트는, 유량이 제1 소정 범위(RG1)를 처음으로 넘어서 제1 소정 범위(RG1)를 관통하는 현상이다.
도 13은, 제1 특징량 정보(XD1)에 포함되는 제3 정보(X3)의 산출 방법의 예를 도시한 도면이다. 도 13에 도시한 것처럼, 특징량 산출부(613)는, 유량의 변동 부분을 포함한 구간 데이터(SX)를 해석하여, 시간(t5)을 산출한다. 시간(t5)이, 제3 정보(X3)의 정보(g)이다. 시간(t5)은, 유량의 변동이 기준시(te)로부터 안정 상태가 되었을 때(tf)까지의 기간을 나타낸다. 안정 상태는, 유량의 변동이, 계속해서 제2 소정 범위(RG2) 내(Y1%~Y2%의 범위 내)에 들어가 있는 상태를 나타낸다. Y1% 및 Y2%의 구체적으로 수치에 대해서는, 예를 들면, 실험적 및/또는 경험적으로 정해진다. 특징량 산출부(613)는, 예를 들면, 유량의 국소적 최대값이 연속해서 소정 횟수 만큼 제2 소정 범위(RG2) 내에 들어가 있는 경우, 유량의 국소적 최소값이 연속해서 소정 횟수 만큼 제2 소정 범위(RG2) 내에 들어가 있는 경우, 또는, 유량의 국소적 최대값 및 국소적 최소값이 연속해서 소정 횟수 만큼 제2 소정 범위(RG2) 내에 들어가 있는 경우에, 유량 변동이 안정 상태인 것으로 판정한다.
제2 소정 범위(RG2)는 목표치(TG)를 포함한다. 제2 소정 범위(RG2)는, 제1 소정 범위(RG1)와 같거나, 또는, 제1 소정 범위(RG1) 보다 좁은 범위이다. 기준시(te)는, 처리 유체의 토출 제어 개시시(tx)로부터 소정 시간의 경과시까지의 어느 하나의 시간으로 설정된다.
유량의 오버슈트가 발생하는 경우는, 예를 들면, 기준시(te)는, 오버슈트의 수속(收束)시, 또는, 유량이 최대값(MX)이 되었을 때부터 일정 시간이 경과했을 때이다. 유량의 오버슈트가 발생하지 않는 경우는, 예를 들면, 기준시(te)는, 토출 제어 개시시(tx), 유량의 상승 개시시(ta), 또는, 유량의 상승시(tb)이다.
또한, 특징량 산출부(613)는, 유량의 변동 부분을 포함한 구간 데이터(SX)를 해석하여, 유량에 관한 면적(A1)을 산출한다. 유량에 관한 면적(A1)이, 제3 정보(X3)의 정보(h)이다. 면적(A1)은, 유량의 변동이 기준시(te)로부터 안정 상태가 될 때까지에 있어서, 유량의 목표치(TG)를 나타내는 직선과, 구간 데이터(SX)에서 유량을 나타내는 선으로 둘러싸인 부분의 면적의 합계치(예를 들면, 도 13의 사선 부분의 면적의 합계치)를 나타낸다. 안정 상태는, 시간(t5)을 산출하는 경우와 마찬가지이다. 덧붙여, 면적(A1)은, 미리 정해진 기간에 있어서, 유량의 목표치(TG)를 나타내는 직선과, 구간 데이터(SX)에서 유량을 나타내는 선으로 둘러싸인 부분의 면적의 합계치를 나타내도 무방하다.
게다가, 특징량 산출부(613)는, 유량의 변동 부분을 포함한 구간 데이터(SX)를 해석하여, 유량의 주기(T)를 산출한다. 유량의 주기(T)가, 제3 정보(X3)의 정보(i)이다. 주기(T)는, 유량의 변동이 기준시(te)로부터 안정 상태가 될 때까지에 있어서의 유량의 변동 주기를 나타낸다. 안정 상태는, 시간(t5)을 산출하는 경우와 마찬가지이다. 덧붙여, 주기(T)는, 미리 정해진 기간에 있어서의 유량의 변동 주기를 나타내도 무방하다.
또한, 유량의 주기(T)의 역수, 즉, 유량의 주파수(fa)가, 제1 정보(X1)의 정보(i)여도 무방하다.
이상, 도 13을 참조해 설명한 것처럼, 시간(t5), 면적(A1), 주기(T), 및 주파수(fa)는, 처리 유체의 유량 변동의 정도를 나타내는 지표이다. 즉, 시간(t5), 면적(A1), 주기(T), 및 주파수(fa)는, 처리 유체의 유량 안정성의 정도를 나타내는 지표이다.
도 14(a)~도 14(c)는, 제1 특징량 정보(XD1)에 포함되는 제4 정보(X4)의 산출 방법의 예를 도시한 도면이다.
도 14(a)에 도시한 것처럼, 특징량 산출부(613)는, 오프 딜레이 부분을 포함한 구간 데이터(SX)를 해석하여, 시간(t6)을 산출한다. 시간(t6)이, 제4 정보(X4)의 정보(j)이다. 시간(t6)은, 처리 유체의 토출 제어 정지시(ty)로부터, 처리 유체의 유량의 하강 개시시(tg)까지의 기간을 나타낸다. 하강 개시시(tg)는, 유량이 목표치(TG)의 V%가 되었을 때를 나타낸다. 「V%」는, 예를 들면, 70% 이상 100% 미만의 값을 나타낸다.
도 14(b)에 도시한 것처럼, 특징량 산출부(613)는, 오프 딜레이 부분을 포함한 구간 데이터(SX)를 해석하여, 시간(t7)을 산출한다. 시간(t7)이, 제4 정보(X4)의 정보(k)이다. 시간(t7)은, 처리 유체의 유량의 하강 개시시(tg)로부터, 처리 유체의 유량의 하강시(th)까지의 기간을 나타낸다. 하강시(th)는, 유량이 하한 목표치(예를 들면, 제로)에 가까워졌을 때를 나타낸다. 구체적으로는, 하강시(th)는, 유량이 목표치(TG)의 U%가 되었을 때를 나타낸다. 「U%」는, 예를 들면, 10% 이하의 값을 나타낸다. 덧붙여, 하강시(th)는, 「하강 유사 완료시(th)」로 기재할 수도 있다.
또한, 특징량 산출부(613)는, 오프 딜레이 부분을 포함한 구간 데이터(SX)를 해석하여, 유량의 하강 경사를 나타내는 경사각(θ2)을 산출한다. 경사각(θ2)이, 제4 정보(X4)의 정보(m)이다. 경사각(θ2)은, 예를 들면, 처리 유체의 하강 개시시(tg)의 유량값과 하강시(th)의 유량값을 잇는 직선의 경사각, 또는, 처리 유체의 하강 개시시(tg)와 하강시(th)와의 사이의 유량값을 나타내는 근사 직선의 경사각이다.
도 14(c)에 도시한 것처럼, 특징량 산출부(613)는, 오프 딜레이 부분을 포함한 구간 데이터(SX)를 해석하여, 시간(t8)을 산출한다. 시간(t8)이, 제4 정보(X4)의 정보(l)이다. 시간(t8)은, 처리 유체의 토출 제어 정지시(ty)로부터, 처리 유체의 유량의 하강시(th)까지의 기간을 나타낸다.
이상, 도 14(a)~도 14(c)를 참조해 설명한 것처럼, 시간(t6~t8) 및 경사각(θ2)은, 처리 유체의 유량이 하한 목표치(예를 들면, 제로)를 향해 감소할 때에, 처리 유체의 유량이 하한 목표치에 도달할 때까지의 지연을 나타내는 지표이다.
도 15는, 제1 특징량 정보(XD1)에 포함되는 제5 정보(X5)의 산출 방법의 예를 도시한 도면이다. 도 15에 도시한 것처럼, 특징량 산출부(613)는, 오버랩 부분을 포함한 구간 데이터(SX1, SX2)를 해석하여, 시간(t9)을 산출한다. 시간(t9)이, 제5 정보(X5)의 정보(n)이다. 구간 데이터(SX1)는, 서로 이웃하는 개별 시계열 데이터(TD) 중 일방의 개별 시계열 데이터(TD)의 일부(시간적인 후단 부분)이며, 구간 데이터(SX2)는, 타방의 개별 시계열 데이터(TD)의 일부(시간적인 후단 부분)이다. 시간(t9)은, 구간 데이터(SX1)와 구간 데이터(SX2)가 중복하고 있는 부분의 기간을 나타낸다. 바꿔 말하면, 시간(t9)은, 구간 데이터(SX1)에 의해서 나타나는 유량과 구간 데이터(SX2)에 의해서 나타나는 유량이 오버랩 하고 있는 기간을 나타낸다. 다시 바꿔 말하면, 시간(t9)은, 서로 다른 처리 유체 중 일방의 처리 유체의 유량과 타방의 처리 유체의 유량이 오버랩 하고 있는 기간을 나타낸다.
예를 들면, 시간(t9)은, 시계열 데이터(TD1)의 오버랩 부분에 있어서, 구간 데이터(SX2)에 의해서 나타나는 유량의 상승 개시시(ta)로부터, 구간 데이터(SX1)에 의해서 나타나는 유량의 하강시(th)까지의 기간을 나타낸다. 즉, 시간(t9)은, 시계열 데이터(TD1)의 오버랩 부분에 있어서, 서로 다른 처리 유체 중 일방의 처리 유체의 유량의 상승 개시시(ta)로부터, 타방의 처리 유체의 유량의 하강시(th)까지의 시간을 나타낸다.
또한, 특징량 산출부(613)는, 오버랩 부분을 포함한 구간 데이터(SX1, SX2)를 해석하여, 면적(A2)을 산출한다. 면적(A2)이, 제5 정보(X5)의 정보(o)이다. 면적(A2)은, 구간 데이터(SX1)와 구간 데이터(SX2)와의 오버랩 부분의 면적을 나타낸다. 즉, 면적(A2)은, 서로 다른 처리 유체 중 일방의 처리 유체의 유량과 타방의 처리 유체의 유량과의 오버랩 부분의 면적을 나타낸다.
예를 들면, 면적(A2)은, 시계열 데이터(TD1)의 오버랩 부분에 있어서, 구간 데이터(SX2)에 의해서 나타나는 유량의 상승 개시시(ta)의 유량(FL2)으로부터 교점(IN)(유량(FL))까지를 나타내는 선과, 구간 데이터(SX1)에 의해서 나타나는 유량의 하강시(th)의 유량(FL1)으로부터 교점(IN)(유량(FL))까지를 나타내는 선과, 상승 개시시(ta)의 유량(FL2)으로부터 하강시(th)의 유량(FL1)까지의 선으로 둘러싸인 부분의 면적을 나타낸다.
게다가, 특징량 산출부(613)는, 오버랩 부분을 포함한 구간 데이터(SX1, SX2)를 해석하여, 교점(IN)의 유량(FL)을 산출한다. 교점(IN)의 유량(FL)이, 제5 정보(X5)의 정보(p)이다. 유량(FL)은, 구간 데이터(SX1)에 의해서 나타나는 유량을 나타내는 선과, 구간 데이터(SX2)에 의해서 나타나는 유량을 나타내는 선과의 교점(IN)의 유량을 나타낸다. 즉, 유량(FL)은, 서로 다른 처리 유체 중 일방의 처리 유체의 유량을 나타내는 선과 타방의 처리 유체의 유량을 나타내는 선과의 교점(IN)의 유량을 나타낸다.
이상, 도 15를 참조해 설명한 것처럼, 시간(t9), 면적(A2), 및 교점(IN)의 유량(FL)은, 처리 유체의 유량의 오버랩의 정도를 나타내는 지표이다.
도 16은, 제1 특징량 정보(XD1)에 포함되는 제6 정보(X6)의 산출 방법의 예를 도시한 도면이다. 도 16에 도시한 것처럼, 특징량 산출부(613)는, 인터벌 부분을 포함한 구간 데이터(SX1, SX2)를 해석하여, 시간(t10)을 산출한다. 시간(t10)이, 제5 정보(X5)의 정보(q)이다. 시간(t10)은, 구간 데이터(SX1)에 의해서 나타나는 처리 유체의 유량과, 구간 데이터(SX2)에 의해서 나타나는 처리 유체의 유량과의 시간 간격을 나타낸다. 즉, 시간(t10)은, 시간축 상에서, 서로 다른 처리 유체 중 일방의 처리 유체와 타방의 처리 유체와의 시간 간격을 나타낸다.
예를 들면, 시간(t10)은, 시계열 데이터(TD1)의 인터벌 부분에 있어서, 구간 데이터(SX1)에 의해서 나타나는 유량의 하강시(th)로부터, 구간 데이터(SX2)에 의해서 나타나는 유량의 상승 개시시(ta)까지의 시간을 나타낸다. 즉, 서로 다른 처리 유체 중 일방의 처리 유체의 유량의 하강시(th)로부터, 타방의 처리 유체의 유량의 상승 개시시(ta)까지의 시간을 나타낸다.
이상, 도 16을 참조해 설명한 것처럼, 시간(t10)은, 처리 유체의 유량의 인터벌의 정도를 나타내는 지표이다.
여기서, 도 11(a)~도 16의 설명에서는, 「물체의 물리량」으로서 「유량」을 예시하여, 제1 특징량 정보(XD1)의 정보(a)~정보(p)(시간(t1~t10), 경사각(θ1, θ2), 최대값(MX), 면적(A1, A2), 주기(T), 및 유량(FL))를 설명하였다. 단, 제1 특징량 정보(XD1)의 정보(a)~정보(p)를 다음과 같이 일반화해 정의할 수 있다.
즉, 도 11(a)~도 16의 제1 특징량 정보(XD1)의 설명에서, 「유량」을 「물리량」으로 대체하고, 「처리액」을 「물체」로 대체하고, 「토출 제어 개시시」를 「사용 제어 개시시」로 대체하고, 「토출 제어 정지시」를 「사용 제어 정지시」라고 대체한다. 이 경우, 「사용 제어 개시시」는, 제어부(3A)가 기판 처리 장치(200)의 부품에 대해서 물체의 사용 개시 지시 신호를 출력했을 때를 나타낸다. 사용 개시 지시 신호는, 물체의 사용을 개시하는 것을 지시하는 신호를 나타낸다. 「사용 제어 정지시」는, 제어부(3A)가 기판 처리 장치(200)의 부품에 대해서 물체의 사용 정지 지시 신호를 출력했을 때를 나타낸다. 사용 정지 지시 신호는, 물체의 사용을 정지하는 것을 지시하는 신호를 나타낸다.
이상, 도 8~도 16을 참조해 설명한 것처럼, 본 실시 형태에 의하면, 제1 특징량 정보(XD1)는 시간에 의해서 나타난다. 따라서, 시계열 데이터(TD1)에서의 구간 데이터(SX)의 시간 추이의 특징을 간이(簡易)하고 정밀도 좋게 추출할 수 있다. 그 결과, 제1 특징량 정보(XD1)를 포함한 학습 데이터(TND)를 기계 학습함으로써 추정 정밀도가 높은 학습 완료된 모델(LM)을 생성할 수 있다.
특히, 본 실시 형태에서는, 시계열 데이터(TD1)의 일부인 구간 데이터(SX)로부터, 시간 추이의 특징을 나타내는 제1 특징량 정보(XD1)를 추출하고 있다. 따라서, 구간 데이터(SX)에 포함되는 특징 부분이 1개가 된다. 그 결과, 시계열 데이터(TD1)로부터의 특징 부분의 추출이 더 용이해진다. 또한, 제1 특징량 정보(XD1)에의 이상 요인 정보(YD)를 라벨링하는 것이 용이해진다.
환언하면, 본 실시 형태에서는, 취득부(611)는, 시간 추이의 특징 부분이 1개가 되도록, 시계열 데이터(TD1)로부터 구간 데이터(SX)를 취득하고 있다.
또한, 본 실시 형태에서는, 기판 처리 장치(200)로부터, 시계열 데이터(TD1)를 원시 데이터(Raw data)로서 그대로 학습 데이터 작성 장치(400)에 입력하면, 학습 데이터 작성 장치(400)가, 특징량(XD)을 산출한다. 따라서, 기판 처리 장치(200)의 유저는, 시계열 데이터(TD1)를 분석 및 가공하는 것이 요구되지 않는다. 그 결과, 유저의 부담을 경감할 수 있다.
다음으로, 도 17을 참조하여, 이상 요인 정보(YD)를 설명한다. 도 17은, 이상 요인 정보(YD)를 도시한 도면이다.
우선, 이상 요인 정보(YD)의 제1 이상 요인 정보(YD1)를 설명한다. 도 17에 도시한 것처럼, 제1 이상 요인 정보(YD1)는, 제1 요인 정보(Y101)~제9 요인 정보(Y109) 중 적어도 하나의 요인 정보를 포함한다. 도 17의 예에서는, 제1 이상 요인 정보(YD1)는, 제1 요인 정보(Y101)~제9 요인 정보(Y109)를 포함한다.
제1 요인 정보(Y101)는, 노즐(NZ) 위치의 불량으로 인해, 척 부재(130) 또는 학습 대상 기판(W1)으로의 린스액의 착수(着水) 불량의 정도를 나타내는 정보이다.
제2 요인 정보(Y102)는, 피절체 대상의 노즐(NZ)을 다른 노즐(NZ)로 절체(switching)할 때에, 피절체 대상의 노즐(NZ)로부터 토출되는 처리액과, 다른 노즐(NZ)로부터 토출되는 처리액이 간섭하여, 처리액이 튀는 정도를 나타내는 정보이다.
제3 요인 정보(Y103)는, 처리 유체(예를 들면, 약액 또는 반응 가스)의 유량 불안정성의 정도를 나타내는 정보이다.
제4 요인 정보(Y104)는, 처리 유체(예를 들면, 약액 또는 반응 가스)의 농도 변동의 정도를 나타내는 정보이다.
제5 요인 정보(Y105)는, 믹싱 밸브(V23) 등의 믹싱 밸브로 복수의 처리 유체를 혼합할 때에, 혼합 유체의 유량 불안정성의 정도를 나타내는 정보이다.
제6 요인 정보(Y106)는, 학습 대상 기판(W1)에 토출된 처리액이 학습 대상 기판(W1)의 표면에서 퍼질 때에, 학습 대상 기판(W1)이 처리액에 의해 덮이지 않은 정도를 나타내는 정보이다.
제7 요인 정보(Y107)는, 노즐(NZ)의 외면에 부착한 처리액이 학습 대상 기판(W1)의 표면에 낙하할 때에, 낙하하는 처리액 양의 정도를 나타내는 정보이다. 예를 들면, 피절체 대상의 노즐(NZ)을 다른 노즐(NZ)로 절체할 때에, 피절체 대상의 노즐(NZ)로부터 토출되는 처리액과, 다른 노즐(NZ)로부터 토출되는 처리액이 간섭하여, 처리액이 튀는 경우가 있다. 이 경우, 튄 처리액이 노즐(NZ)의 외면에 부착할 가능성이 있다.
제8 요인 정보(Y108)는, 학습 대상 기판(W1)에 대해서 먼저 토출한 처리 유체가 나중에 토출한 처리 유체에 혼입되어 있는 정도를 나타내는 정보이다. 예를 들면, 인터벌 부분을 확보할 필요가 있는 경우에는, 먼저 토출한 처리 유체가 나중에 토출한 처리 유체에 혼입되는 것은, 학습 대상 기판(W1)의 처리에 영향을 미칠 가능성이 있다. 또한, 예를 들면, 오버랩 부분을 확보할 필요가 있는 경우에 있어서도, 먼저 토출한 처리 유체가 나중에 토출한 처리 유체에 과잉으로 혼입되는 것은, 학습 대상 기판(W1)의 처리에 영향을 미칠 가능성이 있다.
제9 요인 정보(Y109)는, 학습 대상 기판(W1)을 처리한 후 처리 유체를 회수할 때, 회수 대상의 처리 유체에 다른 처리 유체가 혼입되어 있는 정도를 나타내는 정보이다. 예를 들면, 인터벌 부분을 확보할 필요가 있는 경우에는, 먼저 토출한 처리 유체가 나중에 토출한 처리 유체에 혼입되면, 나중에 토출한 처리 유체를 회수해 사용하는 경우에, 학습 대상 기판(W1)의 처리에 영향을 미칠 가능성이 있다. 또한, 예를 들면, 오버랩 부분을 확보할 필요가 있는 경우에 있어서도, 먼저 토출한 처리 유체가 나중에 토출한 처리 유체에 과잉으로 혼입되면, 나중에 토출한 처리 유체를 회수해 사용하는 경우에, 학습 대상 기판(W1)의 처리에 영향을 미칠 가능성이 있다.
이상, 도 17을 참조해 설명한 것처럼, 제1 요인 정보(Y101)~제9 요인 정보(Y109)는, 학습 대상 기판(W1)의 처리시의 처리 유체에 관한 정보이며, 처리 유체에 의한 처리 후의 학습 대상 기판(W1)의 이상 요인(이하, 「이상 요인」으로 기재하는 경우가 있다.)을 나타내고 있다. 또한, 제1 요인 정보(Y101)~제9 요인 정보(Y109)의 각각은, 예를 들면, 「문제 있음」 또는 「문제 없음」의 2단계로 상기 「정도」를 나타내도 무방하고, 3단계 이상으로 상기 「정도」를 나타내도 무방하다.
다음으로, 이상 요인 정보(YD)의 제2 이상 요인 정보(YD2)를 설명한다. 도 17에 도시한 것처럼, 제2 이상 요인 정보(YD2)는, 제1 요인 정보(Y201)~제7 요인 정보(Y207) 중 적어도 하나의 요인 정보를 포함한다. 도 17의 예에서는, 제2 이상 요인 정보(YD2)는, 제1 요인 정보(Y201)~제7 요인 정보(Y207)를 포함한다.
제1 요인 정보(Y201)는, 유량 조정 밸브(V11) 등의 유량 조정 밸브의 동작 불량의 정도를 나타내는 정보이다. 유량 조정 밸브는, 예를 들면, 모터 니들 밸브이다.
제2 요인 정보(Y202)는, 밸브(V12, V21, V22, V23) 등의 밸브의 동작 불량의 정도를 나타내는 정보이다.
제3 요인 정보(Y203)는, 펌프(55) 등의 펌프의 동작 불량의 정도를 나타내는 정보이다. 또한, 제3 요인 정보(Y203)는, 펄스 댐퍼(56) 등의 펄스 댐퍼의 동작 불량의 정도를 나타내는 정보를 포함하여도 무방하다. 펌프 및 펄스 댐퍼의 동작 불량은, 처리액의 맥동의 원인이 될 수 있다.
제4 요인 정보(Y204)는, 노즐(NZ)에 공급하는 처리 유체의 원압(元壓)의 변동 정도를 나타내는 정보이다.
제5 요인 정보(Y205)는, 유량계(FW)의 동작 불량을 나타내는 정보이다.
제6 요인 정보(Y206)는, 레시피 정보(RP)의 결함 정도를 나타내는 정보이다.
제7 요인 정보(Y207)는, 파라미터 정보(PM)의 설정 미스의 정도를 나타내는 정보이다.
이상, 도 17을 참조해 설명한 것처럼, 제1 요인 정보(Y201)~제7 요인 정보(Y207)는, 기판 처리 장치(200)의 부품에 관한 정보이며, 처리 유체에 의한 처리 후의 학습 대상 기판(W1)의 이상 요인(이하, 「이상 요인」으로 기재하는 경우가 있다.)을 나타내고 있다. 또한, 제1 요인 정보(Y201)~제7 요인 정보(Y207)의 각각은, 예를 들면, 「문제 있음」 또는 「문제 없음」의 2단계로 상기 「정도」를 나타내도 무방하고, 3단계 이상으로 상기 「정도」를 나타내도 무방하다.
다음으로, 도 10 및 도 17을 참조하여, 제1 이상 요인 정보(YD1)와 제2 이상 요인 정보(YD2)와 제1 특징량 정보(XD1)와의 상관 관계의 일례를 설명한다.
예를 들면, 제2 이상 요인 정보(YD2)의 제1 요인 정보(Y201)와 제2 요인 정보(Y202)와 제5 요인 정보(Y205) 중 적어도 하나가 나타내는 이상 요인에 기인하여, 처리 유체의 온 딜레이(on-delay) 및/또는 오프 딜레이(off-delay)가 커지는 상태 또는 작아지는 상태가 발생할 가능성이 있다. 한편, 처리 유체의 온 딜레이는 제1 특징량 정보(XD1)의 제1 정보(X1)에 의해서 나타나고, 처리 유체의 오프 딜레이는 제1 특징량 정보(XD1)의 제4 정보(X4)에 의해서 나타나고 있다. 따라서, 제1 특징량 정보(XD1)와 제2 이상 요인 정보(YD2)의 사이에는 상관이 있다.
또한, 제2 이상 요인 정보(YD2)의 제1 요인 정보(Y201)와 제2 요인 정보(Y202)와 제5 요인 정보(Y205) 중 적어도 하나가 나타내는 이상 요인은, 제1 이상 요인 정보(YD1)의 제6 요인 정보(Y106)와 제2 요인 정보(Y102)와 제7 요인 정보(Y107) 중 적어도 하나에 의해서 나타나는 이상 요인을 일으킬 가능성이 있다. 따라서, 제1 이상 요인 정보(YD1)도 또한, 제2 이상 요인 정보(YD2)와 상관이 있는 제1 특징량 정보(XD1)와 상관이 있다.
예를 들면, 제2 이상 요인 정보(YD2)의 제1 요인 정보(Y201)와 제2 요인 정보(Y202) 중 적어도 하나가 나타내는 이상 요인에 기인하여, 처리 유체의 오버슈트가 발생할 가능성이 있다. 한편, 처리 유체의 오버슈트는, 제1 특징량 정보(XD1)의 제2 정보(X2)에 의해서 나타나고 있다. 따라서, 제1 특징량 정보(XD1)와 제2 이상 요인 정보(YD2)의 사이에는 상관이 있다.
또한, 제2 이상 요인 정보(YD2)의 제1 요인 정보(Y201)와 제2 요인 정보(Y202) 중 적어도 하나가 나타내는 이상 요인은, 제1 이상 요인 정보(YD1)의 제1 요인 정보(Y101)와 제2 요인 정보(Y102) 중 적어도 하나가 나타내는 이상 요인을 일으킬 가능성이 있다. 따라서, 제1 이상 요인 정보(YD1)도 또한, 제2 이상 요인 정보(YD2)와 상관이 있는 제1 특징량 정보(XD1)와 상관이 있다.
예를 들면, 제2 이상 요인 정보(YD2)의 제3 요인 정보(Y203)와 제4 요인 정보(Y204) 중 적어도 하나가 나타내는 이상 요인에 기인하여, 처리 유체의 변동이 커질 가능성이 있다. 한편, 처리 유체의 변동은, 제1 특징량 정보(XD1)의 제3 정보(X3)에 의해서 나타나고 있다. 따라서, 제1 특징량 정보(XD1)와 제2 이상 요인 정보(YD2)의 사이에는 상관이 있다.
또한, 제2 이상 요인 정보(YD2)의 제3 요인 정보(Y203)와 제4 요인 정보(Y204) 중 적어도 하나가 나타내는 이상 요인은, 제1 이상 요인 정보(YD1)의 제3 요인 정보(Y103)와 제4 요인 정보(Y104)와 제5 요인 정보(Y105) 중 적어도 하나가 나타내는 이상 요인을 일으킬 가능성이 있다. 따라서, 제1 이상 요인 정보(YD1)도 또한, 제2 이상 요인 정보(YD2)와 상관이 있는 제1 특징량 정보(XD1)와 상관이 있다.
예를 들면, 제2 이상 요인 정보(YD2)의 제6 요인 정보(Y206)와 제7 요인 정보(Y207)와 제1 요인 정보(Y201)와 제2 요인 정보(Y202) 중 적어도 하나가 나타내는 이상 요인에 기인하여, 처리 유체 간 오버랩이 커지는 상태 혹은 작아지는 상태, 또는, 처리 유체 간 인터벌이 커지는 상태 혹은 작아지는 상태가 발생할 가능성이 있다. 한편, 처리 유체 간 오버랩은 제1 특징량 정보(XD1)의 제5 정보(X5)에 의해서 나타나고, 처리 유체 간 인터벌은 제1 특징량 정보(XD1)의 제6 정보(X6)에 의해서 나타나고 있다. 따라서, 제1 특징량 정보(XD1)와 제2 이상 요인 정보(YD2)의 사이에는 상관이 있다.
또한, 제2 이상 요인 정보(YD2)의 제6 요인 정보(Y206)와 제7 요인 정보(Y207)와 제1 요인 정보(Y201)와 제2 요인 정보(Y202) 중 적어도 하나가 나타내는 이상 요인은, 제1 이상 요인 정보(YD1)의 제6 요인 정보(Y106)와 제2 요인 정보(Y102)와 제8 요인 정보(Y108)와 제9 요인 정보(Y109) 중 적어도 하나가 나타내는 이상 요인을 일으킬 가능성이 있다. 따라서, 제1 이상 요인 정보(YD1)도 또한, 제2 이상 요인 정보(YD2)와 상관이 있는 제1 특징량 정보(XD1)와 상관이 있다.
다음으로, 도 10 및 도 17을 참조하여, 이상 요인 정보(YD)와 제2 특징량 정보(XD2)와의 상관 관계의 일례를 설명한다.
예를 들면, 로트 내에서의 처리 순번, 및/또는, 로트 간격에 의존하여, 기판 처리 장치(200)의 부품의 사용 시간대 및 신품(新品)시부터의 토탈 사용 시간이 달라진다. 그 결과, 이상 요인 정보(YD)에 의해서 나타나는 이상 요인이 일어날 가능성이 있다. 한편, 제2 특징량 정보(XD2)는, 처리 순번 정보(XA) 및 로트 간격 정보(XB)를 포함한다. 따라서, 이상 요인 정보(YD)와 제2 특징량 정보(XD2)와의 사이에는 상관이 있다.
다음으로, 도 10 및 도 17을 참조하여, 이상 요인 정보(YD)와 제3 특징량 정보(XD3)와의 상관 관계의 일례를 설명한다.
예를 들면, 제3 특징량 정보(XD3)에 포함되는 구간 데이터(SX)는 시간 추이의 특징 부분을 포함하고 있다. 그리고, 이상 요인 정보(YD)에 의해서 나타나는 이상 요인은, 구간 데이터(SX)의 시간 추이의 특징으로서 나타난다. 따라서, 이상 요인 정보(YD)와 제3 특징량 정보(XD3)의 사이에는 상관이 있다.
다음으로, 도 8 및 도 18을 참조하여, 학습 데이터 작성 장치(400)가 실행하는 학습 데이터 작성 방법을 설명한다. 도 18은, 본 실시 형태에 따른 학습 데이터 작성 방법을 도시한 플로우차트이다. 도 18에 도시한 것처럼, 학습 데이터 작성 방법은, 스텝(S21)~스텝(S24)을 포함한다.
도 8 및 도 18에 도시한 것처럼, 스텝(S21)에서, 학습 데이터 작성 장치(400)의 취득부(611)는, 기판 처리 장치(200)로부터 시계열 데이터(TD1)를 취득한다.
다음으로, 스텝(S22)에서, 취득부(611)는, 시계열 데이터(TD1)로부터, 적어도 하나의 구간 데이터(SX)를 취득한다. 본 실시 형태에서는, 취득부(611)는, 시계열 데이터(TD1)로부터 복수의 구간 데이터(SX)를 취득한다.
다음으로, 스텝(S23)에서, 학습 데이터 작성 장치(400)의 특징량 산출부(613)는, 복수의 구간 데이터(SX)에 근거하여, 제1 특징량 정보(XD1)를 산출한다. 구체적으로는, 특징량 산출부(613)는, 각 구간 데이터(SX)에 근거하여, 구간 데이터(SX) 마다, 제1 특징량 정보(XD1)를 구성하는, 제1 정보(X1), 제2 정보(X2), 제3 정보(X3), 제4 정보(X4), 제5 정보(X5), 또는, 제6 정보(X6)를 산출한다.
다음으로, 스텝(S24)에서, 학습 데이터 작성 장치(400)의 취득부(611)는, 입력부(4D)를 통해, 이상 요인 정보(YD)를 접수한다.
다음으로, 스텝(S25)에서, 학습 데이터 작성 장치(400)의 기억 제어부(63)는, 제1 특징량 정보(XD1), 제2 특징량 정보(XD2), 및 제3 특징량 정보(XD3)에, 이상 요인 정보(YD)를 연관지어 기억하도록, 기억부(4B)를 제어한다. 그 결과, 기억부(4B)는, 제1 특징량 정보(XD1), 제2 특징량 정보(XD2), 및 제3 특징량 정보(XD3)에, 이상 요인 정보(YD)를 연관지어 기억한다. 환언하면, 제1 특징량 정보(XD1), 제2 특징량 정보(XD2), 및 제3 특징량 정보(XD3)에 대해서, 이상 요인 정보(YD)를 라벨링함으로써 학습 데이터(TND)가 작성된다.
이상, 학습 데이터 작성 장치(400)가 스텝(S21)~스텝(S24)을 실행함으로써 1매의 학습 대상 기판(W1)에 대응하는 1개의 학습 데이터(TND)의 작성이 종료한다.
다음으로, 도 19를 참조하여, 학습 장치(500)를 설명한다. 학습 장치(500)는, 예를 들면, 컴퓨터이다. 도 19는, 학습 장치(500)를 도시한 블록도이다. 도 19에 도시한 것처럼, 학습 장치(500)는, 처리부(5A)와, 기억부(5B)와, 통신부(5C)와, 입력부(5D)와, 표시부(5E)를 구비한다.
처리부(5A)는, CPU 및 GPU 등의 프로세서를 구비한다. 기억부(5B)는, 기억 장치를 포함하고, 데이터 및 컴퓨터 프로그램을 기억한다. 처리부(5A)의 프로세서는, 기억부(5B)의 기억 장치가 기억하고 있는 컴퓨터 프로그램을 실행하여, 각종 처리를 실행한다. 예를 들면, 기억부(5B)는, 기억부(3B)와 마찬가지로, 주 기억 장치와, 보조 기억 장치를 갖추고, 이동식 매체를 갖추고 있어도 무방하다. 기억부(5B)는, 예를 들면, 비일시적 컴퓨터 판독 가능 기억 매체이다.
구체적으로는, 기억부(5B)는, 처리 프로그램(PG3)을 기억하고 있다. 처리부(5A)는, 처리 프로그램(PG3)을 실행하여, 취득부(71), 학습부(73), 기억 제어부(75), 및 표시 제어부(77)로서 기능한다. 즉, 처리부(5A)는, 취득부(71)와, 학습부(73)와, 기억 제어부(75)와, 표시 제어부(77)를 포함한다.
통신부(5C)는, 네트워크에 접속되어, 외부 장치와 통신한다. 통신부(5C)는, 통신기이며, 예를 들면, 네트워크 인터페이스 컨트롤러이다.
입력부(5D)는, 처리부(5A)에 대해서 각종 정보를 입력하기 위한 입력 기기이다. 예를 들면, 입력부(5D)는, 키보드 및 포인팅 디바이스, 또는, 터치패널이다.
표시부(5E)는 화상을 표시한다. 표시부(5E)는, 예를 들면, 액정 디스플레이, 또는, 유기 전계 발광 디스플레이이다.
계속해서, 도 19를 참조하여, 처리부(5A)를 설명한다. 처리부(5A)의 취득부(71)는, 학습 데이터 작성 장치(400)로부터 복수의 학습 데이터(TND)를 취득한다. 예를 들면, 취득부(71)는, 네트워크 및 통신부(5C)를 통해, 학습 데이터 작성 장치(400)로부터 복수의 학습 데이터(TND)를 취득한다.
기억 제어부(75)는, 각 학습 데이터(TND)를 기억하도록, 기억부(5B)를 제어한다. 그 결과, 기억부(5B)는, 각 학습 데이터(TND)를 기억한다.
기억부(5B)는 학습 프로그램(PG4)을 기억하고 있다. 학습 프로그램(PG4)은, 복수의 학습 데이터(TND) 중에서 일정한 규칙을 찾아내고, 찾아낸 규칙을 표현하는 학습 완료된 모델(LM)을 생성하기 위한 기계 학습 알고리즘을 실행하기 위한 프로그램이다.
기계 학습 알고리즘은, 지도 학습(Supervised learning)이면 특별히 한정되지 않고, 예를 들면, 결정 트리, 최근방법(最近傍法, nearest neighbor algorithm), 단순 베이즈 분류기(Naive Bayes Classifier), 서포트 벡터 머신(Support Vector Machine), 또는, 뉴럴 네트워크(neural network)이다. 따라서, 학습 완료된 모델(LM)은, 결정 트리, 최근방법, 단순 베이즈 분류기, 서포트 벡터 머신, 또는, 뉴럴 네트워크를 포함한다. 학습 완료된 모델(LM)을 생성하는 기계 학습에 있어서, 오차역전반법(Back Propagation)을 이용하여도 무방하다.
예를 들면, 뉴럴 네트워크는, 입력층, 단수 또는 복수의 중간층, 및 출력층을 포함한다. 구체적으로는, 뉴럴 네트워크는, 딥 뉴럴 네트워크(DNN: Deep　Neural　Network), 재귀형 뉴럴 네트워크(RNN: Recurrent　Neural　Network), 또는, 컨볼루션 뉴럴 네트워크(CNN: Convolutional　Neural　Network)이며, 딥러닝을 실시한다. 예를 들면, 딥 뉴럴 네트워크는, 입력층, 복수의 중간층, 및 출력층을 포함한다.
학습부(73)는, 학습 프로그램(PG4)에 근거하여 복수의 학습 데이터(TND)를 기계 학습한다. 그 결과, 복수의 학습 데이터(TND) 중에서 일정한 규칙이 찾아지고, 학습 완료된 모델(LM)이 생성된다. 즉, 학습 완료된 모델(LM)은, 학습 데이터(TND)를 기계 학습하는 것으로 구축된다. 기억부(5B)는, 학습 완료된 모델(LM)을 기억한다.
구체적으로는, 학습부(73)는, 학습 데이터(TND)에 포함되는 특징량(XD)과 이상 요인 정보(YD)와의 사이에 있어서의 일정한 규칙을 찾아내어, 학습 완료된 모델(LM)을 생성한다. 특징량(XD)은 설명 변수이며, 이상 요인 정보(YD)는 목적 변수이다.
보다 구체적으로는, 학습부(73)는, 학습 프로그램(PG4)에 근거하여 복수의 학습 데이터(TND)를 기계 학습하는 것에 의해, 복수의 학습 완료된 파라미터를 산출하여, 복수의 학습 완료된 파라미터가 적용된 1 이상의 함수를 포함한 학습 완료된 모델(LM)을 생성한다. 학습 완료된 파라미터는, 복수의 학습 데이터(TND)를 이용한 기계 학습의 결과에 근거하여 취득되는 파라미터(계수)이다.
학습 완료된 모델(LM)은, 입력 정보(이하, 「입력 정보(IF1)」로 기재하는 경우가 있다.)를 입력하여, 출력 정보(이하, 「출력 정보(IF2)」로 기재하는 경우가 있다.)를 출력하도록, 컴퓨터를 기능시킨다. 환언하면, 학습 완료된 모델(LM)은, 입력 정보(IF1)를 입력하여, 출력 정보(IF2)를 출력한다. 구체적으로는, 학습 완료된 모델(LM)은, 처리 유체에 의한 처리 후의 처리 대상 기판(W2)의 이상 요인을 추정하도록, 컴퓨터를 기능시킨다. 환언하면, 학습 완료된 모델(LM)은, 처리 유체에 의한 처리 후의 처리 대상 기판(W2)의 이상 요인을 추정한다.
이상, 도 19를 참조해 설명한 것처럼, 본 실시 형태에 의하면, 학습 장치(500)는, 시계열 데이터(TD1)에서의 구간 데이터(SX)의 시간 추이의 특징이 시간에 의해서 정밀도 좋게 나타난 제1 특징량 정보(XD1)를 포함하는 학습 데이터(TND)를 기계 학습한다. 그 결과, 처리 대상 기판(W2)의 이상 요인의 추정 정밀도가 높은 학습 완료된 모델(LM)을 생성할 수 있다.
특히, 제1 이상 요인 정보(YD1)(제1 요인 정보(Y201)~제7 요인 정보(Y207)) 및 제2 이상 요인 정보(YD2)(제1 요인 정보(Y101)~제9 요인 정보(Y109))에 의해서 나타나는 이상 요인(도 17)은, 기판(W)에 파티클 불량이 발생하는 원인이 될 수 있다. 따라서, 이상 요인 정보(YD)(제1 이상 요인 정보(YD1) 및 제2 이상 요인 정보(YD2))를, 학습 완료된 모델(LM)의 출력에 상당하는 목적 변수로서 기계 학습을 실행하는 것에 의해 생성된 학습 완료된 모델(LM)을 이용하여, 처리 대상 기판(W2)에 파티클 불량이 발생했을 때의 이상 요인을 추정할 수 있다. 파티클 불량이란, 파티클이 기판(W)에 부착하는 등, 파티클에 기인하는 기판(W)의 불량이다.
또한, 본 실시 형태에서는, 기계 학습의 대상인 제1 특징량 정보(XD1)는, 제1 정보(X1)~제6 정보(X6) 중 적어도 하나의 정보(도 10)를 포함한다. 따라서, 시계열 데이터(TD1)에서의 시간 추이의 특징 부분을 효과적으로 기계 학습할 수 있다.
게다가, 본 실시 형태에서는, 기계 학습의 대상인 제2 특징량 정보(XD2)는, 처리 순번 정보(XA)와 로트 간격 정보(XB) 중 적어도 하나의 정보(도 10)를 포함한다. 그리고, 예를 들면, 로트 내에서의 처리 순번, 및/또는, 로트 간격에 의존하여, 기판 처리 장치(200)의 부품의 사용 시간대 및 신품시부터의 토탈 사용 시간이 달라진다. 그 결과, 이상 요인 정보(YD)에 의해서 나타나는 이상 요인이 일어날 가능성이 있다. 따라서, 처리 순번 정보(XA) 및/또는 로트 간격 정보(XB)를 기계 학습함으로써, 학습 완료된 모델(LM)의 이상 요인의 추정 정밀도를 더욱 향상시킬 수 있다.
게다가, 본 실시 형태에서는, 기계 학습의 대상인 제3 특징량 정보(XD3)는, 구간 데이터(SX)를 포함한다. 따라서, 시계열 데이터(TD1)의 시간 추이의 특징을 포함한 원 데이터를 기계 학습할 수 있다. 그 결과, 학습 완료된 모델(LM)의 이상 요인의 추정 정밀도를 더욱 향상시킬 수 있다. 특히, 구간 데이터(SX)는, 시계열 데이터(TD1)의 일부의 데이터이기 때문에, 시계열 데이터(TD1)의 전부를 기계 학습하는 경우와 비교해, 기계 학습의 실행 시간을 단축시킬 수 있다.
덧붙여, 표시 제어부(77)는, 학습 데이터(TND)를 표시하도록, 표시부(5E)를 제어한다. 그 결과, 표시부(5E)는, 학습 데이터(TND)를 표시한다.
다음으로, 도 19 및 도 20을 참조하여, 학습 장치(500)가 실행하는 학습 방법을 설명한다. 도 20은, 본 실시 형태에 따른 학습 방법을 도시한 플로우차트이다. 도 20에 도시한 것처럼, 학습 방법은, 스텝(S31)~스텝(S34)을 포함한다.
도 19 및 도 20에 도시한 것처럼, 스텝(S31)에서, 학습 장치(500)의 취득부(71)는, 학습 데이터 작성 장치(400)로부터 복수의 학습 데이터(TND)를 취득한다.
다음으로, 스텝(S32)에서, 학습부(73)는, 학습 프로그램(PG4)에 근거하여 복수의 학습 데이터(TND)를 기계 학습한다.
다음으로, 스텝(S33)에서, 학습부(73)는, 학습 종료 조건을 만족하는지 여부를 판정한다. 학습 종료 조건은, 기계 학습을 종료하기 위해서 미리 정해진 조건이다. 학습 종료 조건은, 예를 들면, 반복 횟수가 규정 횟수에 도달한 것이다.
스텝(S33)에서 부정으로 판정되었을 경우는, 처리는 스텝(S31)으로 진행된다. 그 결과, 기계 학습이 반복된다.
한편, 스텝(S33)에서 긍정으로 판정되었을 경우는, 처리는 스텝(S34)으로 진행된다.
스텝(S34)에서, 학습부(73)는, 최신의 복수의 파라미터(계수), 즉, 복수의 학습 완료된 파라미터(계수)를 적용한 모델(1 이상의 함수)을, 학습 완료된 모델(LM)로서 출력한다. 그리고, 기억부(5B)는 학습 완료된 모델(LM)을 기억한다.
이상, 학습 장치(500)가 스텝(S31)~스텝(S34)을 실행함으로써 학습 완료된 모델(LM)이 생성된다.
다음으로, 도 21을 참조하여, 이상 요인 추정 장치(600)를 설명한다. 이상 요인 추정 장치(600)는, 예를 들면, 컴퓨터이다. 도 21은, 이상 요인 추정 장치(600)를 도시한 블록도이다. 도 21에 도시한 것처럼, 이상 요인 추정 장치(600)는, 처리부(6A)와, 기억부(6B)와, 통신부(6C)와, 입력부(6D)와, 표시부(6E)를 구비한다.
처리부(6A)는, CPU 및 GPU 등의 프로세서를 구비한다. 기억부(6B)는, 기억 장치를 포함하고, 데이터 및 컴퓨터 프로그램을 기억한다. 처리부(6A)의 프로세서는, 기억부(6B)의 기억 장치가 기억하고 있는 컴퓨터 프로그램을 실행하여, 각종 처리를 실행한다. 예를 들면, 기억부(6B)는, 기억부(3B)와 마찬가지로, 주 기억 장치와, 보조 기억 장치를 갖추고, 이동식 매체를 갖추고 있어도 무방하다. 기억부(6B)는, 예를 들면, 비일시적 컴퓨터 판독 가능 기억 매체이다.
구체적으로는, 기억부(6B)는, 추정 프로그램(PG5)을 기억하고 있다. 처리부(6A)는, 추정 프로그램(PG5)을 실행하여, 전처리부(81), 추정부(83), 기억 제어부(85), 및 표시 제어부(87)로서 기능한다. 즉, 처리부(6A)는, 전처리부(81)와, 추정부(83)와, 기억 제어부(85)와, 표시 제어부(87)를 포함한다. 전처리부(81)는, 취득부(811)와, 특징량 산출부(813)를 포함한다.
통신부(6C)는, 네트워크에 접속되어, 외부 장치와 통신한다. 통신부(6C)는, 통신기이며, 예를 들면, 네트워크 인터페이스 컨트롤러이다.
입력부(6D)는, 처리부(6A)에 대해서 각종 정보를 입력하기 위한 입력 기기이다. 예를 들면, 입력부(6D)는, 키보드 및 포인팅 디바이스, 또는, 터치패널이다.
표시부(6E)는 화상을 표시한다. 표시부(6E)는, 예를 들면, 액정 디스플레이, 또는, 유기 전계 발광 디스플레이이다.
계속해서, 도 21을 참조하여, 처리부(6A)를 설명한다. 처리부(6A)의 전처리부(81)는, 시계열 데이터(TD2)에 근거하여 입력 정보(IF1)를 작성한다. 시계열 데이터(TD2)는, 기판 처리 장치(300)가 사용하는 물체의 물리량을 나타낸다. 시계열 데이터(TD2)는, 적어도 하나의 개별 시계열 데이터(TD)를 포함한다. 개별 시계열 데이터(TD)의 내용은, 시계열 데이터(TD1)의 개별 시계열 데이터(TD)의 내용과 마찬가지이다.
그리고, 기억 제어부(85)는, 입력 정보(IF1)를 기억하도록, 기억부(6B)를 제어한다. 그 결과, 기억부(6B)는, 로트 식별 정보 및 기판 식별 정보와 연관지어, 입력 정보(IF1)를 기억한다. 예를 들면, 1매의 처리 대상 기판(W2)을 처리할 때에 취득된 적어도 하나의 시계열 데이터(TD2)에 대해서, 1개의 입력 정보(IF1)가 작성된다.
입력 정보(IF1)는 설명 변수이다. 즉, 입력 정보(IF1)는, 학습 완료된 모델(LM)에 대해서 입력되는 정보이다. 입력 정보(IF1)의 내용은, 특징량(XD)(도 8)의 내용과 마찬가지이다.
입력 정보(IF1)는, 제1 특징량 정보(PD1)를 포함한다. 입력 정보(IF1)는, 제2 특징량 정보(PD2) 및/또는 제3 특징량 정보(PD3)를 포함하고 있어도 무방하다. 본 실시 형태에서는, 입력 정보(IF1)는, 제1 특징량 정보(PD1)와 제2 특징량 정보(PD2)와 제3 특징량 정보(PD3)를 포함한다. 제1 특징량 정보(PD1)는 「제1 입력 정보」의 일례에 상당한다. 제2 특징량 정보(PD2)는 「제2 입력 정보」의 일례에 상당한다. 제3 특징량 정보(PD3)는 「제3 입력 정보」의 일례에 상당한다.
구체적으로는, 전처리부(81)의 취득부(811)는, 기판 처리 장치(300)로부터 복수의 시계열 데이터(TD2)를 취득한다. 이 경우, 시계열 데이터(TD2)의 각각에는, 로트 식별 정보, 기판 식별 정보, 처리 순번 정보(PA), 및 로트 간격 정보(PB)가 부속되어 있다. 예를 들면, 취득부(811)는, 네트워크 및 통신부(6C)를 통해, 기판 처리 장치(300)로부터 복수의 시계열 데이터(TD2)를 취득한다. 로트 식별 정보, 기판 식별 정보, 처리 순번 정보(PA), 및 로트 간격 정보(PB)의 정의는, 각각, 시계열 데이터(TD1)에 부속되어 있는 로트 식별 정보, 기판 식별 정보, 처리 순번 정보(XA), 및 로트 간격 정보(XB)의 정의와 마찬가지이다.
그리고, 기억부(6B)는, 각 시계열 데이터(TD2)를, 로트 식별 정보, 기판 식별 정보, 처리 순번 정보(XA), 및 로트 간격 정보(XB)와 연관지어 기억한다.
게다가, 취득부(811)는, 시계열 데이터(TD2)로부터, 적어도 하나의 구간 데이터를 취득한다. 본 실시 형태에서는, 취득부(811)는, 시계열 데이터(TD2)로부터, 복수의 구간 데이터를 취득한다. 구간 데이터는, 시계열 데이터의 시간 추이의 특징 부분이 나타나는 기간을 포함한 시간 구간에 있어서의 데이터이며, 시계열 데이터(TD1)의 일부의 데이터이다. 이하, 구간 데이터를 총칭해 「구간 데이터(SP)」로 기재하는 경우가 있다.
그리고, 특징량 산출부(813)는, 구간 데이터(SP) 마다, 구간 데이터(SP)에 근거하여, 제1 특징량 정보(PD1)를 산출한다. 제1 특징량 정보(PD1)는, 구간 데이터(SP)의 시간 추이의 특징을 나타낸다. 제1 특징량 정보(PD1)는, 시간에 의해서 나타난다. 특징량 산출부(813)의 동작은, 특징량 산출부(613)(도 8)의 동작과 마찬가지이다.
제2 특징량 정보(PD2)는, 하나의 로트를 구성하는 선정된 수의 처리 대상 기판(W2)에 대한 처리의 순번을 나타내는 처리 순번 정보(PA), 또는, 로트에 대한 처리 종료부터 다음의 로트에 대한 처리 개시까지의 시간 간격을 나타내는 로트 간격 정보(PB)이다.
제3 특징량 정보(PD3)는, 구간 데이터(SP), 물체 정보(이하, 「물체 정보(IDC)」), 또는, 물리량 정보(이하, 「물리량 정보(IDD)」)이다. 구간 데이터(SP)는, 취득부(811)에 의해서 시계열 데이터(TD2)로부터 취득된 구간 데이터이다.
물체 정보(IDC)는, 기판 처리 장치(300)가 사용하는 물체를 식별하기 위한 정보이다.
물리량 정보(IDD)는, 기판 처리 장치(300)가 사용하는 물체의 물리량의 종별을 식별하기 위한 정보이다.
이상, 도 21을 참조해 설명한 것처럼, 기억부(6B)는, 제1 특징량 정보(PD1), 제2 특징량 정보(PD2), 및 제3 특징량 정보(PD3)를, 입력 정보(IF1)로서 기억한다.
또한, 기억부(6B)는, 학습 완료된 모델(LM)을 기억하고 있다.
추정부(83)는, 학습 완료된 모델(LM)에 입력 정보(IF1)를 입력하여, 학습 완료된 모델(LM)로부터 출력 정보(IF2)를 취득한다. 출력 정보(IF2)는, 처리 유체에 의한 처리 후의 처리 대상 기판(W2)의 이상 요인을 나타낸다. 출력 정보(IF2)는 목적 변수이다. 즉, 출력 정보(IF2)는, 학습 완료된 모델(LM)로부터 출력되는 정보이다. 출력 정보(IF2)의 내용은, 이상 요인 정보(YD)(도 8)의 내용과 마찬가지이다.
구체적으로는, 출력 정보(IF2)는, 제1 이상 요인 정보(QD1)와, 제2 이상 요인 정보(QD2) 중 적어도 하나의 정보를 포함한다. 본 실시 형태에서는, 출력 정보(IF2)는, 제1 이상 요인 정보(QD1)와 제2 이상 요인 정보(QD2)를 포함한다. 제1 이상 요인 정보(QD1)는 「제1 출력 정보」의 일례에 상당하고, 제2 이상 요인 정보(QD2)는 「제2 출력 정보」의 일례에 상당한다.
제1 이상 요인 정보(QD1)는, 기판 처리 장치(300)에 의한 처리 대상 기판(W2)의 처리시의 처리 유체에 관한 정보이며, 처리 유체에 의한 처리 후의 처리 대상 기판(W2)의 이상 요인을 나타내는 정보이다. 제2 이상 요인 정보(QD2)는, 기판 처리 장치(300)의 부품에 관한 정보이며, 처리 유체에 의한 처리 후의 처리 대상 기판(W2)의 이상 요인을 나타내는 정보이다.
표시 제어부(65)는, 출력 정보(IF2)를 표시하도록, 표시부(6E)를 제어한다. 그 결과, 표시부(6E)는 출력 정보(IF2)를 표시한다.
이상, 도 21을 참조해 설명한 것처럼, 본 실시 형태에 의하면, 학습 완료된 모델(LM)은, 시계열 데이터(TD1)에 있어서의 구간 데이터(SX)의 시간 추이의 특징이 시간에 의해서 정밀도 좋게 나타난 제1 특징량 정보(XD1)를 포함하는 학습 데이터(TND)를 기계 학습하는 것으로 생성되고 있다. 그 결과, 학습 완료된 모델(LM)을 사용함으로써, 처리 대상 기판(W2)의 이상 요인을 정밀도 좋게 추정할 수 있다.
또한, 본 실시 형태에서는, 기판 처리 장치(300)로부터, 시계열 데이터(TD2)를 원 데이터로서 그대로 이상 요인 추정 장치(600)에 입력하면, 전처리부(81)가, 입력 정보(IF1)를 산출한다. 따라서, 기판 처리 장치(300)의 유저는, 시계열 데이터(TD2)를 분석 및 가공하는 것이 요구되지 않는다. 그 결과, 유저의 부담을 경감할 수 있다.
다음으로, 도 22를 참조하여, 입력 정보(IF1)를 설명한다. 도 22는, 입력 정보(IF1)를 도시한 도면이다. 도 22에 도시한 것처럼, 입력 정보(IF1)의 제1 특징량 정보(PD1)는, 제1 정보(P1)~제6 정보(P6) 중 적어도 하나의 정보를 포함한다. 도 22의 예에서는, 제1 특징량 정보(PD1)는, 제1 정보(P1)~제6 정보(P6)를 포함한다.
제1 정보(P1)는, 물리량이 목표치를 향해 증가할 때의 물리량의 상태를 나타내는 정보이다. 제1 정보(P1)는, 정보(a)~정보(d) 중 적어도 하나의 정보를 포함한다. 제2 정보(P2)는, 물리량의 오버슈트를 나타내는 정보이다. 제2 정보(P2)는, 정보(e) 및 정보(f) 중 적어도 하나의 정보를 포함한다. 제3 정보(P3)는, 물리량의 변동을 나타내는 정보이다. 제3 정보(P3)는, 정보(g)~정보(i) 중 적어도 하나의 정보를 포함한다.
제4 정보(P4)는, 물리량이 목표치로부터 감소할 때의 물리량의 상태를 나타내는 정보이다. 제4 정보(P4)는, 정보(j)~정보(m) 중 적어도 하나의 정보를 포함한다. 제5 정보(P5)는, 기판 처리 장치(300)가 서로 다른 적어도 2개의 물체를 사용할 때, 2개의 물체 중 일방의 물체의 물리량과 타방의 물체의 물리량과의 오버랩을 나타내는 정보이다. 제5 정보(P5)는, 정보(n)~정보(p) 중 적어도 하나의 정보를 포함한다. 제6 정보(P6)는, 기판 처리 장치(300)가 서로 다른 적어도 2개의 물체를 사용할 때, 시간축 상에서, 2개의 물체 중 일방의 물체와 타방의 물체와의 시간 간격을 나타내는 정보이다. 제6 정보(P6)는, 정보(q)를 포함한다.
도 22의 예에서는, 제1 정보(P1)는, 정보(a)~정보(d)를 포함한다. 제2 정보(P2)는, 정보(e) 및 정보(f)를 포함한다. 제3 정보(P3)는, 정보(g)~정보(i)를 포함한다. 제4 정보(P4)는, 정보(j)~정보(m)를 포함한다. 제5 정보(P5)는, 정보(n)~정보(p)를 포함한다.
제2 특징량 정보(PD2)는, 처리 순번 정보(PA) 및 로트 간격 정보(PB) 중 적어도 하나의 정보를 포함한다. 도 22의 예에서는, 제2 특징량 정보(PD2)는, 처리 순번 정보(PA) 및 로트 간격 정보(PB)를 포함한다.
제3 특징량 정보(PD3)는, 구간 데이터(SP), 물체 정보(IDC), 및 물리량 정보(IDD) 중 적어도 하나의 정보를 포함한다. 도 22의 예에서는, 제3 특징량 정보(PD3)는, 구간 데이터(SP), 물체 정보(IDC), 및 물리량 정보(IDD)를 포함한다.
여기서, 제1 특징량 정보(PD1)의 내용은, 제1 특징량 정보(XD1)의 내용과 마찬가지이다. 구체적으로는, 제1 정보(P1)~제6 정보(P6)의 내용은, 각각, 제1 정보(X1)~제6 정보(X6)의 내용과 마찬가지이다. 제1 정보(P1)~제6 정보(P6)의 정보(a)~정보(q)의 내용은, 각각, 제1 정보(X1)~제6 정보(X6)의 정보(a)~정보(q)의 내용과 마찬가지이다. 또한, 제2 특징량 정보(PD2)의 내용은, 제2 특징량 정보(XD2)의 내용과 마찬가지이다. 구체적으로는, 처리 순번 정보(PA) 및 로트 간격 정보(PB)의 내용은, 각각, 처리 순번 정보(XA) 및 로트 간격 정보(XB)의 내용과 마찬가지이다. 게다가, 제3 특징량 정보(PD3)의 내용은, 제3 특징량 정보(XD3)의 내용과 마찬가지이다. 구체적으로는, 구간 데이터(SP), 물체 정보(IDC), 및 물리량 정보(IDD)의 내용은, 각각, 구간 데이터(SX), 물체 정보(IDA), 및 물리량 정보(IDB)의 내용과 마찬가지이다. 또한, 기판 처리 장치(300)가 출력하는 시계열 데이터(TD2)의 내용은, 기판 처리 장치(200)가 출력하는 시계열 데이터(TD1)의 내용과 마찬가지이다. 게다가, 구간 데이터(SP)의 내용은, 구간 데이터(SX)의 내용과 마찬가지이다.
따라서, 제1 특징량 정보(XD1), 제1 정보(X1)~제6 정보(X6), 제1 정보(X1)~제6 정보(X6)의 정보(a)~정보(q), 제2 특징량 정보(XD2), 처리 순번 정보(XA), 로트 간격 정보(XB), 제3 특징량 정보(XD3), 구간 데이터(SX), 물체 정보(IDA), 물리량 정보(IDB), 시계열 데이터(TD1), 및 구간 데이터(SX)의 설명에서(도 8~도 17), 적절히, 취득부(611)를 취득부(811)로 대체하고, 특징량 산출부(613)를 특징량 산출부(813)로 대체하고, 기억 제어부(63)를 기억 제어부(85)로 대체하고, 기억부(4B)를 기억부(6B)로 대체하고, 기판 처리 장치(200)를 기판 처리 장치(300)로 대체하고, 학습 대상 기판(W1)을 처리 대상 기판(W2)으로 대체하는 것으로, 제1 특징량 정보(PD1), 제1 정보(P1)~제6 정보(P6), 제1 정보(P1)~제6 정보(P6)의 정보(a)~정보(q), 처리 순번 정보(PA), 로트 간격 정보(PB), 구간 데이터(SP), 물체 정보(IDC), 물리량 정보(IDD), 시계열 데이터(TD2), 구간 데이터(SP), 취득부(811), 특징량 산출부(813), 기억 제어부(85), 및 기억부(6B)의 설명을 대신할 수 있다.
다음으로, 도 23을 참조하여, 출력 정보(IF2)를 설명한다. 도 23은, 출력 정보(IF2)를 도시한 도면이다. 도 23에 도시한 것처럼, 출력 정보(IF2)의 제1 이상 요인 정보(QD1)는, 제1 요인 정보(Q101)~제9 요인 정보(Q109) 중 적어도 하나의 요인 정보를 포함한다. 도 23의 예에서는, 제1 이상 요인 정보(QD1)는, 제1 요인 정보(Q101)~제9 요인 정보(Q109)를 포함한다.
제2 이상 요인 정보(QD2)는, 제1 요인 정보(Q201)~제7 요인 정보(Q207) 중 적어도 하나의 요인 정보를 포함한다. 도 23의 예에서는, 제2 이상 요인 정보(QD2)는, 제1 요인 정보(Q201)~제7 요인 정보(Q207)를 포함한다.
여기서, 제1 이상 요인 정보(QD1)의 내용은, 제1 이상 요인 정보(YD1)의 내용과 마찬가지이다. 구체적으로는, 제1 요인 정보(Q101)~제9 요인 정보(Q109)의 내용은, 각각, 제1 요인 정보(Y101)~제9 요인 정보(Y109)(도 17)의 내용과 마찬가지이다. 또한, 제2 이상 요인 정보(QD2)의 내용은, 제2 이상 요인 정보(YD2)의 내용과 마찬가지이다. 구체적으로는, 제1 요인 정보(Q201)~제7 요인 정보(Q207)의 내용은, 각각, 제1 요인 정보(Y201)~제7 요인 정보(Y207)(도 17)의 내용과 마찬가지이다.
따라서, 제1 이상 요인 정보(YD1), 제1 요인 정보(Y101)~제9 요인 정보(Y109), 제2 이상 요인 정보(YD2), 및 제1 요인 정보(Y201)~제7 요인 정보(Y207)의 설명에서(도 8~도 17), 적절히, 기판 처리 장치(200)를 기판 처리 장치(300)로 대체하고, 학습 대상 기판(W1)을 처리 대상 기판(W2)으로 대체하는 것으로, 제1 이상 요인 정보(QD1), 제1 요인 정보(Q101)~제9 요인 정보(Q109), 제2 이상 요인 정보(QD2), 및 제1 요인 정보(Q201)~제7 요인 정보(Q207)의 설명을 대신할 수 있다.
또한, 제1 이상 요인 정보(YD1) 및 제2 이상 요인 정보(YD2)와 제1 특징량 정보(XD1)에 상관이 있는 경우와 마찬가지로, 제1 이상 요인 정보(QD1) 및 제2 이상 요인 정보(QD2)와 제1 특징량 정보(PD1)에도 상관이 있다.
다음으로, 도 21 및 도 24를 참조하여, 이상 요인 추정 장치(600)가 실행하는 이상 요인 추정 방법을 설명한다. 도 24는, 본 실시 형태에 따른 이상 요인 추정 방법을 도시한 플로우차트이다. 도 24에 도시한 것처럼, 이상 요인 추정 방법은, 스텝(S41)~스텝(S49)을 포함한다.
도 21 및 도 22에 도시한 것처럼, 스텝(S41)에서, 이상 요인 추정 장치(600)의 취득부(811)는, 기판 처리 장치(300)로부터 시계열 데이터(TD2)를 취득한다.
다음으로, 스텝(S42)에서, 취득부(811)는, 시계열 데이터(TD2)로부터, 적어도 하나의 구간 데이터(SP)를 취득한다. 본 실시 형태에서는, 취득부(811)는, 시계열 데이터(TD2)로부터 복수의 구간 데이터(SP)를 취득한다.
다음으로, 스텝(S43)에서, 이상 요인 추정 장치(600)의 특징량 산출부(813)는, 복수의 구간 데이터(SP)에 근거하여, 제1 특징량 정보(PD1)를 산출한다. 구체적으로는, 특징량 산출부(813)는, 각 구간 데이터(SP)에 근거하여, 구간 데이터(SP) 마다, 제1 특징량 정보(PD1)를 구성하는, 제1 정보(P1), 제2 정보(P2), 제3 정보(P3), 제4 정보(P4), 제5 정보(P5), 또는, 제6 정보(P6)를 산출한다.
다음으로, 스텝(S44)에서, 이상 요인 추정 장치(600)의 기억 제어부(85)는, 제1 특징량 정보(PD1), 제2 특징량 정보(PD2), 및 제3 특징량 정보(PD3)를, 입력 정보(IF1)로서 기억하도록, 기억부(6B)를 제어한다. 그 결과, 기억부(6B)는, 제1 특징량 정보(PD1), 제2 특징량 정보(PD2), 및 제3 특징량 정보(PD3)를, 입력 정보(IF1)로서 기억한다.
다음으로, 스텝(S45)에서, 추정부(83)는, 기억부(6B)로부터 입력 정보(IF1)를 취득한다.
다음으로, 스텝(S46)에서, 추정부(83)는, 학습 완료된 모델(LM)에 입력 정보(IF1)를 입력한다. 그 결과, 학습 완료된 모델(LM)은, 처리 유체에 의한 처리 후의 처리 대상 기판(W2)의 이상 요인을 추정하여, 출력 정보(IF2)를 출력한다.
바람직하게는, 학습 완료된 모델(LM)은, 출력 정보(IF2)를 구성하는 제1 요인 정보(Q101)~제9 요인 정보(Q109) 및 제1 요인 정보(Q201)~제7 요인 정보(Q207)를, 가능도가 높은 순으로 출력한다.
다음으로, 스텝(S47)에서, 추정부(83)는, 학습 완료된 모델(LM)로부터 출력 정보(IF2)를 취득한다. 출력 정보(IF2)는, 처리 유체에 의한 처리 후의 처리 대상 기판(W2)의 이상 요인을 나타낸다.
다음으로, 스텝(S48)에서, 기억 제어부(85)는, 출력 정보(IF2)를 기억하도록, 기억부(6B)를 제어한다. 그 결과, 기억부(6B)는, 출력 정보(IF2)를 기억한다.
다음으로, 스텝(S49)에서, 표시 제어부(87)는, 출력 정보(IF2)를 표시하도록, 표시부(6E)를 제어한다. 그 결과, 표시부(6E)는, 출력 정보(IF2)를 표시한다.
바람직하게는, 표시 제어부(87)는, 출력 정보(IF2)를 구성하는 제1 요인 정보(Q101)~제9 요인 정보(Q109) 및 제1 요인 정보(Q201)~제7 요인 정보(Q207)를, 가능도가 높은 순으로 표시하도록, 표시부(6E)를 제어한다. 그 결과, 표시부(6E)는, 가능도가 높은 순으로, 제1 요인 정보(Q101)~제9 요인 정보(Q109) 및 제1 요인 정보(Q201)~제7 요인 정보(Q207)를 표시한다.
이상, 이상 요인 추정 장치(600)가 스텝(S41)~스텝(S49)을 실행함으로써 1매의 처리 대상 기판(W2)에 대응하는 1개의 출력 정보(IF2)가 출력되고, 처리가 종료한다.
이상의 설명에서는, 물체의 물리량의 전형 예로서, 주로, 처리 유체의 유량을 설명하였다. 이하에서는, 물체의 물리량의 다른 예를 설명한다.
[물체: 처리 유체, 물리량: 온도]
기판 처리 장치(200)가 출력하는 시계열 데이터(TD1)가, 온도 센서(TS)가 검출한 처리 유체의 온도를 나타내는 경우는, 제1 특징량 정보(XD1)는, 예를 들면, 제1 정보(X1)~제4 정보(X4) 중 적어도 하나의 정보를 포함한다. 이 경우, 도 10 등을 참조해 설명한 제1 정보(X1)~제4 정보(X4)의 정의에 있어서, 처리 유체를 온도로 대체한다. 시계열 데이터(TD1)로서 온도를 채용하여, 기계 학습에 의해서 학습 완료된 모델(LM)을 생성함으로써, 기판(W)에 에칭 불량이 발생한 경우의 이상 요인을, 학습 완료된 모델(LM)에 의해서 추정할 수 있다. 특히, 처리 유체의 온도는, 에칭에 영향을 주기 때문이다.
학습 단계의 제1 특징량 정보(XD1)와 마찬가지로, 이용 단계의 제1 특징량 정보(PD1)도 또한, 예를 들면, 제1 정보(P1)~제4 정보(P4) 중 적어도 하나의 정보를 포함하고, 처리 유체를 온도로 대체한다
[물체: 처리 유체, 물리량: 농도]
기판 처리 장치(200)가 출력하는 시계열 데이터(TD1)가, 센서(SN)가 검출한 처리 유체의 농도를 나타내는 경우는, 제1 특징량 정보(XD1)는, 예를 들면, 제3 정보(X3)를 포함한다. 이 경우, 도 10 등을 참조해 설명한 제3 정보(X3)의 정의에 있어서, 처리 유체를 농도로 대체한다 시계열 데이터(TD1)로서 농도를 채용하여, 기계 학습에 의해서 학습 완료된 모델(LM)을 생성함으로써, 기판(W)에 에칭 불량이 발생한 경우의 이상 요인을, 학습 완료된 모델(LM)에 의해서 추정할 수 있다. 특히, 처리 유체의 농도는, 에칭에 영향을 주기 때문이다.
학습 단계의 제1 특징량 정보(XD1)와 마찬가지로, 이용 단계의 제1 특징량 정보(PD1)도 또한, 예를 들면, 제3 정보(P3)를 포함하고, 처리 유체를 농도로 대체한다.
[물체: 스핀 척(13), 물리량: 회전 수]
기판 처리 장치(200)가 출력하는 시계열 데이터(TD1)가, 센서(SN)가 검출한 스핀 척(13)의 회전 수를 나타내는 경우는, 제1 특징량 정보(XD1)는, 예를 들면, 제1 정보(X1)~제4 정보(X4) 중 적어도 하나의 정보를 포함한다. 이 경우, 도 10 등을 참조해 설명한 제1 정보(X1)~제4 정보(X4)의 정의에 있어서, 처리 유체를 스핀 척(13)으로 대체하고, 유량을 회전 수로 대체한다. 시계열 데이터(TD1)로서 회전 수를 채용하여, 기계 학습에 의해서 학습 완료된 모델(LM)을 생성함으로써, 기판(W)에 파티클 불량이 발생한 경우의 이상 요인을, 학습 완료된 모델(LM)에 의해서 추정할 수 있다.
학습 단계의 제1 특징량 정보(XD1)와 마찬가지로, 이용 단계의 제1 특징량 정보(PD1)도 또한, 예를 들면, 제1 정보(P1)~제4 정보(P4) 중 적어도 하나의 정보를 포함하고, 처리 유체를 스핀 척(13)으로 대체하고, 유량을 회전 수로 대체한다.
[물체: 차단판(291), 물리량: 위치, 변위, 회전 수]
기판 처리 장치(200)가 출력하는 시계열 데이터(TD1)가, 센서(SN)가 검출한 차단판(291)의 위치, 변위, 또는, 회전 수를 나타내는 경우는, 제1 특징량 정보(XD1)는, 예를 들면, 승강할 때의 차단판(291)의 위치 혹은 변위로부터 산출 가능한 시간에 의해서 나타나거나, 또는, 회전할 때의 차단판(291)의 회전 수 자체에 의해서 나타난다. 제1 특징량 정보(PD1)에 대해서도 마찬가지이다.
[물체: 암(AM), 물리량: 위치, 변위]
기판 처리 장치(200)가 출력하는 시계열 데이터(TD1)가, 센서(SN)가 검출한 암(AM)의 위치 또는 변위를 나타내는 경우는, 제1 특징량 정보(XD1)는, 예를 들면, 스캔 처리를 실행할 때의 암(AM)의 위치 혹은 변위로부터 산출 가능한 시간에 의해서 나타난다. 제1 특징량 정보(PD1)에 대해서도 마찬가지이다.
[물체: 가드(33), 물리량: 위치, 변위]
기판 처리 장치(200)가 출력하는 시계열 데이터(TD1)가, 센서(SN)가 검출한 가드(33)의 위치 또는 변위를 나타내는 경우는, 제1 특징량 정보(XD1)는, 예를 들면, 가드(33)가 승강할 때의 가드(33)의 위치 혹은 변위로부터 산출 가능한 시간에 의해서 나타난다. 제1 특징량 정보(PD1)에 대해서도 마찬가지이다.
[물체: 밸브(VB), 물리량: 열린 정도]
기판 처리 장치(200)가 출력하는 시계열 데이터(TD1)가, 센서(SN)가 검출한 밸브(VB)의 열린 정도를 나타내는 경우는, 제1 특징량 정보(XD1)는, 예를 들면, 밸브(VB)가 개폐할 때의 밸브(VB)의 열린 정도의 시간 변화에 의해서 나타난다. 제1 특징량 정보(PD1)에 대해서도 마찬가지이다.
다음으로, 기판 처리 장치(200, 300)가 사용하는 물체가 처리 유체이며, 물체의 물리량이, 처리 유체를 배출하는 배출관(P7) 내에서의 처리 유체의 물리량을 나타내는 경우를 설명한다.
[배출관(P7)의 유량계(FW3)]
기판 처리 장치(200)가 출력하는 시계열 데이터(TD1)가, 도 5에 도시한 배출관(P7)에 개삽된 유량계(FW3)에 의해서 검출된 처리 유체의 유량인 경우, 제1 특징량 정보(XD1)는, 유량의 시간 추이의 특징 부분을 시간에 의해서 나타낸 정보이다. 제1 특징량 정보(PD1)에 대해서도 마찬가지이다.
[배출관(P7)의 온도 센서(TS7)]
기판 처리 장치(200)가 출력하는 시계열 데이터(TD1)가, 도 5에 도시한 배출관(P7)에 배치된 온도 센서(TS7)에 의해서 검출된 처리 유체의 온도인 경우, 제1 특징량 정보(XD1)는, 온도의 시간 추이의 특징 부분을 시간에 의해서 나타낸 정보이다. 제1 특징량 정보(PD1)에 대해서도 마찬가지이다.
여기서, 도 1은, 기판 처리 장치(200), 기판 처리 장치(300), 학습 데이터 작성 장치(400), 학습 장치(500), 및 이상 요인 추정 장치(600)의 물리적 구성을 나타내도 무방하고, 논리적 구성을 나타내도 무방하다. 따라서, 기판 처리 장치(200), 기판 처리 장치(300), 학습 데이터 작성 장치(400), 학습 장치(500), 및 이상 요인 추정 장치(600) 중, 일부 또는 전부가 하나의 장치로서 구성되어도 무방하다.
예를 들면, 기판 처리 장치(200)가, 학습 데이터 작성 장치(400)를 갖추고 있어도 무방하다. 이 경우는, 예를 들면, 기판 처리 장치(200)의 제어부(3A) 및 기억부(3B)가, 학습 데이터 작성 장치(400)의 처리부(4A) 및 기억부(4B)로서 기능한다.
예를 들면, 기판 처리 장치(200)가, 학습 데이터 작성 장치(400) 및 학습 장치(500)를 갖추고 있어도 무방하다. 이 경우는, 예를 들면, 기판 처리 장치(200)의 제어부(3A) 및 기억부(3B)가, 학습 데이터 작성 장치(400)의 처리부(4A) 및 기억부(4B), 및 학습 장치(500)의 처리부(5A) 및 기억부(5B)로서 기능한다.
예를 들면, 기판 처리 장치(200)가, 학습 데이터 작성 장치(400), 학습 장치(500), 및 이상 요인 추정 장치(600)를 갖추고 있어도 무방하다. 이 경우는, 예를 들면, 기판 처리 장치(200)의 제어부(3A) 및 기억부(3B)가, 학습 데이터 작성 장치(400)의 처리부(4A) 및 기억부(4B), 학습 장치(500)의 처리부(5A) 및 기억부(5B), 이상 요인 추정 장치(600)의 처리부(6A) 및 기억부(6B)로서 기능한다.
마찬가지로, 기판 처리 장치(200)가, 학습 데이터 작성 장치(400)를 갖추어도 무방하고, 학습 데이터 작성 장치(400) 및 학습 장치(500)를 갖추어도 무방하고, 학습 데이터 작성 장치(400), 학습 장치(500), 및 이상 요인 추정 장치(600)를 갖추어도 무방하다.
예를 들면, 이상 요인 추정 장치(600)가, 학습 장치(500)를 갖추어도 무방하다. 예를 들면, 이상 요인 추정 장치(600)가, 학습 장치(500) 및 학습 데이터 작성 장치(400)를 갖추어도 무방하다. 이 경우는, 전처리부(81) 및 학습 데이터 작성부(61) 중 중복하는 기능을 생략할 수 있다. 예를 들면, 학습 장치(500)가 학습 데이터 작성 장치(400)를 갖추어도 무방하다.
예를 들면, 서버 또는 호스트 컴퓨터가, 네트워크 경유하여, 이상 요인 추정 장치(600)로부터 출력 정보(IF2)를 수신하여, 출력 정보(IF2)를 표시 장치에 표시해도 무방하다.
예를 들면, 학습 데이터 작성 장치(400), 학습 장치(500), 및 이상 요인 추정 장치(600) 중 2 이상을 조합하여, 조합된 장치가, 서버에 의해서 구성되어도 무방하다.
예를 들면, 학습 데이터 작성 장치(400), 학습 장치(500), 및 이상 요인 추정 장치(600) 중 적어도 하나가, 서버에 의해서 구성되어도 무방하다.
예를 들면, 학습 대상 기판(W1)을 처리하는 기판 처리 장치(200)가, 처리 대상 기판(W2)을 처리하는 기판 처리 장치(300)로서 기능해도 무방하고, 그 역이어도 무방하다.
예를 들면, 이상 요인 추정 장치(600)의 전처리부(81)와 추정부(83)가, 별개의 장치로서 구성되어도 무방하다.
이상, 도면을 참조해 본 발명의 실시 형태에 대해 설명하였다. 다만, 본 발명은, 상기의 실시 형태로 한정되지 않으며, 그 요지를 일탈하지 않는 범위에서 다양한 양태로 실시할 수 있다. 또한, 상기의 실시 형태에 개시되는 복수의 구성요소는 적절히 변형 가능하다. 예를 들면, 어느 실시 형태에 나타나는 전 구성요소 중 어느 구성요소를 다른 실시 형태의 구성요소에 추가해도 무방하고, 또는, 어느 실시 형태에 나타나는 전 구성요소 중 일부의 구성요소를 실시 형태로부터 삭제해도 무방하다.
또한, 도면은, 발명의 이해를 용이하게 하기 위해, 각각의 구성요소를 주체로 모식적으로 나타내고 있어, 도시된 각 구성요소의 두께, 길이, 개수, 간격 등은, 도면 작성의 형편상 실제와는 다른 경우도 있다. 또한, 상기의 실시 형태에서 나타내는 각 구성요소의 구성은 일례이며, 특별히 한정되지 않고, 본 발명의 효과로부터 실질적으로 일탈하지 않는 범위에서 다양한 변경이 가능함은 물론이다.
본 발명은, 학습 완료된 모델 생성 방법, 이상 요인 추정 장치, 기판 처리 장치, 이상 요인 추정 방법, 학습 방법, 학습 장치, 및 학습 데이터 작성 방법에 관한 것이며, 산업상의 이용 가능성을 가진다.
5B, 6B: 기억부
73: 학습부
83: 추정부
200, 300: 기판 처리 장치
400: 학습 데이터 작성 장치
500: 학습 장치
600: 이상 요인 추정 장치
LM: 학습 완료된 모델
W: 기판
W1: 학습 대상 기판
W2: 처리 대상 기판

Claims (21)

  1. 학습 데이터를 취득하는 단계와,
    처리 유체에 의한 처리 후의 처리 대상 기판의 이상 요인을 추정하는 학습 완료된 모델을, 상기 학습 데이터를 기계 학습하는 것에 의해 생성하는 단계
    를 포함하고,
    상기 학습 데이터는, 특징량과 이상 요인 정보를 포함하고,
    상기 이상 요인 정보는, 상기 처리 유체에 의한 처리 후의 학습 대상 기판의 이상 요인을 나타내고,
    상기 특징량은, 상기 처리 유체에 의해 상기 학습 대상 기판을 처리하는 기판 처리 장치가 사용하는 물체의 물리량을 나타내는 시계열 데이터 중, 구간 데이터의 시간 추이의 특징을 나타내는 제1 특징량 정보를 포함하고,
    상기 제1 특징량 정보는, 시간에 의해서 나타나는, 학습 완료된 모델 생성 방법.
  2. 제1항에 있어서,
    상기 이상 요인 정보는, 제1 이상 요인 정보와 제2 이상 요인 정보 중 적어도 하나의 정보를 포함하고,
    상기 제1 이상 요인 정보는, 상기 기판 처리 장치에 의한 상기 학습 대상 기판의 처리시의 상기 처리 유체에 관한 정보이고,
    상기 제2 이상 요인 정보는, 상기 기판 처리 장치의 부품에 관한 정보인, 학습 완료된 모델 생성 방법.
  3. 제1항 또는 제2항에 있어서,
    상기 제1 특징량 정보는, 제1 정보와 제2 정보와 제3 정보와 제4 정보와 제5 정보와 제6 정보 중 적어도 하나의 정보를 포함하고,
    상기 제1 정보는, 상기 물리량이 목표치를 향해 증가할 때의 상기 물리량의 상태를 나타내는 정보이고,
    상기 제2 정보는, 상기 물리량의 오버슈트를 나타내는 정보이고,
    상기 제3 정보는, 상기 물리량의 변동을 나타내는 정보이고,
    상기 제4 정보는, 상기 물리량이 상기 목표치로부터 감소할 때의 상기 물리량의 상태를 나타내는 정보이고,
    상기 제5 정보는, 상기 기판 처리 장치가 서로 다른 적어도 2개의 상기 물체를 사용할 때, 상기 2개의 물체 중 일방의 물체의 상기 물리량과 타방의 물체의 상기 물리량과의 오버랩을 나타내는 정보이고,
    상기 제6 정보는, 시간축 상에서, 상기 일방의 물체와 상기 타방의 물체와의 시간 간격을 나타내는 정보인, 학습 완료된 모델 생성 방법.
  4. 제1항 또는 제2항에 있어서,
    상기 물체는, 상기 처리 유체이고,
    상기 물리량은, 상기 처리 유체를 배출하는 배출관 내에서의 상기 처리 유체의 물리량을 나타내는, 학습 완료된 모델 생성 방법.
  5. 제1항 또는 제2항에 있어서,
    상기 물체는, 상기 처리 유체이고,
    상기 물리량은, 상기 처리 유체의 유량, 상기 처리 유체의 온도, 또는, 상기 처리 유체의 농도를 나타내는, 학습 완료된 모델 생성 방법.
  6. 제1항 또는 제2항에 있어서,
    상기 물체는, 상기 학습 대상 기판을 회전시키는 기판 보관유지부, 상기 학습 대상 기판을 향해서 상기 처리 유체를 토출하는 노즐을 이동시키는 암, 상기 학습 대상 기판으로부터 비산한 상기 처리 유체를 받는 가드, 또는, 상기 처리 유체의 흐름을 조절하는 밸브이고,
    상기 물체가 상기 기판 보관유지부인 경우, 상기 물리량은, 상기 기판 보관유지부의 동작 및/또는 상태에 관한 양을 나타내고,
    상기 물체가 상기 암인 경우, 상기 물리량은, 상기 암의 동작 및/또는 상태에 관한 양을 나타내고,
    상기 물체가 상기 가드인 경우, 상기 물리량은, 상기 가드의 동작 및/또는 상태에 관한 양을 나타내고,
    상기 물체가 상기 밸브인 경우, 상기 물리량은, 상기 밸브의 동작 및/또는 상태에 관한 양을 나타내는, 학습 완료된 모델 생성 방법.
  7. 제1항 또는 제2항에 있어서,
    상기 물체는, 상기 학습 대상 기판의 상면을 간격을 두고 덮는 차단판을 포함하고,
    상기 물체가 상기 차단판인 경우, 상기 물리량은, 상기 차단판의 동작 및/또는 상태에 관한 양을 나타내는, 학습 완료된 모델 생성 방법.
  8. 제1항 또는 제2항에 있어서,
    상기 특징량은, 제2 특징량 정보를 더 포함하고,
    상기 제2 특징량 정보는, 하나의 로트를 구성하는 선정된 수의 상기 학습 대상 기판에 대한 처리의 순번을 나타내는 처리 순번 정보, 또는, 로트에 대한 처리 종료부터 다음의 로트에 대한 처리 개시까지의 시간 간격을 나타내는 로트 간격 정보인, 학습 완료된 모델 생성 방법.
  9. 처리 유체에 의한 처리 후의 처리 대상 기판의 이상 요인을 추정하는 이상 요인 추정 장치에 있어서,
    학습 데이터를 기계 학습함으로써 구축되는 학습 완료된 모델을 기억하는 기억부와,
    상기 학습 완료된 모델에 입력 정보를 입력하여, 상기 학습 완료된 모델로부터 출력 정보를 취득하는 추정부
    를 갖추고,
    상기 학습 데이터는, 특징량과 이상 요인 정보를 포함하고,
    상기 이상 요인 정보는, 상기 처리 유체에 의한 처리 후의 학습 대상 기판의 이상 요인을 나타내고,
    상기 특징량은, 상기 처리 유체에 의해 상기 학습 대상 기판을 처리하는 기판 처리 장치가 사용하는 물체의 물리량을 나타내는 시계열 데이터 중, 구간 데이터의 시간 추이의 특징을 나타내는 제1 특징량 정보를 포함하고, 상기 제1 특징량 정보는, 시간에 의해서 나타나고,
    상기 입력 정보는, 상기 처리 유체에 의해 상기 처리 대상 기판을 처리하는 기판 처리 장치가 사용하는 물체의 물리량을 나타내는 시계열 데이터 중, 구간 데이터의 시간 추이의 특징을 나타내는 제1 입력 정보를 포함하고, 상기 제1 입력 정보는, 시간에 의해서 나타나고,
    상기 출력 정보는, 상기 처리 유체에 의한 처리 후의 상기 처리 대상 기판의 이상 요인을 나타내는, 이상 요인 추정 장치.
  10. 제9항에 있어서,
    상기 이상 요인 정보는, 제1 이상 요인 정보와 제2 이상 요인 정보 중 적어도 하나의 정보를 포함하고,
    상기 제1 이상 요인 정보는, 상기 기판 처리 장치에 의한 상기 학습 대상 기판의 처리시의 상기 처리 유체에 관한 정보이고,
    상기 제2 이상 요인 정보는, 상기 학습 대상 기판을 처리하는 상기 기판 처리 장치의 부품에 관한 정보이고,
    상기 출력 정보는, 제1 출력 정보와 제2 출력 정보 중 적어도 하나의 정보를 포함하고,
    상기 제1 출력 정보는, 상기 기판 처리 장치에 의한 상기 처리 대상 기판의 처리시의 상기 처리 유체에 관한 정보이고,
    상기 제2 출력 정보는, 상기 처리 대상 기판을 처리하는 상기 기판 처리 장치의 부품에 관한 정보인, 이상 요인 추정 장치.
  11. 제9항 또는 제10항에 있어서,
    상기 제1 특징량 정보 및 상기 제1 입력 정보의 각각은, 제1 정보와 제2 정보와 제3 정보와 제4 정보와 제5 정보와 제6 정보 중 적어도 하나의 정보를 포함하고,
    상기 제1 정보는, 상기 물리량이 목표치를 향해 증가할 때의 상기 물리량의 상태를 나타내는 정보이고,
    상기 제2 정보는, 상기 물리량의 오버슈트를 나타내는 정보이고,
    상기 제3 정보는, 상기 물리량의 변동을 나타내는 정보이고,
    상기 제4 정보는, 상기 물리량이 상기 목표치로부터 감소할 때의 상기 물리량의 상태를 나타내는 정보이고,
    상기 제5 정보는, 상기 기판 처리 장치가 서로 다른 적어도 2개의 상기 물체를 사용할 때, 상기 2개의 물체 중 일방의 물체의 상기 물리량과 타방의 물체의 상기 물리량과의 오버랩을 나타내는 정보이고,
    상기 제6 정보는, 시간축 상에서, 상기 일방의 물체와 상기 타방의 물체와의 시간 간격을 나타내는 정보인, 이상 요인 추정 장치.
  12. 제9항 또는 제10항에 있어서,
    상기 물체는, 상기 처리 유체이고,
    상기 물리량은, 상기 처리 유체를 배출하는 배출관 내에서의 상기 처리 유체의 물리량을 나타내는, 이상 요인 추정 장치.
  13. 제9항 또는 제10항에 있어서,
    상기 물체는, 상기 처리 유체이고,
    상기 물리량은, 상기 처리 유체의 유량, 상기 처리 유체의 온도, 또는, 상기 처리 유체의 농도를 나타내는, 이상 요인 추정 장치.
  14. 제9항 또는 제10항에 있어서,
    상기 학습 대상 기판을 처리하는 상기 기판 처리 장치가 사용하는 상기 물체는, 상기 학습 대상 기판을 회전시키는 기판 보관유지부, 상기 학습 대상 기판을 향해서 상기 처리 유체를 토출하는 노즐을 이동시키는 암, 상기 학습 대상 기판으로부터 비산한 상기 처리 유체를 받는 가드, 또는, 상기 처리 유체의 흐름을 조절하는 밸브이고,
    상기 처리 대상 기판을 처리하는 상기 기판 처리 장치가 사용하는 상기 물체는, 상기 처리 대상 기판을 회전시키는 기판 보관유지부, 상기 처리 대상 기판을 향해서 상기 처리 유체를 토출하는 노즐을 이동시키는 암, 상기 처리 대상 기판으로부터 비산한 상기 처리 유체를 받는 가드, 또는, 상기 처리 유체의 흐름을 조절하는 밸브이고,
    상기 물체가 상기 기판 보관유지부인 경우, 상기 물리량은, 상기 기판 보관유지부의 동작 및/또는 상태에 관한 양을 나타내고,
    상기 물체가 상기 암인 경우, 상기 물리량은, 상기 암의 동작 및/또는 상태에 관한 양을 나타내고,
    상기 물체가 상기 가드인 경우, 상기 물리량은, 상기 가드의 동작 및/또는 상태에 관한 양을 나타내고,
    상기 물체가 상기 밸브인 경우, 상기 물리량은, 상기 밸브의 동작 및/또는 상태에 관한 양을 나타내는, 이상 요인 추정 장치.
  15. 제9항 또는 제10항에 있어서,
    상기 학습 대상 기판을 처리하는 상기 기판 처리 장치가 사용하는 상기 물체는, 상기 학습 대상 기판의 상면을 간격을 두고 덮는 차단판을 포함하고,
    상기 처리 대상 기판을 처리하는 상기 기판 처리 장치가 사용하는 상기 물체는, 상기 처리 대상 기판의 상면을 간격을 두고 덮는 차단판을 포함하고,
    상기 물체가 상기 차단판인 경우, 상기 물리량은, 상기 차단판의 동작 및/또는 상태에 관한 양을 나타내는, 이상 요인 추정 장치.
  16. 제9항 또는 제10항에 있어서,
    상기 특징량은, 제2 특징량 정보를 더 포함하고,
    상기 제2 특징량 정보는, 하나의 로트를 구성하는 선정된 수의 상기 학습 대상 기판에 대한 처리의 순번을 나타내는 처리 순번 정보, 또는, 로트에 대한 처리 종료부터 다음의 로트에 대한 처리 개시까지의 시간 간격을 나타내는 로트 간격 정보이고,
    상기 입력 정보는, 상기 처리 대상 기판에 관한 제2 입력 정보를 더 포함하고,
    상기 제2 입력 정보는, 하나의 로트를 구성하는 선정된 수의 상기 처리 대상 기판에 대한 처리의 순번을 나타내는 처리 순번 정보, 또는, 로트에 대한 처리 종료부터 다음의 로트에 대한 처리 개시까지의 시간 간격을 나타내는 로트 간격 정보인, 이상 요인 추정 장치.
  17. 제9항 또는 제10항에 기재된 이상 요인 추정 장치와,
    기판을 처리하는 처리 장치
    를 구비하는, 기판 처리 장치.
  18. 처리 유체에 의한 처리 후의 처리 대상 기판의 이상 요인을 추정하는 이상 요인 추정 방법에 있어서,
    입력 정보를 취득하는 단계와,
    학습 데이터를 기계 학습함으로써 구축되는 학습 완료된 모델에 상기 입력 정보를 입력하여, 상기 학습 완료된 모델로부터 출력 정보를 취득하는 단계
    를 포함하고,
    상기 학습 데이터는, 특징량과 이상 요인 정보를 포함하고,
    상기 이상 요인 정보는, 상기 처리 유체에 의한 처리 후의 학습 대상 기판의 이상 요인을 나타내고,
    상기 특징량은, 상기 처리 유체에 의해 상기 학습 대상 기판을 처리하는 기판 처리 장치가 사용하는 물체의 물리량을 나타내는 시계열 데이터 중, 구간 데이터의 시간 추이의 특징을 나타내는 특징량 정보를 포함하고, 상기 특징량 정보는, 시간에 의해서 나타나고,
    상기 입력 정보는, 상기 처리 유체에 의해 상기 처리 대상 기판을 처리하는 기판 처리 장치가 사용하는 물체의 물리량을 나타내는 시계열 데이터 중, 구간 데이터의 시간 추이의 특징을 나타내는 정보를 포함하고, 상기 정보는, 시간에 의해서 나타나고,
    상기 출력 정보는, 상기 처리 유체에 의한 처리 후의 상기 처리 대상 기판의 이상 요인을 나타내는, 이상 요인 추정 방법.
  19. 학습 데이터를 취득하는 단계와,
    상기 학습 데이터를 기계 학습하는 단계
    를 포함하고,
    상기 학습 데이터는, 특징량과 이상 요인 정보를 포함하고,
    상기 이상 요인 정보는, 처리 유체에 의한 처리 후의 학습 대상 기판의 이상 요인을 나타내고,
    상기 특징량은, 상기 처리 유체에 의해 상기 학습 대상 기판을 처리하는 기판 처리 장치가 사용하는 물체의 물리량을 나타내는 시계열 데이터 중, 구간 데이터의 시간 추이의 특징을 나타내는 특징량 정보를 포함하고,
    상기 특징량 정보는, 시간에 의해서 나타나는, 학습 방법.
  20. 학습 데이터를 기억하는 기억부와,
    상기 학습 데이터를 기계 학습하는 학습부
    를 포함하고,
    상기 학습 데이터는, 특징량과 이상 요인 정보를 포함하고,
    상기 이상 요인 정보는, 처리 유체에 의한 처리 후의 학습 대상 기판의 이상 요인을 나타내고,
    상기 특징량은, 상기 처리 유체에 의해 상기 학습 대상 기판을 처리하는 기판 처리 장치가 사용하는 물체의 물리량을 나타내는 시계열 데이터 중, 구간 데이터의 시간 추이의 특징을 나타내는 특징량 정보를 포함하고,
    상기 특징량 정보는, 시간에 의해서 나타나는, 학습 장치.
  21. 처리 유체에 의해 학습 대상 기판을 처리하는 기판 처리 장치가 사용하는 물체의 물리량을 나타내는 시계열 데이터로부터, 적어도 하나의 구간 데이터를 취득하는 단계와,
    상기 구간 데이터의 시간 추이의 특징을 나타내는 특징량 정보를 산출하는 단계와,
    상기 특징량 정보에 이상 요인 정보를 연관지어 기억하도록, 기억부를 제어하는 단계
    를 포함하고,
    상기 이상 요인 정보는, 상기 처리 유체에 의한 처리 후의 상기 학습 대상 기판의 이상 요인을 나타내고,
    상기 특징량 정보는, 시간에 의해서 나타나고,
    상기 특징량 정보 및 상기 이상 요인 정보는, 기계 학습의 대상인 학습 데이터를 구성하는, 학습 데이터 작성 방법.
KR1020210018875A 2020-03-24 2021-02-10 학습 완료된 모델 생성 방법, 이상 요인 추정 장치, 기판 처리 장치, 이상 요인 추정 방법, 학습 방법, 학습 장치, 및 학습 데이터 작성 방법 KR102583402B1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JPJP-P-2020-052983 2020-03-24
JP2020052983A JP2021152762A (ja) 2020-03-24 2020-03-24 学習済みモデル生成方法、学習済みモデル、異常要因推定装置、基板処理装置、異常要因推定方法、学習方法、学習装置、及び、学習データ作成方法

Publications (2)

Publication Number Publication Date
KR20210119289A true KR20210119289A (ko) 2021-10-05
KR102583402B1 KR102583402B1 (ko) 2023-09-27

Family

ID=77808895

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210018875A KR102583402B1 (ko) 2020-03-24 2021-02-10 학습 완료된 모델 생성 방법, 이상 요인 추정 장치, 기판 처리 장치, 이상 요인 추정 방법, 학습 방법, 학습 장치, 및 학습 데이터 작성 방법

Country Status (5)

Country Link
US (1) US20210304032A1 (ko)
JP (1) JP2021152762A (ko)
KR (1) KR102583402B1 (ko)
CN (1) CN113448307A (ko)
TW (2) TWI792209B (ko)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11586160B2 (en) * 2021-06-28 2023-02-21 Applied Materials, Inc. Reducing substrate surface scratching using machine learning
JP2023114126A (ja) * 2022-02-04 2023-08-17 株式会社荏原製作所 情報処理装置、推論装置、機械学習装置、情報処理方法、推論方法、及び、機械学習方法
JP2023137511A (ja) * 2022-03-18 2023-09-29 株式会社Ｓｃｒｅｅｎホールディングス 基板処理装置および監視方法
JP2024047495A (ja) * 2022-09-26 2024-04-05 株式会社Ｓｃｒｅｅｎホールディングス 学習装置、情報処理装置、基板処理装置、基板処理システム、学習方法および処理条件決定方法
JP2024047494A (ja) * 2022-09-26 2024-04-05 株式会社Ｓｃｒｅｅｎホールディングス 学習装置、情報処理装置、基板処理装置、基板処理システム、学習方法および処理条件決定方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012150721A (ja) * 2011-01-20 2012-08-09 Tokyo Electron Ltd 処理装置の異常診断方法及びその異常診断システム
KR20170023770A (ko) * 2014-06-25 2017-03-06 삼성전자주식회사 진단모델 생성 시스템 및 방법
US20190121237A1 (en) * 2017-10-23 2019-04-25 Applied Materials, Inc. Predictive modeling of metrology in semiconductor processes
US20190171181A1 (en) * 2017-12-01 2019-06-06 Applied Materials, Inc. Semiconductor process control method
KR20190096271A (ko) * 2018-02-08 2019-08-19 가부시키가이샤 스크린 홀딩스 데이터 처리 방법, 데이터 처리 장치 및 데이터 처리 프로그램
JP2019531890A (ja) * 2016-09-29 2019-11-07 サイワット テクノロジーズ リミテッドＣｙｗａｔ Ｔｅｃｈｎｏｌｏｇｉｅｓ Ｌｔｄ． 流体システムの恒常的なオンライン水質及び安全性監視用システム及び方法
US20200082245A1 (en) * 2018-09-12 2020-03-12 Applied Materials, Inc. Deep auto-encoder for equipment health monitoring and fault detection in semiconductor and display process equipment tools

Family Cites Families (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3326871B2 (ja) * 1993-05-25 2002-09-24 東レ株式会社 カップ回転式スピンコータ及びカップ回転式塗膜形成方法
JPH07182011A (ja) * 1993-12-24 1995-07-21 Dainippon Screen Mfg Co Ltd 異常診断装置
JP3633959B2 (ja) * 1994-07-14 2005-03-30 松下電器産業株式会社 品質分析方法
JPH10309509A (ja) * 1997-05-09 1998-11-24 Dainippon Screen Mfg Co Ltd 回転式基板処理装置および基板処理方法
JP4071461B2 (ja) * 2001-07-05 2008-04-02 大日本スクリーン製造株式会社 基板処理システム、基板処理装置、プログラム及び記録媒体
JP2004047885A (ja) * 2002-07-15 2004-02-12 Matsushita Electric Ind Co Ltd 半導体製造装置のモニタリングシステム及びモニタリング方法
JP4054248B2 (ja) * 2002-11-18 2008-02-27 大日本スクリーン製造株式会社 基板処理装置
JP2004186445A (ja) * 2002-12-03 2004-07-02 Omron Corp モデル化装置及びモデル解析方法並びにプロセス異常検出・分類システム及びプロセス異常検出・分類方法並びにモデル化システム及びモデル化方法並びに故障予知システム及びモデル化装置の更新方法
JP4355193B2 (ja) * 2003-11-10 2009-10-28 株式会社ルネサステクノロジ 半導体デバイスの製造方法及び半導体デバイス製造システム
JP4882239B2 (ja) * 2005-02-16 2012-02-22 東京エレクトロン株式会社 半導体製造装置、コンピュータプログラム及び記憶媒体
JP2007123643A (ja) * 2005-10-31 2007-05-17 Matsushita Electric Ind Co Ltd 成膜装置、成膜方法、成膜装置のモニタリングプログラムおよびその記録媒体
JP2008041939A (ja) * 2006-08-07 2008-02-21 Matsushita Electric Ind Co Ltd シリコン異方性エッチング装置及びシリコン異方性エッチング方法
KR101040883B1 (ko) * 2009-06-29 2011-06-16 세종대학교산학협력단 전산지능을 이용한 플라즈마 장비의 감시 및 제어 방법
US9135103B2 (en) * 2012-02-16 2015-09-15 Mentor Graphics Corporation Hybrid memory failure bitmap classification
JP2018107338A (ja) * 2016-12-27 2018-07-05 株式会社Sumco ウェーハの洗浄方法
JP6878077B2 (ja) * 2017-03-24 2021-05-26 株式会社Ｓｃｒｅｅｎホールディングス 基板処理装置および基板処理方法
US10041844B1 (en) * 2017-04-07 2018-08-07 International Business Machines Corporation Fluid flow rate assessment by a non-intrusive sensor in a fluid transfer pump system
JP7010641B2 (ja) * 2017-09-27 2022-01-26 パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカ 異常診断方法および異常診断装置
JP7323541B2 (ja) * 2018-03-13 2023-08-08 アプライド マテリアルズ インコーポレイテッド 半導体処理のモニタリングのための機械学習システム
JP6810097B2 (ja) * 2018-05-21 2021-01-06 ファナック株式会社 異常検出器
KR102589004B1 (ko) * 2018-06-18 2023-10-16 삼성전자주식회사 반도체 불량 분석 장치 및 그것의 불량 분석 방법
JP7177628B2 (ja) * 2018-08-20 2022-11-24 株式会社Ｓｃｒｅｅｎホールディングス 基板処理方法、基板処理装置および基板処理システム

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012150721A (ja) * 2011-01-20 2012-08-09 Tokyo Electron Ltd 処理装置の異常診断方法及びその異常診断システム
KR20170023770A (ko) * 2014-06-25 2017-03-06 삼성전자주식회사 진단모델 생성 시스템 및 방법
JP2019531890A (ja) * 2016-09-29 2019-11-07 サイワット テクノロジーズ リミテッドＣｙｗａｔ Ｔｅｃｈｎｏｌｏｇｉｅｓ Ｌｔｄ． 流体システムの恒常的なオンライン水質及び安全性監視用システム及び方法
US20190121237A1 (en) * 2017-10-23 2019-04-25 Applied Materials, Inc. Predictive modeling of metrology in semiconductor processes
US20190171181A1 (en) * 2017-12-01 2019-06-06 Applied Materials, Inc. Semiconductor process control method
KR20190096271A (ko) * 2018-02-08 2019-08-19 가부시키가이샤 스크린 홀딩스 데이터 처리 방법, 데이터 처리 장치 및 데이터 처리 프로그램
US20200082245A1 (en) * 2018-09-12 2020-03-12 Applied Materials, Inc. Deep auto-encoder for equipment health monitoring and fault detection in semiconductor and display process equipment tools
WO2020055555A1 (en) * 2018-09-12 2020-03-19 Applied Materials, Inc. Deep auto-encoder for equipment health monitoring and fault detection in semiconductor and display process equipment tools

Also Published As

Publication number Publication date
TW202318126A (zh) 2023-05-01
TWI792209B (zh) 2023-02-11
KR102583402B1 (ko) 2023-09-27
JP2021152762A (ja) 2021-09-30
US20210304032A1 (en) 2021-09-30
CN113448307A (zh) 2021-09-28
TW202205040A (zh) 2022-02-01

Similar Documents

Publication Publication Date Title
KR20210119289A (ko) 학습 완료된 모델 생성 방법, 이상 요인 추정 장치, 기판 처리 장치, 이상 요인 추정 방법, 학습 방법, 학습 장치, 및 학습 데이터 작성 방법
CN108621154B (zh) 清洗工序最优化装置以及机器学习装置
US8983644B2 (en) Manufacturing execution system with virtual-metrology capabilities and manufacturing system including the same
Su et al. Accuracy and real-time considerations for implementing various virtual metrology algorithms
JPWO2019182913A5 (ko)
JP2021108367A (ja) 基板処理装置、基板処理方法、基板処理システム、及び学習用データの生成方法
JP2019111637A (ja) 切粉除去装置及び情報処理装置
US10928732B2 (en) Substrate liquid processing apparatus, substrate liquid processing method, and storage medium
US20120016643A1 (en) Virtual measuring system and method for predicting the quality of thin film transistor liquid crystal display processes
KR102316265B1 (ko) 기판 처리 장치 및 액 혼합 방법
JP6487168B2 (ja) 基板処理装置および基板処理方法
US20230161301A1 (en) Substrate processing apparatus, substrate processing method, training data generation method, training method, training device, trained model creation method, and trained model
KR20160102126A (ko) 처리액 공급 장치, 처리액 공급 방법 및 기억 매체
KR101290199B1 (ko) 반도체 제조 설비에서 런-투-런 제어를 위한 컨텍스트 오프셋들을 추정하기 위한 방법 및 시스템
US20170037499A1 (en) Substrate liquid processing apparatus, substrate liquid processing method, and storage medium
US20230236048A1 (en) Substrate processing apparatus, abnormality detection method and non-transitory computer readable medium storing abnormality detection program
CN108899294B (zh) 液帘检测装置、加工设备及液帘检测方法
US20230106044A1 (en) Apparatus for controlling flow rate and method of controlling flow rate
US20060219273A1 (en) Substrate processing apparatus
JP2024046993A (ja) 支援装置、支援方法、基板処理システム、記録媒体、及び、支援プログラム
US20150032246A1 (en) Energy-consumption monitoring system for substrate processing apparatus and energy-consumption monitoring method for substrate processing apparatus
TWI843262B (zh) 基板處理裝置管理系統、基板處理裝置管理方法以及基板處理裝置管理程式
CN116949452B (zh) 一种铝蚀刻液的冰醋酸、硝酸及磷酸比率控制系统
JP2007266554A (ja) 基板処理装置および基板処理方法
JP2023046224A (ja) 基板処理装置、異常検出方法および異常検出プログラム

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E90F Notification of reason for final refusal
E701 Decision to grant or registration of patent right