TW202024942A - 基板處理之條件設定支援方法、基板處理系統、記錄媒體及學習模型 - Google Patents

基板處理之條件設定支援方法、基板處理系統、記錄媒體及學習模型 Download PDF

Info

Publication number
TW202024942A
TW202024942A TW108140899A TW108140899A TW202024942A TW 202024942 A TW202024942 A TW 202024942A TW 108140899 A TW108140899 A TW 108140899A TW 108140899 A TW108140899 A TW 108140899A TW 202024942 A TW202024942 A TW 202024942A
Authority
TW
Taiwan
Prior art keywords
processing
substrate processing
condition
unit
substrate
Prior art date
Application number
TW108140899A
Other languages
English (en)
Other versions
TWI830812B (zh
Inventor
下青木剛
桾本裕一朗
濱田佳志
羽山隆史
Original Assignee
日商東京威力科創股份有限公司
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 日商東京威力科創股份有限公司 filed Critical 日商東京威力科創股份有限公司
Publication of TW202024942A publication Critical patent/TW202024942A/zh
Application granted granted Critical
Publication of TWI830812B publication Critical patent/TWI830812B/zh

Links

Images

Classifications

    • 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
    • H01L21/67276—Production flow monitoring, e.g. for increasing throughput
    • 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
    • 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
    • H01L21/02—Manufacture or treatment of semiconductor devices or of parts thereof
    • H01L21/027—Making masks on semiconductor bodies for further photolithographic processing not provided for in group H01L21/18 or H01L21/34
    • 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
    • H01L21/6715—Apparatus for applying a liquid, a resin, an ink or the like

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Manufacturing & Machinery (AREA)
  • Computer Hardware Design (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Power Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Automation & Control Theory (AREA)
  • Exposure Of Semiconductors, Excluding Electron Or Ion Beam Exposure (AREA)
  • Coating Apparatus (AREA)
  • Application Of Or Painting With Fluid Materials (AREA)

Abstract

本發明提供一種基板處理之條件設定支援方法，在基板處理的處理條件之設定作業的簡化上有效。該基板處理之條件設定支援方法，包含如下步驟：將包含藉由基板處理裝置實行之基板處理(包括對於基板之處理液的供給)的處理條件、及關於該基板處理之品質的實績資料之資料集，輸入至機械學習裝置；以及根據「機械學習裝置藉由『根據複數組資料集的機械學習』所產生之模型，即因應處理條件之輸入而將關於基板處理之品質的預測資料輸出之學習模型」，導出基板處理的推薦處理條件。

Description

基板處理之條件設定支援方法、基板處理系統、記錄媒體及學習模型
本發明所揭露之內容，係關於一種基板處理之條件設定支援方法、基板處理系統、記錄媒體及學習模型。
於專利文獻1揭露一種裝置，於基板之表面形成感光性被覆膜，在該感光性被覆膜之曝光處理後，施行該感光性被覆膜之顯影處理。 [習知技術文獻] [專利文獻]
專利文獻1：日本特開第2017－73522號公報
[本發明所欲解決的問題]
本發明所揭露之內容提供一種條件設定支援方法，對基板處理的處理條件之設定作業的簡化有效。 [解決問題之技術手段]
本發明所揭露之一態樣的基板處理之條件設定支援方法，包含如下步驟：將包含藉由基板處理裝置實行之基板處理(包括對於基板之處理液的供給)的處理條件、及關於該基板處理之品質的實績資料之資料集，輸入至機械學習裝置；以及根據「機械學習裝置藉由『根據複數組該資料集的機械學習』所產生之模型，即因應處理條件之輸入而將關於基板處理之品質的預測資料輸出之學習模型」，導出基板處理的推薦處理條件。 [本發明之效果]
依本發明所揭露之內容，可提供一種條件設定支援方法，對基板處理的處理條件之設定作業的簡化有效。
以下，對各種例示實施形態予以說明。於說明中，對同一要素或具有同一功能之要素給予同一符號，並省略重複的說明。
[基板處理系統] 基板處理系統1，係在基板的表面形成感光性被覆膜，對曝光處理後之該感光性被覆膜施行顯影處理的系統。處理對象之基板，為例如半導體之晶圓W。感光性被覆膜，例如為光阻膜。
如圖1所例示，基板處理系統1，具備塗布顯影裝置2及控制裝置100。塗布顯影裝置2，具備載送區塊4、處理區塊5、及介面區塊6。
載送區塊4，施行晶圓W(基板)之往塗布顯影裝置2內的導入、及晶圓W之從塗布顯影裝置2內的導出。例如，載送區塊4，可支持晶圓W用之複數載具C，內建有傳遞臂A1。載具C，例如收納圓形的複數片晶圓W。傳遞臂A1，從載具C取出未處理之晶圓W，使處理後之晶圓W返回載具C。
處理區塊5，具備複數處理模組11、12、13、14。處理模組11、12、13(處理部)，施行成膜處理：於晶圓W的表面Wa塗布成膜液(成膜用處理液)，形成被覆膜。例如處理模組11、12、13，內建有：塗布單元U1、熱處理單元U2、及將晶圓W搬運至此等單元之搬運臂A3。
處理模組11，藉由塗布單元U1及熱處理單元U2，於晶圓W的表面上形成下層膜。處理模組11的塗布單元U1，將下層膜形成用處理液塗布於晶圓W上。處理模組11的熱處理單元U2，施行伴隨下層膜之形成的各種熱處理。
處理模組12，藉由塗布單元U1及熱處理單元U2，於下層膜上形成光阻膜。處理模組12的塗布單元U1，將光阻膜形成用處理液塗布於下層膜上。處理模組12的熱處理單元U2，施行伴隨光阻膜之形成的各種熱處理。
處理模組13，藉由塗布單元U1及熱處理單元U2，於光阻膜上形成上層膜。處理模組13的塗布單元U1，將上層膜形成用之液體塗布於光阻膜上。處理模組13的熱處理單元U2，施行伴隨上層膜之形成的各種熱處理。
如圖2所例示，塗布單元U1，具備旋轉保持部50及成膜液供給部60。旋轉保持部50，保持晶圓W而使其旋轉。例如，旋轉保持部50，具備保持部51及旋轉驅動部52。保持部51，支持水平配置之晶圓W，例如藉由真空吸附等而保持。旋轉驅動部52，例如將電動馬達等作為動力源，使保持部51繞鉛直的軸線而旋轉。藉此，保持在保持部51之晶圓W亦旋轉。
成膜液供給部60，將成膜液供給至保持在保持部51之晶圓W的表面Wa。例如，成膜液供給部60，具備噴嘴61及液體源62。噴嘴61，配置於保持在保持部51之晶圓W的上方，往下方噴吐處理液。液體源62，將處理液壓送至噴嘴61。
回到圖1，處理模組14(處理部)，施行顯影處理：將顯影用處理液供給至晶圓W的表面Wa中施行過曝光處理的光阻膜(感光性被覆膜)。例如，處理模組14，內建有：顯影單元U3、熱處理單元U4、及將晶圓W搬運至此等單元之搬運臂A3。處理模組14，藉由顯影單元U3及熱處理單元U4，施行曝光後的光阻膜之顯影處理。顯影單元U3，在對曝光完畢之晶圓W的表面上塗布顯影液(顯影用處理液)後，將其以沖洗液(沖洗用處理液)洗去，藉以施行光阻膜之顯影處理。熱處理單元U4，施行伴隨顯影處理之各種熱處理。作為熱處理的具體例，可列舉顯影處理前之加熱處理(PEB：Post Exposure Bake)、顯影處理後之加熱處理(PB：Post Bake)等。
如圖3所例示，顯影單元U3，具備：旋轉保持部20、顯影液供給部30、及沖洗液供給部40。旋轉保持部20，保持晶圓W而使其旋轉。例如，旋轉保持部20，具備保持部21及旋轉驅動部22。保持部21，支持水平配置之晶圓W，例如藉由真空吸附等而保持。旋轉驅動部22，例如將電動馬達等作為動力源，使保持部21繞鉛直的軸線而旋轉。藉此，保持在保持部21之晶圓W亦旋轉。
顯影液供給部30，將顯影液供給至保持在保持部21之晶圓W的表面Wa。例如，顯影液供給部30，具備：噴嘴31、噴嘴移送部32、及液體源33。噴嘴31，配置於保持在保持部21之晶圓W的上方，往下方噴吐顯影液。噴嘴移送部32，將電動馬達等作為動力源而使噴嘴31往水平方向移動。液體源33，將顯影液壓送至噴嘴31。
沖洗液供給部40，將沖洗液供給至保持在保持部21之晶圓W的表面Wa。例如，沖洗液供給部40，具備：噴嘴41、噴嘴移送部42、及液體源43。噴嘴41，配置於保持在保持部21之晶圓W的上方，往下方噴吐沖洗液。噴嘴移送部42，將電動馬達等作為動力源而使噴嘴41往水平方向移動。液體源43，將沖洗液壓送至噴嘴41。
回到圖1，介面區塊6，在與施行形成於晶圓W上的光阻膜之曝光處理的曝光裝置(未圖示)之間，施行晶圓W的傳遞。例如，介面區塊6，內建有傳遞臂A8，連接至曝光裝置。傳遞臂A8，將曝光處理前之晶圓W往曝光裝置傳遞，從曝光裝置承接曝光處理後之晶圓W。
在處理區塊5與載送區塊4之間，設置收納部U10。收納部U10，區隔為在上下方向並排之複數小單元，可於各小單元收納晶圓W。收納部U10，使用在載送區塊4與處理區塊5間之晶圓W的傳遞等。在收納部U10之附近，設置升降臂A7。升降臂A7，於收納部U10的小單元彼此之間，使晶圓W升降。在處理區塊5與介面區塊6之間，設置收納部U11。收納部U11，亦區隔為在上下方向並排之複數小單元，可於各小單元收納晶圓W。收納部U11，使用在處理區塊5與介面區塊6間之晶圓W的傳遞等。
控制裝置100，例如控制塗布顯影裝置2，俾藉由以下順序實行塗布顯影處理。首先，控制裝置100，控制傳遞臂A1俾將載具C內之晶圓W搬運至收納部U10，控制升降臂A7俾將此晶圓W配置於處理模組11用之小單元。
接著，控制裝置100，控制搬運臂A3俾將收納部U10之晶圓W搬運至處理模組11內的塗布單元U1及熱處理單元U2。此外，控制裝置100，控制塗布單元U1及熱處理單元U2，俾於此晶圓W的表面上形成下層膜。而後，控制裝置100，控制搬運臂A3俾使形成有下層膜之晶圓W返回收納部U10，控制升降臂A7俾將此晶圓W配置於處理模組12用之小單元。
接著，控制裝置100，控制搬運臂A3俾將收納部U10之晶圓W搬運至處理模組12內的塗布單元U1及熱處理單元U2。此外，控制裝置100，控制塗布單元U1及熱處理單元U2俾於此晶圓W的下層膜上形成光阻膜。而後，控制裝置100，控制搬運臂A3俾使晶圓W返回收納部U10，控制升降臂A7俾將此晶圓W配置於處理模組13用之小單元。
接著，控制裝置100，控制搬運臂A3俾將收納部U10之晶圓W搬運至處理模組13內之各單元。此外，控制裝置100，控制塗布單元U1及熱處理單元U2俾於此晶圓W的光阻膜上形成上層膜。而後，控制裝置100，控制搬運臂A3俾將晶圓W搬運至收納部U11。
接著，控制裝置100，控制傳遞臂A8俾將收納部U11之晶圓W往曝光裝置3送出。而後，控制裝置100，控制傳遞臂A8，俾從曝光裝置3接收施行過曝光處理之晶圓W，將其配置於收納部U11的處理模組14用之小單元。
接著，控制裝置100，控制搬運臂A3俾將收納部U11之晶圓W搬運至處理模組14內之各單元，控制顯影單元U3及熱處理單元U4俾對此晶圓W的光阻膜施行顯影處理。而後，控制裝置100，控制搬運臂A3俾使晶圓W返回收納部U10，控制升降臂A7及傳遞臂A1俾使此晶圓W返回載具C內。藉由上述方式，完成塗布顯影處理。
另，基板處理系統之具體構成，並未限定於以上所例示之型態。基板處理系統，只要是具備：施行包含「對於基板之處理液的供給」之基板處理的處理部；及可控制該處理部的控制裝置100的任何構成皆可。
[條件設定支援系統] 基板處理系統1，進一步具備條件設定系統7。條件設定系統7，具備品質檢查裝置70。此外，條件設定系統7的至少一部分，由上述控制裝置100構成。亦即，條件設定系統7，具備品質檢查裝置70與控制裝置100。品質檢查裝置70，檢測關於塗布顯影裝置2所施行的基板處理之品質的資訊。
控制裝置100，構成為實行如下步驟：遵循預先設定的處理條件，使塗布顯影裝置2(基板處理裝置)，實行包含往晶圓W之處理液的供給之基板處理；從品質檢查裝置70，取得關於遵循處理條件的基板處理之品質的實績資料；將包含基板處理的處理條件、及該基板處理的實績資料之資料集，輸入至機械學習裝置200；以及以因應處理條件之輸入而將關於基板處理之品質的預測資料輸出之方式，根據機械學習裝置200藉由根據複數組資料集的機械學習所產生之學習模型，導出基板處理的推薦處理條件。預測資料，例如為預測上述實績資料的資料。實績資料，可為關於基板處理之品質的任何資料。基板處理後的基板之品質的資料，與基板處理之品質有關。此外，基板處理的中途之處理液的供給狀態，亦與基板處理的品質有關。
條件設定系統7，可進一步具備機械學習裝置200。機械學習裝置200，構成為實行如下步驟：取得上述資料集；以及藉由根據複數組資料集的機械學習，而產生上述學習模型。機械學習裝置200，可收納於與控制裝置100相同之筐體，亦可設置在遠離控制裝置100之位置。設置在遠離控制裝置100之位置的情況，機械學習裝置200，例如經由區域網路而連接至控制裝置100。機械學習裝置200，亦可經由所謂網際網路等廣域網路而連接至控制裝置100。以下，詳細地說明各部的構成。
(品質資料檢測裝置) 品質檢查裝置70，例如具備圖4所示之處理後檢查部80。處理後檢查部80，檢測關於基板處理後的基板之品質的資訊。作為一例，處理後檢查部80，檢測關於顯影處理後之晶圓W的表面所形成之光阻圖案的線寬之資訊。例如，處理後檢查部80，檢測可將光阻圖案的線寬之差別，識別為色調、明度及彩度的至少任一者之差別的影像資訊。
具體而言，處理後檢查部80，包含：保持部83、線性驅動部84、拍攝部81、及投射反射部82。保持部83，水平地保持晶圓W。線性驅動部84，例如將電動馬達等作為動力源，使保持部83沿著水平的直線狀之路徑而移動。拍攝部81，取得晶圓W表面之影像資料。拍攝部81，在保持部83的移動方向中設置於處理後檢查部80內之一端側，朝向該移動方向之另一端側。
投射反射部82，往拍攝範圍投射光線，將來自該拍攝範圍的反射光導向拍攝部81側。例如，投射反射部82，具備半反射鏡86及光源87。半反射鏡86，在較保持部83更高的位置中，設置於保持部83之移動範圍的中間部，將來自下方的光線往拍攝部81側反射。光源87，設置於半反射鏡86上方，通過半反射鏡86而往下方照射照明光。
處理後檢查部80，如同下述地運作以取得晶圓W的表面之影像資料。首先，線性驅動部84，使保持部83移動。藉此，晶圓W通過半反射鏡86下方。在此一通過過程中，將來自晶圓W表面之各部的反射光，依序送往拍攝部81。拍攝部81，使來自晶圓W表面之各部的反射光成像，取得晶圓W表面之影像資料。藉此，檢測光阻圖案之影像資訊。
處理後檢查部80，亦可檢測關於成膜處理後之晶圓W的表面所形成之被覆膜的膜厚之資訊。例如，處理後檢查部80，檢測可將被覆膜的膜厚之差別，識別為色調、明度及彩度的至少任一者之差別的影像資訊。該影像資訊，亦可藉由圖4所例示之構成予以檢測。
品質檢查裝置70，亦可進一步具備圖5所示之處理中檢查部90。處理中檢查部90，檢測關於基板處理中之處理液的供給狀態之資訊。作為一例，處理中檢查部90，檢測關於顯影處理中之顯影液的供給狀態之資訊。例如，處理中檢查部90，包含：液體飛濺檢測部91、液體形成狀態檢測部92、及液體滴落檢測部93。
液體飛濺檢測部91，檢測關於顯影液的供給中之液體飛濺的發生狀態之資訊。例如，液體飛濺檢測部91，包含照射部94與拍攝部95。照射部94，例如固定於噴嘴31等，於晶圓W的上方中往水平方向照射雷射光。照射部94之設置高度，設定為從表面Wa濺起的液滴可到達之高度。拍攝部95，取得來自照射部94之雷射光的照射範圍之影像資料。若產生液體飛濺，則因飛濺出的液滴而產生雷射光之散射等，拍攝部95所取得之影像資料產生變化。因此，拍攝部95所取得之影像資料，包含關於液滴的發生狀態之資訊。
液體形成狀態檢測部92，檢測關於表面Wa上之顯影液的液膜之形成狀態的資訊。例如液體形成狀態檢測部92，包含拍攝部96。拍攝部96，取得保持在保持部21之晶圓W的表面Wa之影像資料。拍攝部96所取得之影像資料，包含關於液膜的形成狀態之資訊。
液體滴落檢測部93，檢測關於來自噴嘴31之顯影液的液體滴落發生狀態之資訊。液體滴落，係指在預先設定之顯影液的供給期間外，顯影液從噴嘴31滴下之現象。例如，液體滴落檢測部93，包含拍攝部97。拍攝部97，取得噴嘴31及其下方之影像資料。拍攝部97所取得之影像資料，包含關於液體滴落的發生狀態之資訊。
處理中檢查部90，亦可檢測關於成膜處理中之成膜液的供給狀態之資訊。此一情況，藉由與上述液體飛濺檢測部91、液體形成狀態檢測部92、及液體滴落檢測部93等相同的構成，亦可檢測關於塗布單元U1之成膜液的供給狀態之資訊。
(控制裝置及機械學習裝置) 如圖6所示，控制裝置100，作為功能上的構成(下稱「功能模組」)，具備：處理條件保存部111、處理控制部112、資料取得部113、資料輸入部114、及推薦條件導出部115。
處理條件保存部111，記錄預先設定的處理條件。例如，處理條件保存部111，記錄處理模組14的顯影處理條件。顯影處理條件，包含熱處理單元U4的熱處理條件、及顯影單元U3的液體處理條件。顯影單元U3的液體處理條件，包含顯影液的供給、沖洗液的供給及乾燥(旋轉所進行的甩乾)等之程序。此外，上述顯影單元U3的液體處理條件，包含：各程序中之晶圓W的旋轉速度、顯影液的供給量、顯影液的供給時間、沖洗液的供給量、沖洗液的噴吐時間、及甩乾時間等。藉由噴嘴移送部32使噴嘴31移動並供給顯影液之情況，顯影單元U3的液體處理條件，亦可進一步包含：顯影液的供給中之噴嘴31的移動開始位置、移動速度、移動結束位置等。
處理條件保存部111，亦可記錄處理模組11、12、13的成膜處理條件。成膜處理條件，包含塗布單元U1的液體處理條件、熱處理單元U2的熱處理條件。塗布單元U1的液體處理條件，包含成膜液的供給等之程序。此外，塗布單元U1的液體處理條件，包含：各程序中之晶圓W的旋轉速度、成膜液的供給量、成膜液的供給時間等。
處理控制部112，遵循處理條件保存部111所記錄的處理條件，使處理部實行基板處理。例如，處理控制部112，遵循處理條件保存部111所記錄的顯影處理條件，使處理模組14實行顯影處理。作為一例，處理控制部112，遵循預先設定的熱處理條件，控制熱處理單元U4，俾對曝光處理後之晶圓W施行熱處理(例如上述PEB)。而後，處理控制部112，遵循預先設定的液體處理條件，控制顯影單元U3，俾對晶圓W施行顯影處理。而後，處理控制部112，遵循預先設定的熱處理條件，控制熱處理單元U4，俾對晶圓W施行熱處理(例如上述PB)。
處理控制部112，亦可遵循處理條件保存部111所記錄的成膜處理條件，使處理模組11、12、13實行成膜處理。作為一例，處理控制部112，遵循預先設定的液體處理條件，控制塗布單元U1，俾於晶圓W的表面Wa塗布成膜液。而後，處理控制部112，遵循預先設定的熱處理條件，控制熱處理單元U2，俾對晶圓W施行熱處理。
資料取得部113，取得關於遵循處理條件的基板處理之品質的實績資料。資料取得部113，可取得包含複數項目之實績值的實績資料。複數項目之實績值，可包含表示基板處理後的晶圓W之品質的處理後項目、及表示基板處理中途的處理液之供給狀態的處理中項目之實績值。複數項目之實績值，亦可取得包含複數個相同種類之實績值的實績資料。複數個相同種類之實績值，係指理想上應成為相同值之複數個實績值。作為複數個相同種類之實績值的具體例，可列舉在複數處中取得之複數個實績值。
例如，資料取得部113，作為處理後項目之一例，取得表示藉由顯影處理而在晶圓W的表面Wa形成之光阻圖案的線寬之實績值(下稱「線寬實績值」)的實績值。具體而言，資料取得部113，根據藉由處理後檢查部80檢測到的資訊，取得線寬實績值。資料取得部113，亦可根據藉由處理後檢查部80檢測到的資訊，取得表面Wa上的複數處之線寬實績值。
資料取得部113，作為處理中項目的一例，取得表示顯影處理中之顯影液的供給狀態之實績值。具體而言，資料取得部113，根據藉由處理中檢查部90檢測到的資訊，取得有無顯影液的液體飛濺、液膜的形成不良、及液體滴落之實績值。
資料取得部113，作為處理後項目的一例，亦可取得表示藉由成膜處理而在晶圓W的表面Wa形成之被覆膜的膜厚之實績值(下稱「膜厚實績值」)的實績值。具體而言，資料取得部113，可根據藉由處理後檢查部80檢測到的資訊，取得膜厚實績值。資料取得部113，亦可根據藉由處理後檢查部80檢測到的資訊，取得表面Wa上的複數處之膜厚實績值。
資料取得部113，作為處理中項目的一例，亦可取得表示成膜處理中之成膜液的供給狀態之實績值。具體而言，資料取得部113，可根據藉由處理中檢查部90檢測到的資訊，取得有無成膜液的液體飛濺、液膜的形成不良、及液體滴落之實績值。
資料輸入部114，將資料集輸入至機械學習裝置200的模型產生部214(後述)；資料集，包含處理條件、及與該處理條件對應的實績資料。資料輸入部114，可根據上述處理中項目之實績值，選擇輸入至模型產生部214之資料集。例如，資料輸入部114，可將處理液的供給狀態為不良之資料集，從往模型產生部214之輸入對象排除。作為處理液的供給狀態為不良之具體例，可列舉上述液體飛濺、液膜的形成不良、及液體滴落中至少一種的發生。
推薦條件導出部115，根據模型產生部214藉由根據複數組資料集的機械學習所產生之學習模型，而導出基板處理的推薦處理條件。如同後述，學習模型，係以因應處理條件之輸入而將關於基板處理之品質的預測資料輸出之方式產生。推薦處理條件，係根據學習模型、及預測資料的既定評價條件，而判斷為應推薦採用的處理條件。
例如，推薦條件導出部115，作為更細分化之功能模組，包含評價條件輸入部121與搜尋結果取得部122。評價條件輸入部121，將預測資料的評價條件，輸入至機械學習裝置200之條件搜尋部216(後述)。評價條件，為判定預測資料是否為容許等級的條件。
評價條件輸入部121，亦可將評價複數項目之預測值的評價條件，輸入至條件搜尋部216。評價條件輸入部121，亦可將包含關於「複數項目的至少一部分之預測值的參差不一」之條件的評價條件，輸入至條件搜尋部216。例如，評價條件，包含預測資料的評價分數之導出手法、評價分數之容許等級。
作為一例，評價條件輸入部121，將評價表面Wa上之複數處的上述線寬之預測值(下稱「線寬預測值」)的評價條件，輸入至條件搜尋部216。該評價條件，作為上述評價分數之導出手法的一例，包含複數處的至少一部分(例如全處)之線寬預測值的參差不一之算式(例如標準差之算式)。該評價條件，作為上述評價分數之容許等級，包含藉由上述算式算出的參差不一之容許上限值。
評價條件輸入部121，亦可將評價表面Wa上之複數處的上述膜厚之預測值的評價條件，輸入至條件搜尋部216。該評價條件，作為上述評價分數之導出手法的一例，包含複數處的至少一部分(例如全處)之膜厚預測值的參差不一之算式(例如標準差之算式)。該評價條件，作為上述評價分數之容許等級，包含藉由上述算式算出的參差不一之容許上限值。
搜尋結果取得部122，取得條件搜尋部216所導出的推薦處理條件，保存至處理條件保存部111。如同後述，推薦處理條件，係根據複數組資料集、學習模型、及評價條件輸入部121所輸入的評價條件而導出。
此處，處理控制部112，可使處理部遵循推薦處理條件而進一步實行基板處理。資料取得部113，可進一步取得關於遵循推薦處理條件的基板處理之品質的追加實績資料。資料輸入部114，可將包含推薦處理條件與追加實績資料之追加資料集，進一步輸入至模型產生部214。推薦條件導出部115，可根據模型產生部214根據追加資料集所更新的學習模型，而更新推薦處理條件。學習模型的更新，係指根據加上追加資料集之複數組資料集而產生新的學習模型。推薦處理條件的更新，係指根據模型產生部214所更新的學習模型，導出新的推薦處理條件。
此一情況，控制裝置100，可進一步具備條件評價部116、重複管理部117。條件評價部116，評價可否採用推薦處理條件。重複管理部117，至少重複以下步驟，直至條件評價部116之評價結果成為可採用為止。 i)處理控制部112，使處理部遵循推薦處理條件而進一步實行基板處理。 ii)資料取得部113，進一步取得追加實績資料。 iii)資料輸入部114，將追加資料集進一步輸入至模型產生部214。 iv)推薦條件導出部115，根據模型產生部214根據追加資料集所更新的學習模型，而更新推薦處理條件。
條件評價部116的推薦處理條件之評價方法並無特別限制。例如，條件評價部116，根據根據既定評價條件的上述追加實績資料之評價結果，而評價可否採用推薦處理條件。該評價條件，亦可與上述預測資料的評價條件相同。例如，評價條件，包含追加實績資料的評價分數之導出手法、評價分數之容許等級。
作為一例，條件評價部116，根據既定評價條件，評價表面Wa上之複數處的上述線寬實績值。該評價條件，作為上述評價分數之導出手法的一例，包含複數處的至少一部分(例如全處)之線寬實績值的參差不一之算式(例如標準差之算式)。該評價條件，作為上述評價分數之容許等級，包含藉由上述算式算出的參差不一之容許上限值。
評價條件輸入部121，亦可根據既定評價條件，評價表面Wa上之複數處的上述膜厚實績值。該評價條件，作為上述評價分數之導出手法的一例，包含複數處的至少一部分(例如全處)之膜厚實績值的參差不一之算式(例如標準差之算式)。該評價條件，作為上述評價分數之容許等級，包含藉由上述算式算出的參差不一之容許上限值。
條件評價部116，可根據最新推薦處理條件與過去推薦處理條件(例如前次推薦處理條件)的差是否為容許等級，而評價可否採用最新推薦處理條件。假設藉由重複管理部117所進行之重複處理，而使推薦處理條件慢慢收斂為一條件。藉由將最新推薦處理條件與過去推薦處理條件的差縮小至容許等級，而可採用接近收斂結果的推薦處理條件。
條件評價部116，亦可根據最新追加實績資料與過去追加實績資料的差是否為容許等級，而評價可否採用最新推薦處理條件。條件評價部116，亦可根據最新追加實績資料之評價分數與過去追加實績資料之評價分數的差是否為容許等級，而評價可否採用最新推薦處理條件。
控制裝置100，可進一步具備實績資料修正部118。實績資料修正部118，在資料輸入部114將資料集輸入至模型產生部214前，從該資料集的實績資料，將源自於與塗布顯影裝置2的處理部之基板處理不同因素的成分排除。例如，實績資料修正部118，從上述複數處之線寬實績值，將源自於曝光處理的參差不一成分排除。具體而言，實績資料修正部118，將預先調查到之曝光處理特有的參差不一圖案，從複數處之線寬實績值排除。
機械學習裝置200，作為功能模組，具備：搜尋運算部211、資料取得部212、資料保存部213、模型產生部214、模型保存部215、及條件搜尋部216。搜尋運算部211，為機械學習裝置200之機械學習的引擎。例如，搜尋運算部211，藉由根據預先設定的學習條件之遺傳演算法，進行解的搜尋。該學習條件，包含第一代之個體、個體的評價分數之導出手法、評價分數之容許等級。
搜尋運算部211，取得第一代之複數個體，算出各個體的評價分數。而後，搜尋運算部211，將評價分數遠離容許等級之個體淘汰，並藉由交叉、倒置(inversion)、及突變(mutation)等運算，使複數個體進化為下一代之複數個體。其後，搜尋運算部211，藉由重複個體之評價分數的導出、個體的淘汰、及個體的進化，而導出評價分數為容許等級之個體。
資料取得部212，從資料輸入部114取得上述資料集及追加資料集。資料保存部213，將資料取得部212所取得之資料集，儲存作為學習用之資料庫。
模型產生部214，藉由根據資料保存部213所儲存之複數組資料集的機械學習，而產生上述學習模型。模型產生部214，亦可藉由包含以遺傳程式搜尋上述學習模型之運算過程的機械學習，而產生學習模型。例如，模型產生部214，產生包含因應處理條件之輸入而將複數項目之預測值分別輸出的複數模型式之學習模型。在各模型式之產生中，模型產生部214，設定模型式導出用的上述學習條件，對搜尋運算部211要求遵循該學習條件之模型式的導出。
例如，模型產生部214，產生因應處理條件之輸入而產生預測值的複數個暫時模型式，使其等為上述第一代之複數個體。暫時模型式，將各種運算子與隨機數值作為要素，以樹狀構造表示運算式。模型產生部214，使表示根據暫時模型式之預測值與實績值的離均差之離均差分數為上述學習條件之評價分數，定義其導出手法。例如模型產生部214，定義至少包含以下順序之導出手法。 a1)將複數組資料集的處理條件輸入至暫時模型式，導出複數預測值。 a2)導出表示複數預測值與複數組資料集之實績值的離均差之離均差分數。
離均差分數，若可表示複數預測值與複數組資料集之實績值的離均差，則為何種值皆可。作為離均差分數的具體例，可列舉預測值與實績值的差之平方和、或該平方和之平方根等。模型產生部214，使對離均差分數預先設定之上限值，為上述學習條件中的評價分數之容許等級。
搜尋運算部211，藉由重複暫時模型式之離均差分數的導出、暫時模型式的淘汰、及暫時模型式的進化，而導出離均差分數為上限值以下的模型式。模型產生部214，取得藉由搜尋運算部211導出的模型式，保存至模型保存部215。藉由以上順序，模型產生部214，藉由將各模型式保存於模型保存部215，而使模型保存部215產生包含複數模型式的學習模型。
條件搜尋部216，根據資料保存部213所記錄的複數組資料集、模型保存部215所記錄的學習模型、及評價條件輸入部121所輸入的評價條件，而導出推薦處理條件。條件搜尋部216，亦可藉由包含以遺傳演算法搜尋推薦處理條件之運算過程的搜尋處理，而導出推薦處理條件。例如，條件搜尋部216，設定推薦處理條件導出用的上述學習條件，對搜尋運算部211要求遵循該學習條件之推薦處理條件的導出。
例如，條件搜尋部216，使資料保存部213所記錄的複數組資料集之處理條件為第一代之複數個體。各處理條件，以樹狀構造表示複數項目之條件。
條件搜尋部216，定義上述學習條的評價分數之導出手法，使其至少包含以下順序。 b1)將複數組資料集的處理條件，輸入至模型保存部215所記錄的學習模型，導出預測資料。 b2)遵循評價條件輸入部121所輸入的評價條件之導出手法，導出預測資料的評價分數。
條件搜尋部216，使評價條件輸入部121所輸入的評價條件之容許等級，為上述學習條件之評價分數之容許等級。
搜尋運算部211，藉由重複處理條件之評價分數的導出、處理條件的淘汰、及處理條件的進化，而導出評價分數為容許等級之推薦處理條件。條件搜尋部216，取得藉由搜尋運算部211導出的推薦處理條件，輸出至搜尋結果取得部122。
圖7，例示控制裝置100及機械學習裝置200的硬體構成之方塊圖。控制裝置100，包含電路190。電路190，包含至少一個處理器191、記憶體192、儲存器193、顯示裝置194、輸入裝置195、輸出入埠196、及通訊埠197。儲存器193，為可由電腦讀取之非揮發性記錄媒體(例如快閃記憶體)。例如，儲存器193，記錄用於使控制裝置100實行如下步驟之程式：遵循預先設定的處理條件，使塗布顯影裝置2實行基板處理；從品質檢查裝置70，取得關於遵循處理條件的基板處理之品質的實績資料；將包含基板處理的處理條件、及該基板處理的實績資料之資料集，輸入至機械學習裝置200；根據機械學習裝置200根據複數組資料集所產生的上述學習模型，導出基板處理的推薦處理條件。例如，儲存器193，包含：用於記錄構成上述功能模組的程式之記錄區、及分配給處理條件保存部111之記錄區。
顯示裝置194，使用在推薦處理條件的顯示等。顯示裝置194及輸入裝置195，作為控制裝置100之使用者介面而作用。顯示裝置194，例如包含液晶顯示器等，使用在對於使用者的資訊顯示。輸入裝置195，例如為鍵盤等，取得使用者的輸入資訊。顯示裝置194及輸入裝置195，亦可一體化成為所謂的觸控式面板。輸入裝置195，使用在處理條件及評價條件之輸入等。
記憶體192，暫時記錄從儲存器193裝載之程式、及處理器191之運算結果等。處理器191，協同記憶體192而實行上述程式，藉以實行塗布顯影裝置2的控制。輸出入埠196，因應來自處理器191之指令，而在與顯示裝置194及輸入裝置195之間施行電訊號的輸出入。通訊埠197，因應來自處理器191之指令，而在與機械學習裝置200之間施行網路通訊。
機械學習裝置200，包含電路290。電路290，包含處理器291、記憶體292、儲存器293、及通訊埠294。儲存器293，為可由電腦讀取之非揮發性記錄媒體(例如快閃記憶體)。例如，儲存器293，記錄用於使機械學習裝置200實行如下步驟之程式：取得上述資料集；以及藉由根據複數組資料集的機械學習，而產生上述學習模型。例如，儲存器293，包含：用於記錄構成上述功能模組的程式之記錄區、及分配給資料保存部213及模型保存部215之記錄區。
記憶體292，暫時記錄從儲存器293裝載之程式、及處理器291之運算結果等。處理器291，協同記憶體292而實行上述程式，藉以實行上述學習模型之產生。通訊埠294，因應來自處理器291之指令，而在與控制裝置100之間施行網路通訊。
[條件設定支援順序] 接著，作為條件設定支援方法之一例，說明控制裝置100及機械學習裝置200所分別實行的條件設定支援順序。控制裝置100所實行的條件設定支援序，包含推薦處理條件之導出順序、及推薦處理條件之刷新順序。機械學習裝置200所實行的條件設定支援順序，包含學習模型之產生順序、及推薦處理條件之搜尋順序。以下，具體例示各順序。
(推薦處理條件之導出順序) 控制裝置100所進行的推薦處理條件之導出順序，包含如下步驟：遵循預先設定的處理條件，使塗布顯影裝置2實行基板處理，該基板處理包含往晶圓W之處理液的供給；取得關於遵循處理條件的基板處理之品質的實績資料；將包含基板處理的處理條件、及該基板處理的實績資料之資料集，輸入至機械學習裝置200；根據機械學習裝置200根據複數組資料集所產生的上述學習模型，導出推薦處理條件。推薦處理條件的導出，可包含：將預測資料的評價條件，輸入至機械學習裝置200；以及取得機械學習裝置200根據複數組資料集、學習模型、及評價條件所導出的推薦處理條件。
如圖8所例示，控制裝置100，首先，實行步驟S01、S02、S03。在步驟S01，處理控制部112，使塗布顯影裝置2，開始遵循處理條件保存部111所記錄的處理條件之基板處理。在步驟S02，資料取得部113，取得上述處理中項目之實績值。資料取得部113，亦可取得複數處理中項目之實績值。例如，資料取得部113，根據藉由處理中檢查部90檢測到的資訊，而取得有無顯影液的液體飛濺、液膜的形成不良、及液體滴落之實績值。資料取得部113，亦可根據藉由處理中檢查部90檢測到的資訊，取得有無成膜液的液體飛濺、液膜的形成不良、及液體滴落的之實績值。在步驟S03，處理控制部112，確認遵循處理條件之基板處理是否已完成。
步驟S03中，判定為基板處理尚未完成的情況，控制裝置100，使處理回到步驟S02。其後，持續處理中項目之實績值的取得直至基板處理完成為止。步驟S03中，判定為基板處理完成的情況，控制裝置100，實行步驟S04。在步驟S04，資料輸入部114，根據處理中項目之實績值，確認處理液的供給狀態是否發生不良。
步驟S04中，判定為處理液的供給狀態未發生不良之情況，控制裝置100，實行步驟S05、S06、S07。在步驟S05，資料取得部113，取得上述處理後項目之實績值。資料取得部113，亦可取得複數處理後項目之實績值。例如，資料取得部113，根據藉由處理後檢查部80檢測到的資訊，取得表面Wa上的複數處之上述線寬實績值。資料取得部113，可根據藉由處理後檢查部80檢測到的資訊，取得表面Wa上的複數處之上述膜厚實績值。在步驟S06，實績資料修正部118，從複數處理後項目之實績值，將源自於與基板處理不同因素的成分排除。在步驟S07，資料輸入部114，將資料集輸入至機械學習裝置200，該資料集包含處理條件、及與該處理條件對應的實績資料(複數處理後項目的實績值)。
接著，控制裝置100，實行步驟S08。步驟S04中，判定為處理液的供給狀態發生不良之情況，控制裝置100，實行步驟S08而未實行步驟S05、S06、S07。在步驟S08，資料輸入部114，確認機械學習裝置200中之機械學習所需的數量之資料集的輸入是否已完成。
步驟S08中，判定為機械學習所需的數量之資料集的輸入尚未完成之情況，控制裝置100，實行步驟S09。在步驟S09，處理控制部112，變更處理條件。例如，處理控制部112，根據使用者往輸入裝置195的輸入等，變更處理條件。而後，控制裝置100，使處理回到步驟S01。其後，重複處理條件的變更、基板處理的實行、及資料集的輸入，直至機械學習所需的數量之資料集的輸入完成為止。
步驟S08中，判定為機械學習所需的數量之資料集的輸入完成之情況，控制裝置100，實行步驟S11、S12、S13、S14。在步驟S11，評價條件輸入部121，等待來自機械學習裝置200之學習完成通知。在步驟S12，評價條件輸入部121，設定預測資料的評價條件。例如評價條件輸入部121，根據使用者往輸入裝置195的輸入等，設定上述預測資料的評價條件。在步驟S13，評價條件輸入部121，將在步驟S12設定的評價條件，輸入至機械學習裝置200。在步驟S14，搜尋結果取得部122，取得機械學習裝置200根據複數組資料集、學習模型、及評價條件輸入部121輸入之評價條件所導出的推薦處理條件，保存至處理模組11。藉由上述步驟，完成推薦處理條件之導出順序。
(推薦處理條件之刷新順序) 控制裝置100所進行的推薦處理條件之刷新順序，包含如下步驟：使塗布顯影裝置2遵循推薦處理條件而進一步實行基板處理；進一步取得關於遵循推薦處理條件的基板處理之品質的追加實績資料；將包含推薦處理條件與追加實績資料之追加資料集，進一步輸入至機械學習裝置200；以及根據機械學習裝置200根據追加資料集所更新的學習模型，更新推薦處理條件。此刷新順序，可進一步包含評價推薦處理條件之步驟；此刷新順序，可在推薦處理條件之評價結果達到既定等級為止前，重複下列步驟：使塗布顯影裝置2遵循推薦處理條件而進一步實行基板處理；進一步取得追加實績資料；將追加資料集進一步輸入至機械學習裝置200；以及根據機械學習裝置200根據追加資料集所更新的學習模型，更新推薦處理條件。
如圖9所例示，控制裝置100，首先，實行步驟S21、S22、S23、S24、S25。在步驟S21，處理控制部112，使塗布顯影裝置2，實行遵循處理條件保存部111所記錄的推薦處理條件之基板處理。在步驟S22，資料取得部113，取得上述處理後項目之追加實績值。資料取得部113，亦可取得複數處理後項目之追加實績值。在步驟S23，實績資料修正部118，從複數處理後項目之追加實績值，將源自於與基板處理不同因素的成分排除。在步驟S24，條件評價部116，評價推薦處理條件。在步驟S25，重複管理部117，根據步驟S24之評價結果，確認可否採用推薦處理條件。
步驟S25中，判定為不可採用推薦處理條件之情況，控制裝置100，實行步驟S26、S27、S28。在步驟S26，資料輸入部114，將追加資料集輸入至機械學習裝置200，該追加資料集包含處理條件、及與該處理條件對應的追加實績資料(複數處理後項目的追加實績值)。在步驟S27，搜尋結果取得部122，等待來自機械學習裝置200之學習模型的更新完成通知。在步驟S28，搜尋結果取得部122，取得機械學習裝置200根據追加資料集所更新的推薦處理條件，保存至處理模組11。而後，控制裝置100，使處理回到步驟S21。其後，重複追加實績資料的取得、及推薦處理條件的更新，直至推薦處理條件成為可採用為止。
步驟S25中，判定為可採用推薦處理條件之情況，控制裝置100完成處理。藉由上述步驟，完成推薦處理條件之刷新順序。
(學習模型之產生順序) 機械學習裝置200所進行的學習模型之產生順序，包含如下步驟：取得上述資料集；以及藉由根據複數組資料集的機械學習，產生學習模型。藉由機械學習產生學習模型的步驟，可包含藉由遺傳程式搜尋學習模型之運算過程。可產生包含因應處理條件之輸入而將複數項目之預測值分別輸出的複數模型式之學習模型。
如圖10所例示，機械學習裝置200，首先，實行步驟S31、S32、S33。在步驟S31，資料取得部212，等待來自資料輸入部114之資料集的輸入。在步驟S32，資料取得部212，將輸入之資料集儲存至資料保存部213。在步驟S33，資料保存部213，確認儲存至資料保存部213之資料集的數量是否已達到機械學習所需的數量。
步驟S33中，判定為儲存之資料集的數量尚未達到機械學習所需的數量之情況，控制裝置100，使處理回到步驟S31。其後，重複資料集的取得，直至儲存機械學習所需的數量之資料集為止。
步驟S33中，判定為儲存之資料集的數量達到機械學習所需的數量之情況，控制裝置100，實行步驟S34、S35、S36。在步驟S34，模型產生部214，設定與任一預測值對應之模型式導出用的上述學習條件，對搜尋運算部211要求遵循該學習條件之模型式的導出。例如，模型產生部214，產生因應處理條件之輸入而產生預測值的複數個暫時模型式，使其等為上述第一代之複數個體。此外，模型產生部214，將上述離均差分數作為評價分數，定義其導出手法，使上述離均差分數之上限值為評價分數之容許等級。在步驟S35，搜尋運算部211，遵循上述學習條件，算出各暫時模型式的離均差分數。在步驟S36，搜尋運算部211，遵循上述學習條件，確認離均差分數為上述上限值以下之暫時模型式是否存在。
步驟S36中，判定為離均差分數為上限值以下之暫時模型式不存在的情況，機械學習裝置200，實行步驟S37。在步驟S37，搜尋運算部211，將離均差分數超過上限值之大的暫時模型式淘汰，並藉由交叉、倒置、及突變等之運算，使複數個暫時模型式進化為下一代之複數個暫時模型式。而後，機械學習裝置200，使處理回到步驟S35。其後，重複暫時模型式之離均差分數的導出、暫時模型式的淘汰、及暫時模型式的進化，直至導出離均差分數成為上限值以下之暫時模型式為止。
步驟S36中，判定為離均差分數為上限值以下之暫時模型式存在的情況，機械學習裝置200，實行步驟S38、S39。在步驟S38，搜尋運算部211，選擇離均差分數最佳(最小)之暫時模型式，將其作為學習模型之一個模型式而保存至模型保存部215。在步驟S39，模型產生部214，確認構成學習模型所用之全部模型式(亦即，導出複數項目的預測值所需之全部模型式)的導出是否已完成。
步驟S39中，判定為全部模型式的導出尚未完成的情況，機械學習裝置200，實行步驟S41。在步驟S41，模型產生部214，變更導出對象之模型式。換而言之，模型產生部214，變更模型式之預測對象的項目。而後，機械學習裝置200，使處理回到步驟S34。其後，重複學習條件的設定、及根據該設定之模型式的導出，直至全部模型式的導出完成為止。
步驟S39中，判定為全部模型式的導出完成之情況，機械學習裝置200，完成學習模型之產生。藉由上述步驟，完成學習模型之產生順序。
(推薦處理條件之搜尋順序) 機械學習裝置200所進行的推薦處理條件之搜尋順序，包含如下步驟：根據複數組資料集、學習模型、及預測資料的評價條件，導出基板處理的推薦處理條件。推薦處理條件的導出，可包含藉由遺傳演算法搜尋推薦處理條件之運算過程。亦可根據複數組資料集、複數模型式、及評價複數項目之預測值的評價條件，導出推薦處理條件。例如，可根據包含關於「複數項目之預測值的參差不一」之條件的評價條件，導出推薦處理條件。
如圖11所例示，機械學習裝置200，首先，實行步驟S51、S52。在步驟S51，條件搜尋部216，等待來自評價條件輸入部121之評價條件的輸入。在步驟S52，條件搜尋部216，設定推薦處理條件導出用的上述學習條件，對搜尋運算部211要求遵循該學習條件之推薦處理條件的導出。例如，條件搜尋部216，使資料保存部213所記錄的複數組資料集之處理條件，為第一代之複數個體。此外，條件搜尋部216，根據評價條件輸入部121所輸入的評價條件，定義評價分數之導出手法及評價分數之容許等級。
接著，機械學習裝置200，實行步驟S53、S54、S55。在步驟S53，搜尋運算部211，將各處理條件輸入至模型保存部215所記錄的學習模型，導出預測資料。在步驟S54，搜尋運算部211，導出預測資料的評價分數。在步驟S55，搜尋運算部211，確認評價分數為容許等級的處理條件是否存在。
步驟S55中，判定為評價分數為容許等級之處理條件不存在的情況，機械學習裝置200，實行步驟S56。在步驟S56，搜尋運算部211，將評價分數遠離容許等級之處理條件淘汰，並藉由交叉、倒置、及突變等之運算，使複數的處理條件進化為下一代之複數處理條件。而後，機械學習裝置200，使處理回到步驟S53。其後，重複處理條件之評價分數的導出、處理條件的淘汰、及處理條件的進化，直至導出評價分數成為容許等級之處理條件為止。
步驟S55中，判定為評價分數為容許等級之處理條件存在的情況，機械學習裝置200，實行步驟S57、S58。在步驟S57，搜尋運算部211，使評價分數為最佳值之處理條件為推薦處理條件。在步驟S58，條件搜尋部216，取得藉由搜尋運算部211導出之推薦處理條件，輸出至搜尋結果取得部122。藉由上述步驟，完成推薦處理條件之搜尋順序。
推薦處理條件的導出，並未限定為藉由上述遺傳演算法搜尋推薦處理條件之運算過程。例如，步驟S55中，亦可藉由重複處理條件的變更與評價分數的導出之運算過程直至評價分數成為容許等級為止，而導出推薦處理條件。
[具體例] 作為一例，具體例示顯影單元U3中之顯影處理的處理條件之設定支援順序。顯影單元U3中之顯影處理的處理條件，例如包含：晶圓W的旋轉速度、顯影液的供給量、顯影液的供給時間、沖洗液的供給量、沖洗液的噴吐時間、甩乾時間、噴嘴31的移動開始位置、噴嘴31的移動速度、及噴嘴31移動結束位置等。其中，推薦處理條件所必需之項目，例如為顯影液的供給中之晶圓W的旋轉速度、及噴嘴31的移動速度。此一情況，於上述步驟S01~S09中，重複如下步驟：改變晶圓W的旋轉速度及噴嘴31的移動速度，並將資料集輸入至機械學習裝置200。
例如，步驟S01~S09，在使晶圓W的旋轉速度為200rpm之狀態下，使噴嘴31的移動速度為15mm/s、20mm/s、25mm/s；接著，在使晶圓W的旋轉速度為250rpm之狀態下，使噴嘴31的移動速度為15mm/s、20mm/s、25mm/s；接著，在使晶圓W的旋轉速度為300rpm之狀態下，使噴嘴31的移動速度為15mm/s、20mm/s、25mm/s。在以此等處理條件之任一者實行的步驟S04中，判定為處理液的供給狀態發生不良之情況，將與該處理條件對應之資料集，從往機械學習裝置200之輸入對象排除。此一情況，為了獲得機械學習所需的數量之資料集，而藉由步驟S09施行處理條件之進一步的變更。例如，在旋轉速度為300rpm且移動速度為25mm/s的處理條件下，判定為發生顯影液的液體飛濺之情況，將旋轉速度變更為290rpm，再度取得旋轉速度為290rpm且移動速度為25mm/s之條件下的實績資料。
步驟S05中，例如，將分割為n處之晶圓W的分割區域之各自的線寬之平均值，取得作為n個線寬實績值。此一情況之資料集如以下所例示。 處理條件：晶圓W的旋轉速度＝200rpm、噴嘴的移動速度＝15mm/s 實績資料：W1＝23nm、W2＝28nm、W3＝31nm、･･･Wn＝24nm(Wi：分割區域i之線寬平均值)
根據此資料集在機械學習裝置200中產生的學習模型，例如，因應晶圓W的旋轉速度及噴嘴的移動速度之輸入，而將n處之分割區域中的線寬平均值之預測值輸出。在步驟S12，作為上述評價分數之算式，例如設定n個線寬預測值的標準差之算式；作為上述容許等級，設定標準差之容許值。根據如此地設定的評價條件，於機械學習裝置200中，將晶圓W的旋轉速度及噴嘴31的移動速度之推薦值(例如，晶圓W的旋轉速度＝234rpm、噴嘴31的移動速度＝22rpm)，作為上述推薦處理條件導出。
[本實施形態之效果] 如同上述說明，本實施形態之基板處理的條件設定支援方法，包含如下步驟：將包含藉由塗布顯影裝置2實行之基板處理的處理條件、及關於該基板處理之品質的實績資料之資料集，輸入至機械學習裝置200，該基板處理包括往晶圓W之處理液的供給；以及根據機械學習裝置200藉由根據複數組資料集的機械學習所產生之模型，即因應處理條件之輸入而將關於基板處理之品質的預測資料輸出之學習模型，導出基板處理的推薦處理條件。
依此一條件設定支援方法，則根據藉由機械學習產生之學習模型而導出推薦處理條件，故可效率良好地搜尋適當的處理條件。因此，在基板處理的處理條件之設定作業的簡化上有效。
基板處理之條件設定支援方法，可包含如下步驟：使塗布顯影裝置2遵循推薦處理條件而進一步實行基板處理；進一步取得關於遵循推薦處理條件的基板處理之品質的追加實績資料；將包含推薦處理條件與追加實績資料之追加資料集，進一步輸入至機械學習裝置200；以及根據機械學習裝置200根據追加資料集所更新的學習模型，更新推薦處理條件。此一情況，藉由推薦處理條件與追加實績資料之反饋，而更新推薦處理條件。因此，可效率良好地搜尋更適當的處理條件。
基板處理之條件設定支援方法，可進一步包含評價推薦處理條件之步驟；此外，條件設定支援方法，在推薦處理條件之評價結果達到既定等級為止前，重複下列步驟：使塗布顯影裝置2遵循推薦處理條件而進一步實行基板處理；進一步取得追加實績資料；將追加資料集，進一步輸入至機械學習裝置200；以及根據機械學習裝置200根據追加資料集所更新的學習模型，更新推薦處理條件。此一情況，藉由重複處理，可效率良好地搜尋更適當的處理條件。
導出推薦處理條件之步驟，可包含如下步驟：將預測資料的評價條件，輸入至機械學習裝置200；以及取得機械學習裝置200根據複數組資料集、學習模型、及評價條件所導出的推薦處理條件。此一情況，推薦處理條件之搜尋，亦藉由機械學習裝置200施行，故可效率更良好地搜尋適當的處理條件。
基板處理之條件設定支援方法，取得包含複數項目之實績值的實績資料；將資料集輸入至產生學習模型的機械學習裝置200，該學習模型，包含因應處理條件之輸入而將複數項目之預測值分別輸出的複數模型式；將評價複數項目之預測值的評價條件，輸入至機械學習裝置200。此一情況，藉由將評價條件展開為複數項目，而更適當地評價處理之品質，可搜尋更適當的處理條件。
基板處理之條件設定支援方法，可將包含關於「複數項目的至少一部分之預測值的參差不一」之條件的評價條件，輸入至機械學習裝置200。此一情況，可效率良好地評價複數項目，故可效率良好地搜尋更適當的處理條件。
基板處理之條件設定支援方法，可取得包含「處理後項目及處理中項目之實績值」的實績資料，該處理後項目表示基板處理後的晶圓W之品質，該處理中項目表示基板處理中途的處理液之供給狀態；根據處理中項目之實績值，而選擇輸入至機械學習裝置200之資料集。此一情況，藉由將處理中之異常直接選取作為處理中的資料，而可將根據處理後之品質的推薦處理條件之搜尋範圍縮窄。因此，可效率更好地搜尋適當的處理條件。
基板處理之條件設定支援方法，可進一步包含如下步驟：在將資料集輸入至機械學習裝置200前，從該資料集的實績資料，將源自於與基板處理不同因素的成分排除。此一情況，可搜尋更適當的處理條件。
基板處理，可包含顯影處理：將顯影液供給至晶圓W的表面Wa中施行過曝光處理的感光性被覆膜；可取得包含藉由顯影處理而在晶圓W的表面Wa形成之圖案的線寬之實績值的實績資料。基板處理包含顯影處理的情況，為了導出較佳的處理條件，而有需要巨大勞力之傾向。因此，依上述之條件設定支援方法，可效率良好地搜尋適當的處理條件，有效性顯著。
基板處理，可包含成膜處理：在晶圓W的表面Wa塗布成膜液以形成被覆膜；可取得包含藉由成膜處理而在晶圓W的表面Wa形成之被覆膜的膜厚之實績值的實績資料。基板處理包含成膜處理的情況，基板處理之品質，對於處理條件亦非常敏感，故為了導出較佳的處理條件而有需要具大勞力之傾向。因此，依上述之條件設定支援方法，可效率良好地搜尋適當的處理條件，有效性顯著。
以上，對實施形態予以說明，但本發明所揭露之內容不必非得限定於上述實施形態，在不脫離其要旨之範疇，可進行各式各樣的變更。例如，處理對象之基板不限於半導體晶圓，例如亦可為玻璃基板、遮罩基板、FPD(Flat Panel Display，平板顯示器)等。
1:基板處理系統 2:塗布顯影裝置(基板處理裝置) 3:曝光裝置 4:載送區塊 5:處理區塊 6:介面區塊 7:條件設定系統 11,12,13,14:處理模組(處理部) 2050:旋轉保持部 21,51,83:保持部 22,52:旋轉驅動部 30:顯影液供給部 31,41,61:噴嘴 32,42:噴嘴移送部 33,43,62:液體源 40:沖洗液供給部 60:成膜液供給部 70:品質檢查裝置 80:處理後檢查部 81,95,96,97:拍攝部 82:投射反射部 84:線性驅動部 86:半反射鏡 87:光源 90:處理中檢查部 91:液體飛濺檢測部 92:液體形成狀態檢測部 93:液體滴落檢測部 94:照射部 100:控制裝置 111:處理條件保存部 112:處理控制部 113:資料取得部 114:資料輸入部 115:推薦條件導出部 116:條件評價部 117:重複管理部 118:實績資料修正部 121:評價條件輸入部 122:搜尋結果取得部 190,290:電路 191,291:處理器 192,292:記憶體 193,293:儲存器 194:顯示裝置 195:輸入裝置 196:輸出入埠 197,294:通訊埠 200:機械學習裝置 211:搜尋運算部 212:資料取得部 213:資料保存部 214:模型產生部 215:模型保存部 216:條件搜尋部 A1,A8:傳遞臂 A3:搬運臂 A7:升降臂 C:載具 S01~S09,S11~S14,S21~S28,S31~S39,S41,S51~S58:步驟 U1:塗布單元 U2,U4:熱處理單元 U3:顯影單元 U10,U11:收納部 W:晶圓 Wa:表面
圖1係顯示一例示實施形態之基板處理系統的構成之示意圖。 圖2係例示塗布單元的概略構成之示意圖。 圖3係例示顯影單元的概略構成之示意圖。 圖4係例示處理後檢查裝置的概略構成之示意圖。 圖5係例示處理中檢查裝置的概略構成之示意圖。 圖6係例示控制裝置及機械學習裝置的功能性構成之方塊圖。 圖7係例示控制裝置及機械學習裝置的硬體構成之方塊圖。 圖8係例示控制裝置所實行的條件設定支援順序之流程圖。 圖9係例示控制裝置所進一步實行的條件設定支援順序之流程圖。 圖10係例示機械學習裝置所實行的條件設定支援順序之流程圖。 圖11係例示機械學習裝置所進一步實行的條件設定支援順序之流程圖。
S01~S09,S11~S14:步驟

Claims (21)

  1. 一種基板處理之條件設定支援方法，包含如下步驟： 將包含藉由基板處理裝置實行之基板處理的處理條件、及關於該基板處理之品質的實績資料之資料集，輸入至機械學習裝置，該基板處理包含對於基板之處理液的供給；以及 根據該機械學習裝置藉由根據複數組該資料集的機械學習所產生之模型，即因應該處理條件之輸入而將關於該基板處理之品質的預測資料輸出之學習模型，導出該基板處理的推薦處理條件。
  2. 如申請專利範圍第1項之基板處理之條件設定支援方法，更包含如下步驟： 使該基板處理裝置遵循該推薦處理條件而進一步實行該基板處理； 進一步取得關於遵循該推薦處理條件的該基板處理之品質的追加實績資料； 將包含該推薦處理條件與該追加實績資料之追加資料集，進一步輸入至該機械學習裝置；以及 根據「該機械學習裝置根據該追加資料集所更新的該學習模型」，更新該推薦處理條件。
  3. 如申請專利範圍第2項之基板處理之條件設定支援方法，更包含評價該推薦處理條件之步驟； 在該推薦處理條件之評價結果達到既定等級為止前，重複下列步驟：使該基板處理裝置遵循該推薦處理條件而進一步實行該基板處理；進一步取得該追加實績資料；將該追加資料集進一步輸入至該機械學習裝置；以及根據「該機械學習裝置根據該追加資料集所更新的該學習模型」，更新該推薦處理條件。
  4. 如申請專利範圍第1至3項中任一項之基板處理之條件設定支援方法，其中， 導出該推薦處理條件之步驟，包含如下步驟： 將該預測資料的評價條件，輸入至該機械學習裝置；以及 取得該機械學習裝置根據該複數組資料集、該學習模型、該評價條件所導出的該推薦處理條件。
  5. 如申請專利範圍第4項之基板處理之條件設定支援方法，其中， 取得包含複數項目之實績值的該實績資料； 將該資料集輸入至產生該學習模型的該機械學習裝置，該學習模型，包含因應該處理條件之輸入而將該複數項目之預測值分別輸出的複數模型式； 將評價該複數項目之預測值的該評價條件，輸入至該機械學習裝置。
  6. 如申請專利範圍第5項之基板處理之條件設定支援方法，其中， 將包含關於「該複數項目的至少一部分之預測值的參差不一」之條件的該評價條件，輸入至該機械學習裝置。
  7. 如申請專利範圍第1或2項之基板處理之條件設定支援方法，其中， 取得包含「處理後項目及處理中項目之實績值」的該實績資料，該處理後項目表示該基板處理後的該基板之品質，該處理中項目表示該基板處理中途之對於該基板的處理液之供給狀態； 根據該處理中項目之實績值，選擇輸入至機械學習裝置之資料集。
  8. 如申請專利範圍第1或2項之基板處理之條件設定支援方法，更包含如下步驟：在將該資料集輸入至該機械學習裝置前，從該資料集的該實績資料，將源自於與該基板處理不同因素的成分排除。
  9. 如申請專利範圍第1或2項之基板處理之條件設定支援方法，其中， 該基板處理，包含顯影處理：將顯影液供給至該基板的表面中施行過曝光處理的感光性被覆膜； 取得包含藉由該顯影處理而在該基板的表面形成之圖案的線寬之實績值的該實績資料。
  10. 如申請專利範圍第1或2項之基板處理之條件設定支援方法，其中， 該基板處理，包含成膜處理：在該基板的表面塗布成膜液以形成被覆膜； 取得包含藉由該成膜處理而在該基板的表面形成之該被覆膜的膜厚之實績值的該實績資料。
  11. 一種基板處理之條件設定支援方法，包含如下步驟： 取得包含用於基板處理之設定的處理條件、及關於遵循該處理條件的該基板處理之品質的實績資料之資料集，該基板處理包含對於基板之處理液的供給；以及 藉由根據複數組該資料集的機械學習，而產生因應該處理條件之輸入而將關於該基板處理之品質的預測資料輸出之學習模型。
  12. 如申請專利範圍第11項之基板處理之條件設定支援方法，更包含如下步驟：根據該複數組資料集、該學習模型、及該預測資料的評價條件，導出該基板處理的推薦處理條件。
  13. 如申請專利範圍第12項之基板處理之條件設定支援方法，其中， 藉由該機械學習產生該學習模型之步驟，包含藉由遺傳程式搜尋該學習模型之運算過程； 導出該推薦處理條件之步驟，包含藉由遺傳演算法搜尋該推薦處理條件之運算過程。
  14. 如申請專利範圍第12或13項之基板處理之條件設定支援方法，其中， 取得該實績資料包含有複數項目之實績值的該資料集； 產生該學習模型，該學習模型包含因應該處理條件之輸入而將該複數項目之預測值分別輸出的複數模型式； 根據該複數組資料集、該複數模型式、及評價該複數項目之預測值的該評價條件，導出該推薦處理條件。
  15. 如申請專利範圍第14項之基板處理之條件設定支援方法，其中， 根據包含關於「該複數項目之預測值的參差不一」之條件的該評價條件，導出該推薦處理條件。
  16. 一種基板處理系統，包含： 處理部，施行基板處理，該基板處理包含對於基板之處理液的供給； 處理控制部，遵循預先設定的處理條件，使該處理部實行該基板處理； 資料取得部，取得關於遵循該處理條件的該基板處理之品質的實績資料； 資料輸入部，將包含該處理條件與該實績資料之資料集，輸入至模型產生部；以及 推薦條件導出部，以因應該處理條件之輸入而將關於該基板處理之品質的預測資料輸出之方式，根據該模型產生部藉由根據複數組該資料集的機械學習所產生之學習模型，導出該基板處理的推薦處理條件。
  17. 如申請專利範圍第16項之基板處理系統，更包含該模型產生部。
  18. 如申請專利範圍第16或17項之基板處理系統，其中， 該推薦條件導出部，包含： 評價條件輸入部，將該預測資料的評價條件，輸入至條件搜尋部；以及 搜尋結果取得部，取得條件搜尋部根據該複數組資料集、該學習模型、及該評價條件所導出的該推薦處理條件。
  19. 如申請專利範圍第18項之基板處理系統，更包含該條件搜尋部。
  20. 一種電腦可讀取記錄媒體，記錄有用於使裝置實行如申請專利範圍第1項之基板處理之條件設定支援方法的程式。
  21. 一種學習模型，係以使裝置實行因應藉由基板處理裝置實行之基板處理的處理條件之輸入而將關於該基板處理之品質的預測資料輸出之步驟的方式，藉由根據分別包含該基板處理的處理條件、及關於遵循該處理條件的該基板處理之品質的實績資料之複數組資料集的機械學習而產生；該基板處理，包含對於基板之處理液的供給。
TW108140899A 2018-11-21 2019-11-12 基板處理之條件設定支援方法、基板處理系統、記錄媒體及學習模型 TWI830812B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2018218375 2018-11-21
JP2018-218375 2018-11-21

Publications (2)

Publication Number Publication Date
TW202024942A true TW202024942A (zh) 2020-07-01
TWI830812B TWI830812B (zh) 2024-02-01

Family

ID=70773628

Family Applications (1)

Application Number Title Priority Date Filing Date
TW108140899A TWI830812B (zh) 2018-11-21 2019-11-12 基板處理之條件設定支援方法、基板處理系統、記錄媒體及學習模型

Country Status (5)

Country Link
JP (2) JPWO2020105517A1 (zh)
KR (1) KR20210092238A (zh)
CN (1) CN112997274A (zh)
TW (1) TWI830812B (zh)
WO (1) WO2020105517A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2023120961A (ja) 2022-02-18 2023-08-30 株式会社Ｓｃｒｅｅｎホールディングス 基板処理条件の設定方法、基板処理方法、基板処理条件の設定システム、及び、基板処理システム

Family Cites Families (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH04131930U (ja) * 1991-05-28 1992-12-04 山形日本電気株式会社 フオトレジスト塗布装置
JP2007088485A (ja) * 2001-12-25 2007-04-05 Tokyo Electron Ltd 基板処理装置及び基板処理方法
JP2003234280A (ja) * 2002-02-08 2003-08-22 Dainippon Screen Mfg Co Ltd 基板処理ユニットおよび基板処理装置
JP4170643B2 (ja) * 2002-03-14 2008-10-22 大日本スクリーン製造株式会社 基板処理装置
US7508034B2 (en) * 2002-09-25 2009-03-24 Sharp Kabushiki Kaisha Single-crystal silicon substrate, SOI substrate, semiconductor device, display device, and manufacturing method of semiconductor device
US8050900B2 (en) * 2003-09-30 2011-11-01 Tokyo Electron Limited System and method for using first-principles simulation to provide virtual sensors that facilitate a semiconductor manufacturing process
JP2007317068A (ja) * 2006-05-29 2007-12-06 Osaka Prefecture Univ リコメンド装置およびリコメンドシステム
JP4464979B2 (ja) * 2007-03-05 2010-05-19 東京エレクトロン株式会社 処理システム、処理方法、及び、プログラム
US7967995B2 (en) * 2008-03-31 2011-06-28 Tokyo Electron Limited Multi-layer/multi-input/multi-output (MLMIMO) models and method for using
JP2010034180A (ja) * 2008-07-28 2010-02-12 Toshiba Corp 半導体製造装置の制御方法および半導体装置の製造方法
US20100081285A1 (en) * 2008-09-30 2010-04-01 Tokyo Electron Limited Apparatus and Method for Improving Photoresist Properties
JP2011071296A (ja) * 2009-09-25 2011-04-07 Sharp Corp 特性予測装置、特性予測方法、特性予測プログラムおよびプログラム記録媒体
CN102033423B (zh) * 2009-09-28 2013-05-29 中芯国际集成电路制造(上海)有限公司 用于校准光刻工具的装置及方法
JP5336441B2 (ja) * 2010-08-24 2013-11-06 東京エレクトロン株式会社 液処理装置及び液処理方法
JP5314657B2 (ja) * 2010-11-12 2013-10-16 東京エレクトロン株式会社 ノズルの位置調整方法、プログラム、コンピュータ記憶媒体及び塗布処理装置
US9075318B2 (en) * 2012-03-07 2015-07-07 Tokyo Electron Limited Sequential stage mixing for a resist batch strip process
JP6332095B2 (ja) * 2015-03-20 2018-05-30 東京エレクトロン株式会社 薬液供給装置の調整方法、記憶媒体及び薬液供給装置
JP6352230B2 (ja) 2015-10-09 2018-07-04 東京エレクトロン株式会社 基板処理方法、基板処理装置及び記録媒体
US10048594B2 (en) * 2016-02-19 2018-08-14 Tokyo Electron Limited Photo-sensitized chemically amplified resist (PS-CAR) model calibration
JP6584352B2 (ja) * 2016-03-24 2019-10-02 東京エレクトロン株式会社 制御装置、基板処理システム、基板処理方法及びプログラム
JP6541599B2 (ja) * 2016-03-28 2019-07-10 東京エレクトロン株式会社 制御装置、基板処理システム、基板処理方法及びプログラム
EP3291007A1 (en) * 2016-08-30 2018-03-07 ASML Netherlands B.V. Patterning stack optimization
JP7024307B2 (ja) * 2017-01-26 2022-02-24 東京エレクトロン株式会社 塗布膜除去装置、塗布膜除去方法及び記憶媒体
JP6769335B2 (ja) * 2017-02-22 2020-10-14 東京エレクトロン株式会社 処理レシピの評価方法、記憶媒体、処理レシピ評価用の支援装置、及び液処理装置

Also Published As

Publication number Publication date
CN112997274A (zh) 2021-06-18
KR20210092238A (ko) 2021-07-23
JP2023171555A (ja) 2023-12-01
WO2020105517A1 (ja) 2020-05-28
TWI830812B (zh) 2024-02-01
JPWO2020105517A1 (ja) 2021-09-30

Similar Documents

Publication Publication Date Title
US11513081B2 (en) Substrate inspection method, substrate treatment system, and computer storage medium
KR102271777B1 (ko) 기판 세정 방법, 기판 세정 장치, 및 컴퓨터 판독 가능한 기록 매체
JP6329923B2 (ja) 基板の検査方法、コンピュータ記憶媒体及び基板検査装置
US9026240B2 (en) Substrate treatment apparatus, method of transferring substrate, and non-transitory computer storage medium
US7938587B2 (en) Substrate processing method, computer storage medium and substrate processing system
JP2023171555A (ja) 基板処理の条件設定支援方法、基板処理システム、記憶媒体及び学習モデル
JP7282171B2 (ja) 基板処理装置、基板検査方法、及び記憶媒体
TW202122745A (zh) 基板檢查系統、基板檢查方法及記錄媒體
JP5837649B2 (ja) 基板処理装置、異常処理部判定方法、プログラム及びコンピュータ記憶媒体
JP6524185B2 (ja) 基板処理システム
JP7473407B2 (ja) 基板処理装置、基板処理方法及び記憶媒体
JP6423064B2 (ja) 基板処理システム
JP7482018B2 (ja) 推定モデル作成装置、推定モデル作成方法、及び記憶媒体
US20210249277A1 (en) Substrate processing method and substrate processing apparatus
JP7425700B2 (ja) 形状特性値推定装置、形状特性値推定方法、及び記憶媒体
WO2021145175A1 (ja) 基板処理方法、記憶媒体、及び基板処理装置
US20230085325A1 (en) Substrate processing apparatus, substrate processing method, and storage medium
JP6638796B2 (ja) 基板処理装置、基板処理方法及び記憶媒体
KR20220154049A (ko) 기판 처리 방법, 기억 매체 및 기판 처리 장치
JP2024027989A (ja) 特徴量推定方法、推定プログラム、及び、特徴量推定装置
JP2002351089A (ja) 現像方法