WO2022018795A1 - 訓練データ作成方法、機械学習方法、消耗品管理装置及びコンピュータ可読媒体 - Google Patents

訓練データ作成方法、機械学習方法、消耗品管理装置及びコンピュータ可読媒体 Download PDF

Info

Publication number
WO2022018795A1
WO2022018795A1 PCT/JP2020/028095 JP2020028095W WO2022018795A1 WO 2022018795 A1 WO2022018795 A1 WO 2022018795A1 JP 2020028095 W JP2020028095 W JP 2020028095W WO 2022018795 A1 WO2022018795 A1 WO 2022018795A1
Authority
WO
WIPO (PCT)
Prior art keywords
deterioration
life
degree
consumable
training data
Prior art date
Legal status (The legal status 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 status listed.)
Ceased
Application number
PCT/JP2020/028095
Other languages
English (en)
French (fr)
Inventor
邦彦 阿部
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Gigaphoton Inc
Original Assignee
Gigaphoton Inc
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 Gigaphoton Inc filed Critical Gigaphoton Inc
Priority to JP2022538504A priority Critical patent/JP7432733B2/ja
Priority to PCT/JP2020/028095 priority patent/WO2022018795A1/ja
Priority to CN202080101657.0A priority patent/CN115702526B/zh
Publication of WO2022018795A1 publication Critical patent/WO2022018795A1/ja
Priority to US18/063,559 priority patent/US12579217B2/en
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/1702—Systems in which incident light is modified in accordance with the properties of the material investigated with opto-acoustic detection, e.g. for gases or analysing solids
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N21/39—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using tunable lasers
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01S—DEVICES USING THE PROCESS OF LIGHT AMPLIFICATION BY STIMULATED EMISSION OF RADIATION [LASER] TO AMPLIFY OR GENERATE LIGHT; DEVICES USING STIMULATED EMISSION OF ELECTROMAGNETIC RADIATION IN WAVE RANGES OTHER THAN OPTICAL
    • H01S3/00—Lasers, i.e. devices using stimulated emission of electromagnetic radiation in the infrared, visible or ultraviolet wave range
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/1702—Systems in which incident light is modified in accordance with the properties of the material investigated with opto-acoustic detection, e.g. for gases or analysing solids
    • G01N2021/1704—Systems in which incident light is modified in accordance with the properties of the material investigated with opto-acoustic detection, e.g. for gases or analysing solids in gases

Definitions

  • This disclosure relates to training data creation methods, machine learning methods, consumables management devices, and computer-readable media.
  • the semiconductor exposure apparatus is simply referred to as an "exposure apparatus". Therefore, the wavelength of the light output from the exposure light source is being shortened.
  • a gas laser device is used instead of the conventional mercury lamp.
  • the gas laser apparatus for exposure a KrF excimer laser apparatus that outputs ultraviolet rays having a wavelength of 248 nm and an ArF excimer laser apparatus that outputs ultraviolet rays having a wavelength of 193 nm are used.
  • the current exposure technology is immersion exposure, which shortens the apparent wavelength of the exposure light source by filling the gap between the projection lens and the wafer on the exposure device side with liquid and changing the refractive index of the gap. It has been put to practical use.
  • immersion exposure is performed using an ArF excimer laser device as an exposure light source, the wafer is irradiated with ultraviolet light having an equivalent wavelength of 134 nm. This technique is called ArF immersion exposure.
  • ArF immersion exposure is also called ArF immersion lithography.
  • the spectral line width in the natural oscillation of the KrF and ArF excimer laser devices is as wide as about 350 to 400 pm, chromatic aberration of the laser beam (ultraviolet light) reduced and projected on the wafer by the projection lens on the exposure device side is generated and the resolution is increased. descend. Therefore, it is necessary to narrow the spectral line width of the laser beam output from the gas laser device until the chromatic aberration becomes negligible.
  • the spectral line width is also called the spectral width.
  • a narrow band section (Line Narrow Module) having a narrow band element is provided in the laser cavity of the gas laser device, and the narrow band section realizes a narrow band of the spectrum width.
  • the band narrowing element may be an etalon, a grating, or the like.
  • a laser device having a narrowed spectrum width in this way is called a narrowed band laser device.
  • the training data creation method is a method of creating training data used for machine learning of a learning model for predicting the life of consumables of a laser device, and the use of consumables is started.
  • Obtaining first life-related information including data for at least one life-related parameter of the consumable recorded for different numbers of oscillation pulses during the period from time to replacement, and the number of oscillation pulses.
  • the machine learning method is a machine learning method for creating a learning model for predicting the life of consumables of a laser device, which is replaced after the consumables are used.
  • Obtaining first life-related information including data for at least one life-related parameter of the consumable recorded for different numbers of oscillation pulses during the period up to, and consumables based on the number of oscillation pulses. Determining the first degree of deterioration, determining the second degree of deterioration of the consumables based on at least one life-related parameter, and determining the third degree of deterioration of the consumables based on the first degree of deterioration and the second degree of deterioration.
  • the first life-related information It includes creating a learning model that predicts the degree of deterioration of consumables from the data of life-related parameters included in the information, and saving the created learning model.
  • a computer-readable medium is a non-transient computer-readable medium in which a program is recorded, wherein the program, when executed by the computer, is the life of the consumables of the laser device. It is a program that realizes the function of creating training data used for machine learning of a learning model for predicting, and corresponds to different oscillation pulse numbers during the period from the start of use of consumables to the replacement.
  • a function to acquire the first life-related information including data of at least one life-related parameter of the recorded consumable, a function to determine the first deterioration degree of the consumable based on the number of oscillation pulses, and a function to determine the first deterioration degree of the consumable, and at least one life.
  • a function to determine a second degree of deterioration of consumables based on related parameters a function to determine a third degree of deterioration of consumables based on a first degree of deterioration and a second degree of deterioration, and a first life-related information. It includes a function of creating training data in which the third degree of deterioration is associated with the third degree of deterioration, and an instruction for realizing the computer.
  • FIG. 1 is a diagram schematically showing the configuration of an exemplary laser device.
  • FIG. 2 is a diagram schematically showing a configuration example of a laser management system in a semiconductor factory.
  • FIG. 3 is a graph showing an example of the relationship between the gas pressure of a typical laser chamber and the number of oscillation pulses.
  • FIG. 4 is a diagram showing a configuration of a laser management system of a semiconductor factory according to the first embodiment.
  • FIG. 5 is a block diagram showing the functions of the consumables management server.
  • FIG. 6 is a flowchart showing an example of processing contents in the data acquisition unit.
  • FIG. 1 is a diagram schematically showing the configuration of an exemplary laser device.
  • FIG. 2 is a diagram schematically showing a configuration example of a laser management system in a semiconductor factory.
  • FIG. 3 is a graph showing an example of the relationship between the gas pressure of a typical laser chamber and the number of oscillation pulses.
  • FIG. 4 is a diagram showing a configuration of a
  • FIG. 7 is a flowchart showing an example of the processing content in the learning model creation unit.
  • FIG. 8 is a graph showing an example of the relationship between the voltage of the laser chamber and the number of oscillation pulses, and shows an example of imparting a degree of deterioration to the life of the laser chamber based on the number of oscillation pulses and the voltage.
  • FIG. 9 is a graph showing an example of the relationship between the voltage of the laser chamber and the number of oscillation pulses, and shows another example of imparting a degree of deterioration to the life of the laser chamber based on the number of oscillation pulses and the voltage.
  • FIG. 8 is a graph showing an example of the relationship between the voltage of the laser chamber and the number of oscillation pulses, and shows an example of imparting a degree of deterioration to the life of the laser chamber based on the number of oscillation pulses and the voltage.
  • FIG. 10 is a graph showing an example of the relationship between the gas pressure of the laser chamber and the number of oscillation pulses, and shows an example of imparting a degree of deterioration to the life of the laser chamber based on the number of oscillation pulses, gas pressure, and voltage.
  • FIG. 11 is a flowchart showing an example 1 of the processing content applied to step S48 of FIG.
  • FIG. 12 is a flowchart showing an example 1 of the processing content applied to step S104 of FIG.
  • FIG. 13 is a flowchart showing Example 2 of the processing content applied to step S104 of FIG.
  • FIG. 14 is a flowchart showing an example 3 of the processing content applied to step S104 of FIG.
  • FIG. 11 is a flowchart showing an example 1 of the processing content applied to step S48 of FIG.
  • FIG. 12 is a flowchart showing an example 1 of the processing content applied to step S104 of FIG.
  • FIG. 13 is a flowchart showing Example 2 of the processing content applied to step S104 of
  • FIG. 15 is a diagram showing an example of imparting a degree of deterioration based on a feature amount derived from two values of voltage and gas pressure.
  • FIG. 16 is a diagram showing another example of imparting a degree of deterioration based on a feature amount derived from two values of voltage and gas pressure.
  • FIG. 17 is a graph showing an image in which a plurality of data are included in one deterioration degree section divided into levels according to the number of oscillation pulses.
  • FIG. 18 is a flowchart showing Example 2 of the processing content applied to step S48 of FIG.
  • FIG. 19 is a flowchart showing an example of the processing content applied to step S104 of FIG.
  • FIG. 20 is a schematic diagram showing an example of a neural network model.
  • FIG. 21 is an example of a neural network model for creating a learning model.
  • FIG. 22 is a flowchart showing an example of processing contents in the life prediction unit of consumables.
  • FIG. 23 is a flowchart showing an example of the processing content applied to step S70 of FIG. 22.
  • FIG. 24 is a graph showing an example of calculating the life and remaining life of the laser chamber using the created learning model.
  • FIG. 25 is a chart showing an example of the probability for each degree of deterioration divided into 10 levels.
  • FIG. 26 is a diagram showing an example of processing for predicting the life of consumables by a trained neural network model.
  • FIG. 27 is a flowchart showing an example of processing contents in the data output unit.
  • FIG. 28 is a chart showing an example of life-related information of the laser chamber.
  • FIG. 29 is a chart showing an example of life-related information of the laser chamber.
  • FIG. 30 is a chart showing an example of life-related information of the laser chamber.
  • FIG. 31 is a diagram showing an example of life-related information of the monitor module.
  • FIG. 32 is a diagram showing an example of life-related information of the narrow band module.
  • “Burst operation” means an operation in which a burst period in which a pulsed laser beam whose band is narrowed according to exposure is continuously oscillated and an oscillation pause period in which oscillation is paused according to the movement of a stage are alternately repeated. do.
  • the laser device 10 is, for example, a KrF excimer laser device, which includes a laser control unit 90, a laser chamber 100, an inverter 102, an output coupling mirror 104, a narrow band module (Line Narrow Module: LNM) 106, and the like. It includes a monitor module 108, a charger 110, a pulse power module (PPM) 112, a gas supply device 114, a gas exhaust device 116, and an outlet shutter 118.
  • PPM pulse power module
  • the laser chamber 100 includes a first window 121, a second window 122, a cross flow fan (CFF) 123, a motor 124 for rotating the CFF 123, a pair of electrodes 125 and 126, an electrical insulator 127, and a pressure. It includes a sensor 128 and a heat exchanger (not shown).
  • CFF cross flow fan
  • the inverter 102 is a power supply device for the motor 124.
  • the inverter 102 receives a command signal from the laser control unit 90 that specifies the frequency of the electric power supplied to the motor 124.
  • the PPM 112 is connected to the electrode 125 via a feedthrough in the electrical insulator 127 of the laser chamber 100.
  • the PPM 112 includes a semiconductor switch 129, a charging capacitor, a pulse transformer, and a pulse compression circuit (not shown).
  • the output coupling mirror 104 is a partial reflection mirror, and is arranged so as to form an optical resonator together with the narrow band module 106.
  • the laser chamber 100 is arranged on the optical path of this optical resonator.
  • the narrowing band module 106 includes a beam expander using the first prism 131 and the second prism 132, a rotating stage 134, and a grating 136.
  • the first prism 131 and the second prism 132 are arranged so as to magnify the beam of light emitted from the second window 122 of the laser chamber 100 and enter the grating 136.
  • the grating 136 is retrowed so that the incident angle and the diffraction angle of the laser beam match.
  • the second prism 132 is arranged on the rotating stage 134 so that the angle of incidence of the laser beam on the grating 136 and the angle of diffraction change when the rotating stage 134 rotates.
  • the monitor module 108 includes a first beam splitter 141 and a second beam splitter 142, a pulse energy detector 144, and a spectrum detector 146.
  • the first beam splitter 141 is arranged on the optical path of the laser beam output from the output coupling mirror 104, and a part of the laser beam is reflected and is arranged so as to be incident on the second beam splitter 142.
  • the pulse energy detector 144 is arranged so that the laser light transmitted through the second beam splitter 142 is incident.
  • the pulse energy detector 144 may be, for example, a photodiode that measures the light intensity of ultraviolet rays.
  • the second beam splitter 142 is arranged so that a part of the laser beam is reflected and incident on the spectrum detector 146.
  • the spectrum detector 146 is, for example, a monitor etalon measuring device that measures interference fringes generated by etalon with an image sensor. Based on the generated interference fringes, the center wavelength and spectral line width of the laser beam are measured.
  • the gas supply device 114 is via a pipe with each of the inert gas supply source 152, which is a supply source of the inert laser gas, and the halogen gas supply source 153, which is a supply source of the laser gas containing halogen. Is connected.
  • the inert laser gas is a mixed gas of Kr gas and Ne gas.
  • the gas supply device 114 is connected to the laser chamber 100 via a pipe.
  • the gas supply device 114 includes an automatic valve and a mass flow controller (not shown) for supplying a predetermined amount of an inert laser gas or a laser gas containing a halogen to the laser chamber 100, respectively.
  • the gas exhaust device 116 is connected to the laser chamber 100 via piping.
  • the gas exhaust device 116 includes a halogen filter (not shown) for removing halogen and an exhaust pump, and is configured to exhaust the halogen-removed laser gas to the outside.
  • the exit shutter 118 is arranged on the optical path of the laser beam output from the laser device 10 to the outside.
  • the laser device 10 is arranged so that the laser light output from the laser device 10 via the exit shutter 118 is incident on the exposure device 14.
  • the laser control unit 90 desires an inert laser gas and a laser gas containing halogen in the laser chamber 100 via the gas supply device 114 after exhausting the gas in the laser chamber 100 via the gas exhaust device 116. Fill to the gas composition and total gas pressure.
  • the laser control unit 90 rotates the motor 124 at a predetermined rotation speed via the inverter 102 to rotate the CFF 123. As a result, laser gas flows between the electrodes 125 and 126.
  • the laser control unit 90 receives the target pulse energy Et from the exposure control unit 50 of the exposure device 14, and transmits the data of the charging voltage Vhv to the charger 110 so that the pulse energy becomes Et.
  • the charger 110 charges the charging capacitor of the PPM 112 so that the charging voltage is Vhv.
  • the laser control unit 90 inputs the trigger signal Tr2 to the semiconductor switch 129 of the PPM 112 in synchronization with the light emission trigger signal Tr1.
  • the semiconductor switch 129 operates, the current pulse is compressed by the magnetic compression circuit of the PPM 112, and a high voltage is applied between the electrodes 125 and 126. As a result, a discharge is generated between the electrodes 125 and 126, and the laser gas is excited in the discharge space.
  • the electrodes 125 and 126 are examples of "discharge electrodes" in the present disclosure.
  • Excimer light is generated when the excited laser gas in the discharge space becomes the ground state. This excimer light oscillates by laser by being amplified back and forth between the output coupling mirror 104 and the band narrowing module 106. As a result, the pulsed laser beam with a narrow band is output from the output coupling mirror 104.
  • the pulsed laser light output from the output coupling mirror 104 is incident on the monitor module 108.
  • a part of the laser beam is sampled by the first beam splitter 141 and incident on the second beam splitter 142.
  • the second beam splitter 142 transmits a part of the incident laser light and incidents it on the pulse energy detector 144, reflects the other part and incidents it on the spectrum detector 146.
  • the pulse energy E of the pulse laser light output from the laser device 10 is measured by the pulse energy detector 144, and the measured pulse energy E data is transmitted from the pulse energy detector 144 to the laser control unit 90.
  • center wavelength ⁇ and the spectral line width ⁇ are measured by the spectrum detector 146, and the data of the measured center wavelength ⁇ and the spectral line width ⁇ are transmitted from the spectrum detector 146 to the laser control unit 90.
  • the laser control unit 90 receives data of the target pulse energy Et and the target wavelength ⁇ t from the exposure device 14.
  • the laser control unit 90 controls the pulse energy based on the pulse energy E and the target pulse energy Et measured by the pulse energy detector 144.
  • the laser control unit 90 controls the wavelength based on the center wavelength ⁇ and the target wavelength ⁇ t measured by the spectrum detector 146.
  • the laser control unit 90 receives the target pulse energy Et and the target wavelength ⁇ t from the exposure device 14, and each time the light emission trigger signal Tr1 is input, the laser control unit 90 synchronizes with the light emission trigger signal Tr1 and the laser device 10 To output a pulsed laser beam.
  • the laser control unit 90 executes, for example, the following gas control in order to suppress these adverse effects.
  • Halogen injection control contains halogen gas that is mainly consumed by electric discharge in the laser chamber 100 during laser oscillation at a concentration higher than that of the halogen gas in the laser chamber 100. It is a gas control that replenishes the laser chamber 100 by injecting gas.
  • Partial gas exchange control In the partial gas exchange control, a part of the laser gas in the laser chamber 100 is replaced with a new laser gas so as to suppress an increase in the concentration of the impurity gas in the laser chamber 100 during laser oscillation. Gas control.
  • the gas pressure control is a gas control that controls the pulse energy by injecting a laser gas into the laser chamber 100 and changing the gas pressure P of the laser gas.
  • the control of the pulse energy is usually performed by controlling the charging voltage Vhv, but it is impossible to compensate for the decrease in the pulse energy of the pulsed laser light output from the laser device 10 within the control range of the charging voltage Vhv. If so, gas pressure control is performed.
  • the laser control unit 90 controls the gas exhaust device 116.
  • the laser gas exhausted from the laser chamber 100 is exhausted to the outside of the laser apparatus 10 after the halogen gas is removed by a halogen filter (not shown).
  • the laser control unit 90 transfers data of each parameter such as the number of oscillation pulses, the charging voltage Vhv, the gas pressure P in the laser chamber 100, the pulse energy E of the laser beam, and the spectral line width ⁇ via a local area network (not shown). It is transmitted to the management system 206 for the laser device (see FIG. 2).
  • the major consumable replacement work performed by the field service engineer is the replacement work of the laser chamber 100, the narrowing band module 106, and the monitor module 108. ..
  • the replacement time of these major consumables is generally controlled not by time but by the number of oscillation pulses of the laser device 10. Replacing these major consumables can take 3 to 10 hours. Among these major consumables, the consumable with the longest replacement time is the laser chamber 100.
  • the laser device 10 is not limited to this example and may be applied to other laser devices.
  • the laser device 10 may be an ArF excimer laser device or a XeCl excimer laser device.
  • the gas control of the laser apparatus 10 shows a case where halogen injection control, partial gas exchange control, and gas pressure control are performed, but the gas control is not limited to this example, and the gas control is not limited to this example. It is not always necessary to carry out gas pressure control.
  • the laser management system 200 includes a plurality of laser devices 10, a laser device management system 206, and a semiconductor factory management system 208.
  • Each of the laser device management system 206 and the semiconductor factory management system 208 is configured by using a computer.
  • Each of the management system 206 for the laser apparatus and the semiconductor factory management system 208 may be a computer system configured by using a plurality of computers.
  • the semiconductor factory management system 208 is connected to the laser device management system 206 via the network 210.
  • the network 210 is a communication line capable of transmitting information by wire, wireless, or a combination thereof.
  • the network 210 may be a wide area network or a local area network.
  • the laser device identification codes # 1, # 2, ... # K, ... # W are used here.
  • w is the number of laser devices 10 included in the laser management system 200 in the semiconductor factory.
  • w is an integer of 1 or more.
  • k is an integer in the range of 1 or more and w or less.
  • it may be referred to as a laser device #k.
  • the laser devices # 1 to # w may have the same device configuration, or some or all of the laser devices # 1 to # w may have different device configurations.
  • Each of the laser devices # 1 to # w and the laser device management system 206 is connected to the local area network 213.
  • the local area network 213 is displayed as “LAN”.
  • the laser device management system 206 manages the replacement timing of the main consumables of each laser device # 1 to # w mainly by the number of laser-oscillated pulses (oscillation pulse number) Np.
  • the management system 206 for the laser device may display the maintenance management information on the display terminal, or may transmit the maintenance management information to the semiconductor factory management system 208 via the network 210.
  • the management lines that manage the laser devices # 1 to # w by the laser device management system 206 are independent of each other, and are based on the maintenance management information output from each laser device # 1 to # w. , The manager of the semiconductor factory decides when to replace the main consumables of each laser device # 1 to # w.
  • FIG. 3 is a graph showing an example of the relationship between the gas pressure P of a typical laser chamber 100 and the number of oscillation pulses Np.
  • the electrodes 125 and 126 are consumed, the halogen gas in the laser gas is consumed, and the impurity gas is generated.
  • a decrease in the concentration of halogen gas and an increase in impurity gas in the laser chamber 100 adversely affect the decrease in pulse energy of pulsed laser light and the stability of pulse energy.
  • the replacement timing of the laser chamber 100 is indicated by an upward arrow.
  • the operation after replacing the laser chamber 100 is as follows.
  • Step 1 As for the gas pressure P immediately after replacing the laser chamber 100, the laser performance is maintained at the initial gas pressure Pch.
  • Step 2 When the laser oscillation is continued, the gas pressure P rises due to the gas pressure control in order to maintain the laser performance due to the consumption of the discharge electrode and the generation of impurity gas.
  • the graph shown by the thick line in FIG. 3 shows the transition of the gas pressure P in this step 2.
  • Step 3 when the laser performance cannot be maintained even by gas pressure control, the laser oscillation is stopped and all gas is replaced.
  • the timing of all gas exchange is indicated by a downward arrow.
  • Step 4 Adjust oscillation after exchanging all gas. Gas pressure control is performed to restore laser performance.
  • the gas pressure P when the laser performance is restored is referred to as "initial gas pressure after total gas exchange” and is referred to as Pini.
  • Step 5 After that, steps 2 to 4 are repeated a plurality of times.
  • the initial gas pressure Pini after all gas exchange gradually increases as the number of oscillation pulses Np increases.
  • the graph shown by the thin line in FIG. 3 shows the transition of the initial gas pressure Pini.
  • the value of the number of oscillation pulses as the standard life may be set for each major consumable of the laser device. However, due to individual differences in consumables, the number of oscillation pulses that reach the end of their life is not constant and varies. Even if the life of the consumable is longer than the standard life, the consumable may be replaced as regular maintenance at the time of the standard life. In addition, if the life of consumables is shorter than the standard life, planned replacement of consumables may not be possible and the production line may be stopped.
  • the FSE empirically predicts the life of each consumable by looking at the log data of the gas pressure transition with respect to the number of oscillation pulses and other parameters related to the life as shown in FIG. It corresponds. Therefore, the prediction of the life of consumables and the response to replacement of consumables may depend on the ability of the FSE individual.
  • FIG. 4 is a diagram showing the configuration of the laser management system 300 of the semiconductor factory according to the first embodiment. The difference between the configuration shown in FIG. 4 and FIG. 2 will be described.
  • the laser management system 300 of the semiconductor factory shown in FIG. 4 has a configuration in which a consumables management server 310 is added to the configuration of the laser management system 200 of FIG.
  • the consumables management server 310 is connected to the laser device management system 206 and the semiconductor factory management system 208 via the network 210.
  • the consumables management server 310 has a configuration capable of transmitting and receiving data and signals to each of the laser device management system 206 and the semiconductor factory management system 208.
  • FIG. 5 is a block diagram showing the functions of the consumables management server 310.
  • the consumables management server 310 includes a data acquisition unit 320, a consumable life-related information storage unit 330, a learning model creation unit 340 by machine learning, a learning model storage unit 350, and a consumable life prediction unit 360. It includes a data output unit 370.
  • the life-related information of consumables includes file A, file B, and file C.
  • File A is a file in which the life-related log data of the laser chamber 100 is stored.
  • File B is a file in which the life-related log data of the monitor module 108 is stored.
  • File C is a file in which the life-related log data of the narrow band module 106 is stored.
  • the consumable life-related information storage unit 330 includes a storage unit 332 for storing the file A, a storage unit 334 for storing the file B, and a storage unit 336 for storing the file C.
  • the learning model creation unit 340 is a processing unit that creates a learning model by machine learning.
  • the learning model storage unit 350 for consumables stores the learning model created by the learning model creation unit 340.
  • the learning model storage unit 350 for consumables includes a storage unit 352 for storing the file Am, a storage unit 354 for storing the file Bm, and a storage unit 356 for storing the file Cm.
  • File Am is a file in which the first learning model that performs the process of predicting the life of the laser chamber 100 is stored.
  • the file Bm is a file in which the second learning model that performs the process of predicting the life of the monitor module 108 is stored.
  • the file Cm is a file in which the third learning model that performs the process of predicting the life of the narrowing band module 106 is stored.
  • the storage unit 332, 334, 336, 352, 354, 356 is configured by using a storage device such as a hard disk device and / or a semiconductor memory.
  • the storage units 332, 334, 336, 352, 354, and 356 may be configured by using separate storage devices, or may be configured as a part of a storage area in one or more storage devices.
  • each of the laser control unit 90, the exposure control unit 50, the laser device management system 206, the semiconductor factory management system 208, and the consumables management server 310 is the hardware and software of one or more computers. It can be realized by combination. Software is synonymous with program. Programmable controllers are part of the computer concept.
  • the computer may be configured to include, for example, a CPU (Central Processing Unit) and a storage device. Programmable controllers are part of the computer concept.
  • the computer may include a GPU (Graphics Processing Unit).
  • the CPU and GPU included in the computer are examples of processors.
  • the storage device is a non-temporary computer-readable medium that is a tangible object, and includes, for example, a memory that is a main storage device and a storage that is an auxiliary storage device.
  • the computer-readable medium may be, for example, a semiconductor memory, a hard disk drive (HDD) device, a solid state drive (SSD) device, or a combination thereof.
  • the program executed by the processor is stored in a computer-readable medium.
  • the processor may be configured to include a computer-readable medium.
  • control devices and processing devices such as the laser control unit 90, the exposure control unit 50, the laser device management system 206, the semiconductor factory management system 208, and the consumables management server 310 are FPGAs ( It may be realized by using an integrated circuit typified by FieldProgrammableGateArray) or ASIC (ApplicationSpecific IntegratedCircuit).
  • control devices and processing devices may be connected to each other via a communication network such as a local area network or an Internet line.
  • program units may be stored on both local and remote memory storage devices. Processors applied to the laser control unit 90, the exposure control unit 50, the laser device management system 206, the semiconductor factory management system 208, the consumables management server 310, and the like are special for performing various processes included in the present disclosure. It is configured or programmed in.
  • the consumables management server 310 shown in FIG. 5 creates a learning model used for the process of predicting the life of the consumables of the laser device 10. It has a function to perform machine learning for this purpose and a function to perform processing for predicting the life of consumables using the created learning model.
  • the consumables management server 310 is an example of the "consumables management device" in the present disclosure. First, a machine learning method for creating a learning model used for predicting the life of consumables in the consumables management server 310 and a method for creating training data used for the machine learning will be described.
  • the data acquisition unit 320 continues from the laser device management system 206 in association with the oscillation pulse number Np for the entire period of use of the replaced consumables. Acquires life-related information including all data of life-related parameters recorded in the laser. The data acquisition unit 320 writes the data acquired from the laser device management system 206 into the consumable life-related information storage unit 330.
  • the data acquisition unit 320 specifies a file to be written according to the type of the replaced consumable and writes the data.
  • the data acquisition unit 320 writes the life-related log data, which is the life-related information of the laser chamber 100, in the file A.
  • the data acquisition unit 320 writes the life-related log data, which is the life-related information of the monitor module 108, in the file B.
  • the data acquisition unit 320 writes the life-related log data, which is the life-related information of the narrow band module 106, in the file C.
  • the log data written in each of the file A, the file B, and the file C is an example of the "first life-related information" in the present disclosure.
  • the data acquisition unit 320 is an example of the “information acquisition unit” in the present disclosure.
  • the learning model creation unit 340 When the learning model creation unit 340 stores new life-related information data regarding the replaced consumables in the consumable life-related information storage unit 330, the learning model creation unit 340 acquires the newly saved life-related information data. Further, the learning model creation unit 340 calls a learning model corresponding to the replaced consumables from the consumables learning model storage unit 350.
  • the learning model creation unit 340 calls the file Am.
  • the learning model creation unit 340 calls the file Bm.
  • the learning model creation unit 340 calls the file Cm.
  • the learning model creation unit 340 performs machine learning based on the data of life-related parameters recorded during the period from the start of use to the replacement of the replaced consumables, and creates a new learning model. The details of the specific machine learning method will be described later.
  • the new learning model created by the learning model creation unit 340 is stored in the learning model storage unit 350 of the consumables. When a new learning model is created by performing machine learning, the file of the learning model storage unit 350 is updated, and the latest learning model file is written to the learning model storage unit 350.
  • the data acquisition unit 320 can receive a request signal for life prediction processing of consumables to be replaced from an external device.
  • the external device here may be a semiconductor factory management system 208, a terminal device (not shown), or the like.
  • the “consumables to be replaced” are consumables currently installed in the laser device 10 and are candidates for consideration to be replaced in the future.
  • the data acquisition unit 320 When the data acquisition unit 320 receives a request for life prediction processing of the consumable to be replaced, the data of the current life-related information of the consumable to be replaced and the pulse scheduled to oscillate per day from the management system 206 for the laser device. The data of several Ndays is acquired.
  • the data acquisition unit 320 transmits the data of the current life-related information of the consumable to be replaced and the data of the number of pulses scheduled to oscillate Nday per day to the consumable life prediction unit 360.
  • the consumable life prediction unit 360 acquires the data of the current life-related information of the consumable to be replaced and the data of the number of pulses scheduled to oscillate Nday per day, and obtains a learning model corresponding to the consumable to be replaced. Called from the consumables learning model storage unit 350.
  • the consumable item life prediction unit 360 reads the file Am from the consumable item learning model storage unit 350.
  • the consumable life prediction unit 360 predicts the life of consumables by using a learning model based on the data of the current life-related information.
  • the consumable life prediction unit 360 calculates the data of the predicted oscillation pulse number of the consumable life Nlife and the remaining life Nre to be replaced, and the recommended maintenance date Drec, and transmits these data to the data output unit 370. do.
  • the recommended maintenance date Drec can be calculated using, for example, the following equation.
  • Drec Dpre + Nre / Nday Dpre: Acquisition date of current life-related data of consumables
  • the data output unit 370 outputs data of the predicted lifespan Nlife and remaining life Nre oscillation pulse number of the consumables to be replaced, and data representing the recommended maintenance date Drec. , Transmit to the laser device management system 206 via the network 210.
  • the data output unit 370 is an example of the "information output unit" in the present disclosure.
  • the management system 206 for the laser device notifies the semiconductor factory management system 208, the operator, the FSE, etc. of the predicted life of consumables to be replaced, the number of oscillation pulses of the remaining life Nre, and the recommended maintenance date Drec by display or mail. You may.
  • This notification may be notified from the consumables management server 310 via the network 210.
  • FIG. 6 is a flowchart showing an example of processing contents in the data acquisition unit 320.
  • the processing and operation shown in the flowchart of FIG. 6 are realized, for example, by executing a program by a processor functioning as a data acquisition unit 320.
  • step S12 the data acquisition unit 320 determines whether or not the consumables have been replaced. If the determination result in step S12 is Yes determination, the data acquisition unit 320 proceeds to step S14. Step S14 and step S16 are processing flows when creating a learning model.
  • step S14 the data acquisition unit 320 receives information related to the entire life of the replaced consumables during the period of use. That is, when the consumables of the laser device 10 are replaced, the data acquisition unit 320 receives the information related to the entire life of the replaced consumables during the usage period from the laser device management system 206.
  • step S16 the data acquisition unit 320 writes the total life-related information of the replaced consumables during the usage period in the life-related information storage unit 330. That is, the data acquisition unit 320 writes data in the file corresponding to the replaced consumables.
  • the replaced consumable is the laser chamber 100, the monitor module 108, or the narrowing band module 106, and the data acquisition unit 320 stores data in file A, file B, or file C according to the type of consumable. Write.
  • step S16 the data acquisition unit 320 proceeds to step S30.
  • step S30 the data acquisition unit 320 determines whether or not to stop receiving information. If the determination result in step S30 is No, the data acquisition unit 320 returns to step S12.
  • step S12 determines whether or not to calculate the life of the consumable to be replaced. For example, when a user inputs a request for life prediction for a consumable item to be replaced from an input device (not shown), the determination result in step S20 is a Yes determination.
  • step S20 determines whether the determination result in step S20 is Yes determination. If the determination result in step S20 is Yes determination, the data acquisition unit 320 proceeds to step S22.
  • Step S22, step S24 and step S26 are processing flows for calculating the expected life of consumables to be replaced. Calculating the expected life of a consumable means predicting the life of a consumable.
  • step S22 the data acquisition unit 320 receives the current life-related information of the consumables to be replaced from the laser device management system 206.
  • the data acquisition unit 320 receives the operation-related information of the laser device 10 from the management system 206 for the laser device.
  • the operation-related information of the laser device 10 is the number of pulses scheduled to oscillate Nday per day. Specifically, it may be Nday, the number of pulses scheduled to oscillate per day, which is grasped from past operation data. Alternatively, the future operation schedule information may be acquired from the semiconductor factory management system 208, and the expected oscillation pulse number Nday per day may be calculated.
  • step S26 the data acquisition unit 320 transmits the current life-related information and the operation-related information of the laser device 10 to the consumable life prediction unit 360.
  • step S26 the data acquisition unit 320 proceeds to step S30. If the determination result in step S20 is No, the data acquisition unit 320 skips steps S22 to S26 and proceeds to step S30.
  • step S30 If the determination result in step S30 is Yes determination, the data acquisition unit 320 ends the flowchart of FIG.
  • FIG. 7 is a flowchart showing an example of the processing content in the learning model creation unit 340.
  • the processing and operation shown in the flowchart of FIG. 7 are realized, for example, by executing a program by a processor that functions as a learning model creation unit 340.
  • step S42 the learning model creation unit 340 determines whether or not new data has been written to the consumable life-related information storage unit 330. If the determination result in step S42 is No, the learning model creation unit 340 repeats step S42. If the determination result in step S42 is Yes determination, the learning model creation unit 340 proceeds to step S44.
  • step S44 the learning model creation unit 340 acquires information related to the entire life of the replaced consumables during the period of use.
  • the learning model creation unit 340 acquires the data written in the file (file A, file B, or file C) corresponding to the replaced consumables (laser chamber 100, monitor module 108, or narrowing band module 106). do.
  • step S46 the learning model creation unit 340 calls the learning model of the replaced consumables. That is, the learning model creation unit 340 calls the learning model stored in the file (file Am, file Bm, or file Cm) corresponding to the replaced consumables.
  • step S48 the learning model creation unit 340 executes the processing of the learning model creation subroutine.
  • the learning model creation unit 340 performs machine learning based on the learning model corresponding to the replaced consumables and the life-related information, and creates a new learning model.
  • step S50 the learning model creation unit 340 stores the newly created learning model in the consumable learning model storage unit 350.
  • the learning model creation unit 340 saves the newly created learning model in a file (file Am, file Bm, or file Cm) corresponding to the replaced consumables. From the next time, the latest learning model is stored in the learning model storage unit 350 so that this new learning model can be used.
  • step S52 the learning model creation unit 340 determines whether or not to stop the creation of the learning model. If the determination result in step S52 is No, the learning model creation unit 340 returns to step S42 and repeats steps S42 to S52. When the determination result in step S52 is Yes determination, the learning model creation unit 340 ends the flowchart of FIG. 7.
  • the parameters of each initial learning model stored in the learning model storage unit 350 are set to arbitrary values before learning. It may have been done.
  • the parameters of the learning model are changed to appropriate values, and a learning model that has acquired the processing function of predicting the life of consumables is created.
  • the initial learning model may be a provisional learning model in which the parameters are adjusted to some extent by performing the same method as the machine learning method of the present embodiment in advance.
  • the learning model created by the learning model creation unit 340 is learned to receive input of life-related information and output the deterioration degree of consumables as a prediction (inference) result.
  • the process performed by the learning model creation unit 340 includes a process of creating training data used for machine learning and a process of performing machine learning using the created training data.
  • the training data is synonymous with "learning data” or "learning data”.
  • FIG. 8 is a graph showing an example of the relationship between the voltage V of the laser chamber 100 and the number of oscillation pulses Np, and shows an example of imparting a degree of deterioration to the life of the laser chamber 100 by the number of oscillation pulses Np and the voltage V. ..
  • the horizontal axis of FIG. 8 represents the number of oscillation pulses Np, and the vertical axis represents the voltage V applied between the electrodes 125 and 126. From the life-related log data of the laser chamber 100 stored in the file A, the data of the voltage V associated with the oscillation pulse number Np as shown in FIG. 8 can be read out.
  • the deterioration degree DLn is an evaluation of the deterioration level of the laser chamber 100 by the oscillation pulse number Np, and the value indicating the deterioration degree DLn level becomes larger as the oscillation pulse number Np increases.
  • the minimum level value may be 1 and the maximum level value may be 10.
  • the maximum allowable voltage Vmax is set as the life, and the degree of deterioration DLv due to the voltage V is defined stepwise (for example, 10 steps).
  • the maximum allowable voltage Vmax is, for example, a value in the range of 17.5 kV to 20.0 kV.
  • the deterioration degree DLv is an evaluation of the deterioration level of the laser chamber 100 by the voltage V, and the value indicating the level of the deterioration degree DLv becomes larger as the voltage V increases.
  • the minimum level value may be 1 and the maximum level value may be 10. It is preferable that the upper limit (maximum level value) of the deterioration degree DLv due to the voltage V and the upper limit of the deterioration degree DLn due to the number of oscillation pulses Np are the same, and the degree of deterioration relative to the upper limit of the deterioration degree according to each parameter is. It is preferable to arrange them roughly.
  • the correspondence relationship between the voltage value and the level value may be determined in advance from the test result or the field data.
  • the degree of deterioration DL given as a label indicating the degree of deterioration to the actual life of the state of the laser chamber 100 represented by the combination of parameters (Np, V) of the number of oscillation pulses Np and the voltage V is oscillation.
  • the degree of deterioration DLn (Np) due to the number of pulses Np and the degree of deterioration DLv (V) due to the voltage V the degree of deterioration with a higher level of deterioration (the one with a larger level value) is defined as the degree of deterioration. According to the example of FIG.
  • the level of the deterioration degree DLn due to the oscillation pulse number Np is “2”
  • the level of the deterioration degree DLv due to the voltage V is “4”, so that the region is The degree of deterioration DL actually given is "4". Since the voltage V may have a large variation at the time of acquisition, a moving average value for a certain period (for example, one week) may be used.
  • the range from the initial voltage Vch after replacement of the laser chamber 100 to the maximum allowable voltage Vmax is equally divided into 10 stages of levels 1 to 10.
  • the level classification of the deterioration degree DLv by V is not limited to this example.
  • the threshold voltage Vth is set for the voltage V
  • the deterioration degree DLv at the threshold voltage Vth is set as level 6, etc.
  • the level from the threshold voltage Vth to the maximum allowable voltage Vmax is equally divided. 6 to 10 may be set.
  • the threshold voltage Vth may be, for example, 17.5 kV.
  • the degree of deterioration DLv due to a low voltage V that is less than the threshold voltage Vth may be set to level 0.
  • Level 0 means that the degree of deterioration is not evaluated (no evaluation).
  • the threshold voltage Vth is an example of the "predetermined threshold" in the present disclosure.
  • the deterioration due to the voltage V in this region is “3”. Therefore, the evaluation of the deterioration degree DLn based on the number of oscillation pulses Np is prioritized, and the deterioration degree DL actually applied to the region is “3”.
  • the deterioration degree DLn due to the number of oscillation pulses Np is maintained as the deterioration degree DL actually applied.
  • the degree of deterioration DLv due to the voltage V is evaluated as a level value in the latter half of the deterioration level (levels 6 to 10).
  • the voltage V from the finding that the deterioration state becomes a problem when the voltage becomes higher than a certain voltage value, the deterioration due to the voltage V in the region higher than the value of the voltage V (threshold voltage Vth) to be noted.
  • a configuration may be adopted in which a DLv label is given.
  • the influence of the evaluation of the degree of deterioration DLv by the voltage V is relatively reduced in the region where the voltage V is lower than the threshold voltage Vth, and the number of oscillation pulses Np.
  • the influence of the evaluation of the degree of deterioration DLn can be relatively increased.
  • the evaluation of the deterioration degree DLv by the voltage V and the evaluation of the deterioration degree DLn by the number of oscillation pulses Np are emphasized to almost the same degree, and both are compared and actually given. It is possible to determine the degree of deterioration DL to be performed.
  • the degree of deterioration DL actually applied is the degree of deterioration of which the level of the degree of deterioration is higher than the degree of deterioration of each of the two parameters.
  • the degree of deterioration DLv due to a low voltage V less than the threshold voltage Vth is set to "level 0", but the same result can be obtained by setting "level 1" instead of "level 0". That is, the degree of deterioration DLv due to the voltage V when the voltage V is lower than the threshold voltage Vth may be a value equal to or less than the minimum level value (level 1) of the degree of deterioration DLn due to the number of oscillation pulses Np.
  • the deterioration degree DL is given to the combination of the number of oscillation pulses Np and the voltage V (Np, V).
  • the data associated with the parameter set of the combination of the number of oscillation pulses Np and the voltage V (Np, V) created in this way and the deterioration degree DL is used as training data for machine learning. That is, the combination data of the oscillation pulse number Np and the life-related parameters becomes the input data to the learning model, and the value of the level representing the deterioration degree DL corresponds to the label (teacher data) of the correct answer of the deterioration degree for the input data.
  • the data of the parameter set of the combination of the number of oscillation pulses Np and the voltage V (Np, V) is the input data to the learning model, and the data of the deterioration degree DL corresponding to this is the correct label.
  • the learning model creation unit 340 performs machine learning using the created supervised data, and creates a learning model that outputs a predicted value of the degree of deterioration with respect to the input of the combination of the number of oscillation pulses Np and the voltage V. That is, the learning model creation unit 340 predicts (infers) which level of the 10 levels of deterioration (levels 1 to 10) corresponds to the input data obtained by combining a plurality of parameters. Create a learning model to perform the task.
  • the number of stages of the degree of deterioration is not limited to 10 and may be 2 or more appropriate stages.
  • the degree of deterioration DLn due to the number of oscillation pulses Np is an example of the "first degree of deterioration” in the present disclosure.
  • the degree of deterioration DLv due to the voltage V is an example of the "second degree of deterioration” in the present disclosure.
  • the deterioration degree DL actually given is an example of the "third deterioration degree” in the present disclosure.
  • the deterioration degree DL actually applied may be the deterioration degree DLn having the largest value among the deterioration degree DLn due to the number of oscillation pulses Np, the deterioration degree DLv due to the voltage V, and the deterioration degree DLp due to the gas pressure Pini. ..
  • the gas pressure Pini may have a large variation at the time of acquisition, so a moving average value for a certain period (for example, one week) may be used.
  • FIG. 10 is a graph showing an example of the relationship between the gas pressure Pini of the laser chamber 100 and the oscillation pulse number Np, and the degree of deterioration until the life of the laser chamber 100 based on the oscillation pulse number Np, the gas pressure Pini, and the voltage V.
  • the vertical axis of FIG. 10 represents the gas pressure Pini, and the unit is [Pa].
  • the maximum allowable gas pressure Pmax is defined as the life, and the degree of deterioration DLp due to the gas pressure Pini is defined stepwise (for example, 10 steps).
  • the range from the initial gas pressure Pch after replacement of the laser chamber 100 to the maximum allowable gas pressure Pmax is equally divided into 10 stages of levels 1 to 10.
  • the setting of the level classification of the deterioration degree DLp by the gas pressure Pini is not limited to this example.
  • a threshold gas pressure that serves as a threshold for the gas pressure Pini is set, the degree of deterioration at this threshold gas pressure is set to, for example, level 3, and the maximum allowable gas pressure Pmax up to level 10 is equally divided and set to levels 3 to 10. You can do it.
  • the threshold gas pressure may be 2400 [Pa].
  • the degree of deterioration corresponding to the gas pressure lower than the level 3 may be level 0 or level 1.
  • the degree of deterioration DLnp due to the combination of parameters (Np, Pini) of the number of oscillation pulses Np and the gas pressure Pini is the degree of deterioration DLn (Np) due to the number of oscillation pulses Np and the degree of deterioration DLp (Pini) due to the gas pressure Pini.
  • the degree of deterioration is the one with the higher level of deterioration.
  • the degree of deterioration DLnvp to be given is the degree of deterioration with the highest level of deterioration among the degree of deterioration DLn (Np) due to the number of oscillation pulses Np, the degree of deterioration DLv (V) due to voltage V, and the degree of deterioration DLp (Pini) due to gas pressure Pini. And.
  • the level of the degree of deterioration DLn due to the number of oscillation pulses Np is “5”
  • the level of the degree of deterioration DLp due to the gas pressure Pini is “6”.
  • the degree of deterioration DLnp based on the comprehensive judgment of the number of oscillation pulses Np and the gas pressure Pini is “6”.
  • the level of the degree of deterioration DLv due to the voltage V is “7” (see FIG. 8).
  • the degree of deterioration DLnvp based on the comprehensive judgment of the number of oscillation pulses Np, the voltage V, and the gas pressure Pini is "7".
  • the degree of deterioration DLn, DLv, DLp according to each parameter with respect to the state of the consumables represented by the combination of the oscillation pulse number Np, the voltage V and the gas pressure Pini (Np, V, Pini). Based on the above, the degree of deterioration DLnbp is given.
  • the data in which the combination of the number of oscillation pulses Np, the voltage V and the gas pressure P (Np, V, Pini) and the deterioration degree DLnbp created in this way are associated with each other is used as training data for machine learning.
  • Machine learning is performed using such training data, and a level indicating the degree of deterioration of consumables is shown with respect to an input of a combination of oscillation pulse number Np, voltage V, and gas pressure P (Np, V, Pini) (that is,).
  • Voltage V and gas pressure Pini are examples of "plural life-related parameters" in the present disclosure.
  • Each of the degree of deterioration DLv due to the voltage V and the degree of deterioration DLp due to the gas pressure Pini is an example of the "second degree of deterioration” in the present disclosure.
  • the total degree of deterioration DLnbp due to the number of oscillation pulses Np, the voltage V, and the gas pressure Pini is an example of the “third degree of deterioration” in the present disclosure.
  • the life-related information for each consumable in the entire period of one cycle from the start of use to the replacement of the consumable is the same.
  • the data is divided into multiple levels of deterioration, and training data is created in which the data of life-related parameters and the level indicating the degree of deterioration are associated with each other.
  • FIG. 11 is a flowchart showing Example 1 of the processing content applied to step S48 of FIG. That is, FIG. 11 shows Example 1 of a learning model creation subroutine.
  • step S102 of FIG. 11 the learning model creation unit 340 divides the information related to the entire life of the replaced consumables during the period of use into Smax stages according to the level of deterioration.
  • Smax may be 10, for example, as illustrated in FIG.
  • step S104 the learning model creation unit 340 creates data D (s) of life-related information in each stage divided into Smax stages.
  • s is an integer representing the level of deterioration. s can take a value from 1 to Smax.
  • the data D (s) of the life-related information of each stage of the deterioration degree DL divided into 10 stages for the laser chamber 100 is created.
  • the data D (s) is data in which the life-related information and the level s of the deterioration degree DL are associated with each other, and is used as training data.
  • the method of performing steps S102 and S104 to create training data is an example of the "training data creation method" in the present disclosure.
  • step S106 the learning model creation unit 340 sets the value of the variable s representing the level of deterioration degree to the initial value "1".
  • step S108 the learning model creation unit 340 inputs the data of D (s) into the learning model called in step S46 of FIG.
  • step S110 of FIG. 11 the learning model creation unit 340 changes the parameters of the learning model so that the output of the learning model with respect to the input of the data D (s) becomes the level s.
  • the learning model may be, for example, a neural network model.
  • the learning model creation unit 340 changes the parameters of this learning model by machine learning using supervised data, and creates a new learning model.
  • step S112 the learning model creation unit 340 determines whether or not the variable s is Smax or more. If the determination result in step S112 is No, the learning model creation unit 340 proceeds to step S114, increments the value of the variable s, and returns to step S108. When the determination result in step S112 is Yes determination, the learning model creation unit 340 ends the flowchart of FIG. 11 and returns to the flowchart of FIG. 7. That is, when the determination result in step S112 becomes Yes determination, the learning model is updated with a new learning model that reflects the result of the replaced consumables this time.
  • steps S106 to S112 of FIG. 11 an example of learning for each level of deterioration degree has been described, but regarding the input of training data to the learning model, the learning unit is not for each level, but a random sample is used. It is preferable to study every arbitrary number of cases (for example, 1000 cases at a time). If training is performed for each level, the internal parameters of the learning model may be closer to the data of the level learned last, so it is better to randomly sample the training data group as the learning unit as much as possible.
  • the learning model creation unit 340 is an example of a processing unit that implements the "training data creation method” and the “machine learning method” in the present disclosure.
  • FIG. 12 is a flowchart showing Example 1 of the processing content applied to step S104 of FIG. As illustrated in FIGS. 8 and 9, the flowchart of FIG. 12 is a “life-related relationship at each stage” when the deterioration degree DLn due to the number of oscillation pulses Np is rewritten (overwritten) in consideration of the deterioration degree DLv due to the voltage V. This is an example of "process for creating information data D (s)".
  • step S201 the learning model creation unit 340 sets the value of the variable s to the initial value "1".
  • the variable s here represents a section defined by dividing the oscillation pulse number Np into Smax stages, and corresponds to the level of the deterioration degree DLn due to the oscillation pulse number Np.
  • step S202 the learning model creation unit 340 reads out the data in the section s.
  • the data of the voltage V in the section s is read out.
  • step S204 the learning model creation unit 340 calculates the deterioration degree DLv from the value of the voltage V and stores it in the variable L. For example, when the value of the voltage V is 19 kV, the deterioration degree DLv is calculated as “6” (see FIG. 8).
  • step S210 the learning model creation unit 340 compares the degree of deterioration “s” due to the number of oscillation pulses Np with the degree of deterioration “L” due to the voltage V, and determines whether or not “L” is larger than “s”. judge.
  • step S210 If the determination result in step S210 is Yes determination (L> s), the learning model creation unit 340 proceeds to step S211.
  • step S211th the learning model creation unit 340 saves the data of the life-related information in the section s as D (L) of the deterioration degree “L”.
  • step S210 determines whether the determination result in step S210 is No determination (L ⁇ s).
  • the learning model creation unit 340 proceeds to step S212.
  • step S212 the learning model creation unit 340 stores the data of the life-related information in the section s as D (s) of the deterioration degree “s”.
  • step S211 or S212 the learning model creation unit 340 proceeds to step S213.
  • step S213 the learning model creation unit 340 determines whether or not the variable s is Smax or more. If the determination result in step S112 is No, the learning model creation unit 340 proceeds to step S214, increments the value of the variable s, and returns to step S202. When the determination result in step S213 is Yes determination, the learning model creation unit 340 ends the flowchart of FIG. 12 and returns to the flowchart of FIG.
  • FIG. 13 is a flowchart showing Example 2 of the processing content applied to step S104 of FIG.
  • the flowchart of FIG. 13 shows the data D (s) of the life-related information of each stage when the deterioration degree DLn due to the number of oscillation pulses Np is rewritten in consideration of the deterioration degree DLv due to the voltage V and the deterioration degree DLp due to the gas pressure Pini. ) Is an example of "Process to create".
  • the same step numbers are assigned to the processing steps common to those in FIG. 12, and duplicate description will be omitted.
  • step S204A the learning model creation unit 340 calculates the deterioration degree DLv from the value of the voltage V and stores it in the variable L1.
  • step S204B the learning model creation unit 340 calculates the deterioration degree DLp from the gas pressure Pini and stores it in the variable L2.
  • step S206 the learning model creation unit 340 sets the maximum values of L1 and L2 to L.
  • step S209 the learning model creation unit 340 compares "s" and "L” and determines whether or not "L” is large.
  • FIG. 14 is a flowchart showing an example 3 of the processing content applied to step S104 of FIG.
  • the data D (s) of the life-related information of each stage when the deterioration degree DLn based on the number of oscillation pulses Np is rewritten.
  • the same step numbers are assigned to the processing steps common to those in FIG. 13, and duplicate description will be omitted.
  • step S205 after step S204B in FIG. 14, n labels are created by the value of an arbitrary single parameter or a combination of parameters, and the label Ln is given.
  • the process of step S205 is repeated an arbitrary number of times depending on the number of types of a single parameter or a combination of parameters for evaluating the degree of deterioration.
  • step S204A and step S204B may be carried out in step S205.
  • Voltage V and gas pressure Pini are examples of a single parameter for evaluating the degree of deterioration.
  • step S207 the learning model creation unit 340 sets the maximum value among L1 to Ln to L. Subsequent steps S209 and steps S211 to 214 are the same as in FIG.
  • Life-related parameters such as voltage V and gas pressure Pini may be used independently (as a single parameter) to evaluate the degree of deterioration.
  • a new (different) parameter may be defined by combining a plurality of parameters, and the degree of deterioration may be evaluated based on the value of this new parameter.
  • One parameter can be derived by combining multiple r values (r dimensions).
  • a method of converting from a plurality of parameters to one parameter for example, various methods such as a method of using a conversion formula for obtaining one value from r values by four arithmetic operations, a method of using a coefficient for the operation, and a dimension reduction method are used. Applicable.
  • the two values of voltage V and gas pressure Pini are converted into values 1 to 100 representing new features.
  • FIG. 15 is an example in which the correlation between the two values of voltage V and gas pressure Pini and the label is linear.
  • the horizontal axis represents the degree of deterioration due to the number of oscillation pulses Np or the gas pressure Pini
  • the vertical axis represents the degree of deterioration due to the voltage V.
  • the numerical value displayed in each cell of the matrix of 10 rows ⁇ 10 columns shown in FIG. 15 represents a 10-step label given to a new feature quantity derived from the combination of the values of the two parameters.
  • FIG. 16 is an example in which the voltage V has a small effect on the label and the gas pressure Pini has a large effect. As shown in FIG. 16, even if a new feature amount is defined so as to give a label of the degree of deterioration by the combination of these two parameters by emphasizing the evaluation of the degree of deterioration by the gas pressure Pini rather than the degree of deterioration by the voltage V. good.
  • the "data set” here includes data of various parameters such as the number of oscillation pulses Np, the voltage V, and the gas pressure Pini of the laser device 10.
  • the operating period is divided into 10 equal parts by the number of oscillation pulses Np, and a label of the degree of deterioration according to the number of oscillation pulses Np is assigned to each section.
  • the method of counting the number of data when conditions 1 to 4 are satisfied is as follows. That is, the total number of data items in the data D is 500.
  • Each of D (1), D (2) ... D (10) includes 50 data cases, and the total number of D (s), that is, the total data D is 500.
  • FIG. 17 is a graph showing an image in which a plurality of data are included in one deterioration degree section.
  • the horizontal axis of FIG. 17 represents the number of oscillation pulses, and the vertical axis is data of some parameters related to the lifetime.
  • the horizontal axis is equally divided into 10 stages according to the number of oscillation pulses, and a section having a degree of deterioration of 1 to 10 is defined.
  • FIG. 17 shows an example in which 10 data items are included in one section of the degree of deterioration for the sake of simplification, but the number of data items included in one section is not limited to this example.
  • an arbitrary number of cases may be randomly sampled from all data D for learning. For example, when the total number of data items is 500, instead of learning in order for each deterioration degree, a predetermined number of data of various deterioration degrees are randomly selected from all the data D (for example, 50 cases). Are extracted without duplication and learned 10 times.
  • the voltage V or the voltage V is applied to each data in the section, that is, for all data D. It is preferable to rewrite the degree of deterioration based on the gas pressure Pini.
  • FIG. 18 is a flowchart showing Example 2 of the processing content applied to step S48 of FIG.
  • FIG. 18 shows Example 2 of a learning model creation subroutine. Instead of the flowchart described in FIG. 11, the flowchart shown in FIG. 18 can be applied.
  • Step S102 and step S104 shown in FIG. 18 are the same as those in FIG.
  • the data D (s) in step S104 of FIG. 18 includes all data in which s is 1 to Smax.
  • step S116 the learning model creation unit 340 sets the variable n to "1" as the initial value, and sets the variable m to "1000".
  • the variable n here indicates the number of loops of the processing described later.
  • the variable m represents the number of data items to be extracted as a learning unit from all the data D.
  • step S117 the learning model creation unit 340 randomly extracts m items from the data D. At this time, the ones that have been extracted once shall not be extracted in duplicate. Data of various degrees of deterioration may be mixed in m cases.
  • the data D here is a set of all data including D (1), D (2) ... D (Smax).
  • step S118 the learning model creation unit 340 calls the data of each D (s) and inputs them into the learning model.
  • step S120 the learning model creation unit 340 changes the parameters of the learning model so that the probability that the output of the learning model becomes the level s increases.
  • the learning model is a neural network model described later, and the parameters of this model are changed by supervised data to create a new learning model.
  • step S122 the learning model creation unit 340 determines whether or not the product of n and m is N or more. N is the total number of data items in the data D. If the determination result in step S122 is No, the learning model creation unit 340 proceeds to step S124, increments the value of n, and returns to step S117. When the determination result in step S122 is Yes determination, the learning model creation unit 340 ends the flowchart of FIG. 18 and returns to the flowchart of FIG. 7. That is, when the determination result in step S112 becomes Yes determination, the learning model is updated with a new learning model that reflects the result of the replaced consumables this time.
  • steps S116 to S122 may be repeated a plurality of times by setting the number of epochs to a value of 2 or more.
  • FIG. 19 is a flowchart showing an example of the processing content applied to step S104 of FIG. As illustrated in FIGS. 8 and 9, the flowchart of FIG. 19 is a “data D of life-related information at each stage” when the deterioration degree DLn due to the number of oscillation pulses Np is rewritten in consideration of the deterioration degree DLv due to the voltage V. This is an example of "process for creating (s)".
  • step S251 of FIG. 19 the learning model creation unit 340 sets the index k representing the data number to the initial value “1”.
  • the processing after step S252 loops for all the data in the data set of data D.
  • step S252 the learning model creation unit 340 reads out the data of the data number "k".
  • step S253 the learning model creation unit 340 calculates the degree of deterioration s based on the number of oscillation pulses Np.
  • step S254 the learning model creation unit 340 calculates the deterioration degree DLv from the value of the voltage V and stores it in the variable L.
  • step S260 the learning model creation unit 340 compares "s" and “L”, and determines whether or not "L” is larger than "s”. If the determination result in step S260 is Yes determination, the learning model creation unit 340 proceeds to step S261. In step S261, the learning model creation unit 340 saves the data of the life-related information of the data number “k” as the data D (L) of the deterioration degree “L”.
  • step S260 determines whether the determination result in step S260 is No. If the determination result in step S260 is No, the learning model creation unit 340 proceeds to step S262. In step S262, the learning model creation unit 340 saves the data of the life-related information of the data number “k” as the data D (s) of the deterioration degree “s”.
  • step S261 or S262 the learning model creation unit 340 proceeds to step S263.
  • step S263 the learning model creation unit 340 determines whether or not the value of k is equal to or greater than the total number of data items N of the data D. If the determination result in step S263 is No, the learning model creation unit 340 proceeds to step S264, increments the value of the index k, and returns to step S252. When the determination result in step S263 is Yes determination, the learning model creation unit 340 ends the flowchart of FIG. 19 and returns to the flowchart of FIG.
  • FIG. 19 a flowchart corresponding to the flowchart as described with reference to FIG. 13 or 14 may be applied.
  • FIG. 20 is a schematic diagram showing an example of a neural network model.
  • circles represent neurons, and straight lines with arrows represent signal flows.
  • the layer number of the neural network having a layer structure is i
  • the neuron number is j
  • the strength of the signal output from the neuron N ij is X ij
  • the signal is X ij .
  • Wij be the weight of the connection between neurons between the i-layer and the (i + 1) layer.
  • the neurons N 11 , N 12 , and N 13 of the input layer 402 output signals having signal strengths of X 11 , X 12 , and X 13, respectively.
  • the neuron N 21 of the hidden layer 404 is determined when the weighted signal sum (W 11 ⁇ X 11 + W 12 ⁇ X 12 + W 13 ⁇ X 13 ) of the input signals X 11 , X 12 , and X 13 is larger than the threshold value.
  • Signal X 21 is output.
  • the neuron N 21 outputs the signal X 21 when W 11 ⁇ X 11 + W 12 ⁇ X 12 + W 13 ⁇ X 13 ⁇ b 21> 0.
  • “-B 21 " is called the bias of neuron N 21.
  • Neural network model parameters include weights and biases of connections between neurons.
  • FIG. 21 is an example of a neural network model when creating a learning model.
  • the neural network model 400 includes an input layer 402, a hidden layer 404, and an output layer 406.
  • Input layer 402 includes n neurons N 11 ⁇ N 1n, each neuron N 11 ⁇ N 1n, log data when the deterioration degree s in the life-related information of the replaced consumable is input.
  • the hidden layer 404 includes m neurons N 21 to N 2 m , and signals output from neurons N 11 to N 1n of the input layer 402 are input to each neuron in the hidden layer 404.
  • a parameter W1 having a different weight can be set for each of these input signals.
  • the weight parameter W1 is collectively referred to as "weight parameter W1" by collectively referring to the respective weights for the signals input to the neurons N 21 to N 2 m of the hidden layer 404.
  • the output layer 406 includes p neurons N 31 to N 3P , and signals output from neurons N 21 to N 2 m of the hidden layer 404 are input to each neuron of the output layer 406.
  • the number p of neurons in the output layer 406 may be the same as the number of stages (Smax) of the degree of deterioration.
  • Parameter W2 with different weights can be set for each of these input signals.
  • the weight parameter W2 is collectively referred to as "weight parameter W2" by collectively referring to the respective weights for the signals input to the neurons N 31 to N 3p of the output layer 406.
  • the probability of the degree of deterioration here means a score indicating the certainty corresponding to each level of the degree of deterioration.
  • the life-related information (log data) D1 (s), D2 (s) ... Dn (s) of the replaced consumables is input to the input layer 402. Enter each.
  • the output from the output layer 406 results in a probability of Lv (s) approaching 1 and a probability of other degradation degrees approaching 0, respectively, among neurons. Adjust the weight and bias of.
  • the machine learning method is understood as a method of producing a prediction model (learned model) trained to output a predicted value of the deterioration degree of the consumable in response to the input of the life-related information of the consumable. Will be done.
  • FIG. 22 is a flowchart showing an example of processing contents in the consumable life prediction unit 360.
  • the processing and operation shown in the flowchart of FIG. 22 are realized, for example, by executing a program by a processor that functions as a consumable life prediction unit 360.
  • step S62 of FIG. 22 the consumable life prediction unit 360 determines whether or not the current life-related information of the consumable to be replaced has been received. If the determination result in step S62 is No, the consumable life prediction unit 360 repeats step S62. If the determination result in step S62 is Yes determination, the consumable life prediction unit 360 proceeds to step S64.
  • step S64 the consumable life prediction unit 360 acquires the current life-related information of the consumable to be replaced.
  • the current life-related information acquired in step S64 is an example of the "second life-related information" in the present disclosure.
  • step S66 the consumable life prediction unit 360 acquires the operation-related information of the laser device 10.
  • step S68 the consumable life prediction unit 360 calls a learning model of the consumable to be replaced.
  • the learning model stored in the file (file Am, file Bm, or file Cm) corresponding to the consumables to be replaced (laser chamber 100, monitor module 108, or narrowing band module 106) is called.
  • step S70 the consumable life prediction unit 360 calculates the life using the learning model. That is, the consumable life prediction unit 360 calculates the life, the remaining life, and the recommended maintenance date using the learning model based on the current life-related information of the consumable to be replaced.
  • step S72 the consumable life prediction unit 360 transmits each data of the consumable life to be replaced, the remaining life, and the recommended maintenance date to the data output unit 370.
  • step S74 the consumable life prediction unit 360 determines whether or not to stop the calculation of the predicted life of the consumable. If the determination result in step S74 is No, the consumable life prediction unit 360 returns to step S62 and repeats steps S62 to S74. When the determination result in step S74 is Yes determination, the consumable life prediction unit 360 ends the flowchart of FIG. 22.
  • FIG. 23 is a flowchart showing an example of a subroutine of processing for performing life calculation using a learning model. That is, FIG. 23 is a flowchart showing an example of the processing content of step S70 of FIG.
  • step S132 of FIG. 23 the consumable life prediction unit 360 inputs the current life-related information of the consumable to be replaced into the learning model.
  • step S134 the consumable life prediction unit 360 outputs the probabilities of each deterioration degree Lv (1) to Lv (Smax) from the learning model.
  • the consumable life prediction unit 360 determines the current degree of deterioration s of the consumable from the probability distribution of the degree of deterioration.
  • the degree of deterioration having the highest probability may be extracted.
  • an approximate curve may be obtained from the probability distribution of the degree of deterioration, and the degree of deterioration s of the highest probability distribution may be obtained.
  • the degree of deterioration s is not an integer, but a numerical value of a decimal point or less is obtained.
  • the life and the remaining life of the consumable can be predicted with higher accuracy than in the case of the first example.
  • step S138 the consumable life prediction unit 360 further calculates the consumable life Nches from the degree of deterioration obtained in step S136.
  • " ⁇ " in the formula represents multiplication.
  • step S140 the consumable life prediction unit 360 further calculates the remaining life Nchre of the consumable from the degree of deterioration obtained in step S136.
  • step S142 the consumable life prediction unit 360 calculates the recommended maintenance date Drec of the consumable.
  • step S142 the consumable life prediction unit 360 ends the flowchart of FIG. 23 and returns to the flowchart of FIG. 22.
  • FIG. 24 shows an example of calculating the life and remaining life of the laser chamber 100 using the created learning model.
  • the consumable life prediction unit 360 acquires the life-related information of the current laser chamber 100.
  • the data of the number of oscillation pulses Nch of the current laser chamber 100 is acquired.
  • FIG. 25 shows an example of the probability for each degree of deterioration in 10 stages. In the example of FIG. 25, it is determined that the probability of deterioration degree 7 is the highest.
  • the predicted life Nches of the laser chamber 100 currently in operation is calculated by the following equation 1.
  • Nches Nch ⁇ 10/7 (Equation 1)
  • the remaining life Nchre is calculated by the following formula 2.
  • FIG. 26 is an example of processing for predicting the life of consumables by the trained neural network model 400.
  • the network structure of the neural network model 400 has the same configuration as that of FIG. 21.
  • the weight parameters W1 and W2 between neurons are set to values optimized by the learning mode described with reference to FIG. 21.
  • FIGS. 21 and 26 show an example in which the hidden layer 404 of the neural network model 400 is one layer, but the present invention is not limited to this, and there are a plurality of hidden layers 404. May be good.
  • machine learning by supervised learning is shown, but the present invention is not limited to this example, and machine learning by unsupervised learning may be performed.
  • the input data can be reduced in dimension and the features in those datasets can be clustered into similar ones. This result can be used to predict the output by setting some criteria and allocating the output to optimize it.
  • FIG. 27 is a flowchart showing an example of processing contents in the data output unit 370.
  • the processing and operation shown in the flowchart of FIG. 27 are realized, for example, by executing a program by a processor functioning as a data output unit 370.
  • step S82 the data output unit 370 determines whether or not the life data of the consumable to be replaced has been received. If the determination result in step S82 is No, the data output unit 370 repeats step S82. If the determination result in step S82 is Yes determination, the data output unit 370 proceeds to step S84.
  • step S84 the data output unit 370 reads the data of the consumables to be replaced, the remaining life, and the recommended maintenance date.
  • step S86 the data output unit 370 transmits data on the life of the consumable to be replaced, the remaining life, and the recommended maintenance date.
  • the data transmission destination may be the laser device management system 206 and / or the semiconductor factory management system 208. Further, the data transmission destination may be a terminal device (not shown) connected to the network 210.
  • step S88 the data output unit 370 determines whether or not to stop the transmission of data. If the determination result in step S88 is No, the data output unit 370 returns to step S82 and repeats steps S82 to S88. When the determination result in step S88 is Yes determination, the data output unit 370 ends the flowchart of FIG. 27.
  • FIGS. 28 to 30 show examples of life-related information of the laser chamber 100.
  • the life-related information of the laser chamber 100 includes, for example, an electrode deterioration parameter, a pulse energy stability parameter, a gas control parameter, an operating load parameter, and a deterioration parameter of an optical element of a laser resonator.
  • the notation "OC" in the chart shown in FIG. 30 represents an output coupled mirror.
  • At least the life-related parameters necessary for accurately predicting the life of the laser chamber 100 are the electrode deterioration parameter, the pulse energy stability parameter, and the gas control parameter.
  • the use of operating load parameters may improve the accuracy of life prediction. This is because if the operating load is high, the life of the laser chamber 100 may be shortened.
  • the accuracy of life prediction may be further improved by using the deterioration parameter of the narrow band module 106 or the deterioration parameter of the window of the laser chamber 100, which is an index of the loss of the laser resonator.
  • the electrode deterioration parameter includes at least the number of discharges.
  • the number of discharges is a value substantially equal to the number of oscillation pulses Np after the replacement of the laser chamber 100.
  • the integrated value of the input energy may be further added.
  • the spectral line width may be used as one of the electrode deterioration parameters.
  • the pulse energy stability parameters include at least pulse energy variability. Further, as a pulse energy stability parameter, a variation in the integrated value (exposure amount) of the pulse energy may be added.
  • the gas control parameters when controlling the gas pressure of the laser chamber 100 so that the charging voltage is within a predetermined range, the gas pressure of the laser chamber 100 and the gas of the laser chamber 100 after adjusting and oscillating all the gas are exchanged. Including at least pressure.
  • the charging voltage and the charging voltage after the adjustment oscillation by exchanging all the gas are included at least as gas control parameters.
  • the integrated value of the injection amount of the halogen-containing gas after the replacement of the laser chamber 100 or the integrated value of the injection of the laser gas may be added. This may further improve the life prediction accuracy.
  • the injection amount of the gas containing the halogen gas or the injection amount of the laser gas per unit oscillation pulse may be added.
  • the operating load parameter may be substituted by the average output of the laser beam output from the laser device 10 or the duty of burst operation when the target pulse energy hardly changes.
  • the operating load may be high when creating a memory element, and the operating load may be low when creating a logic-related element.
  • the deterioration parameter of the optical element of the laser cavity includes the deterioration parameter of the window, the deterioration parameter of the narrowing band module 106, and the deterioration parameter of the output coupling mirror 104, and the number of oscillation pulses Np after replacement of each optical element is calculated. At least include. If the pulse energy of the pulsed laser beam output from the laser device 10 changes significantly, the integrated value of the pulse energy or the integrated value of the square of the pulse energy, which are the parameters of the deterioration of the optical element due to the absorption of two lights, can be used. good.
  • FIG. 31 shows an example of life-related information of monitor module 108.
  • the life of the monitor module 108 is often determined by the deterioration of the optical element and the deterioration of the optical sensor.
  • the life-related information of the monitor module 108 includes at least one of a deterioration parameter of an optical element arranged in the monitor module 108 and a deterioration parameter of an optical sensor.
  • the deterioration parameter of the optical element of the monitor module 108 includes at least the number of oscillation pulses Np after the replacement of the monitor module 108. If the pulse energy of the pulsed laser beam output from the laser device 10 changes significantly, the integrated value of the pulse energy or the integrated value of the square of the pulse energy, which are the parameters of the deterioration of the optical element due to the absorption of two lights, can be used. good.
  • the deterioration parameters of the optical sensor include the detected light intensity of the image sensor as an optical sensor, the spectral line width, the pulse energy and its integrated value.
  • At least the deterioration parameter required to predict the life of the monitor module 108 is the detected light intensity of the image sensor. Since the light intensity incident on the image sensor varies depending on the spectral line width and the pulse energy, the spectral line width and the pulse energy values may be used as an auxiliary. Since the integrated value of the pulse energy is close to the amount of light exposed to the image sensor, this value may be used.
  • the optical sensor included in the pulse energy detector 144 of the monitor module 108 is, for example, a photodiode or a pyroelectric element. Deterioration of these sensors can also be evaluated by the integrated value of pulse energy after the monitor module 108 is replaced. If the target pulse energy does not change significantly, the number of oscillation pulses Np after replacing the monitor module can be used instead.
  • FIG. 32 shows an example of the life-related information of the narrow band module 106.
  • the life of the narrow band module 106 is often determined by the deterioration of the optical element and the deterioration of the wavelength actuator.
  • the life-related information of the narrow band module 106 includes deterioration parameters of the optical elements (plural prisms and gratings) arranged in the narrow band module 106, deterioration parameters of the wavelength actuator, and deterioration parameters of the wavefront. Includes at least one of.
  • At least the deterioration parameter necessary for predicting the life of the narrow band module 106 is the deterioration parameter of the optical element of the narrow band module 106.
  • the deterioration parameter of the wavelength actuator and the deterioration parameter of the wavefront may be added.
  • the deterioration parameter of the optical element of the narrow band module 106 includes at least the number of oscillation pulses after the replacement of the narrow band module 106. If the pulse energy of the pulsed laser beam output from the laser device 10 changes significantly, the integrated value of the pulse energy or the integrated value of the square of the pulse energy, which are the parameters of the deterioration of the optical element due to the absorption of two lights, can be used. good.
  • the deterioration parameter of the wavelength actuator includes wavelength stability.
  • the wavelength actuator deteriorates and the operation deteriorates, the wavelength control becomes unstable, so there is a possibility that the life can be evaluated by using the wavelength stability.
  • Wavefront deterioration parameters include spectral line width. Since the spectral line width of the pulsed laser light output from the laser device 10 becomes thicker due to the distortion of the wavefront of the narrowing band module 106, there is a possibility that the lifetime can be evaluated by using the spectral line width. For example, when synthetic quartz is used for the prism, the transmitted wavefront of the prism may be distorted and the spectral line width may be increased due to compaction.
  • the parameter is obtained by rewriting the deterioration degree DLn due to the number of oscillation pulses Np to a more appropriate deterioration degree label by using the life-related parameters such as voltage V and / or gas pressure Pini. It is possible to create a learning model in which the value of and the label of the degree of deterioration have a correct correlation. According to the training data creation method according to the first embodiment, it is possible to obtain a data set of training data that enables the creation of a learning model with high prediction accuracy.
  • the consumables management server 310 for each of the consumables to be replaced in the laser apparatus 10, the corresponding learning model is used based on the life-related information of the consumables. The life of each consumable to be replaced can be predicted accurately.
  • the deterioration degree DLn due to the number of oscillation pulses Np is rewritten to a more appropriate deterioration degree label by using the life-related parameters such as voltage V and / or gas pressure Pini.
  • the method of determining one degree of deterioration from a plurality of degrees of deterioration by different evaluation indexes is not limited to this example. For example, an average value of a plurality of deterioration degrees may be calculated, and the average value may be used as a label of the deterioration degree to be actually given.
  • the deterioration degree label that actually gives “4”, which is an average value of these, may be used.
  • a plurality of parameters related to the life of consumables may be weighted, a weighted average of the degree of deterioration according to each parameter may be calculated, and the value may be used as a label of the degree of deterioration actually given.
  • the present invention is not limited to this, and is applied to, for example, an excimer laser for annealing a flat panel and an excimer laser for processing. May be good.
  • the rear mirror is arranged instead of the narrow band module 106, and the spectrum detector 146 of the monitor module 108 may be omitted.
  • Modification example A function for creating training data in the consumables management server 310 described in the first embodiment, a function for creating a learning model by machine learning using the created training data, and a function for predicting the life of consumables using the created learning model.
  • the function of performing the above processing may be realized by different devices (servers, etc.).
  • training data creation process and the learning process using the training data may be performed in a series of processing flows, or each process may be performed independently.
  • a program including instructions for operating the computer is provided as an optical disk, a magnetic disk, or other computer-readable medium (non-transient as a tangible object). It is possible to record on an information storage medium) and provide a program through this information storage medium. By incorporating this program into a computer and having the processor execute the instructions of the program, the computer can realize the function of the consumables management server 310.

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Optics & Photonics (AREA)
  • Electromagnetism (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Plasma & Fusion (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Lasers (AREA)

Abstract

本開示の一観点に係る訓練データ作成方法は、レーザ装置の消耗品の寿命を予測するための学習モデルの機械学習に使用する訓練データの作成方法であって、消耗品の使用が開始されてから交換されるまでの期間中の異なる発振パルス数に対応して記録された消耗品の少なくとも１つの寿命関連パラメータのデータを含む第１の寿命関連情報を取得することと、発振パルス数に基づき消耗品の第１の劣化度を定めることと、少なくとも１つの寿命関連パラメータに基づき消耗品の第２の劣化度を定めることと、第１の劣化度と第２の劣化度とに基づき消耗品の第３の劣化度を定めることと、第１の寿命関連情報と第３の劣化度とを対応付けた訓練データを作成することとを含む。

Description

訓練データ作成方法、機械学習方法、消耗品管理装置及びコンピュータ可読媒体
　本開示は、訓練データ作成方法、機械学習方法、消耗品管理装置及びコンピュータ可読媒体に関する。
　半導体集積回路の微細化、高集積化につれて、半導体露光装置においては解像力の向上が要請されている。半導体露光装置を以下、単に「露光装置」という。このため露光用光源から出力される光の短波長化が進められている。露光用光源には、従来の水銀ランプに代わってガスレーザ装置が用いられている。現在、露光用のガスレーザ装置としては、波長２４８ｎｍの紫外線を出力するＫｒＦエキシマレーザ装置ならびに、波長１９３ｎｍの紫外線を出力するＡｒＦエキシマレーザ装置が用いられている。
　現在の露光技術としては、露光装置側の投影レンズとウエハ間の間隙を液体で満たして、当該間隙の屈折率を変えることによって、露光用光源の見かけの波長を短波長化する液浸露光が実用化されている。ＡｒＦエキシマレーザ装置を露光用光源として用いて液浸露光が行われた場合は、ウエハには等価における波長１３４ｎｍの紫外光が照射される。この技術をＡｒＦ液浸露光という。ＡｒＦ液浸露光はＡｒＦ液浸リソグラフィとも呼ばれる。
　ＫｒＦ、ＡｒＦエキシマレーザ装置の自然発振におけるスペクトル線幅は約３５０～４００ｐｍと広いため、露光装置側の投影レンズによってウエハ上に縮小投影されるレーザ光（紫外線光）の色収差が発生して解像力が低下する。そこで色収差が無視できる程度となるまでガスレーザ装置から出力されるレーザ光のスペクトル線幅を狭帯域化する必要がある。スペクトル線幅はスペクトル幅とも呼ばれる。このためガスレーザ装置のレーザ共振器内には狭帯域化素子を有する狭帯域化部（Line Narrow Module）が設けられ、この狭帯域化部によりスペクトル幅の狭帯域化が実現されている。なお、狭帯域化素子はエタロンやグレーティング等であってもよい。このようにスペクトル幅が狭帯域化されたレーザ装置を狭帯域化レーザ装置という。
米国特許出願公開第２０１８／０２４６４９４号 米国特許第６２１９３６７号 米国特許第６６９７６９５号
概要
　本開示の１つの観点に係る訓練データ作成方法は、レーザ装置の消耗品の寿命を予測するための学習モデルの機械学習に使用する訓練データの作成方法であって、消耗品の使用が開始されてから交換されるまでの期間中の異なる発振パルス数に対応して記録された消耗品の少なくとも１つの寿命関連パラメータのデータを含む第１の寿命関連情報を取得することと、発振パルス数に基づき消耗品の第１の劣化度を定めることと、少なくとも１つの寿命関連パラメータに基づき消耗品の第２の劣化度を定めることと、第１の劣化度と第２の劣化度とに基づき消耗品の第３の劣化度を定めることと、第１の寿命関連情報と第３の劣化度とを対応付けた訓練データを作成することとを含む。
　本開示の他の１つの観点に係る機械学習方法は、レーザ装置の消耗品の寿命を予測するための学習モデルを作成する機械学習方法であって、消耗品の使用が開始されてから交換されるまでの期間中の異なる発振パルス数に対応して記録された消耗品の少なくとも１つの寿命関連パラメータのデータを含む第１の寿命関連情報を取得することと、発振パルス数に基づき消耗品の第１の劣化度を定めることと、少なくとも１つの寿命関連パラメータに基づき消耗品の第２の劣化度を定めることと、第１の劣化度と第２の劣化度とに基づき消耗品の第３の劣化度を定めることと、第１の寿命関連情報と第３の劣化度とを対応付けた訓練データを作成することと、訓練データを用いて機械学習を行うことにより、第１の寿命関連情報に含まれる寿命関連パラメータのデータから消耗品の劣化度を予測する学習モデルを作成することと、作成された学習モデルを保存することとを含む。
　本開示の他の１つの観点に係るコンピュータ可読媒体は、プログラムが記録された非一過性のコンピュータ可読媒体であって、プログラムは、コンピュータにより実行された場合に、レーザ装置の消耗品の寿命を予測するための学習モデルの機械学習に使用する訓練データの作成機能を実現させるプログラムであり、消耗品の使用が開始されてから交換されるまでの期間中の異なる発振パルス数に対応して記録された消耗品の少なくとも１つの寿命関連パラメータのデータを含む第１の寿命関連情報を取得する機能と、発振パルス数に基づき消耗品の第１の劣化度を定める機能と、少なくとも１つの寿命関連パラメータに基づき消耗品の第２の劣化度を定める機能と、第１の劣化度と第２の劣化度とに基づき消耗品の第３の劣化度を定める機能と、第１の寿命関連情報と第３の劣化度とを対応付けた訓練データを作成する機能と、をコンピュータに実現させるための命令を含む。
　本開示のいくつかの実施形態を、単なる例として、添付の図面を参照して以下に説明する。
図１は、例示的なレーザ装置の構成を概略的に示す図である。 図２は、半導体工場のレーザ管理システムの構成例を概略的に示す図である。 図３は、典型的なレーザチャンバのガス圧と発振パルス数との関係の例を示すグラフである。 図４は、実施形態１に係る半導体工場のレーザ管理システムの構成を示す図である。 図５は、消耗品管理サーバの機能を示すブロック図である。 図６は、データ取得部における処理内容の例を示すフローチャートである。 図７は、学習モデル作成部における処理内容の例を示すフローチャートである。 図８は、レーザチャンバの電圧と発振パルス数との関係の例を示すグラフであり、発振パルス数と電圧とに基づきレーザチャンバの寿命までの劣化度を付与する例を示す。 図９は、レーザチャンバの電圧と発振パルス数との関係の例を示すグラフであり、発振パルス数と電圧とに基づきレーザチャンバの寿命までの劣化度を付与する他の例を示す。 図１０は、レーザチャンバのガス圧と発振パルス数との関係の例を示すグラフであり、発振パルス数とガス圧と電圧とに基づきレーザチャンバの寿命までの劣化度を付与する例を示す。 図１１は、図７のステップＳ４８に適用される処理内容の例１を示すフローチャートである。 図１２は、図１１のステップＳ１０４に適用される処理内容の例１を示すフローチャートである。 図１３は、図１１のステップＳ１０４に適用される処理内容の例２を示すフローチャートである。 図１４は、図１１のステップＳ１０４に適用される処理内容の例３を示すフローチャートである。 図１５は、電圧とガス圧の２つの値から導き出される特徴量に基づいて劣化度を付与する例を示す図である。 図１６は、電圧とガス圧の２つの値から導き出される特徴量に基づいて劣化度を付与する他の例を示す図である。 図１７は、発振パルス数でレベル分けされた１つの劣化度の区間に複数のデータが含まれるイメージを示すグラフである。 図１８は、図７のステップＳ４８に適用される処理内容の例２を示すフローチャートである。 図１９は、図１８のステップＳ１０４に適用される処理内容の例を示すフローチャートである。 図２０は、ニューラルネットワークモデルの例を示す模式図である。 図２１は、学習モデルを作成する際のニューラルネットワークのモデルの例である。 図２２は、消耗品の寿命予測部における処理内容の例を示すフローチャートである。 図２３は、図２２のステップＳ７０に適用される処理内容の例を示すフローチャートである。 図２４は、作成した学習モデルを使用してレーザチャンバの寿命及び余寿命を計算する例を示すグラフである。 図２５は、１０段階にレベル分けされた劣化度毎の確率の例を示す図表である。 図２６は、学習済みのニューラルネットワークモデルによって消耗品の寿命を予測する処理の例を示す図である。 図２７は、データ出力部における処理内容の例を示すフローチャートである。 図２８は、レーザチャンバの寿命関連情報の例を示す図表である。 図２９は、レーザチャンバの寿命関連情報の例を示す図表である。 図３０は、レーザチャンバの寿命関連情報の例を示す図表である。 図３１は、モニタモジュールの寿命関連情報の例を示す図表である。 図３２は、狭帯域化モジュールの寿命関連情報の例を示す図表である。
実施形態
　－目次－
１．用語の説明
２．レーザ装置の説明
　２．１　構成
　２．２　動作
　２．３　レーザ装置の主要な消耗品のメインテナンス
　２．４　その他
３．半導体工場のレーザ管理システムの例
　３．１　構成
　３．２　動作
４．課題
５．実施形態１
　５．１　構成
　５．２　動作
　　５．２．１　消耗品管理サーバにおける機械学習の動作の概要
　　５．２．２　消耗品管理サーバにおける消耗品の寿命予測の動作の概要
　　５．２．３　データ取得部の処理例
　　５．２．４　学習モデル作成部の処理例
　　５．２．５　レーザチャンバの寿命予測に用いる学習モデルの作成例１
　　５．２．６　レーザチャンバの寿命予測に用いる学習モデルの作成例２
　　５．２．７　複数のパラメータを組み合わせて１つのパラメータに変換する例
　　５．２．８　データＤ（ｓ）が複数のデータ件数を含む場合の説明
　　５．２．９　ニューラルネットワークモデルの例
　　５．２．１０　ニューラルネットワークモデルの学習モード
　　５．２．１１　消耗品の寿命予測部の処理例
　　５．２．１２　学習モデルを使って消耗品の寿命を計算する処理の例
　　５．２．１３　ニューラルネットワークモデルの寿命予測モード
　　５．２．１４　その他
　　５．２．１５　データ出力部の処理例
　５．３　レーザチャンバの寿命関連情報
　５．４　モニタモジュールの寿命関連情報の例
　５．５　狭帯域化モジュールの寿命関連情報の例
　５．６　作用・効果
　５．７　その他
６．変形例
７．プログラムを記録したコンピュータ可読媒体について
　以下、本開示の実施形態について、図面を参照しながら詳しく説明する。以下に説明される実施形態は、本開示のいくつかの例を示すものであって、本開示の内容を限定するものではない。また、各実施形態で説明される構成及び動作の全てが本開示の構成及び動作として必須であるとは限らない。なお、同一の構成要素には同一の参照符号を付して、重複する説明を省略する。
　１．用語の説明
　「消耗品」は、定期的なメインテナンスが必要になる部品やモジュールなどの物品を包括的に表す用語として用いる。交換部品及び交換モジュールは「消耗品」の概念に含まれる。モジュールは、部品の一形態と理解してもよい。本明細書では「消耗品」という用語を「交換モジュール又は交換部品」と同義に用いる場合がある。メインテナンスには、消耗品の交換が含まれる。「交換」の概念には、消耗品を新しいものに置き換えることの他、消耗品を洗浄するなどして部品の機能の維持及び／又は回復を図り、同じ消耗品を再配置することも含まれる。
　「バースト運転」とは、露光に合わせて狭帯域化したパルスレーザ光を連続して発振するバースト期間と、ステージの移動に合わせて発振休止する発振休止期間とを交互に繰り返す運転のことを意味する。
　２．レーザ装置の説明
　２．１　構成
　図１に、例示的なレーザ装置１０の構成を概略的に示す。レーザ装置１０は、例えば、ＫｒＦエキシマレーザ装置であって、レーザ制御部９０と、レーザチャンバ１００と、インバータ１０２と、出力結合ミラー１０４と、狭帯域化モジュール（Line Narrow Module:ＬＮＭ）１０６と、モニタモジュール１０８と、充電器１１０と、パルスパワーモジュール（ＰＰＭ）１１２と、ガス供給装置１１４と、ガス排気装置１１６と、出射口シャッタ１１８とを含む。
　レーザチャンバ１００は、第１ウインドウ１２１と、第２ウインドウ１２２と、クロスフローファン（ＣＦＦ）１２３と、ＣＦＦ１２３を回転させるモータ１２４と、１対の電極１２５、１２６と、電気絶縁物１２７と、圧力センサ１２８と、図示しない熱交換器とを含む。
　インバータ１０２は、モータ１２４の電源供給装置である。インバータ１０２は、モータ１２４に供給する電力の周波数を特定する指令信号をレーザ制御部９０から受信する。
　ＰＰＭ１１２は、レーザチャンバ１００の電気絶縁物１２７中のフィードスルーを介して電極１２５と接続される。ＰＰＭ１１２は、半導体スイッチ１２９と、いずれも図示しない、充電コンデンサと、パルストランスと、パルス圧縮回路とを含む。
　出力結合ミラー１０４は部分反射ミラーであって、狭帯域化モジュール１０６とともに光共振器を構成するように配置される。レーザチャンバ１００は、この光共振器の光路上に配置される。
　狭帯域化モジュール１０６は、第１プリズム１３１及び第２プリズム１３２を用いたビームエキスパンダと、回転ステージ１３４と、グレーティング１３６とを含む。第１プリズム１３１及び第２プリズム１３２は、レーザチャンバ１００の第２ウインドウ１２２から出射された光のビームを拡大し、グレーティング１３６に入射するように配置される。
　ここで、グレーティング１３６はレーザ光の入射角と回折角とが一致するようにリトロー配置される。第２プリズム１３２は、回転ステージ１３４が回転したときに、レーザ光のグレーティング１３６への入射角と回折角とが変化するように回転ステージ１３４上に配置される。
　モニタモジュール１０８は、第１ビームスプリッタ１４１及び第２ビームスプリッタ１４２と、パルスエネルギ検出器１４４と、スペクトル検出器１４６とを含む。第１ビームスプリッタ１４１は、出力結合ミラー１０４から出力されたレーザ光の光路上に配置され、レーザ光の一部が反射されて第２ビームスプリッタ１４２に入射するように配置される。
　パルスエネルギ検出器１４４は、第２ビームスプリッタ１４２を透過したレーザ光が入射するように配置される。パルスエネルギ検出器１４４は、例えば、紫外線の光強度を計測するフォトダイオードであってもよい。第２ビームスプリッタ１４２は、レーザ光の一部が反射されてスペクトル検出器１４６に入射するように配置される。
　スペクトル検出器１４６は、例えば、エタロンによって生成された干渉縞をイメージセンサで計測するモニタエタロン計測装置である。生成された干渉縞に基づいて、レーザ光の中心波長とスペクトル線幅とが計測される。
　ＫｒＦエキシマレーザ装置の場合におけるガス供給装置１１４は、不活性なレーザガスの供給源である不活性ガス供給源１５２と、ハロゲンを含むレーザガスの供給源であるハロゲンガス供給源１５３の各々と配管を介して接続される。不活性なレーザガスとは、ＫｒガスとＮｅガスの混合ガスである。ハロゲンを含むレーザガスとは、Ｆ２ガスとＫｒガスとＮｅガスの混合ガスである。ガス供給装置１１４は、レーザチャンバ１００と配管を介して接続される。
　ガス供給装置１１４は、不活性なレーザガス又はハロゲンを含むレーザガスをそれぞれレーザチャンバ１００に所定量供給するための、図示しない自動バルブ及びマスフローコントローラをそれぞれ含む。
　ガス排気装置１１６は、レーザチャンバ１００と配管を介して接続される。ガス排気装置１１６は、ハロゲンを除去する図示しないハロゲンフィルタ及び排気ポンプを含み、ハロゲンを除去したレーザガスが外部に排気されるように構成される。
　出射口シャッタ１１８は、レーザ装置１０から外部に出力されるレーザ光の光路上に配置される。
　出射口シャッタ１１８を介してレーザ装置１０から出力されたレーザ光が露光装置１４に入射するようにレーザ装置１０が配置される。
　２．２　動作
　レーザ装置１０の動作について説明する。レーザ制御部９０は、ガス排気装置１１６を介してレーザチャンバ１００内にあるガスを排気した後、ガス供給装置１１４を介してレーザチャンバ１００内に不活性なレーザガスとハロゲンを含むレーザガスとを所望のガス組成及び全ガス圧となるように充填する。
　レーザ制御部９０は、インバータ１０２を介してモータ１２４を所定の回転数で回転させてＣＦＦ１２３を回転させる。これにより、電極１２５、１２６間にレーザガスが流れる。
　レーザ制御部９０は、露光装置１４の露光制御部５０から目標パルスエネルギＥｔを受信し、パルスエネルギがＥｔとなるように充電電圧Ｖｈｖのデータを充電器１１０に送信する。
　充電器１１０は、ＰＰＭ１１２の充電コンデンサが充電電圧Ｖｈｖとなるように充電する。露光装置１４から発光トリガ信号Ｔｒ１が出力されると、発光トリガ信号Ｔｒ１に同期してレーザ制御部９０からトリガ信号Ｔｒ２がＰＰＭ１１２の半導体スイッチ１２９に入力される。この半導体スイッチ１２９が動作するとＰＰＭ１１２の磁気圧縮回路によって電流パルスが圧縮され、高電圧が電極１２５、１２６間に印加される。その結果、電極１２５、１２６間で放電が発生し、放電空間においてレーザガスが励起される。電極１２５、１２６は本開示における「放電電極」の一例である。
　放電空間の励起されたレーザガスが基底状態となるときに、エキシマ光が発生する。このエキシマ光は出力結合ミラー１０４と狭帯域化モジュール１０６との間を往復して増幅されることによって、レーザ発振する。その結果、出力結合ミラー１０４から狭帯域化されたパルスレーザ光が出力される。
　出力結合ミラー１０４から出力されたパルスレーザ光はモニタモジュール１０８に入射する。モニタモジュール１０８では、第１ビームスプリッタ１４１によってレーザ光の一部がサンプルされ、第２ビームスプリッタ１４２に入射する。第２ビームスプリッタ１４２は、入射したレーザ光の一部を透過してパルスエネルギ検出器１４４に入射させ、他の一部を反射してスペクトル検出器１４６に入射させる。
　レーザ装置１０から出力されるパルスレーザ光のパルスエネルギＥがパルスエネルギ検出器１４４によって計測され、計測されたパルスエネルギＥのデータがパルスエネルギ検出器１４４からレーザ制御部９０に送信される。
　また、スペクトル検出器１４６によって中心波長λとスペクトル線幅Δλとが計測され、計測された中心波長λとスペクトル線幅Δλとのデータがスペクトル検出器１４６からレーザ制御部９０に送信される。
　レーザ制御部９０は、露光装置１４から目標パルスエネルギＥｔと目標波長λｔとのデータを受信する。レーザ制御部９０は、パルスエネルギ検出器１４４によって計測されたパルスエネルギＥと目標パルスエネルギＥｔとを基に、パルスエネルギの制御を行う。パルスエネルギの制御は、パルスエネルギ検出器１４４によって計測されたパルスエネルギＥと目標パルスエネルギＥｔとの差ΔＥ＝Ｅ－Ｅｔが０に近づくように充電電圧Ｖｈｖを制御することを含む。
　レーザ制御部９０は、スペクトル検出器１４６によって計測された中心波長λと目標波長λｔとを基に、波長の制御を行う。波長の制御は、スペクトル検出器１４６によって計測された中心波長λと目標波長λｔとの差δλ＝λ－λｔが０に近づくように回転ステージ１３４の回転角を制御することを含む。
　以上のようにレーザ制御部９０は、露光装置１４から目標パルスエネルギＥｔと目標波長λｔとを受信して、発光トリガ信号Ｔｒ１が入力される毎に、発光トリガ信号Ｔｒ１に同期してレーザ装置１０にパルスレーザ光を出力させる。
　レーザ装置１０は放電を繰り返すと、電極１２５、１２６が消耗し、レーザガス中のハロゲンガスが消費されるとともに、不純物ガスが生成される。レーザチャンバ１００内のハロゲンガス濃度の低下や不純物ガスの増加は、パルスレーザ光のパルスエネルギの低下やパルスエネルギの安定性に悪影響を及ぼす。レーザ制御部９０は、これらの悪影響を抑制するために例えば、以下のガス制御を実行する。
　［１］ハロゲン注入制御
　ハロゲン注入制御とは、レーザ発振中に、レーザチャンバ１００内で主に放電によって消費された分のハロゲンガスを、レーザチャンバ１００内のハロゲンガスよりも高い濃度にハロゲンを含むガスを注入することによってレーザチャンバ１００に補充するガス制御である。
　［２］部分ガス交換制御
　部分ガス交換制御とは、レーザ発振中に、レーザチャンバ１００内の不純物ガスの濃度の増加を抑制するように、レーザチャンバ１００内のレーザガスの一部を新しいレーザガスに交換するガス制御である。
　［３］ガス圧制御
　ガス圧制御とは、レーザチャンバ１００内にレーザガスを注入してレーザガスのガス圧Ｐを変化させることによって、パルスエネルギを制御するガス制御である。パルスエネルギの制御は、通常、充電電圧Ｖｈｖを制御することで行われるが、レーザ装置１０から出力されるパルスレーザ光のパルスエネルギの低下を、充電電圧Ｖｈｖの制御範囲では補うことが不可能な場合に、ガス圧制御が実行される。
　レーザチャンバ１００からレーザガスを排気する場合に、レーザ制御部９０はガス排気装置１１６を制御する。レーザチャンバ１００から排気されたレーザガスは図示しないハロゲンフィルタによってハロゲンガスが除去され、レーザ装置１０の外部に排気される。
　レーザ制御部９０は、発振パルス数、充電電圧Ｖｈｖ、レーザチャンバ１００内のガス圧Ｐ、レーザ光のパルスエネルギＥ、スペクトル線幅Δλ等の各パラメータのデータを、図示しないローカルエリアネットワークを介してレーザ装置用管理システム２０６（図２参照）に送信する。
　２．３　レーザ装置の主要な消耗品のメインテナンス
　フィールドサービスエンジニア（ＦＳＥ）が行う主要な消耗品の交換作業は、レーザチャンバ１００と、狭帯域化モジュール１０６と、モニタモジュール１０８との交換作業である。
　これらの主要な消耗品の交換時期は、一般的には、時間で管理するのではなく、レーザ装置１０の発振パルス数で管理している。これらの主要な消耗品の交換作業には、３時間から１０時間の交換時間を要することがある。これらの主要な消耗品の中で、交換時間が最も長い消耗品はレーザチャンバ１００である。
　２．４　その他
　図１に示す例では、レーザ装置１０として、ＫｒＦエキシマレーザ装置の例を示したが、この例に限定されることなく、他のレーザ装置に適用してもよい。例えば、レーザ装置１０は、ＡｒＦエキシマレーザ装置やＸｅＣｌエキシマレーザ装置であってもよい。
　図１に示す例では、レーザ装置１０のガス制御は、ハロゲン注入制御と、部分ガス交換制御と、ガス圧制御とを実施する場合を示したが、この例に限定されることなく、例えば、必ずしもガス圧制御を実施しなくてもよい。
　３．半導体工場のレーザ管理システムの例
　３．１　構成
　図２に、半導体工場のレーザ管理システム２００の構成例を概略的に示す。レーザ管理システム２００は、複数のレーザ装置１０と、レーザ装置用管理システム２０６と、半導体工場管理システム２０８とを含む。
　レーザ装置用管理システム２０６及び半導体工場管理システム２０８の各々は、コンピュータを用いて構成される。レーザ装置用管理システム２０６及び半導体工場管理システム２０８の各々は、複数のコンピュータを用いて構成されるコンピュータシステムであってもよい。半導体工場管理システム２０８は、ネットワーク２１０を介して、レーザ装置用管理システム２０６と接続される。
　ネットワーク２１０は、有線若しくは無線又はこれらの組み合わせによる情報伝達が可能な通信回線である。ネットワーク２１０は、ワイドエリアネットワークであってもよいし、ローカルエリアネットワークであってもよい。
　複数のレーザ装置１０の各々を識別するために、ここではレーザ装置識別符号＃１，＃２，・・・＃ｋ，・・・＃ｗを用いる。ｗは半導体工場内のレーザ管理システム２００に含まれるレーザ装置１０の数である。ｗは１以上の整数である。ｋは１以上ｗ以下の範囲の整数である。以下、説明の便宜上、レーザ装置＃ｋと表記する場合がある。なお、レーザ装置＃１～＃ｗは同一の装置構成であってもよいし、レーザ装置＃１～＃ｗの一部又は全部は、互いに異なる装置構成であってもよい。
　レーザ装置＃１～＃ｗとレーザ装置用管理システム２０６との各々は、ローカルエリアネットワーク２１３に接続される。図２において、ローカルエリアネットワーク２１３を「ＬＡＮ」と表示する。
　３．２　動作
　レーザ装置用管理システム２０６は、それぞれのレーザ装置＃１～＃ｗの主要な消耗品の交換時期を、主にレーザ発振したパルス数（発振パルス数）Ｎｐで管理する。
　レーザ装置用管理システム２０６は、メインテナンスの管理情報を表示端末に表示してもよいし、ネットワーク２１０を介して半導体工場管理システム２０８に送信してもよい。
　レーザ装置用管理システム２０６によってレーザ装置＃１～＃ｗを管理する管理ラインは、それぞれの管理ラインが独立しており、各レーザ装置＃１～＃ｗから出力されたメインテナンス管理の情報に基づいて、半導体工場の管理者が各レーザ装置＃１～＃ｗの主要な消耗品の交換時期を決定する。
　図３は、典型的なレーザチャンバ１００のガス圧Ｐと発振パルス数Ｎｐとの関係の例を示すグラフである。エキシマレーザ装置は放電を繰り返すと、電極１２５、１２６が消耗し、レーザガス中のハロゲンガスが消費されるとともに、不純物ガスが生成される。レーザチャンバ１００内のハロゲンガス濃度の低下や不純物ガスの増加は、パルスレーザ光のパルスエネルギの低下やパルスエネルギ安定性に悪影響を及ぼす。
　そこで、エキシマレーザ装置の性能を維持するために、状況に応じて、ハロゲン注入制御、部分ガス交換制御、ガス圧制御、又は全ガス交換を行う。図３においてレーザチャンバ１００の交換タイミングを上向き矢印で示す。レーザチャンバ１００を交換した後の動作は次の通りである。
　［ステップ１］レーザチャンバ１００を交換した直後のガス圧Ｐは、初期ガス圧Ｐｃｈでレーザ性能が維持される。
　［ステップ２］レーザ発振を継続すると、放電電極の消耗や不純物ガスの発生により、レーザ性能を維持するために、ガス圧制御によってガス圧Ｐが上昇する。図３において太線で示すグラフは、このステップ２におけるガス圧Ｐの推移を表す。
　［ステップ３］しかし、やがてガス圧制御によってもレーザ性能が維持できなくなると、レーザ発振を停止し、全ガス交換を行う。図３において全ガス交換のタイミングを下向き矢印で示す。
　［ステップ４］全ガス交換後に調整発振を行う。レーザ性能を回復させるために、ガス圧制御を行う。レーザ性能が回復したときのガス圧Ｐを「全ガス交換後の初期ガス圧」といい、Ｐｉｎｉとする。
　［ステップ５］その後、ステップ２からステップ４を複数回繰り返す。全ガス交換後の初期ガス圧Ｐｉｎｉは、発振パルス数Ｎｐの増加に伴い次第に大きくなっていく。図３において細線で示すグラフは初期ガス圧Ｐｉｎｉの推移を表す。
　［ステップ６］やがて、ガス圧Ｐが最大許容ガス圧Ｐｍａｘに到達したときにレーザチャンバ寿命Ｎｃｈｌｉｆｅとなる。
　図３に示す例では、簡単のためにレーザチャンバ１００の寿命について、レーザ装置１０の発振パルス数Ｎｐに対するガス圧Ｐの変化から寿命に到達するまでの経緯を説明した。しかし、他のレーザ性能、例えば、パルスエネルギ安定性、及びスペクトル線幅等の性能も満足する必要がある。したがって、単純には、レーザチャンバ１００の寿命を予測できないことがある。
　４．課題
　［課題１］レーザ装置の主要な消耗品毎に標準寿命としての発振パルス数の値が定められている場合がある。しかし、消耗品の個体差があるために、寿命に到達する発振パルス数は一定ではなく、ばらつきがある。消耗品の寿命が標準寿命より長い場合であっても、標準寿命の時期に、定期メインテナンスとして消耗品の交換を行う場合がある。また、消耗品の寿命が標準寿命より短い場合には、計画的な消耗品交換ができず、生産ラインを停止させることがある。
　［課題２］現状ではＦＳＥが、例えば図３のような発振パルス数に対するガス圧の推移とその他の寿命に関連するパラメータのログデータを見て、経験的に各消耗品の寿命を予測して対応している。そのため、消耗品の寿命の予測及び消耗品の交換までの対応は、ＦＳＥ個人の能力に依存する場合がある。
　５．実施形態１
　５．１　構成
　図４は、実施形態１に係る半導体工場のレーザ管理システム３００の構成を示す図である。図４に示す構成について図２との相違点を説明する。図４に示す半導体工場のレーザ管理システム３００は、図２のレーザ管理システム２００の構成に、消耗品管理サーバ３１０を追加した構成となっている。消耗品管理サーバ３１０はネットワーク２１０を介して、レーザ装置用管理システム２０６及び半導体工場管理システム２０８と接続される。
　消耗品管理サーバ３１０は、レーザ装置用管理システム２０６及び半導体工場管理システム２０８の各々に対してデータや信号の送受信が可能な構成である。
　図５は、消耗品管理サーバ３１０の機能を示すブロック図である。消耗品管理サーバ３１０は、データ取得部３２０と、消耗品の寿命関連情報保存部３３０と、機械学習による学習モデル作成部３４０と、学習モデル保存部３５０と、消耗品の寿命予測部３６０と、データ出力部３７０とを含む。
　消耗品の寿命関連情報は、ファイルＡ、ファイルＢ及びファイルＣを含む。ファイルＡは、レーザチャンバ１００の寿命関連ログデータが保存されるファイルである。ファイルＢは、モニタモジュール１０８の寿命関連ログデータが保存されるファイルである。ファイルＣは、狭帯域化モジュール１０６の寿命関連ログデータが保存されるファイルである。
　消耗品の寿命関連情報保存部３３０は、ファイルＡを記憶しておく記憶部３３２と、ファイルＢを記憶しておく記憶部３３４と、ファイルＣを記憶しておく記憶部３３６とを含む。
　学習モデル作成部３４０は、機械学習によって学習モデルを作成する処理部である。消耗品の学習モデル保存部３５０は、学習モデル作成部３４０によって作成された学習モデルを保存する。消耗品の学習モデル保存部３５０は、ファイルＡｍを記憶しておく記憶部３５２と、ファイルＢｍを記憶しておく記憶部３５４と、ファイルＣｍを記憶しておく記憶部３５６とを含む。
　ファイルＡｍは、レーザチャンバ１００の寿命を予測する処理を行う第１学習モデルが保存されるファイルである。ファイルＢｍは、モニタモジュール１０８の寿命を予測する処理を行う第２学習モデルが保存されるファイルである。ファイルＣｍは、狭帯域化モジュール１０６の寿命を予測する処理を行う第３学習モデルが保存されるファイルである。
　記憶部３３２、３３４、３３６、３５２、３５４、３５６は、ハードディスク装置及び／又は半導体メモリ等の記憶デバイスを用いて構成される。記憶部３３２、３３４、３３６、３５２、３５４、３５６は、それぞれ別々の記憶装置を用いて構成されてもよいし、１つ又は複数の記憶装置における記憶領域の一部として構成されてもよい。
　本開示において、レーザ制御部９０、露光制御部５０、レーザ装置用管理システム２０６、半導体工場管理システム２０８、及び消耗品管理サーバ３１０の各々は、１台又は複数台のコンピュータのハードウェア及びソフトウェアの組み合わせによって実現することが可能である。ソフトウェアはプログラムと同義である。プログラマブルコントローラはコンピュータの概念に含まれる。
　コンピュータは、例えば、ＣＰＵ（Central Processing Unit）及び記憶装置を含んで構成され得る。プログラマブルコントローラはコンピュータの概念に含まれる。コンピュータはＧＰＵ（Graphics Processing Unit）を含んでもよい。コンピュータに含まれるＣＰＵやＧＰＵはプロセッサの一例である。記憶装置は、有体物たる非一時的なコンピュータ可読媒体であり、例えば、主記憶装置であるメモリ及び補助記憶装置であるストレージを含む。コンピュータ可読媒体は、例えば、半導体メモリ、ハードディスクドライブ（Hard Disk Drive：ＨＤＤ）装置、若しくはソリッドステートドライブ（Solid State Drive：ＳＳＤ）装置又はこれらの複数の組み合わせであってよい。プロセッサが実行するプログラムはコンピュータ可読媒体に記憶されている。プロセッサはコンピュータ可読媒体を含む構成であってもよい。
　また、レーザ制御部９０、露光制御部５０、レーザ装置用管理システム２０６、半導体工場管理システム２０８及び消耗品管理サーバ３１０などの各種の制御装置や処理装置の機能の一部又は全部は、ＦＰＧＡ（Field Programmable Gate Array）やＡＳＩＣ（Application Specific Integrated Circuit）に代表される集積回路を用いて実現してもよい。
　また、複数の制御装置や処理装置の機能を１台の装置で実現することも可能である。さらに本開示において、複数の制御装置や処理装置は、ローカルエリアネットワークやインターネット回線といった通信ネットワークを介して互いに接続されてもよい。分散コンピューティング環境において、プログラムユニットは、ローカル及びリモート両方のメモリストレージデバイスに保存されてもよい。レーザ制御部９０、露光制御部５０、レーザ装置用管理システム２０６、半導体工場管理システム２０８、及び消耗品管理サーバ３１０などに適用されるプロセッサは、本開示に含まれる各種処理を実行するために特別に構成又はプログラムされている。
　５．２　動作
　５．２．１　消耗品管理サーバにおける機械学習の動作の概要
　図５に示す消耗品管理サーバ３１０は、レーザ装置１０の消耗品の寿命を予測する処理に用いる学習モデルを作成するための機械学習を行う機能と、作成した学習モデルを用いて消耗品の寿命を予測する処理を行う機能とを備える。消耗品管理サーバ３１０は本開示における「消耗品管理装置」の一例である。まず、消耗品管理サーバ３１０において消耗品の寿命の予測に用いる学習モデルを作成するための機械学習方法及びその機械学習に使用する訓練データの作成方法を説明する。
　データ取得部３２０は、各レーザ装置１０で消耗品が交換された場合に、レーザ装置用管理システム２０６から、交換された消耗品の使用期間中の全期間にわたって発振パルス数Ｎｐと対応付けて継続的に記録された寿命関連パラメータの全データを含む寿命関連情報を取得する。データ取得部３２０は、レーザ装置用管理システム２０６から取得したデータを、消耗品の寿命関連情報保存部３３０に書き込む。
　データ取得部３２０は、交換された消耗品の種類に応じて書き込むファイルを特定してデータを書き込む。交換された消耗品がレーザチャンバ１００である場合、データ取得部３２０はファイルＡにレーザチャンバ１００の寿命関連情報である寿命関連ログデータを書き込む。交換された消耗品がモニタモジュール１０８である場合、データ取得部３２０はファイルＢにモニタモジュール１０８の寿命関連情報である寿命関連ログデータを書き込む。交換された消耗品が狭帯域化モジュール１０６である場合、データ取得部３２０はファイルＣに狭帯域化モジュール１０６の寿命関連情報である寿命関連ログデータを書き込む。ファイルＡ、ファイルＢ、及びファイルＣの各々に書き込まれるログデータは本開示における「第１の寿命関連情報」の一例である。データ取得部３２０は本開示における「情報取得部」の一例である。
　学習モデル作成部３４０は、消耗品の寿命関連情報保存部３３０に、交換された消耗品に関する新しい寿命関連情報のデータが保存されると、この新しく保存された寿命関連情報のデータを取得する。また、学習モデル作成部３４０は、交換された消耗品に対応した学習モデルを消耗品の学習モデル保存部３５０から呼び出す。
　例えば、交換された消耗品がレーザチャンバ１００である場合、学習モデル作成部３４０はファイルＡｍを呼び出す。交換された消耗品がモニタモジュール１０８である場合、学習モデル作成部３４０はファイルＢｍを呼び出す。交換された消耗品が狭帯域化モジュール１０６である場合、学習モデル作成部３４０はファイルＣｍを呼び出す。
　学習モデル作成部３４０は、交換された消耗品の使用開始から交換までの期間中に記録された寿命関連パラメータのデータに基づいて機械学習を行い、新しい学習モデルを作成する。具体的な機械学習方法の内容については後述する。学習モデル作成部３４０によって作成された新しい学習モデルは、消耗品の学習モデル保存部３５０に保存される。機械学習の実施によって新しい学習モデルが作成されると、学習モデル保存部３５０のファイルが更新され、学習モデル保存部３５０に最新の学習モデルのファイルが書き込まれる。
　５．２．２　消耗品管理サーバにおける消耗品の寿命予測の動作の概要
　次に、消耗品管理サーバ３１０における消耗品の寿命予測の動作を説明する。データ取得部３２０は、外部装置から交換予定の消耗品の寿命予測処理の要求信号を受信することができる。ここでの外部装置は、半導体工場管理システム２０８であってもよいし、図示しない端末装置などであってもよい。「交換予定の消耗品」とは、レーザ装置１０に現在搭載されている使用中の消耗品であって、今後交換する予定が検討される候補対象の消耗品である。
　データ取得部３２０は、交換予定の消耗品の寿命予測処理の要求を受けると、レーザ装置用管理システム２０６から、交換予定の消耗品の現在の寿命関連情報のデータと、１日当りの発振予定パルス数Ｎｄａｙのデータとを取得する。
　データ取得部３２０は、交換予定の消耗品の現在の寿命関連情報のデータと、１日当りの発振予定パルス数Ｎｄａｙのデータとを、消耗品の寿命予測部３６０に送信する。
　消耗品の寿命予測部３６０は、交換予定の消耗品の現在の寿命関連情報のデータと、１日当りの発振予定パルス数Ｎｄａｙのデータとを取得し、交換予定の消耗品に対応した学習モデルを消耗品の学習モデル保存部３５０から呼び出す。
　例えば、交換予定の消耗品がレーザチャンバ１００である場合、消耗品の寿命予測部３６０は消耗品の学習モデル保存部３５０からファイルＡｍを読み込む。
　消耗品の寿命予測部３６０は、現在の寿命関連情報のデータに基づいて学習モデルを使用することによって消耗品の寿命を予測する。
　消耗品の寿命予測部３６０は、予測された交換予定の消耗品の寿命Ｎｌｉｆｅと余命Ｎｒｅの発振パルス数のデータと、推奨メインテナンス日Ｄｒｅｃとを計算し、これらのデータをデータ出力部３７０に送信する。
　推奨メインテナンス日Ｄｒｅｃは、例えば、次式を用いて計算することができる。
　Ｄｒｅｃ＝Ｄｐｒｅ＋Ｎｒｅ／Ｎｄａｙ
　Ｄｐｒｅ：消耗品の現在の寿命関連データの取得日
　データ出力部３７０は、予測された交換予定の消耗品の寿命Ｎｌｉｆｅと余命Ｎｒｅの発振パルス数のデータと、推奨メインテナンス日Ｄｒｅｃを表すデータとを、ネットワーク２１０を介してレーザ装置用管理システム２０６に送信する。データ出力部３７０は本開示における「情報出力部」の一例である。
　レーザ装置用管理システム２０６は、予測された交換予定の消耗品の寿命Ｎｌｉｆｅと余命Ｎｒｅの発振パルス数と推奨メインテナンス日Ｄｒｅｃの情報を半導体工場管理システム２０８やオペレータやＦＳＥにディスプレーやメール等で通知してもよい。
　この通知は、消耗品管理サーバ３１０からネットワーク２１０を介して、通知されてもよい。
　５．２．３　データ取得部の処理例
　図６は、データ取得部３２０における処理内容の例を示すフローチャートである。図６のフローチャートに示す処理及び動作は、例えば、データ取得部３２０として機能するプロセッサがプログラムを実行することによって実現される。
　ステップＳ１２において、データ取得部３２０は消耗品が交換されたか否かを判定する。ステップＳ１２の判定結果がＹｅｓ判定である場合、データ取得部３２０はステップＳ１４に進む。ステップＳ１４及びステップＳ１６は学習モデルを作成する場合の処理フローである。
　ステップＳ１４において、データ取得部３２０は交換された消耗品の使用期間中の全寿命関連情報を受信する。すなわち、レーザ装置１０の消耗品の交換が行われると、データ取得部３２０はレーザ装置用管理システム２０６から、その交換された消耗品の使用期間中の全寿命関連情報を受信する。
　次に、ステップＳ１６において、データ取得部３２０は交換された消耗品の使用期間中の全寿命関連情報を寿命関連情報保存部３３０に書き込む。すなわち、データ取得部３２０は、交換された消耗品に対応したファイルにデータを書き込む。ここでは、交換された消耗品はレーザチャンバ１００、モニタモジュール１０８、又は狭帯域化モジュール１０６であり、データ取得部３２０は消耗品の種類に応じてファイルＡ、ファイルＢ、又はファイルＣにデータを書き込む。
　ステップＳ１６の後、データ取得部３２０はステップＳ３０に進む。ステップＳ３０において、データ取得部３２０は情報の受信を停止するか否かを判定する。ステップＳ３０の判定結果がＮｏ判定である場合、データ取得部３２０はステップＳ１２に戻る。
　ステップＳ１２の判定結果がＮｏ判定である場合、データ取得部３２０はステップＳ２０に進む。ステップＳ２０において、データ取得部３２０は交換予定の消耗品の寿命を計算するか否かを判定する。例えば、図示しない入力装置からユーザによって、交換予定の消耗品についての寿命予測の要求が入力された場合に、ステップＳ２０の判定結果がＹｅｓ判定となる。
　ステップＳ２０の判定結果がＹｅｓ判定である場合、データ取得部３２０はステップＳ２２に進む。ステップＳ２２、ステップＳ２４及びステップＳ２６は交換予定の消耗品の予測寿命を計算する場合の処理フローである。消耗品の予測寿命を計算することは、消耗品の寿命を予測することを意味する。
　ステップＳ２２において、データ取得部３２０はレーザ装置用管理システム２０６から交換予定の消耗品の現在の寿命関連情報を受信する。
　ステップＳ２４において、データ取得部３２０はレーザ装置用管理システム２０６からレーザ装置１０の稼動関連情報を受信する。レーザ装置１０の稼動関連情報とは、１日当りの発振予定パルス数Ｎｄａｙである。具体的には、過去の稼動データから把握される１日当りの発振予定パルス数Ｎｄａｙであってよい。若しくは、半導体工場管理システム２０８から今後の稼動予定情報を取得して、１日当りの発振予定パルス数Ｎｄａｙを計算してもよい。
　その後、ステップＳ２６において、データ取得部３２０は消耗品の寿命予測部３６０に現在の寿命関連情報とレーザ装置１０の稼動関連情報とを送信する。
　ステップＳ２６の後、データ取得部３２０はステップＳ３０に進む。また、ステップＳ２０の判定結果がＮｏ判定である場合、データ取得部３２０はステップＳ２２～ステップＳ２６をスキップしてステップＳ３０に進む。
　ステップＳ３０の判定結果がＹｅｓ判定である場合、データ取得部３２０は図６のフローチャートを終了する。
　５．２．４　学習モデル作成部の処理例
　図７は、学習モデル作成部３４０における処理内容の例を示すフローチャートである。図７のフローチャートに示す処理及び動作は、例えば、学習モデル作成部３４０として機能するプロセッサがプログラムを実行することによって実現される。
　ステップＳ４２において、学習モデル作成部３４０は消耗品の寿命関連情報保存部３３０に新しいデータが書き込まれたか否かを判定する。ステップＳ４２の判定結果がＮｏ判定である場合、学習モデル作成部３４０はステップＳ４２を繰り返す。ステップＳ４２の判定結果がＹｅｓ判定である場合、学習モデル作成部３４０はステップＳ４４に進む。
　ステップＳ４４において、学習モデル作成部３４０は交換された消耗品の使用期間中の全寿命関連情報を取得する。学習モデル作成部３４０は、交換された消耗品（レーザチャンバ１００、モニタモジュール１０８、又は狭帯域化モジュール１０６）に対応したファイル（ファイルＡ、ファイルＢ、又はファイルＣ）に書き込まれたデータを取得する。
　ステップＳ４６において、学習モデル作成部３４０は交換された消耗品の学習モデルを呼び出す。すなわち、学習モデル作成部３４０は、交換された消耗品に対応したファイル（ファイルＡｍ、ファイルＢｍ、又はファイルＣｍ）に保存された学習モデルを呼び出す。
　ステップＳ４８において、学習モデル作成部３４０は学習モデルの作成サブルーチンの処理を実行する。学習モデル作成部３４０は、交換された消耗品に対応した学習モデルと寿命関連情報とに基づいて機械学習を行い、新しい学習モデルを作成する。
　ステップＳ５０において、学習モデル作成部３４０は新しく作成された学習モデルを消耗品の学習モデル保存部３５０に保存する。学習モデル作成部３４０は、新しく作成された学習モデルを交換された消耗品に対応したファイル（ファイルＡｍ、ファイルＢｍ、又はファイルＣｍ）に保存する。次回からは、この新しい学習モデルを使用するように、学習モデル保存部３５０には最新の学習モデルが保存される。
　ステップＳ５２において、学習モデル作成部３４０は学習モデルの作成を中止するか否かを判定する。ステップＳ５２の判定結果がＮｏ判定である場合、学習モデル作成部３４０はステップＳ４２に戻り、ステップＳ４２からステップＳ５２を繰り返す。ステップＳ５２の判定結果がＹｅｓ判定である場合、学習モデル作成部３４０は図７のフローチャートを終了する。
　なお、図７のフローチャートにおいて、各消耗品の学習モデルを最初に作成するときは、学習モデル保存部３５０に保存されているそれぞれの初期の学習モデルのパラメータは、学習前の任意の値に設定されたものであってよい。後述する機械学習を実施することによって、学習モデルのパラメータが適切な値に変更され、消耗品の寿命予測の処理機能を獲得した学習モデルが作成されることになる。
　もちろん、初期の学習モデルは、予め本実施形態の機械学習方法と同様の方法を実施してパラメータがある程度調整された暫定的な学習モデルであってもよい。
　５．２．５　レーザチャンバの寿命予測に用いる学習モデルの作成例１
　学習モデル作成部３４０が作成する学習モデルは、寿命関連情報の入力を受けて、消耗品の劣化度を予測（推論）結果として出力するように学習される。学習モデル作成部３４０によって行われる処理には、機械学習に用いる訓練データを作成する処理と、作成した訓練データを用いて機械学習を実施する処理とが含まれる。まず、学習モデル作成部３４０が実施する訓練データ作成方法の例を説明する。なお、訓練データは「学習用データ」あるいは「学習データ」と同義である。
　図８は、レーザチャンバ１００の電圧Ｖと発振パルス数Ｎｐとの関係の例を示すグラフであり、発振パルス数Ｎｐと電圧Ｖとによってレーザチャンバ１００の寿命までの劣化度を付与する例を示す。図８の横軸は発振パルス数Ｎｐを表し、縦軸は電極１２５、１２６間に印加される電圧Ｖを表す。ファイルＡに保存されているレーザチャンバ１００の寿命関連ログデータから、図８のような発振パルス数Ｎｐと関連付けされた電圧Ｖのデータを読み出すことができる。
　消耗品交換１サイクルを消耗品毎の寿命とし、発振パルス数Ｎｐによる劣化度ＤＬｎを段階的（例えば１０段階）に定義する。劣化度ＤＬｎは、レーザチャンバ１００の劣化のレベルを発振パルス数Ｎｐによって評価したものであり、発振パルス数Ｎｐが大きくなるにつれて劣化度ＤＬｎのレベルを示す値が大きい値となる。劣化度ＤＬｎのレベルが高いほど、つまり劣化度ＤＬｎのレベルを示す値が大きいほど、劣化が進んだ状態であることを示す。発振パルス数Ｎｐに応じて１０段階の劣化度ＤＬｎを定義する場合、最小レベル値は１、最大レベル値は１０としてよい。
　ここで電極１２５、１２６に印加する電圧Ｖは、ガスの不純物濃度が増加するのに伴うエネルギ低下を補うために、徐々に増加する傾向にある。そこで、最大許容電圧Ｖｍａｘを寿命とし、電圧Ｖによる劣化度ＤＬｖを段階的（例えば１０段階）に定義する。最大許容電圧Ｖｍａｘは、例えば１７．５ｋＶ～２０．０ｋＶの範囲の値である。劣化度ＤＬｖは、レーザチャンバ１００の劣化レベルを電圧Ｖによって評価したものであり、電圧Ｖが大きくなるにつれて劣化度ＤＬｖのレベルを示す値が大きい値となる。電圧Ｖに応じて１０段階の劣化度ＤＬｖを定義する場合、最小レベル値は１、最大レベル値は１０としてよい。電圧Ｖによる劣化度ＤＬｖの上限（最大レベル値）と発振パルス数Ｎｐによる劣化度ＤＬｎの上限とは一致させておくことが好ましく、それぞれのパラメータによる劣化度の上限に対する相対的な劣化具合は、概ね揃えておくことが好ましい。電圧Ｖによる劣化度ＤＬｖのレベル分けについては、予め試験結果又はフィールドデータなどから電圧値とレベル値との対応関係を定めておいてよい。
　発振パルス数Ｎｐと電圧Ｖとのパラメータの組み合わせ（Ｎｐ，Ｖ）によって表されるレーザチャンバ１００の状態に対して、実際に寿命までの劣化の度合いを示すラベルとして付与する劣化度ＤＬは、発振パルス数Ｎｐによる劣化度ＤＬｎ（Ｎｐ）と、電圧Ｖによる劣化度ＤＬｖ（Ｖ）とのうち、より劣化のレベルが高い方（レベル値が大きい方）の劣化度とする。図８の例によれば、例えば、発振パルス数Ｎｐによる劣化度ＤＬｎのレベルが「２」である領域において、電圧Ｖによる劣化度ＤＬｖのレベルは「４」であるため、当該領域に対して実際に付与する劣化度ＤＬは「４」となる。なお、電圧Ｖは、取得時のばらつきが大きい場合があるため、ある期間（例えば１週間）の移動平均値を使用してもよい。
　図８では、電圧Ｖのデータによる劣化度ＤＬｖの定義について、レーザチャンバ１００交換後の初期電圧Ｖｃｈから最大許容電圧Ｖｍａｘまでの範囲をレベル１～１０の１０段階に等分しているが、電圧Ｖによる劣化度ＤＬｖのレベル分けはこの例に限らない。例えば、図９に示すように、電圧Ｖに関して閾値電圧Ｖｔｈを定め、この閾値電圧Ｖｔｈにおける劣化度ＤＬｖをレベル６などのように定め、閾値電圧Ｖｔｈから最大許容電圧Ｖｍａｘまでを等分してレベル６～１０を設定してよい。最大許容電圧Ｖｍａｘが例えば１９ｋＶである場合、閾値電圧Ｖｔｈは例えば１７．５ｋＶであってもよい。この場合、閾値電圧Ｖｔｈに満たない低い電圧Ｖによる劣化度ＤＬｖについてはレベル０としてよい。レベル０とは、劣化度を評価しないこと（無評価）を意味する。閾値電圧Ｖｔｈは本開示における「所定の閾値」の一例である。
　図９の例によれば、例えば、発振パルス数Ｎｐによる劣化度ＤＬｎのレベルが「３」である領域における電圧Ｖの値は閾値電圧Ｖｔｈよりも低いため、この領域内での電圧Ｖによる劣化度ＤＬｖのレベルは「０」である。したがって、発振パルス数Ｎｐによる劣化度ＤＬｎの評価が優先され、当該領域に対して実際に付与する劣化度ＤＬは「３」となる。一方、発振パルス数Ｎｐによる劣化度のレベルＤＬｎが「４」である領域において、電圧Ｖによる劣化度ＤＬｖのレベルは「７」であるため、当該領域に対して実際に付与する劣化度ＤＬは、より大きな値の「７」となる。
　このような劣化度の設定によれば、電圧Ｖが閾値電圧Ｖｔｈよりも低い場合には、発振パルス数Ｎｐによる劣化度ＤＬｎが、実際に付与する劣化度ＤＬとして維持される。一方で、電圧Ｖが閾値電圧Ｖｔｈ以上に高い場合に、電圧Ｖによる劣化度ＤＬｖが劣化レベルの後半（レベル６～１０）のレベル値として評価される。
　電圧Ｖに関しては、ある一定の電圧値よりも高い電圧となった場合に劣化状態が問題となるという知見から、注意すべき電圧Ｖの値（閾値電圧Ｖｔｈ）よりも高い領域について電圧Ｖによる劣化度ＤＬｖのラベルを与えるという構成を採用してよい。
　図９のような劣化度の付与方法を採用することにより、電圧Ｖが閾値電圧Ｖｔｈよりも低い領域において、電圧Ｖによる劣化度ＤＬｖの評価の影響を相対的に低減して、発振パルス数Ｎｐによる劣化度ＤＬｎの評価の影響を相対的に高めることができる。そして、電圧Ｖが閾値電圧Ｖｔｈよりも高い領域において、電圧Ｖによる劣化度ＤＬｖの評価と発振パルス数Ｎｐによる劣化度ＤＬｎの評価とを概ね同程度に重視して両者を比較し、実際に付与する劣化度ＤＬを決定することができる。この場合に、実際に付与する劣化度ＤＬは、両パラメータによるそれぞれの劣化度のうち、劣化度のレベルがより高い方の劣化度となる。
　図９では、閾値電圧Ｖｔｈに満たない低い電圧Ｖによる劣化度ＤＬｖについては「レベル０」と定めたが、「レベル０」の代わりに「レベル１」と定めても同様の結果が得られる。つまり、閾値電圧Ｖｔｈよりも低い電圧Ｖである場合の電圧Ｖによる劣化度ＤＬｖは、発振パルス数Ｎｐによる劣化度ＤＬｎの最小レベル値（レベル１）以下の値としてよい。
　図８又は図９で例示したように、発振パルス数Ｎｐ及び電圧Ｖの組み合わせ（Ｎｐ，Ｖ）に対して劣化度ＤＬが付与される。こうして作成された発振パルス数Ｎｐ及び電圧Ｖの組み合わせ（Ｎｐ，Ｖ）のパラメータセットと劣化度ＤＬとを対応付けたデータは、機械学習のための訓練データとして用いられる。すなわち、発振パルス数Ｎｐと寿命関連パラメータとの組み合わせデータが学習モデルへの入力データとなり、劣化度ＤＬを表すレベルの値がその入力データに対する劣化度の正解のラベル（教師データ）に相当する。
　図８に示す例の場合、発振パルス数Ｎｐ及び電圧Ｖの組み合わせ（Ｎｐ，Ｖ）のパラメータセットのデータが学習モデルへの入力データであり、これに対応する劣化度ＤＬのデータが正解のラベルである。学習モデル作成部３４０は、作成された教師ありデータを用いて機械学習を行い、発振パルス数Ｎｐ及び電圧Ｖの組み合わせの入力に対して、劣化度の予測値を出力する学習モデルを作成する。すなわち、学習モデル作成部３４０は、複数のパラメータの組み合わせによる入力データに対して、１０段階の劣化度（レベル１～１０）のうちどのレベルに相当するかを予測（推論）する１０クラス分類のタスクを行う学習モデルを作成する。なお、ここでは、１０段階の劣化度を定義する例を示しているが、劣化度の段階数は１０段階に限らず、２以上の適宜の段階とすることができる。
　発振パルス数Ｎｐによる劣化度ＤＬｎは本開示における「第１の劣化度」の一例である。電圧Ｖによる劣化度ＤＬｖは本開示における「第２の劣化度」の一例である。実際に付与される劣化度ＤＬは本開示における「第３の劣化度」の一例である。
　５．２．６　レーザチャンバの寿命予測に用いる学習モデルの作成例２
　図８及び図９では、発振パルス数Ｎｐと電圧Ｖとに基づいて劣化度ＤＬを付与する例を説明したが、レーザチャンバ１００の寿命を評価するために用いるパラメータは、発振パルス数Ｎｐと電圧Ｖとに限らない。図３で説明したように、全ガス交換後の初期ガス圧Ｐｉｎｉも電圧Ｖと同様に、発振パルス数Ｎｐが増加すると増加する（図３参照）。以下、全ガス交換後の初期ガス圧Ｐｉｎｉを「ガス圧Ｐｉｎｉ」と表記する。そこで、電圧Ｖによる劣化度ＤＬｖの代わりに、ガス圧Ｐｉｎｉによって劣化度ＤＬｐを判断してもよい。
　また、電圧Ｖとガス圧Ｐｉｎｉとの両方を使用して劣化度を判断することがより望ましい。その場合、実際に付与する劣化度ＤＬは、発振パルス数Ｎｐによる劣化度ＤＬｎ、電圧Ｖによる劣化度ＤＬｖ、及びガス圧Ｐｉｎｉによる劣化度ＤＬｐのうち、最も大きい値の劣化度を付与してよい。なお、電圧Ｖと同様に、ガス圧Ｐｉｎｉは、取得時のばらつきが大きい場合があるため、ある期間（例えば１週間）の移動平均値を使用してもよい。
　図１０は、レーザチャンバ１００のガス圧Ｐｉｎｉと発振パルス数Ｎｐとの関係の例を示すグラフであり、発振パルス数Ｎｐとガス圧Ｐｉｎｉと電圧Ｖとに基づきレーザチャンバ１００の寿命までの劣化度を定義する例を示す。図１０の縦軸はガス圧Ｐｉｎｉを表し、単位は［Ｐａ］である。最大許容ガス圧Ｐｍａｘを寿命とし、ガス圧Ｐｉｎｉによる劣化度ＤＬｐを段階的（例えば１０段階）に定義する。
　図１０では、ガス圧Ｐｉｎｉによる劣化度ＤＬｐの定義について、レーザチャンバ１００交換後の初期ガス圧Ｐｃｈから最大許容ガス圧Ｐｍａｘまでの範囲をレベル１～１０の１０段階に等分しているが、ガス圧Ｐｉｎｉによる劣化度ＤＬｐのレベル分けの設定はこの例に限らない。
　例えば、ガス圧Ｐｉｎｉに関して閾値となる閾値ガス圧を定め、この閾値ガス圧での劣化度を例えばレベル３とし、最大許容ガス圧Ｐｍａｘのレベル１０までを等分してレベル３～１０などと設定してよい。例えば、Ｐｍａｘが３３００［Ｐａ］である場合、閾値ガス圧は２４００［Ｐａ］であってもよい。この場合、レベル３よりも低いガス圧に対応する劣化度についてはレベル０又はレベル１などとしてよい。
　発振パルス数Ｎｐとガス圧Ｐｉｎｉとのパラメータの組み合わせ（Ｎｐ，Ｐｉｎｉ）による劣化度ＤＬｎｐは、発振パルス数Ｎｐによる劣化度ＤＬｎ（Ｎｐ）と、ガス圧Ｐｉｎｉによる劣化度ＤＬｐ（Ｐｉｎｉ）とのうち、より劣化のレベルが高い方の劣化度とする。
　さらに、電圧Ｖとガス圧Ｐｉｎｉとの両方を使用して劣化度を判断する形態の場合、発振パルス数Ｎｐ、電圧Ｖ及びガス圧Ｐの組み合わせ（Ｎｐ，Ｖ，Ｐｉｎｉ）に対して、実際に付与する劣化度ＤＬｎｖｐは、発振パルス数Ｎｐによる劣化度ＤＬｎ（Ｎｐ）、電圧Ｖによる劣化度ＤＬｖ（Ｖ）及びガス圧Ｐｉｎｉによる劣化度ＤＬｐ（Ｐｉｎｉ）のうちの最も劣化のレベルが高い劣化度とする。
　図１０の例によれば、発振パルス数Ｎｐによる劣化度ＤＬｎのレベルが「５」である領域において、ガス圧Ｐｉｎｉによる劣化度ＤＬｐのレベルは「６」であるため、当該領域に対して、発振パルス数Ｎｐとガス圧Ｐｉｎｉとの総合判断による劣化度ＤＬｎｐは「６」となる。また、図１０の発振パルス数Ｎｐによる劣化度ＤＬｎのレベルが「５」である領域において、電圧Ｖによる劣化度ＤＬｖのレベルは「７」であるため（図８参照）、当該領域に対して、発振パルス数Ｎｐと電圧Ｖとガス圧Ｐｉｎｉとの総合判断による劣化度ＤＬｎｖｐは「７」となる。
　図１０で例示したように、発振パルス数Ｎｐ、電圧Ｖ及びガス圧Ｐｉｎｉの組み合わせ（Ｎｐ，Ｖ，Ｐｉｎｉ）によって表される消耗品の状態に対して、各パラメータによる劣化度ＤＬｎ、ＤＬｖ、ＤＬｐに基づき、劣化度ＤＬｎｖｐが付与される。こうして作成された発振パルス数Ｎｐ，電圧Ｖ及びガス圧Ｐの組み合わせ（Ｎｐ，Ｖ，Ｐｉｎｉ）と劣化度ＤＬｎｖｐとを対応付けたデータは、機械学習のための訓練データとして用いられる。
　このような訓練データを用いて機械学習を行い、発振パルス数Ｎｐ，電圧Ｖ及びガス圧Ｐの組み合わせ（Ｎｐ，Ｖ，Ｐｉｎｉ）の入力に対して、消耗品の劣化度を示すレベル（すなわち、劣化度のクラス分類ラベル）を予測結果として出力する学習モデルを作成する。電圧Ｖ及びガス圧Ｐｉｎｉは本開示における「複数の寿命関連パラメータ」の一例である。電圧Ｖによる劣化度ＤＬｖとガス圧Ｐｉｎｉによる劣化度ＤＬｐとのそれぞれは本開示における「第２の劣化度」の一例である。発振パルス数Ｎｐと電圧Ｖとガス圧Ｐｉｎｉとによる総合的な劣化度ＤＬｎｖｐは本開示における「第３の劣化度」の一例である。
　レーザチャンバ１００に限らず、モニタモジュール１０８や狭帯域化モジュール１０６など他の消耗品についても同様に、消耗品毎にその消耗品の使用開始から交換までの１サイクルの全期間における寿命関連情報のデータを複数段階の劣化度のレベルに分割し、寿命関連パラメータのデータと劣化度を示すレベルとを対応付けた訓練データを作成する。
　そして、消耗品の種類毎に、それぞれの訓練データを用いて機械学習を行い、それぞれの学習モデルを作成する。
　図１１は、図７のステップＳ４８に適用される処理内容の例１を示すフローチャートである。すなわち、図１１は、学習モデルの作成サブルーチンの例１を示す。
　図１１のステップＳ１０２において、学習モデル作成部３４０は交換された消耗品の使用期間中の全寿命関連情報を劣化度のレベルによってＳｍａｘ段階に分割する。Ｓｍａｘは、例えば、図８で例示したように、１０であってよい。
　ステップＳ１０４において、学習モデル作成部３４０はＳｍａｘ段階に分割された各段階の寿命関連情報のデータＤ（ｓ）を作成する。ここでｓは、劣化度のレベルを表す整数である。ｓは１からＳｍａｘまでの値をとり得る。図８の例では、レーザチャンバ１００に関して１０段階にレベル分けされた劣化度ＤＬの各段階の寿命関連情報のデータＤ（ｓ）が作成される。データＤ（ｓ）は、寿命関連情報と劣化度ＤＬのレベルｓとが関連付けされたデータであり、訓練データとして用いられる。ステップＳ１０２及びステップＳ１０４を実施して訓練データを作成する方法は本開示における「訓練データ作成方法」の一例である。
　次に、ステップＳ１０６において、学習モデル作成部３４０は、劣化度のレベルを表す変数ｓの値を初期値の「１」に設定する。その後、ステップＳ１０８において、学習モデル作成部３４０はＤ（ｓ）のデータを、図７のステップＳ４６で呼び出した学習モデルに入力する。
　次に、図１１のステップＳ１１０において、学習モデル作成部３４０は、データＤ（ｓ）の入力に対する学習モデルの出力がレベルｓとなるように学習モデルのパラメータを変更する。
　学習モデルは、例えば、ニューラルネットワークモデルであってよい。学習モデル作成部３４０は、教師ありデータを用いた機械学習によってこの学習モデルのパラメータを変更し、新しい学習モデルを作成する。
　ステップＳ１１２において、学習モデル作成部３４０は変数ｓがＳｍａｘ以上であるか否かを判定する。ステップＳ１１２の判定結果がＮｏ判定である場合、学習モデル作成部３４０はステップＳ１１４に進み、変数ｓの値をインクリメントしてステップＳ１０８に戻る。ステップＳ１１２の判定結果がＹｅｓ判定である場合、学習モデル作成部３４０は図１１のフローチャートを終了して、図７のフローチャートに復帰する。つまり、ステップＳ１１２の判定結果がＹｅｓ判定になると、学習モデルは、今回の交換された消耗品の結果を反映した新しい学習モデルに更新される。
　なお、図１１のステップＳ１０６～Ｓ１１２の処理では、劣化度のレベルごとに学習を行う例を説明したが、学習モデルへの訓練データの入力に関して、学習単位はレベルごとではなく、ランダムなサンプルを任意の件数ごと（例えば１０００件ずつ）に学習する方が好ましい。レベルごとに学習させてしまうと、学習モデルの内部のパラメータが、最後に学習したレベルのデータに寄ってしまう可能性があるため、学習単位となる学習データ群はなるべくランダムサンプリングした方がよい。
　学習モデル作成部３４０は本開示における「訓練データ作成方法」及び「機械学習方法」を実施する処理部の一例である。
　図１２は、図１１のステップＳ１０４に適用される処理内容の例１を示すフローチャートである。図１２のフローチャートは、図８及び図９に例示したように、電圧Ｖによる劣化度ＤＬｖを考慮して、発振パルス数Ｎｐによる劣化度ＤＬｎを書き換える（上書きする）場合の「各段階の寿命関連情報のデータＤ（ｓ）を作成する処理」の例である。
　ステップＳ２０１において、学習モデル作成部３４０は変数ｓの値を初期値の「１」に設定する。ここでの変数ｓは、発振パルス数ＮｐをＳｍａｘ段階に分割して定義した区間を表し、発振パルス数Ｎｐによる劣化度ＤＬｎのレベルに相当する。
　ステップＳ２０２において、学習モデル作成部３４０は区間ｓのデータを読み出す。ここでは区間ｓにおける電圧Ｖのデータが読み出される。
　ステップＳ２０４において、学習モデル作成部３４０は電圧Ｖの値から劣化度ＤＬｖを算出して変数Ｌに保存する。例えば、電圧Ｖの値が１９ｋＶである場合、劣化度ＤＬｖは「６」と算出される（図８参照）。
　次いで、ステップＳ２１０において、学習モデル作成部３４０は発振パルス数Ｎｐによる劣化度「ｓ」と電圧Ｖによる劣化度「Ｌ」とを比較し、「ｓ」よりも「Ｌ」が大きいか否かを判定する。
　ステップＳ２１０の判定結果がＹｅｓ判定である場合（Ｌ＞ｓ）、学習モデル作成部３４０はステップＳ２１１に進む。ステップＳ２１１において、学習モデル作成部３４０は区間ｓの寿命関連情報のデータを劣化度「Ｌ」のＤ（Ｌ）として保存する。
　一方、ステップＳ２１０の判定結果がＮｏ判定である場合（Ｌ≦ｓ）、学習モデル作成部３４０はステップＳ２１２に進む。ステップＳ２１２において、学習モデル作成部３４０は区間ｓの寿命関連情報のデータを劣化度「ｓ」のＤ（ｓ）として保存する。
　ステップＳ２１１又はＳ２１２の後、学習モデル作成部３４０はステップＳ２１３に進む。
　ステップＳ２１３において、学習モデル作成部３４０は変数ｓがＳｍａｘ以上であるか否かを判定する。ステップＳ１１２の判定結果がＮｏ判定である場合、学習モデル作成部３４０はステップＳ２１４に進み、変数ｓの値をインクリメントしてステップＳ２０２に戻る。ステップＳ２１３の判定結果がＹｅｓ判定である場合、学習モデル作成部３４０は図１２のフローチャートを終了して、図１１のフローチャートに復帰する。
　図１３は、図１１のステップＳ１０４に適用される処理内容の例２を示すフローチャートである。図１３のフローチャートは、電圧Ｖによる劣化度ＤＬｖとガス圧Ｐｉｎｉによる劣化度ＤＬｐとを考慮して、発振パルス数Ｎｐによる劣化度ＤＬｎを書き換える場合の「各段階の寿命関連情報のデータＤ（ｓ）を作成する処理」の例である。図１３において、図１２と共通する処理のステップには同一のステップ番号を付し、重複する説明は省略する。
　ステップＳ２０２の後、ステップＳ２０４Ａにおいて、学習モデル作成部３４０は電圧Ｖの値から劣化度ＤＬｖを算出して変数Ｌ１に保存する。
　ステップＳ２０４Ｂにおいて、学習モデル作成部３４０はガス圧Ｐｉｎｉから劣化度ＤＬｐを算出して変数Ｌ２に保存する。
　ステップＳ２０６において、学習モデル作成部３４０はＬ１とＬ２の最大値をＬとする。
　ステップＳ２０９において、学習モデル作成部３４０は「ｓ」と「Ｌ」を比較し、「Ｌ」が大きいか否かを判定する。
　ステップＳ２０９の判定結果がＹｅｓ判定である場合（Ｌ＞ｓ）、学習モデル作成部３４０はステップＳ２１１に進む。例えば、ｓ＝１の場合にＬ＝６であればステップＳ２１０にてＹｅｓ判定となり、ステップＳ２１１に進む。一方、ステップＳ２０９の判定結果がＮｏ判定である場合（Ｌ≦ｓ）、学習モデル作成部３４０はステップＳ２１２に進む。以後のステップＳ２１１～ステップＳ２１４は図１２と同様である。
　図１４は、図１１のステップＳ１０４に適用される処理内容の例３を示すフローチャートである。図１４のフローチャートは、電圧Ｖとガス圧Ｐｉｎｉとを含む合計ｎ個の劣化パラメータを考慮して、発振パルス数Ｎｐによる劣化度ＤＬｎを書き換える場合の「各段階の寿命関連情報のデータＤ（ｓ）を作成する処理」の例である。図１４において、図１３と共通する処理のステップには同一のステップ番号を付し、重複する説明は省略する。
　図１４におけるステップＳ２０４Ｂの後のステップＳ２０５において、任意の単一パラメータの値又はパラメータの組み合わせにより、ｎ個のラベルを作成し、ラベルＬｎを付与する。ステップＳ２０５の処理は、劣化度を評価する単一パラメータ又はパラメータの組み合わせの種類数に応じて任意の回数繰り返し実施される。なお、ステップＳ２０４ＡとステップＳ２０４Ｂは、ステップＳ２０５の中で実施されてもよい。電圧Ｖやガス圧Ｐｉｎｉは劣化度を評価する単一パラメータの例である。
　ステップＳ２０５の後、ステップＳ２０７において、学習モデル作成部３４０はＬ１～Ｌｎのうちの最大値をＬとする。その後のステップＳ２０９、ステップＳ２１１～２１４は図１３と同様である。
　５．２．７　複数のパラメータを組み合わせて１つのパラメータに変換する例
　電圧Ｖやガス圧Ｐｉｎｉなどの寿命関連パラメータは、それぞれ単独で（単一パラメータとして）劣化度の評価に用いてもよいが、複数のパラメータを組み合わせて新たな（別の）パラメータを定義して、この新たなパラメータの値に基づいて劣化度を評価してもよい。
　複数のｒ個の値（ｒ次元）を組み合わせて１つのパラメータを導き出すことができる。複数のパラメータから１つのパラメータに変換する方法としては、例えば、ｒ個の値から四則演算によって１つの値を求める変換式を用いる方法、演算に係数を使う方法、次元削減など、様々な方法を適用し得る。
　例えば、電圧Ｖとガス圧Ｐｉｎｉという２つの値から新しい特徴量を表す値１～１００へ変換する。この時、変換後の値１～１００を１０段階に区切り、各々に劣化度１～１０を付与することが考えられる。２つの値と１０段階のラベルとの関係の例を図１５及び図１６に示す。
　図１５は、電圧Ｖとガス圧Ｐｉｎｉの２つの値とラベルとの相関性が直線的な場合の例である。図１５における横軸は発振パルス数Ｎｐ又はガス圧Ｐｉｎｉによる劣化度を表し、縦軸は電圧Ｖによる劣化度を表す。図１５に示す１０行×１０列のマトリクスの各セルに表示された数値は、２つのパラメータの値の組み合わせから導き出される新しい特徴量に対して付与される１０段階のラベルを表している。
　図１６は、電圧Ｖがラベルに与える影響は少なく、ガス圧Ｐｉｎｉの影響が多い場合の例である。図１６のように、電圧Ｖによる劣化度よりもガス圧Ｐｉｎｉによる劣化度の評価を重視して、これら２つのパラメータの組み合わせによる劣化度のラベルを付与するように新しい特徴量を定義してもよい。
　５．２．８　データＤ（ｓ）が複数のデータ件数を含む場合の説明
　学習に使用するデータの取得条件として、例えば、下記のような場合を想定する。
　［条件１］学習に使用するデータ一式を１日に１回取得する。ここでいう「データ一式」とは、レーザ装置１０の発振パルス数Ｎｐ、電圧Ｖ、ガス圧Ｐｉｎｉなどの各種のパラメータのデータを含む。
　［条件２］毎日同じ発振パルス数でレーザ装置１０を使用した。
　［条件３］レーザチャンバ１００が使用開始から５００日で交換された。
　［条件４］交換までの５００日間稼働したレーザチャンバ１００について、発振パルス数Ｎｐで稼働期間を１０等分して、区間ごとに発振パルス数Ｎｐによる劣化度のラベルを付与するものとする。
　条件１～４を満たす場合のデータ件数の数え方は、次のようになる。すなわち、データＤ全体のデータ件数は５００件である。
　条件２及び条件４から劣化度１～１０のそれぞれのラベルｓ（ｓ＝１～１０）に含まれるデータ件数は５０件である。Ｄ（１）、Ｄ（２）・・・Ｄ（１０）のそれぞれにはデータ件数５０件が含まれ、Ｄ（ｓ）の全体、つまりデータＤ全体で５００件となる。
　図１７は、１つの劣化度の区間に複数のデータが含まれるイメージを示すグラフである。図１７の横軸は発振パルス数を表し、縦軸は寿命に関連する何かしらのパラメータのデータである。横軸は、発振パルス数に応じて１０段階に等分割され、劣化度１～１０の区間が定められている。図１７には、図示を簡略化するために、１つの劣化度の区間に１０件のデータが含まれる例を示すが、１つの区間に含まれるデータ件数はこの例に限らない。
　上述の条件１～４を満たす想定例の場合には、既述のように１つの区間に５０件のデータが含まれる。なお、１つの区間に１００件、あるいは１０００件など、さらに多数のデータ件数が含まれてもよい。
　学習時において、全データＤから任意の件数をランダムサンプリングして学習してもよい。例えば、総データ件数が５００件である場合に、１つの劣化度ごとに順番に学習するのではなく、全データＤの中から様々な劣化度のデータをランダムに所定件数（例えば、５０件）を重複なく抜き出して、１０回学習する。
　また、劣化度のラベルの書き換えに際しては、同じ区間内の複数のデータを一斉に同じラベルに書き換えるのではなく、区間内の個々のデータについて、つまり、全データＤに対してそれぞれ、電圧Ｖやガス圧Ｐｉｎｉを基に劣化度を書き換えることが好ましい。
　図１８は、図７のステップＳ４８に適用される処理内容の例２を示すフローチャートである。図１８は、学習モデルの作成サブルーチンの例２を示す。図１１で説明したフローチャートの代わりに、図１８に示すフローチャートを適用することができる。
　図１８に示すステップＳ１０２及びステップＳ１０４は、図１１と同様である。なお、図１８のステップＳ１０４におけるデータＤ（ｓ）は、ｓが１からＳｍａｘまでの全てのデータを含む。
　ステップＳ１０４の後のステップＳ１１６において、学習モデル作成部３４０は変数ｎを初期値としての「１」に設定し、変数ｍを「１０００」に設定する。ここでの変数ｎは後述する処理のループ回数を示す。変数ｍは全データＤの中から学習単位として抜き出すデータ件数を表す。ｍ＝１０００の場合は、１０００件毎にまとめて学習することを意味する。つまり、ｍはミニバッチのバッチサイズと理解してよい。ｍは総データ件数よりも少ない任意の数であってよい。ここでは、全データＤの中からランダムに学習用のサンプル（データ）を１０００件ずつ抜き出して、１０００件のミニバッチの単位で学習を進める例を説明する。
　ステップＳ１１７において、学習モデル作成部３４０はデータＤからｍ件をランダムに抜き出す。このとき、一度抜き出したものは重複して抜き出さないものとする。ｍ件の中には、様々な劣化度のデータが混在し得る。なお、ここでのデータＤとは、Ｄ（１）、Ｄ（２）・・・Ｄ（Ｓｍａｘ）を含む全てのデータの集合である。
　ステップＳ１１８において、学習モデル作成部３４０は各Ｄ（ｓ）のデータを呼び出して学習モデルに入力する。
　ステップＳ１２０において、学習モデル作成部３４０は学習モデルの出力がレベルｓとなる確率が上がるように学習モデルのパラメータを変更する。学習モデルは、後述するニューラルネットワークモデルであって、教師ありデータによって、このモデルのパラメータを変更し、新しい学習モデルを作成する。
　ステップＳ１２２において、学習モデル作成部３４０はｎとｍの積がＮ以上であるか否かを判定する。ＮはデータＤの総データ件数である。ステップＳ１２２の判定結果がＮｏ判定である場合、学習モデル作成部３４０はステップＳ１２４に進み、ｎの値をインクリメントしてステップＳ１１７に戻る。ステップＳ１２２の判定結果がＹｅｓ判定である場合、学習モデル作成部３４０は図１８のフローチャートを終了して、図７のフローチャートに復帰する。つまり、ステップＳ１１２の判定結果がＹｅｓ判定になると、学習モデルは、今回の交換された消耗品の結果を反映した新しい学習モデルに更新される。
　なお、図１８のフローチャートでは、１エポックで学習を終了するフローチャートとなっているが、エポック数を２以上の値に設定するなどして、ステップＳ１１６～ステップＳ１２２をさらに複数回繰り返してもよい。
　図１９は、図１８のステップＳ１０４に適用される処理内容の例を示すフローチャートである。図１９のフローチャートは、図８及び図９に例示したように、電圧Ｖによる劣化度ＤＬｖを考慮して、発振パルス数Ｎｐによる劣化度ＤＬｎを書き換える場合の「各段階の寿命関連情報のデータＤ（ｓ）を作成する処理」の例である。
　図１９のステップＳ２５１において、学習モデル作成部３４０はデータ番号を表すインデックスｋを初期値の「１」に設定する。ステップＳ２５２以降の処理はデータＤのデータセットの全データに対してループする。
　ステップＳ２５２において、学習モデル作成部３４０はデータ番号「ｋ」のデータを読み出す。
　ステップＳ２５３において、学習モデル作成部３４０は発振パルス数Ｎｐによる劣化度ｓを算出する。
　ステップＳ２５４において、学習モデル作成部３４０は電圧Ｖの値から劣化度ＤＬｖを算出して変数Ｌに保存する。
　ステップＳ２６０において、学習モデル作成部３４０は「ｓ」と「Ｌ」を比較し、「ｓ」よりも「Ｌ」が大きいか否かを判定する。ステップＳ２６０の判定結果がＹｅｓ判定である場合、学習モデル作成部３４０はステップＳ２６１に進む。ステップＳ２６１において、学習モデル作成部３４０はデータ番号「ｋ」の寿命関連情報のデータを劣化度「Ｌ」のデータＤ（Ｌ）として保存する。
　一方、ステップＳ２６０の判定結果がＮｏ判定である場合、学習モデル作成部３４０はステップＳ２６２に進む。ステップＳ２６２において、学習モデル作成部３４０はデータ番号「ｋ」の寿命関連情報のデータを劣化度「ｓ」のデータＤ（ｓ）として保存する。
　ステップＳ２６１又はＳ２６２の後、学習モデル作成部３４０はステップＳ２６３に進む。
　ステップＳ２６３において、学習モデル作成部３４０はｋの値がデータＤの総データ件数Ｎ以上であるか否かを判定する。ステップＳ２６３の判定結果がＮｏ判定である場合、学習モデル作成部３４０はステップＳ２６４に進み、インデックスｋの値をインクリメントしてステップＳ２５２に戻る。ステップＳ２６３の判定結果がＹｅｓ判定である場合、学習モデル作成部３４０は図１９のフローチャートを終了して、図１８のフローチャートに復帰する。
　図１９の代わりに、図１３又は図１４で説明したようなフローチャートに対応するフローチャートを適用してもよい。
　５．２．９　ニューラルネットワークモデルの例
　図２０は、ニューラルネットワークモデルの例を示す模式図である。図２０において円はニューロンを表し、矢印の付いた直線は信号の流れを表す。図２０の左から入力層４０２のニューロンＮ１１、Ｎ１２、Ｎ１３、隠れ層４０４のニューロンＮ２１、及び出力層４０６のニューロンＮ３１である。層構造を有するニューラルネットワークの層番号をｉ、ニューロン番号をｊとして、ニューロンＮｉｊから出力される信号の強さをＸｉｊとし、信号Ｘｉｊと表記する。ｉ層と（ｉ＋１）層との間のニューロン同士の結合の重みをＷｉｊとする。
　入力層４０２のニューロンＮ１１、Ｎ１２、Ｎ１３は、それぞれ信号の強さがＸ１１、Ｘ１２、Ｘ１３の信号を出力する。隠れ層４０４のニューロンＮ２１は、入力される信号Ｘ１１、Ｘ１２、Ｘ１３の重み付き信号和（Ｗ１１×Ｘ１１＋Ｗ１２×Ｘ１２＋Ｗ１３×Ｘ１３）が閾値よりも大きい場合に、信号Ｘ２１を出力する。ここでの閾値をｂ２１とすると、ニューロンＮ２１はＷ１１×Ｘ１１＋Ｗ１２×Ｘ１２＋Ｗ１３×Ｘ１３－ｂ２１＞０の場合に、信号Ｘ２１を出力する。「－ｂ２１」をニューロンＮ２１のバイアスという。
　ニューラルネットワークモデルのパラメータは、ニューロン間の結合の重みとバイアスを含む。
　５．２．１０　ニューラルネットワークモデルの学習モード
　図２１は、学習モデルを作成する際のニューラルネットワークのモデルの例である。ニューラルネットワークモデル４００は、入力層４０２と、隠れ層４０４と、出力層４０６とを含む。
　入力層４０２はｎ個のニューロンＮ１１～Ｎ１ｎを含み、それぞれのニューロンＮ１１～Ｎ１ｎに、交換した消耗品の寿命関連情報の中で劣化度ｓの時のログデータが入力される。
　隠れ層４０４は、ｍ個のニューロンＮ２１～Ｎ２ｍを含み、隠れ層４０４におけるそれぞれのニューロンに対して入力層４０２のニューロンＮ１１～Ｎ１ｎから出力された信号が入力される。これらの入力信号それぞれに異なる重みのパラメータＷ１が設定可能である。ここで、重みのパラメータＷ１とは、隠れ層４０４の各ニューロンＮ２１～Ｎ２ｍに入力される信号に対するそれぞれの重みをまとめて「重みのパラメータＷ１」と表記する。
　出力層４０６は、ｐ個のニューロンＮ３１～Ｎ３Ｐを含み、出力層４０６のそれぞれのニューロンに対して隠れ層４０４のニューロンＮ２１～Ｎ２ｍから出力された信号が入力される。出力層４０６のニューロンの個数ｐは、劣化度のレベルの段階数（Ｓｍａｘ）と同数であってよい。これらの入力信号それぞれに異なる重みのパラメータＷ２が設定可能である。ここで、重みのパラメータＷ２は、出力層４０６の各ニューロンＮ３１～Ｎ３ｐに入力される信号に対するそれぞれの重みをまとめて「重みのパラメータＷ２」と表記する。
　出力層４０６のニューロンＮ３１～Ｎ３Ｐからは、劣化度Ｌｖ（１）～Ｌｖ（ｓ）～Ｌｖ（Ｓｍａｘ）の確率が出力される。ここでの劣化度の確率とは、各劣化度のレベルに該当する確からしさを示すスコアを意味する。
　劣化度ｓが１からＳｍａｘのＳｍａｘ段階に定義されている場合、交換した消耗品の寿命関連情報（ログデータ）Ｄ１（ｓ）、Ｄ２（ｓ）・・・Ｄｎ（ｓ）を入力層４０２にそれぞれ入力する。
　それぞれの劣化度ｓの入力に対して、出力層４０６からの出力が、Ｌｖ（ｓ）の確率は１に近づき、その他の劣化度の確率は０に近づく結果となるように、ニューロン間のそれぞれの重みとバイアスを調整する。
　以上のようにして、教師あり機械学習によって消耗品の寿命予測を行う学習モデルが作成される。実施形態１による機械学習方法は、消耗品の寿命関連情報の入力に対して、消耗品の劣化度の予測値を出力するように学習された予測モデル（学習済みモデル）を生産する方法と理解される。
　５．２．１１　消耗品の寿命予測部の処理例
　図２２は、消耗品の寿命予測部３６０における処理内容の例を示すフローチャートである。図２２のフローチャートに示す処理及び動作は、例えば、消耗品の寿命予測部３６０として機能するプロセッサがプログラムを実行することによって実現される。
　図２２のステップＳ６２において、消耗品の寿命予測部３６０は交換予定の消耗品の現在の寿命関連情報を受信したか否かを判定する。ステップＳ６２の判定結果がＮｏ判定である場合、消耗品の寿命予測部３６０はステップＳ６２を繰り返す。ステップＳ６２の判定結果がＹｅｓ判定である場合、消耗品の寿命予測部３６０はステップＳ６４に進む。
　ステップＳ６４において、消耗品の寿命予測部３６０は交換予定の消耗品の現在の寿命関連情報を取得する。ステップＳ６４にて取得する現在の寿命関連情報は本開示における「第２の寿命関連情報」の一例である。
　ステップＳ６６において、消耗品の寿命予測部３６０はレーザ装置１０の稼動関連情報を取得する。次に、ステップＳ６８において、消耗品の寿命予測部３６０は交換予定の消耗品の学習モデルを呼び出す。ここでは交換予定の消耗品（レーザチャンバ１００、モニタモジュール１０８、又は狭帯域化モジュール１０６）に対応したファイル（ファイルＡｍ、ファイルＢｍ、又はファイルＣｍ）に保存された学習モデルを呼び出す。
　そして、ステップＳ７０において、消耗品の寿命予測部３６０は学習モデルを使って寿命計算を行う。すなわち、消耗品の寿命予測部３６０は、交換予定の消耗品の現在の寿命関連情報に基づき、学習モデルを使って寿命と、余寿命と、推奨メインテナンス日とを計算する。
　ステップＳ７２において、消耗品の寿命予測部３６０は交換予定の消耗品の寿命と、余寿命と、推奨メインテナンス日の各データをデータ出力部３７０に送信する。
　ステップＳ７４において、消耗品の寿命予測部３６０は消耗品の予測寿命の計算を中止するか否かを判定する。ステップＳ７４の判定結果がＮｏ判定である場合、消耗品の寿命予測部３６０はステップＳ６２に戻り、ステップＳ６２からステップＳ７４を繰り返す。ステップＳ７４の判定結果がＹｅｓ判定である場合、消耗品の寿命予測部３６０は図２２のフローチャートを終了する。
　図２３は、学習モデルを使って寿命計算を行う処理のサブルーチンの例を示すフローチャートである。すなわち、図２３は、図２２のステップＳ７０の処理内容の例を示すフローチャートである。
　図２３のステップＳ１３２において、消耗品の寿命予測部３６０は交換予定の消耗品の現在の寿命関連情報を学習モデルに入力する。
　ステップＳ１３４において、消耗品の寿命予測部３６０は学習モデルから各劣化度Ｌｖ（１）～Ｌｖ（Ｓｍａｘ）の確率を出力する。
　ステップＳ１３６において、消耗品の寿命予測部３６０は劣化度の確率分布から現在の消耗品の劣化度ｓを判定する。劣化度ｓの判定方法の第１例として、例えば、確率が一番高い劣化度を抽出してもよい。また劣化度ｓの判定方法の第２例として、劣化度の確率分布から近似曲線を求めて、一番高い確率分布の劣化度ｓを求めてもよい。第２例の場合は劣化度ｓは整数ではなく、少数点以下の数値まで求める。第２例の場合は第１例の場合に比べて一層高精度に、消耗品の寿命と余寿命とを予測することができる。
　ステップＳ１３８において、消耗品の寿命予測部３６０はステップＳ１３６で求めた劣化度からさらに消耗品の寿命Ｎｃｈｅｓを計算する。消耗品の寿命Ｎｃｈｅｓは現在の発振パルス数Ｎｃｈを用いて、Ｎｃｈｅｓ＝Ｎｃｈ・Ｓｍａｘ／ｓから計算される。なお、式中の「・」は乗算を表す。
　ステップＳ１４０において、消耗品の寿命予測部３６０はステップＳ１３６で求めた劣化度からさらに消耗品の余寿命Ｎｃｈｒｅを計算する。消耗品の余寿命Ｎｃｈｒｅは現在の発振パルス数Ｎｃｈを用いて、Ｎｃｈｒｅ＝Ｎｃｈｅｓ－Ｎｃｈから計算される。
　ステップＳ１４２において、消耗品の寿命予測部３６０は消耗品の推奨メインテナンス日Ｄｒｅｃを計算する。推奨メインテナンス日Ｄｒｅｃは、Ｄｒｅｃ＝Ｄｐｒｅ＋Ｎｃｈｒｅ／Ｎｄａｙから計算される。
　ステップＳ１４２の後、消耗品の寿命予測部３６０は図２３のフローチャートを終了し、図２２のフローチャートに復帰する。
　５．２．１２　学習モデルを使って消耗品の寿命を計算する処理の例
　図２４は、作成した学習モデルを使用してレーザチャンバ１００の寿命及び余寿命を計算する例を示す。現在運転中のレーザチャンバ１００の予測寿命を計算する場合に、消耗品の寿命予測部３６０は現在のレーザチャンバ１００の寿命関連情報を取得する。ここでは、現在のレーザチャンバ１００の発振パルス数Ｎｃｈのデータを取得する。
　次に、作成された学習モデルに、現在のレーザチャンバ１００の寿命関連情報を入力すると、複数段階の各劣化度Ｌｖ（１）～Ｌｖ（１０）である確率が計算される。図２５に、１０段階の劣化度毎の確率の例を示す。図２５の例では劣化度７である確率が一番高いと判定される。
　この場合、現在運転中のレーザチャンバ１００の予測寿命Ｎｃｈｅｓは以下の式１で求められる。
　Ｎｃｈｅｓ＝Ｎｃｈ・１０／７　　　　　　　　　（式１）
　余寿命Ｎｃｈｒｅは、以下の式２で求められる。
　Ｎｃｈｒｅ＝Ｎｃｈｅｓ－Ｎｃｈ＝Ｎｃｈ・３／７（式２）
　５．２．１３　ニューラルネットワークモデルの寿命予測モード
　図２６は、学習済みのニューラルネットワークモデル４００によって消耗品の寿命を予測する処理の例である。ニューラルネットワークモデル４００のネットワーク構造は、図２１と同じ構成である。図２６において、ニューロン間の重みのパラメータＷ１及びＷ２は、図２１で説明した学習モードによって適正化された値が設定されている。
　現在の消耗品について寿命予測を行う場合、現在の消耗品の寿命関連情報(ログデータ)Ｄ１，Ｄ２・・・Ｄｎを入力層４０２にそれぞれ入力する。その結果、出力層４０６からの劣化度Ｌｖ（１）～Ｌｖ（Ｓｍａｘ）のそれぞれの確率が出力される（図２５参照）。
　５．２．１４　その他
　図２１及び図２６ではニューラルネットワークモデル４００の隠れ層４０４が１層であるの場合の例を示したが、これに限定されることなく、隠れ層４０４が複数層あってもよい。
　本実施形態では、教師あり学習による機械学習の例を示したがこの例に限定されることなく、教師なし学習による機械学習を行ってもよい。例えば、入力データを次元削減して、それらのデータセットにある特徴を似たもの同士にクラスタリングすることができる。この結果を使って、何らかの基準を設けてそれを最適にするような出力の割り当てを行うことで、出力の予測を実現することできる。
　５．２．１５　データ出力部の処理例
　図２７は、データ出力部３７０における処理内容の例を示すフローチャートである。図２７のフローチャートに示す処理及び動作は、例えば、データ出力部３７０として機能するプロセッサがプログラムを実行することによって実現される。
　ステップＳ８２において、データ出力部３７０は交換予定の消耗品の寿命データを受信したか否かを判定する。ステップＳ８２の判定結果がＮｏ判定である場合、データ出力部３７０はステップＳ８２を繰り返す。ステップＳ８２の判定結果がＹｅｓ判定である場合、データ出力部３７０はステップＳ８４に進む。
　ステップＳ８４において、データ出力部３７０は交換予定の消耗品の寿命と、余寿命と、推奨メインテナンス日の各データを読み込む。
　ステップＳ８６において、データ出力部３７０は交換予定の消耗品の寿命と、余寿命と、推奨メインテナンス日の各データを送信する。データの送信先は、レーザ装置用管理システム２０６及び／又は半導体工場管理システム２０８であってよい。また、データの送信先は、ネットワーク２１０に接続されている図示しない端末装置などであってもよい。
　ステップＳ８８において、データ出力部３７０はデータの送信を中止するか否かを判定する。ステップＳ８８の判定結果がＮｏ判定である場合、データ出力部３７０はステップＳ８２に戻り、ステップＳ８２からステップＳ８８を繰り返す。ステップＳ８８の判定結果がＹｅｓ判定である場合、データ出力部３７０は図２７のフローチャートを終了する。
　５．３　レーザチャンバの寿命関連情報
　図２８～図３０に、レーザチャンバ１００の寿命関連情報の例を示す。レーザチャンバ１００の寿命関連情報は、例えば、電極劣化パラメータと、パルスエネルギ安定性パラメータと、ガス制御パラメータと、運転負荷パラメータと、レーザ共振器の光学素子の劣化パラメータとを含む。なお、図３０に示す図表の「ＯＣ」の表記は出力結合ミラーを表す。
　これらの寿命関連パラメータのうちで、レーザチャンバ１００の寿命予測を精度よく行うために少なくとも必要な寿命関連パラメータは、電極劣化パラメータと、パルスエネルギ安定性パラメータと、ガス制御パラメータとである。好ましくは、さらに、運転負荷パラメータを使用することによって、寿命予測の精度が改善する可能性がある。運転負荷が高い場合、レーザチャンバ１００の寿命が短くなる場合があるためである。
　さらに、好ましくは、レーザ共振器の損失の指標となる狭帯域化モジュール１０６の劣化パラメータやレーザチャンバ１００のウインドウの劣化パラメータを使用することによって、寿命予測の精度が一層改善する可能性がある。
　電極劣化パラメータは、少なくとも放電回数を含む。放電回数は、概ねレーザチャンバ１００の交換後からの発振パルス数Ｎｐと等しい値である。電極劣化パラメータとして、好ましくは、投入エネルギの積算値をさらに追加してもよい。
　図１に示すようなシングルチャンバ方式のレーザ装置１０の場合、スペクトル線幅と放電幅との間に相関があるので、電極劣化パラメータの１つとしてスペクトル線幅を使用してもよい。
　パルスエネルギ安定性パラメータは、少なくともパルスエネルギのばらつきを含む。さらに、パルスエネルギ安定性パラメータとして、パルスエネルギの積算値（露光量）のばらつきを追加してもよい。
　ガス制御パラメータについては、充電電圧が所定の範囲となるようにレーザチャンバ１００のガス圧を制御する場合は、レーザチャンバ１００のガス圧と、全ガス交換して調整発振後のレーザチャンバ１００のガス圧とを少なくとも含む。
　レーザチャンバ１００のガスが一定制御で、充電電圧を制御する場合は、ガス制御パラメータとして、充電電圧と、全ガス交換して調整発振後の充電電圧とを少なくとも含む。好ましくは、レーザチャンバ１００を交換してからのハロゲンを含むガスの注入量の積算値、又は、レーザガスの注入の積算値を追加してもよい。これにより、寿命予測精度が一層改善する可能性がある。
　また、好ましくは、単位発振パルス当りのハロゲンガスを含むガスの注入量、又は、レーザガスの注入量を追加してもよい。
　運転負荷パラメータは、レーザ装置１０から出力されるレーザ光の平均出力、又は、目標パルスエネルギがほとんど変化しない場合は、バースト運転のデューティで代用してもよい。
　特に、露光運転中の運転負荷パラメータを使用するのがよい。半導体を作る工場では、メモリ素子を作成する場合には運転負荷が高く、ロジック関連の素子を作成する場合には運転負荷が低くなることがある。
　レーザ共振器の光学素子の劣化パラメータは、ウインドウの劣化パラメータと狭帯域化モジュール１０６の劣化パラメータと出力結合ミラー１０４の劣化パラメータと、を含み、それぞれの光学素子の交換後の発振パルス数Ｎｐを少なくとも含む。レーザ装置１０から出力されるパルスレーザ光のパルスエネルギが大きく変わる場合は、２光吸収による光学素子の劣化のパラメータである、パルスエネルギの積算値やパルスエネルギの二乗の積算値を使用してもよい。
　５．４　モニタモジュールの寿命関連情報の例
　図３１は、モニタモジュール１０８の寿命関連情報の例を示す。モニタモジュール１０８の寿命は、光学素子の劣化と光センサの劣化とで決まることが多い。モニタモジュール１０８の寿命関連情報は、モニタモジュール１０８の中に配置された光学素子の劣化パラメータと、光センサの劣化パラメータと、の少なくとも１つを含む。
　モニタモジュール１０８の光学素子の劣化パラメータは、モニタモジュール１０８の交換後の発振パルス数Ｎｐを少なくとも含む。レーザ装置１０から出力されるパルスレーザ光のパルスエネルギが大きく変わる場合は、２光吸収による光学素子の劣化のパラメータである、パルスエネルギの積算値やパルスエネルギの二乗の積算値を使用してもよい。
　光センサの劣化パラメータは、光センサとしてのイメージセンサの検出光強度と、スペクトル線幅と、パルスエネルギとその積算値と、を含む。
　モニタモジュール１０８の寿命予測を行うために少なくとも必要な劣化パラメータは、イメージセンサの検出光強度である。イメージセンサに入射する光強度は、スペクトル線幅と、パルスエネルギとによって変化するので、補助的にスペクトル線幅とパルスエネルギの値を使用してもよい。パルスエネルギの積算値は、イメージセンサに露光される光量に近い値となるのでこの値を使用してもよい。
　［その他］
　図３１に示す例では、モニタモジュール１０８のパルスエネルギ検出器１４４に含まれる光センサは、例えば、フォトダイオードや焦電素子である。これらセンサの劣化も、モニタモジュール１０８を交換してからのパルスエネルギの積算値で評価可能となる。目標パルスエネルギが大きく変化しない場合は、モニタモジュール交換後の発振パルス数Ｎｐで代用できる。
　５．５　狭帯域化モジュールの寿命関連情報の例
　図３２は、狭帯域化モジュール１０６の寿命関連情報の例を示す。狭帯域化モジュール１０６の寿命は、光学素子の劣化と波長アクチュエータの劣化とで決まることが多い。狭帯域化モジュール１０６の寿命関連情報は、狭帯域化モジュール１０６の中に配置された光学素子（複数のプリズムとグレーティング）の劣化パラメータと、波長アクチュエータの劣化パラメータと、波面の劣化のパラメータと、の少なくとも１つを含む。
　狭帯域化モジュール１０６の寿命予測にとって少なくとも必要な劣化パラメータは、狭帯域化モジュール１０６の光学素子の劣化パラメータである。好ましくは、波長アクチュエータの劣化パラメータと、波面の劣化のパラメータを追加してもよい。
　狭帯域化モジュール１０６の光学素子の劣化パラメータは、狭帯域化モジュール１０６の交換後の発振パルス数を少なくとも含む。レーザ装置１０から出力されるパルスレーザ光のパルスエネルギが大きく変わる場合は、２光吸収による光学素子の劣化のパラメータである、パルスエネルギの積算値やパルスエネルギの二乗の積算値を使用してもよい。
　波長アクチュエータの劣化パラメータは、波長安定性を含む。
　波長アクチュエータが劣化して動作が悪化すると、波長制御が不安定となるため、波長安定性を使用することによって、寿命を評価できる可能性がある。
　波面の劣化のパラメータは、スペクトル線幅を含む。レーザ装置１０から出力されるパルスレーザ光のスペクトル線幅は、狭帯域化モジュール１０６の波面が歪むことによって太くなるので、スペクトル線幅を使用することによって、寿命を評価できる可能性がある。例えば、プリズムに合成石英を使用している場合、コンパクションによって、プリズムの透過波面が歪みスペクトル線幅が太くなる場合がある。
　５．６　作用・効果
　電圧Ｖやガス圧Ｐｉｎｉなどのパラメータの値はレーザチャンバ１００の劣化に対して明確な相関性がある。仮に、発振パルス数Ｎｐのみでレーザチャンバ１００の劣化度を評価して、発振パルス数Ｎｐに対して段階的に増加する劣化度のラベルを付与しただけでは、上記の電圧Ｖやガス圧Ｐｉｎｉとの関連性を学習させることができない。このため、発振パルス数Ｎｐのみによって劣化度のラベルを付与した場合、例えば、初期からの劣化、急激な劣化、又は一時的な劣化などに対して、適切な劣化度を予測する学習モデルを作ることが困難である。
　この点、実施形態１によれば、電圧Ｖ及び／又はガス圧Ｐｉｎｉなどの寿命関連パラメータを使用して、発振パルス数Ｎｐによる劣化度ＤＬｎをより適切な劣化度のラベルに書き換えることにより、パラメータの値と劣化度のラベルとが正しい相関性を持つ学習モデルを作ることができる。実施形態１に係る訓練データ作成方法によれば、予測精度の高い学習モデルの作成を可能にする訓練データのデータセットを得ることできる。
　実施形態１に係る消耗品管理サーバ３１０によれば、レーザ装置１０における交換予定の消耗品の各々に対して、その消耗品の寿命関連情報に基づいて、対応する学習モデルを使用することによって、交換予定の消耗品の各々の寿命を精度よく予測できる。
　５．７　その他
　実施形態１では、電圧Ｖ及び／又はガス圧Ｐｉｎｉなどの寿命関連パラメータを使用して、発振パルス数Ｎｐによる劣化度ＤＬｎをより適切な劣化度のラベルに書き換える方法として、劣化のレベルが最も高い劣化度を付与する例を説明したが、異なる評価指標による複数の劣化度から１つの劣化度を決める方法はこの例に限らない。例えば、複数の劣化度の平均値を算出し、その平均値を実際に付与する劣化度のラベルとしてもよい。具体例として、発振パルス数Ｎｐによる劣化度ＤＬｎが２、電圧Ｖによる劣化度ＤＬｖが６である場合に、これらの平均値である「４」を実際に付与する劣化度のラベルとしてもよい。
　また、消耗品の寿命と関連する複数のパラメータに関して重み付けを行い、それぞれのパラメータによる劣化度の加重平均を算出して、その値を実際に付与する劣化度のラベルとしてもよい。
　実施形態１では、半導体工場の露光装置用ＫｒＦエキシマレーザの場合の例を示したが、これに限定されることなく、例えば、フラットパネルのアニール用エキシマレーザや加工用のエキシマレーザに適用してもよい。これらの場合は、狭帯域化モジュール１０６の代わりに、リアミラーが配置され、モニタモジュール１０８のスペクトル検出器１４６はなくてもよい。
　６．変形例
　実施形態１で説明した消耗品管理サーバ３１０における訓練データの作成機能と、作成した訓練データを用いた機械学習による学習モデルの作成機能と、作成した学習モデルを用いて消耗品の寿命予測の処理を行う機能とは、それぞれ別々の装置（サーバなど）で実現してもよい。
　また、訓練データの作成処理と訓練データを用いた学習処理とは、一連の処理フローの中で実施してもよいし、それぞれの処理を独立に実施してもよい。
　７．プログラムを記録したコンピュータ可読媒体について
　上述の各実施形態で説明した消耗品管理サーバ３１０として、コンピュータを機能させるための命令を含むプログラムを光ディスクや磁気ディスクその他のコンピュータ可読媒体（有体物たる非一過性の情報記憶媒体）に記録し、この情報記憶媒体を通じてプログラムを提供することが可能である。このプログラムをコンピュータに組み込み、プロセッサがプログラムの命令を実行することにより、コンピュータに消耗品管理サーバ３１０の機能を実現させることができる。
　上記の説明は、制限ではなく単なる例示を意図している。したがって、添付の特許請求の範囲を逸脱することなく本開示の実施形態に変更を加えることができることは、当業者には明らかであろう。
　本明細書及び添付の特許請求の範囲全体で使用される用語は、「限定的でない」用語と解釈されるべきである。例えば、「含む」又は「含まれる」という用語は、「含まれるものとして記載されたものに限定されない」と解釈されるべきである。「有する」という用語は、「有するものとして記載されたものに限定されない」と解釈されるべきである。また、本明細書、及び添付の特許請求の範囲に記載される不定冠詞「１つの」は、「少なくとも１つ」又は「１又はそれ以上」を意味すると解釈されるべきである。また、「Ａ、Ｂ及びＣの少なくとも１つ」という用語は、「Ａ」「Ｂ」「Ｃ」「Ａ＋Ｂ」「Ａ＋Ｃ」「Ｂ＋Ｃ」又は「Ａ＋Ｂ＋Ｃ」と解釈されるべきである。さらに、それらと「Ａ」「Ｂ」「Ｃ」以外のものとの組み合わせも含むと解釈されるべきである。

Claims (19)

  1. 　レーザ装置の消耗品の寿命を予測するための学習モデルの機械学習に使用する訓練データの作成方法であって、
    　前記消耗品の使用が開始されてから交換されるまでの期間中の異なる発振パルス数に対応して記録された前記消耗品の少なくとも１つの寿命関連パラメータのデータを含む第１の寿命関連情報を取得することと、
    　前記発振パルス数に基づき前記消耗品の第１の劣化度を定めることと、
    　前記少なくとも１つの前記寿命関連パラメータに基づき前記消耗品の第２の劣化度を定めることと、
    　前記第１の劣化度と前記第２の劣化度とに基づき前記消耗品の第３の劣化度を定めることと、
    　前記第１の寿命関連情報と前記第３の劣化度とを対応付けた訓練データを作成することと、
    　を含む訓練データ作成方法。
  2. 　請求項１に記載の訓練データ作成方法であって、
    　前記第１の劣化度と前記第２の劣化度のうち、劣化のレベルが高い方の劣化度を前記第３の劣化度として決定する、
    　訓練データの作成方法。
  3. 　請求項１に記載の訓練データ作成方法であって、
    　前記寿命関連パラメータは、レーザチャンバに配置された放電電極に印加する電圧を含む、
    　訓練データ作成方法。
  4. 　請求項１に記載の訓練データ作成方法であって、
    　前記寿命関連パラメータは、レーザチャンバのレーザガスを交換した後の初期ガス圧を含む、
    　訓練データ作成方法。
  5. 　請求項１に記載の訓練データ作成方法であって、
    　前記第１の寿命関連情報は、複数の前記寿命関連パラメータのデータを含み、
    　前記複数の前記寿命関連パラメータのそれぞれに基づき前記寿命関連パラメータごとに前記第２の劣化度が定められ、
    　前記寿命関連パラメータごとに定められた複数の前記第２の劣化度と前記第１の劣化度のうち、劣化のレベルが最も高い劣化度を前記第３の劣化度として決定する、
    　訓練データ作成方法。
  6. 　請求項５に記載の訓練データ作成方法であって、
    　前記複数の寿命関連パラメータは、
    　レーザチャンバに配置された放電電極に印加する電圧と、
    　前記レーザチャンバのレーザガスを交換した後の初期ガス圧とを含む、
    　訓練データ作成方法。
  7. 　請求項１に記載の訓練データ作成方法であって、
    　前記第１の寿命関連情報は、複数の前記寿命関連パラメータのデータを含み、
    　前記複数の前記寿命関連パラメータの組み合わせに基づき前記第２の劣化度が定められる、訓練データ作成方法。
  8. 　請求項１に記載の訓練データ作成方法であって、
    　前記第１の寿命関連情報は、複数の前記寿命関連パラメータのデータを含み、
    　前記複数の前記寿命関連パラメータに基づき異なる種類のパラメータごとに前記第２の劣化度が定められ、
    　前記異なる種類のパラメータごとに定められた複数の前記第２の劣化度と前記第１の劣化度のうち、劣化のレベルが最も高い劣化度を前記第３の劣化度として決定する、
    　訓練データ作成方法。
  9. 　請求項１に記載の訓練データ作成方法であって、
    　前記第１の劣化度は、前記発振パルス数に応じて複数段階にレベル分けされており、前記発振パルス数が大きくなるにつれて前記消耗品の劣化のレベルが高くなるように定められる、
    　訓練データ作成方法。
  10. 　請求項９に記載の訓練データ作成方法であって、
    　前記複数段階が１０段階である、訓練データ作成方法。
  11. 　請求項９に記載の訓練データ作成方法であって、
    　前記第２の劣化度の最大レベル値は、前記第１の劣化度の最大レベル値に等しい、
    　訓練データ作成方法。
  12. 　請求項９に記載の訓練データ作成方法であって、
    　前記少なくとも１つの寿命関連パラメータの値が所定の閾値よりも小さい値である場合の前記第２の劣化度が、前記第１の劣化度の最小レベル値以下の値となるように前記第２の劣化度が定義される、
    　訓練データ作成方法。
  13. 　レーザ装置の消耗品の寿命を予測するための学習モデルを作成する機械学習方法であって、
    　前記消耗品の使用が開始されてから交換されるまでの期間中の異なる発振パルス数に対応して記録された前記消耗品の少なくとも１つの寿命関連パラメータのデータを含む第１の寿命関連情報を取得することと、
    　前記発振パルス数に基づき前記消耗品の第１の劣化度を定めることと、
    　前記少なくとも１つの前記寿命関連パラメータに基づき前記消耗品の第２の劣化度を定めることと、
    　前記第１の劣化度と前記第２の劣化度とに基づき前記消耗品の第３の劣化度を定めることと、
    　前記第１の寿命関連情報と前記第３の劣化度とを対応付けた訓練データを作成することと、
    　前記訓練データを用いて機械学習を行うことにより、前記第１の寿命関連情報に含まれる前記寿命関連パラメータのデータから前記消耗品の劣化度を予測する前記学習モデルを作成することと、
    　前記作成された前記学習モデルを保存することと、
    　を含む機械学習方法。
  14. 　請求項１３に記載の機械学習方法であって、
    　前記学習モデルは、ニューラルネットワークモデルである機械学習方法。
  15. 　請求項１３に記載の機械学習方法を実施することによって作成された前記学習モデルを保存しておく記憶装置と、プロセッサと、を備え、
    　前記プロセッサは、
    　前記レーザ装置における交換予定の消耗品についての寿命予測処理の要求信号を受信して、前記交換予定の消耗品に関する現在の第２の寿命関連情報を取得し、
    　前記交換予定の消耗品の前記学習モデルと前記第２の寿命関連情報とに基づいて、前記交換予定の消耗品の寿命と余寿命とを計算し、
    　前記計算によって得られた前記交換予定の消耗品の寿命と余寿命とのうち少なくとも一方の情報を外部装置に通知する、
    　消耗品管理装置。
  16. 　請求項１５に記載の消耗品管理装置であって、
    　前記プロセッサは、前記学習モデルに前記第２の寿命関連情報を入力し、
    　前記学習モデルから前記第２の寿命関連情報に対応する前記消耗品の劣化度のレベルの確からしさを示すスコアを取得し、
    　前記第２の寿命関連情報に含まれる現在の発振パルス数と前記スコアとを基に、前記交換予定の消耗品の寿命と余寿命とを算出する、
    　消耗品管理装置。
  17. 　プログラムが記録された非一過性のコンピュータ可読媒体であって、
    　前記プログラムは、コンピュータにより実行された場合に、前記コンピュータに、レーザ装置の消耗品の寿命を予測するための学習モデルの機械学習に使用する訓練データの作成機能を実現させるプログラムであり、
    　前記消耗品の使用が開始されてから交換されるまでの期間中の異なる発振パルス数に対応して記録された前記消耗品の少なくとも１つの寿命関連パラメータのデータを含む第１の寿命関連情報を取得する機能と、
    　前記発振パルス数に基づき前記消耗品の第１の劣化度を定める機能と、
    　前記少なくとも１つの前記寿命関連パラメータに基づき前記消耗品の第２の劣化度を定める機能と、
    　前記第１の劣化度と前記第２の劣化度とに基づき前記消耗品の第３の劣化度を定める機能と、
    　前記第１の寿命関連情報と前記第３の劣化度とを対応付けた訓練データを作成する機能と、を前記コンピュータに実現させるための命令を含む、
    　コンピュータ可読媒体。
  18. 　請求項１７に記載のコンピュータ可読媒体であって、
    　前記プログラムは、さらに、前記訓練データを用いて機械学習を行うことにより、前記第１の寿命関連情報に含まれるデータから前記消耗品の劣化度を予測する前記学習モデルを作成する機能と、
    　前記作成された前記学習モデルを保存する機能と、を前記コンピュータに実現させるための命令を含む、
    　コンピュータ可読媒体。
  19. 　請求項１８に記載のコンピュータ可読媒体に記録されたプログラムを実行することによって作成された前記学習モデルを保存する機能と、
    　前記レーザ装置における交換予定の消耗品についての寿命予測処理の要求信号を受信する機能と、
    　前記要求信号の受信に応じて、前記交換予定の消耗品に関する現在の第２の寿命関連情報を取得する機能と、
    　前記交換予定の消耗品の前記学習モデルと前記第２の寿命関連情報とに基づいて、前記交換予定の消耗品の寿命と余寿命とを計算する機能と、
    　前記計算によって得られた前記交換予定の消耗品の寿命と余寿命との情報を外部装置に通知する機能と、
    　をコンピュータに実現させるためのプログラムが記録された非一過性のコンピュータ可読媒体。
PCT/JP2020/028095 2020-07-20 2020-07-20 訓練データ作成方法、機械学習方法、消耗品管理装置及びコンピュータ可読媒体 Ceased WO2022018795A1 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
JP2022538504A JP7432733B2 (ja) 2020-07-20 2020-07-20 訓練データ作成方法、機械学習方法、消耗品管理装置及びコンピュータ可読媒体
PCT/JP2020/028095 WO2022018795A1 (ja) 2020-07-20 2020-07-20 訓練データ作成方法、機械学習方法、消耗品管理装置及びコンピュータ可読媒体
CN202080101657.0A CN115702526B (zh) 2020-07-20 2020-07-20 训练数据生成方法、机器学习方法、消耗品管理装置和计算机可读介质
US18/063,559 US12579217B2 (en) 2020-07-20 2022-12-08 Training data creation method, machine learning method, consumable management device, and computer readable medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2020/028095 WO2022018795A1 (ja) 2020-07-20 2020-07-20 訓練データ作成方法、機械学習方法、消耗品管理装置及びコンピュータ可読媒体

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US18/063,559 Continuation US12579217B2 (en) 2020-07-20 2022-12-08 Training data creation method, machine learning method, consumable management device, and computer readable medium

Publications (1)

Publication Number Publication Date
WO2022018795A1 true WO2022018795A1 (ja) 2022-01-27

Family

ID=79729095

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2020/028095 Ceased WO2022018795A1 (ja) 2020-07-20 2020-07-20 訓練データ作成方法、機械学習方法、消耗品管理装置及びコンピュータ可読媒体

Country Status (4)

Country Link
US (1) US12579217B2 (ja)
JP (1) JP7432733B2 (ja)
CN (1) CN115702526B (ja)
WO (1) WO2022018795A1 (ja)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024171612A1 (ja) * 2023-02-14 2024-08-22 ギガフォトン株式会社 パフォーマンス予測方法、及び訓練方法
WO2024171611A1 (ja) * 2023-02-14 2024-08-22 ギガフォトン株式会社 パフォーマンス予測方法、及び訓練方法

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN119962593B (zh) * 2025-01-23 2025-10-21 广东工业大学 一种脉冲transformer自注意力时间域交互增强方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000306813A (ja) * 1999-04-22 2000-11-02 Nikon Corp 露光方法及び露光装置
JP2012253383A (ja) * 2000-04-25 2012-12-20 Gigaphoton Inc レーザ装置管理システム
WO2014017562A1 (ja) * 2012-07-26 2014-01-30 ギガフォトン株式会社 レーザ装置及びレーザ装置の制御方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10275951A (ja) * 1997-03-28 1998-10-13 Nikon Corp レーザ光源の寿命判定方法
US6963595B2 (en) * 2001-08-29 2005-11-08 Cymer, Inc. Automatic gas control system for a gas discharge laser
JP2007311109A (ja) * 2006-05-17 2007-11-29 Canon Inc Ｅｕｖ光源の消耗品交換時期判定方法
US7835414B2 (en) * 2007-02-26 2010-11-16 Cymer, Inc. Laser gas injection system
JP6365094B2 (ja) * 2014-08-07 2018-08-01 富士ゼロックス株式会社 情報処理装置及び寿命管理システム
JP6360090B2 (ja) * 2016-03-10 2018-07-18 ファナック株式会社 機械学習装置、レーザ装置および機械学習方法
JP6487475B2 (ja) 2017-02-24 2019-03-20 ファナック株式会社 工具状態推定装置及び工作機械
JP2020052821A (ja) * 2018-09-27 2020-04-02 株式会社ジェイテクト 劣化判定装置および劣化判定システム
JP7428667B2 (ja) * 2019-02-07 2024-02-06 ギガフォトン株式会社 機械学習方法、消耗品管理装置、及びコンピュータ可読媒体

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000306813A (ja) * 1999-04-22 2000-11-02 Nikon Corp 露光方法及び露光装置
JP2012253383A (ja) * 2000-04-25 2012-12-20 Gigaphoton Inc レーザ装置管理システム
WO2014017562A1 (ja) * 2012-07-26 2014-01-30 ギガフォトン株式会社 レーザ装置及びレーザ装置の制御方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024171612A1 (ja) * 2023-02-14 2024-08-22 ギガフォトン株式会社 パフォーマンス予測方法、及び訓練方法
WO2024171611A1 (ja) * 2023-02-14 2024-08-22 ギガフォトン株式会社 パフォーマンス予測方法、及び訓練方法

Also Published As

Publication number Publication date
JP7432733B2 (ja) 2024-02-16
JPWO2022018795A1 (ja) 2022-01-27
CN115702526B (zh) 2025-06-13
CN115702526A (zh) 2023-02-14
US20230117651A1 (en) 2023-04-20
US12579217B2 (en) 2026-03-17

Similar Documents

Publication Publication Date Title
JP7428667B2 (ja) 機械学習方法、消耗品管理装置、及びコンピュータ可読媒体
US12579217B2 (en) Training data creation method, machine learning method, consumable management device, and computer readable medium
TWI857184B (zh) 預測裝置及預測方法
JPWO2020031301A1 (ja) リソグラフィシステムのメインテナンス管理方法、メインテナンス管理装置、及びコンピュータ可読媒体
CN111262117B (zh) 气体放电光源中的气体优化
US20250314979A1 (en) Maintenance of modules for light sources used in semiconductor photolithography
US20240291226A1 (en) Gas control apparatus for gas discharge stage
US12216411B2 (en) Predictive apparatus in a gas discharge light source
US11353857B2 (en) Data analyzer, semiconductor manufacturing system, data analysis method, and semiconductor manufacturing method
US9601893B2 (en) Laser apparatus
CN118414584A (zh) 半导体光刻中的光源的模块的维护
US6865212B2 (en) Method for energy control of pulsed driven, gas discharged-coupled beam sources
CN115038944A (zh) 传感器劣化判定方法
CN116997864A (zh) 对用于半导体光刻的光源的模块的维护
WO2024171611A1 (ja) パフォーマンス予測方法、及び訓練方法
WO2024171612A1 (ja) パフォーマンス予測方法、及び訓練方法
US12389508B2 (en) Light source parameter information management method, light source parameter information management apparatus, and computer readable medium
JP2026501136A (ja) レーザ保守装置及び方法
CN120513452A (zh) 显示方法及显示装置
CN120654803A (zh) 激光管理服务器和激光管理方法

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: 20946110

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2022538504

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 20946110

Country of ref document: EP

Kind code of ref document: A1

WWG Wipo information: grant in national office

Ref document number: 202080101657.0

Country of ref document: CN