WO2022264599A1 - 基板処理装置、データ処理方法及びデータ処理プログラム - Google Patents

基板処理装置、データ処理方法及びデータ処理プログラム Download PDF

Info

Publication number
WO2022264599A1
WO2022264599A1 PCT/JP2022/013601 JP2022013601W WO2022264599A1 WO 2022264599 A1 WO2022264599 A1 WO 2022264599A1 JP 2022013601 W JP2022013601 W JP 2022013601W WO 2022264599 A1 WO2022264599 A1 WO 2022264599A1
Authority
WO
WIPO (PCT)
Prior art keywords
unit
time
series
learning
reservoir feature
Prior art date
Application number
PCT/JP2022/013601
Other languages
English (en)
French (fr)
Inventor
拓郎 筒井
勇樹 片岡
友貴哉 斉藤
元傑 凌
Original Assignee
東京エレクトロン株式会社
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 東京エレクトロン株式会社 filed Critical 東京エレクトロン株式会社
Priority to JP2023529585A priority Critical patent/JPWO2022264599A1/ja
Priority to CN202280041250.2A priority patent/CN117461040A/zh
Priority to KR1020247000887A priority patent/KR20240022553A/ko
Publication of WO2022264599A1 publication Critical patent/WO2022264599A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Definitions

  • the present disclosure relates to substrate processing apparatuses, data processing methods, and data processing programs.
  • the status of substrate manufacturing processes (for example, the presence or absence of abnormalities, etc.) is determined using time-series sensor data measured by various sensors.
  • the use of machine learning models has also been proposed to improve judgment accuracy.
  • the present disclosure reduces the workload of learning work in a substrate processing apparatus that uses time-series sensor data to determine the state of a substrate manufacturing process.
  • a substrate processing apparatus has, for example, the following configuration. Namely a reservoir feature quantity generation unit that inputs first time-series sensor data acquired in a substrate manufacturing process and outputs a reservoir feature quantity; Prediction result data obtained by calculating the reservoir feature quantity output from the reservoir feature quantity generator under the weight parameter during the learning period is acquired in the substrate manufacturing process by the second time-series sensor. a learning unit that learns the weighting parameters to correlate with data; In the prediction period, the time-series first sensor data acquired in the substrate manufacturing process is input, and the reservoir feature amount output from the reservoir feature amount generation unit is weighted by the weight learned by the learning unit. a prediction unit that performs calculations under parameters and outputs prediction result data; a determination unit that determines the state of the board manufacturing process by comparing the prediction result data with time-series second sensor data acquired in the board manufacturing process in the prediction period.
  • FIG. 1 is a first diagram showing an example of the system configuration of a substrate processing apparatus.
  • FIG. 2 is a diagram illustrating an example of a hardware configuration of a data processing device;
  • FIG. 3 is a first diagram showing an example of the functional configuration of the RC section of the data processing device.
  • FIG. 4 is a flowchart showing the flow of reservoir computing processing.
  • FIG. 5 is a diagram illustrating an example of a functional configuration of an acquisition unit and a determination unit of a data processing device;
  • FIG. 6 is a first flowchart showing the flow of acquisition and determination processing.
  • FIG. 7 is a second flowchart showing the flow of acquisition and determination processing.
  • FIG. 8 is a diagram showing a specific example of acquisition and determination processing.
  • FIG. 1 is a first diagram showing an example of the system configuration of a substrate processing apparatus.
  • FIG. 2 is a diagram illustrating an example of a hardware configuration of a data processing device;
  • FIG. 3 is a first diagram showing an example of the
  • FIG. 9 is a second diagram showing an example of the functional configuration of the RC section of the data processing device.
  • FIG. 10A is a third diagram showing an example of the functional configuration of the RC unit of the data processing device;
  • FIG. 10B is a fourth diagram showing an example of the functional configuration of the RC unit of the data processing device;
  • FIG. 11 is a diagram showing an example of the functional configuration of the RC unit and integration unit of the data processing device.
  • FIG. 12 is a second diagram showing an example of the system configuration of the substrate processing apparatus.
  • FIG. 13 is a fifth diagram showing an example of the functional configuration of the RC section of the data processing device.
  • FIG. 14 is a third diagram showing an example of the system configuration of the substrate processing apparatus.
  • FIG. 1 is a first diagram showing an example of the system configuration of a substrate processing apparatus, and arrows in the diagram indicate data flow.
  • 1a of FIG. 1 shows the flow of data within the substrate processing apparatus 100 during the learning period
  • 1b of FIG. 1 shows the flow of data within the substrate processing apparatus 100 during the prediction period.
  • the substrate processing apparatus 100 includes a chamber 110 for processing substrates, a sensor a 120 (an example of a first sensor), a data processing device 130, and a sensor b 140 (a second sensor). ), a controller 150 and an actuator 160 .
  • time-series sensor data measured by the sensor a 120 during substrate processing in the chamber 110 is collected by a reservoir computing unit (hereafter, RC unit) 131 of the data processing device 130. sent to. That is, the time-series sensor data transmitted to the RC unit 131 is an example of first time-series sensor data acquired in the substrate manufacturing process.
  • RC unit reservoir computing unit
  • the RC unit 131 realizes reservoir computing with high expressive power and high learning speed. Specifically, the RC unit 131 predicts time-series sensor data measured by the sensor b 140 based on time-series sensor data (input data) measured by the sensor a 120 .
  • the RC unit 131 acquires time-series sensor data (correct data) measured by the sensor b140 via the acquisition unit 132 of the data processing device 130. . Then, the RC unit 131 calculates the time-series sensor data (input data) measured by the sensor a 120 under the weight parameter so that the prediction result data obtained by calculating the weight parameter is correlated with the correct data. Learn parameters.
  • the RC unit 131 calculates the time-series sensor data (input data) measured by the sensor a 120 under the learned weighting parameters, and calculates the time-series sensor data (prediction result data). Note that the time-series sensor data (prediction result data) output by the RC unit 131 is notified to the acquisition unit 132 of the data processing device 130 .
  • the sensor b 140 transmits time-series sensor data measured during substrate processing in the chamber 110 to the acquisition unit 132 of the data processing device 130 . That is, the time-series sensor data transmitted to the acquisition unit 132 is an example of the second time-series sensor data acquired in the substrate manufacturing process.
  • the acquisition unit 132 of the data processing device 130 notifies the RC unit 131 of the time-series sensor data (correct data) measured by the sensor b140 during the learning period, as shown in FIG. 1a.
  • the acquisition unit 132 of the data processing device 130 receives the prediction result data notified from the RC unit 131 and the time-series sensor data (comparison data) measured by the sensor b140 in the prediction period. data) to the determination unit 133 .
  • the time-series sensor data measured by the sensor b140 will be referred to as "correct data” during the learning period, and will be referred to as “comparative data” during the prediction period.
  • the determination unit 133 calculates the difference between the prediction result data notified by the acquisition unit 132 and the comparison data, and based on the calculated difference data, the substrate manufacturing process determine the state of The determination result by the determination unit 133 is notified to the control device 150, and the control device 150 controls the actuator 160 according to the notified determination result.
  • ⁇ Arranging the RC unit 131 that realizes reservoir computing with high expressive power and high learning speed ⁇
  • learning is performed by using two types of time-series sensor data as input data and correct data, •
  • two types of time-series sensor data are used as input data and comparison data to determine the state of the substrate manufacturing process.
  • the substrate processing apparatus 100 it is possible to efficiently perform learning at the time of startup and maintenance, and the workload of learning work can be reduced.
  • FIG. 2 is a diagram illustrating an example of a hardware configuration of a data processing device; Of these, 2a in FIG. 2 shows a case where a reservoir feature value generation function (details of which will be described later) is realized by a reservoir feature value generator, which is hardware. Further, 2b of FIG. 2 shows a case where the function of generating the reservoir feature amount is realized by a computer executing software (for example, a reservoir feature amount generation program).
  • a reservoir feature value generation function (details of which will be described later) is realized by a reservoir feature value generator, which is hardware.
  • 2b of FIG. 2 shows a case where the function of generating the reservoir feature amount is realized by a computer executing software (for example, a reservoir feature amount generation program).
  • the data processing device 130 includes a processor 201, a memory 202, an auxiliary storage device 203, an external I/F device 206 (in the case of 2a in FIG. 2, the I/F device 204, It has a reservoir feature generator 205).
  • Each piece of hardware of the data processing device 130 is interconnected via a bus 207 .
  • the processors 201 of 2a and 2b in FIG. 2 have various computing devices such as CPU and GPU.
  • the processor 201 reads various programs (for example, a data processing program to be described later, a data processing program including a reservoir feature generation program in the case of 2b in FIG. 2, etc.) onto the memory 202 and executes them.
  • the memories 202 of 2a and 2b in FIG. 2 have main storage devices such as ROM and RAM.
  • the processor 201 and the memory 202 form a so-called computer, and the processor 201 executes various programs read on the memory 202, so that the computer performs various functions (RC unit 131, acquisition unit 132, determination unit 133). Realize
  • the auxiliary storage device 203 in 2a and 2b of FIG. 2 stores various programs and various data used when the various programs are executed by the processor 201.
  • the I/F device 204 in 2a of FIG. 2 is a connection device that connects with the reservoir feature value generator 205.
  • the reservoir feature value generator 205 in 2a of FIG. 2 is implemented by, for example, an FPGA (Field-Programmable Gate Array) board or the like.
  • the reservoir feature amount generator 205 has a reservoir feature amount generation function of inputting time-series sensor data measured by the sensor a 120 and outputting a reservoir feature amount.
  • the external I/F device 206 in 2a and 2b of FIG. 2 is a connection device that connects with the sensor a120 and the sensor b140.
  • FIG. 3 is a first diagram showing an example of the functional configuration of the RC section of the data processing device.
  • the RC section 131 has a reservoir feature amount generation section 300 , a prediction section 310 , a period determination section 320 , a switching section 330 and a learning section 340 .
  • the reservoir feature generator 300 may be realized by the reservoir feature generator 205, which is hardware such as an FPGA board, as described above.
  • the reservoir feature amount generation unit 300 will be described as a function realized by executing a reservoir feature amount generation program by a computer.
  • the prediction unit 310 to the learning unit 340 are functions realized by executing a data processing program (a data processing program other than the reservoir feature amount generation program) by a computer.
  • the reservoir feature amount generation unit 300 has a reservoir feature amount generation function of inputting time-series sensor data a (input data) acquired from the sensor a 120 and outputting a reservoir feature amount. .
  • the prediction unit 310 has a weight acquisition unit 311 and a calculation unit 312 .
  • the weight acquisition unit 311 acquires the weight parameters learned by the learning unit 340 and stored in the data storage unit 350 , and sets them in the calculation unit 312 .
  • a default weighting parameter may be set as an initial value in the calculation unit 312. For example, a value generated by random numbers may be set.
  • the calculation unit 312 supplies the prediction result data obtained by calculating the reservoir feature amount output from the reservoir feature amount generation unit 300 under the weight parameter set by the weight acquisition unit 311 to the period determination unit 320. Notice.
  • the period determination unit 320 determines whether the current period is the learning period or the prediction period. is determined, and the switching unit 330 is notified of the period determination result. Also, the period determination unit 320 notifies the switching unit 330 of the prediction result data regardless of whether the current period is the learning period or the prediction period.
  • the switching unit 330 notifies the learning unit 340 of the prediction result data notified from the period determination unit 320 during the learning period. Also, the switching unit 330 notifies the obtaining unit 132 of the prediction result data notified from the period determination unit 320 in the prediction period.
  • the learning unit 340 has a weight calculator 341 .
  • the weight calculator 341 Sensor data b measured by the sensor b 140 and notified as correct data by the acquisition unit 132; - Prediction result data notified from the switching unit 330; Calculate the error of Also, the weight calculator 341 learns the weight parameter based on the calculated error. At this time, the weight calculator 341 learns the weight parameters by matrix calculation so that the error approaches zero (that is, the prediction result data is correlated with the correct data).
  • the weight calculation unit 341 stores the learned weight parameters in the data storage unit 350 .
  • the data storage unit 350 is implemented in the auxiliary storage device 203 of the data processing device 130, for example.
  • FIG. 4 is an example of a flowchart showing the flow of reservoir computing processing.
  • step S401 when the RC unit 131 starts the learning period, the weight acquisition unit 311 of the prediction unit 310 initializes the weight parameters and sets the default weight parameters in the calculation unit 312.
  • the reservoir feature amount generation unit 300 starts inputting time-series sensor data measured by the sensor a 120 and outputting the reservoir feature amount. Accordingly, the calculation unit 312 of the prediction unit 310 calculates the output reservoir feature quantity based on the weight parameter, and outputs prediction result data.
  • step S402 the period determination unit 320 determines whether it is the learning period or the prediction period. If it is determined in step S402 that it is the learning period, the switching unit 330 switches the notification destination of the prediction result data to the learning unit 340, and proceeds to step S403. Note that in the present embodiment, the RC unit 131 starts the period from the learning period.
  • step S403 the learning unit 340 performs a learning process of learning weight parameters based on the prediction result data notified from the switching unit 330 and the correct data.
  • step S404 the period determination unit 320 determines whether or not the learning end condition is satisfied (whether or not the specified time has passed without error between the correct data and the prediction result data). If it is determined in step S403 that the learning end condition is not satisfied, it is determined in step S404 that the prediction period is not to be entered (NO in step S404), and the process proceeds to step S409.
  • step S403 if it is determined in step S403 that the learning end condition has been satisfied, it is determined in step S404 that the prediction period will be entered (YES in step S404), and the process proceeds to step S405.
  • the weight acquisition unit 311 of the prediction unit 310 reads out the weight parameter when learning is completed from the data storage unit 350 and sets it in the calculation unit 312 .
  • step S405 the period determination unit 320 shifts to the prediction period and proceeds to step S409. Thereby, the switching unit 330 switches the notification destination of the prediction result data to the acquiring unit 132 .
  • step S402 determines whether it is the prediction period. If it is determined in step S402 that it is the prediction period, the process proceeds to step S406.
  • step S406 the calculation unit 312 of the prediction unit 310 calculates the reservoir feature amount output from the reservoir feature amount generation unit 300 under the weight parameter when learning is completed, and outputs prediction result data. process.
  • step S407 the period determination unit 320 determines whether re-learning is necessary. If it is determined in step S407 that re-learning is not necessary (NO in step S407), the process proceeds to step S409. On the other hand, if it is determined in step S407 that re-learning is necessary (if YES in step S407), the process proceeds to step S408.
  • step S408 the period determination unit 320 shifts to the learning period, and proceeds to step S409. Thereby, the switching unit 330 switches the notification destination of the prediction result data to the learning unit 340 .
  • step S409 the RC unit 131 determines whether to end the reservoir computing process.
  • step S409 If it is determined in step S409 to continue the reservoir computing process (NO in step S409), the process returns to step S402. On the other hand, if it is determined in step S409 to end the reservoir computing process (if YES in step S409), the reservoir computing process ends.
  • FIG. 5 is a diagram illustrating an example of a functional configuration of an acquisition unit and a determination unit of a data processing device; As shown in FIG. 5 , the acquisition unit 132 has a sensor data acquisition unit 501 and a prediction result data acquisition unit 503 . Also, the determination unit 133 has a difference calculation unit 511 and a state determination unit 512 .
  • the sensor data acquisition unit 501 notifies the RC unit 131 of the time-series sensor data b measured by the sensor b 140 as correct data, and notifies the determination unit 133 as comparison data.
  • the prediction result data acquisition unit 503 acquires the prediction result data transmitted from the RC unit 131 during the prediction period, and notifies the determination unit 133 of it.
  • the difference calculation unit 511 calculates the difference between the comparison data notified from the sensor data acquisition unit 501 during the prediction period and the prediction result data transmitted from the RC unit 131 during the prediction period, and generates difference data. Further, the difference calculation unit 511 notifies the state determination unit 512 of the generated difference data.
  • the state determination unit 512 determines the state of the substrate manufacturing process. Specifically, the state determination unit 512 determines whether the difference data notified from the difference calculation unit 511 exceeds a predetermined threshold. If the state determination unit 512 determines that the predetermined threshold value is exceeded, the state determination unit 512 determines that an abnormality has occurred in the processed substrate. Also, the state determination unit 512 outputs an abnormality detection result indicating that an abnormality has occurred.
  • the state determination unit 512 determines whether the change pattern in the predetermined time range is similar to the predetermined change pattern for the difference data notified from the difference calculation unit 511 .
  • the state determining unit 512 determines that an abnormality or a failure has occurred in the substrate processing apparatus 100 .
  • the state determination unit 512 outputs to the control device 150 a failure diagnosis result indicating that an abnormality or a failure has occurred in the substrate processing apparatus 100 . Thereby, the control device 150 can notify the actuator 160 of a stop command when an abnormality or a failure occurs.
  • FIG. 6 is a first flowchart showing the flow of acquisition and determination processing.
  • step S601 the acquisition unit 132 of the data processing device 130 acquires time-series sensor data b measured by the sensor b140.
  • step S602 the acquisition unit 132 of the data processing device 130 determines whether the current period is the learning period or the prediction period. If it is determined in step S602 that it is the learning period, the process proceeds to step S603.
  • step S603 the acquisition unit 132 of the data processing device 130 transmits the acquired sensor data b to the RC unit 131 as correct data.
  • step S602 determines whether it is the prediction period. If it is determined in step S602 that it is the prediction period, the process proceeds to step S604.
  • step S604 the acquisition unit 132 of the data processing device 130 acquires the prediction result data transmitted from the RC unit 131.
  • step S605 the determination unit 133 of the data processing device 130 compares the sensor data b acquired from the sensor b 140 as comparison data with the prediction result data acquired from the RC unit 131, and calculates difference data.
  • step S606 the determination unit 133 of the data processing device 130 determines whether or not the difference data exceeds a predetermined threshold. If it is determined in step S606 that the predetermined threshold has been exceeded (if YES in step S606), the process proceeds to step S607.
  • step S607 the determination unit 133 of the data processing device 130 determines that an abnormality has occurred in the substrate after processing, outputs an abnormality detection result indicating that an abnormality has occurred to the control device 150, and proceeds to step S608. move on.
  • step S606 determines whether the predetermined threshold is not exceeded (NO in step S606), the process proceeds directly to step S608.
  • step S608 the acquisition unit 132 of the data processing device 130 determines whether or not to end the acquisition and determination process. If it is determined in step S608 not to end the acquisition and determination process (NO in step S608), the process returns to step S602. On the other hand, if it is determined in step S608 that the acquisition and determination processing should end (if YES in step S608), the acquisition and determination processing ends.
  • FIG. 7 is a second flowchart showing the flow of acquisition and determination processing.
  • steps S701 and S702 The differences from the first flowchart shown in FIG. 6 are steps S701 and S702. Therefore, steps S701 and S702 will be described here.
  • step S701 the determination unit 133 of the data processing device 130 determines whether the change pattern of the difference data within a predetermined time range is similar to the predetermined change pattern. If it is determined in step S701 that the pattern is similar to the predetermined change pattern (if YES in step S701), the process proceeds to step S702.
  • step S702 the determination unit 133 of the data processing apparatus 130 determines that an abnormality or failure has occurred in the substrate processing apparatus 100, outputs the failure diagnosis result to the control apparatus 150, and proceeds to step S608. move on.
  • step S702 determines whether the pattern does not resemble the predetermined change pattern (NO in step S702), the process proceeds directly to step S608.
  • FIG. 8 is a diagram showing a specific example of acquisition and determination processing.
  • the horizontal axis indicates time
  • the vertical axis indicates data values.
  • a line graph 801 represents the prediction result data transmitted from the RC unit 131
  • a line graph 802 represents time-series sensor data b (comparison data) measured by the sensor b 140.
  • a bar graph 803 represents difference data calculated from the difference between the prediction result data and the comparison data.
  • the substrate processing apparatus 100 is - It has a reservoir feature amount generation unit, receives time-series sensor data a (time-series sensor data a measured by the sensor a) acquired in the substrate manufacturing process, and outputs a reservoir feature amount.
  • time-series sensor data a time-series sensor data a measured by the sensor a
  • the prediction result data obtained by calculating the reservoir feature amount output from the reservoir feature amount generation unit under the weight parameter correlates with the time-series sensor data b measured by the sensor b.
  • Learn the weight parameters as follows.
  • the reservoir feature amount output from the reservoir feature amount generation unit is calculated based on the learned weight parameter. , output prediction result data.
  • the substrate processing apparatus 100 it is possible to efficiently perform learning during startup and maintenance. As a result, according to the first embodiment, it is possible to reduce the work load of the learning work in the substrate processing apparatus that determines the state of the substrate manufacturing process using time-series sensor data.
  • FIG. 9 is a second diagram showing an example of the functional configuration of the RC section of the data processing device.
  • the difference from the functional configuration of FIG. 1 shown in FIG. 3 is that in the case of FIG.
  • the time-series sensor data a measured by the sensor a 120 is input in parallel to the plurality of reservoir feature amount generation units 300_1 to 300_L
  • the point that the reservoir feature amounts output from each of the plurality of reservoir feature amount generation units 300_1 to 300_L are input in parallel to the calculation unit 312 of the prediction unit 310; is.
  • the prediction result data obtained by weighting and adding the reservoir feature amounts output from the plurality of reservoir feature amount generation units 300_1 to 300_L using the weight parameter is sent to the period determination unit 320. Notice.
  • the substrate processing apparatus 100 has - Having a plurality of reservoir feature amount generation units, inputting time-series sensor data a (time-series sensor data a measured by sensor a) acquired in the substrate manufacturing process in parallel, and generating reservoir feature amounts respectively Output.
  • time-series sensor data a time-series sensor data a measured by sensor a
  • the prediction result data obtained by weighting and adding the reservoir feature amounts output from the plurality of reservoir feature amount generation units using the weight parameter is correlated with the time-series sensor data b. Learn weight parameters.
  • the time-series sensor data a acquired in the substrate manufacturing process are input in parallel, and the reservoir feature values output from the plurality of reservoir feature value generation units are calculated using the learned weighting parameters. are weighted and added, and the prediction result data is output.
  • the substrate processing apparatus 100 according to the second embodiment it is possible to obtain the same effects as those of the first embodiment, and to output prediction result data with higher accuracy.
  • FIGS. 10A and 10B Differences from the functional configuration of FIG. 1 shown in FIG. 3 are that in FIGS. 10A and 10B, - A plurality of RC units 1010_1 to 1010_L are connected in series; The time-series sensor data measured by the sensor a 120 is input to the starting RC unit 1010_1, - During the learning period, the prediction result data output from the prediction units 310 of the RC units 1010_1 to 1010_L-1 are respectively input to the reservoir feature amount generation units 300_2 to 300_L of the next RC unit, ⁇ During the learning period, the switching units 1020 of each of the RC units 1010_1 to 1010_L-1 are in the ON state, and the prediction result data output from the corresponding prediction unit 310 is input to the corresponding learning unit 340, and the learning unit 340 that learning takes place at ⁇ During the learning period, the switching unit 1021 of the terminal RC unit 1010_L is switched to the learning unit 340 side, and the prediction result data output from the
  • the substrate processing apparatus 100 has • It has multiple RC units connected in series.
  • time-series sensor data a time-series sensor data a measured by sensor a
  • the final prediction result is output from the RC unit at the end.
  • Data is output.
  • the prediction result data output from the immediately preceding RC unit is input to the reservoir feature generator included in each RC unit after the beginning.
  • each RC unit learns the respective weighting parameters so that the prediction result data obtained by calculating under the weighting parameters correlates with the time-series sensor data b measured by the sensor b. do.
  • each RC unit calculates the reservoir feature quantity output from the reservoir feature quantity generator based on the learned weight parameter, and outputs prediction result data.
  • the substrate processing apparatus 100 according to the third embodiment it is possible to obtain the same effects as those of the first embodiment, and to output prediction result data with higher accuracy.
  • FIG. 11 is a diagram showing an example of the functional configuration of the RC unit and integration unit of the data processing device.
  • the integration unit 1130 is connected in series to the plurality of RC units 1110_1 to 1010_L, is. Moreover, in the case of FIG. 11, The point that the integration unit 1130 has a prediction unit 1140 (an example of an integrated prediction unit), a period determination unit 1150, a switching unit 1160, and a learning unit 1170 (an example of an integrated learning unit), The prediction unit 1140 further includes a weight acquisition unit 1141 and a calculation unit 1142.
  • the weight acquisition unit 1141 acquires the weight parameter learned by the learning unit 1170 and stored in the data storage unit 1180, and the calculation unit 1142 the point to set to The calculation unit 1142 weights and adds the prediction result data output from the prediction units 1120 of the RC units 1110_1 to 1110_L using the weight parameter set by the weight acquisition unit 1141, and the prediction result data is obtained by the period determination unit.
  • the switching unit 1160 notifies the prediction unit 1120 of the learning unit 1170 and the RC units 1110_1 to 1110_L of the prediction result data notified by the period determination unit 1150; In the prediction period, the switching unit 1160 notifies the prediction unit 1120 of each of the RC units 1110_1 to 1110_L of the prediction result data notified by the period determination unit 1150 as the final prediction result data,
  • the point that the learning unit 1170 has a weight calculation unit 1171 ⁇ During the learning period, the weight calculation unit 1171 calculates the error between the sensor data b measured by the sensor b 140 and notified as correct data by the acquisition unit 132 and the prediction result data notified by the switching unit 1160, - During the learning period, the weight calculation unit 1171 learns weight parameters based on the calculated error, and stores the weight parameters obtained by learning in the data storage unit 1180.
  • the time-series sensor data measured by the sensor a 120 is input in parallel to the reservoir feature amount generation units 300_1 to 300_L of the RC units 1110_1 to 1110_L, and the reservoir feature amounts are respectively output.
  • the prediction unit 1120 corresponding to each of the RC units 1110_1 to 1110_L calculates the reservoir feature amount based on the weight parameter, and the prediction result data obtained by the calculation is the prediction notified by the integration unit 1130 Correction and output based on the result data, ⁇
  • the prediction unit 1120 corresponding to each of the RC units 1110_1 to 1110_L calculates the reservoir feature amount based on the weight parameter, and the prediction result data obtained by the calculation is the prediction notified by the integration unit 1130.
  • the prediction result data output from the corresponding prediction unit 1120 of each RC unit 1110_1 to 1110_L is input to the integration unit 1130, ⁇
  • the corresponding switching units 1020 of each of the RC units 1110_1 to 1110_L are turned on, and the prediction result data output from the corresponding prediction unit 1120 is input to the corresponding learning unit 340, and the learning unit 340 that learning takes place at is.
  • the substrate processing apparatus 100 has • It has multiple RC units connected in parallel.
  • Each RC unit inputs time-series sensor data a (time-series sensor data a measured by sensor a) acquired in the board manufacturing process in parallel, and outputs each prediction result data to the integration unit. .
  • the prediction result data output from each of the plurality of RC units during the prediction period are integrated under the weight parameter in the integration unit and output as final prediction result data.
  • each RC unit sets each weighting parameter so that each prediction result data obtained by calculation under the weighting parameter correlates with the time-series sensor data b measured by the sensor b. learn.
  • the prediction result data integrated by the integration unit is input to the prediction unit of each RC unit, and the prediction result data obtained by calculating the reservoir feature amount based on the weight parameter is used. to correct.
  • the integration unit learns the weighting parameter so that the integrated prediction result data is correlated with the time-series sensor data b measured by the sensor b.
  • the final prediction result data is compared with the time-series sensor data b acquired in the board manufacturing process, and the state of the board manufacturing process is determined.
  • the substrate processing apparatus 100 according to the third embodiment it is possible to obtain the same effects as those of the first embodiment, and to output prediction result data with higher accuracy.
  • time-series sensor data measured by one sensor b 140 is predicted based on time-series sensor data measured by one sensor a 120 .
  • time-series sensor data measured by one sensor b140 is predicted based on time-series sensor data measured by a plurality of sensors. The fifth embodiment will be described below, focusing on differences from the first embodiment.
  • FIG. 12 is a second diagram showing an example of the system configuration of the substrate processing apparatus.
  • the difference from the system configuration shown in FIG. 1 is that , in the case of FIG.
  • the function of RC section 1210 is different from the function of RC section 131 .
  • 12a in FIG. 12 shows the flow of data within the substrate processing apparatus 1200 during the learning period
  • 12b in FIG. 12 shows the flow of data within the substrate processing apparatus 1200 during the prediction period.
  • time-series sensor data measured by sensors a 1 120_1 to a 3 120_3 (another example of the first sensor data) during substrate processing in the chamber 110 is sent to RC section 1210 .
  • RC unit 1210 implements reservoir computing with high expressive power and high learning speed. Specifically, RC unit 1210 predicts time-series sensor data measured by sensor b 140 based on time-series sensor data (input data) measured by sensors a 1 120_1 to sensor a 3 120_3. .
  • the RC unit 1210 acquires time-series sensor data (correct data) measured by the sensor b140 via the acquisition unit 132 of the data processing device 130. . Then, RC unit 1210 determines that the prediction result data obtained by calculating the time-series sensor data (input data) measured by sensor a 1 120_1 to sensor a 3 120_3 under the weight parameter is the correct data. Learn the weight parameters so that they are correlated.
  • the RC unit 1210 converts the time-series sensor data (input data) measured by the sensors a 1 120_1 to a 3 120_3 into the learned weight parameters. Calculate with Thereby, RC section 1210 outputs time-series sensor data (prediction result data). Note that the time-series sensor data (prediction result data) output by the RC unit 1210 is notified to the acquisition unit 132 of the data processing device 130 .
  • FIG. 13 is a fifth diagram showing an example of the functional configuration of the RC section of the data processing device.
  • the difference from the functional configuration of FIG. 1 shown in FIG. 3 is that in the case of FIG.
  • the time-series sensor data a 1 to a 3 measured by the sensor a 1 120_1 to sensor a 3 120_3 are input to the reservoir feature amount generation unit 300; is.
  • the calculation unit 312 inputs the reservoir feature amount based on the time-series sensor data a 1 to a 3 measured by the plurality of sensors a 1 120_1 to a 3 120_3, respectively, and calculates the prediction result data. can be output.
  • the substrate processing apparatus 100 has ⁇ A plurality of time-series sensor data a 1 to a 3 acquired in the substrate manufacturing process having a reservoir feature amount generation unit (a plurality of time-series sensor data a measured by a plurality of sensors a 1 to a 3 1 to a 3 ) are input, and the reservoir feature amount is output.
  • the prediction result data obtained by calculating the reservoir feature amount output from the reservoir feature amount generation unit under the weight parameter correlates with the time-series sensor data b measured by the sensor b. Learn the weight parameters as follows.
  • ⁇ a plurality of time-series sensor data a 1 to a 3 acquired in the substrate manufacturing process are input, and the reservoir feature amount output from the reservoir feature amount generation unit is used as a learned weight parameter and output prediction result data. - Comparing the prediction result data with time-series sensor data b acquired in the substrate manufacturing process to determine the state of the substrate manufacturing process.
  • the substrate processing apparatus for determining the state of the substrate manufacturing process using a plurality of time-series sensor data, it is possible to enjoy the same effects as those of the first embodiment. can.
  • the time-series sensor data b measured by the sensor b 140 is predicted based on the time-series sensor data measured by the sensor a 120 (or sensor a 1 120_1 to sensor a 3 120_3). explained.
  • time-series sensor data measured by the sensor a120 is predicted based on time-series sensor data measured by the sensor a120.
  • the sixth embodiment will be described below, focusing on differences from the above-described embodiments.
  • FIG. 14 is a third diagram showing an example of the system configuration of the substrate processing apparatus. The difference from the system configuration described using FIG. 1 in the first embodiment is that the sensor b140 is not included in the case of FIG.
  • 14a in FIG. 14 shows the flow of data within the substrate processing apparatus 1400 during the learning period
  • 14b in FIG. 14 shows the flow of data within the substrate processing apparatus 1400 during the prediction period.
  • time-series sensor data measured by the sensor a 120 during substrate processing in the chamber 110 is transmitted to the RC unit 131 and the acquisition unit 132 . That is, the time-series sensor data measured by the sensor a120 is an example of first time-series sensor data acquired in the substrate manufacturing process, and is another example of second sensor data.
  • the RC unit 131 realizes reservoir computing with high expressive power and high learning speed. Specifically, the RC unit 131 predicts time-series sensor data measured by the sensor a120 based on time-series sensor data (input data) measured by the sensor a120.
  • the RC unit 131 acquires time-series sensor data (correct data) measured by the sensor a 120 via the acquisition unit 132 of the data processing device 130. . Then, the RC unit 131 calculates the time-series sensor data (input data) measured by the sensor a 120 under the weight parameter so that the prediction result data obtained by calculating the weight parameter is correlated with the correct data. Learn parameters.
  • the RC unit 131 calculates the time-series sensor data (input data) measured by the sensor a120 based on the learned weighting parameters. Thereby, the RC unit 131 outputs time-series sensor data (prediction result data). Note that the time-series sensor data (prediction result data) output by the RC unit 131 is notified to the acquisition unit 132 of the data processing device 130 .
  • the acquisition unit 132 during the prediction period - time-series sensor data (prediction result data) output by the RC unit 131; - Time-series sensor data a (comparative data) measured by the sensor a 120, is notified to the determination unit 133 .
  • the time-series sensor data a measured by the sensor a 120 and transmitted to the acquisition unit 132 of the data processing device 130 is referred to as "correct data" during the learning period, and as “comparison data” during the prediction period. called.
  • the substrate processing apparatus 100 has - It has a reservoir feature amount generation unit, receives time-series sensor data a (time-series sensor data a measured by the sensor a) acquired in the substrate manufacturing process, and outputs a reservoir feature amount.
  • the prediction result data obtained by calculating the reservoir feature amount output from the reservoir feature amount generation unit under the weight parameter correlates with the time-series sensor data a measured by the sensor a.
  • Learn the weight parameters as follows.
  • the reservoir feature amount output from the reservoir feature amount generation unit is calculated based on the learned weight parameter. , output prediction result data.
  • the substrate processing apparatus 100 according to the sixth embodiment it is possible to enjoy the same effects as those of the first embodiment.
  • the function of inputting time-series sensor data acquired in the substrate manufacturing process and outputting the reservoir feature amount is realized by the reservoir feature amount generation unit.
  • the function of inputting time-series sensor data acquired in the substrate manufacturing process and outputting the reservoir feature amount may be realized by the reservoir feature amount generator 205, for example.
  • the reservoir feature generator 201 includes both a function realized by executing the data processing program by the processor 201 and a function realized by executing the reservoir feature generator 205. shall be included.
  • the reservoir feature value generator 205 has been described as being realized by an FPGA board or the like. good.
  • time-series sensor data measured by another sensor or time-series sensor data measured by its own sensor data
  • the determination method for determining the state of the substrate manufacturing process is not limited to this.
  • the state of the substrate manufacturing process is directly predicted based on time-series sensor data measured by one or more sensors. It may be configured as In this case, data indicating the state of the substrate manufacturing process is input to the learning unit as correct data.
  • the learning unit may learn by a learning method such as a sequential least squares method or RLS (Recursive least square method).
  • the learning unit may perform learning by a learning method using Bayesian linear regression, Kalman filter, information filter, particle filter, or the like.
  • the time-series data measured by the one sensor b 140 The case of estimating the sensor data b has been described.
  • the number of sensor data used for prediction is not limited to three, for example, n sensor data measured by n (n is an arbitrary integer of 2 or more) sensors belonging to the first sensor.
  • the number of time-series sensor data to be predicted is not limited to one.
  • m sensor data measured by m sensors belonging to the second sensor m is an arbitrary integer of 1 or more

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

学習作業にかかる作業負荷を低減させる。基板処理装置は、取得された時系列の第１のセンサデータを入力し、リザーバ特徴量を出力するリザーバ特徴量生成部と、学習期間において、前記リザーバ特徴量を重みパラメータのもとで演算することで得られる予測結果データが、前記取得される時系列の第２のセンサデータと相関するように前記重みパラメータを学習する学習部と、予測期間において、前記時系列の第１のセンサデータが入力されることで、前記リザーバ特徴量生成部より出力されるリザーバ特徴量を、学習された重みパラメータのもとで演算し、予測結果データを出力する予測部と、前記予測期間において、前記予測結果データと、前記取得された時系列の第２のセンサデータとを比較することで基板製造プロセスの状態を判定する判定部とを有する。

Description

基板処理装置、データ処理方法及びデータ処理プログラム
　本開示は、基板処理装置、データ処理方法及びデータ処理プログラムに関する。
　従来より、基板処理装置の分野では、各種センサにより測定された時系列のセンサデータを用いて、基板製造プロセスの状態（例えば、異常の有無等）を判定している。また、最近では、判定精度向上のために、機械学習モデルの利用も提案されている。
特開２０１８－７７７７９号公報
David Sussillo, L.F.Abbott, "Generating Coherent Patterns of Activity from Chaotic Neural Networks", Neuron. Author manuscript; available in PMC 2010 Aug 27.
　しかしながら、一般的な機械学習モデルの場合、判定精度向上のためには、大量の学習用データを収集する必要がある。このため、機械学習モデルが適用された基板処理装置の場合、立ち上げ時の学習作業にかかる作業負荷が高い。また、立ち上げ後も、基板処理装置の経時変化に伴って判定精度が低下した場合には、再度、大量の学習用データを収集しなおす必要がある。このため、機械学習モデルが適用された基板処理装置の場合、メンテナンス時の学習作業にかかる作業負荷も高い。
　本開示は、時系列のセンサデータを用いて基板製造プロセスの状態を判定する基板処理装置において、学習作業にかかる作業負荷を低減する。
　本開示の一態様による基板処理装置は、例えば、以下のような構成を有する。即ち、
　基板製造プロセスにおいて取得された時系列の第１のセンサデータを入力し、リザーバ特徴量を出力するリザーバ特徴量生成部と、
　学習期間において、前記リザーバ特徴量生成部より出力されるリザーバ特徴量を重みパラメータのもとで演算することで得られる予測結果データが、前記基板製造プロセスにおいて取得される時系列の第２のセンサデータと相関するように前記重みパラメータを学習する学習部と、
　予測期間において、前記基板製造プロセスにおいて取得された時系列の第１のセンサデータが入力されることで、前記リザーバ特徴量生成部より出力されるリザーバ特徴量を、前記学習部により学習された重みパラメータのもとで演算し、予測結果データを出力する予測部と、
　前記予測期間において、前記予測結果データと、前記基板製造プロセスにおいて取得された時系列の第２のセンサデータとを比較することで前記基板製造プロセスの状態を判定する判定部とを有する。
　時系列のセンサデータを用いて基板製造プロセスの状態を判定する基板処理装置において、学習作業にかかる作業負荷を低減することができる。
図１は、基板処理装置のシステム構成の一例を示す第１の図である。 図２は、データ処理装置のハードウェア構成の一例を示す図である。 図３は、データ処理装置のＲＣ部の機能構成の一例を示す第１の図である。 図４は、リザーバコンピューティング処理の流れを示すフローチャートである。 図５は、データ処理装置の取得部及び判定部の機能構成の一例を示す図である。 図６は、取得及び判定処理の流れを示す第１のフローチャートである。 図７は、取得及び判定処理の流れを示す第２のフローチャートである。 図８は、取得及び判定処理の具体例を示す図である。 図９は、データ処理装置のＲＣ部の機能構成の一例を示す第２の図である。 図１０Ａは、データ処理装置のＲＣ部の機能構成の一例を示す第３の図である。 図１０Ｂは、データ処理装置のＲＣ部の機能構成の一例を示す第４の図である。 図１１は、データ処理装置のＲＣ部及び統合部の機能構成の一例を示す図である。 図１２は、基板処理装置のシステム構成の一例を示す第２の図である。 図１３は、データ処理装置のＲＣ部の機能構成の一例を示す第５の図である。 図１４は、基板処理装置のシステム構成の一例を示す第３の図である。
　以下、各実施形態について添付の図面を参照しながら説明する。なお、本明細書及び図面において、実質的に同一の機能構成を有する構成要素については、同一の符号を付することにより重複した説明を省略する。
　［第１の実施形態］
　＜基板処理装置のシステム構成＞
　はじめに、第１の実施形態に係る基板処理装置のシステム構成について説明する。図１は、基板処理装置のシステム構成の一例を示す第１の図であり、図中の矢印は、データの流れを示している。このうち、図１の１ａは、学習期間における基板処理装置１００内のデータの流れを示しており、図１の１ｂは、予測期間における基板処理装置１００内のデータの流れを示している。
　図１の１ａ、１ｂに示すように、基板処理装置１００は、基板を処理するチャンバ１１０と、センサａ１２０（第１のセンサの一例）と、データ処理装置１３０と、センサｂ１４０（第２のセンサの一例）と、制御装置１５０と、アクチュエータ１６０とを有する。
　図１の１ａ、１ｂに示すように、チャンバ１１０にて基板の処理中に、センサａ１２０により測定された時系列のセンサデータは、データ処理装置１３０のリザーバコンピューティング部（以降、ＲＣ部）１３１に送信される。つまり、ＲＣ部１３１に送信される時系列のセンサデータは、基板製造プロセスにおいて取得された時系列の第１のセンサデータの一例である。
　ＲＣ部１３１は、表現能力が高く、かつ、学習速度が速いリザーバコンピューティングを実現する。具体的には、ＲＣ部１３１は、センサａ１２０により測定された時系列のセンサデータ（入力データ）に基づいて、センサｂ１４０により測定される時系列のセンサデータを予測する。
　このため、図１の１ａに示すように、学習期間においてＲＣ部１３１は、センサｂ１４０により測定された時系列のセンサデータ（正解データ）を、データ処理装置１３０の取得部１３２を介して取得する。そして、ＲＣ部１３１は、センサａ１２０により測定された時系列のセンサデータ（入力データ）を重みパラメータのもとで演算することで得られる予測結果データが、正解データと相関するように、当該重みパラメータを学習する。
　一方、図１の１ｂに示すように、予測期間においてＲＣ部１３１は、センサａ１２０により測定された時系列のセンサデータ（入力データ）を、学習された重みパラメータのもとで演算し、時系列のセンサデータ（予測結果データ）を出力する。なお、ＲＣ部１３１により出力された時系列のセンサデータ（予測結果データ）は、データ処理装置１３０の取得部１３２に通知される。
　センサｂ１４０は、チャンバ１１０にて基板の処理中に測定した時系列のセンサデータを、データ処理装置１３０の取得部１３２に送信する。つまり、取得部１３２に送信される時系列のセンサデータは、基板製造プロセスにおいて取得された時系列の第２のセンサデータの一例である。
　データ処理装置１３０の取得部１３２は、図１の１ａに示すように、学習期間において、センサｂ１４０により測定された時系列のセンサデータ（正解データ）を、ＲＣ部１３１に通知する。
　また、データ処理装置１３０の取得部１３２は、図１の１ｂに示すように、予測期間において、ＲＣ部１３１より通知された予測結果データと、センサｂ１４０により測定された時系列のセンサデータ（比較データ）とを、判定部１３３に通知する。なお、センサｂ１４０により測定された時系列のセンサデータは、学習期間においては、“正解データ”と称し、予測期間においては、“比較データ”と称す。
　また、図１の１ｂに示すように、予測期間において判定部１３３は、取得部１３２より通知された予測結果データと比較データとの差分を算出し、算出した差分データに基づいて、基板製造プロセスの状態を判定する。判定部１３３による判定結果は制御装置１５０に通知され、制御装置１５０では、通知された判定結果に応じてアクチュエータ１６０を制御する。
　このように、時系列のセンサデータを用いて基板製造プロセスの状態を判定する基板処理装置１００において、第１の実施形態では、
・表現能力が高く、かつ、学習速度が速いリザーバコンピューティングを実現するＲＣ部１３１を配し、
・学習期間においては、２種類の時系列のセンサデータを、入力データ及び正解データとして用いることで学習を行い、
・予測期間においては、２種類の時系列のセンサデータを、入力データ及び比較データとして用いることで基板製造プロセスの状態を判定する。
　これにより、第１の実施形態に係る基板処理装置１００によれば、立ち上げ時及びメンテナンス時において、効率的に学習を行うことが可能となり、学習作業の作業負荷を低減させることができる。
　＜データ処理装置のハードウェア構成＞
　次に、基板処理装置１００が有するデータ処理装置１３０のハードウェア構成について説明する。図２は、データ処理装置のハードウェア構成の一例を示す図である。このうち、図２の２ａは、リザーバ特徴量の生成機能（詳細は後述）をハードウェアであるリザーバ特徴量生成器で実現する場合を示している。また、図２の２ｂは、リザーバ特徴量の生成機能を、コンピュータがソフトウェア（例えば、リザーバ特徴量生成プログラム）を実行することで実現する場合を示している。
　図２に示すように、データ処理装置１３０は、プロセッサ２０１、メモリ２０２、補助記憶装置２０３、外部Ｉ／Ｆ装置２０６（図２の２ａの場合にあっては、更に、Ｉ／Ｆ装置２０４、リザーバ特徴量生成器２０５）を有する。なお、データ処理装置１３０の各ハードウェアは、バス２０７を介して相互に接続されている。
　図２の２ａ、２ｂのプロセッサ２０１は、ＣＰＵ、ＧＰＵ等の各種演算デバイスを有する。プロセッサ２０１は、各種プログラム（例えば、後述するデータ処理プログラム、図２の２ｂの場合にあっては、リザーバ特徴量生成プログラムを含むデータ処理プログラム等）をメモリ２０２上に読み出して実行する。
　図２の２ａ、２ｂのメモリ２０２は、ＲＯＭ、ＲＡＭ等の主記憶デバイスを有する。プロセッサ２０１とメモリ２０２とは、いわゆるコンピュータを形成し、プロセッサ２０１が、メモリ２０２上に読み出した各種プログラムを実行することで、当該コンピュータは各種機能（ＲＣ部１３１、取得部１３２、判定部１３３）を実現する。
　図２の２ａ、２ｂの補助記憶装置２０３は、各種プログラムや、各種プログラムがプロセッサ２０１によって実行される際に用いられる各種データを格納する。
　図２の２ａのＩ／Ｆ装置２０４は、リザーバ特徴量生成器２０５と接続する接続デバイスである。図２の２ａのリザーバ特徴量生成器２０５は、例えば、ＦＰＧＡ（Field-Programmable Gate Array）ボード等により実現される。リザーバ特徴量生成器２０５は、センサａ１２０により測定された時系列のセンサデータを入力し、リザーバ特徴量を出力する、リザーバ特徴量の生成機能を有する。
　図２の２ａ、２ｂの外部Ｉ／Ｆ装置２０６は、センサａ１２０、センサｂ１４０と接続する接続デバイスである。
　＜データ処理装置のＲＣ部の機能構成＞
　次に、データ処理装置１３０のＲＣ部１３１の機能構成について説明する。図３は、データ処理装置のＲＣ部の機能構成の一例を示す第１の図である。
　図３に示すように、ＲＣ部１３１は、リザーバ特徴量生成部３００、予測部３１０、期間判定部３２０、切り替え部３３０、学習部３４０を有する。このうち、リザーバ特徴量生成部３００は、上述したように、ＦＰＧＡボード等のハードウェアであるリザーバ特徴量生成器２０５により実現されてもよい。ただし、本実施形態において、リザーバ特徴量生成部３００は、リザーバ特徴量生成プログラムがコンピュータによって実行されることで実現される機能であるとして説明する。
　また、予測部３１０～学習部３４０は、データ処理プログラム（リザーバ特徴量生成プログラム以外のデータ処理プログラム）がコンピュータによって実行されることで実現される機能である。
　図３に示すように、リザーバ特徴量生成部３００は、センサａ１２０より取得された時系列のセンサデータａ（入力データ）を入力し、リザーバ特徴量を出力する、リザーバ特徴量の生成機能を有する。
　予測部３１０は、重み取得部３１１と、演算部３１２とを有する。重み取得部３１１は、学習部３４０により学習され、データ格納部３５０に格納された重みパラメータを取得し、演算部３１２に設定する。なお、学習期間の最初の学習においては、デフォルトの重みパラメータが初期値として演算部３１２に設定されていてもよく、例えば、乱数で生成された値が設定されていてもよい。
　演算部３１２は、リザーバ特徴量生成部３００から出力されたリザーバ特徴量を、重み取得部３１１により設定された重みパラメータのもとで演算することで得られる予測結果データを、期間判定部３２０に通知する。
　期間判定部３２０は、演算部３１２より通知された予測結果データと取得部１３２から通知されたセンサデータｂ（正解データ）とに基づいて、現在の期間が学習期間であるのか予測期間であるのかを判定し、切り替え部３３０に期間判定結果を通知する。また、期間判定部３２０は、現在の期間が学習期間であるのか予測期間であるのかに関わらず、予測結果データを切り替え部３３０に通知する。
　切り替え部３３０は、学習期間においては、期間判定部３２０より通知された予測結果データを、学習部３４０に通知する。また、切り替え部３３０は、予測期間においては、期間判定部３２０より通知された予測結果データを、取得部１３２に通知する。
　学習部３４０は、重み算出部３４１を有する。重み算出部３４１は、
・センサｂ１４０により測定され、取得部１３２により正解データとして通知されたセンサデータｂと、
・切り替え部３３０より通知された予測結果データと、
の誤差を算出する。また、重み算出部３４１は、算出した誤差に基づいて重みパラメータを学習する。このとき、重み算出部３４１では、誤差がゼロに近づくように（つまり、予測結果データが正解データと相関するように）、行列演算により重みパラメータを学習する。
　また、重み算出部３４１は、学習した重みパラメータを、データ格納部３５０に格納する。データ格納部３５０は、例えば、データ処理装置１３０の補助記憶装置２０３において実現される。
　＜リザーバコンピューティング処理の流れ＞
　次に、ＲＣ部１３１によるリザーバコンピューティング処理の流れについて説明する。図４は、リザーバコンピューティング処理の流れを示すフローチャートの一例である。
　ステップＳ４０１において、ＲＣ部１３１が学習期間を開始すると、予測部３１０の重み取得部３１１は、重みパラメータを初期化し、デフォルトの重みパラメータを演算部３１２に設定する。また、リザーバ特徴量生成部３００は、センサａ１２０により測定される時系列のセンサデータの入力及びリザーバ特徴量の出力を開始する。これにより、予測部３１０の演算部３１２は、出力されたリザーバ特徴量を重みパラメータのもとで演算し、予測結果データを出力する。
　ステップＳ４０２において、期間判定部３２０は、学習期間であるか、予測期間であるかを判定する。ステップＳ４０２において、学習期間であると判定した場合、切り替え部３３０は、予測結果データの通知先を学習部３４０に切り替え、ステップＳ４０３に進む。なお、本実施形態においてＲＣ部１３１は、学習期間から期間を開始する。
　ステップＳ４０３において、学習部３４０は、切り替え部３３０より通知された予測結果データと、正解データとに基づいて、重みパラメータを学習する学習処理を行う。
　ステップＳ４０４において、期間判定部３２０は、学習終了条件を満たしているか否か（正解データと予測結果データとの誤差がない状態が、指定した時間分、経過したか否か）を判定する。ステップＳ４０３において学習終了条件を満たしていないと判定した場合には、ステップＳ４０４において予測期間に移行しないと判定し（ステップＳ４０４においてＮＯと判定し）、ステップＳ４０９に進む。
　一方、ステップＳ４０３において学習終了条件を満たしたと判定した場合には、ステップＳ４０４において予測期間に移行すると判定し（ステップＳ４０４においてＹＥＳと判定し）、ステップＳ４０５に進む。なお、この場合、予測部３１０の重み取得部３１１は、学習が終了した際の重みパラメータをデータ格納部３５０から読み出し、演算部３１２に設定する。
　ステップＳ４０５において、期間判定部３２０は、予測期間に移行し、ステップＳ４０９に進む。これにより、切り替え部３３０は、予測結果データの通知先を取得部１３２に切り替える。
　一方、ステップＳ４０２において、予測期間であると判定した場合には、ステップＳ４０６に進む。
　ステップＳ４０６において、予測部３１０の演算部３１２は、学習が終了した際の重みパラメータのもとで、リザーバ特徴量生成部３００より出力されたリザーバ特徴量を演算し、予測結果データを出力する予測処理を行う。
　ステップＳ４０７において、期間判定部３２０は、再学習が必要であるか否かを判定する。ステップＳ４０７において、再学習が必要でないと判定された場合には（ステップＳ４０７においてＮＯの場合には）、ステップＳ４０９に進む。一方、ステップＳ４０７において、再学習が必要であると判定された場合には（ステップＳ４０７においてＹＥＳの場合には）、ステップＳ４０８に進む。
　ステップＳ４０８において、期間判定部３２０は、学習期間に移行し、ステップＳ４０９に進む。これにより、切り替え部３３０は、予測結果データの通知先を学習部３４０に切り替える。
　ステップＳ４０９において、ＲＣ部１３１は、リザーバコンピューティング処理を終了するか否かを判定する。
　ステップＳ４０９において、リザーバコンピューティング処理を継続すると判定した場合には（ステップＳ４０９においてＮＯの場合には）、ステップＳ４０２に戻る。一方、ステップＳ４０９において、リザーバコンピューティング処理を終了すると判定した場合には（ステップＳ４０９においてＹＥＳの場合には）、リザーバコンピューティング処理を終了する。
　＜データ処理装置の取得部及び判定部の機能構成＞
　次に、データ処理装置１３０の取得部１３２及び判定部１３３の機能構成について説明する。図５は、データ処理装置の取得部及び判定部の機能構成の一例を示す図である。図５に示すように、取得部１３２は、センサデータ取得部５０１、予測結果データ取得部５０３を有する。また、判定部１３３は、差分算出部５１１、状態判定部５１２を有する。
　センサデータ取得部５０１は、センサｂ１４０により測定された時系列のセンサデータｂを、正解データとしてＲＣ部１３１に通知し、比較データとして判定部１３３に通知する。
　予測結果データ取得部５０３は、予測期間において、ＲＣ部１３１より送信される予測結果データを取得し、判定部１３３に通知する。
　差分算出部５１１は、予測期間においてセンサデータ取得部５０１より通知された比較データと、予測期間においてＲＣ部１３１より送信された予測結果データとの差分を算出し、差分データを生成する。また、差分算出部５１１は、生成した差分データを状態判定部５１２に通知する。
　状態判定部５１２は、基板製造プロセスの状態を判定する。具体的には、状態判定部５１２は、差分算出部５１１より通知された差分データが、所定の閾値を超えたか否かを判定する。状態判定部５１２は、所定の閾値を超えたと判定した場合、処理後の基板において、異常が発生したと判定する。また、状態判定部５１２は、異常が発生したことを示す異常検知結果を出力する。
　また、状態判定部５１２は、差分算出部５１１より通知された差分データについて、所定の時間範囲の変化パターンが、所定の変化パターンに類似するか否かを判定する。状態判定部５１２は、所定の変化パターンに類似すると判定した場合、基板処理装置１００において異常が発生した、または、故障が発生したと判定する。また、状態判定部５１２は、基板処理装置１００において異常が発生した、または、故障が発生したことを示す故障診断結果を制御装置１５０に出力する。これにより、制御装置１５０は異常が発生した場合、または、故障が発生した場合、アクチュエータ１６０に停止命令を通知することができる。
　＜取得及び判定処理の流れ＞
　次に、データ処理装置１３０の取得部１３２及び判定部１３３による取得及び判定処理の流れとして、異常検知結果を出力する場合の取得及び判定処理の流れについて説明する。図６は、取得及び判定処理の流れを示す第１のフローチャートである。
　ステップＳ６０１において、データ処理装置１３０の取得部１３２は、センサｂ１４０により測定された時系列のセンサデータｂを取得する。
　ステップＳ６０２において、データ処理装置１３０の取得部１３２は、現在の期間が学習期間であるか、予測期間であるかを判定する。ステップＳ６０２において、学習期間であると判定した場合には、ステップＳ６０３に進む。
　ステップＳ６０３において、データ処理装置１３０の取得部１３２は、取得したセンサデータｂを、正解データとして、ＲＣ部１３１に送信する。
　一方、ステップＳ６０２において、予測期間であると判定した場合には、ステップＳ６０４に進む。
　ステップＳ６０４において、データ処理装置１３０の取得部１３２は、ＲＣ部１３１より送信される予測結果データを取得する。
　ステップＳ６０５において、データ処理装置１３０の判定部１３３は、センサｂ１４０より取得したセンサデータｂを比較データとして、ＲＣ部１３１より取得した予測結果データと比較し、差分データを算出する。
　ステップＳ６０６において、データ処理装置１３０の判定部１３３は、差分データが所定の閾値を超えたか否かを判定する。ステップＳ６０６において、所定の閾値を超えたと判定した場合には（ステップＳ６０６においてＹＥＳの場合には）、ステップＳ６０７に進む。
　ステップＳ６０７において、データ処理装置１３０の判定部１３３は、処理後の基板において異常が発生したと判定し、異常が発生したことを示す異常検知結果を制御装置１５０に出力したうえで、ステップＳ６０８に進む。
　一方、ステップＳ６０６において、所定の閾値を超えていないと判定した場合には（ステップＳ６０６においてＮＯの場合には）、直接、ステップＳ６０８に進む。
　ステップＳ６０８において、データ処理装置１３０の取得部１３２は、取得及び判定処理を終了するか否かを判定する。ステップＳ６０８において、取得及び判定処理を終了しないと判定した場合には（ステップＳ６０８においてＮＯの場合には）、ステップＳ６０２に戻る。一方、ステップＳ６０８において、取得及び判定処理を終了すると判定した場合には（ステップＳ６０８においてＹＥＳの場合には）、取得及び判定処理を終了する。
　続いて、データ処理装置１３０の取得部１３２及び判定部１３３による取得及び判定処理の流れとして、故障診断結果を出力する場合の取得及び判定処理の流れについて説明する。図７は、取得及び判定処理の流れを示す第２のフローチャートである。
　図６に示した第１のフローチャートとの相違点は、ステップＳ７０１及びステップＳ７０２である。したがって、ここでは、ステップＳ７０１及びステップＳ７０２について説明する。
　ステップＳ７０１において、データ処理装置１３０の判定部１３３は、差分データの所定の時間範囲の変化パターンが、所定の変化パターンに類似するか否かを判定する。ステップＳ７０１において、所定の変化パターンに類似すると判定した場合には（ステップＳ７０１においてＹＥＳの場合には）、ステップＳ７０２に進む。
　ステップＳ７０２において、データ処理装置１３０の判定部１３３は、基板処理装置１００において異常が発生した、または、故障が発生したと判定し、故障診断結果を制御装置１５０に出力したうえで、ステップＳ６０８に進む。
　一方、ステップＳ７０２において、所定の変化パターンに類似しないと判定した場合には（ステップＳ７０２においてＮＯの場合には）、直接、ステップＳ６０８に進む。
　＜取得及び判定処理の具体例＞
　次に、データ処理装置１３０の取得部１３２及び判定部１３３による取得及び判定処理の具体例について説明する。図８は、取得及び判定処理の具体例を示す図である。図８において、横軸は時間を示し、縦軸はデータ値を示している。
　また、図８において、折れ線グラフ８０１は、ＲＣ部１３１より送信された予測結果データを表しており、折れ線グラフ８０２は、センサｂ１４０により測定された時系列のセンサデータｂ（比較データ）を表している。また、棒グラフ８０３は、予測結果データと比較データとの差分により算出された差分データを表している。
　図８の例の場合、符号８１０に示すタイミングで、予測結果データと比較データとの差分が、所定の閾値を超えたことで、異常が発生したと判定され、異常検知結果が出力されたことを示している。
　また、図８の例の場合、符号８２０に示す時間範囲の差分データの変化パターンが、所定の変化パターンに類似していないと判定されたことを示している。
　一方、図８の例の場合、符号８３０に示す時間範囲の差分データの変化パターンが、所定の変化パターンに類似したことで、基板処理装置１００において故障が発生したと判定され、故障診断結果が出力されたことを示している。
　＜まとめ＞
　以上の説明から明らかなように、第１の実施形態に係る基板処理装置１００は、
・リザーバ特徴量生成部を有し、基板製造プロセスにおいて取得された時系列のセンサデータａ（センサａにより測定された時系列のセンサデータａ）を入力し、リザーバ特徴量を出力する。
・学習期間において、リザーバ特徴量生成部より出力されるリザーバ特徴量を重みパラメータのもとで演算することで得られる予測結果データが、センサｂにより測定される時系列のセンサデータｂと相関するように重みパラメータを学習する。
・予測期間において、基板製造プロセスにおいて取得された時系列のセンサデータａが入力されることで、リザーバ特徴量生成部より出力されるリザーバ特徴量を、学習された重みパラメータのもとで演算し、予測結果データを出力する。
・予測結果データと、基板製造プロセスにおいて取得された時系列のセンサデータｂとを比較し、基板製造プロセスの状態を判定する。
　これにより、第１の実施形態に係る基板処理装置１００によれば、立ち上げ時及びメンテナンス時において、効率的に学習を行うことが可能となる。この結果、第１の実施形態によれば、時系列のセンサデータを用いて基板製造プロセスの状態を判定する基板処理装置において、学習作業にかかる作業負荷を低減することができる。
　［第２の実施形態］
　上記第１の実施形態では、ＲＣ部１３１が、リザーバ特徴量生成部を１セットのみ有する場合について説明した。しかしながら、ＲＣ部１３１が有するリザーバ特徴量生成部の数は、１セットに限定されず、例えば、複数セット有していてもよい。以下、第２の実施形態について、上記第１の実施形態との相違点を中心に説明する。
　＜データ処理装置のＲＣ部の機能構成＞
　はじめに、第２の実施形態に係る基板処理装置１００のデータ処理装置１３０における、ＲＣ部９００の機能構成について説明する。図９は、データ処理装置のＲＣ部の機能構成の一例を示す第２の図である。
　図３に示した第１の図の機能構成との相違点は、図９の場合、
・ＲＣ部９００が、複数のリザーバ特徴量生成部３００＿１～３００＿Ｌを有する点（Ｌは任意の整数）、
・センサａ１２０により測定された時系列のセンサデータａが、複数のリザーバ特徴量生成部３００＿１～３００＿Ｌに対して、並列に入力される点、
・複数のリザーバ特徴量生成部３００＿１～３００＿Ｌそれぞれから出力されたリザーバ特徴量が、予測部３１０の演算部３１２に並列に入力される点、
である。
　これにより、演算部３１２では、複数のリザーバ特徴量生成部３００＿１～３００＿Ｌそれぞれから出力されたリザーバ特徴量を、重みパラメータを用いて重み付け加算することで得られる予測結果データを、期間判定部３２０に通知する。
　＜まとめ＞
　以上の説明から明らかなように、第２の実施形態に係る基板処理装置１００は、
・複数のリザーバ特徴量生成部を有し、基板製造プロセスにおいて取得された時系列のセンサデータａ（センサａにより測定された時系列のセンサデータａ）を並列に入力し、リザーバ特徴量をそれぞれ出力する。
・学習期間において、複数のリザーバ特徴量生成部よりそれぞれ出力されるリザーバ特徴量を、重みパラメータを用いて重み付け加算することで得られる予測結果データが、時系列のセンサデータｂと相関するように重みパラメータを学習する。
・予測期間において、基板製造プロセスにおいて取得された時系列のセンサデータａが並列に入力されることで、複数のリザーバ特徴量生成部より出力されるリザーバ特徴量を、学習された重みパラメータを用いて重み付け加算し、予測結果データを出力する。
・予測結果データと、基板製造プロセスにおいて取得された時系列のセンサデータｂとを比較し、基板製造プロセスの状態を判定する。
　これにより、第２の実施形態に係る基板処理装置１００によれば、第１の実施形態と同様の効果を享受しつつ、更に、精度の高い予測結果データを出力することができる。
　［第３の実施形態］
　上記第１及び第２の実施形態では、データ処理装置１３０がＲＣ部１３１を１セットのみ有する場合について説明した。しかしながら、データ処理装置が有するＲＣ部の数は、１セットに限定されず、例えば、複数セット有していてもよい。以下、第３の実施形態について、上記第１及び第２の実施形態との相違点を中心に説明する。
　＜データ処理装置のＲＣ部の機能構成＞
　はじめに、第３の実施形態に係る基板処理装置１００が有するデータ処理装置１０００のＲＣ部の機能構成について説明する。図１０Ａ、図１０Ｂは、データ処理装置のＲＣ部の機能構成の一例を示す第３及び第４の図である。
　図３に示した第１の図の機能構成との相違点は、図１０Ａ、図１０Ｂの場合、
・複数のＲＣ部１０１０＿１～１０１０＿Ｌが直列に接続されている点、
・センサａ１２０により測定された時系列のセンサデータが、始端のＲＣ部１０１０＿１に入力される点、
・学習期間において、各ＲＣ部１０１０＿１～１０１０＿Ｌ－１の予測部３１０からそれぞれ出力された予測結果データが、次のＲＣ部のリザーバ特徴量生成部３００＿２～３００＿Ｌにそれぞれ入力される点、
・学習期間において、各ＲＣ部１０１０＿１～１０１０＿Ｌ－１の切り替え部１０２０は、それぞれＯＮ状態となり、対応する予測部３１０から出力された予測結果データが、対応する学習部３４０に入力され、学習部３４０にて学習が行われる点、
・学習期間において、終端のＲＣ部１０１０＿Ｌの切り替え部１０２１は、学習部３４０側に切り替えられ、予測部３１０から出力された予測結果データが、学習部３４０に入力されることで、学習部３４０にて学習が行われる点、
・予測期間において、各ＲＣ部１０１０＿１～１０１０＿Ｌ－１の切り替え部１０２０は、それぞれＯＦＦ状態となり、対応する予測部３１０から出力された予測結果データが、次のＲＣ部のリザーバ特徴量生成部３００＿２～３００＿Ｌにそれぞれ入力される点、
・予測期間において、終端のＲＣ部１０１０＿Ｌの切り替え部１０２１は、取得部１３２側に切り替えられ、対応する予測部３１０から出力された最終の予測結果データが、取得部１３２に出力される点、
である。
　＜まとめ＞
　以上の説明から明らかなように、第３の実施形態に係る基板処理装置１００は、
・直列に接続された複数のＲＣ部を有する。予測期間において、基板製造プロセスにおいて取得された時系列のセンサデータａ（センサａにより測定された時系列のセンサデータａ）は始端のＲＣ部に入力され、終端のＲＣ部からは最終の予測結果データが出力される。
・学習期間及び予測期間において、始端より後の各ＲＣ部が有するリザーバ特徴量生成部には、直前のＲＣ部より出力された予測結果データが入力される。
・学習期間において、各ＲＣ部は、重みパラメータのもとで演算することで得られる予測結果データが、センサｂにより測定される時系列のセンサデータｂと相関するようにそれぞれの重みパラメータを学習する。
・予測期間において、各ＲＣ部は、リザーバ特徴量生成部より出力されるリザーバ特徴量を、学習された重みパラメータのもとで演算し、予測結果データを出力する。
・最終の予測結果データと、基板製造プロセスにおいて取得された時系列のセンサデータｂとを比較し、基板製造プロセスの状態を判定する。
　これにより、第３の実施形態に係る基板処理装置１００によれば、第１の実施形態と同様の効果を享受しつつ、更に、精度の高い予測結果データを出力することができる。
　［第４の実施形態］
　上記第３の実施形態では、データ処理装置１０００が有する複数セットのＲＣ部を、直列に接続する場合について説明した。これに対して、第４の実施形態では、複数セットのＲＣ部を並列に接続する場合について説明する。以下、第４の実施形態について、上記第３の実施形態との相違点を中心に説明する。
　＜データ処理装置のＲＣ部及び統合部の機能構成＞
　はじめに、第４の実施形態に係る基板処理装置１００が有するデータ処理装置１１００のＲＣ部及び統合部の機能構成について説明する。図１１は、データ処理装置のＲＣ部及び統合部の機能構成の一例を示す図である。
　図１０Ａ、図１０Ｂに示した機能構成との相違点は、図１１の場合、
・複数のＲＣ部１１１０＿１～１０１０＿Ｌが並列に接続されている点、
・複数のＲＣ部１１１０＿１～１０１０＿Ｌに対して、統合部１１３０が直列に接続されている点、
である。また、図１１の場合、
・統合部１１３０が、予測部１１４０（統合予測部の一例）、期間判定部１１５０、切り替え部１１６０、学習部１１７０（統合学習部の一例）を有する点、
・予測部１１４０が、更に、重み取得部１１４１、演算部１１４２を有し、重み取得部１１４１が、学習部１１７０により学習され、データ格納部１１８０に格納された重みパラメータを取得し、演算部１１４２に設定する点、
・演算部１１４２が、各ＲＣ部１１１０＿１～１１１０＿Ｌの予測部１１２０からそれぞれ出力された予測結果データを、重み取得部１１４１により設定された重みパラメータを用いて重み付け加算し、予測結果データを期間判定部１１５０に通知する点、
・学習期間において、切り替え部１１６０が、期間判定部１１５０より通知された予測結果データを、学習部１１７０及び各ＲＣ部１１１０＿１～１１１０＿Ｌの予測部１１２０に通知する点、
・予測期間において、切り替え部１１６０が、期間判定部１１５０より通知された予測結果データを、最終の予測結果データとして取得部１３２及び各ＲＣ部１１１０＿１～１１１０＿Ｌの予測部１１２０に通知する点、
・学習部１１７０が、重み算出部１１７１を有する点、
・学習期間において、重み算出部１１７１が、センサｂ１４０により測定され、取得部１３２により正解データとして通知されたセンサデータｂと、切り替え部１１６０より通知された予測結果データとの誤差を算出する点、
・学習期間において、重み算出部１１７１が、算出した誤差に基づいて重みパラメータを学習し、学習により得られる重みパラメータを、データ格納部１１８０に格納する点、
である。また、図１１の場合、
・センサａ１２０により測定された時系列のセンサデータが、各ＲＣ部１１１０＿１～１１１０＿Ｌのリザーバ特徴量生成部３００＿１～３００＿Ｌに並列に入力され、リザーバ特徴量がそれぞれ出力される点、
・学習期間において、各ＲＣ部１１１０＿１～１１１０＿Ｌの対応する予測部１１２０が、重みパラメータのもとでリザーバ特徴量を演算し、演算により得られた予測結果データを、統合部１１３０より通知された予測結果データに基づいて補正して出力する点、
・予測期間において、各ＲＣ部１１１０＿１～１１１０＿Ｌの対応する予測部１１２０が、重みパラメータのもとでリザーバ特徴量を演算し、演算により得られた予測結果データを、統合部１１３０より通知された予測結果データに基づいて補正して出力する点、
・学習期間及び予測期間において、各ＲＣ部１１１０＿１～１１１０＿Ｌの対応する予測部１１２０からそれぞれ出力された予測結果データが、統合部１１３０に入力される点、
・学習期間において、各ＲＣ部１１１０＿１～１１１０＿Ｌの対応する切り替え部１０２０が、それぞれＯＮ状態となり、対応する予測部１１２０から出力された予測結果データが、対応する学習部３４０に入力され、学習部３４０にて学習が行われる点、
である。
　＜まとめ＞
　以上の説明から明らかなように、第４の実施形態に係る基板処理装置１００は、
・並列に接続された複数のＲＣ部を有する。各ＲＣ部は、基板製造プロセスにおいて取得された時系列のセンサデータａ（センサａにより測定された時系列のセンサデータａ）を並列に入力し、それぞれの予測結果データを、統合部に出力する。
・予測期間において、複数のＲＣ部それぞれから出力された予測結果データは、統合部において、重みパラメータのもとで統合され、最終の予測結果データとして出力される。
・学習期間において、各ＲＣ部は、重みパラメータのもとで演算することで得られる各予測結果データが、センサｂにより測定される時系列のセンサデータｂと相関するようにそれぞれの重みパラメータを学習する。
・学習期間及び予測期間において、統合部にて統合された予測結果データは、各ＲＣ部の予測部に入力され、重みパラメータのもとでリザーバ特徴量を演算することで得られる予測結果データを補正する。
・学習期間において、統合部は、統合した予測結果データが、センサｂにより測定される時系列のセンサデータｂと相関するように重みパラメータを学習する。
・予測期間において、最終の予測結果データと、基板製造プロセスにおいて取得された時系列のセンサデータｂとを比較し、基板製造プロセスの状態を判定する。
　これにより、第３の実施形態に係る基板処理装置１００によれば、第１の実施形態と同様の効果を享受しつつ、更に、精度の高い予測結果データを出力することができる。
　［第５の実施形態］
　上記第１乃至第４の実施形態では、１つのセンサａ１２０により測定された時系列のセンサデータに基づいて、１つのセンサｂ１４０により測定される時系列のセンサデータを予測する場合について説明した。これに対して、第５の実施形態では、複数のセンサにより測定された時系列のセンサデータに基づいて、１つのセンサｂ１４０により測定される時系列のセンサデータを予測する。以下、第５の実施形態について、上記第１の実施形態との相違点を中心に説明する。
　＜基板処理装置のシステム構成＞
　はじめに、第５の実施形態に係る基板処理装置のシステム構成について説明する。図１２は、基板処理装置のシステム構成の一例を示す第２の図である。図１に示したシステム構成との相違点は、図１２の場合、センサａ１２０に代えて、センサａ１１２０＿１～センサａ３１２０＿３（第１のセンサの他の一例）が配されている点、ＲＣ部１２１０の機能が、ＲＣ部１３１の機能とは異なる点である。
　なお、図１同様、図１２の１２ａは、学習期間における基板処理装置１２００内のデータの流れを示しており、図１２の１２ｂは、予測期間における基板処理装置１２００内のデータの流れを示している。
　図１２の１２ａ、１２ｂに示すように、チャンバ１１０にて基板の処理中に、センサａ１１２０＿１～センサａ３１２０＿３（第１のセンサデータの他の一例）により測定された時系列のセンサデータは、ＲＣ部１２１０に送信される。
　ＲＣ部１２１０は、表現能力が高く、かつ、学習速度が速いリザーバコンピューティングを実現する。具体的には、ＲＣ部１２１０は、センサａ１１２０＿１～センサａ３１２０＿３により測定された時系列のセンサデータ（入力データ）に基づいて、センサｂ１４０により測定される時系列のセンサデータを予測する。
　このため、図１２の１２ａに示すように、学習期間においてＲＣ部１２１０は、センサｂ１４０により測定された時系列のセンサデータ（正解データ）を、データ処理装置１３０の取得部１３２を介して取得する。そして、ＲＣ部１２１０は、センサａ１１２０＿１～センサａ３１２０＿３により測定された時系列のセンサデータ（入力データ）を重みパラメータのもとで演算することで得られる予測結果データが、正解データと相関するように、重みパラメータを学習する。
　一方、図１２の１２ｂに示すように、予測期間においてＲＣ部１２１０は、センサａ１１２０＿１～センサａ３１２０＿３により測定された時系列のセンサデータ（入力データ）を、学習された重みパラメータのもとで演算する。これにより、ＲＣ部１２１０は、時系列のセンサデータ（予測結果データ）を出力する。なお、ＲＣ部１２１０により出力された時系列のセンサデータ（予測結果データ）は、データ処理装置１３０の取得部１３２に通知される。
　＜データ処理装置のＲＣ部の機能構成＞
　次に、第５の実施形態に係る基板処理装置１２００のデータ処理装置１３０における、ＲＣ部１２１０の機能構成について説明する。図１３は、データ処理装置のＲＣ部の機能構成の一例を示す第５の図である。
　図３に示した第１の図の機能構成との相違点は、図１３の場合、
・センサａ１１２０＿１～センサａ３１２０＿３により測定された時系列のセンサデータａ１～センサデータａ３が、リザーバ特徴量生成部３００に入力される点、
である。
　これにより、演算部３１２では、複数のセンサａ１１２０＿１～センサａ３１２０＿３それぞれにより測定された時系列のセンサデータａ１～センサデータａ３に基づくリザーバ特徴量を入力して、予測結果データを出力することができる。
　＜まとめ＞
　以上の説明から明らかなように、第５の実施形態に係る基板処理装置１００は、
・リザーバ特徴量生成部を有し、基板製造プロセスにおいて取得された複数の時系列のセンサデータａ１～ａ３（複数のセンサａ１～ａ３により測定された複数の時系列のセンサデータａ１～ａ３）それぞれを入力し、リザーバ特徴量を出力する。
・学習期間において、リザーバ特徴量生成部より出力されるリザーバ特徴量を重みパラメータのもとで演算することで得られる予測結果データが、センサｂにより測定される時系列のセンサデータｂと相関するように重みパラメータを学習する。
・予測期間において、基板製造プロセスにおいて取得された複数の時系列のセンサデータａ１～ａ３が入力されることで、リザーバ特徴量生成部より出力されるリザーバ特徴量を、学習された重みパラメータのもとで演算し、予測結果データを出力する。
・予測結果データと、基板製造プロセスにおいて取得された時系列のセンサデータｂとを比較し、基板製造プロセスの状態を判定する。
　これにより、第５の実施形態によれば、複数の時系列のセンサデータを用いて基板製造プロセスの状態を判定する基板処理装置において、上記第１の実施形態と同様の効果を享受することができる。
　［第６の実施形態］
　上記各実施形態では、センサａ１２０（またはセンサａ１１２０＿１～センサａ３１２０＿３）により測定された時系列のセンサデータに基づいて、センサｂ１４０により測定される時系列のセンサデータｂを予測する場合について説明した。
　これに対して、第６の実施形態では、センサａ１２０により測定された時系列のセンサデータに基づいて、センサａ１２０により測定される時系列のセンサデータを予測する。以下、第６の実施形態について、上記各実施形態との相違点を中心に説明する。
　＜基板処理装置のシステム構成＞
　はじめに、第６の実施形態に係る基板処理装置のシステム構成について説明する。図１４は、基板処理装置のシステム構成の一例を示す第３の図である。上記第１の実施形態において図１を用いて説明したシステム構成との相違点は、図１４の場合、センサｂ１４０が含まれない点である。
　なお、図１同様、図１４の１４ａは、学習期間における基板処理装置１４００内のデータの流れを示しており、図１４の１４ｂは、予測期間における基板処理装置１４００内のデータの流れを示している。
　図１４の１４ａ、１４ｂに示すように、チャンバ１１０にて基板の処理中に、センサａ１２０により測定された時系列のセンサデータは、ＲＣ部１３１と取得部１３２に送信される。つまり、センサａ１２０により測定された時系列のセンサデータは、基板製造プロセスにおいて取得された時系列の第１のセンサデータの一例であり、第２のセンサデータの他の一例である。
　ＲＣ部１３１は、表現能力が高く、かつ、学習速度が速いリザーバコンピューティングを実現する。具体的には、ＲＣ部１３１は、センサａ１２０により測定された時系列のセンサデータ（入力データ）に基づいて、センサａ１２０により測定される時系列のセンサデータを予測する。
　このため、図１４の１４ａに示すように、学習期間においてＲＣ部１３１は、センサａ１２０により測定された時系列のセンサデータ（正解データ）を、データ処理装置１３０の取得部１３２を介して取得する。そして、ＲＣ部１３１は、センサａ１２０により測定された時系列のセンサデータ（入力データ）を重みパラメータのもとで演算することで得られる予測結果データが、正解データと相関するように、当該重みパラメータを学習する。
　一方、図１４の１４ｂに示すように、予測期間においてＲＣ部１３１は、センサａ１２０により測定された時系列のセンサデータ（入力データ）を、学習された重みパラメータのもとで演算する。これにより、ＲＣ部１３１は、時系列のセンサデータ（予測結果データ）を出力する。なお、ＲＣ部１３１により出力された時系列のセンサデータ（予測結果データ）は、データ処理装置１３０の取得部１３２に通知される。
　また、図１４の１４ｂに示すように、予測期間において取得部１３２は、
・ＲＣ部１３１により出力された時系列のセンサデータ（予測結果データ）と、
・センサａ１２０により測定された時系列のセンサデータａ（比較データ）と、
を判定部１３３に通知する。なお、センサａ１２０により測定され、データ処理装置１３０の取得部１３２に送信される時系列のセンサデータａは、学習期間においては、“正解データ”と称し、予測期間においては、“比較データ”と称す。
　＜まとめ＞
　以上の説明から明らかなように、第６の実施形態に係る基板処理装置１００は、
・リザーバ特徴量生成部を有し、基板製造プロセスにおいて取得された時系列のセンサデータａ（センサａにより測定された時系列のセンサデータａ）を入力し、リザーバ特徴量を出力する。
・学習期間において、リザーバ特徴量生成部より出力されるリザーバ特徴量を重みパラメータのもとで演算することで得られる予測結果データが、センサａにより測定される時系列のセンサデータａと相関するように重みパラメータを学習する。
・予測期間において、基板製造プロセスにおいて取得された時系列のセンサデータａが入力されることで、リザーバ特徴量生成部より出力されるリザーバ特徴量を、学習された重みパラメータのもとで演算し、予測結果データを出力する。
・予測結果データと、基板製造プロセスにおいて取得された時系列のセンサデータａとを比較し、基板製造プロセスの状態を判定する。
　これにより、第６の実施形態に係る基板処理装置１００によれば、上記第１の実施形態と同様の効果を享受することができる。
　［その他の実施形態］
　上記各実施形態では、基板製造プロセスにおいて取得された時系列のセンサデータを入力し、リザーバ特徴量を出力する機能を、リザーバ特徴量生成部により実現するものとして説明した。
　しかしながら、基板製造プロセスにおいて取得された時系列のセンサデータを入力し、リザーバ特徴量を出力する機能は、例えば、リザーバ特徴量生成器２０５により実現されてもよい。
　したがって、本明細書において、リザーバ特徴量生成部には、プロセッサ２０１がデータ処理プログラムを実行することにより実現される機能と、リザーバ特徴量生成器２０５が実行されることにより実現される機能の両方が含まれるものとする。
　また、上記各実施形態では、リザーバ特徴量生成器２０５を、ＦＰＧＡボード等により実現するものとして説明したが、ＦＰＧＡボード等により実現するにあたっては、特定の物理リザーバが含まれるように構成されてもよい。
　上記各実施形態では、１つまたは複数のセンサにより測定された時系列のセンサデータに基づいて、他のセンサにより測定される時系列のセンサデータ（または、自センサにより測定される時系列のセンサデータ）を予測する場合について説明した。また、上記各実施形態では、予測結果データと比較データとの差分データに基づいて、基板製造プロセスの状態を判定する場合について説明した。しかしながら、基板製造プロセスの状態を判定する判定方法はこれに限定されず、例えば、１つまたは複数のセンサにより測定された時系列のセンサデータに基づいて、直接、基板製造プロセスの状態を予測するように構成してもよい。この場合、学習部に対しては、正解データとして、基板製造プロセスの状態を示すデータが入力されることになる。
　また、上記各実施形態では、学習部が重みパラメータを学習する際の学習方法について言及しなかったが、学習部が重みパラメータを学習する際の学習方法は任意である。例えば、学習部は、逐次最小二乗法、ＲＬＳ（Recursive least square method）等の学習方法により学習を行ってもよい。あるいは、学習部は、ベイズ線形回帰、カルマンフィルタ、情報フィルタ、パーティクルフィルタ等を用いた学習方法により学習を行ってもよい。
　また、上記第２乃至第４の実施形態では、複数のリザーバ特徴量生成部３００＿１～３００＿Ｌを用いるケースについて説明したが、複数のリザーバ特徴量生成部は、互いに同じ構成であってもよいし、異なる構成であってもよい。
　また、上記第５の実施形態では、３つのセンサａ１１２０＿１～センサａ３１２０＿３により測定された時系列のセンサデータａ１～ａ３に基づいて、１つのセンサｂ１４０により測定される時系列のセンサデータｂを予測する場合について説明した。しかしながら、予測に用いるセンサデータの数は３つに限定されず、例えば、第１のセンサに属するｎ個（ｎは２以上の任意の整数）のセンサにより測定されたｎ個のセンサデータであってもよい。また、予測する時系列のセンサデータの数も１つに限定されず、例えば、第２のセンサに属するｍ個（ｍは１以上の任意の整数）のセンサにより測定されたｍ個のセンサデータであってもよい。
　なお、上記実施形態に挙げた構成等に、その他の要素との組み合わせ等、ここで示した構成に本発明が限定されるものではない。これらの点に関しては、本発明の趣旨を逸脱しない範囲で変更することが可能であり、その応用形態に応じて適切に定めることができる。
　本出願は、２０２１年６月１７日に出願された日本国特許出願第２０２１－１０１００４号に基づきその優先権を主張するものであり、同日本国特許出願の全内容を参照することにより本願に援用する。
　１００　　　　　　　　　　　：基板処理装置
　１１０　　　　　　　　　　　：チャンバ
　１２０　　　　　　　　　　　：センサａ
　１３０　　　　　　　　　　　：データ処理装置
　１３１　　　　　　　　　　　：ＲＣ部
　１３２　　　　　　　　　　　：取得部
　１３３　　　　　　　　　　　：判定部
　１４０　　　　　　　　　　　：センサｂ
　１５０　　　　　　　　　　　：制御装置
　１６０　　　　　　　　　　　：アクチュエータ
　２０５　　　　　　　　　　　：リザーバ特徴量生成器
　３００　　　　　　　　　　　：リザーバ特徴量生成部
　３１０　　　　　　　　　　　：予測部
　３１１　　　　　　　　　　　：重み取得部
　３１２　　　　　　　　　　　：演算部
　３２０　　　　　　　　　　　：期間判定部
　３３０　　　　　　　　　　　：切り替え部
　３４０　　　　　　　　　　　：学習部
　３４１　　　　　　　　　　　：重み算出部
　５０１　　　　　　　　　　　：センサデータ取得部
　５０３　　　　　　　　　　　：予測結果データ取得部
　５１１　　　　　　　　　　　：差分算出部
　５１２　　　　　　　　　　　：状態判定部
　９００　　　　　　　　　　　：ＲＣ部
　３００＿１～３００＿Ｌ　　　：リザーバ特徴量生成部
　１０００　　　　　　　　　　：データ処理装置
　１０１０＿１～１０１０＿Ｌ　：ＲＣ部
　１０２０　　　　　　　　　　：切り替え部
　１０２１　　　　　　　　　　：切り替え部
　１１００　　　　　　　　　　：データ処理装置
　１１１０＿１～１１１０＿Ｌ　：ＲＣ部
　１１２０　　　　　　　　　　：予測部
　１１３０　　　　　　　　　　：統合部
　１１４０　　　　　　　　　　：予測部
　１１４１　　　　　　　　　　：重み取得部
　１１４２　　　　　　　　　　：演算部
　１１５０　　　　　　　　　　：期間判定部
　１１６０　　　　　　　　　　：切り替え部
　１１７０　　　　　　　　　　：学習部
　１１７１　　　　　　　　　　：重み算出部
　１２００　　　　　　　　　　：基板処理装置
　１２１０　　　　　　　　　　：ＲＣ部
　１４００　　　　　　　　　　：基板処理装置

Claims (14)

  1. 　基板製造プロセスにおいて取得された時系列の第１のセンサデータを入力し、リザーバ特徴量を出力するリザーバ特徴量生成部と、
    　学習期間において、前記リザーバ特徴量生成部より出力されるリザーバ特徴量を重みパラメータのもとで演算することで得られる予測結果データが、前記基板製造プロセスにおいて取得される時系列の第２のセンサデータと相関するように前記重みパラメータを学習する学習部と、
    　予測期間において、前記基板製造プロセスにおいて取得された時系列の第１のセンサデータが入力されることで、前記リザーバ特徴量生成部より出力されるリザーバ特徴量を、前記学習部により学習された重みパラメータのもとで演算し、予測結果データを出力する予測部と、
    　前記予測期間において、前記予測結果データと、前記基板製造プロセスにおいて取得された時系列の第２のセンサデータとを比較することで前記基板製造プロセスの状態を判定する判定部と
    　を有する基板処理装置。
  2. 　前記基板製造プロセスにおいて取得された時系列の第１のセンサデータを並列に入力し、リザーバ特徴量をそれぞれ出力する複数の前記リザーバ特徴量生成部を有し、
    　前記学習部は、前記複数のリザーバ特徴量生成部それぞれより出力されるリザーバ特徴量を、重みパラメータを用いて重み付け加算することで得られる予測結果データが、前記基板製造プロセスにおいて取得される時系列の第２のセンサデータと相関するように重みパラメータを学習し、
    　前記予測部は、前記基板製造プロセスにおいて取得された時系列の第１のセンサデータが並列に入力されることで、前記複数のリザーバ特徴量生成部それぞれより出力されるリザーバ特徴量を、前記学習部により学習された重みパラメータを用いて重み付け加算し、予測結果データを出力する、請求項１に記載の基板処理装置。
  3. 　直列に接続された複数のリザーバ特徴量生成部であって、前記基板製造プロセスにおいて取得された時系列の第１のセンサデータが入力される始端のリザーバ特徴量生成部と、直前のリザーバ特徴量生成部により出力されたリザーバ特徴量を重みパラメータのもとで演算することで得られる予測結果データが入力される、始端より後のリザーバ特徴量生成部と、を含む前記複数のリザーバ特徴量生成部を有し、
    　前記学習期間において、前記複数のリザーバ特徴量生成部に対応するそれぞれの学習部は、前記複数のリザーバ特徴量生成部それぞれより出力されるリザーバ特徴量を、重みパラメータのもとで演算することで得られるそれぞれの予測結果データが、前記基板製造プロセスにおいて取得される時系列の第２のセンサデータと相関するように、対応する重みパラメータを学習し、
    　前記予測期間において、前記複数のリザーバ特徴量生成部に対応するそれぞれの予測部は、前記複数のリザーバ特徴量生成部それぞれより出力されるリザーバ特徴量を、対応する学習部により学習された重みパラメータのもとで演算し、それぞれの予測結果データを出力し、
    　前記予測期間において、前記判定部は、終端のリザーバ特徴量生成部に対応する予測部より出力された最終の予測結果データと、前記基板製造プロセスにおいて取得された時系列の第２のセンサデータとを比較することで前記基板製造プロセスの状態を判定する、請求項１に記載の基板処理装置。
  4. 　前記基板製造プロセスにおいて取得された時系列の第１のセンサデータを並列に入力し、リザーバ特徴量をそれぞれ出力する複数の前記リザーバ特徴量生成部と、
    　前記学習期間において、複数の前記リザーバ特徴量生成部よりそれぞれ出力されるリザーバ特徴量を、対応する重みパラメータのもとで演算することで得られるそれぞれの予測結果データが、前記基板製造プロセスにおいて取得される時系列の第２のセンサデータと相関するように、前記対応する重みパラメータをそれぞれ学習する複数の前記学習部と、
    　複数の前記リザーバ特徴量生成部よりそれぞれ出力されるリザーバ特徴量を、対応する学習部により学習された重みパラメータのもとで演算し、予測結果データをそれぞれ出力する複数の前記予測部と、
    　前記学習期間において、複数の前記予測部よりそれぞれ出力される予測結果データを、重みパラメータを用いて重み付け加算することで得られる最終の予測結果データが、前記基板製造プロセスにおいて取得される時系列の第２のセンサデータと相関するように前記重み付け加算に用いる重みパラメータを学習する統合学習部と、
    　前記予測期間において、複数の前記予測部よりそれぞれ出力される予測結果データを、前記統合学習部により学習された重みパラメータを用いて重み付け加算し、最終の予測結果データを出力する統合予測部と、を有し、
    　前記学習期間及び前記予測期間において、複数の前記予測部よりそれぞれ出力される予測結果データは、複数の前記リザーバ特徴量生成部よりそれぞれ出力されるリザーバ特徴量を、対応する重みパラメータのもとで演算することで得られた予測結果データが、前記最終の予測結果データにより補正された予測結果データである、請求項１に記載の基板処理装置。
  5. 　前記基板製造プロセスにおいて取得された複数の時系列の第１のセンサデータそれぞれを入力し、リザーバ特徴量を出力するリザーバ特徴量生成部を有し、
    　前記学習部は、前記リザーバ特徴量生成部より出力されるリザーバ特徴量を、重みパラメータのもとで演算することで得られる予測結果データが、前記基板製造プロセスにおいて取得された時系列の第２のセンサデータと相関するように重みパラメータを学習し、
    　前記予測部は、前記複数の時系列の第１のセンサデータが入力されることで前記リザーバ特徴量生成部より出力されるリザーバ特徴量を、前記学習部により学習された重みパラメータのもとで演算し、予測結果データを出力する、請求項１に記載の基板処理装置。
  6. 　前記基板製造プロセスにおいて取得され、前記リザーバ特徴量生成部に入力される時系列の第１のセンサデータは、第１のセンサにより測定された時系列のセンサデータであり、
    　前記基板製造プロセスにおいて取得され、前記学習部による学習に用いられる時系列の第２のセンサデータは、前記第１のセンサとは異なる第２のセンサにより測定された時系列のセンサデータである、請求項１に記載の基板処理装置。
  7. 　前記基板製造プロセスにおいて取得された複数の時系列の第１のセンサデータは、第１のセンサに属するｎ個（ｎは２以上の整数）のセンサにより測定されたｎ個の時系列のセンサデータであり、
    　前記基板製造プロセスにおいて取得され、前記学習部による学習に用いられる時系列の第２のセンサデータは、前記第１のセンサとは異なる第２のセンサに属するｍ個（ｍは１以上の整数）のセンサにより測定されたｍ個の時系列のセンサデータである、請求項６に記載の基板処理装置。
  8. 　前記基板製造プロセスにおいて取得された時系列の第１のセンサデータは、第１のセンサにより測定された時系列のセンサデータであり、
    　前記基板製造プロセスにおいて取得され、前記学習部による学習に用いられる時系列の第２のセンサデータは、前記第１のセンサにより測定された時系列のセンサデータである、請求項１に記載の基板処理装置。
  9. 　前記第２のセンサにより測定された時系列の第２のセンサデータと、前記予測部により出力された予測結果データとの差分を算出する差分算出部と、
    　前記差分算出部により算出された差分データに基づいて、前記基板製造プロセスの状態を判定する判定部と
    　を更に有する、請求項６に記載の基板処理装置。
  10. 　前記第１のセンサにより測定された時系列の第１のセンサデータと、前記予測部により出力された予測結果データとの差分を算出する差分算出部と、
    　前記差分算出部により算出された差分データに基づいて、前記基板製造プロセスの状態を判定する判定部と
    　を更に有する、請求項８に記載の基板処理装置。
  11. 　前記判定部は、前記差分データが所定の閾値を超えたか否かを判定することにより、または、所定の時間範囲の前記差分データが、所定のパターンに類似するか否かを判定することにより、前記基板製造プロセスの状態を判定する、請求項９に記載の基板処理装置。
  12. 　前記基板製造プロセスの状態の判定結果に応じてアクチュエータを制御する、請求項１１に記載の基板処理装置。
  13. 　基板処理装置におけるデータ処理方法であって、
    　基板製造プロセスにおいて取得された時系列の第１のセンサデータを入力し、リザーバ特徴量を出力するリザーバ特徴量生成工程と、
    　学習期間において、前記リザーバ特徴量生成工程において出力されるリザーバ特徴量を重みパラメータのもとで演算することで得られる予測結果データが、前記基板製造プロセスにおいて取得される時系列の第２のセンサデータと相関するように前記重みパラメータを学習する学習工程と、
    　予測期間において、前記基板製造プロセスにおいて取得された時系列の第１のセンサデータが入力されることで、前記リザーバ特徴量生成工程において出力されるリザーバ特徴量を、前記学習工程において学習された重みパラメータのもとで演算し、予測結果データを出力する予測工程と、
    　前記予測期間において、前記予測結果データと、前記基板製造プロセスにおいて取得された時系列の第２のセンサデータとを比較することで前記基板製造プロセスの状態を判定する判定工程と
    　を有するデータ処理方法。
  14. 　基板処理装置のコンピュータに、
    　基板製造プロセスにおいて取得された時系列の第１のセンサデータを入力し、リザーバ特徴量を出力するリザーバ特徴量生成工程と、
    　学習期間において、前記リザーバ特徴量生成工程において出力されるリザーバ特徴量を重みパラメータのもとで演算することで得られる予測結果データが、前記基板製造プロセスにおいて取得される時系列の第２のセンサデータと相関するように前記重みパラメータを学習する学習工程と、
    　予測期間において、前記基板製造プロセスにおいて取得された時系列の第１のセンサデータが入力されることで、前記リザーバ特徴量生成工程において出力されるリザーバ特徴量を、前記学習工程において学習された重みパラメータのもとで演算し、予測結果データを出力する予測工程と、
    　前記予測期間において、前記予測結果データと、前記基板製造プロセスにおいて取得された時系列の第２のセンサデータとを比較することで前記基板製造プロセスの状態を判定する判定工程と
    　を実行させるためのデータ処理プログラム。
PCT/JP2022/013601 2021-06-17 2022-03-23 基板処理装置、データ処理方法及びデータ処理プログラム WO2022264599A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
JP2023529585A JPWO2022264599A1 (ja) 2021-06-17 2022-03-23
CN202280041250.2A CN117461040A (zh) 2021-06-17 2022-03-23 基板处理装置、数据处理方法及数据处理程序
KR1020247000887A KR20240022553A (ko) 2021-06-17 2022-03-23 기판 처리 장치, 데이터 처리 방법 및 데이터 처리 프로그램

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2021-101004 2021-06-17
JP2021101004 2021-06-17

Publications (1)

Publication Number Publication Date
WO2022264599A1 true WO2022264599A1 (ja) 2022-12-22

Family

ID=84527046

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2022/013601 WO2022264599A1 (ja) 2021-06-17 2022-03-23 基板処理装置、データ処理方法及びデータ処理プログラム

Country Status (5)

Country Link
JP (1) JPWO2022264599A1 (ja)
KR (1) KR20240022553A (ja)
CN (1) CN117461040A (ja)
TW (1) TW202314787A (ja)
WO (1) WO2022264599A1 (ja)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012004181A (ja) * 2010-06-14 2012-01-05 Sharp Corp 特性予測装置、特性予測方法、特性予測プログラムおよびプログラム記録媒体
JP2020500420A (ja) * 2016-11-30 2020-01-09 エスケー ホールディングス コー リミテッド マシンラーニング基盤の半導体製造の収率予測システム及び方法
JP2020071755A (ja) * 2018-11-01 2020-05-07 Ｆａｉｒｙ Ｄｅｖｉｃｅｓ株式会社 情報処理装置
WO2020111258A1 (ja) * 2018-11-30 2020-06-04 東京エレクトロン株式会社 仮想測定装置、仮想測定方法及び仮想測定プログラム

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6374466B2 (ja) 2016-11-11 2018-08-15 ファナック株式会社 センサインタフェース装置、測定情報通信システム、測定情報通信方法、及び測定情報通信プログラム

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012004181A (ja) * 2010-06-14 2012-01-05 Sharp Corp 特性予測装置、特性予測方法、特性予測プログラムおよびプログラム記録媒体
JP2020500420A (ja) * 2016-11-30 2020-01-09 エスケー ホールディングス コー リミテッド マシンラーニング基盤の半導体製造の収率予測システム及び方法
JP2020071755A (ja) * 2018-11-01 2020-05-07 Ｆａｉｒｙ Ｄｅｖｉｃｅｓ株式会社 情報処理装置
WO2020111258A1 (ja) * 2018-11-30 2020-06-04 東京エレクトロン株式会社 仮想測定装置、仮想測定方法及び仮想測定プログラム

Also Published As

Publication number Publication date
KR20240022553A (ko) 2024-02-20
TW202314787A (zh) 2023-04-01
JPWO2022264599A1 (ja) 2022-12-22
CN117461040A (zh) 2024-01-26

Similar Documents

Publication Publication Date Title
JP7104121B2 (ja) 故障予知装置、故障予知システム及び故障予知方法
US20220146993A1 (en) Machine learning method and machine learning device for learning fault conditions, and fault prediction device and fault prediction system including the machine learning device
JP6496274B2 (ja) 寿命故障条件を学習する機械学習装置，故障予知装置，機械システムおよび機械学習方法
JPWO2019106875A1 (ja) 異常判定システム、モータ制御装置、及び異常判定装置
Ferrari et al. Distributed fault diagnosis with overlapping decompositions: An adaptive approximation approach
US10481566B2 (en) Machine learning device, servo control device, servo control system and machine learning method
WO2003001431A9 (en) Sensor fusion using self evaluating process sensors
CN108736881B (zh) 电路结构最优化装置以及机器学习装置
CN108427986A (zh) 一种生产线电机故障预测方法及装置
CN108693834A (zh) 调整装置以及调整方法
US20150088461A1 (en) Fault detecting system and fault detecting method
JPWO2021131210A1 (ja) 情報処理装置、方法及びプログラム
CN111221311B (zh) 基于参数变分法的复杂网络分布式脉冲同步方法及系统
WO2022264599A1 (ja) 基板処理装置、データ処理方法及びデータ処理プログラム
Yu et al. Feature signature prediction of a boring process using neural network modeling with confidence bounds
JP6239901B2 (ja) 制御装置および制御方法
WO2021210353A1 (ja) 故障予兆システム
CN112677147A (zh) 事件估计系统和事件估计方法
CN112824987A (zh) 追加学习装置、方法以及存储介质
WO2019207767A1 (ja) 制御装置および制御方法
CN110456700A (zh) 一种分布式网络数据传输驱动控制策略
CN115123865A (zh) 一种基于模糊控制的表面处理机张力控制方法及系统
Pantke et al. An artificial intelligence approach towards sensorial materials
Lunze et al. Control reconfiguration demonstrated at a two-degrees-of-freedom helicopter model
JP5319499B2 (ja) 多重化制御装置

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: 22824595

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 18567534

Country of ref document: US

Ref document number: 2023529585

Country of ref document: JP

WWE Wipo information: entry into national phase

Ref document number: 202280041250.2

Country of ref document: CN

ENP Entry into the national phase

Ref document number: 20247000887

Country of ref document: KR

Kind code of ref document: A

WWE Wipo information: entry into national phase

Ref document number: 1020247000887

Country of ref document: KR

NENP Non-entry into the national phase

Ref country code: DE