WO2021117719A1 - 荷電粒子照射装置、システム、方法及びプログラム - Google Patents

荷電粒子照射装置、システム、方法及びプログラム Download PDF

Info

Publication number
WO2021117719A1
WO2021117719A1 PCT/JP2020/045663 JP2020045663W WO2021117719A1 WO 2021117719 A1 WO2021117719 A1 WO 2021117719A1 JP 2020045663 W JP2020045663 W JP 2020045663W WO 2021117719 A1 WO2021117719 A1 WO 2021117719A1
Authority
WO
WIPO (PCT)
Prior art keywords
charged
state
irradiation
estimated
control parameters
Prior art date
Application number
PCT/JP2020/045663
Other languages
English (en)
French (fr)
Inventor
高橋　克幸
天海 金
浩一 高木
勝也 久保
優希 金田
山口　晋一
功 日吉
隆一 竹内
秀海 永田
Original Assignee
シシド静電気株式会社
国立大学法人岩手大学
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 シシド静電気株式会社, 国立大学法人岩手大学 filed Critical シシド静電気株式会社
Priority to CN202080085060.1A priority Critical patent/CN114830830A/zh
Priority to EP20898973.1A priority patent/EP4075925A4/en
Priority to KR1020227017950A priority patent/KR20220112763A/ko
Publication of WO2021117719A1 publication Critical patent/WO2021117719A1/ja
Priority to US17/835,299 priority patent/US20220301819A1/en

Links

Images

Classifications

    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
    • H01J37/32—Gas-filled discharge tubes
    • H01J37/32009—Arrangements for generation of plasma specially adapted for examination or treatment of objects, e.g. plasma sources
    • H01J37/32321—Discharge generated by other radiation
    • H01J37/3233—Discharge generated by other radiation using charged particles
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01T—SPARK GAPS; OVERVOLTAGE ARRESTERS USING SPARK GAPS; SPARKING PLUGS; CORONA DEVICES; GENERATING IONS TO BE INTRODUCED INTO NON-ENCLOSED GASES
    • H01T19/00—Devices providing for corona discharge
    • H01T19/04—Devices providing for corona discharge having pointed electrodes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
    • H01J37/32—Gas-filled discharge tubes
    • H01J37/32009—Arrangements for generation of plasma specially adapted for examination or treatment of objects, e.g. plasma sources
    • H01J37/32018—Glow discharge
    • H01J37/32036—AC powered
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01T—SPARK GAPS; OVERVOLTAGE ARRESTERS USING SPARK GAPS; SPARKING PLUGS; CORONA DEVICES; GENERATING IONS TO BE INTRODUCED INTO NON-ENCLOSED GASES
    • H01T23/00—Apparatus for generating ions to be introduced into non-enclosed gases, e.g. into the atmosphere
    • H—ELECTRICITY
    • H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
    • H05F—STATIC ELECTRICITY; NATURALLY-OCCURRING ELECTRICITY
    • H05F3/00—Carrying-off electrostatic charges
    • H05F3/04—Carrying-off electrostatic charges by means of spark gaps or other discharge devices
    • 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
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J2237/00—Discharge tubes exposing object to beam, e.g. for analysis treatment, etching, imaging
    • H01J2237/04—Means for controlling the discharge
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J2237/00—Discharge tubes exposing object to beam, e.g. for analysis treatment, etching, imaging
    • H01J2237/06—Sources
    • H01J2237/063—Electron sources
    • H01J2237/06375—Arrangement of electrodes

Definitions

  • the present invention relates to, for example, an apparatus for irradiating a charged object with charged particles such as ions.
  • the static eliminator is a device that neutralizes the charged charge by irradiating the charged object with ions that are positively or negatively charged by corona discharge or the like (for example, Patent Document 1).
  • the static eliminator is used in the manufacturing process of various products such as electronic devices, liquid crystals, semiconductors, etc., and contributes to the improvement of the yield of the target products.
  • the technique of irradiating charged particles is used in various situations such as a semiconductor process and a thin film process, in addition to the static elimination device.
  • the target charged material is transferred to the target charged state as quickly as possible. Is desirable.
  • the present invention has been made to solve the above-mentioned technical problems, and an object of the present invention is a charged particle capable of quickly bringing a charged substance in a predetermined charged state closer to a target charged state.
  • the purpose is to provide an irradiation device and the like.
  • the charged particle irradiating device is a charged particle irradiating device that irradiates a charged object with charged particles, and has a pre-irradiation charged state that is a charged state of the charged object before irradiating the charged particles.
  • the charged particles can be selected as the control parameters.
  • the pre-irradiation charged state and a plurality of control parameters are input to the trained model and the trained model that generate the estimated charged state which is the charged state of the charged object after being controlled and irradiated under the control.
  • the estimated charging state generating unit that generates the pre-irradiation charging state and the plurality of estimated charging states corresponding to the plurality of control parameters, and the estimated charging state closest to the target charging state are selected from the plurality of estimated charging states. It is provided with a selection unit and an irradiation unit that controls the charged particles based on the control parameter corresponding to the selected estimated charging state and irradiates the charged object.
  • the charged particles are irradiated to the charged object based on the control parameter corresponding to the estimated charged state closest to the target charged state, so that the charged object in the predetermined charged state is quickly targeted charged. It becomes possible to approach the state.
  • the charged particle irradiation device further operates the pre-irradiation state detection unit, the estimated charge state generation unit, the selection unit, and the irradiation unit in order for a predetermined set irradiation time, whereby the plurality of controls are controlled. It may be provided with a switching unit that controls the charged particles based on the parameters and irradiates the charged object.
  • the control amount may be a voltage applied for irradiating charged particles in the irradiation unit.
  • the control parameter may be the duty ratio of the voltage applied to irradiate the charged particles in the irradiation unit.
  • the estimated charging state may be the amount of time change of the charging state corresponding to the control parameter.
  • the charged particle irradiator further irradiates the charged object with electrically neutral charged particles when the pre-irradiation charged state matches or is close to the target charged state. It may be provided with a part.
  • the charged state of the charged object may be the potential or current of the charged object.
  • the trained model may be a trained model obtained by machine learning a learning model using a tree structure.
  • the charged particle irradiation device further includes a post-irradiation state detection unit that detects a post-irradiation charged state, which is a charged state of the charged object after a lapse of a predetermined time after irradiating the charged particles with the irradiation unit, and the irradiation
  • a machine learning unit that performs machine learning based on the pre-charged state, the control parameters corresponding to the selected estimated charged state, and the post-irradiation charged state, and updates the trained model. May be good.
  • the present invention can also be conceived as a static elimination device. That is, the static eliminator according to the present invention is a static eliminator that irradiates a charged object with charged particles, and detects a pre-irradiation charged state that is a charged state of the charged object before irradiating the charged particles.
  • the state detection unit and control parameters related to the charged state of the charged object and the control amount used for controlling the charged particles irradiated to the charged object the charged particles are controlled under the control parameters.
  • the pre-irradiation charging state and a plurality of control parameters are input to the trained model and the trained model that generate an estimated charged state that is the charged state of the charged object after irradiation, and the pre-irradiation charging is performed.
  • An estimated charge state generator that generates a state and a plurality of estimated charge states corresponding to the plurality of control parameters, and a selection unit that selects an estimated charge state closest to the target charge state from the plurality of estimated charge states. It includes an irradiation unit that controls the charged particles based on the control parameters corresponding to the selected estimated charging state and irradiates the charged object.
  • the present invention can be thought of as a charged particle irradiation system. That is, the charged particle irradiation system according to the present invention is a charged particle irradiation system that irradiates a charged object with charged particles, and detects a pre-irradiation charged state which is a charged state of the charged object before irradiating the charged particles.
  • the charged particles are placed under the control parameters.
  • the pre-irradiation charged state and a plurality of control parameters are input to the trained model and the trained model that generate the estimated charged state which is the charged state of the charged object after being controlled and irradiated with.
  • the estimated charging state closest to the target charging state is selected from the estimated charging state generating unit that generates the pre-irradiation charging state and the plurality of estimated charging states corresponding to the plurality of control parameters, and the plurality of estimated charging states.
  • an irradiation unit that controls the charged particles based on the control parameter corresponding to the selected estimated charging state and irradiates the charged object.
  • the present invention can be conceived as a charged particle irradiation method. That is, the charged particle irradiation method according to the present invention is a control method of a charged particle irradiating device that irradiates a charged object with charged particles, and the charged particle irradiating device is applied to a charged state of the charged object and the charged object.
  • the charged particle irradiating device is applied to a charged state of the charged object and the charged object.
  • the control method comprises a pre-irradiation state detection step of detecting a pre-irradiation charged state, which is a charged state of a charged object before irradiating charged particles, and the trained model.
  • the pre-irradiation charging state and a plurality of control parameters are input to generate a plurality of estimated charging states corresponding to the pre-irradiation charging state and the plurality of control parameters, and the plurality of estimations.
  • the charged particles are controlled to irradiate the charged object based on the selection step of selecting the estimated charged state closest to the target charged state from the charged states and the control parameters corresponding to the selected estimated charged state. , With an irradiation step.
  • the present invention can be thought of as a computer program. That is, the computer program according to the present invention is a charged particle irradiator that irradiates a computer with charged particles, and sets a pre-irradiation charged state that is a charged state of the charged object before irradiating the charged particles.
  • the charged particles can be controlled by the control parameters.
  • the pre-irradiation charged state and a plurality of control parameters are input to the trained model and the trained model that generate an estimated charged state that is the charged state of the charged object after being controlled and irradiated under the control.
  • the estimated charging state generating unit that generates the pre-irradiation charging state and the plurality of estimated charging states corresponding to the plurality of control parameters, and the estimated charging state closest to the target charging state are selected from the plurality of estimated charging states. It functions as a charged particle irradiator including a selection unit and an irradiation unit that controls the charged particles based on the control parameters corresponding to the selected estimated charging state and irradiates the charged object. ..
  • a charged particle irradiation device or the like capable of quickly bringing a charged substance in a predetermined charged state closer to a target charged state.
  • FIG. 1 is a block diagram of the static elimination device.
  • FIG. 2 is a principle diagram of the static elimination device.
  • FIG. 3 is an explanatory diagram relating to the definition of the duty ratio.
  • FIG. 4 is a flowchart relating to the learning process.
  • FIG. 5 is a general flowchart regarding the static elimination operation by the static elimination device.
  • FIG. 6 is a detailed flowchart of the estimation process.
  • FIG. 7 is an explanatory diagram showing an outline of the estimation operation.
  • FIG. 8 is a conceptual explanatory diagram regarding the transition of the potential of the static elimination object.
  • FIG. 9 is an explanatory diagram of the experimental results regarding the potential transition of the static elimination object.
  • FIG. 10 is an explanatory diagram relating to maintaining the potential of the static elimination object.
  • FIG. 1 is a block diagram showing a static elimination device 100 and a static elimination object 5 according to the present embodiment.
  • the static elimination device 100 includes a control microcomputer 1, an AC square wave output circuit 2, a high voltage power supply 3, a corona discharge electrode 4, a surface electrometer 6, an A / D converter 7, and a machine learning calculation unit 8. To be equipped.
  • the control microcomputer 1 includes a calculation unit such as a CPU, a storage unit including a ROM / RAM, and the like, and outputs information on a voltage applied to the corona discharge electrode 4, that is, a voltage and its duty ratio, as will be described later. ..
  • the AC square wave output circuit 2 receives information on the applied voltage from the control microcomputer 1 and generates and outputs a corresponding AC square wave waveform (see, for example, FIG. 10).
  • the generated voltage square wave is provided to the corona discharge electrode 4 via the high voltage power supply 3.
  • the corona discharge electrode 4 generates positive or negative ions depending on the applied voltage.
  • the generated ions are provided to the static elimination target 5, and a charge neutralizing action, that is, a static elimination action of the charged object 5 occurs.
  • the static elimination object 5 is provided with a surface electrometer 6, and the surface potential of the static elimination object 5 is provided to the machine learning unit 8 as digital data via the A / D converter 7.
  • the machine learning unit includes a calculation unit such as a CPU, a storage unit including a ROM / RAM, etc., performs learning processing or estimation processing as described later, and outputs a predetermined output to the control microcomputer 1.
  • FIG. 2 is a principle diagram of the static elimination device.
  • a part of the static elimination device 100 provided with the high voltage power supply 3, the compressed air nozzle 10-needle electrode 4 and the annular electrode 14 is drawn on the left side of the figure, and the charged electrode representing the static elimination object 5 is drawn on the right side of the figure. 11 is drawn.
  • the charged particles generated between the needle electrode 4 and the annular electrode 14, that is, positive or negative ions, are compressed air according to the voltage having an AC rectangular waveform applied by the high voltage power supply 3. It is blown by the compressed air from the nozzle 10 and reaches the charged electrode 11 which is the static elimination object 5. At this time, in the charged electrode 11, positive or negative ions from the static elimination device 100 cause an electrical neutralization action, that is, a static elimination action. Potential of static elimination target 5 is observed as the output potential V A1 of the surface electrometer 6 of the charging electrode 11.
  • FIG. 3 is an explanatory diagram relating to the definition of the duty ratio in the present embodiment.
  • the duty ratio is t NEG for the duration of the smaller value of the two values of the square wave, t POS for the duration of the larger value, and one cycle.
  • t cycle it is calculated as (t NEG ⁇ t POS ) / t cycle ⁇ 100 [%] at a percentage.
  • the configuration of the static elimination device 100 is not limited to that described in the present embodiment. Therefore, for example, each configuration may be connected via a network, or a plurality of configurations may be separated or integrated into a predetermined device or the like. Further, a part of the operation performed by the control unit 1, for example, a machine learning process or the like may be executed by another device or the like.
  • FIG. 4 is a flowchart relating to the learning process performed by the machine learning calculation unit 8.
  • a process of reading the parameters of the learning model and the input / output data set to be learned is performed from the storage unit of the machine learning calculation unit 8 (S1).
  • a learning tree (see, for example, Japanese Patent Application Laid-Open No. 2016-173686) is adopted as the machine learning algorithm.
  • the input data is associated with each hierarchically divided state space and accumulated.
  • the estimated output is calculated by taking the arithmetic mean of the output values or output vectors corresponding to each data contained in each state space after learning.
  • the learning tree is suitable for sequential learning (online learning).
  • the parameters related to the learning tree such as the number of layers, the number of dimensions, or the number of divisions, the input / output data set to be learned in advance, and more specifically, the potential of the static elimination object 5 and the static elimination thereof.
  • a plurality of sets are read out (S1).
  • the data set to be learned includes a case where at least a plurality of patterns of duty ratios are used for one initial potential, for example, a case where 20% to 90% is in 10% increments.
  • the machine learning calculation unit 8 performs a process of selecting one of the read learning target data sets and inputting it into the learning model (S2).
  • the machine learning calculation unit 8 identifies the corresponding node from the start node to the end node based on the input initial potential and duty ratio of the predetermined static elimination object 5, specifies the path, and each of the paths on the path.
  • a process of associating an input / output data set with a node and storing it is performed (S4).
  • the learning process is performed by the machine learning calculation unit 8, but it may be performed in advance by an external information processing device.
  • the learning process may be sequentially performed while operating the static elimination device 100.
  • FIG. 5 is a general flowchart relating to control by the static elimination device 100.
  • the process of acquiring the potential of the static elimination object 5 is performed via the surface electrometer 6 and the A / D converter 7 (S21).
  • a predetermined estimation process is performed (S22).
  • FIG. 6 is a detailed flowchart of the estimation process (S22). As is clear from the figure, when the process starts, the process of inputting the sensed potential of the static elimination object 5 and the duty ratio of one selected from the plurality of candidate duty ratios into the trained model is performed. (S222).
  • Candidate duty ratios are 20%, 30%, 50%, 70% and 90% in this embodiment.
  • the corresponding node from the start node to the end node, that is, the path is specified based on the input potential of the static elimination object 5 and the selected duty ratio (S223).
  • a process for specifying one node on the path as an output node is performed (S224), and the arithmetic mean of the output (potential change rate) corresponding to the data stored in the output node is taken.
  • the estimated potential change rate is calculated (S225).
  • the estimated potential change rate is stored in the storage unit of the machine learning calculation unit 8 as the estimated potential change rate corresponding to the predetermined duty ratio (S226).
  • the estimated potential change rate is generated and stored for each candidate duty ratio.
  • a process of selecting the duty ratio closest to the target potential from the estimated potential change rate generated for each candidate duty ratio is performed (S24). After this selection process, a voltage is applied at the selected duty ratio to irradiate the static elimination object 5 with charged particles (S25). After that, a process of waiting for a predetermined time step while applying a voltage is performed (S26).
  • the potential of the static elimination object 5 is measured again, and it is determined whether or not the potential of the static elimination target 5 has reached the target potential (S28). If the target potential has not been reached yet, a series of processes are repeated again (S21 to S28).
  • a process of irradiating electrically neutral positive and negative balanced charged particles is performed (S29).
  • the static elimination state can be maintained by this irradiation. While performing irradiation processing of charged particles with a good balance of positive and negative, it is determined whether or not the potential is at or near the target value even after irradiation, that is, whether or not the static elimination state is maintained (S30), and the static elimination state is determined. If it is not maintained (S30NO), a series of processes are performed again (S21 to S30). On the other hand, when the static elimination state is maintained (S30YES), the process ends.
  • FIG. 7 is an explanatory diagram showing an outline of the estimation operation.
  • the horizontal axis represents time t, and the vertical axis represents the potential [V] of the static elimination object.
  • the potential of the static elimination object 5 is measured in the state where the time step is 0 (S21).
  • the potential measured in the figure is ⁇ 1000 [V].
  • an estimated potential change rate is generated for each candidate duty ratio (20%, 30%, 50%, 70% and 90%) (S22).
  • each estimated potential change rate is expressed as the slope of a straight line.
  • the potential of the static elimination object 5 is measured again, and it is detected whether the potential matches the target potential or is sufficiently close to the target potential.
  • the target potential of 0 [V] has not yet been reached even after 0.44 seconds (S28NO)
  • a series of processes are repeated again (S21 to S28). ..
  • electrically neutral irradiation is performed (S29), and the process ends.
  • FIG. 8 is a conceptual explanatory diagram regarding the transition of the potential of the static elimination object 5.
  • the horizontal axis represents time, and the vertical axis represents the potential of the static elimination object 5.
  • the solid line shows the potential transition of the static elimination object 5 when applied at a duty ratio of 10%
  • the fine broken line shows the potential transition of the static elimination target 5 when applied at a duty ratio of 55%
  • the large dashed line shows the potential transition of the static elimination object 5. It represents the potential transition of the static elimination object 5 when the duty ratio is switched from 10% to 55%.
  • the charging state of the static elimination object is positive charging
  • the control frequency is 1 [kHz]
  • the pressure is 7 [kPa].
  • the charged particles are irradiated to the charged object based on the control parameter corresponding to the estimated charged state closest to the target charged state, so that the charged object in the predetermined charged state can be quickly targeted. It becomes possible to approach the charged state.
  • FIG. 9 is an explanatory diagram of the experimental results regarding the potential transition of the static elimination object 10.
  • 9 (a) is a first experimental example
  • FIG. 9 (b) is a second experimental example.
  • the horizontal axis represents time and the vertical axis represents the potential of the static elimination object 5.
  • the charging state of the static elimination object 5 is positive charging
  • the applied voltage is 8 [kV]
  • the control frequency is 1 [kHz]
  • the pressure is 7 [kPa].
  • the potential transition when the charged particles are irradiated at a duty ratio of 50% is shown.
  • FIG. 10 is an explanatory diagram showing a transition of the applied voltage corresponding to FIG. 9.
  • the horizontal axis represents time, and the vertical axis represents the applied voltage [kV].
  • FIG. 10A is an applied voltage corresponding to FIG. 9A
  • FIG. 10B is an applied voltage corresponding to FIG. 9B.
  • the duty ratio is set to 10% and rapidly approaches 0 [V], and then the duty ratio is reduced. It is confirmed that by switching to 50%, it is possible to approach the target potential of 0 [V] more quickly than simply applying a duty ratio of 50%.
  • the transition of the applied voltage at this time (duty ratio 10% ⁇ 50%) is shown in FIG. 10 (a).
  • the duty ratio is set to 10% and the duty ratio rapidly approaches 0 [V], and then.
  • the irradiation state By switching the irradiation state to the off state, it is possible to approach the target potential of 0 [V] more quickly than simply applying a duty ratio of 50%.
  • the transition of the applied voltage at this time (duty ratio 10% ⁇ off state) is shown in FIG. 10 (b).
  • FIG. 10 (b) In this example, there is no big difference in maintaining the static elimination state regardless of whether the irradiation is electrically neutral or the irradiation is turned off.
  • the learning tree is used as the machine learning model, but the present invention is not limited to such a configuration. Therefore, for example, other learning models such as neural networks and support vector machines (SVMs) may be used.
  • SVMs support vector machines
  • the voltage applied to the corona discharge electrode 4 is exemplified as the control amount, and the duty ratio is exemplified as the control parameter, but the present invention is not limited to such a configuration. Therefore, for example, any other object may be used as long as it is a controlled amount that can adjust the inflow amount of charged particles, and for example, the peak value, frequency, gas pressure, or the like of the applied voltage can be adopted.
  • the target value is set to 0 [V], but the present invention is not limited to such a configuration. Therefore, for example, a desired target potential other than 0 [V] can be adopted according to the application of the charged particle irradiation device.
  • the present invention is limited to such a configuration. Not done. Therefore, for example, additional learning may be sequentially performed while performing static elimination processing. In this case, machine learning is performed and the trained model is updated based on the charged state before charge irradiation, the selected duty ratio, and the charged state (estimated potential change rate) after a lapse of a predetermined time from the charge value application process. According to such a configuration, the estimation accuracy can be further improved while operating the static elimination device 100.
  • the present invention can be used at least in an industry that manufactures a charged particle irradiator or the like.
  • Control microcomputer 2 AC square wave output circuit 3 High-voltage power supply 4 Corona discharge electrode (needle electrode) 5 Static elimination target (charged object) 6 Surface electrometer 7 A / D converter 8 Machine learning calculation unit 10 Compressed air nozzle 11 Charging electrode 14 Circular electrode 100 Static eliminator

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Plasma & Fusion (AREA)
  • Theoretical Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Power Engineering (AREA)
  • Elimination Of Static Electricity (AREA)
  • Feedback Control In General (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)

Abstract

【課題】帯電物を迅速に目標帯電状態へと近付けることが可能な荷電粒子照射装置等を提供すること。 【解決手段】荷電粒子を照射する前の帯電物の帯電状態である照射前帯電状態を検出する照射前状態検出部と、帯電物の帯電状態とその帯電物に対して照射される荷電粒子の制御に用いられる制御量に関する制御パラメータを入力することにより荷電粒子を前記制御パラメータの下で制御して照射した後の帯電物の帯電状態である推定帯電状態を生成する学習済モデルと、学習済モデルへと照射前帯電状態と複数の制御パラメータを入力して照射前帯電状態と複数の制御パラメータに対応する複数の推定帯電状態を生成する推定帯電状態生成部と、複数の推定帯電状態から目標帯電状態と最も近い推定帯電状態を選択する選択部と、選択された推定帯電状態に対応する制御パラメータに基づいて荷電粒子を制御して帯電物へと照射する照射部とを備える荷電粒子照射装置が提供される。

Description

荷電粒子照射装置、システム、方法及びプログラム
　この発明は、例えば、帯電物に対してイオン等の荷電粒子を照射する装置等に関する。
　近年、様々な分野において、イオン等の荷電粒子を照射する技術が普及している。一例として、静電気の除電装置がある。除電装置とは、コロナ放電等により正又は負に帯電したイオンを帯電物に対して照射することで、帯電電荷を中和する装置である（例えば、特許文献１）。除電装置は、電子デバイス、液晶又は半導体等を始めとする様々な製品の製造工程において利用されており、対象製品の歩留まり向上等に寄与している。また、荷電粒子を照射する技術は、除電装置以外でも、半導体プロセスや薄膜プロセス等様々な場面において利用されている。
特開２００９－２０５８１５号公報
　ところで、荷電粒子を照射する技術を利用したこの種の装置においては、処理の効率性と確実性の観点から、対象となる帯電物を可能な限り迅速に目標とする帯電状態へと遷移させることが望ましい。
　しかしながら、従前、この種の装置においては、単に作業開始時に設定した所定の条件で帯電物に対して荷電粒子を照射することが行われていた。そのため、必ずしも最適条件で荷電粒子の照射が行われておらず、迅速に目標とする帯電状態へと遷移させることができていなかった。
　目標とする帯電状態へと迅速に遷移させるため、対象となる帯電物の帯電状態を検出して所定のフィードバック制御を行い荷電粒子の照射を制御することも考えられる。しかしながら、フィードバック制御を行えば、外乱等により対象となる帯電物の帯電状態に急激な変動等が生じた場合には制御が発散してしまうおそれがあり、その結果、対象物の意図しない帯電等を惹起するおそれがあった。このような制御の発散を防止するためには、制御周期を大きくして制御速度を抑制することも考え得るが、制御周期を大きくすれば応答性が犠牲となり、結局、目標とする帯電状態への迅速な遷移を実現することができない。
　本発明は、上述の技術的課題を解決するためになされたものであり、その目的とするところは、所定の帯電状態にある帯電物を迅速に目標帯電状態へと近付けることが可能な荷電粒子照射装置等を提供することにある。
　上述の技術的課題は、以下の構成を有する荷電粒子照射装置等により解決することができる。
　すなわち、本実施形態に係る荷電粒子照射装置は、帯電物に対して荷電粒子を照射する荷電粒子照射装置であって、荷電粒子を照射する前の帯電物の帯電状態である照射前帯電状態を検出する、照射前状態検出部と、帯電物の帯電状態とその帯電物に対して照射される荷電粒子の制御に用いられる制御量に関する制御パラメータを入力することにより、荷電粒子を前記制御パラメータの下で制御して照射した後の前記帯電物の帯電状態である推定帯電状態を生成する、学習済モデルと、前記学習済モデルへと、前記照射前帯電状態と複数の制御パラメータを入力して、前記照射前帯電状態と前記複数の制御パラメータに対応する複数の推定帯電状態を生成する、推定帯電状態生成部と、前記複数の推定帯電状態から、目標帯電状態と最も近い推定帯電状態を選択する、選択部と、選択された前記推定帯電状態に対応する前記制御パラメータに基づいて荷電粒子を制御して前記帯電物へと照射する、照射部と、を備えている。
　このような構成によれば、目標帯電状態に最も近い推定帯電状態に対応する制御パラメータに基づいて前記帯電物へと荷電粒子を照射するので、所定の帯電状態にある帯電物を迅速に目標帯電状態へと近付けることが可能となる。
　前記荷電粒子照射装置は、さらに、所定の設定照射時間の間、前記照射前状態検出部、前記推定帯電状態生成部、前記選択部及び前記照射部を順に動作させ、それにより、複数の前記制御パラメータに基づいて荷電粒子を制御して前記帯電物へと照射する、切替部を備える、ものであってもよい。
　前記制御量は、前記照射部において荷電粒子照射のために印加される電圧であってもよい。
　前記制御パラメータは、前記照射部において荷電粒子照射のために印加される電圧のデューティ比であってもよい。
　前記推定帯電状態は、制御パラメータに対応する帯電状態の時間変化量であってもよい。
　前記荷電粒子照射装置は、さらに、前記照射前帯電状態が、前記目標帯電状態と一致するか又は近傍した場合には、電気的に中性の荷電粒子を前記帯電物へと照射する、維持照射部を備えてもよい。
　前記帯電物の帯電状態は、前記帯電物の電位又は電流であってもよい。
　前記学習済モデルは、木構造を利用した学習モデルを機械学習することにより得られた学習済モデルであってもよい。
　前記荷電粒子照射装置は、さらに、前記照射部により荷電粒子を照射した後、所定時間経過後の前記帯電物の帯電状態である照射後帯電状態を検出する、照射後状態検出部と、前記照射前帯電状態と、選択された前記推定帯電状態に対応する前記制御パラメータと、前記照射後帯電状態とに基づいて機械学習を行い、前記学習済モデルを更新する、機械学習部と、を備えてもよい。
　本発明は、除電装置としても観念することができる。すなわち、本発明に係る除電装置は、帯電物に対して荷電粒子を照射する除電装置であって、荷電粒子を照射する前の帯電物の帯電状態である照射前帯電状態を検出する、照射前状態検出部と、帯電物の帯電状態とその帯電物に対して照射される荷電粒子の制御に用いられる制御量に関する制御パラメータを入力することにより、荷電粒子を前記制御パラメータの下で制御して照射した後の前記帯電物の帯電状態である推定帯電状態を生成する、学習済モデルと、前記学習済モデルへと、前記照射前帯電状態と複数の制御パラメータを入力して、前記照射前帯電状態と前記複数の制御パラメータに対応する複数の推定帯電状態を生成する、推定帯電状態生成部と、前記複数の推定帯電状態から、目標帯電状態と最も近い推定帯電状態を選択する、選択部と、選択された前記推定帯電状態に対応する前記制御パラメータに基づいて荷電粒子を制御して前記帯電物へと照射する、照射部と、を備えている。
　本発明は、荷電粒子照射システムとして観念することができる。すなわち、本発明に係る荷電粒子照射システムは、帯電物に対して荷電粒子を照射する荷電粒子照射システムであって、荷電粒子を照射する前の帯電物の帯電状態である照射前帯電状態を検出する、照射前状態検出部と、帯電物の帯電状態とその帯電物に対して照射される荷電粒子の制御に用いられる制御量に関する制御パラメータを入力することにより、荷電粒子を前記制御パラメータの下で制御して照射した後の前記帯電物の帯電状態である推定帯電状態を生成する、学習済モデルと、前記学習済モデルへと、前記照射前帯電状態と複数の制御パラメータを入力して、前記照射前帯電状態と前記複数の制御パラメータに対応する複数の推定帯電状態を生成する、推定帯電状態生成部と、前記複数の推定帯電状態から、目標帯電状態と最も近い推定帯電状態を選択する、選択部と、選択された前記推定帯電状態に対応する前記制御パラメータに基づいて荷電粒子を制御して前記帯電物へと照射する、照射部と、を備えている。
　本発明は、荷電粒子照射方法として観念することができる。すなわち、本発明に係る荷電粒子照射方法は、帯電物に対して荷電粒子を照射する荷電粒子照射装置の制御方法であって、前記荷電粒子照射装置は、帯電物の帯電状態とその帯電物に対して照射される荷電粒子の制御に用いられる制御量に関する制御パラメータを入力することにより、荷電粒子を前記制御パラメータの下で制御して照射した後の前記帯電物の帯電状態である推定帯電状態を生成する、学習済モデルを備え、前記制御方法は、荷電粒子を照射する前の帯電物の帯電状態である照射前帯電状態を検出する、照射前状態検出ステップと、前記学習済モデルへと、前記照射前帯電状態と複数の制御パラメータを入力して、前記照射前帯電状態と前記複数の制御パラメータに対応する複数の推定帯電状態を生成する、推定帯電状態生成ステップと、前記複数の推定帯電状態から、目標帯電状態と最も近い推定帯電状態を選択する、選択ステップと、選択された前記推定帯電状態に対応する前記制御パラメータに基づいて荷電粒子を制御して前記帯電物へと照射する、照射ステップと、を備えている。
　本発明は、コンピュータプログラムとして観念することができる。すなわち、本発明に係るコンピュータプログラムは、コンピュータを、帯電物に対して荷電粒子を照射する荷電粒子照射装置であって、荷電粒子を照射する前の帯電物の帯電状態である照射前帯電状態を検出する、照射前状態検出部と、帯電物の帯電状態とその帯電物に対して照射される荷電粒子の制御に用いられる制御量に関する制御パラメータを入力することにより、荷電粒子を前記制御パラメータの下で制御して照射した後の前記帯電物の帯電状態である推定帯電状態を生成する、学習済モデルと、前記学習済モデルへと、前記照射前帯電状態と複数の制御パラメータを入力して、前記照射前帯電状態と前記複数の制御パラメータに対応する複数の推定帯電状態を生成する、推定帯電状態生成部と、前記複数の推定帯電状態から、目標帯電状態と最も近い推定帯電状態を選択する、選択部と、選択された前記推定帯電状態に対応する前記制御パラメータに基づいて荷電粒子を制御して前記帯電物へと照射する、照射部と、を備える荷電粒子照射装置、として機能させる。
　本発明によれば、所定の帯電状態にある帯電物を迅速に目標帯電状態へと近付けることが可能な荷電粒子照射装置等を提供することができる。
図１は、除電装置のブロック図である。 図２は、除電装置の原理図である。 図３は、デューティ比の定義に関する説明図である。 図４は、学習処理に関するフローチャートである。 図５は、除電装置による除電動作に関するゼネラルフローチャートである。 図６は、推定処理に関する詳細フローチャートである。 図７は、推定動作の概要について示す説明図である。 図８は、除電対象物の電位の遷移に関する概念説明図である。 図９は、除電対象物の電位遷移に関する実験結果の説明図である。 図１０は、除電対象物の電位維持に関する説明図である。
　以下、本発明の好適な実施の形態について添付の図１～図１０を参照しつつ詳細に説明する。
　（１．第１の実施形態）
  （１．１　除電装置の構成）
  図１～図３を参照しつつ、本実施形態に係る除電装置１００の構成について説明する。
　図１は、本実施形態に係る除電装置１００と、除電対象物５について示すブロック図である。同図から明らかな通り、除電装置１００は、制御用マイコン１、交流矩形波出力回路２、高電圧電源３、コロナ放電電極４、表面電位計６、Ａ／Ｄコンバータ７及び機械学習演算部８を備える。
　制御用マイコン１は、ＣＰＵ等の演算部、ＲＯＭ／ＲＡＭ等から成る記憶部等を備え、後述するように、コロナ放電電極４へと印加する電圧に関する情報、すなわち電圧とそのデューティ比を出力する。
　交流矩形波出力回路２は、制御用マイコン１からの印加電圧に関する情報を受けて対応する交流矩形波形（例えば、図１０を参照）を生成し出力する。この生成された電圧矩形波形は、高電圧電源３を介してコロナ放電電極４へと提供される。
　コロナ放電電極４は印加された電圧に応じて正又は負のイオンを発生させる。この発生したイオンは除電対象物５へと提供され、電荷の中和作用、すなわち帯電物５の除電作用が生じる。
　一方、除電対象物５には表面電位計６が備えられており、除電対象物５の表面電位は、Ａ／Ｄコンバータ７を介して、デジタルデータとして機械学習部８へと提供される。機械学習部は、ＣＰＵ等の演算部、ＲＯＭ／ＲＡＭ等から成る記憶部を備え、後述の要領で学習処理又は推定処理を行い、制御用マイコン１へと所定の出力を行う。
　図２は、除電装置の原理図である。同図左側には、高電圧電源３、圧縮空気ノズル１０針電極４及び環状電極１４を備えた除電装置１００の一部が描かれており、同図右側には除電対象物５を表す帯電電極１１が描かれている。
　同図から明らかな通り、高電圧電源３により印加される交流矩形波形を有する電圧に応じて針電極４と環状電極１４の間で生じた荷電粒子、すなわち、正又は負のイオンは、圧縮空気ノズル１０からの圧縮空気に吹かれて、除電対象物５たる帯電電極１１へと到達する。このとき、帯電電極１１においては、除電装置１００からの正又は負のイオンにより、電気的な中和作用、すなわち除電作用が生じる。除電対象物５の電位は、帯電電極１１における表面電位計６の出力電位ＶＡ１として観測される。
　なお、図３は、本実施形態におけるデューティ比の定義に関する説明図である。同図から明らかな通り、本実施形態において、デューティ比は、矩形波の有する２値のうち、小さい方の値の継続時間をｔＮＥＧ、大きい方の値の継続時間をｔＰＯＳ、１周期をｔｃｙｃｌｅとしたとき、百分率にて、（ｔＮＥＧ－ｔＰＯＳ）／ｔｃｙｃｌｅ×１００［％］として計算される。
　なお、除電装置１００の構成は、本実施形態に記載されたものに限定されない。従って、例えば、各構成をネットワークを介して接続したり、複数の構成を所定の装置等に分離又は統合してもよい。また、制御部１で行われる動作の一部、例えば、機械学習処理等を他の装置等で実行してもよい。
　（１．２　除電装置の動作）
  （１．２．１　学習動作）
　図４を参照しつつ、除電装置１００における推定処理動作の前提として行われる学習処理について説明する。
　図４は、機械学習演算部８において行われる学習処理に関するフローチャートである。同図から明らかな通り、学習処理が開始すると、機械学習演算部８の記憶部から学習モデルのパラメータや学習対象となる入出力データセットを読み出す処理が行われる（Ｓ１）。ここで、本実施形態においては、機械学習アルゴリズムとして、学習木（例として、特開２０１６－１７３６８６を参照）が採用される。
　学習木を用いて学習処理を行う際には、入力されるデータが、階層的に分割された各状態空間に対応付けられ、蓄積されていくこととなる。推定出力は、学習後に各状態空間に内包される各データに対応する出力値又は出力ベクトルの相加平均をとることにより算出される。このような構成により、学習木は、逐次的な学習（オンライン学習）に好適である。
　学習処理が開始すると、階層数、次元又は分割数等の学習木に関するパラメータと、予め取得された学習対象となる入出力のデータセット、より詳細には、除電対象物５の電位と、当該除電対象物５に対して提供される荷電粒子（イオン）を発生させた電極への印加電圧のデューティ比を入力とし、そのときの除電対象物５における電位変化率を出力（教師データ）としたデータセットが、複数読み出される（Ｓ１）。このとき、学習対象データセットは、１つの初期電位に対して少なくとも複数のパターンのデューティ比を用いた場合、例えば、２０％から９０％までを１０％刻みとした場合等を含んでいる。
　その後、機械学習演算部８は、読み出した学習対象データセットのうちの１つを選択して学習モデルへと入力する処理を行う（Ｓ２）。機械学習演算部８は、この入力された所定の除電対象物５の初期電位とデューティ比に基づいて、始端ノードから末端ノードまで対応するノードを特定して経路を特定し、当該経路上の各ノードに対して入出力のデータセットを関連付けて記憶させる処理を行う（Ｓ４）。
　その後、すべての学習対象データセットについて学習が行われたか否かを判定し（Ｓ６）、未学習の学習対象データセットが存在する場合には（Ｓ６ＮＯ）、学習対象を未学習の学習対象データセットへと変更して、再度一連の学習処理（Ｓ２～Ｓ６）を繰り返す。一方、すべての学習対象データセットについて学習が完了した場合には（Ｓ６ＹＥＳ）、学習処理は終了する。
　このような構成によれば、除電対象物５の初期電位とデューティ比を入力することで、除電対象物５における電位変化率を推定することが可能な学習済モデルを生成することができる。
　なお、本実施形態においては、学習処理は機械学習演算部８において行われるものとしたが、外部の情報処理装置において予め行ってもよい。
　また、本実施形態においては、学習対象データセットは予め複数用意されるものとして記載したが、除電装置１００を動作させつつ、逐次的に学習処理（オンライン学習）を行ってもよい。
　（１．２．２　除電動作）
  次に、図５～図１０を参照しつつ、除電装置１００による除電動作について説明する。
　図５は、除電装置１００による制御に関するゼネラルフローチャートである。同図から明らかな通り、処理が開始すると、表面電位計６及びＡ／Ｄコンバータ７を介して除電対象物５の電位を取得する処理が行われる（Ｓ２１）。この電位のセンシング処理が完了すると、所定の推定処理が行われる（Ｓ２２）。
　図６は、推定処理（Ｓ２２）に関する詳細フローチャートである。同図から明らかな通り、処理が開始すると、センシングされた除電対象物５の電位と、複数の候補デューティ比のうちから選択された一のデューティ比を学習済モデルへと入力する処理が行われる（Ｓ２２２）。候補デューティ比は、本実施形態においては、２０％、３０％、５０％、７０％及び９０％である。
　その後、入力された除電対象物５の電位と選択されたデューティ比に基づいて始端ノードから末端ノードまで対応するノード、すなわち経路が特定される（Ｓ２２３）。この特定処理の後、経路上の一のノードを出力ノードとして特定する処理が行われ（Ｓ２２４）、当該出力ノードに記憶されているデータに対応する出力（電位変化率）の相加平均をとることにより推定電位変化率が計算される（Ｓ２２５）。その後、この推定電位変化率は所定のデューティ比に対応する推定電位変化率として、機械学習演算部８の記憶部へと記憶される（Ｓ２２６）。
　記憶処理が完了すると、候補デューティ比のすべてについて推定処理が行われたか否かが判定され（Ｓ２２８）、未だ推定処理が行われていない候補デューティ比が存在する場合には（Ｓ２２８ＮＯ）、入力するデューティ比を他の候補デューティ比へと変更する処理が行われ（Ｓ２２９）、再度一連の処理（Ｓ２２２～２２８）が繰り返される。一方、候補デューティ比のすべてについて推定処理が行われたと判定される場合（Ｓ２２８ＹＥＳ）、処理は終了する。
　すなわち、以上の処理により、候補デューティ比毎に推定電位変化率が生成されて記憶されることとなる。
　図５に戻り、推定処理が完了すると、候補デューティ比毎に生成された推定電位変化率から、目標電位に最も早く近づくデューティ比を選択する処理が行われる（Ｓ２４）。この選択処理の後、選択されたデューティ比で電圧を印加し、除電対象物５へと荷電粒子を照射する処理が行われる（Ｓ２５）。その後、電圧を印加しつつ所定時間ステップだけ待機する処理が行われる（Ｓ２６）。
　待機時間経過後、再び除電対象物５の電位を測定し、除電対象物５の電位が目標電位へと到達したか否かが判定される（Ｓ２８）。未だ目標電位に到達していない場合、再度一連の処理が繰り返される（Ｓ２１～Ｓ２８）。
　一方、目標電位に到達している場合、電気的に中性な正負バランスのとれた荷電粒子を照射する処理が行われる（Ｓ２９）。この照射により除電状態を維持することができる。正負バランスのとれた荷電粒子の照射処理を行いつつ、照射後においても電位が目標値又はその近傍にあるか否か、すなわち、除電状態が維持されているかを判定し（Ｓ３０）、除電状態が維持されていない場合（Ｓ３０ＮＯ）、再度一連の処理が行われる（Ｓ２１～Ｓ３０）。一方、除電状態が維持されている場合（Ｓ３０ＹＥＳ）、処理は終了する。
　図７は、推定動作の概要について示す説明図である。横軸は時間ｔ、縦軸は除電対象物の電位［Ｖ］を示している。
　同図から明らかな通り、まず、時間ステップが０の状態において除電対象物５の電位が計測される（Ｓ２１）。同図において計測された電位は、－１０００［Ｖ］である。この電位を計測した後、候補デューティ比（２０％、３０％、５０％、７０％及び９０％）毎に、推定電位変化率が生成される（Ｓ２２）。同図において、各推定電位変化率は直線の傾きとして表現されている。
　その後、推定電位変化率のうち、最も早く目標電位（＝０［Ｖ］）に到達する候補デューティ比が選択される（Ｓ２４）。具体的には、図８からも明らかな通り、デューティ比が９０％の場合が最も早く目標電位である０［Ｖ］に到達するため、デューティ比として９０％が選択される。この選択処理の後、デューティ比９０％にて電圧印加処理を行いつつ（Ｓ２５）、所定時間、同図においては０．４４秒間、待機する処理が行われる（Ｓ２６）。
　所定の待機時間経過後、再度、除電対象物５の電位を計測し、目標電位と一致しているか又は十分に接近しているかが検出される。同図の例にあっては、０．４４秒後の時点においても未だ目標電位である０［Ｖ］に到達していないため（Ｓ２８ＮＯ）、再び、一連の処理が繰り返される（Ｓ２１～Ｓ２８）。一方、除電対象物５の電位へと到達したと判断された場合には、電気的に中性な照射を行い（Ｓ２９）、処理は終了する。
　図８は、除電対象物５の電位の遷移に関する概念説明図である。横軸は時間、縦軸は除電対象物５の電位を示している。また、実線は１０％のデューティ比で印加した場合の除電対象物５の電位遷移、細かい破線は５５％のデューティ比で印加した場合の除電対象物５の電位遷移、及び、目の大きい破線は１０％から５５％へとデューティ比を切り替えた場合の除電対象物５の電位遷移を表している。なお、前提として、除電対象物の帯電状態は正の帯電、制御周波数は１［ｋＨｚ］、圧力は７［ｋＰａ］である。
　１０％のデューティ比で電圧印加を行うと、１０％のデューティ比で電圧印加を行った場合の電位遷移に沿って急降下する。その後、０［Ｖ］を通り過ぎて遷移するより前に本実施形態に記載の手法によりデューティ比を切り替えると、今度は緩やかに降下する５５％のデューティ比の場合の電位遷移に沿って０へと漸近するように変化する。すなわち、１０％のデューティ比で電圧印加を行った後に５５％のデューティ比により電圧印加を行うことで、対象物電位を迅速に目標電位、すなわち、０［Ｖ］へと近付けることができる。
　以上のような構成によれば、目標帯電状態に最も近い推定帯電状態に対応する制御パラメータに基づいて前記帯電物へと荷電粒子を照射するので、所定の帯電状態にある帯電物を迅速に目標帯電状態へと近付けることが可能となる。
　（１．３　実験例）
  図９は、除電対象物１０の電位遷移に関する実験結果の説明図である。図９（ａ）は、第１の実験例、図９（ｂ）は、第２の実験例である。いずれの図においても、横軸は時間、縦軸は除電対象物５の電位を示している。また、前提として、除電対象物５の帯電状態は正の帯電、印加電圧は８［ｋＶ］、制御周波数は１［ｋＨｚ］、圧力は７［ｋＰａ］である。さらに、いずれの図にも、比較のため、５０％のデューティ比で荷電粒子の照射を行った場合の電位推移が示されている。
　また、図１０は、図９と対応する印加電圧の遷移を示す説明図である。横軸は時間、縦軸は印加電圧［ｋＶ］を示している。図１０（ａ）は、図９（ａ）と対応する印加電圧であり、図１０（ｂ）は、図９（ｂ）と対応する印加電圧である。
　図９（ａ）から明らかな通り、機械学習（ＡＩ）を利用した本実施形態に係る印加電圧制御によれば、デューティ比を１０％として急速に０［Ｖ］へと近付け、その後にデューティ比を５０％へと切り替えることにより、単に５０％のデューティ比を印加するよりも迅速に目標電位である０［Ｖ］へと近付けることができることが確認される。このときの印加電圧の遷移（デューティ比１０％→５０％）が図１０（ａ）に示されている。
　また、図９（ｂ）から明らかな通り、機械学習（ＡＩ）を利用した本実施形態に係る印加電圧制御によれば、デューティ比を１０％として急速に０［Ｖ］へと近付け、その後に照射状態をオフ状態へと切り替えることにより、単に５０％のデューティ比を印加するよりも迅速に目標電位である０［Ｖ］へと近付けることができる。このときの印加電圧の遷移（デューティ比１０％→オフ状態）が図１０（ｂ）に示されている。なお、この例にあっては、電気的に中性な照射を行っても照射をオフ状態としても除電状態の維持においては大差がない。
　（２．変形例）
  上述の実施形態においては、機械学習モデルとして学習木を利用したが、本発明はこのような構成に限定されない。従って、例えば、ニューラルネットワークやサポートベクターマシーン（ＳＶＭ）等の他の学習モデルを利用してもよい。
　上述の実施形態においては、制御量としてコロナ放電電極４への印加電圧、及び、制御パラメータとしてデューティ比を例示したが、本発明はそのような構成に限定されない。従って、例えば、荷電粒子の流入量を調整できる制御量であれば他の対象でもよく、例えば、印加電圧の波高値、周波数、或いは、ガス圧等を採用することができる。
　上述の実施形態においては、除電装置を例示したため、目標値は０［Ｖ］としたが、本発明はそのような構成に限定されない。従って、荷電粒子照射装置の応用に合わせて、例えば、０［Ｖ］ではない所望の目標電位を採用することができる。
　上述の実施形態においては、事前に学習（図４）を行った後に、学習済モデルによる推定処理を含む除電処理（図６）を行う構成について言及したものの、本発明はこのような構成に限定されない。従って、例えば、除電処理を行いつつ逐次的に追加学習を行ってもよい。この場合、電荷照射前の帯電状態と、選択されたデューティ比、電荷値印加処理から所定時間経過後の帯電状態（推定電位変化率）に基づいて、機械学習を行い学習済モデルを更新する。このような構成によれば、除電装置１００を動作させつつ、さらに、推定精度を向上させることができる。
　本発明は、少なくとも荷電粒子照射装置等を製造する産業において利用可能である。
　１　制御用マイコン
　２　交流矩形波出力回路
　３　高電圧電源
　４　コロナ放電電極（針電極）
　５　除電対象物（帯電物）
　６　表面電位計
　７　Ａ／Ｄコンバータ
　８　機械学習演算部
　１０　圧縮空気ノズル
　１１　帯電電極
　１４　環状電極
　１００　除電装置

Claims (13)

  1. 　帯電物に対して荷電粒子を照射する荷電粒子照射装置であって、
    　荷電粒子を照射する前の帯電物の帯電状態である照射前帯電状態を検出する、照射前状態検出部と、
    　帯電物の帯電状態とその帯電物に対して照射される荷電粒子の制御に用いられる制御量に関する制御パラメータを入力することにより、荷電粒子を前記制御パラメータの下で制御して照射した後の前記帯電物の帯電状態である推定帯電状態を生成する、学習済モデルと、
    　前記学習済モデルへと、前記照射前帯電状態と複数の制御パラメータを入力して、前記照射前帯電状態と前記複数の制御パラメータに対応する複数の推定帯電状態を生成する、推定帯電状態生成部と、
    　前記複数の推定帯電状態から、目標帯電状態と最も近い推定帯電状態を選択する、選択部と、
    　選択された前記推定帯電状態に対応する前記制御パラメータに基づいて荷電粒子を制御して前記帯電物へと照射する、照射部と、を備える荷電粒子照射装置。
  2. 　前記荷電粒子照射装置は、さらに、
    　所定の設定照射時間の間、前記照射前状態検出部、前記推定帯電状態生成部、前記選択部及び前記照射部を順に動作させ、それにより、複数の前記制御パラメータに基づいて荷電粒子を制御して前記帯電物へと照射する、切替部を備える、請求項１に記載の荷電粒子照射装置。
  3. 　前記制御量は、前記照射部において荷電粒子照射のために印加される電圧である、請求項１に記載の荷電粒子照射装置。
  4. 　前記制御パラメータは、前記照射部において荷電粒子照射のために印加される電圧のデューティ比である、請求項３に記載の荷電粒子照射装置。
  5. 　前記推定帯電状態は、制御パラメータに対応する帯電状態の時間変化量である、請求項１に記載の荷電粒子照射装置。
  6. 　前記荷電粒子照射装置は、さらに、
    　前記照射前帯電状態が、前記目標帯電状態と一致するか又は近傍した場合には、電気的に中性の荷電粒子を前記帯電物へと照射する、維持照射部を備えた請求項１に記載の荷電粒子照射装置。
  7. 　前記帯電物の帯電状態は、前記帯電物の電位又は電流である、請求項１に記載の荷電粒子照射装置。
  8. 　前記学習済モデルは、木構造を利用した学習モデルを機械学習することにより得られた学習済モデルである、請求項１に記載の荷電粒子照射装置。
  9. 　前記荷電粒子照射装置は、さらに、
    　前記照射部により荷電粒子を照射した後、所定時間経過後の前記帯電物の帯電状態である照射後帯電状態を検出する、照射後状態検出部と、
    　前記照射前帯電状態と、選択された前記推定帯電状態に対応する前記制御パラメータと、前記照射後帯電状態とに基づいて機械学習を行い、前記学習済モデルを更新する、機械学習部と、を備える請求項１に記載の荷電粒子照射装置。
  10. 　帯電物に対して荷電粒子を照射する除電装置であって、
    　荷電粒子を照射する前の帯電物の帯電状態である照射前帯電状態を検出する、照射前状態検出部と、
    　帯電物の帯電状態とその帯電物に対して照射される荷電粒子の制御に用いられる制御量に関する制御パラメータを入力することにより、荷電粒子を前記制御パラメータの下で制御して照射した後の前記帯電物の帯電状態である推定帯電状態を生成する、学習済モデルと、
    　前記学習済モデルへと、前記照射前帯電状態と複数の制御パラメータを入力して、前記照射前帯電状態と前記複数の制御パラメータに対応する複数の推定帯電状態を生成する、推定帯電状態生成部と、
    　前記複数の推定帯電状態から、目標帯電状態と最も近い推定帯電状態を選択する、選択部と、
    　選択された前記推定帯電状態に対応する前記制御パラメータに基づいて荷電粒子を制御して前記帯電物へと照射する、照射部と、を備える除電装置。
  11. 　帯電物に対して荷電粒子を照射する荷電粒子照射システムであって、
    　荷電粒子を照射する前の帯電物の帯電状態である照射前帯電状態を検出する、照射前状態検出部と、
    　帯電物の帯電状態とその帯電物に対して照射される荷電粒子の制御に用いられる制御量に関する制御パラメータを入力することにより、荷電粒子を前記制御パラメータの下で制御して照射した後の前記帯電物の帯電状態である推定帯電状態を生成する、学習済モデルと、
    　前記学習済モデルへと、前記照射前帯電状態と複数の制御パラメータを入力して、前記照射前帯電状態と前記複数の制御パラメータに対応する複数の推定帯電状態を生成する、推定帯電状態生成部と、
    　前記複数の推定帯電状態から、目標帯電状態と最も近い推定帯電状態を選択する、選択部と、
    　選択された前記推定帯電状態に対応する前記制御パラメータに基づいて荷電粒子を制御して前記帯電物へと照射する、照射部と、を備える荷電粒子照射システム。
  12. 　帯電物に対して荷電粒子を照射する荷電粒子照射装置の制御方法であって、
    　前記荷電粒子照射装置は、
    　帯電物の帯電状態とその帯電物に対して照射される荷電粒子の制御に用いられる制御量に関する制御パラメータを入力することにより、荷電粒子を前記制御パラメータの下で制御して照射した後の前記帯電物の帯電状態である推定帯電状態を生成する、学習済モデルを備え、
    　前記制御方法は、
    　荷電粒子を照射する前の帯電物の帯電状態である照射前帯電状態を検出する、照射前状態検出ステップと、
    　前記学習済モデルへと、前記照射前帯電状態と複数の制御パラメータを入力して、前記照射前帯電状態と前記複数の制御パラメータに対応する複数の推定帯電状態を生成する、推定帯電状態生成ステップと、
    　前記複数の推定帯電状態から、目標帯電状態と最も近い推定帯電状態を選択する、選択ステップと、
    　選択された前記推定帯電状態に対応する前記制御パラメータに基づいて荷電粒子を制御して前記帯電物へと照射する、照射ステップと、を備える荷電粒子照射装置の制御方法。
  13. 　コンピュータを、
    　帯電物に対して荷電粒子を照射する荷電粒子照射装置であって、
    　荷電粒子を照射する前の帯電物の帯電状態である照射前帯電状態を検出する、照射前状態検出部と、
    　帯電物の帯電状態とその帯電物に対して照射される荷電粒子の制御に用いられる制御量に関する制御パラメータを入力することにより、荷電粒子を前記制御パラメータの下で制御して照射した後の前記帯電物の帯電状態である推定帯電状態を生成する、学習済モデルと、
    　前記学習済モデルへと、前記照射前帯電状態と複数の制御パラメータを入力して、前記照射前帯電状態と前記複数の制御パラメータに対応する複数の推定帯電状態を生成する、推定帯電状態生成部と、
    　前記複数の推定帯電状態から、目標帯電状態と最も近い推定帯電状態を選択する、選択部と、
    　選択された前記推定帯電状態に対応する前記制御パラメータに基づいて荷電粒子を制御して前記帯電物へと照射する、照射部と、を備える荷電粒子照射装置、として機能させるためのコンピュータプログラム。
PCT/JP2020/045663 2019-12-09 2020-12-08 荷電粒子照射装置、システム、方法及びプログラム WO2021117719A1 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN202080085060.1A CN114830830A (zh) 2019-12-09 2020-12-08 带电粒子照射装置、系统、方法以及程序
EP20898973.1A EP4075925A4 (en) 2019-12-09 2020-12-08 CHARGED PARTICLE IRRADIATION DEVICE, SYSTEM, METHOD AND PROGRAM
KR1020227017950A KR20220112763A (ko) 2019-12-09 2020-12-08 하전 입자 조사 장치, 시스템, 방법 및 프로그램
US17/835,299 US20220301819A1 (en) 2019-12-09 2022-06-08 Charged particle irradiating device, system, method, and program

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2019222359A JP7471584B2 (ja) 2019-12-09 2019-12-09 荷電粒子照射装置、システム、方法及びプログラム
JP2019-222359 2019-12-09

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US17/835,299 Continuation US20220301819A1 (en) 2019-12-09 2022-06-08 Charged particle irradiating device, system, method, and program

Publications (1)

Publication Number Publication Date
WO2021117719A1 true WO2021117719A1 (ja) 2021-06-17

Family

ID=76312641

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2020/045663 WO2021117719A1 (ja) 2019-12-09 2020-12-08 荷電粒子照射装置、システム、方法及びプログラム

Country Status (6)

Country Link
US (1) US20220301819A1 (ja)
EP (1) EP4075925A4 (ja)
JP (1) JP7471584B2 (ja)
KR (1) KR20220112763A (ja)
CN (1) CN114830830A (ja)
WO (1) WO2021117719A1 (ja)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003217892A (ja) * 2002-01-22 2003-07-31 Takayanagi Kenkyusho:Kk 静電位イオンバランス測定器および除電装置
JP2006086338A (ja) * 2004-09-16 2006-03-30 Juki Corp 電子部品実装装置
JP2009205815A (ja) 2008-02-26 2009-09-10 Keyence Corp 除電装置
JP2016173686A (ja) 2015-03-16 2016-09-29 国立大学法人岩手大学 情報処理装置
JP2017027848A (ja) * 2015-07-24 2017-02-02 シャープ株式会社 イオン発生装置
JP2018500723A (ja) * 2014-11-10 2018-01-11 イリノイ トゥール ワークス インコーポレイティド 変動圧力環境におけるバランスのとれたバリア放電中和

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3405439B2 (ja) * 1996-11-05 2003-05-12 株式会社荏原製作所 固体表面の清浄化方法
JP4020475B2 (ja) * 1997-10-24 2007-12-12 株式会社キーエンス 除電装置
JP4060577B2 (ja) * 2001-11-26 2008-03-12 サンクス株式会社 被除電対象物の除電方法および除電装置
US6985346B2 (en) * 2003-01-29 2006-01-10 Credence Technologies, Inc. Method and device for controlling ionization
US20050052815A1 (en) * 2003-09-09 2005-03-10 Smc Corporation Static eliminating method and apparatus therefor
JP4754408B2 (ja) * 2006-05-25 2011-08-24 大日本スクリーン製造株式会社 除電装置、除電方法および該除電装置を備えた基板処理装置
JP4719207B2 (ja) * 2007-12-13 2011-07-06 春日電機株式会社 除電方法及び除電装置
JP5174750B2 (ja) * 2009-07-03 2013-04-03 株式会社日立ハイテクノロジーズ 荷電粒子線装置及び荷電粒子線画像を安定に取得する方法
US10251251B2 (en) * 2016-02-03 2019-04-02 Yi Jing Technology Co., Ltd Electrostatic dissipation device with static sensing and method thereof
JP2018073276A (ja) * 2016-11-02 2018-05-10 日立化成株式会社 導電パターン付き基材の製造方法及びタッチパネルセンサの製造方法
JP7471583B2 (ja) * 2019-12-09 2024-04-22 シシド静電気株式会社 荷電粒子照射装置、システム、方法及びプログラム
WO2022208572A1 (ja) * 2021-03-29 2022-10-06 株式会社日立ハイテク 検査システム
CN116550518A (zh) * 2023-04-21 2023-08-08 绍兴鼎华金属制品有限公司 一种智能喷涂送粉装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003217892A (ja) * 2002-01-22 2003-07-31 Takayanagi Kenkyusho:Kk 静電位イオンバランス測定器および除電装置
JP2006086338A (ja) * 2004-09-16 2006-03-30 Juki Corp 電子部品実装装置
JP2009205815A (ja) 2008-02-26 2009-09-10 Keyence Corp 除電装置
JP2018500723A (ja) * 2014-11-10 2018-01-11 イリノイ トゥール ワークス インコーポレイティド 変動圧力環境におけるバランスのとれたバリア放電中和
JP2016173686A (ja) 2015-03-16 2016-09-29 国立大学法人岩手大学 情報処理装置
JP2017027848A (ja) * 2015-07-24 2017-02-02 シャープ株式会社 イオン発生装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP4075925A4

Also Published As

Publication number Publication date
KR20220112763A (ko) 2022-08-11
EP4075925A1 (en) 2022-10-19
CN114830830A (zh) 2022-07-29
US20220301819A1 (en) 2022-09-22
EP4075925A4 (en) 2024-01-10
JP2021093269A (ja) 2021-06-17
JP7471584B2 (ja) 2024-04-22

Similar Documents

Publication Publication Date Title
TWI835819B (zh) 用於受控蝕刻的單能量離子產生
JP4418424B2 (ja) 交流電源装置およびその装置におけるアーク抑制方法
JP5295833B2 (ja) 基板処理装置および基板処理方法
CN104756238A (zh) 控制开关模式离子能量分布系统的方法
Esme et al. Prediction of surface roughness in wire electrical discharge machining using design of experiments and neural networks
JP5574962B2 (ja) プラズマ処理装置およびプラズマ処理方法
JP2018107265A5 (ja)
WO2021117719A1 (ja) 荷電粒子照射装置、システム、方法及びプログラム
WO2021117718A1 (ja) 荷電粒子照射装置、システム、方法及びプログラム
CN104782233A (zh) 控制开关模式离子能量分布系统的方法
Glavic et al. Combining a stability and a performance-oriented control in power systems
JP2003332096A (ja) 静電気除去制御装置
Bera et al. Simulation of Thin Carbon Film Deposition in a Radio‐Frequency Methane Plasma Reactor
Noriega et al. Design and Simulation of a Voltage Control Based on Neural Networks
JP7546814B1 (ja) 放電加工装置および放電加工方法
Wang et al. Estimation-Correction Modeling and Chaos Control of Fractional-Order Memristor Load Buck-Boost Converter
WO2021240804A1 (ja) 放電加工装置、学習装置、推論装置、および放電加工方法
CN112651194B (zh) 一种等离子体的特性参数空间分布调控方法及装置
Boshoff et al. Hybrid control of interconnected power converters using both expert-driven droop and data-driven reinforcement learning approaches
Saini et al. GA optimized time delayed feedback control of chaos in a memristor based chaotic circuit
Ayad et al. A Robust Nonlinear Controller for Multilevel DC/DC Boost Converter
Nizami et al. Fast neuro-adaptive control of DC-DC buck converters: Design and implementation
JP2022528936A (ja) バッテリ装置の保護のための保護方法を検査するための方法
Jafari et al. Design of a new intelligent current controller for a welding machine
JPH0971863A (ja) スパッタ装置用電源

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 20898973

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2020898973

Country of ref document: EP

Effective date: 20220711