TW202205040A - 學習完成的模型生成方法、異常主要原因推定裝置、基板處理裝置、學習完成的模型、異常主要原因推定方法、學習方法、學習裝置以及學習資料製作方法 - Google Patents

學習完成的模型生成方法、異常主要原因推定裝置、基板處理裝置、學習完成的模型、異常主要原因推定方法、學習方法、學習裝置以及學習資料製作方法 Download PDF

Info

Publication number
TW202205040A
TW202205040A TW110107643A TW110107643A TW202205040A TW 202205040 A TW202205040 A TW 202205040A TW 110107643 A TW110107643 A TW 110107643A TW 110107643 A TW110107643 A TW 110107643A TW 202205040 A TW202205040 A TW 202205040A
Authority
TW
Taiwan
Prior art keywords
information
processing
learning
substrate
time
Prior art date
Application number
TW110107643A
Other languages
English (en)
Other versions
TWI792209B (zh
Inventor
脇田明日香
澤崎尚樹
太田喬
Original Assignee
日商斯庫林集團股份有限公司
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 日商斯庫林集團股份有限公司 filed Critical 日商斯庫林集團股份有限公司
Publication of TW202205040A publication Critical patent/TW202205040A/zh
Application granted granted Critical
Publication of TWI792209B publication Critical patent/TWI792209B/zh

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
    • 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
    • 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

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

本發明提供一種學習完成的模型生成方法、異常主要原因推定裝置、基板處理裝置、異常主要原因推定方法、學習方法、學習裝置以及學習資料製作方法。學習完成的模型生成方法包括：獲取學習資料的步驟；以及藉由對學習資料進行機器學習從而生成學習完成的模型的步驟，所述學習完成的模型推定經處理流體處理後的處理對象基板的異常的主要原因。學習資料包含特徵量及異常主要原因資訊。異常主要原因資訊表示經處理流體處理後的學習對象基板的異常的主要原因。特徵量包含表示時序資料中的區間資料的時間推移的特徵的、第一特徵量資訊，所述時序資料表示利用處理流體對學習對象基板進行處理的基板處理裝置使用的物體的物理量。第一特徵量資訊由時間表示。

Description

學習完成的模型生成方法、異常主要原因推定裝置、基板處理裝置、學習完成的模型、異常主要原因推定方法、學習方法、學習裝置以及學習資料製作方法
本發明是有關於一種學習完成的模型生成方法、異常主要原因推定裝置、基板處理裝置、異常主要原因推定方法、學習方法、學習裝置以及學習資料製作方法。
專利文獻1所記載的異常診斷系統偵測阻劑塗布、顯影處理裝置中產生的異常，推定異常原因。
異常診斷系統藉由配線而與分別設置於多個過程處理裝置的感測器連接。感測器將隨時間變動的時序資料輸出至異常診斷系統。感測器例如為壓力感測器、溫度感測器、流量感測器、液面感測器、位置感測器、力矩感測器或速度感測器。
異常診斷系統包含資料保持部、資料收集部、異常偵測部、判定資料製作部及診斷部。
資料保持部中，儲存有時序資料、異常資料、判定資料及模型資料。
資料收集部從分別設置於多個過程處理裝置的感測器收集隨時間變動的時序資料，將時序資料儲存於資料保持部。時序資料例如為隨時間變動的壓力、溫度、流量、液面水平、位置、力矩或速度。
異常偵測部將資料收集部所收集的時序資料與上下變動閾值資料進行比較，由此偵測作為異常的時序資料的異常資料。
判定資料製作部基於判定條件資料，將由異常偵測部所偵測的異常資料按時序分割為多個監視區間，在各監視區間中，判定是否與多個判定條件一致，並且製作包含判定結果的組合的判定資料，作為判定資料而儲存於資料保持部。
診斷部將由判定資料製作部所製作的判定資料、與和判定資料對應的模型資料進行對照，由此推定過程處理裝置的異常原因。
模型資料為利用製作判定資料時的判定條件對產生了每個異常原因特有的變動傾向的時序資料進行判定時的結果，且預先儲存。而且，各判定條件的閾值及範圍等是針對每個監視區間而決定。
[現有技術文獻] [專利文獻] [專利文獻1]日本專利特開2012-150721號公報
[發明所要解決的問題]但是，專利文獻1所記載的異常診斷系統中，取決於模型資料及判定條件的精度，有時無法高精度地推定過程處理裝置的異常原因。此時，檢查技術員需要分析時序資料，確定過程處理裝置的異常原因。
但是，時序資料非常煩雜，檢查技術員難以找出規則性。此外，時序資料具有多數個參數，分析對象龐大。因此，取決於檢查技術員的技能及經驗，有時確定過程處理裝置的異常主要原因需要長時間。其結果為，有時確定由過程處理裝置進行了處理的基板的異常主要原因也需要長時間。
本發明是鑒於所述課題而成，其目的在於提供一種學習完成的模型生成方法、異常主要原因推定裝置、基板處理裝置、異常主要原因推定方法、學習方法、學習裝置以及學習資料製作方法，可高精度地確定經處理流體進行處理後的處理對象基板的異常的主要原因，並且可縮短確定異常的主要原因時的時間。
[解決問題的技術手段]根據本發明的一方面，學習完成的模型生成方法包括下述步驟：獲取學習資料；以及藉由對所述學習資料進行機器學習，從而生成學習完成的模型，所述學習完成的模型推定經處理流體處理後的處理對象基板的異常的主要原因。所述學習資料包含特徵量及異常主要原因資訊。所述異常主要原因資訊表示經所述處理流體處理後的學習對象基板的異常的主要原因。所述特徵量包含第一特徵量資訊，所述第一特徵量資訊是表示時序資料中的區間資料的時間推移的特徵，所述時序資料表示利用所述處理流體對所述學習對象基板進行處理的基板處理裝置使用的物體的物理量。所述第一特徵量資訊由時間表示。
本發明的學習完成的模型生成方法中，較佳的是所述異常主要原因資訊包含第一異常主要原因資訊及第二異常主要原因資訊中的至少一個資訊。所述第一異常主要原因資訊較佳的是為與所述基板處理裝置對所述學習對象基板進行處理時的所述處理流體有關的資訊。所述第二異常主要原因資訊較佳的是為與所述基板處理裝置的零件有關的資訊。
本發明的學習完成的模型生成方法中，所述第一特徵量資訊較佳的是包含第一資訊、第二資訊、第三資訊、第四資訊、第五資訊及第六資訊中的至少一個。所述第一資訊較佳的是為表示所述物理量向目標值增加時的所述物理量的狀態的資訊。所述第二資訊較佳的是為表示所述物理量的超調量（overshoot）的資訊。所述第三資訊較佳的是為表示所述物理量的變動的資訊。所述第四資訊較佳的是為表示所述物理量從所述目標值減少時的所述物理量的狀態的資訊。所述第五資訊較佳的是為所述基板處理裝置使用互不相同的至少兩個所述物體時，表示所述兩個物體中的一個物體的所述物理量與另一個物體的所述物理量的交疊（overlap）的資訊。所述第六資訊較佳的是為在時間軸上表示所述其中一個物體與所述另一個物體的時間間隔的資訊。
本發明的學習完成的模型生成方法中，所述物體較佳的是為所述處理流體。所述物理量較佳的是表示排出所述處理流體的排出管內的所述處理流體的物理量。
本發明的學習完成的模型生成方法中，所述物體較佳的是為所述處理流體。所述物理量較佳的是表示所述處理流體的流量、所述處理流體的溫度或所述處理流體的濃度。
本發明的學習完成的模型生成方法中，所述物體較佳的是為使所述學習對象基板旋轉的基板保持部、使向所述學習對象基板噴出所述處理流體的噴嘴移動的臂（arm）、承接從所述學習對象基板飛散的所述處理流體的護板（guard）、或調節所述處理流體的流動的閥。在所述物體為所述基板保持部的情況下，所述物理量較佳的是表示與所述基板保持部的動作及/或狀態有關的量。在所述物體為所述臂的情況下，所述物理量較佳的是表示與所述臂的動作及/或狀態有關的量。在所述物體為所述護板的情況下，所述物理量較佳的是表示與所述護板的動作及/或狀態有關的量。在所述物體為所述閥的情況下，所述物理量較佳的是表示與所述閥的動作及/或狀態有關的量。
本發明的學習完成的模型生成方法中，所述物體較佳的是包含空開間隔地覆蓋所述學習對象基板的上表面的阻斷板。在所述物體為所述阻斷板的情況下，所述物理量較佳的是表示與所述阻斷板的動作及/或狀態有關的量。
本發明的學習完成的模型生成方法中，所述特徵量較佳的是還包含第二特徵量資訊。所述第二特徵量資訊較佳的是為表示對構成一個批次的預定數量的所述學習對象基板的處理順序的處理順序資訊、或表示對批次的處理結束到對下一批次的處理開始為止的時間間隔的批次間隔資訊。
根據本發明的另一方面，異常主要原因推定裝置推定經處理流體處理後的處理對象基板的異常的主要原因。異常主要原因推定裝置包括記憶部及推定部。記憶部儲存藉由對學習資料進行機器學習從而構建的學習完成的模型。推定部將輸入資訊輸入至所述學習完成的模型，並從所述學習完成的模型獲取輸出資訊。所述學習資料包含特徵量及異常主要原因資訊。所述異常主要原因資訊表示經所述處理流體處理後的學習對象基板的異常的主要原因。所述特徵量包含第一特徵量資訊，所述第一特徵量資訊是表示時序資料中的區間資料的時間推移的特徵，所述時序資料表示利用所述處理流體對所述學習對象基板進行處理的基板處理裝置使用的物體的物理量，所述第一特徵量資訊由時間表示。所述輸入資訊包含第一輸入資訊，所述第一輸入資訊表示時序資料中的區間資料的時間推移的特徵，所述時序資料表示利用所述處理流體對所述處理對象基板進行處理的基板處理裝置使用的物體的物理量，所述第一輸入資訊由時間表示。所述輸出資訊表示經所述處理流體處理後的所述處理對象基板的異常的主要原因。
本發明的異常主要原因推定裝置中，所述異常主要原因資訊較佳的是包含第一異常主要原因資訊及第二異常主要原因資訊中的至少一個資訊。所述第一異常主要原因資訊較佳的是為與所述基板處理裝置對所述學習對象基板進行處理時的所述處理流體有關的資訊。所述第二異常主要原因資訊較佳的是為與對所述學習對象基板進行處理的所述基板處理裝置的零件有關的資訊。所述輸出資訊較佳的是包含第一輸出資訊及第二輸出資訊中的至少一個資訊。所述第一輸出資訊較佳的是為與所述基板處理裝置對所述處理對象基板進行處理時的所述處理流體有關的資訊。所述第二輸出資訊較佳的是為與對所述處理對象基板進行處理的所述基板處理裝置的零件有關的資訊。
本發明的異常主要原因推定裝置中，所述第一特徵量資訊及所述第一輸入資訊各自較佳的是包含第一資訊、第二資訊、第三資訊、第四資訊、第五資訊及第六資訊中的至少一個資訊。所述第一資訊較佳的是為表示所述物理量向目標值增加時的所述物理量的狀態的資訊。所述第二資訊較佳的是為表示所述物理量的超調量的資訊。所述第三資訊較佳的是為表示所述物理量的變動的資訊。所述第四資訊較佳的是為表示所述物理量從所述目標值減少時的所述物理量的狀態的資訊。所述第五資訊較佳的是為所述基板處理裝置使用互不相同的至少兩個所述物體時，表示所述兩個物體中的一個物體的所述物理量與另一個物體的所述物理量的交疊的資訊。所述第六資訊較佳的是為在時間軸上表示所述其中一個物體與所述另一個物體的時間間隔的資訊。
本發明的異常主要原因推定裝置中，所述物體較佳的是為所述處理流體。所述物理量較佳的是表示排出所述處理流體的排出管內的所述處理流體的物理量。
本發明的異常主要原因推定裝置中，所述物體較佳的是為所述處理流體。所述物理量較佳的是表示所述處理流體的流量、所述處理流體的溫度或所述處理流體的濃度。
本發明的異常主要原因推定裝置中，對所述學習對象基板進行處理的所述基板處理裝置使用的所述物體較佳的是為使所述學習對象基板旋轉的基板保持部、使向所述學習對象基板噴出所述處理流體的噴嘴移動的臂、承接從所述學習對象基板飛散的所述處理流體的護板、或調節所述處理流體的流動的閥。對所述處理對象基板進行處理的所述基板處理裝置使用的所述物體較佳的是為使所述處理對象基板旋轉的基板保持部、使向所述處理對象基板噴出所述處理流體的噴嘴移動的臂、承接從所述處理對象基板飛散的所述處理流體的護板、或調節所述處理流體的流動的閥。在所述物體為所述基板保持部的情況下，所述物理量較佳的是表示與所述基板保持部的動作及/或狀態有關的量。在所述物體為所述臂的情況下，所述物理量較佳的是表示與所述臂的動作及/或狀態有關的量。在所述物體為所述護板的情況下，所述物理量較佳的是表示與所述護板的動作及/或狀態有關的量。在所述物體為所述閥的情況下，所述物理量較佳的是表示與所述閥的動作及/或狀態有關的量。
本發明的異常主要原因推定裝置中，對所述學習對象基板進行處理的所述基板處理裝置使用的所述物體較佳的是包含空開間隔地覆蓋所述學習對象基板的上表面的阻斷板。對所述處理對象基板進行處理的所述基板處理裝置使用的所述物體較佳的是包含空開間隔地覆蓋所述處理對象基板的上表面的阻斷板。在所述物體為所述阻斷板的情況下，所述物理量較佳的是表示與所述阻斷板的動作及/或狀態有關的量。
本發明的異常主要原因推定裝置中，所述特徵量較佳的是還包含第二特徵量資訊。所述第二特徵量資訊較佳的是為表示對構成一個批次的預定數量的所述學習對象基板的處理順序的處理順序資訊、或表示對批次的處理結束到對下一批次的處理開始為止的時間間隔的批次間隔資訊。所述輸入資訊較佳的是還包含與所述處理對象基板有關的第二輸入資訊。所述第二輸入資訊較佳的是為表示對構成一個批次的預定數量的所述處理對象基板的處理順序的處理順序資訊、或表示對批次的處理結束到對下一批次的處理開始為止的時間間隔的批次間隔資訊。
根據本發明的進而另一方面，基板處理裝置包括所述異常主要原因推定裝置、及對基板進行處理的處理裝置。
根據本發明的進而另一方面，學習完成的模型是藉由對學習資料進行機器學習從而構建，以推定經處理流體處理後的處理對象基板的異常的主要原因的方式使電腦發揮功能。所述學習資料包含特徵量及異常主要原因資訊。所述異常主要原因資訊表示經所述處理流體處理後的學習對象基板的異常的主要原因。所述特徵量包含特徵量資訊，所述特徵量資訊表示時序資料中的區間資料的時間推移的特徵，所述時序資料表示利用所述處理流體對所述學習對象基板進行處理的基板處理裝置使用的物體的物理量。所述特徵量資訊由時間表示。以將輸入資訊輸入並將輸出資訊輸出的方式使所述電腦發揮功能。所述輸入資訊包含的資訊表示時序資料中的區間資料的時間推移的特徵，所述時序資料表示利用所述處理流體對所述處理對象基板進行處理的基板處理裝置使用的物體的物理量。所述資訊由時間表示。所述輸出資訊表示經所述處理流體處理後的所述處理對象基板的異常的主要原因。
根據本發明的進而另一方面，異常主要原因推定方法推定經處理流體處理後的處理對象基板的異常的主要原因。異常主要原因推定方法包括下述步驟：獲取輸入資訊；以及將所述輸入資訊輸入至藉由對學習資料進行機器學習從而構建的學習完成的模型，並從所述學習完成的模型獲取輸出資訊。所述學習資料包含特徵量及異常主要原因資訊。所述異常主要原因資訊表示經所述處理流體處理後的學習對象基板的異常的主要原因。所述特徵量包含特徵量資訊，所述特徵量資訊表示時序資料中的區間資料的時間推移的特徵，所述時序資料表示利用所述處理流體對所述學習對象基板進行處理的基板處理裝置使用的物體的物理量，所述特徵量資訊由時間表示。所述輸入資訊包含表示時序資料中的區間資料的時間推移的特徵的、資訊，所述時序資料表示利用所述處理流體對所述處理對象基板進行處理的基板處理裝置使用的物體的物理量，所述資訊由時間表示。所述輸出資訊表示經所述處理流體處理後的所述處理對象基板的異常的主要原因。
根據本發明的進而另一方面，學習方法包括下述步驟：獲取學習資料；以及對所述學習資料進行機器學習。所述學習資料包含特徵量及異常主要原因資訊。所述異常主要原因資訊表示經處理流體處理後的學習對象基板的異常的主要原因。所述特徵量包含特徵量資訊，所述特徵量資訊表示時序資料中的區間資料的時間推移的特徵，所述時序資料表示利用所述處理流體對所述學習對象基板進行處理的基板處理裝置使用的物體的物理量。所述第一特徵量資訊由時間表示。
根據本發明的進而另一方面，學習裝置包括記憶部及學習部。記憶部儲存學習資料。學習部對所述學習資料進行機器學習。所述學習資料包含特徵量及異常主要原因資訊。所述異常主要原因資訊表示經處理流體處理後的學習對象基板的異常的主要原因。所述特徵量包含表示時序資料中的區間資料的時間推移的特徵的、特徵量資訊，所述時序資料表示利用所述處理流體對所述學習對象基板進行處理的基板處理裝置使用的物體的物理量。所述特徵量資訊由時間表示。
根據本發明的進而另一方面，學習資料製作方法包括下述步驟：從時序資料中獲取至少一個區間資料，所述時序資料表示利用處理流體對學習對象基板進行處理的基板處理裝置使用的物體的物理量；算出表示所述區間資料的時間推移的特徵的、特徵量資訊；以及以將異常主要原因資訊關聯於所述特徵量資訊而儲存的方式控制記憶部。所述異常主要原因資訊表示經所述處理流體處理後的所述學習對象基板的異常的主要原因。所述特徵量資訊由時間表示。所述特徵量資訊及所述異常主要原因資訊構成作為機器學習的對象的學習資料。
[發明的效果]根據本發明，可高精度地確定經處理流體進行處理後的處理對象基板的異常的主要原因，並且可縮短確定異常的主要原因時的時間。
以下，一方面參照圖式，一方面對本發明的實施方式進行說明。此外，圖中對相同或相應部分附注相同的參照符號，不重複進行說明。而且，圖中為了容易理解而適當圖示X軸、Y軸及Z軸。X軸、Y軸及Z軸相互正交，X軸及Y軸平行於水平方向，Z軸平行於鉛垂方向。此外，“俯視”表示從鉛垂上方觀看對象。
參照圖1～圖22，對本發明的實施方式的基板處理系統100進行說明。首先，參照圖1對基板處理系統100進行說明。
圖1為表示基板處理系統100的圖。如圖1所示，本實施方式的基板處理系統100包括基板處理裝置200、基板處理裝置300、學習資料製作裝置400、學習裝置500及異常主要原因推定裝置600。
基板處理裝置200利用處理流體對學習對象基板進行處理。處理流體例如為處理液或處理氣體。基板處理裝置200為對學習對象基板一片一片地進行處理的單片式。學習對象基板為大致圓板狀。
基板處理裝置300利用處理流體對處理對象基板進行處理。處理流體例如為處理液或處理氣體。基板處理裝置300使用的處理流體的結構與基板處理裝置200使用的處理流體的結構相同。處理對象基板的結構與學習對象基板的結構相同。基板處理裝置300為對處理對象基板一片一片地進行處理的單片式。處理對象基板為大致圓板狀。
以下，有時將學習對象基板記載為“學習對象基板W1”，將處理對象基板記載為“處理對象基板W2”。而且，在無需區分學習對象基板W1與處理對象基板W2來進行說明時，有時將學習對象基板W1及處理對象基板W2記載為“基板W”。
基板W例如為半導體晶圓、液晶顯示裝置用基板、電漿顯示器用基板、場發射顯示器（Field Emission Display，FED）用基板、光碟用基板、磁碟用基板、光磁碟用基板、光罩用基板、陶瓷基板或太陽電池用基板。
而且，本說明書中，處理流體只要為接觸基板W的流體，則並無特別限定。作為處理流體的處理液例如為化學液或淋洗液。
化學液例如為稀氫氟酸（DHF（Dilute HF））、氫氟酸（HF）、硝氟酸（氫氟酸與硝酸（HNO3）的混合液）、緩衝氫氟酸（BHF（Buffered HF））、氟化銨、氫氟酸與乙二醇的混合液（HFEG）、磷酸（H3PO4）、硫酸、乙酸、硝酸、鹽酸、氨水、過氧化氫水、有機酸（例如檸檬酸、草酸）、有機堿（例如氫氧化四甲基銨（Tetramethylammonium hydroxide，TMAH））、硫酸過氧化氫水混合液（SPM）、氨過氧化氫水混合液（SC1）、鹽酸過氧化氫水混合液（SC2）、異丙醇（Iso Propyl Alcohol，IPA）、表面活性劑或抗腐蝕劑。
淋洗液例如為去離子水、碳酸水、電離水、氫水、臭氧水或稀釋濃度（例如10 ppm～100 ppm左右）的鹽酸水。
而且，作為處理流體的處理氣體例如為與附著於基板W的液體或基板W反應的反應氣體、或惰性氣體。反應氣體例如為臭氧氣體、氟氣體、含有氟化氫的氣體、或含有IPA的氣體。惰性氣體例如為氮氣、氦氣或氬氣。
基板處理裝置200輸出時序資料TD1。時序資料TD1表示基板處理裝置200使用的物體的物理量。物體例如為處理流體或基板處理裝置200的零件。零件不僅為硬件零件，而且包含軟件零件。物體及物理量的詳情將在下文中描述。
學習資料製作裝置400基於時序資料TD1而製作學習資料TND。另外，學習資料製作裝置400輸出學習資料TND。學習資料TND為由學習裝置500進行機器學習的對象。學習資料TND包含與學習對象基板W1的處理有關的特徵量、及與學習對象基板W1的處理有關的異常主要原因資訊。異常主要原因資訊表示經處理流體進行處理後的學習對象基板W1的異常的主要原因。特徵量為說明變量，異常主要原因資訊為目標變量。特徵量及異常主要原因資訊的詳情將在下文中描述。
學習裝置500藉由對學習資料TND進行機器學習，從而生成學習完成的模型LM。另外，學習裝置500輸出學習完成的模型LM。學習完成的模型LM推定由基板處理裝置300利用處理流體進行處理後的、處理對象基板W2的異常的主要原因。具體而言，學習完成的模型LM為進行從輸入到輸出的運算的電腦程式。構成學習完成的模型LM的電腦程式包含用於運算的多個參數（例如多個加權係數）。
基板處理裝置300輸出時序資料TD2。時序資料TD2表示基板處理裝置300使用的物體的物理量。物體例如為處理流體或基板處理裝置300的零件。零件不僅為硬件零件，而且包含軟件零件。物體及物理量的詳情將在下文中描述。
時序資料TD2的定義中，基板處理裝置300使用的物體對應於基板處理裝置200使用的物體。因此，基板處理裝置300使用的物體的結構與基板處理裝置200使用的物體的結構相同。而且，時序資料TD2的定義中，基板處理裝置300使用的物體的物理量對應於基板處理裝置200使用的物體的物理量。因此，基板處理裝置300使用的物體的物理量與基板處理裝置200使用的物體的物理量相同。
異常主要原因推定裝置600使用學習完成的模型LM，基於時序資料TD2，推定由基板處理裝置300利用處理流體進行處理後的、處理對象基板W2的異常的主要原因。
具體而言，異常主要原因推定裝置600包括前處理部81及推定部83。
前處理部81基於時序資料TD2而生成輸入資訊IF1。另外，前處理部81輸出輸入資訊IF1。輸入資訊IF1包含與處理對象基板W2的處理有關的特徵量。特徵量為說明變量。輸入資訊IF1的特徵量為與學習資料TND的特徵量對應的資訊。特徵量的詳情將在下文中描述。
推定部83將輸入資訊IF1輸入至學習完成的模型LM。另外，學習完成的模型LM基於輸入資訊IF1所含的特徵量，推定由基板處理裝置300利用處理流體進行處理後的、處理對象基板W2的異常的主要原因，並將輸出資訊IF2輸出。推定部83從學習完成的模型LM獲取輸出資訊IF2，將輸出資訊IF2輸出。輸出資訊IF2包含與處理對象基板W2的處理有關的異常主要原因資訊。異常主要原因資訊表示經處理流體進行處理後的處理對象基板W2的異常的主要原因。異常主要原因資訊為目標變量。輸出資訊IF2的異常主要原因資訊為與學習資料TND的異常主要原因資訊對應的資訊。異常主要原因資訊的詳情將在下文中描述。
以上，如參照圖1所說明，根據本實施方式，學習裝置500進行機器學習。因此，可從非常煩雜且分析對象龐大的時序資料TD1中找出規則性，製作精度高的學習完成的模型LM。另外，異常主要原因推定裝置600對學習完成的模型LM輸入包含基於時序資料TD2的特徵量的輸入資訊IF1，並從學習完成的模型LM輸出包含異常主要原因資訊的輸出資訊IF2。因此，可高精度地確定經處理流體進行處理後的處理對象基板W2的異常的主要原因，並且可縮短確定異常的主要原因時的時間。
此處，本說明書中，“物體”表示“基板處理裝置200使用的物體”或“基板處理裝置300使用的物體”。而且，“物理量”表示“物體的物理量”。“物體”及“物理量”的詳情將在下文中描述。
接下來，參照圖2～圖7對基板處理裝置200進行說明。基板處理裝置200處理的基板W為“學習對象基板W1”。此外，基板處理裝置300的結構及動作與基板處理裝置200的結構及動作相同。因此，參照圖2～圖7說明的基板處理裝置200的說明可援用於基板處理裝置300的說明。此時，基板處理裝置300處理的基板W為“處理對象基板W2”。
圖2為表示基板處理裝置200的示意性平面圖。如圖2所示，基板處理裝置200包括多個裝載端口（load port）LP、分度器機器人（indexer robot）IR、中央機器人（center robot）CR、多個處理裝置1、控制裝置3、多個處理流體箱4及處理流體櫃5。控制裝置3控制裝載端口LP、分度器機器人IR、中央機器人CR及處理裝置1。
各裝載端口LP層疊收容多片基板W。分度器機器人IR在裝載端口LP與中央機器人CR之間搬送基板W。中央機器人CR在分度器機器人IR與處理裝置1之間搬送基板W。各處理裝置1對基板W供給處理流體，對基板W進行處理。各處理流體箱4收容流體機器。處理流體櫃5收容處理流體。
具體而言，多個處理裝置1形成在俯視時以包圍中央機器人CR的方式配置的多個塔TW（本實施方式中為四個塔TW）。各塔TW包含上下層疊的多個處理裝置1（本實施方式中為三個處理裝置1）。多個處理流體箱4分別對應於多個塔TW。處理流體櫃5內的處理流體經由任一處理流體箱4而供給於與處理流體箱4對應的塔TW所含的所有處理裝置1。
圖3為表示處理裝置1的示意性截面圖。如圖3所示，處理裝置1利用處理流體對基板W進行處理。具體而言，處理裝置1為對基板W一片一片地進行處理的單片式。
圖3中，作為處理流體的一例，記載處理液LQ1、處理液LQ21與處理液LQ22的混合液、處理液LQ3、處理液LQ4、處理液LQ5及惰性氣體GA。處理液LQ21與處理液LQ22不同。處理液LQ1～處理液LQ5、處理液LQ21、處理液LQ22例如為所述例示的化學液或淋洗液。惰性氣體GA例如為所述例示的惰性氣體。而且，基板處理裝置200針對每個處理裝置1，還包括流體供給部V1、流體供給部V2、流體供給部V3、流體供給部V4、流體供給部V5、流體供給部V6、配管G1、配管G2、配管G3、配管G4、配管G5、配管G6、以及溫度感測器TS1、溫度感測器TS2、溫度感測器TS3、溫度感測器TS4、溫度感測器TS5、溫度感測器TS6。
處理裝置1包括腔室11、旋轉卡盤13、旋轉馬達15、噴嘴17、噴嘴移動部19、噴嘴21、噴嘴移動部23、噴嘴25、噴嘴27、流體供給單元29、單元動作部31及多個護板33（本實施方式中為四個護板33）。
腔室11具有大致箱形狀。腔室11收容基板W、旋轉卡盤13、旋轉馬達15、噴嘴17、噴嘴移動部19、噴嘴21、噴嘴移動部23、噴嘴25、噴嘴27、流體供給單元29、單元動作部31、多個護板33及溫度感測器TS1～溫度感測器TS6。而且，腔室11收容配管G1、配管G2、配管G3、配管G4、配管G5、配管G6各自的一部分。
旋轉卡盤13保持基板W並旋轉。旋轉卡盤13相當於“基板保持部”的一例。具體而言，旋轉卡盤13一邊在腔室11內水平保持基板W，一邊使基板W繞旋轉軸線AX旋轉。
旋轉卡盤13包括多個卡盤構件130及旋轉底座131。多個卡盤構件130設於旋轉底座131。多個卡盤構件130以水平姿勢保持基板W。旋轉底座131為大致圓板狀，以水平姿勢支撐多個卡盤構件130。旋轉馬達15使旋轉底座131繞旋轉軸線AX旋轉。因此，旋轉底座131繞旋轉軸線AX旋轉。其結果為，設於旋轉底座131的多個卡盤構件130所保持的基板W繞旋轉軸線AX旋轉。具體而言，旋轉馬達15包括馬達本體150及軸151。軸151結合於旋轉底座131。另外，馬達本體150藉由使軸151旋轉，從而使旋轉底座131旋轉。
噴嘴17在基板W的旋轉中，向基板W噴出處理液LQ1。配管G1對噴嘴17供給處理液LQ1。流體供給部V1調節處理液LQ1對噴嘴17的供給。溫度感測器TS1檢測在配管G1中流動的處理液LQ1的溫度，輸出表示溫度的檢測訊號。溫度感測器TS1例如包含熱電偶。
噴嘴移動部19在大致鉛垂方向及大致水平方向移動噴嘴17。具體而言，噴嘴移動部19包括臂191、轉動軸193及噴嘴移動機構195。臂191沿著大致水平方向延伸。在臂191的前端部配置有噴嘴17。臂191結合於轉動軸193。轉動軸193沿著大致鉛垂方向延伸。噴嘴移動機構195使轉動軸193繞沿著鉛垂方向的轉動軸線轉動，使臂191沿著大致水平面轉動。其結果為，噴嘴17沿著大致水平面移動。而且，噴嘴移動機構195使轉動軸193沿著大致鉛垂方向升降，使臂191升降。其結果為，噴嘴17沿著大致鉛垂方向移動。噴嘴移動機構195例如包括滾珠螺杆機構、及對滾珠螺杆機構給予驅動力的電動馬達。
噴嘴21在基板W的旋轉中，向基板W噴出處理液LQ21與處理液LQ22的混合液。配管G2對噴嘴21供給混合液。流體供給部V2調節混合液對噴嘴21的供給。溫度感測器TS2檢測在配管G2中流動的混合液的溫度，輸出表示溫度的檢測訊號。溫度感測器TS2例如包含熱電偶。
噴嘴移動部23在大致鉛垂方向及大致水平方向移動噴嘴21。具體而言，噴嘴移動部23包括臂231、轉動軸233及噴嘴移動機構235。臂231沿著大致水平方向延伸。在臂231的前端部配置有噴嘴21。臂231結合於轉動軸233。轉動軸233沿著大致鉛垂方向延伸。噴嘴移動機構235使轉動軸233繞沿著大致鉛垂方向的轉動軸線轉動，使臂231沿著大致水平面轉動。其結果為，噴嘴21沿著大致水平面移動。而且，噴嘴移動機構235使轉動軸233沿著大致鉛垂方向升降，使臂231升降。其結果為，噴嘴21沿著大致鉛垂方向移動。噴嘴移動機構235例如包括滾珠螺杆機構、及對滾珠螺杆機構給予驅動力的電動馬達。
噴嘴25在基板W的旋轉中，向基板W噴出處理液LQ3。配管G3對噴嘴25供給處理液LQ3。流體供給部V3調節處理液LQ3對噴嘴25的供給。溫度感測器TS3檢測在配管G3中流動的處理液LQ3的溫度，輸出表示溫度的檢測訊號。溫度感測器TS3例如包含熱電偶。
噴嘴27在基板W的旋轉中，向卡盤構件130噴出處理液LQ4。配管G4對噴嘴27供給處理液LQ4。流體供給部V4調節處理液LQ4對噴嘴27的供給。溫度感測器TS4檢測在配管G4中流動的處理液LQ4的溫度，輸出表示溫度的檢測訊號。溫度感測器TS4例如包含熱電偶。
流體供給單元29位於旋轉卡盤13的上方。流體供給單元29包括阻斷板291、支軸293、噴嘴295及噴嘴297。
阻斷板291例如為大致圓板狀。阻斷板291以阻斷板291的下表面成為大致水平的方式配置。阻斷板291以阻斷板291的中心軸線位於旋轉軸線AX上的方式配置。阻斷板291的下表面與旋轉卡盤13所保持的基板W相向。阻斷板291以水平姿勢連結於支軸293的下端。
單元動作部31使流體供給單元29在接近位置與退避位置之間上升或下降。接近位置表示阻斷板291下降而在基板W的上表面空開規定間隔接近的位置。在接近位置，阻斷板291覆蓋基板W的表面，將基板W的表面的上方阻斷。即，在接近位置，阻斷板291與基板W的表面相向，覆蓋基板W的表面的上方。退避位置表示較接近位置更靠上方，且阻斷板291上升而遠離基板W的位置。圖3中，阻斷板291位於退避位置。而且，單元動作部31在接近位置，使流體供給單元29旋轉。例如，單元動作部31包括滾珠螺杆機構、及對滾珠螺杆機構給予驅動力的升降馬達。升降馬達例如為伺服馬達。例如，單元動作部31包括馬達、及將馬達的旋轉傳遞至流體供給單元29的傳遞機構。
流體供給單元29的噴嘴295及噴嘴297配置於阻斷板291及支軸293的內部。噴嘴295的前端及噴嘴297的前端從阻斷板291的下表面露出。
噴嘴295在流體供給單元29位於接近位置時，向旋轉中的基板W噴出處理液LQ5。在噴嘴295連接有配管G5。配管G5對噴嘴295供給處理液LQ5。流體供給部V5調節處理液LQ5對噴嘴295的供給。溫度感測器TS5檢測在配管G5中流動的處理液LQ5的溫度，輸出表示溫度的檢測訊號。溫度感測器TS5例如包含熱電偶。
噴嘴297在流體供給單元29位於接近位置時，向旋轉中的基板W噴出惰性氣體GA。在噴嘴297連接有配管G6。配管G6對噴嘴297供給惰性氣體GA。流體供給部V6調節惰性氣體GA對噴嘴297的供給。溫度感測器TS6檢測在配管G6中流動的惰性氣體GA的溫度，輸出表示溫度的檢測訊號。溫度感測器TS6例如包含熱電偶。
多個護板33各自具有大致筒形狀。多個護板33各自承接從基板W排出的處理流體（處理液LQ1、處理液LQ21與處理液LQ22的混合液、處理液LQ3、或處理液LQ5）。多個護板33各自可上升或下降。
圖4（a）為表示流體供給部V1的圖。此外，流體供給部V3～流體供給部V6的結構與流體供給部V1的結構相同。因此，在流體供給部V3～流體供給部V6的說明中，適當參照圖4（a），適當使用對流體供給部V1的零件附注的參照符號。
如圖4（a）所示，流體供給部V1包括流量計FW1、流量調整閥V11及供給閥V12。流量計FW1、流量調整閥V11及供給閥V12插設於配管G1中。流量計FW1檢測在配管G1中流動的處理流體（圖3的示例中為處理液LQ1）的流量，輸出表示流量的檢測訊號。流量調整閥V11調整在配管G1中流動的處理流體的流量。流量調整閥V11例如為馬達針閥。供給閥V12將配管G1開放或堵塞，切換處理流體對噴嘴17的供給開始與供給停止。供給閥V12例如為溢流閥（relief valve）。
圖4（b）為表示流體供給部V2的圖。如圖4（b）所示，流體供給部V2包括閥V21、閥V22及混合部MXN。閥V21切換處理液LQ21對混合部MXN的供給開始與供給停止。閥V22切換處理液LQ22對混合部MXN的供給開始與供給停止。混合部MXN將處理液LQ21與處理液LQ22混合，將混合液供給於配管G2及噴嘴21。具體而言，混合部MXN包含混合閥V23及流量計FW2。混合閥V23將處理液LQ21與處理液LQ22混合。流量計FW2檢測混合液的流量，輸出檢測訊號。處理液LQ21例如為硫酸，處理液LQ22例如為過氧化氫水。
以下，有時將圖3～圖4（b）所示的噴嘴17、噴嘴21、噴嘴25、噴嘴27、噴嘴295、噴嘴297統稱而記載為“噴嘴NZ”。有時將閥V11、閥V12、閥V21、閥V22、閥V23統稱而記載為“閥VB”。有時將臂191、臂231統稱為記載為“臂AM”。
圖5為表示基板處理裝置200的圖。圖5中，為了簡化圖式，對與供給於配管G1的處理流體（圖3的示例中為處理液LQ1）有關的零件進行說明。此外，與供給於配管G2～配管G6的處理流體有關的零件的結構和與供給於配管G1的處理流體有關的零件的結構相同。因此，在與供給於配管G2～配管G6的處理流體有關的零件的說明中，適當參照圖5，適當使用對與供給於配管G1的處理流體有關的零件附注的參照符號。
如圖5所示，基板處理裝置200在各塔TW中，針對每個處理裝置1而包括配管G1及流體供給部V1。流體供給部V1收容於與塔TW對應的處理流體箱4。各配管G1的一部分收容於腔室11，各配管G1的一部分收容於處理流體箱4。
而且，基板處理裝置200包括處理流體罐50、循環配管51、泵55、脈衝阻尼器（pulse damper）56、過濾器57及溫度調節器58。處理流體罐50、泵55、脈衝阻尼器56、過濾器57及溫度調節器58收容於處理流體櫃5。循環配管51的一部分收容於處理流體櫃5，循環配管51的一部分收容於處理流體箱4。
處理流體罐50蓄積處理流體（圖3的示例中為處理液LQ1）。循環配管51包括從處理流體罐50向下游延伸的上游配管52、從上游配管52分支的多個個別配管53、及從各個別配管53向下游延伸至處理流體罐50的下游配管54。
上游配管52的上游端連接於處理流體罐50。下游配管54的下游端連接於處理流體罐50。上游配管52的上游端相當於循環配管51的上游端，下游配管54的下游端相當於循環配管51的下游端。各個別配管53從上游配管52的下游端向下游配管54的上游端延伸。
多個個別配管53分別對應於多個塔TW。與一個塔TW所含的三個處理裝置1對應的三個配管G1連接於一個個別配管53。
泵55將處理流體罐50內的處理流體送出至循環配管51。脈衝阻尼器56抑制從泵55送出的處理流體的脈動。過濾器57從在循環配管51中流動的處理流體中除去異物。溫度調節器58調節處理流體罐50內的處理流體的溫度。溫度調節器58例如為對處理流體進行加熱的加熱器。
泵55、脈衝阻尼器56、過濾器57及溫度調節器58配置於上游配管52。處理流體罐50內的處理流體由泵55送至上游配管52，從上游配管52流至多個個別配管53。個別配管53內的處理流體流至下游配管54，從下游配管54回到處理流體罐50。處理流體由溫度調節器58加熱，維持於規定溫度。因此，在循環配管51中循環的處理流體的溫度維持於規定溫度。另外，在循環配管51內維持於規定溫度的處理流體被供給於配管G1。
而且，基板處理裝置200還包括多個排出管P7、多個溫度感測器TS7及多個流量計FW3。多個排出管P7分別與多個處理裝置1對應地配置。排出管P7連接於處理裝置1，將護板33承接的處理流體（圖3的示例中為處理液LQ1）排出至處理裝置1的外部。在排出管P7中插設有流量計FW3。另外，流量計FW3檢測在排出管P7中流動的處理流體的流量，輸出表示流量的檢測訊號。而且，溫度感測器TS7檢測在排出管P7中流動的處理流體的溫度，輸出表示溫度的檢測訊號。溫度感測器TS7例如包含熱電偶。
接下來，參照圖6對基板處理裝置200的控制裝置3進行說明。圖6為表示控制裝置3的方塊圖。控制裝置3例如為電腦。如圖6所示，控制裝置3包括控制部3A、記憶部3B、通訊部3C、輸入部3D及顯示部3E。
控制部3A包括中央處理器（Central Processing Unit，CPU）及圖形處理器（Graphics Processing Unit，GPU）等處理器。記憶部3B包含記憶裝置，儲存資料及電腦程式。控制部3A的處理器執行記憶部3B的記憶裝置所儲存的電腦程式，控制基板處理裝置200的各零件。
例如，記憶部3B包含半導體記憶體等主記憶裝置、與半導體記憶體及硬碟驅動器（hard disc drive）等輔助記憶裝置。記憶部3B也可包括光碟等可移動媒體（removable media）。記憶部3B例如為非暫時性電腦可讀取儲存介質。
具體而言，記憶部3B儲存控制程式PG1及多個處理條件資訊CD。控制部3A執行控制程式PG1，基於至少一個處理條件資訊CD來控制基板處理裝置200的各零件。多個處理條件資訊CD各自為表示基板W的處理條件的資訊。多個處理條件資訊CD各自包含配方資訊RP及多個參數資訊PM。配方資訊RP規定基板W的處理內容及處理順序。多個參數資訊PM各自為用於實現按照配方資訊RP的處理的設定值，且表示針對基板處理裝置200的零件的設定值。配方資訊RP及參數資訊PM為基板處理裝置200的軟件零件。
通訊部3C連接於網絡，與外部裝置通訊。本實施方式中，網絡例如包括國際互聯網（Internet）、局域網（Local Area Network，LAN）、公用電話網及近距離無線網絡。通訊部3C為通訊機，例如為網絡接口控制器（network interface controller）。
輸入部3D為用於對控制部3A輸入各種資訊的輸入機器。例如，輸入部3D為鍵盤（keyboard）及定點設備（pointing device）、或觸控面板（touch panel）。
顯示部3E顯示圖像。顯示部3E例如為液晶顯示器或有機電致發光顯示器。
控制部3A從檢測計群SNS獲取時序資料TD1，並使時序資料TD1儲存於記憶部3B。此時，控制部3A使時序資料TD1與批次識別資訊、基板識別資訊、處理順序資訊（以下記作“處理順序資訊XA”）、及批次間隔資訊（以下記作“批次間隔資訊XB”）關聯地儲存於記憶部3B。批次識別資訊為用於識別批次的資訊（例如批次編號）。批次表示基板W的處理單位。一個批次由預定數量的基板W構成。基板識別資訊為用於識別基板W的資訊。處理順序資訊XA為表示對構成一個批次的預定數量的基板W的處理順序的資訊。批次間隔資訊XB為表示對批次的處理結束到對下一批次的處理開始為止的時間間隔的資訊。
時序資料TD1表示基板處理裝置200使用的物體的物理量。另外，檢測計群SNS包括於基板處理裝置200。檢測計群SNS每當處理一片基板W時，在從基板W的處理開始到處理結束為止的期間中，檢測基板處理裝置200使用的物體的物理量，將表示物理量的檢測訊號輸出至控制部3A。另外，控制部3A每當處理一片基板W時，使從基板W的處理開始到處理結束為止的期間中由檢測計群SNS輸出的檢測訊號所表示的物理量，與時間關聯地作為時序資料TD1而儲存於記憶部3B。
多個時序資料TD1各自包含至少一個個別時序資料TD。本實施方式中，多個時序資料TD1各自包含一個或多個個別時序資料TD。一個個別時序資料TD為表示一個物體的物理量的時序資料。
本實施方式中，“基板處理裝置200使用的物體”為“處理流體”及/或“基板處理裝置200的零件”。“零件”可包含一個構件，或也可包含多個構件。在基板處理裝置200使用的物體為處理流體的情況下，例如“基板處理裝置200使用的物體的物理量”為“處理流體的流量”、“處理流體的溫度”或“處理流體的濃度”。在基板處理裝置200使用的物體為基板處理裝置200的零件的情況下，例如“基板處理裝置200使用的物體的物理量”為“表示零件的動作及/或狀態的物理量”。
具體而言，檢測計群SNS包含流量計群3F、溫度感測器群3G及感測器群3H。
流量計群3F包含多個流量計FW。多個流量計FW各自在每當處理一片基板W時，在從基板W的處理開始到處理結束為止的期間中，檢測處理流體的流量，輸出表示流量的檢測訊號。另外，控制部3A在每當處理一片基板W時，使從基板W的處理開始到處理結束為止的期間中由各流量計FW輸出的檢測訊號所表示的流量，與時間關聯地作為時序資料TD1而儲存於記憶部3B。此時，一個個別時序資料TD為表示噴出處理流體時對一個噴嘴NZ供給的處理流體的流量的時序資料。
多個流量計FW包含多個流量計FW1、多個流量計FW2及多個流量計FW3（圖3及圖4（a）與圖4（b））。而且，多個流量計FW也可還包括另外的一個以上的流量計。此時，流量計可配置於基板處理裝置200的任意位置（例如配管）。
溫度感測器群3G包含多個溫度感測器TS。多個溫度感測器TS各自在每當處理一片基板W時，在從基板W的處理開始到處理結束為止的期間中，檢測處理流體的溫度，輸出表示溫度的檢測訊號。另外，控制部3A在每當處理一片基板W時，使從基板W的處理開始到處理結束為止的期間中從各溫度感測器TS輸出的檢測訊號所表示的溫度，與時間關聯地作為時序資料TD1而儲存於記憶部3B。此時，一個個別時序資料TD為表示噴出處理流體時對一個噴嘴NZ供給的處理流體的溫度的時序資料。
多個溫度感測器TS包含多個溫度感測器TS1、多個溫度感測器TS2、多個溫度感測器TS3、多個溫度感測器TS4、多個溫度感測器TS5、多個溫度感測器TS6及多個溫度感測器TS7（圖3）。而且，多個溫度感測器TS也可還包括另外的一個以上的溫度感測器。此時，溫度感測器可配置於基板處理裝置200的任意位置（例如配管、處理流體罐50或腔室11）。
感測器群3H包含多個感測器SN。多個感測器SN各自在每當處理一片基板W時，在從基板W的處理開始到處理結束為止的期間中，檢測表示基板處理裝置200使用的零件的動作及/或狀態的物理量，輸出表示物理量的檢測訊號，所述物理量表示零件的動作及/或狀態。另外，控制部3A在每當處理一片基板W時，使從基板W的處理開始到處理結束為止的期間中從各感測器SN輸出的檢測訊號所表示的、表示零件的動作及/或狀態的物理量，與時間關聯地作為時序資料TD1而儲存於記憶部3B。此時，一個個別時序資料TD為表示一個零件的動作及/或狀態的物理量的時序資料。
基板處理裝置200使用的零件例如為使基板W旋轉的旋轉卡盤13、使向基板W噴出處理流體的噴嘴NZ移動的臂AM、空開間隔地覆蓋基板W的上表面的阻斷板291、承接從基板W飛散的處理流體的護板33、或調節處理流體的流動的閥VB。
在基板處理裝置200使用的零件為旋轉卡盤13的情況下，旋轉卡盤13的物理量表示與旋轉卡盤13的動作及/或狀態有關的量。例如，物理量表示旋轉卡盤13的轉速。因此，感測器SN檢測旋轉卡盤13的轉速，輸出表示轉速的檢測訊號。此時，感測器SN以光學方式、電方式或機械方式檢測旋轉卡盤13的轉速。旋轉卡盤13的轉速表示基板W的轉速。此外，感測器SN也可檢測旋轉馬達15的轉速。此時，基板處理裝置200使用的零件為旋轉馬達15，旋轉馬達15的物理量為旋轉馬達15的轉速。
在基板處理裝置200使用的零件為臂AM的情況下，臂AM的物理量表示與臂AM的動作及/或狀態有關的量。例如，物理量為表示執行噴嘴NZ的掃描處理時的、臂AM的位置或位移的資訊。所謂掃描處理，為噴嘴NZ一邊沿著基板W的徑向在處理流體的噴出位置移動，一邊利用處理流體對基板W進行處理。此時，感測器SN檢測臂AM的位置或位移，輸出表示位置或位移的檢測訊號。此時，感測器SN以光學方式、電方式或機械方式檢測臂AM的位置或位移。
在基板處理裝置200使用的零件為阻斷板291的情況下，阻斷板291的物理量表示與阻斷板291的動作及/或狀態有關的量。例如，物理量為表示阻斷板291的沿著鉛垂方向的位置的資訊、表示位移的資訊或表示轉速的資訊。此時，感測器SN檢測阻斷板291的位置、位移或轉速，輸出表示位置、位移或轉速的檢測訊號。此時，感測器SN以光學方式、電方式或機械方式檢測阻斷板291的位置、位移或轉速。
在基板處理裝置200使用的零件為護板33的情況下，護板33的物理量表示與護板33的動作及/或狀態有關的量。例如，物理量為表示護板33的位置或位移的資訊。此時，感測器SN檢測護板33的位置或位移，輸出表示位置或位移的檢測訊號。此時，感測器SN以光學方式、電方式或機械方式檢測護板33的位置或位移。
在基板處理裝置200使用的零件為閥VB的情況下，閥VB的物理量表示與閥VB的動作及/或狀態有關的量。例如，物理量為表示閥VB的開度的資訊。此時，感測器SN檢測閥VB的開度，輸出表示開度的檢測訊號。此時，感測器SN以光學方式、電方式或機械方式檢測閥VB的開度。開度表示閥VB打開的程度。
多個感測器SN也可包含多個濃度感測器。此時，多個濃度感測器在每當處理一片基板W時，在從基板W的處理開始到處理結束為止的期間中，直接或間接地檢測處理流體的濃度，輸出表示濃度的檢測訊號。另外，控制部3A在每當處理一片基板W時，使從基板W的處理開始到處理結束為止的期間中從各濃度感測器輸出的檢測訊號所表示的濃度，與時間關聯地作為時序資料TD1而儲存於記憶部3B。此時，一個個別時序資料TD為表示噴出處理流體時對一個噴嘴NZ供給的處理流體的濃度的時序資料。此外，濃度也可由處理流體的比重表示。此時，濃度感測器檢測處理流體的比重。而且，濃度感測器可配置於配管，或也可配置於處理流體罐50。
控制部3A例如以將時序資料TD1發送至學習資料製作裝置400的方式控制通訊部3C。其結果為，通訊部3C經由網絡將時序資料TD1發送至學習資料製作裝置400。
控制部3A例如以顯示時序資料TD1的方式控制顯示部3E。其結果為，顯示部3E顯示時序資料TD1。
接下來，參照圖2、圖3、圖6及圖7，對基板處理裝置200執行的基板處理方法進行說明。圖7為表示本實施方式的基板處理方法的流程圖。如圖7所示，基板處理方法包括步驟S1～步驟S10。基板處理方法由基板處理裝置200對每一片基板W執行。
如圖7所示，步驟S1中，圖2所示的基板處理裝置200的中央機器人CR將基板W搬入至處理裝置1。接著，在圖3所示的處理裝置1中，旋轉卡盤13的卡盤構件130保持基板W。
接著，步驟S2中，圖6所示的控制裝置3的控制部3A開始從檢測計群SNS獲取及儲存時序資料TD1。
接著，步驟S3中，旋轉卡盤13開始旋轉基板W。
接著，步驟S4中，處理裝置1的噴嘴17向基板W的表面噴出處理液LQ1，對基板W進行處理。
接著，步驟S5中，處理裝置1的噴嘴25向基板W的表面噴出處理液LQ3，從基板W沖洗處理液LQ1。
接著，步驟S6中，處理裝置1的噴嘴295向基板W的表面噴出處理液LQ5，將處理液LQ3替換為處理液LQ5，由此使基板W乾燥。
接著，步驟S7中，處理裝置1的噴嘴297向基板W的表面噴出惰性氣體GA，使基板W乾燥。
接著，步驟S8中，處理裝置1的旋轉卡盤13停止旋轉基板W，卡盤構件130開放基板W。
接著，步驟S9中，控制裝置3的控制部3A停止從檢測計群SNS獲取及儲存時序資料TD1。
接著，步驟S10中，基板處理裝置200的中央機器人CR將基板W從處理裝置1搬出。
以上，藉由基板處理裝置200執行步驟S1～步驟S10，從而一片基板W的處理結束。
此外，圖2～圖7的說明中，關於基板處理裝置200，可將“基板W”改稱為“學習對象基板W1”。而且，圖2～圖7的說明中，可將“基板處理裝置200”改稱為“基板處理裝置300”，將“時序資料TD1”改稱為“時序資料TD2”，將“基板W”改稱為“處理對象基板”。
接下來，參照圖8～圖18對學習資料製作裝置400進行說明。首先，參照圖8對學習資料製作裝置400進行說明。學習資料製作裝置400例如為電腦。圖8為表示學習資料製作裝置400的方塊圖。如圖8所示，學習資料製作裝置400包括處理部4A、記憶部4B、通訊部4C、輸入部4D及顯示部4E。
處理部4A包括CPU及GPU等處理器。記憶部4B包含記憶裝置，儲存資料及電腦程式。處理部4A的處理器執行記憶部4B的記憶裝置所儲存的電腦程式，執行各種處理。例如，記憶部4B與記憶部3B同樣地，包括主記憶裝置及輔助記憶裝置，也可包括可移動媒體。記憶部4B例如為非暫時性電腦可讀取儲存介質。
具體而言，記憶部4B儲存學習資料製作程式PG2。處理部4A執行學習資料製作程式PG2，作為學習資料製作部61、儲存控制部63及顯示控制部65發揮功能。即，處理部4A包含學習資料製作部61、儲存控制部63及顯示控制部65。學習資料製作部61包含獲取部611及特徵量計算部613。
通訊部4C連接於網絡，與外部裝置通訊。通訊部4C為通訊機，例如為網絡接口控制器。
輸入部4D為用於對處理部4A輸入各種資訊的輸入機器。例如，輸入部4D為鍵盤及定點設備、或觸控面板。
顯示部4E顯示圖像。顯示部4E例如為液晶顯示器或有機電致發光顯示器。
接下來，參照圖8對處理部4A進行說明。處理部4A的學習資料製作部61基於時序資料TD1而製作學習資料TND。學習資料TND為機器學習的對象。另外，儲存控制部63以儲存學習資料TND的方式控制記憶部4B。其結果為，記憶部4B與批次識別資訊及基板識別資訊關聯地儲存學習資料TND。例如，針對處理一片學習對象基板W1時獲取的至少一個時序資料TD1，製作一個學習資料TND。
學習資料TND包含與學習對象基板W1的處理有關的特徵量XD、及與學習對象基板W1的處理有關的異常主要原因資訊YD。特徵量XD包含第一特徵量資訊XD1。特徵量XD也可包含第二特徵量資訊XD2及/或第三特徵量資訊XD3。本實施方式中，特徵量XD包含第一特徵量資訊XD1、第二特徵量資訊XD2及第三特徵量資訊XD3。
具體而言，學習資料製作部61的獲取部611從基板處理裝置200獲取多個時序資料TD1。此時，批次識別資訊、基板識別資訊、處理順序資訊XA及批次間隔資訊XB附屬於各時序資料TD1。例如，獲取部611經由網絡及通訊部4C從基板處理裝置200獲取多個時序資料TD1。
另外，記憶部4B將各時序資料TD1與批次識別資訊、基板識別資訊、處理順序資訊XA及批次間隔資訊XB關聯地儲存。
進而，獲取部611從時序資料TD1獲取至少一個區間資料。本實施方式中，獲取部611從時序資料TD1獲取多個區間資料。區間資料為包含時序資料的時間推移的特徵部分出現的期間的、時間區間的資料，且為時序資料TD1的一部分資料。
另外，特徵量計算部613針對每個區間資料，基於區間資料而算出第一特徵量資訊XD1。第一特徵量資訊XD1表示區間資料的時間推移的特徵。第一特徵量資訊XD1由時間表示。第一特徵量資訊XD1相當於“特徵量資訊”的一例。第一特徵量資訊XD1的詳情將在下文中描述。
而且，輸入部4D從用戶受理多個異常主要原因資訊YD。
另外，儲存控制部63對第一特徵量資訊XD1標記異常主要原因資訊YD。具體而言，儲存控制部63以將第一特徵量資訊XD1與異常主要原因資訊YD關聯地儲存的方式控制記憶部4B。其結果為，記憶部4B將第一特徵量資訊XD1與異常主要原因資訊YD關聯地儲存。異常主要原因資訊YD表示經處理流體進行處理後的學習對象基板W1的異常的主要原因。
而且，儲存控制部63對第二特徵量資訊XD2標記異常主要原因資訊YD。具體而言，儲存控制部63以將異常主要原因資訊YD關聯於第二特徵量資訊XD2而儲存的方式控制記憶部4B。其結果為，記憶部4B將異常主要原因資訊YD關聯於第二特徵量資訊XD2而儲存。第二特徵量資訊XD2為表示對構成一個批次的預定數量的學習對象基板W1的處理順序的處理順序資訊XA、或表示對批次的處理結束到對下一批次的處理開始為止的時間間隔的批次間隔資訊XB。
進而，儲存控制部63對第三特徵量資訊XD3標記異常主要原因資訊YD。具體而言，儲存控制部63以異常主要原因資訊YD關聯於第三特徵量資訊XD3而儲存的方式控制記憶部4B。其結果為，記憶部4B將異常主要原因資訊YD關聯於第三特徵量資訊XD3而儲存。第三特徵量資訊XD3為區間資料、物體資訊（以下記作“物體資訊IDA”）或物理量資訊（以下記作“物理量資訊IDB”）。區間資料為由獲取部611從時序資料TD1獲取的區間資料。
物體資訊IDA為用於識別基板處理裝置200使用的物體的資訊。在物體為“處理流體”的情況下，物體資訊IDA為用於識別“處理流體”的資訊。在物體為“基板處理裝置的零件”的情況下，物體資訊IDA為用於識別“零件”的資訊。
物理量資訊IDB為用於識別基板處理裝置200使用的物體的物理量的類別的資訊。在物體為“處理流體”的情況下，物理量資訊IDB為表示物理量的類別為“處理流體的流量”的資訊、表示物理量的類別為“處理流體的溫度”的資訊、或表示物理量的類別為“處理流體的濃度”的資訊。在物體為“零件”的情況下，物理量資訊IDB為表示物理量的類別為“與零件的動作及/或狀態有關的物理量”的資訊。例如，在物體為“零件”的情況下，物理量資訊IDB為表示物理量的類別為“零件的轉速”、“零件的位置”、“零件的位移”或“零件的開度”的資訊。
以上，如參照圖8所說明，記憶部4B將異常主要原因資訊YD關聯於第一特徵量資訊XD1、第二特徵量資訊XD2及第三特徵量資訊XD3而儲存。
即，儲存控制部63對特徵量XD標記異常主要原因資訊YD。具體而言，儲存控制部63以針對特徵量XD而與異常主要原因資訊YD關聯地儲存的方式控制記憶部4B。其結果為，記憶部4B儲存特徵量XD及異常主要原因資訊YD作為學習資料TND。即，特徵量XD及異常主要原因資訊YD構成學習資料TND。例如，一個學習資料TND包含基於對一片學習對象基板W1進行處理時獲取的至少一個時序資料TD1而算出的特徵量XD、及關聯於特徵量XD的異常主要原因資訊YD。
異常主要原因資訊YD包含第一異常主要原因資訊YD1及第二異常主要原因資訊YD2中的至少一個。本實施方式中，異常主要原因資訊YD包含第一異常主要原因資訊YD1及第二異常主要原因資訊YD2。
第一異常主要原因資訊YD1為與基板處理裝置200對學習對象基板W1進行處理時的處理流體有關的資訊，且為表示經處理流體進行處理後的學習對象基板W1的異常的主要原因的資訊。第二異常主要原因資訊YD2為與基板處理裝置200的零件有關的資訊，且為表示經處理流體進行處理後的學習對象基板W1的異常的主要原因的資訊。輸入部4D從用戶受理多個第一異常主要原因資訊YD1及多個第二異常主要原因資訊YD2。另外，儲存控制部63對第一特徵量資訊XD1～第三特徵量資訊XD3標記第一異常主要原因資訊YD1及第二異常主要原因資訊YD2。具體而言，儲存控制部63以將第一異常主要原因資訊YD1及第二異常主要原因資訊YD2關聯於第一特徵量資訊XD1～第三特徵量資訊XD3而儲存的方式控制記憶部4B。其結果為，記憶部4B將第一異常主要原因資訊YD1及第二異常主要原因資訊YD2關聯於第一特徵量資訊XD1～第三特徵量資訊XD3而儲存。
此外，顯示控制部65以顯示時序資料TD1或學習資料TND的方式控制顯示部4E。其結果為，顯示部4E顯示時序資料TD1或學習資料TND。
接著，參照圖8及圖9對時序資料TD1進行說明。此說明中，舉出基板處理裝置200使用的物體的物理量為“處理流體的流量”的示例。作為“處理流體”，列舉處理液LQ1、處理液LQ3、處理液LQ5及惰性氣體GA為例。
圖9為表示時序資料TD1的一例的圖表。圖9中，橫軸表示時間，縱軸表示處理流體的流量。
如圖9所示，時序資料TD1包含個別時序資料TD11、個別時序資料TD12、個別時序資料TD13及個別時序資料TD14作為個別時序資料TD。個別時序資料TD11為噴出處理液LQ1時對噴嘴17供給的處理液LQ1的流量，且表示由流體供給部V1的流量計FW1所檢測的流量。個別時序資料TD12為噴出處理液LQ3時對噴嘴25供給的處理液LQ3的流量，且表示由流體供給部V3的流量計FW1所檢測的流量。個別時序資料TD13為噴出處理液LQ5時對噴嘴295供給的處理液LQ5的流量，且表示由流體供給部V5的流量計FW1所檢測的流量。個別時序資料TD14為噴出惰性氣體GA時對噴嘴297供給的惰性氣體GA的流量，且表示由流體供給部V6的流量計FW1所檢測的流量。
如圖8及圖9所示，獲取部611從時序資料TD1獲取時間區間T11～時間區間T14各自的區間資料、時間區間T21～時間區間T24各自的區間資料、時間區間T31～時間區間T34各自的區間資料、時間區間T41～時間區間T44各自的區間資料、及時間區間T51和時間區間T61各自的區間資料。
以下，有時將“區間資料”統稱而記載為“區間資料SX”。
時間區間T11～時間區間T14、時間區間T21～時間區間T24、時間區間T31～時間區間T34、時間區間T41～時間區間T44、時間區間T51、時間區間T61為包含時序資料TD1的時間推移的特徵部分的區間。例如，時間區間T11～時間區間T14、時間區間T21～時間區間T24、時間區間T31～時間區間T34、時間區間T41～時間區間T44、時間區間T51、時間區間T61在針對多個學習對象基板W1各自的多個時序資料TD1中相同。例如，時間區間T11～時間區間T14、時間區間T21～時間區間T24、時間區間T31～時間區間T34、時間區間T41～時間區間T44、時間區間T51、時間區間T61在針對所有學習對象基板W1的所有時序資料TD1中相同。
時間區間T11～時間區間T14表示時序資料TD1（個別時序資料TD）的時間推移的第一特徵部分有可能出現的期間。第一特徵部分為接通延遲（on delay）部分。接通延遲部分為時序資料TD1（個別時序資料TD）中的、表示從處理流體的噴出開始而流量增加直至到達目標值為止的流量的部分。接通延遲部分表示處理流體的流量向目標值增加時，處理流體的流量到達目標值為止的延遲。此外，圖9中，處理流體的“噴出控制開始時”記載為“處理液LQ1接通”、“處理液LQ3接通”、“處理液LQ5接通”及“惰性氣體GA接通”。“噴出控制開始時”表示控制部3A對供給閥V12（圖4（a））輸出開放指示訊號時。開放指示訊號為指示打開供給閥V12的訊號（閥接通訊號）。以下，有時將噴出控制開始時記載為“噴出控制開始時tx”。
時間區間T21～時間區間T24表示時序資料TD1（個別時序資料TD）的時間推移的第二特徵部分有可能出現的期間。第二特徵部分為超調量部分。超調量部分為時序資料TD1（個別時序資料TD）中的、從處理流體的噴出開始而流量增加而突破並超過目標值的部分。
時間區間T31～時間區間T34表示時序資料TD1（個別時序資料TD）的時間推移的第三特徵部分有可能出現的期間。第三特徵部分為變動部分。變動部分為時序資料TD1（個別時序資料TD）中的、流量在目標值的附近上下變動的部分。
時間區間T41～時間區間T44表示時序資料TD1（個別時序資料TD）的時間推移的第四特徵部分有可能出現的期間。第四特徵部分為關斷延遲（off delay）部分。關斷延遲部分為時序資料TD1（個別時序資料TD）中的、表示從處理流體的噴出停止而流量減少直至到達下限目標值（例如零）為止的流量的部分。關斷延遲部分表示處理流體的流量向下限目標值（例如零）減少時，處理流體的流量到達下限目標值為止的延遲。此外，圖9中，處理流體的“噴出控制停止時”記載為“處理液LQ1關斷”、“處理液LQ3關斷”、“處理液LQ5關斷”及“惰性氣體GA關斷”。“噴出控制停止時”表示控制部3A對供給閥V12（圖4（a））輸出堵塞指示訊號時。堵塞指示訊號為指示關閉供給閥V12的訊號（閥關斷訊號）。以下，有時將噴出控制停止時記載為“噴出控制停止時ty”。
時間區間T51表示時序資料TD1（個別時序資料TD11、個別時序資料TD12）的時間推移的第五特徵部分有可能出現的期間。第五特徵部分為交疊部分。交疊部分為時序資料TD1中的、彼此相鄰的個別時序資料TD11與個別時序資料TD12的時間上的重複部分。即，交疊部分為時序資料TD1中的、互不相同的兩個處理流體的流量在時間上重複的部分。
時間區間T61表示時序資料TD1（個別時序資料TD12、個別時序資料TD13）的時間推移的第六特徵部分有可能出現的期間。第六特徵部分為間歇部分。間歇部分為時序資料TD1中的、彼此相鄰的個別時序資料TD12與個別時序資料TD13的間隔在時間上空開的部分。即，間歇部分為時序資料TD1中的、互不相同的兩個處理流體的間隔在時間上空開的部分。
接下來，泛化地定義接通延遲部分、超調量部分、變動部分、關斷延遲部分、交疊部分及間歇部分。下述定義中，“物體”表示“基板處理裝置200使用的物體”，“物理量”表示“物體的物理量”。
即，接通延遲部分為時序資料TD1（個別時序資料TD）中的、表示從物體的使用開始或使用狀態變更而物體的物理量增加直至到達目標值為止的物理量的部分。接通延遲部分表示物體的物理量向目標值增加時，物體的物理量到達目標值為止的延遲。
超調量部分為時序資料TD1（個別時序資料TD）中的、從物體的使用開始或使用狀態變更而物體的物理量增加而突破並超過目標值的部分。
變動部分為時序資料TD1（個別時序資料TD）中的、物體的物理量在目標值的附近上下變動的部分。
關斷延遲部分為時序資料TD1（個別時序資料TD）中的、表示從物體的使用停止或使用狀態變更而物體的物理量減少直至到達下限目標值的物理量的部分。關斷延遲部分表示物體的物理量向下限目標值減少時，物體的物理量到達下限目標值為止的延遲。
交疊部分為時序資料TD1中的、互不相同的兩個物體的物理量在時間上重複的部分。
間歇部分為時序資料TD1中的、互不相同的兩個物體的間隔在時間上空開的部分。
接下來，參照圖10對特徵量XD進行說明。圖10為表示特徵量XD的圖。如圖10所示，特徵量XD的第一特徵量資訊XD1包含第一資訊X1、第二資訊X2、第三資訊X3、第四資訊X4、第五資訊X5及第六資訊X6中的至少一個資訊。圖10的示例中，第一特徵量資訊XD1包含第一資訊X1、第二資訊X2、第三資訊X3、第四資訊X4、第五資訊X5及第六資訊X6。
第一資訊X1表示時序資料TD1的接通延遲部分的時間推移的特徵。即，第一資訊X1為表示處理流體的流量向目標值增加時的流量狀態的資訊。
第一資訊X1包含資訊a、資訊b、資訊c及資訊d中的至少一個資訊。圖10的示例中，第一資訊X1包含資訊a～資訊d。資訊a～資訊c由時間表示，資訊d由角度表示。資訊a～資訊d的詳情將在下文中描述。
第二資訊X2表示時序資料TD1的超調量部分的時間推移的特徵。即，第二資訊X2為表示處理流體的流量的超調量的資訊。
第二資訊X2包含資訊e及資訊f中的至少一個資訊。圖10的示例中，第二資訊X2包含資訊e及資訊f。資訊e由時間表示，資訊f由流量表示。資訊e、資訊f的詳情將在下文中描述。
第三資訊X3表示時序資料TD1的變動部分的時間推移的特徵。即，第三資訊X3為表示處理流體的流量的變動（時間變動）的資訊。
第三資訊X3包含資訊g、資訊h及資訊i中的至少一個資訊。圖10的示例中，第三資訊X3包含資訊g～資訊i。資訊g由時間表示，資訊h由面積表示，資訊i由週期表示。資訊g～資訊i的詳情將在下文中描述。
第四資訊X4表示時序資料TD1的關斷延遲部分的時間推移的特徵。即，第四資訊X4為表示處理流體的流量從目標值減少時的流量狀態的資訊。
第四資訊X4包含資訊j、資訊k、資訊l及資訊m中的至少一個資訊。圖10的示例中，第四資訊X4包含資訊j～資訊m。資訊j～資訊l由時間表示，資訊m由角度表示。資訊j～資訊m的詳情將在下文中描述。
第五資訊X5表示時序資料TD1的交疊部分的時間推移的特徵。即，第五資訊X5為基板處理裝置200使用互不相同的至少兩個處理流體時，表示兩個處理流體中的一個處理流體的流量與另一個處理流體的流量的交疊的資訊。
第五資訊X5包含資訊n、資訊o及資訊p中的至少一個資訊。圖10的示例中，第五資訊X5包含資訊n～資訊p。資訊n由時間表示，資訊o由面積表示，資訊p由流量表示。資訊n～資訊p的詳情將在下文中描述。
第六資訊X6表示時序資料TD1的間歇部分的時間推移的特徵。即，第六資訊X6為基板處理裝置200使用互不相同的至少兩個處理流體時，在時間軸上表示兩個處理流體中的一個處理流體與另一個處理流體的時間間隔的資訊。
第六資訊X6包含資訊q。資訊q由時間表示。資訊q的詳情將在下文中描述。
以上，圖10的說明中，作為“物體”而例示“處理流體”，作為“物理量”而例示“流量”對第一資訊X1～第六資訊X6進行了說明。但是，可將第一資訊X1～第六資訊X6如下般泛化地定義。即，圖10的第一資訊X1～第六資訊X6的說明中，可將“處理流體”改稱為“物體”，將“流量”改稱為“物理量”。此外，對於特徵量XD，關聯有批次識別資訊及基板識別資訊。
而且，第二特徵量資訊XD2包含處理順序資訊XA及批次間隔資訊XB中的至少一個資訊。圖10的示例中，第二特徵量資訊XD2包含處理順序資訊XA及批次間隔資訊XB。
進而，第三特徵量資訊XD3包含區間資料SX、物體資訊IDA及物理量資訊IDB中的至少一個資訊。圖10的示例中，第三特徵量資訊XD3包含區間資料SX、物體資訊IDA及物理量資訊IDB。
接下來，參照圖11（a）～圖16，對特徵量計算部613（圖8）所進行的資訊a～資訊q（圖10）的計算方法進行說明。圖11（a）～圖16中，橫軸表示時間，縱軸表示處理流體的流量。
圖11（a）～圖11（c）為表示第一特徵量資訊XD1所含的第一資訊X1的計算方法的示例的圖。
如圖11（a）所示，特徵量計算部613對包含接通延遲部分的區間資料SX進行分析，算出時間t1。時間t1為第一資訊X1的資訊a。時間t1表示從處理流體的噴出控制開始時tx到處理流體的流量的上升開始時ta為止的期間。上升開始時ta表示流量達到目標值TG的U%時。“U%”例如為10%以下的值。
如圖11（b）所示，特徵量計算部613對包含接通延遲部分的區間資料SX進行分析，算出時間t2。時間t2為第一資訊X1的資訊b。時間t2表示從處理流體的流量的上升開始時ta到處理流體的流量的上升時tb為止的期間。上升時tb表示流量接近目標值TG時。具體而言，上升時tb表示流量達到目標值TG的V%時。V%大於U%。“V%”例如表示70%以上且小於100%的值。此外，上升時tb也可記載為“上升疑似完成時tb”。
而且，特徵量計算部613對包含接通延遲部分的區間資料SX進行分析，算出表示流量的上升傾斜的傾斜角θ1。傾斜角θ1為第一資訊X1的資訊d。傾斜角θ1例如為將處理流體的上升開始時ta的流量值與上升時tb的流量值連結的直線的傾斜角、或表示處理流體的上升開始時ta與上升時tb之間的流量值的近似直線的傾斜角。
如圖11（c）所示，特徵量計算部613對包含接通延遲部分的區間資料SX進行分析，算出時間t3。時間t3為第一資訊X1的資訊c。時間t3表示從處理流體的噴出控制開始時tx到處理流體的流量的上升時tb為止的期間。
以上，如參照圖11（a）～圖11（c）所說明，時間t1～時間t3及傾斜角θ1為表示處理流體的流量向目標值TG增加時，處理流體的流量到達目標值TG為止的延遲的指標。
圖12為表示第一特徵量資訊XD1所含的第二資訊X2的計算方法的示例的圖。如圖12所示，特徵量計算部613對包含超調量部分的區間資料SX進行分析，算出時間t4。時間t4為第二資訊X2的資訊e。時間t4表示流量的超調量所引起的流量變動從基準時tc到進入第一規定範圍RG1內時td為止的期間。基準時tc設定為從噴出控制開始時tx到流量達到最大值MX時為止的任一時間。第一規定範圍RG1包含流量的目標值TG。
圖12的示例中，基準時tc為流量達到最大值MX時。而且，第一規定範圍RG1的上限值為流量的目標值TG的X1%，第一規定範圍RG1的下限值為流量的目標值TG的X2%。關於X1%及X2%的具體數值，例如根據實驗及/或經驗而決定。流量的變動進入第一規定範圍RG1內時td例如為流量的局部最小值MN進入第一規定範圍RG1內時。所謂局部最小值MN，為局部的時間區間的最小值。流量的變動進入第一規定範圍RG1內時td例如也可為流量的局部最大值進入第一規定範圍RG1內時。所謂局部最大值，為局部的時間區間的最大值。
例如，時間t4表示流量越過超調量後到持續進入第一規定範圍RG1內為止的期間。
而且，特徵量計算部613對包含超調量部分的區間資料SX進行分析，算出流量的最大值MX。流量的最大值MX為第二資訊X2的資訊f。
以上，如參照圖12所說明，時間t4及最大值MX為表示處理流體的流量的超調量的程度的指標。超調量為流量首次超過第一規定範圍RG1而突破第一規定範圍RG1的現象。
圖13為表示第一特徵量資訊XD1所含的第三資訊X3的計算方法的示例的圖。如圖13所示，特徵量計算部613對包含流量的變動部分的區間資料SX進行分析，算出時間t5。時間t5為第三資訊X3的資訊g。時間t5表示流量的變動從基準時te到成為穩定狀態時tf為止的期間。穩定狀態表示流量的變動持續進入第二規定範圍RG2內（Y1%～Y2%的範圍內）的狀態。關於Y1%及Y2%的具體數值，例如根據實驗及/或經驗而決定。特徵量計算部613例如在流量的局部最大值連續地以規定次數進入第二規定範圍RG2內的情況、流量的局部最小值連續地以規定次數進入第二規定範圍RG2內的情況、或者流量的局部最大值及局部最小值連續地以規定次數進入第二規定範圍RG2內的情況下，判定為流量的變動為穩定狀態。
第二規定範圍RG2包含目標值TG。第二規定範圍RG2與第一規定範圍RG1相同，或為較第一規定範圍RG1更窄的範圍。基準時te設定為從處理流體的噴出控制開始時tx到經過規定時間時為止的任一時間。
在產生流量的超調量的情況下，例如，基準時te為從超調量的收斂時、或流量達到最大值MX時起經過一定時間時。在未產生流量的超調量的情況下，例如基準時te為噴出控制開始時tx、流量的上升開始時ta或流量的上升時tb。
而且，特徵量計算部613對包含流量的變動部分的區間資料SX進行分析，算出與流量有關的面積A1。與流量有關的面積A1為第三資訊X3的資訊h。面積A1表示流量的變動從基準時te到成為穩定狀態為止的期間中，由表示流量的目標值TG的直線、與區間資料SX中表示流量的線所包圍的部分的面積的合計值（例如，圖13的斜線部分的面積的合計值）。穩定狀態與算出時間t5的情況相同。此外，面積A1也可表示預定期間中，由表示流量的目標值TG的直線、與區間資料SX中表示流量的線所包圍的部分的面積的合計值。
進而，特徵量計算部613對包含流量的變動部分的區間資料SX進行分析，算出流量的週期T。流量的週期T為第三資訊X3的資訊i。週期T表示流量的變動從基準時te到成為穩定狀態為止的、流量的變動週期。穩定狀態與算出時間t5的情況相同。此外，週期T也可表示預定期間中的流量的變動週期。
而且，流量的週期T的倒數、即流量的頻率fa也可為第一資訊X1的資訊i。
以上，如參照圖13所說明，時間t5、面積A1、週期T及頻率fa為表示處理流體的流量的變動程度的指標。即，時間t5、面積A1、週期T及頻率fa為表示處理流體的流量的穩定性程度的指標。
圖14（a）～圖14（c）為表示第一特徵量資訊XD1所含的第四資訊X4的計算方法的示例的圖。
如圖14（a）所示，特徵量計算部613對包含關斷延遲部分的區間資料SX進行分析，算出時間t6。時間t6為第四資訊X4的資訊j。時間t6表示從處理流體的噴出控制停止時ty到處理流體的流量的下降開始時tg為止的期間。下降開始時tg表示流量達到目標值TG的V%時。“V%”例如表示70%以上且小於100%的值。
如圖14（b）所示，特徵量計算部613對包含關斷延遲部分的區間資料SX進行分析，算出時間t7。時間t7為第四資訊X4的資訊k。時間t7表示從處理流體的流量的下降開始時tg到處理流體的流量的下降時th為止的期間。下降時th表示流量接近下限目標值（例如零）時。具體而言，下降時th表示流量達到目標值TG的U%時。“U%”例如表示10%以下的值。此外，下降時th也可記載為“下降疑似完成時th”。
而且，特徵量計算部613對包含關斷延遲部分的區間資料SX進行分析，算出表示流量的下降傾斜的傾斜角θ2。傾斜角θ2為第四資訊X4的資訊m。傾斜角θ2例如為將處理流體的下降開始時tg的流量值與下降時th的流量值連結的直線的傾斜角、或表示處理流體的下降開始時tg與下降時th之間的流量值的近似直線的傾斜角。
如圖14（c）所示，特徵量計算部613對包含關斷延遲部分的區間資料SX進行分析，算出時間t8。時間t8為第四資訊X4的資訊l。時間t8表示從處理流體的噴出控制停止時ty到處理流體的流量的下降時th為止的期間。
以上，如參照圖14（a）～圖14（c）所說明，時間t6～時間t8及傾斜角θ2為表示處理流體的流量向下限目標值（例如零）減少時，處理流體的流量到達下限目標值為止的延遲的指標。
圖15為表示第一特徵量資訊XD1所含的第五資訊X5的計算方法的示例的圖。如圖15所示，特徵量計算部613對包含交疊部分的區間資料SX1、區間資料SX2進行分析，算出時間t9。時間t9為第五資訊X5的資訊n。區間資料SX1為彼此相鄰的個別時序資料TD中的一個個別時序資料TD的一部分（時間上的後端部分），區間資料SX2為另一個個別時序資料TD的一部分（時間上的後端部分）。時間t9表示區間資料SX1與區間資料SX2重複的部分的期間。換言之，時間t9表示由區間資料SX1所示的流量與由區間資料SX2所示的流量交疊的期間。進而換言之，時間t9表示互不相同的處理流體中的一個處理流體的流量與另一個處理流體的流量交疊的期間。
例如，時間t9表示時序資料TD1的交疊部分中，從區間資料SX2所示的流量的上升開始時ta到區間資料SX1所示的流量的下降時th為止的期間。即，時間t9表示時序資料TD1的交疊部分中，從互不相同的處理流體中的一個處理流體的流量的上升開始時ta到另一個處理流體的流量的下降時th為止的時間。
而且，特徵量計算部613對包含交疊部分的區間資料SX1、區間資料SX2進行分析，算出面積A2。面積A2為第五資訊X5的資訊o。面積A2表示區間資料SX1與區間資料SX2的交疊部分的面積。即，面積A2表示互不相同的處理流體中的一個處理流體的流量與另一個處理流體的流量的交疊部分的面積。
例如，面積A2表示時序資料TD1的交疊部分中，由表示從區間資料SX2所示的流量的上升開始時ta的流量FL2到交點IN（流量FL）為止的線、表示從區間資料SX1所示的流量的下降時th的流量FL1到交點IN（流量FL）為止的線、以及從上升開始時ta的流量FL2到下降時th的流量FL1為止的線所包圍的部分的面積。
進而，特徵量計算部613對包含交疊部分的區間資料SX1、區間資料SX2進行分析，算出交點IN的流量FL。交點IN的流量FL為第五資訊X5的資訊p。流量FL表示下述交點IN的流量，此交點IN為表示區間資料SX1所示的流量的線、與表示區間資料SX2所示的流量的線的交點。即，流量FL表示下述交點IN的流量，此交點IN為表示互不相同的處理流體中的一個處理流體的流量的線、與表示另一個處理流體的流量的線的交點。
以上，如參照圖15所說明，時間t9、面積A2及交點IN的流量FL為表示處理流體的流量的交疊程度的指標。
圖16為表示第一特徵量資訊XD1所含的第六資訊X6的計算方法的示例的圖。如圖16所示，特徵量計算部613對包含間歇部分的區間資料SX1、區間資料SX2進行分析，算出時間t10。時間t10為第五資訊X5的資訊q。時間t10表示區間資料SX1所示的處理流體的流量、與區間資料SX2所示的處理流體的流量的時間間隔。即，時間t10在時間軸上表示互不相同的處理流體中的一個處理流體與另一個處理流體的時間間隔。
例如，時間t10表示時序資料TD1的間歇部分中，從區間資料SX1所示的流量的下降時th到區間資料SX2所示的流量的上升開始時ta為止的時間。即，表示從互不相同的處理流體中的一個處理流體的流量的下降時th起到另一個處理流體的流量的上升開始時ta為止的時間。
以上，如參照圖16所說明，時間t10為表示處理流體的流量的間歇程度的指標。
此處，圖11（a）～圖16的說明中，作為“物體的物理量”而例示“流量”，對第一特徵量資訊XD1的資訊a～資訊p（時間t1～時間t10、傾斜角θ1、傾斜角θ2、最大值MX、面積A1、面積A2、週期T及流量FL）進行了說明。但是，可將第一特徵量資訊XD1的資訊a～資訊p如下般泛化地定義。
即，圖11（a）～圖16的第一特徵量資訊XD1的說明中，將“流量”改稱為“物理量”，將“處理液”改稱為“物體”，將“噴出控制開始時”改稱為“使用控制開始時”，將“噴出控制停止時”改稱為“使用控制停止時”。此時，“使用控制開始時”表示控制部3A對基板處理裝置200的零件輸出物體的使用開始指示訊號時。使用開始指示訊號表示指示開始使用物體的訊號。“使用控制停止時”表示控制部3A對基板處理裝置200的零件輸出物體的使用停止指示訊號時。使用停止指示訊號表示指示停止使用物體的訊號。
以上，如參照圖8～圖16所說明，根據本實施方式，第一特徵量資訊XD1由時間表示。因此，可簡易且高精度地提取時序資料TD1中的區間資料SX的時間推移的特徵。其結果為，藉由對包含第一特徵量資訊XD1的學習資料TND進行機器學習，從而可生成推定精度高的學習完成的模型LM。
尤其本實施方式中，從作為時序資料TD1的一部分的區間資料SX中，提取表示時間推移的特徵的第一特徵量資訊XD1。因此，區間資料SX所含的特徵部分成為一個。其結果為，從時序資料TD1中提取特徵部分變得更容易。而且，容易對第一特徵量資訊XD1標記異常主要原因資訊YD。
換言之，本實施方式中，獲取部611以時間推移的特徵部分成為一個的方式，從時序資料TD1中獲取區間資料SX。
而且，本實施方式中，若從基板處理裝置200將時序資料TD1作為原始資料直接輸入至學習資料製作裝置400，則學習資料製作裝置400算出特徵量XD。因此，不要求基板處理裝置200的用戶對時序資料TD1進行分析及加工。其結果為，可減輕用戶的負擔。
接下來，參照圖17對異常主要原因資訊YD進行說明。圖17為表示異常主要原因資訊YD的圖。
首先，對異常主要原因資訊YD的第一異常主要原因資訊YD1進行說明。如圖17所示，第一異常主要原因資訊YD1包含第一主要原因資訊Y101～第九主要原因資訊Y109中的至少一個主要原因資訊。圖17的示例中，第一異常主要原因資訊YD1包含第一主要原因資訊Y101～第九主要原因資訊Y109。
第一主要原因資訊Y101為表示因噴嘴NZ位置不良而淋洗液向卡盤構件130或學習對象基板W1的附著不良的程度的資訊。
第二主要原因資訊Y102為表示將被切換對象的噴嘴NZ切換為其他噴嘴NZ時，從被切換對象的噴嘴NZ噴出的處理液、與從其他噴嘴NZ噴出的處理液發生干擾而處理液飛散的程度的資訊。
第三主要原因資訊Y103為表示處理流體（例如化學液或反應氣體）的流量的不穩定性程度的資訊。
第四主要原因資訊Y104為表示處理流體（例如化學液或反應氣體）的濃度的變動程度的資訊。
第五主要原因資訊Y105為表示利用混合閥V23等混合閥將多個處理流體混合時，混合流體的流量的不穩定性程度的資訊。
第六主要原因資訊Y106為表示噴出至學習對象基板W1的處理液在學習對象基板W1的表面擴展時，學習對象基板W1未由處理液覆蓋的程度的資訊。
第七主要原因資訊Y107為表示附著於噴嘴NZ的外表面的處理液掉落至學習對象基板W1的表面時掉落的處理液量的程度的資訊。例如，有時將被切換對象的噴嘴NZ切換為其他噴嘴NZ時，從被切換對象的噴嘴NZ噴出的處理液、與從其他噴嘴NZ噴出的處理液發生干擾，處理液飛散。此時，有可能飛散的處理液附著於噴嘴NZ的外表面。
第八主要原因資訊Y108為表示對學習對象基板W1先噴出的處理流體混入至後噴出的處理流體的程度的資訊。例如，在必須確保間歇部分的情況下，先噴出的處理流體混入至後噴出的處理流體有可能對學習對象基板W1的處理造成影響。而且，例如在必須確保交疊部分的情況下，也是先噴出的處理流體過度混入至後噴出的處理流體有可能對學習對象基板W1的處理造成影響。
第九主要原因資訊Y109為表示在處理學習對象基板W1後將處理流體回收時，其他處理流體混入至回收對象的處理流體的程度的資訊。例如，在必須確保間歇部分的情況下，若先噴出的處理流體混入至後噴出的處理流體，則在將後噴出的處理流體回收使用的情況下，有可能對學習對象基板W1的處理造成影響。而且，例如在必須確保交疊部分的情況下，也是若先噴出的處理流體過度混入至後噴出的處理流體，則在將後噴出的處理流體回收使用的情況下，有可能對學習對象基板W1的處理造成影響。
以上，如參照圖17所說明，第一主要原因資訊Y101～第九主要原因資訊Y109為與學習對象基板W1的處理時的處理流體有關的資訊，且表示經處理流體進行處理後的學習對象基板W1的異常的主要原因（以下有時記載為“異常主要原因”）。而且，第一主要原因資訊Y101～第九主要原因資訊Y109各自例如能以“有問題”或“無問題”的兩等級來表示所述“程度”，或也能以三等級以上來表示所述“程度”。
接下來，對異常主要原因資訊YD的第二異常主要原因資訊YD2進行說明。如圖17所示，第二異常主要原因資訊YD2包含第一主要原因資訊Y201～第七主要原因資訊Y207中的至少一個主要原因資訊。圖17的示例中，第二異常主要原因資訊YD2包含第一主要原因資訊Y201～第七主要原因資訊Y207。
第一主要原因資訊Y201為表示流量調整閥V11等流量調整閥的動作不良程度的資訊。流量調整閥例如為馬達針閥。
第二主要原因資訊Y202為表示閥V12、閥V21、閥V22、閥V23等閥的動作不良程度的資訊。
第三主要原因資訊Y203為表示泵55等泵的動作不良程度的資訊。而且，第三主要原因資訊Y203也可包含表示脈衝阻尼器56等脈衝阻尼器的動作不良程度的資訊。泵及脈衝阻尼器的動作不良可能導致處理液的脈動。
第四主要原因資訊Y204為表示對噴嘴NZ供給的處理流體的源壓的變動程度的資訊。
第五主要原因資訊Y205為表示流量計FW的動作不良的資訊。
第六主要原因資訊Y206為表示配方資訊RP的不合適程度的資訊。
第七主要原因資訊Y207為表示參數資訊PM的設定錯誤程度的資訊。
以上，如參照圖17所說明，第一主要原因資訊Y201～第七主要原因資訊Y207為與基板處理裝置200的零件有關的資訊，且表示經處理流體進行處理後的學習對象基板W1的異常的主要原因（以下有時記載為“異常主要原因”）。而且，第一主要原因資訊Y201～第七主要原因資訊Y207各自例如能以“有問題”或“無問題”的兩等級來表示所述“程度”，或也能以三等級以上來表示所述“程度”。
接下來，參照圖10及圖17，對第一異常主要原因資訊YD1、第二異常主要原因資訊YD2及第一特徵量資訊XD1的相關關係的一例進行說明。
例如，有可能由於第二異常主要原因資訊YD2的第一主要原因資訊Y201、第二主要原因資訊Y202及第五主要原因資訊Y205中的至少一個所示的異常主要原因，導致產生處理流體的接通延遲及/或關斷延遲變大的狀態或變小的狀態。另一方面，處理流體的接通延遲由第一特徵量資訊XD1的第一資訊X1所示，處理流體的關斷延遲由第一特徵量資訊XD1的第四資訊X4所示。因此，在第一特徵量資訊XD1與第二異常主要原因資訊YD2之間存在相關。
而且，第二異常主要原因資訊YD2的第一主要原因資訊Y201、第二主要原因資訊Y202及第五主要原因資訊Y205中的至少一個所示的異常主要原因有可能引起第一異常主要原因資訊YD1的第六主要原因資訊Y106、第二主要原因資訊Y102及第七主要原因資訊Y107中的至少一個所示的異常主要原因。因此，第一異常主要原因資訊YD1也另與和第二異常主要原因資訊YD2相關的第一特徵量資訊XD1存在相關。
例如，可能由於第二異常主要原因資訊YD2的第一主要原因資訊Y201及第二主要原因資訊Y202中的至少一個所示的異常主要原因，導致產生處理流體的超調量。另一方面，處理流體的超調量由第一特徵量資訊XD1的第二資訊X2所示。因此，在第一特徵量資訊XD1與第二異常主要原因資訊YD2之間存在相關。
而且，第二異常主要原因資訊YD2的第一主要原因資訊Y201及第二主要原因資訊Y202中的至少一個所示的異常主要原因有可能引起第一異常主要原因資訊YD1的第一主要原因資訊Y101及第二主要原因資訊Y102中的至少一個所示的異常主要原因。因此，第一異常主要原因資訊YD1也另與和第二異常主要原因資訊YD2相關的第一特徵量資訊XD1存在相關。
例如，有可能由於第二異常主要原因資訊YD2的第三主要原因資訊Y203及第四主要原因資訊Y204中的至少一個所示的異常主要原因，導致處理流體的變動變大。另一方面，處理流體的變動由第一特徵量資訊XD1的第三資訊X3表示。因此，在第一特徵量資訊XD1與第二異常主要原因資訊YD2之間存在相關。
而且，第二異常主要原因資訊YD2的第三主要原因資訊Y203及第四主要原因資訊Y204中的至少一個所示的異常主要原因有可能引起第一異常主要原因資訊YD1的第三主要原因資訊Y103、第四主要原因資訊Y104及第五主要原因資訊Y105中的至少一個所示的異常主要原因。因此，第一異常主要原因資訊YD1也另與和第二異常主要原因資訊YD2相關的第一特徵量資訊XD1存在相關。
例如，有可能由於第二異常主要原因資訊YD2的第六主要原因資訊Y206、第七主要原因資訊Y207、第一主要原因資訊Y201及第二主要原因資訊Y202中的至少一個所示的異常主要原因，導致產生處理流體間的交疊變大的狀態或變小的狀態、或者處理流體間的間歇變大的狀態或變小的狀態。另一方面，處理流體間的交疊由第一特徵量資訊XD1的第五資訊X5表示，處理流體間的間歇由第一特徵量資訊XD1的第六資訊X6表示。因此，在第一特徵量資訊XD1與第二異常主要原因資訊YD2之間存在相關。
而且，第二異常主要原因資訊YD2的第六主要原因資訊Y206、第七主要原因資訊Y207、第一主要原因資訊Y201及第二主要原因資訊Y202中的至少一個所示的異常主要原因有可能引起第一異常主要原因資訊YD1的第六主要原因資訊Y106、第二主要原因資訊Y102、第八主要原因資訊Y108及第九主要原因資訊Y109中的至少一個所示的異常主要原因。因此，第一異常主要原因資訊YD1也另與和第二異常主要原因資訊YD2相關的第一特徵量資訊XD1存在相關。
接下來，參照圖10及圖17，對異常主要原因資訊YD與第二特徵量資訊XD2的相關關係的一例進行說明。
例如，基板處理裝置200的零件的使用時段及從新品時開始的總使用時間取決於批次內的處理順序及/或批次間隔而不同。其結果為，有可能引起異常主要原因資訊YD所示的異常主要原因。另一方面，第二特徵量資訊XD2包含處理順序資訊XA及批次間隔資訊XB。因此，在異常主要原因資訊YD與第二特徵量資訊XD2之間存在相關。
接下來，參照圖10及圖17，對異常主要原因資訊YD與第三特徵量資訊XD3的相關關係的一例進行說明。
例如，第三特徵量資訊XD3所含的區間資料SX包含時間推移的特徵部分。另外，異常主要原因資訊YD所示的異常主要原因是作為區間資料SX的時間推移的特徵而表現。因此，在異常主要原因資訊YD與第三特徵量資訊XD3之間存在相關。
接下來，參照圖8及圖18，對學習資料製作裝置400執行的學習資料製作方法進行說明。圖18為表示本實施方式的學習資料製作方法的流程圖。如圖18所示，學習資料製作方法包括步驟S21～步驟S24。
如圖8及圖18所示，步驟S21中，學習資料製作裝置400的獲取部611從基板處理裝置200獲取時序資料TD1。
接著，步驟S22中，獲取部611從時序資料TD1中獲取至少一個區間資料SX。本實施方式中，獲取部611從時序資料TD1中獲取多個區間資料SX。
接著，步驟S23中，學習資料製作裝置400的特徵量計算部613基於多個區間資料SX而算出第一特徵量資訊XD1。具體而言，特徵量計算部613基於各區間資料SX，針對每個區間資料SX，算出構成第一特徵量資訊XD1的第一資訊X1、第二資訊X2、第三資訊X3、第四資訊X4、第五資訊X5或第六資訊X6。
接著，步驟S24中，學習資料製作裝置400的獲取部611經由輸入部4D而受理異常主要原因資訊YD。
接著，步驟S25中，學習資料製作裝置400的儲存控制部63以將異常主要原因資訊YD關聯於第一特徵量資訊XD1、第二特徵量資訊XD2及第三特徵量資訊XD3而儲存的方式控制記憶部4B。其結果為，記憶部4B將異常主要原因資訊YD關聯於第一特徵量資訊XD1、第二特徵量資訊XD2及第三特徵量資訊XD3而儲存。換言之，藉由對第一特徵量資訊XD1、第二特徵量資訊XD2及第三特徵量資訊XD3標記異常主要原因資訊YD，從而製作學習資料TND。
以上，藉由學習資料製作裝置400執行步驟S21～步驟S24，從而與一片學習對象基板W1對應的一個學習資料TND的製作結束。
接下來，參照圖19對學習裝置500進行說明。學習裝置500例如為電腦。圖19為表示學習裝置500的方塊圖。如圖19所示，學習裝置500包括處理部5A、記憶部5B、通訊部5C、輸入部5D及顯示部5E。
處理部5A包括CPU及GPU等處理器。記憶部5B包含記憶裝置，儲存資料及電腦程式。處理部5A的處理器執行記憶部5B的記憶裝置所儲存的電腦程式，執行各種處理。例如，記憶部5B與記憶部3B同樣地，包括主記憶裝置及輔助記憶裝置，也可包括可移動媒體。記憶部5B例如為非暫時性電腦可讀取儲存介質。
具體而言，記憶部5B儲存處理程式PG3。處理部5A執行處理程式PG3，作為獲取部71、學習部73、儲存控制部75及顯示控制部77發揮功能。即，處理部5A包含獲取部71、學習部73、儲存控制部75及顯示控制部77。
通訊部5C連接於網絡，與外部裝置通訊。通訊部5C為通訊機，例如為網絡接口控制器。
輸入部5D為用於對處理部5A輸入各種資訊的輸入機器。例如，輸入部5D為鍵盤及定點設備、或觸控面板。
顯示部5E顯示圖像。顯示部5E例如為液晶顯示器或有機電致發光顯示器。
接下來，參照圖19對處理部5A進行說明。處理部5A的獲取部71從學習資料製作裝置400獲取多個學習資料TND。例如，獲取部71經由網絡及通訊部5C從學習資料製作裝置400獲取多個學習資料TND。
儲存控制部75以儲存各學習資料TND的方式控制記憶部5B。其結果為，記憶部5B儲存各學習資料TND。
記憶部5B儲存學習程式PG4。學習程式PG4為用於執行機器學習算法的程式，所述機器學習算法用於從多個學習資料TND中找出一定的規則，生成表現所找出的規則的學習完成的模型LM。
機器學習算法只要為有監督學習，則並無特別限定，例如為決策樹、最近鄰法、樸素貝葉斯分類器（Naive Bayes classifier）、支持向量機（Support Vector Machine）或神經網絡（neural network）。因此，學習完成的模型LM包含決策樹、最近鄰法、樸素貝葉斯分類器、支持向量機或神經網絡。在生成學習完成的模型LM的機器學習中，也可利用誤差反向傳播法。
例如，神經網絡包含輸入層、單個或多個中間層、以及輸出層。具體而言，神經網絡為深度神經網絡（Deep Neural Network，DNN）、循環神經網絡（Recurrent Neural Network，RNN）、或卷積神經網絡（Convolutional Neural Network，CNN），進行深度學習。例如，深度神經網絡包含輸入層、多個中間層以及輸出層。
學習部73基於學習程式PG4對多個學習資料TND進行機器學習。其結果為，從多個學習資料TND中找出一定的規則，生成學習完成的模型LM。即，學習完成的模型LM是藉由對學習資料TND進行機器學習從而構建。記憶部5B儲存學習完成的模型LM。
具體而言，學習部73找出學習資料TND所含的特徵量XD與異常主要原因資訊YD之間的一定的規則，生成學習完成的模型LM。特徵量XD為說明變量，異常主要原因資訊YD為目標變量。
更具體而言，學習部73基於學習程式PG4對多個學習資料TND進行機器學習，由此算出多個學習完成的參數，生成包含適用多個學習完成的參數的一個以上的函數的學習完成的模型LM。學習完成的參數為基於使用多個學習資料TND的機器學習的結果而獲取的參數（係數）。
學習完成的模型LM以將輸入資訊（以下有時記載為“輸入資訊IF1”）輸入，並將輸出資訊（以下有時記載為“輸出資訊IF2”）輸出的方式，使電腦發揮功能。換言之，學習完成的模型LM將輸入資訊IF1輸入，將輸出資訊IF2輸出。具體而言，學習完成的模型LM以推定經處理流體進行處理後的處理對象基板W2的異常的主要原因的方式，使電腦發揮功能。換言之，學習完成的模型LM推定經處理流體進行處理後的處理對象基板W2的異常的主要原因。
以上，如參照圖19所說明，根據本實施方式，學習裝置500對包含第一特徵量資訊XD1的學習資料TND進行機器學習，所述第一特徵量資訊XD1利用時間高精度地表示了時序資料TD1的區間資料SX的時間推移的特徵。其結果為，可生成處理對象基板W2的異常的主要原因的推定精度高的學習完成的模型LM。
尤其，第一異常主要原因資訊YD1（第一主要原因資訊Y201～第七主要原因資訊Y207）及第二異常主要原因資訊YD2（第一主要原因資訊Y101～第九主要原因資訊Y109）所示的異常主要原因（圖17）可能導致基板W產生顆粒不良。因此，可利用藉由將異常主要原因資訊YD（第一異常主要原因資訊YD1及第二異主要原因資訊YD2）作為相當於學習完成的模型LM的輸出的目標變量執行機器學習從而生成的學習完成的模型LM，來推定處理對象基板W2產生顆粒不良時的異常主要原因。所謂顆粒不良，為顆粒附著於基板W等由顆粒引起的基板W的不良。
而且，本實施方式中，作為機器學習的對象的第一特徵量資訊XD1包含第一資訊X1～第六資訊X6中的至少一個資訊（圖10）。因此，可對時序資料TD1的時間推移的特徵部分有效地進行機器學習。
進而，本實施方式中，作為機器學習的對象的第二特徵量資訊XD2包含處理順序資訊XA及批次間隔資訊XB中的至少一個資訊（圖10）。另外，例如基板處理裝置200的零件的使用時段及從新品時開始的總使用時間取決於批次內的處理順序及/或批次間隔而不同。其結果為，有可能引起異常主要原因資訊YD所示的異常主要原因。因此，藉由對處理順序資訊XA及/或批次間隔資訊XB進行機器學習，從而可進一步提高學習完成的模型LM的異常主要原因的推定精度。
進而，本實施方式中，作為機器學習的對象的第三特徵量資訊XD3包含區間資料SX。因此，可對包含時序資料TD1的時間推移的特徵的原始資料進行機器學習。其結果為，可進一步提高學習完成的模型LM的異常主要原因的推定精度。尤其區間資料SX為時序資料TD1的一部分資料，因而與對所有時序資料TD1進行機器學習的情況相比較，可縮短機器學習的執行時間。
此外，顯示控制部77以顯示學習資料TND的方式控制顯示部5E。其結果為，顯示部5E顯示學習資料TND。
接下來，參照圖19及圖20對學習裝置500執行的學習方法進行說明。圖20為表示本實施方式的學習方法的流程圖。如圖20所示，學習方法包括步驟S31～步驟S34。
如圖19及圖20所示，步驟S31中，學習裝置500的獲取部71從學習資料製作裝置400獲取多個學習資料TND。
接著，步驟S32中，學習部73基於學習程式PG4對多個學習資料TND進行機器學習。
接著，步驟S33中，學習部73判定是否滿足學習結束條件。學習結束條件是為了結束機器學習而預先設定的條件。學習結束條件例如為反復次數達到規定次數。
在步驟S33中為否定判定的情況下，處理進入步驟S31。其結果為，重複進行機器學習。
另一方面，在步驟S33中為肯定判定的情況下，處理進入步驟S34。
步驟S34中，學習部73輸出適用了最新的多個參數（係數）、也就是多個學習完成的參數（係數）的模型（一個以上的函數）作為學習完成的模型LM。接著，記憶部5B儲存學習完成的模型LM。
以上，藉由學習裝置500執行步驟S31～步驟S34，從而生成學習完成的模型LM。
接下來，參照圖21對異常主要原因推定裝置600進行說明。異常主要原因推定裝置600例如為電腦。圖21為表示異常主要原因推定裝置600的方塊圖。如圖21所示，異常主要原因推定裝置600包括處理部6A、記憶部6B、通訊部6C、輸入部6D及顯示部6E。
處理部6A包括CPU及GPU等處理器。記憶部6B包含記憶裝置，儲存資料及電腦程式。處理部6A的處理器執行記憶部6B的記憶裝置所儲存的電腦程式，執行各種處理。例如，記憶部6B與記憶部3B同樣地，包括主記憶裝置及輔助記憶裝置，也可包括可移動媒體。記憶部6B例如為非暫時性電腦可讀取儲存介質。
具體而言，記憶部6B儲存推定程式PG5。處理部6A執行推定程式PG5，作為前處理部81、推定部83、儲存控制部85及顯示控制部87發揮功能。即，處理部6A包含前處理部81、推定部83、儲存控制部85及顯示控制部87。前處理部81包含獲取部811及特徵量計算部813。
通訊部6C連接於網絡，與外部裝置通訊。通訊部6C為通訊機，例如為網絡接口控制器。
輸入部6D為用於對處理部6A輸入各種資訊的輸入機器。例如，輸入部6D為鍵盤及定點設備、或觸控面板。
顯示部6E顯示圖像。顯示部6E例如為液晶顯示器或有機電致發光顯示器。
接下來，參照圖21對處理部6A進行說明。處理部6A的前處理部81基於時序資料TD2製作輸入資訊IF1。時序資料TD2表示基板處理裝置300使用的物體的物理量。時序資料TD2包含至少一個個別時序資料TD。個別時序資料TD的內容與時序資料TD1的個別時序資料TD的內容相同。
另外，儲存控制部85以儲存輸入資訊IF1的方式控制記憶部6B。其結果為，記憶部6B與批次識別資訊及基板識別資訊關聯地儲存輸入資訊IF1。例如，針對處理一片處理對象基板W2時獲取的至少一個時序資料TD2，製作一個輸入資訊IF1。
輸入資訊IF1為說明變量。即，輸入資訊IF1為對學習完成的模型LM輸入的資訊。輸入資訊IF1的內容與特徵量XD（圖8）的內容相同。
輸入資訊IF1包含第一特徵量資訊PD1。輸入資訊IF1也可包含第二特徵量資訊PD2及/或第三特徵量資訊PD3。本實施方式中，輸入資訊IF1包含第一特徵量資訊PD1、第二特徵量資訊PD2及第三特徵量資訊PD3。第一特徵量資訊PD1相當於“第一輸入資訊”的一例。第二特徵量資訊PD2相當於“第二輸入資訊”的一例。第三特徵量資訊PD3相當於“第三輸入資訊”的一例。
具體而言，前處理部81的獲取部811從基板處理裝置300獲取多個時序資料TD2。此時，批次識別資訊、基板識別資訊、處理順序資訊PA及批次間隔資訊PB附屬於各時序資料TD2。例如，獲取部811經由網絡及通訊部6C從基板處理裝置300獲取多個時序資料TD2。批次識別資訊、基板識別資訊、處理順序資訊PA及批次間隔資訊PB的定義分別與附屬於時序資料TD1的批次識別資訊、基板識別資訊、處理順序資訊XA及批次間隔資訊XB的定義相同。
另外，記憶部6B將各時序資料TD2與批次識別資訊、基板識別資訊、處理順序資訊XA及批次間隔資訊XB關聯地儲存。
進而，獲取部811從時序資料TD2中獲取至少一個區間資料。本實施方式中，獲取部811從時序資料TD2中獲取多個區間資料。區間資料為包含時序資料的時間推移的特徵部分出現的期間的、時間區間的資料，且為時序資料TD1的一部分資料。以下，有時將區間資料統稱而記載為“區間資料SP”。
另外，特徵量計算部813針對每個區間資料SP，基於區間資料SP而算出第一特徵量資訊PD1。第一特徵量資訊PD1表示區間資料SP的時間推移的特徵。第一特徵量資訊PD1由時間表示。特徵量計算部813的動作與特徵量計算部613（圖8）的動作相同。
第二特徵量資訊PD2為表示對構成一個批次的預定數量的處理對象基板W2的處理順序的處理順序資訊PA、或表示對批次的處理結束到對下一批次的處理開始為止的時間間隔的批次間隔資訊PB。
第三特徵量資訊PD3為區間資料SP、物體資訊（以下記作“物體資訊IDC”）或物理量資訊（以下記作“物理量資訊IDD”）。區間資料SP為由獲取部811從時序資料TD2獲取的區間資料。
物體資訊IDC為用於識別基板處理裝置300使用的物體的資訊。
物理量資訊IDD為用於識別基板處理裝置300使用的物體的物理量的類別的資訊。
以上，如參照圖21所說明，記憶部6B儲存第一特徵量資訊PD1、第二特徵量資訊PD2及第三特徵量資訊PD3作為輸入資訊IF1。
而且，記憶部6B儲存學習完成的模型LM。
推定部83將輸入資訊IF1輸入至學習完成的模型LM，並從學習完成的模型LM獲取輸出資訊IF2。輸出資訊IF2表示經處理流體進行處理後的處理對象基板W2的異常的主要原因。輸出資訊IF2為目標變量。即，輸出資訊IF2為從學習完成的模型LM輸出的資訊。輸出資訊IF2的內容與異常主要原因資訊YD（圖8）的內容相同。
具體而言，輸出資訊IF2包含第一異常主要原因資訊QD1與第二異常主要原因資訊QD2中的至少一個資訊。本實施方式中，輸出資訊IF2包含第一異常主要原因資訊QD1及第二異常主要原因資訊QD2。第一異常主要原因資訊QD1相當於“第一輸出資訊”的一例，第二異常主要原因資訊QD2相當於“第二輸出資訊”的一例。
第一異常主要原因資訊QD1為與基板處理裝置300對處理對象基板W2進行處理時的處理流體有關的資訊，且為表示經處理流體進行處理後的處理對象基板W2的異常的主要原因的資訊。第二異常主要原因資訊QD2為與基板處理裝置300的零件有關的資訊，且為表示經處理流體進行處理後的處理對象基板W2的異常的主要原因的資訊。
顯示控制部65以顯示輸出資訊IF2的方式控制顯示部6E。其結果為，顯示部6E顯示輸出資訊IF2。
以上，如參照圖21所說明，根據本實施方式，學習完成的模型LM是藉由對包含第一特徵量資訊XD1的學習資料TND進行機器學習從而生成，所述第一特徵量資訊利用時間高精度地表示了時序資料TD1中的區間資料SX的時間推移的特徵。其結果為，藉由使用學習完成的模型LM，從而可高精度地推定處理對象基板W2的異常的主要原因。
而且，本實施方式中，若從基板處理裝置300將時序資料TD2作為原始資料直接輸入至異常主要原因推定裝置600，則前處理部81算出輸入資訊IF1。因此，不要求基板處理裝置300的用戶對時序資料TD2進行分析及加工。其結果為，可減輕用戶的負擔。
接下來，參照圖22對輸入資訊IF1進行說明。圖22為表示輸入資訊IF1的圖。如圖22所示，輸入資訊IF1的第一特徵量資訊PD1包含第一資訊P1～第六資訊P6中的至少一個資訊。圖22的示例中，第一特徵量資訊PD1包含第一資訊P1～第六資訊P6。
第一資訊P1為表示物理量向目標值增加時的物理量的狀態的資訊。第一資訊P1包含資訊a～資訊d中的至少一個資訊。第二資訊P2為表示物理量的超調量的資訊。第二資訊P2包含資訊e及資訊f中的至少一個資訊。第三資訊P3為表示物理量的變動的資訊。第三資訊P3包含資訊g～資訊i中的至少一個資訊。
第四資訊P4為表示物理量從目標值減少時的物理量的狀態的資訊。第四資訊P4包含資訊j～資訊m中的至少一個資訊。第五資訊P5為基板處理裝置300使用互不相同的兩個物體時，表示兩個物體中的一個物體的物理量與另一個物體的物理量的交疊的資訊。第五資訊P5包含資訊n～資訊p中的至少一個資訊。第六資訊P6為基板處理裝置300使用互不相同的至少兩個物體時，在時間軸上表示兩個物體中的一個物體與另一個物體的時間間隔的資訊。第六資訊P6包含資訊q。
圖22的示例中，第一資訊P1包含資訊a～資訊d。第二資訊P2包含資訊e及資訊f。第三資訊P3包含資訊g～資訊i。第四資訊P4包含資訊j～資訊m。第五資訊P5包含資訊n～資訊p。
第二特徵量資訊PD2包含處理順序資訊PA及批次間隔資訊PB中的至少一個資訊。圖22的示例中，第二特徵量資訊PD2包含處理順序資訊PA及批次間隔資訊PB。
第三特徵量資訊PD3包含區間資料SP、物體資訊IDC及物理量資訊IDD中的至少一個資訊。圖22的示例中，第三特徵量資訊PD3包含區間資料SP、物體資訊IDC及物理量資訊IDD。
此處，第一特徵量資訊PD1的內容與第一特徵量資訊XD1的內容相同。具體而言，第一資訊P1～第六資訊P6的內容分別與第一資訊X1～第六資訊X6的內容相同。第一資訊P1～第六資訊P6的資訊a～資訊q的內容分別與第一資訊X1～第六資訊X6的資訊a～資訊q的內容相同。而且，第二特徵量資訊PD2的內容與第二特徵量資訊XD2的內容相同。具體而言，處理順序資訊PA及批次間隔資訊PB的內容分別與處理順序資訊XA及批次間隔資訊XB的內容相同。進而，第三特徵量資訊PD3的內容與第三特徵量資訊XD3的內容相同。具體而言，區間資料SP、物體資訊IDC及物理量資訊IDD的內容分別與區間資料SX、物體資訊IDA及物理量資訊IDB的內容相同。而且，基板處理裝置300輸出的時序資料TD2的內容與基板處理裝置200輸出的時序資料TD1的內容相同。進而，區間資料SP的內容與區間資料SX的內容相同。
因此，藉由在第一特徵量資訊XD1、第一資訊X1～第六資訊X6、第一資訊X1～第六資訊X6的資訊a～資訊q、第二特徵量資訊XD2、處理順序資訊XA、批次間隔資訊XB、第三特徵量資訊XD3、區間資料SX、物體資訊IDA、物理量資訊IDB、時序資料TD1及區間資料SX的說明中（圖8～圖17），適當將獲取部611改稱為獲取部811，將特徵量計算部613改稱為特徵量計算部813，將儲存控制部63改稱為儲存控制部85，將記憶部4B改稱為記憶部6B，將基板處理裝置200改稱為基板處理裝置300，將學習對象基板W1改稱為處理對象基板W2，從而可替代為第一特徵量資訊PD1、第一資訊P1～第六資訊P6、第一資訊P1～第六資訊P6的資訊a～資訊q、處理順序資訊PA、批次間隔資訊PB、區間資料SP、物體資訊IDC、物理量資訊IDD、時序資料TD2、區間資料SP、獲取部811、特徵量計算部813、儲存控制部85及記憶部6B的說明。
接下來，參照圖23對輸出資訊IF2進行說明。圖23為表示輸出資訊IF2的圖。如圖23所示，輸出資訊IF2的第一異常主要原因資訊QD1包含第一主要原因資訊Q101～第九主要原因資訊Q109中的至少一個主要原因資訊。圖23的示例中，第一異常主要原因資訊QD1包含第一主要原因資訊Q101～第九主要原因資訊Q109。
第二異常主要原因資訊QD2包含第一主要原因資訊Q201～第七主要原因資訊Q207中的至少一個主要原因資訊。圖23的示例中，第二異常主要原因資訊QD2包含第一主要原因資訊Q201～第七主要原因資訊Q207。
此處，第一異常主要原因資訊QD1的內容與第一異常主要原因資訊YD1的內容相同。具體而言，第一主要原因資訊Q101～第九主要原因資訊Q109的內容分別與第一主要原因資訊Y101～第九主要原因資訊Y109 （圖17）的內容相同。而且，第二異常主要原因資訊QD2的內容與第二異常主要原因資訊YD2的內容相同。具體而言，第一主要原因資訊Q201～第七主要原因資訊Q207的內容分別與第一主要原因資訊Y201～第七主要原因資訊Y207（圖17）的內容相同。
因此，藉由在第一異常主要原因資訊YD1、第一主要原因資訊Y101～第九主要原因資訊Y109、第二異常主要原因資訊YD2、及第一主要原因資訊Y201～第七主要原因資訊Y207的說明中（圖8～圖17），適當將基板處理裝置200改稱為基板處理裝置300，將學習對象基板W1改稱為處理對象基板W2，從而可替代為第一異常主要原因資訊QD1、第一主要原因資訊Q101～第九主要原因資訊Q109、第二異常主要原因資訊QD2、及第一主要原因資訊Q201～第七主要原因資訊Q207的說明。
而且，和第一異常主要原因資訊YD1及第二異常主要原因資訊YD2與第一特徵量資訊XD1存在相關的情況同樣地，第一異常主要原因資訊QD1及第二異常主要原因資訊QD2與第一特徵量資訊PD1也存在相關。
接下來，參照圖21及圖24對異常主要原因推定裝置600執行的異常主要原因推定方法進行說明。圖24為表示本實施方式的異常主要原因推定方法的流程圖。如圖24所示，異常主要原因推定方法包括步驟S41～步驟S49。
如圖21及圖22所示，步驟S41中，異常主要原因推定裝置600的獲取部811從基板處理裝置300獲取時序資料TD2。
接著，步驟S42中，獲取部811從時序資料TD2中獲取至少一個區間資料SP。本實施方式中，獲取部811從時序資料TD2中獲取多個區間資料SP。
接著，步驟S43中，異常主要原因推定裝置600的特徵量計算部813基於多個區間資料SP而算出第一特徵量資訊PD1。具體而言，特徵量計算部813基於各區間資料SP，針對每個區間資料SP而算出構成第一特徵量資訊PD1的第一資訊P1、第二資訊P2、第三資訊P3、第四資訊P4、第五資訊P5或第六資訊P6。
接著，步驟S44中，異常主要原因推定裝置600的儲存控制部85以儲存第一特徵量資訊PD1、第二特徵量資訊PD2及第三特徵量資訊PD3作為輸入資訊IF1的方式控制記憶部6B。其結果為，記憶部6B儲存第一特徵量資訊PD1、第二特徵量資訊PD2及第三特徵量資訊PD3作為輸入資訊IF1。
接著，步驟S45中，推定部83從記憶部6B獲取輸入資訊IF1。
接著，步驟S46中，推定部83將輸入資訊IF1輸入至學習完成的模型LM。其結果為，學習完成的模型LM推定經處理流體進行處理後的處理對象基板W2的異常的主要原因，將輸出資訊IF2輸出。
較佳的是學習完成的模型LM按似然度(likelihood)從高到低的順序輸出構成輸出資訊IF2的第一主要原因資訊Q101～第九主要原因資訊Q109及第一主要原因資訊Q201～第七主要原因資訊Q207。
接著，步驟S47中，推定部83從學習完成的模型LM獲取輸出資訊IF2。輸出資訊IF2表示經處理流體進行處理後的處理對象基板W2的異常的主要原因。
接著，步驟S48中，儲存控制部85以儲存輸出資訊IF2的方式控制記憶部6B。其結果為，記憶部6B儲存輸出資訊IF2。
接著，步驟S49中，顯示控制部87以顯示輸出資訊IF2的方式控制顯示部6E。其結果為，顯示部6E顯示輸出資訊IF2。
較佳的是顯示控制部87以按似然度從高到低的順序顯示構成輸出資訊IF2的第一主要原因資訊Q101～第九主要原因資訊Q109及第一主要原因資訊Q201～第七主要原因資訊Q207的方式，控制顯示部6E。其結果為，顯示部6E按似然度從高到低的順序顯示第一主要原因資訊Q101～第九主要原因資訊Q109及第一主要原因資訊Q201～第七主要原因資訊Q207。
以上，藉由異常主要原因推定裝置600執行步驟S41～步驟S49，從而輸出與一片處理對象基板W2對應的一個輸出資訊IF2，處理結束。
以上的說明中，作為物體的物理量的典型例，主要對處理流體的流量進行了說明。以下，說明物體的物理量的其他例。
[物體：處理流體，物理量：溫度]在基板處理裝置200輸出的時序資料TD1表示溫度感測器TS所檢測的處理流體的溫度的情況下，第一特徵量資訊XD1例如包含第一資訊X1～第四資訊X4中的至少一個資訊。此時，在參照圖10等所說明的第一資訊X1～第四資訊X4的定義中，將處理流體改稱為溫度。藉由採用溫度作為時序資料TD1，利用機器學習來生成學習完成的模型LM，從而可利用學習完成的模型LM來推定基板W產生了蝕刻不良時的異常主要原因。其原因在於，尤其處理流體的溫度對蝕刻造成影響。
與學習階段的第一特徵量資訊XD1同樣地，利用階段的第一特徵量資訊PD1也另包含例如第一資訊P1～第四資訊P4中的至少一個資訊，將處理流體改稱為溫度。
[物體：處理流體，物理量：濃度]在基板處理裝置200輸出的時序資料TD1表示感測器SN所檢測的處理流體的濃度的情況下，第一特徵量資訊XD1例如包含第三資訊X3。此時，在參照圖10等所說明的第三資訊X3的定義中，將處理流體改稱為濃度。藉由採用濃度作為時序資料TD1，利用機器學習來生成學習完成的模型LM，從而可利用學習完成的模型LM來推定基板W產生了蝕刻不良時的異常主要原因。其原因在於，尤其處理流體的濃度對蝕刻造成影響。
與學習階段的第一特徵量資訊XD1同樣地，利用階段的第一特徵量資訊PD1也另包含例如第三資訊P3，將處理流體改稱為濃度。
[物體：旋轉卡盤13，物理量：轉速]在基板處理裝置200輸出的時序資料TD1為表示感測器SN所檢測的旋轉卡盤13的轉速的情況下，第一特徵量資訊XD1例如包含第一資訊X1～第四資訊X4中的至少一個資訊。此時，在參照圖10等所說明的第一資訊X1～第四資訊X4的定義中，將處理流體改稱為旋轉卡盤13，將流量改稱為轉速。藉由採用轉速作為時序資料TD1，利用機器學習來生成學習完成的模型LM，從而可利用學習完成的模型LM來推定基板W產生了顆粒不良時的異常主要原因。
與學習階段的第一特徵量資訊XD1同樣地，利用階段的第一特徵量資訊PD1也另包含例如第一資訊P1～第四資訊P4中的至少一個資訊，將處理流體改稱為旋轉卡盤13，將流量改稱為轉速。
[物體：阻斷板291，物理量：位置、位移、轉速]在基板處理裝置200輸出的時序資料TD1為表示感測器SN所檢測的阻斷板291的位置、位移或轉速的情況下，第一特徵量資訊XD1例如由可根據升降時的阻斷板291的位置或位移而算出的時間表示，或由旋轉時的阻斷板291的轉速自身表示。關於第一特徵量資訊PD1也同樣。
[物體：臂AM，物理量：位置、位移]在基板處理裝置200輸出的時序資料TD1為表示感測器SN所檢測的臂AM的位置或位移的情況下，第一特徵量資訊XD1例如由可根據執行掃描處理時的臂AM的位置或位移而算出的時間表示。關於第一特徵量資訊PD1也同樣。
[物體：護板33，物理量：位置、位移]在基板處理裝置200輸出的時序資料TD1表示感測器SN所檢測的護板33的位置或位移的情況下，第一特徵量資訊XD1例如由可根據護板33升降時的護板33的位置或位移而算出的時間表示。關於第一特徵量資訊PD1也同樣。
[物體：閥VB，物理量：開度]在基板處理裝置200輸出的時序資料TD1表示感測器SN所檢測的閥VB的開度的情況下，第一特徵量資訊XD1例如由閥VB開閉時的閥VB的開度的時間變化表示。關於第一特徵量資訊PD1也同樣。
接下來，對基板處理裝置200、基板處理裝置300使用的物體為處理流體，物體的物理量表示排出處理流體的排出管P7內的處理流體的物理量的情況進行說明。
[排出管P7的流量計FW3]在基板處理裝置200輸出的時序資料TD1為由插設於圖5所示的排出管P7的流量計FW3所檢測的處理流體的流量的情況下，第一特徵量資訊XD1為流量的時間推移的特徵部分由時間表示的資訊。關於第一特徵量資訊PD1也同樣。
[排出管P7的溫度感測器TS7]在基板處理裝置200輸出的時序資料TD1為由配置於圖5所示的排出管P7的溫度感測器TS7檢測的處理流體的溫度的情況下，第一特徵量資訊XD1為由時間表示溫度的時間推移的特徵部分的資訊。關於第一特徵量資訊PD1也同樣。
此處，圖1可表示基板處理裝置200、基板處理裝置300、學習資料製作裝置400、學習裝置500及異常主要原因推定裝置600的物理結構，或也可表示邏輯結構。因此，基板處理裝置200、基板處理裝置300、學習資料製作裝置400、學習裝置500及異常主要原因推定裝置600中的一部分或全部也可構成為一個裝置。
例如，基板處理裝置200也可包括學習資料製作裝置400。此時，例如基板處理裝置200的控制部3A及記憶部3B作為學習資料製作裝置400的處理部4A及記憶部4B發揮功能。
例如，基板處理裝置200也可包括學習資料製作裝置400及學習裝置500。此時，例如基板處理裝置200的控制部3A及記憶部3B作為學習資料製作裝置400的處理部4A及記憶部4B、以及學習裝置500的處理部5A及記憶部5B發揮功能。
例如，基板處理裝置200也可包括學習資料製作裝置400、學習裝置500及異常主要原因推定裝置600。此時，例如基板處理裝置200的控制部3A及記憶部3B作為學習資料製作裝置400的處理部4A及記憶部4B、學習裝置500的處理部5A及記憶部5B、異常主要原因推定裝置600的處理部6A及記憶部6B發揮功能。
同樣地，基板處理裝置200可包括學習資料製作裝置400，或也可包括學習資料製作裝置400及學習裝置500，或也可包括學習資料製作裝置400、學習裝置500及異常主要原因推定裝置600。
例如，異常主要原因推定裝置600也可包括學習裝置500。例如，異常主要原因推定裝置600也可包括學習裝置500及學習資料製作裝置400。此時，可省略前處理部81及學習資料製作部61中重複的功能。例如，學習裝置500也可包括學習資料製作裝置400。
例如，也可由服務器或主電腦經由網絡從異常主要原因推定裝置600接收輸出資訊IF2，並將輸出資訊IF2顯示於顯示裝置。
例如，也可將學習資料製作裝置400、學習裝置500及異常主要原因推定裝置600中的兩個以上組合，且所組合的裝置由服務器構成。
例如，學習資料製作裝置400、學習裝置500及異常主要原因推定裝置600中的至少一個可由服務器構成。
例如，對學習對象基板W1進行處理的基板處理裝置200可作為對處理對象基板W2進行處理的基板處理裝置300發揮功能，或也可相反。
例如，異常主要原因推定裝置600的前處理部81與推定部83也可作為分開的裝置而構成。
以上，參照圖式對本發明的實施方式進行了說明。但是，本發明不限於所述實施方式，可在不偏離其主旨的範圍內以各種形態實施。而且，所述實施方式中公開的多個結構元件可適當改變。例如，可將某個實施方式所示的所有結構元件中的某個結構元件追加至其他實施方式的結構元件，或也可將某個實施方式所示的所有結構元件中的若干結構元件從實施方式中刪除。
而且，圖式是為了使發明的理解容易，而主體上示意性地表示各結構元件，圖示的各結構元件的厚度、長度、個數、間隔等也有時為了方便製作圖式而與實際不同。而且，所述實施方式所示的各結構元件的結構為一例，並無特別限定，當然可在實質上不偏離本發明的效果的範圍內進行各種變更。
[工業可利用性]本發明涉及一種學習完成的模型生成方法、異常主要原因推定裝置、基板處理裝置、異常主要原因推定方法、學習方法、學習裝置及學習資料製作方法，具有工業可利用性。
1:處理裝置 3:控制裝置 3A:控制部 3B、4B、5B、6B:記憶部 3C、4C、5C、6C:通訊部 3D、4D、5D、6D:輸入部 3E、4E、5E、6E:顯示部 3F:流量計群 3G:溫度感測器群 3H:感測器群 4:處理流體箱 4A、5A、6A:處理部 5:處理流體櫃 11:腔室 13:旋轉卡盤 15:旋轉馬達 17、21、25、27、295、297、NZ:噴嘴 19、23:噴嘴移動部 29:流體供給單元 31:單元動作部 33:護板 50:處理流體罐 51:循環配管 52:上游配管 53:個別配管 54:下游配管 55:泵 56:脈衝阻尼器 57:過濾器 58:溫度調節器 61:資料製作部 63、75、85:儲存控制部 65、77、87:顯示控制部 71、611、811:獲取部 73:學習部 81:前處理部 83:推定部 100:基板處理系統 130:卡盤構件 131:旋轉底座 150:馬達本體 151:軸 191、231、AM:臂 193、233:轉動軸 195、235:噴嘴移動機構 200、300:基板處理裝置 291:阻斷板 293:支軸 400:學習資料製作裝置 500:學習裝置 600:異常主要原因推定裝置 613、813:特徵量計算部 A1、A2:面積 AX:旋轉軸線 a～q:資訊 CD:處理條件資訊 CR:中央機器人 FL、FL1、FL2:流量 FW、FW1、FW2、FW3:流量計 G1～G6:配管 GA:惰性氣體 IDA、IDC:物體資訊 IDB、IDD:物理量資訊 IF1:輸入資訊 IF2:輸出資訊 IN:交點 IR:分度器機器人 LM:學習完成的模型 LP:裝載端口 LQ1、LQ3、LQ4、LQ5、LQ21、LQ22:處理液 MN:局部最小值 MX:最大值 MXN:混合部 P1、X1:第一資訊 P2、X2:第二資訊 P3、X3:第三資訊 P4、X4:第四資訊 P5、X5:第五資訊 P6、X6:第六資訊 P7:排出管 PA、XA:處理順序資訊 PB、XB:批次間隔資訊 PD1、XD1:第一特徵量資訊 PD2、XD2:第二特徵量資訊 PD3、XD3:第三特徵量資訊 PG1:控制程式 PG2:學習資料製作程式 PG3:處理程式 PG4:學習程式 PG5:推定程式 PM:參數資訊 Q101、Q201、Y101、Y201:第一主要原因資訊 Q102、Q202、Y102、Y202:第二主要原因資訊 Q103、Q203、Y103、Y203:第三主要原因資訊 Q104、Q204、Y104、Y204:第四主要原因資訊 Q105、Q205、Y105、Y205:第五主要原因資訊 Q106、Q206、Y106、Y206:第六主要原因資訊 Q107、Q207、Y107、Y207:第七主要原因資訊 Q108、Y108:第八主要原因資訊 Q109、Y109:第九主要原因資訊 QD1、YD1:第一異常主要原因資訊 QD2、YD2:第二異常主要原因資訊 RG1:第一規定範圍 RG2:第二規定範圍 RP:配方資訊 S1～S10、S21～S25、S31～S34、S41～S49:步驟 SN:感測器 SNS:檢測計群 SP、SX、SX1、SX2:區間資料 T11～T14、T21～T24、T31～T34、T41～T44、T51、T61:時間區間 TD、TD1、TD2:時序資料 TD11～TD14:個別時序資料 TG:目標值 TND:學習資料 TS、TS1～TS7:溫度感測器 TW:塔 t1～t10:時間 ta:上升開始時 tb:上升時、上升疑似完成時 tc、te:基準時 td:流量的變動進入第一規定範圍內時 tf:穩定狀態時 tg:下降開始時 th:下降時、下降疑似完成時 tx:噴出控制開始時 ty:噴出控制停止時 V1～V6:流體供給部 V11、V12、V21、V22、V23、VB:閥 W:基板 W1:學習對象基板 W2:處理對象基板 XD:特徵量 YD:異常主要原因資訊 θ1、θ2:傾斜角
圖1為表示本發明的實施方式的基板處理系統的方塊圖。 圖2為表示本實施方式的基板處理裝置的示意性平面圖。 圖3為表示本實施方式的基板處理裝置的處理裝置的示意性截面圖。 圖4（a）為表示本實施方式的流體供給部的圖，圖4（b）為表示本實施方式的另一流體供給部的圖。 圖5為表示本實施方式的基板處理裝置的圖。 圖6為表示本實施方式的基板處理裝置的控制裝置的方塊圖。 圖7為表示本實施方式的基板處理方法的流程圖。 圖8為表示本實施方式的學習資料製作裝置的方塊圖。 圖9為表示本實施方式的時序資料的一例的圖表。 圖10為表示本實施方式的特徵量的圖。 圖11（a）為表示本實施方式的第一特徵量資訊所含的第一資訊的計算方法的一例的圖，圖11（b）為表示第一資訊的計算方法的另一例的圖，圖11（c）為表示第一資訊的計算方法的進而另一例的圖。 圖12為表示本實施方式的第一特徵量資訊所含的第二資訊的計算方法的一例的圖。 圖13為表示本實施方式的第一特徵量資訊所含的第三資訊的計算方法的一例的圖。 圖14（a）為表示本實施方式的第一特徵量資訊所含的第四資訊的計算方法的一例的圖，圖14（b）為表示第四資訊的計算方法的另一例的圖，圖14（c）為表示第四資訊的計算方法的進而另一例的圖。 圖15為表示本實施方式的第一特徵量資訊所含的第五資訊的計算方法的一例的圖。 圖16為表示本實施方式的第一特徵量資訊所含的第六資訊的計算方法的一例的圖。 圖17為表示本實施方式的異常主要原因資訊的圖。 圖18為表示本實施方式的學習資料製作方法的流程圖。 圖19為表示本實施方式的學習裝置的方塊圖。 圖20為表示本實施方式的學習方法的流程圖。 圖21為表示本實施方式的異常主要原因推定裝置的方塊圖。 圖22為表示本實施方式的輸入資訊的圖。 圖23為表示本實施方式的輸出資訊的圖。 圖24為表示本實施方式的異常主要原因推定方法的流程圖。
S31~S34:步驟

Claims (22)

  1. 一種學習完成的模型生成方法，包括下述步驟： 獲取學習資料；以及 藉由對所述學習資料進行機器學習，從而生成學習完成的模型，所述學習完成的模型推定經處理流體處理後的處理對象基板的異常的主要原因， 所述學習資料包含特徵量及異常主要原因資訊， 所述異常主要原因資訊表示經所述處理流體處理後的學習對象基板的異常的主要原因， 所述特徵量包含第一特徵量資訊，所述第一特徵量資訊是表示時序資料中的區間資料的時間推移的特徵，所述時序資料表示利用所述處理流體對所述學習對象基板進行處理的基板處理裝置使用的物體的物理量， 所述第一特徵量資訊由時間表示。
  2. 如請求項1所述的學習完成的模型生成方法，其中， 所述異常主要原因資訊包含第一異常主要原因資訊及第二異常主要原因資訊中的至少一個資訊， 所述第一異常主要原因資訊為與所述基板處理裝置對所述學習對象基板進行處理時的所述處理流體有關的資訊， 所述第二異常主要原因資訊為與所述基板處理裝置的零件有關的資訊。
  3. 如請求項1或2所述的學習完成的模型生成方法，其中， 所述第一特徵量資訊包含第一資訊、第二資訊、第三資訊、第四資訊、第五資訊及第六資訊中的至少一個資訊， 所述第一資訊為表示所述物理量向目標值增加時的所述物理量的狀態的資訊， 所述第二資訊為表示所述物理量的超調量的資訊， 所述第三資訊為表示所述物理量的變動的資訊， 所述第四資訊為表示所述物理量從所述目標值減少時的所述物理量的狀態的資訊， 所述第五資訊為所述基板處理裝置使用互不相同的至少兩個所述物體時，表示所述兩個物體中的一個物體的所述物理量與另一個物體的所述物理量的交疊的資訊， 所述第六資訊為在時間軸上表示所述其中一個物體與所述另一個物體的時間間隔的資訊。
  4. 如請求項1或2所述的學習完成的模型生成方法，其中， 所述物體為所述處理流體， 所述物理量表示排出所述處理流體的排出管內的所述處理流體的物理量。
  5. 如請求項1或2所述的學習完成的模型生成方法，其中， 所述物體為所述處理流體， 所述物理量表示所述處理流體的流量、所述處理流體的溫度或所述處理流體的濃度。
  6. 如請求項1或2所述的學習完成的模型生成方法，其中， 所述物體為使所述學習對象基板旋轉的基板保持部、使向所述學習對象基板噴出所述處理流體的噴嘴移動的臂、承接從所述學習對象基板飛散的所述處理流體的護板、或調節所述處理流體的流動的閥， 在所述物體為所述基板保持部的情況下，所述物理量表示與所述基板保持部的動作及/或狀態有關的量， 在所述物體為所述臂的情況下，所述物理量表示與所述臂的動作及/或狀態有關的量， 在所述物體為所述護板的情況下，所述物理量表示與所述護板的動作及/或狀態有關的量， 在所述物體為所述閥的情況下，所述物理量表示與所述閥的動作及/或狀態有關的量。
  7. 如請求項1或2所述的學習完成的模型生成方法，其中， 所述物體包含空開間隔地覆蓋所述學習對象基板的上表面的阻斷板， 在所述物體為所述阻斷板的情況下，所述物理量表示與所述阻斷板的動作及/或狀態有關的量。
  8. 如請求項1或2所述的學習完成的模型生成方法，其中， 所述特徵量還包含第二特徵量資訊， 所述第二特徵量資訊為表示對構成一個批次的預定數量的所述學習對象基板的處理順序的處理順序資訊、或表示對批次的處理結束到對下一批次的處理開始為止的時間間隔的批次間隔資訊。
  9. 一種異常主要原因推定裝置，推定經處理流體處理後的處理對象基板的異常的主要原因，且包括： 記憶部，儲存藉由對學習資料進行機器學習從而構建的學習完成的模型；以及 推定部，將輸入資訊輸入至所述學習完成的模型，並從所述學習完成的模型獲取輸出資訊， 所述學習資料包含特徵量及異常主要原因資訊， 所述異常主要原因資訊表示經所述處理流體處理後的學習對象基板的異常的主要原因， 所述特徵量包含第一特徵量資訊，所述第一特徵量資訊是表示時序資料中的區間資料的時間推移的特徵，所述時序資料表示利用所述處理流體對所述學習對象基板進行處理的基板處理裝置使用的物體的物理量，所述第一特徵量資訊由時間表示， 所述輸入資訊包含第一輸入資訊，所述第一輸入資訊表示時序資料中的區間資料的時間推移的特徵，所述時序資料表示利用所述處理流體對所述處理對象基板進行處理的基板處理裝置使用的物體的物理量，所述第一輸入資訊由時間表示， 所述輸出資訊表示經所述處理流體處理後的所述處理對象基板的異常的主要原因。
  10. 如請求項9所述的異常主要原因推定裝置，其中， 所述異常主要原因資訊包含第一異常主要原因資訊及第二異常主要原因資訊中的至少一個資訊， 所述第一異常主要原因資訊為與所述基板處理裝置對所述學習對象基板進行處理時的所述處理流體有關的資訊， 所述第二異常主要原因資訊為與對所述學習對象基板進行處理的所述基板處理裝置的零件有關的資訊， 所述輸出資訊包含第一輸出資訊及第二輸出資訊中的至少一個資訊， 所述第一輸出資訊為與所述基板處理裝置對所述處理對象基板進行處理時的所述處理流體有關的資訊， 所述第二輸出資訊為與對所述處理對象基板進行處理的所述基板處理裝置的零件有關的資訊。
  11. 如請求項9或10所述的異常主要原因推定裝置，其中， 所述第一特徵量資訊及所述第一輸入資訊各自包含第一資訊、第二資訊、第三資訊、第四資訊、第五資訊及第六資訊中的至少一個資訊， 所述第一資訊為表示所述物理量向目標值增加時的所述物理量的狀態的資訊， 所述第二資訊為表示所述物理量的超調量的資訊， 所述第三資訊為表示所述物理量的變動的資訊， 所述第四資訊為表示所述物理量從所述目標值減少時的所述物理量的狀態的資訊， 所述第五資訊為所述基板處理裝置使用互不相同的至少兩個所述物體時，表示所述兩個物體中的一個物體的所述物理量與另一個物體的所述物理量的交疊的資訊， 所述第六資訊為在時間軸上表示所述其中一個物體與所述另一個物體的時間間隔的資訊。
  12. 如請求項9或10所述的異常主要原因推定裝置，其中， 所述物體為所述處理流體， 所述物理量表示排出所述處理流體的排出管內的所述處理流體的物理量。
  13. 如請求項9或10所述的異常主要原因推定裝置，其中， 所述物體為所述處理流體， 所述物理量表示所述處理流體的流量、所述處理流體的溫度或所述處理流體的濃度。
  14. 如請求項9或10所述的異常主要原因推定裝置，其中， 對所述學習對象基板進行處理的所述基板處理裝置使用的所述物體為使所述學習對象基板旋轉的基板保持部、使向所述學習對象基板噴出所述處理流體的噴嘴移動的臂、承接從所述學習對象基板飛散的所述處理流體的護板、或調節所述處理流體的流動的閥， 對所述處理對象基板進行處理的所述基板處理裝置使用的所述物體為使所述處理對象基板旋轉的基板保持部、使向所述處理對象基板噴出所述處理流體的噴嘴移動的臂、承接從所述處理對象基板飛散的所述處理流體的護板、或調節所述處理流體的流動的閥， 在所述物體為所述基板保持部的情況下，所述物理量表示與所述基板保持部的動作及/或狀態有關的量， 在所述物體為所述臂的情況下，所述物理量表示與所述臂的動作及/或狀態有關的量， 在所述物體為所述護板的情況下，所述物理量表示與所述護板的動作及/或狀態有關的量， 在所述物體為所述閥的情況下，所述物理量表示與所述閥的動作及/或狀態有關的量。
  15. 如請求項9或10所述的異常主要原因推定裝置，其中， 對所述學習對象基板進行處理的所述基板處理裝置使用的所述物體包含空開間隔地覆蓋所述學習對象基板的上表面的阻斷板， 對所述處理對象基板進行處理的所述基板處理裝置使用的所述物體包含空開間隔地覆蓋所述處理對象基板的上表面的阻斷板， 在所述物體為所述阻斷板的情況下，所述物理量表示與所述阻斷板的動作及/或狀態有關的量。
  16. 如請求項9或10所述的異常主要原因推定裝置，其中， 所述特徵量還包含第二特徵量資訊， 所述第二特徵量資訊為表示對構成一個批次的預定數量的所述學習對象基板的處理順序的處理順序資訊、或表示對批次的處理結束到對下一批次的處理開始為止的時間間隔的批次間隔資訊， 所述輸入資訊還包含與所述處理對象基板有關的第二輸入資訊， 所述第二輸入資訊為表示對構成一個批次的預定數量的所述處理對象基板的處理順序的處理順序資訊、或表示對批次的處理結束到對下一批次的處理開始為止的時間間隔的批次間隔資訊。
  17. 一種基板處理裝置，包括： 如請求項9至16中任一項所述的異常主要原因推定裝置；以及 處理裝置，對基板進行處理。
  18. 一種學習完成的模型，是藉由對學習資料進行機器學習而構建的，並以推定經處理流體處理後的處理對象基板的異常的主要原因的方式，來使電腦發揮功能，其特徵在於: 所述學習資料包含特徵量及異常主要原因資訊， 所述異常主要原因資訊表示經所述處理流體處理後的學習對象基板的異常的主要原因， 所述特徵量包含特徵量資訊，所述特徵量資訊是表示時序資料中的區間資料的時間推移的特徵，所述時序資料表示利用所述處理流體對所述學習對象基板進行處理的基板處理裝置使用的物體的物理量， 所述特徵量資訊由時間表示， 把輸入資訊輸入對輸出資訊進行輸出，以此方式使所述電腦發揮功能， 所述輸入資訊包含的資訊是是表示時序資料中的區間資料的時間推移的特徵，所述時序資料表示利用所述處理流體對所述處理對象基板進行處理的基板處理裝置使用的物體的物理量， 所述資訊是由時間表示， 所述輸出資訊是示出由所述處理流體處理後的所述處理對象基板的異常的主要原因。
  19. 一種異常主要原因推定方法，推定經處理流體處理後的處理對象基板的異常的主要原因，且包括下述步驟： 獲取輸入資訊；以及 將所述輸入資訊輸入至藉由對學習資料進行機器學習從而構建的學習完成的模型，並從所述學習完成的模型獲取輸出資訊， 所述學習資料包含特徵量及異常主要原因資訊， 所述異常主要原因資訊表示經所述處理流體處理後的學習對象基板的異常的主要原因， 所述特徵量包含特徵量資訊，所述特徵量資訊表示時序資料中的區間資料的時間推移的特徵，所述時序資料表示利用所述處理流體對所述學習對象基板進行處理的基板處理裝置使用的物體的物理量，所述特徵量資訊由時間表示， 所述輸入資訊包含的資訊表示時序資料中的區間資料的時間推移的特徵，所述時序資料表示利用所述處理流體對所述處理對象基板進行處理的基板處理裝置使用的物體的物理量，所述資訊由時間表示， 所述輸出資訊表示經所述處理流體處理後的所述處理對象基板的異常的主要原因。
  20. 一種學習方法，包括下述步驟： 獲取學習資料；以及 對所述學習資料進行機器學習， 所述學習資料包含特徵量及異常主要原因資訊， 所述異常主要原因資訊表示經處理流體處理後的學習對象基板的異常的主要原因， 所述特徵量包含特徵量資訊，所述特徵量資訊表示時序資料中的區間資料的時間推移的特徵，所述時序資料表示利用所述處理流體對所述學習對象基板進行處理的基板處理裝置使用的物體的物理量， 所述特徵量資訊由時間表示。
  21. 一種學習裝置，包括： 記憶部，儲存學習資料；以及 學習部，對所述學習資料進行機器學習， 所述學習資料包含特徵量及異常主要原因資訊， 所述異常主要原因資訊表示經處理流體處理後的學習對象基板的異常的主要原因， 所述特徵量包含特徵量資訊，所述特徵量資訊表示時序資料中的區間資料的時間推移的特徵，所述時序資料表示利用所述處理流體對所述學習對象基板進行處理的基板處理裝置使用的物體的物理量， 所述特徵量資訊由時間表示。
  22. 一種學習資料製作方法，包括下述步驟： 從時序資料中獲取至少一個區間資料，所述時序資料表示利用處理流體對學習對象基板進行處理的基板處理裝置使用的物體的物理量； 算出表示所述區間資料的時間推移的特徵的特徵量資訊；以及 以將異常主要原因資訊關聯於所述特徵量資訊而儲存的方式控制記憶部， 所述異常主要原因資訊表示經所述處理流體處理後的所述學習對象基板的異常的主要原因， 所述特徵量資訊由時間表示， 所述特徵量資訊及所述異常主要原因資訊構成作為機器學習的對象的學習資料。
TW110107643A 2020-03-24 2021-03-04 學習完成的模型生成方法、異常主要原因推定裝置、基板處理裝置及方法、學習完成的模型、異常主要原因推定方法、學習方法、學習裝置以及學習資料製作方法 TWI792209B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2020-052983 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
TW202205040A true TW202205040A (zh) 2022-02-01
TWI792209B TWI792209B (zh) 2023-02-11

Family

ID=77808895

Family Applications (2)

Application Number Title Priority Date Filing Date
TW110107643A TWI792209B (zh) 2020-03-24 2021-03-04 學習完成的模型生成方法、異常主要原因推定裝置、基板處理裝置及方法、學習完成的模型、異常主要原因推定方法、學習方法、學習裝置以及學習資料製作方法
TW112100003A TWI849667B (zh) 2020-03-24 2021-03-04 學習完成的模型生成方法、異常主要原因推定裝置、學習完成的模型、異常主要原因推定方法、學習方法、學習裝置以及學習資料製作方法

Family Applications After (1)

Application Number Title Priority Date Filing Date
TW112100003A TWI849667B (zh) 2020-03-24 2021-03-04 學習完成的模型生成方法、異常主要原因推定裝置、學習完成的模型、異常主要原因推定方法、學習方法、學習裝置以及學習資料製作方法

Country Status (5)

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

Families Citing this family (6)

* 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
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
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
JP2024147866A (ja) * 2023-04-04 2024-10-17 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

Family Cites Families (36)

* 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
US20070010906A1 (en) * 2005-07-11 2007-01-11 Tokyo Electron Limited Apparatus and system for monitoring a substrate processing, program for monitoring the processing and storage medium storing same
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
WO2007088872A1 (ja) * 2006-02-03 2007-08-09 Nikon Corporation 基板処理方法、基板処理システム、プログラム及び記録媒体
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
JP5414703B2 (ja) * 2011-01-20 2014-02-12 東京エレクトロン株式会社 処理装置の異常診断方法及びその異常診断システム
US9135103B2 (en) * 2012-02-16 2015-09-15 Mentor Graphics Corporation Hybrid memory failure bitmap classification
WO2015199258A1 (ko) * 2014-06-25 2015-12-30 삼성전자 주식회사 진단모델 생성 시스템 및 방법
AU2017333493B2 (en) * 2016-09-29 2022-12-22 Cywat Technologies Ltd. A system and method for constant online water quality and safety monitoring of a fluid system
JP2018107338A (ja) * 2016-12-27 2018-07-05 株式会社Sumco ウェーハの洗浄方法
JP6986947B2 (ja) * 2017-01-19 2021-12-22 東京エレクトロン株式会社 基板処理装置、温度制御方法及び温度制御プログラム
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
JP6785699B2 (ja) * 2017-03-28 2020-11-18 東京エレクトロン株式会社 基板処理システム及び制御装置
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
JP7030440B2 (ja) * 2017-07-27 2022-03-07 株式会社Ｓｃｒｅｅｎホールディングス 基板処理方法、基板処理液及び基板処理装置
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
US11187992B2 (en) * 2017-10-23 2021-11-30 Applied Materials, Inc. Predictive modeling of metrology in semiconductor processes
US10579041B2 (en) * 2017-12-01 2020-03-03 Applied Materials, Inc. Semiconductor process control method
JP7090430B2 (ja) * 2018-02-08 2022-06-24 株式会社Ｓｃｒｅｅｎホールディングス データ処理方法、データ処理装置、および、データ処理プログラム
JP7038563B2 (ja) * 2018-02-15 2022-03-18 東京エレクトロン株式会社 基板処理装置、流量制御方法及び流量制御プログラム
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
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
JP7134033B2 (ja) * 2018-09-06 2022-09-09 東京エレクトロン株式会社 基板状態判定装置、基板処理装置、モデル作成装置及び基板状態判定方法
US11568198B2 (en) * 2018-09-12 2023-01-31 Applied Materials, Inc. Deep auto-encoder for equipment health monitoring and fault detection in semiconductor and display process equipment tools
US11443966B2 (en) * 2020-01-17 2022-09-13 Taiwan Semiconductor Manufacturing Co., Ltd. Semiconductor processing flow field control apparatus and method

Also Published As

Publication number Publication date
US20210304032A1 (en) 2021-09-30
TW202318126A (zh) 2023-05-01
JP2021152762A (ja) 2021-09-30
TWI792209B (zh) 2023-02-11
TWI849667B (zh) 2024-07-21
KR20210119289A (ko) 2021-10-05
KR102583402B1 (ko) 2023-09-27
CN113448307A (zh) 2021-09-28

Similar Documents

Publication Publication Date Title
TW202205040A (zh) 學習完成的模型生成方法、異常主要原因推定裝置、基板處理裝置、學習完成的模型、異常主要原因推定方法、學習方法、學習裝置以及學習資料製作方法
JP7510436B2 (ja) 基板処理システムのためのモデルベースのスケジュール設定
CN100476733C (zh) 用于工具上半导体仿真的系统和方法
KR101003558B1 (ko) 전기적 가공 제어를 위한 확률 제약 최적화
Chang et al. Virtual metrology technique for semiconductor manufacturing
US8812266B2 (en) Abnormality determination system and abnormality determination method for processing apparatus
Zhang et al. Fault detection strategy based on weighted distance of $ k $ nearest neighbors for semiconductor manufacturing processes
US10895539B2 (en) In-situ chamber clean end point detection systems and methods using computer vision systems
CN1860487A (zh) 使用第一原理仿真分析半导体处理工具执行的处理的系统和方法
JP2012515984A (ja) 多変量モデルによる製造工程の制御
JPWO2019182913A5 (zh)
CN101976045B (zh) 用于tft-lcd蚀刻制程的面板品质虚拟量测方法与系统
Su et al. Accuracy and real-time considerations for implementing various virtual metrology algorithms
JP2012515984A5 (zh)
CN111177970B (zh) 基于高斯过程和卷积神经网络的多阶段半导体过程虚拟计量方法
CN115769336A (zh) 加工设备的控制
US11378426B2 (en) System and method for monitoring sensor linearity as part of a production process
TW202123353A (zh) 用於基板處理系統的自動化控制及檢測之整合式硬體軟體電腦視覺系統
US20120016643A1 (en) Virtual measuring system and method for predicting the quality of thin film transistor liquid crystal display processes
US20060151112A1 (en) Substrate treating system, substrate treating device, program, and recording medium
KR20090030252A (ko) 시간 가중 이동 평균 필터
JP2016152396A (ja) 処理液供給装置、処理液供給方法及び記憶媒体
JP2006228911A (ja) 半導体製造装置、コンピュータプログラム及び記憶媒体
Tin et al. A realizable overlay virtual metrology system in semiconductor manufacturing: Proposal, challenges and future perspective
KR20170074942A (ko) 측정 데이터의 생산 툴 위치 및 배치 또는 처리 시간으로의 매핑