WO2023112830A1 - 情報処理装置、推論装置、機械学習装置、情報処理方法、推論方法、及び、機械学習方法 - Google Patents

情報処理装置、推論装置、機械学習装置、情報処理方法、推論方法、及び、機械学習方法 Download PDF

Info

Publication number
WO2023112830A1
WO2023112830A1 PCT/JP2022/045330 JP2022045330W WO2023112830A1 WO 2023112830 A1 WO2023112830 A1 WO 2023112830A1 JP 2022045330 W JP2022045330 W JP 2022045330W WO 2023112830 A1 WO2023112830 A1 WO 2023112830A1
Authority
WO
WIPO (PCT)
Prior art keywords
polishing
substrate
information
state
top ring
Prior art date
Application number
PCT/JP2022/045330
Other languages
English (en)
French (fr)
Inventor
健一 武渕
賢一郎 斎藤
Original Assignee
株式会社荏原製作所
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
Priority claimed from JP2022194727A external-priority patent/JP2023090667A/ja
Application filed by 株式会社荏原製作所 filed Critical 株式会社荏原製作所
Publication of WO2023112830A1 publication Critical patent/WO2023112830A1/ja

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B24—GRINDING; POLISHING
    • B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
    • B24B37/00—Lapping machines or devices; Accessories
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B24—GRINDING; POLISHING
    • B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
    • B24B37/00—Lapping machines or devices; Accessories
    • B24B37/005—Control means for lapping machines or devices
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B24—GRINDING; POLISHING
    • B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
    • B24B37/00—Lapping machines or devices; Accessories
    • B24B37/005—Control means for lapping machines or devices
    • B24B37/015—Temperature control
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B24—GRINDING; POLISHING
    • B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
    • B24B37/00—Lapping machines or devices; Accessories
    • B24B37/27—Work carriers
    • B24B37/30—Work carriers for single side lapping of plane surfaces
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B24—GRINDING; POLISHING
    • B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
    • B24B37/00—Lapping machines or devices; Accessories
    • B24B37/27—Work carriers
    • B24B37/30—Work carriers for single side lapping of plane surfaces
    • B24B37/32—Retaining rings
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B24—GRINDING; POLISHING
    • B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
    • B24B49/00—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation
    • B24B49/10—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation involving electrical means
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B24—GRINDING; POLISHING
    • B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
    • B24B49/00—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation
    • B24B49/14—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation taking regard of the temperature during grinding
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B24—GRINDING; POLISHING
    • B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
    • B24B49/00—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation
    • B24B49/16—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation taking regard of the load
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B24—GRINDING; POLISHING
    • B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
    • B24B55/00—Safety devices for grinding or polishing machines; Accessories fitted to grinding or polishing machines for keeping tools or parts of the machine in good working condition
    • B24B55/02—Equipment for cooling the grinding surfaces, e.g. devices for feeding coolant
    • B24B55/03—Equipment for cooling the grinding surfaces, e.g. devices for feeding coolant designed as a complete equipment for feeding or clarifying coolant
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/02—Manufacture or treatment of semiconductor devices or of parts thereof
    • H01L21/04—Manufacture or treatment of semiconductor devices or of parts thereof the devices having potential barriers, e.g. a PN junction, depletion layer or carrier concentration layer
    • H01L21/18—Manufacture or treatment of semiconductor devices or of parts thereof the devices having potential barriers, e.g. a PN junction, depletion layer or carrier concentration layer the devices having semiconductor bodies comprising elements of Group IV of the Periodic Table or AIIIBV compounds with or without impurities, e.g. doping materials
    • H01L21/30—Treatment of semiconductor bodies using processes or apparatus not provided for in groups H01L21/20 - H01L21/26
    • H01L21/302—Treatment of semiconductor bodies using processes or apparatus not provided for in groups H01L21/20 - H01L21/26 to change their surface-physical characteristics or shape, e.g. etching, polishing, cutting
    • H01L21/304—Mechanical treatment, e.g. grinding, polishing, cutting

Definitions

  • the present invention relates to an information processing device, an inference device, a machine learning device, an information processing method, an inference method, and a machine learning method.
  • a substrate processing apparatus that performs chemical mechanical polishing (CMP) processing is known as one of substrate processing apparatuses that perform various types of processing on substrates such as semiconductor wafers.
  • CMP chemical mechanical polishing
  • a polishing liquid slurry
  • a polishing head called a top ring moves the substrate onto the polishing pad.
  • the pressing causes the substrate to be chemically and mechanically polished.
  • stress is applied to the substrate according to the action of stress and frictional force.
  • Such as the stress applied to the substrate by chemical mechanical polishing it is possible to appropriately monitor the state of the substrate during or after the treatment, If the state of the substrate can be predicted, it is effective in managing the production quality and yield of the substrate. However, it is not realistic to directly attach some kind of sensor to each substrate in order to detect the state of the substrate. Further, when the chemical mechanical polishing process is performed by the substrate processing apparatus, the state of the substrate fluctuates according to the operating states of each of the top ring, the polishing table, and the polishing fluid supply nozzle provided in the substrate processing apparatus. The states are complex and interacting with the substrate. Therefore, it is difficult to accurately analyze how each operating state affects the substrate state.
  • the present invention provides an information processing apparatus, an inference apparatus, a machine learning apparatus, an information processing method, and an inference capable of appropriately predicting the state of a substrate during or after chemical mechanical polishing processing. It aims to provide a method and a machine learning method.
  • an information processing device includes: Chemical mechanical polishing of a substrate performed by a substrate processing apparatus comprising a polishing table that rotatably supports a polishing pad, a top ring that presses a substrate against the polishing pad, and a polishing fluid supply nozzle that supplies a polishing fluid to the polishing pad.
  • polishing processing conditions including top ring state information indicating the state of the top ring, polishing table state information indicating the state of the polishing table, and polishing fluid supply nozzle state information indicating the state of the polishing fluid supply nozzle, an information acquisition unit to acquire;
  • the correlation between the polishing conditions and substrate state information indicating the state of the substrate subjected to the chemical mechanical polishing process under the polishing conditions is acquired by the information acquisition unit into a learning model learned by machine learning.
  • a state predicting unit that predicts the substrate state information for the substrate that has been subjected to the chemical mechanical polishing processing under the polishing processing conditions by inputting the polishing processing conditions that have been set.
  • polishing processing conditions including toppling state information, polishing table state information, and polishing fluid supply nozzle state information in chemical mechanical polishing processing are input to the learning model.
  • the substrate state information for the polishing processing conditions is predicted, so that the state of the substrate during or after chemical mechanical polishing processing can be predicted appropriately.
  • FIG. 1 is an overall configuration diagram showing an example of a substrate processing system 1;
  • FIG. 1 is a plan view showing an example of a substrate processing apparatus 2;
  • FIG. 4 is a perspective view showing an example of first to fourth polishing portions 22A to 22D;
  • FIG. 4 is a cross-sectional view schematically showing an example of a top ring 221;
  • 2 is a block diagram showing an example of a substrate processing apparatus 2;
  • FIG. 3 is a hardware configuration diagram showing an example of a computer 900;
  • FIG. 3 is a data configuration diagram showing an example of production history information 30 managed by a database device 3;
  • FIG. 3 is a data configuration diagram showing an example of polishing test information 31 managed by the database device 3.
  • FIG. 1 is a block diagram showing an example of a machine learning device 4 according to a first embodiment; FIG. It is a figure which shows an example of 10 A of 1st learning models, and 11 A of data for 1st learning.
  • 4 is a flowchart showing an example of a machine learning method by the machine learning device 4;
  • 1 is a block diagram showing an example of an information processing device 5 according to a first embodiment;
  • FIG. 1 is a function explanatory diagram showing an example of an information processing device 5 according to a first embodiment;
  • FIG. 5 is a flowchart showing an example of an information processing method by the information processing device 5; It is a block diagram which shows an example of the machine-learning apparatus 4a based on 2nd Embodiment.
  • FIG. 5 is a block diagram showing an example of an information processing device 5a functioning as an information processing device 5a according to a second embodiment
  • FIG. 5 is a functional explanatory diagram showing an example of an information processing device 5a according to a second embodiment
  • FIG. 11 is a block diagram showing an example of a machine learning device 4b according to a third embodiment
  • FIG. 11 It is a figure which shows an example of 10 C of 3rd learning models for polishing quality analysis, and 11 C of data for 3rd learning.
  • FIG. 11 is a block diagram showing an example of an information processing device 5b functioning as an information processing device 5b according to a third embodiment
  • FIG. 11 is a functional explanatory diagram showing an example of an information processing device 5b according to a third embodiment
  • FIG. 1 is an overall configuration diagram showing an example of a substrate processing system 1.
  • the substrate processing system 1 performs a chemical mechanical polishing process (hereinafter referred to as "polishing process”) for flatly polishing the surface of a substrate (hereinafter referred to as "wafer”) W such as a semiconductor wafer, and It functions as a system that manages a series of substrate processing including cleaning processing for cleaning the wafer W and the like.
  • polishing process chemical mechanical polishing process
  • wafer such as a semiconductor wafer
  • the substrate processing system 1 includes a substrate processing device 2, a database device 3, a machine learning device 4, an information processing device 5, and a user terminal device 6 as its main components.
  • Each of the devices 2 to 6 is configured by, for example, a general-purpose or dedicated computer (see FIG. 6 described later), and is connected to a wired or wireless network 7 to store various data (partial data in FIG. 1). (shown by dashed arrows) can be mutually transmitted and received.
  • the number of devices 2 to 6 and the connection configuration of the network 7 are not limited to the example shown in FIG. 1, and may be changed as appropriate.
  • the substrate processing apparatus 2 is composed of a plurality of units, and performs a series of substrate processing on one or a plurality of wafers W, such as loading, polishing, cleaning, drying, film thickness measurement, and unloading. It is a device that performs each. At this time, the substrate processing apparatus 2 prepares apparatus setting information 265 consisting of a plurality of apparatus parameters respectively set for each unit, and substrate recipe information 266 that defines polishing processing conditions for polishing processing, cleaning processing conditions for cleaning processing, and the like. Control the operation of each unit while referring to it.
  • the substrate processing apparatus 2 transmits various reports R to the database device 3, the user terminal device 6, etc. according to the operation of each unit.
  • the various reports R include, for example, process information specifying the target wafer W when substrate processing was performed, apparatus status information indicating the status of each unit when each process was performed, substrate processing apparatus 2 event information detected in , operation information of a user (operator, production manager, maintenance manager, etc.) for the substrate processing apparatus 2, and the like.
  • the database device 3 stores production history information 30 relating to the history of substrate processing performed on wafers W for main production, and a polishing processing test (hereinafter referred to as "polishing test") on dummy wafers for testing. It is a device for managing polishing test information 31 related to the history when the polishing was performed.
  • the database device 3 may store device setting information 265 and substrate recipe information 266. In that case, the substrate processing device 2 may refer to these information. good.
  • the database device 3 receives various reports R from the substrate processing apparatus 2 at any time when the substrate processing apparatus 2 performs substrate processing on the wafer W for main production, and registers them in the production history information 30. , the production history information 30 accumulates a report R relating to substrate processing.
  • the database apparatus 3 receives various reports R (including at least apparatus status information) from the substrate processing apparatus 2 whenever the substrate processing apparatus 2 performs a polishing test on a dummy wafer for testing, and provides polishing test information. 31, and by registering the test results of the polishing test in association with each other, the polishing test information 31 accumulates the report R and the test results regarding the polishing test.
  • the dummy wafer is a jig imitating the wafer W.
  • a dummy wafer sensor such as a pressure sensor or a temperature sensor is provided on or inside the dummy wafer to measure the state of the wafer W when the polishing process is performed, and the measured value of the dummy wafer sensor is used as the test result.
  • the polishing test information 31 It is registered in the polishing test information 31 .
  • the dummy wafer sensors may be provided at one or a plurality of locations on the substrate surface of the dummy wafer, or may be provided planarly.
  • the polishing test may be performed by the substrate processing apparatus 2 for production, or may be performed by a test polishing test apparatus (not shown) capable of reproducing the same polishing process as that of the substrate processing apparatus 2. good.
  • the machine learning device 4 operates mainly in the learning phase of machine learning, for example, acquires part of the polishing test information 31 from the database device 3 as first learning data 11A, and uses it in the information processing device 5.
  • a first learning model 10A is generated by machine learning.
  • the trained first learning model 10A is provided to the information processing device 5 via the network 7, a recording medium, or the like.
  • the information processing device 5 operates as the subject of the inference phase of machine learning, and uses the first learning model 10A generated by the machine learning device 4 to perform polishing processing by the substrate processing device 2 on the wafer W for production. Then, the state of the wafer W is predicted, and substrate state information, which is the result of the prediction, is transmitted to the database device 3, the user terminal device 6, and the like.
  • the timing at which the information processing apparatus 5 predicts the substrate state information may be after the polishing process is performed (post-prediction process), during the polishing process (real-time prediction process), or during the polishing process. It may be before the processing is performed (prediction processing).
  • the user terminal device 6 is a terminal device used by the user, and may be a stationary device or a portable device.
  • the user terminal device 6, for example, receives various input operations via the display screen of an application program, a web browser, etc., and various information via the display screen (for example, event notification, substrate state information, production history information 30, polishing test information 31, etc.).
  • FIG. 2 is a plan view showing an example of the substrate processing apparatus 2.
  • the substrate processing apparatus 2 includes a load/unload unit 21, a polishing unit 22, a substrate transfer unit 23, a cleaning unit 24, a film thickness measurement unit 25, and a housing 20, which is substantially rectangular in plan view. and a control unit 26 .
  • a first partition wall 200A separates the load/unload unit 21 from the polishing unit 22, the substrate transfer unit 23, and the cleaning unit 24, and the substrate transfer unit 23 and the cleaning unit 24 are separated by a second partition wall 200A. It is partitioned by a partition wall 200B.
  • the loading/unloading unit 21 includes first to fourth front loading sections 210A to 210D on which wafer cassettes (FOUPs, etc.) capable of vertically accommodating a large number of wafers W are placed, and A transfer robot 211 capable of moving up and down along the storage direction (vertical direction) of the wafer W, and a transfer robot 211 along the direction in which the first to fourth front load sections 210A to 210D are arranged (transverse direction of the housing 20). and a horizontal movement mechanism 212 for moving the .
  • wafer cassettes FOUPs, etc.
  • the transfer robot 211 carries wafer cassettes placed on each of the first to fourth front load sections 210A to 210D, the substrate transfer unit 23 (specifically, a lifter 232 to be described later), and the cleaning unit 24 (specifically, a A drying chamber 241 described later) and a film thickness measurement unit 25 are configured to be accessible, and two upper and lower hands (not shown) for transferring the wafer W therebetween are provided.
  • the lower hand is used when transferring wafers W before processing
  • the upper hand is used when transferring wafers W after processing.
  • a shutter not shown
  • the polishing unit 22 includes first to fourth polishing sections 22A to 22D for polishing (flattening) the wafer W, respectively.
  • the first to fourth polishing parts 22A to 22D are arranged side by side along the longitudinal direction of the housing 20. As shown in FIG.
  • FIG. 3 is a perspective view showing an example of the first to fourth polishing units 22A to 22D.
  • the basic configurations and functions of the first to fourth polishing units 22A to 22D are common.
  • Each of the first to fourth polishing units 22A to 22D holds a polishing table 220 to which a polishing pad 2200 having a polishing surface is attached, and a wafer W, and holds the wafer W on the polishing pad 2200 on the polishing table 220.
  • the polishing table 220 is supported by a polishing table shaft 220a and includes a rotational movement mechanism 220b that rotates the polishing table 220 about its axis, and a temperature control mechanism 220c that adjusts the surface temperature of the polishing pad 2200. .
  • the top ring 221 is supported by a top ring shaft 221a that can move vertically.
  • a rotation movement mechanism 221c rotates the top ring 221 about its axis, and a vertical movement mechanism moves the top ring 221 vertically. It includes a mechanism portion 221d and a rocking movement mechanism portion 221e for rotating (swinging) the top ring 221 around the support shaft 221b.
  • the polishing fluid supply nozzle 222 is supported by a support shaft 222a.
  • a rocking movement mechanism 222b rotates and moves the polishing fluid supply nozzle 222 around the support shaft 222a, and a flow control unit adjusts the flow rate of the polishing fluid.
  • 222c and a temperature control mechanism 222d for adjusting the temperature of the polishing fluid.
  • the polishing fluid is a polishing liquid (slurry) or pure water, and may further contain a chemical liquid, or may be a polishing liquid to which a dispersant is added.
  • the dresser 223 is supported by a vertically movable dresser shaft 223a.
  • the dresser 223 is supported by a rotational movement mechanism 223c that drives the dresser 223 to rotate about its axis, and a vertical movement mechanism 223d that vertically moves the dresser 223. , and a swing movement mechanism portion 223e for swinging and moving the dresser 223 around the support shaft 223b.
  • the atomizer 224 is supported by a support shaft 224a and includes a swing movement mechanism section 224b that swings and moves the atomizer 224 around the support shaft 224a, and a flow rate adjustment section 224c that adjusts the flow rate of the cleaning fluid.
  • the cleaning fluid is a mixed fluid of liquid (eg, pure water) and gas (eg, nitrogen gas) or liquid (eg, pure water).
  • the environment sensor 225 is composed of sensors arranged in the internal space of the housing 20. For example, a temperature sensor 225a that measures the temperature of the internal space, a humidity sensor 225b that measures the humidity of the internal space, and a pressure sensor that measures the atmospheric pressure of the internal space. and an air pressure sensor 225c.
  • a camera image sensor capable of photographing the surface of the polishing pad 2200 or the like may be provided during the polishing process or before and after the polishing process.
  • the specific configurations of the rotational movement mechanisms 220b, 221c and 223c, the vertical movement mechanisms 221d and 223d, and the rocking movement mechanisms 221e, 222b, 223e and 224b are omitted.
  • modules for generating driving force such as motors and air cylinders, driving force transmission mechanisms such as linear guides, ball screws, gears, belts, couplings and bearings, linear sensors, encoder sensors, limit sensors, torque sensors, etc. It is configured by appropriately combining the sensors of FIG. 3 omits the specific configuration of the flow control units 222c and 224c. It is configured by combining as appropriate.
  • the specific configuration of the temperature control mechanisms 220c and 222d is omitted. It is configured by appropriately combining a sensor such as a current sensor.
  • FIG. 4 is a cross-sectional view schematically showing an example of the top ring 221.
  • the top ring 221 includes a top ring main body 2210 attached to a top ring shaft 221a, a substantially disk-shaped carrier 2211 housed in the top ring main body 2210, and a carrier 2211 disposed below the carrier 2211 to hold the wafer W on the polishing pad. 2200, a substantially annular retainer ring 2213 arranged around the carrier 2211 and the outer periphery of the membrane 2212 and directly pressing the polishing pad 2200, and arranged between the top ring main body 2210 and the retainer ring 2213. and a retainer ring airbag 2214 that presses the retainer ring 2213 against the polishing pad 2200 .
  • the membrane 2212 is formed of an elastic film, and has a plurality of concentric partition walls 2212e therein, so that first to first partition walls 2212 are concentrically arranged from the center of the top ring main body 2210 toward the outer circumference. It has four membrane pressure chambers 2212a-2212d. Further, the membrane 2212 has a plurality of holes 2212f for sucking the wafer W on its lower surface, and functions as a substrate holding surface for holding the wafer W. As shown in FIG.
  • the retainer ring airbag 2214 is made of an elastic membrane and has a retainer ring pressure chamber 2214a therein.
  • the configuration of the top ring 221 may be changed as appropriate, and may include pressure chambers for pressing the entire carrier 2211.
  • the number and shape of the membrane pressure chambers included in the membrane 2212 may be changed as appropriate.
  • the number and arrangement of the suction holes 2212f may be changed as appropriate.
  • the membrane 2212 may not have the adsorption holes 2212f.
  • First to fourth flow paths 2216A to 2216D are connected to the first to fourth membrane pressure chambers 2212a to 2212d, respectively, and a fifth flow path 2216E is connected to the retainer ring pressure chamber 2214a.
  • the first to fifth flow paths 2216A to 2216E communicate with the outside through a rotary joint 2215 provided on the top ring shaft 221a, and the first branch flow paths 2217A to 2217E and the second branch flow path 2218A. to 2218E, respectively.
  • Pressure sensors PA to PE are installed in the first to fifth channels 2216A to 2216E, respectively.
  • the first branch flow paths 2217A-2217E are connected to a gas source GS of pressurized fluid (air, nitrogen, etc.) via valves V1A-V1E, flow sensors FA-FE and pressure regulators RA-RE.
  • the second branch flow paths 2218A-2218E are connected to the vacuum source VS via valves V2A-V2E, respectively, and configured to communicate with the atmosphere via valves V3A-V3E.
  • the wafer W is held by suction on the lower surface of the top ring 221 and moved to a predetermined polishing position on the polishing table 220 , the wafer W is applied to the polishing surface of the polishing pad 2200 to which the polishing fluid is supplied from the polishing fluid supply nozzle 222 . It is polished by being pressed by the top ring 221 .
  • the top ring 221 controls the pressure regulators RA to RE independently to generate a pressing force that presses the wafer W against the polishing pad 2200 by pressure fluid supplied to the first to fourth membrane pressure chambers 2212a to 2212d.
  • the pressure of the pressurized fluid supplied to the first to fourth membrane pressure chambers 2212a to 2212d and the retainer ring pressure chamber 2214a are respectively measured by the pressure sensors PA to PE, and the flow rate of the pressurized gas is measured by the flow sensors FA to FE. respectively measured by
  • the substrate transfer unit 23 is, as shown in FIG. 2, first and second linear transporters horizontally movable along the direction in which the first to fourth polishing units 22A to 22D are arranged (the longitudinal direction of the housing 20). 230A, 230B, a swing transporter 231 arranged between the first and second linear transporters 230A, 230B, a lifter 232 arranged on the loading/unloading unit 21 side, and a washing unit 24 side. and a temporary placing table 233 for the wafer W which has been processed.
  • the first linear transporter 230A is arranged adjacent to the first and second polishing units 22A and 22B and has four transport positions (first to fourth transport positions in order from the load/unload unit 21 side). TP1 to TP4) for transporting the wafer W.
  • the second transfer position TP2 is the position at which the wafer W is transferred to the first polishing section 22A
  • the third transfer position TP3 is the position at which the wafer W is transferred to the second polishing section 22B. be.
  • the second linear transporter 230B is arranged adjacent to the third and fourth polishing units 22C and 22D and has three transport positions (fifth to seventh transport positions in order from the load/unload unit 21 side). TP5 to TP7) for transporting the wafer W.
  • the sixth transfer position TP6 is a position for transferring the wafer W to the third polishing section 22C
  • the seventh transfer position TP7 is a position for transferring the wafer W to the fourth polishing section 22D.
  • the swing transporter 231 is arranged adjacent to the fourth and fifth transport positions TP4 and TP5 and has a hand that can move between the fourth and fifth transport positions TP4 and TP5.
  • the swing transporter 231 is a mechanism that transfers the wafer W between the first and second linear transporters 230A and 230B and temporarily places the wafer W on the temporary placement table 233 .
  • the lifter 232 is a mechanism arranged adjacent to the first transfer position TP1 to transfer the wafer W to and from the transfer robot 211 of the load/unload unit 21 .
  • a shutter (not shown) provided on the first partition 200A is opened and closed.
  • the cleaning unit 24 includes first and second cleaning chambers 240A and 240B for cleaning the wafers W using cleaning tools, a drying chamber 241 for drying the wafers W, and a first cleaning chamber 241 for transferring the wafers W. 1 and 2nd transfer chambers 242A and 242B.
  • the respective chambers of the washing unit 24 are partitioned along the first and second linear transporters 230A, 230B, for example, the first washing chamber 240A, the first transfer chamber 242A, the second The cleaning chamber 240B, the second transfer chamber 242B, and the drying chamber 241 are arranged in this order (in order of distance from the load/unload unit 21).
  • the number and arrangement of the cleaning chambers 240A and 240B, the drying chamber 241, and the transfer chambers 242A and 242B are not limited to the example in FIG. 2, and may be changed as appropriate.
  • the film thickness measurement unit 25 is a measuring device for measuring the film thickness of the wafer W before or after polishing, and is composed of, for example, an optical film thickness measuring device, an eddy current film thickness measuring device, or the like. Transfer of the wafer W to each film thickness measurement module is performed by the transfer robot 211 .
  • FIG. 5 is a block diagram showing an example of the substrate processing apparatus 2. As shown in FIG. The control unit 26 is electrically connected to each of the units 21 to 25 and functions as a control section that controls the units 21 to 25 in an integrated manner.
  • the control system (module, sensor, sequencer) of the polishing unit 22 will be described below as an example, but since the other units 21, 23 to 25 have the same basic configuration and functions, their description will be omitted.
  • the polishing unit 22 has a plurality of modules to be controlled, which are arranged in respective subunits of the polishing unit 22 (for example, the polishing table 220, the top ring 221, the polishing fluid supply nozzle 222, the dresser 223, the atomizer 224, etc.). 2271 to 227r, a plurality of sensors 2281 to 228s arranged in the plurality of modules 2271 to 227r, respectively, for detecting data (detection values) necessary for controlling each module 2271 to 227r, and detection of each sensor 2281 to 228s and a sequencer 229 that controls the operation of each module 2271-227r based on the value.
  • the sensors 2281 to 228s of the polishing unit 22 include, for example, a sensor for detecting the number of rotations of the polishing table 220, a sensor for detecting the rotational torque of the polishing table 220, a sensor for detecting the surface temperature of the polishing pad 2200, and a sensor for detecting the surface temperature of the top ring 221.
  • a sensor that detects the rotation speed a sensor that detects the rotational torque of the top ring 221, a sensor that detects the swing position of the top ring 221, a sensor that detects the swing torque of the top ring 221, and a height of the top ring 221.
  • a sensor that detects the lifting torque of the top ring 221 a sensor that detects the pressure (positive pressure and negative pressure) in the first to fourth membrane pressure chambers 2212a to 2212d and the retainer ring pressure chamber 2214a; A sensor for detecting the flow rate of the pressure fluid supplied to the fourth membrane pressure chambers 2212a to 2212d and the retainer ring pressure chamber 2214a, a sensor for detecting the flow rate of the polishing fluid supplied from the polishing fluid supply nozzle 222, and the temperature of the polishing fluid. , a sensor for detecting the swinging position of the polishing fluid supply nozzle 222 that can be converted to the dropping position of the polishing fluid supply nozzle 222, an environment sensor 225, and the like.
  • the control unit 26 includes a control section 260 , a communication section 261 , an input section 262 , an output section 263 and a storage section 264 .
  • the control unit 26 is composed of, for example, a general-purpose or dedicated computer (see FIG. 6, which will be described later).
  • the communication unit 261 is connected to the network 7 and functions as a communication interface for transmitting and receiving various data.
  • the input unit 262 receives various input operations, and the output unit 263 functions as a user interface by outputting various information via the display screen, signal tower lighting, and buzzer sound.
  • the storage unit 264 stores various programs (operating system (OS), application programs, web browsers, etc.) and data (apparatus setting information 265, substrate recipe information 266, etc.) used in the operation of the substrate processing apparatus 2 .
  • the equipment setting information 265 and substrate recipe information 266 are data that can be edited by the user via the display screen.
  • the control unit 260 controls a plurality of sensors 2181 to 218q, 2281 to 228s, 2381 to 238u, 2481 to 248w, 2581 through a plurality of sequencers 219, 229, 239, 249, and 259 (hereinafter referred to as "sequencer group”).
  • 258y hereinafter referred to as “sensor group”
  • module group a plurality of modules 2171-217p, 2271-227r, 2371-237t, 2471-247v, and 2571-257x.
  • a series of substrate processing such as loading, polishing, cleaning, drying, film thickness measurement, and unloading are performed by operating in conjunction with each other.
  • FIG. 6 is a hardware configuration diagram showing an example of the computer 900. As shown in FIG.
  • Each of the control unit 26 of the substrate processing apparatus 2, the database device 3, the machine learning device 4, the information processing device 5, and the user terminal device 6 is configured by a general-purpose or dedicated computer 900.
  • the computer 900 includes, as its main components, a bus 910, a processor 912, a memory 914, an input device 916, an output device 917, a display device 918, a storage device 920, a communication I/F (interface). It has a section 922 , an external equipment I/F section 924 , an I/O (input/output) device I/F section 926 and a media input/output section 928 . Note that the above components may be omitted as appropriate depending on the application for which the computer 900 is used.
  • the processor 912 is composed of one or more arithmetic processing units (CPU (Central Processing Unit), MPU (Micro-processing unit), DSP (digital signal processor), GPU (Graphics Processing Unit), etc.), and the entire computer 900 It operates as a control unit that supervises the
  • the memory 914 stores various data and programs 930, and is composed of, for example, a volatile memory (DRAM, SRAM, etc.) functioning as a main memory, a non-volatile memory (ROM), a flash memory, and the like.
  • the input device 916 is composed of, for example, a keyboard, mouse, numeric keypad, electronic pen, etc., and functions as an input unit.
  • the output device 917 is configured by, for example, a sound (voice) output device, a vibration device, or the like, and functions as an output unit.
  • a display device 918 is configured by, for example, a liquid crystal display, an organic EL display, electronic paper, a projector, or the like, and functions as an output unit.
  • the input device 916 and the display device 918 may be configured integrally like a touch panel display.
  • the storage device 920 is composed of, for example, an HDD, SSD (Solid State Drive), etc., and functions as a storage unit.
  • the storage device 920 stores various data necessary for executing the operating system and programs 930 .
  • the communication I/F unit 922 is connected to a network 940 (which may be the same as the network 7 in FIG. 1) such as the Internet or an intranet by wire or wirelessly, and exchanges data with other computers according to a predetermined communication standard. functions as a communication unit that transmits and receives.
  • the external device I/F unit 924 is connected to the external device 950 such as a camera, printer, scanner, reader/writer, etc. by wire or wirelessly, and serves as a communication unit that transmits and receives data to and from the external device 950 according to a predetermined communication standard. Function.
  • the I/O device I/F unit 926 is connected to I/O devices 960 such as various sensors and actuators, and exchanges with the I/O devices 960, for example, detection signals from sensors and control signals to actuators. functions as a communication unit that transmits and receives various signals and data.
  • the media input/output unit 928 is composed of, for example, a drive device such as a DVD drive and a CD drive, and reads and writes data from/to media (non-temporary storage media) 970 such as DVDs and CDs.
  • the processor 912 calls the program 930 stored in the storage device 920 to the memory 914 and executes it, and controls each part of the computer 900 via the bus 910 .
  • the program 930 may be stored in the memory 914 instead of the storage device 920 .
  • the program 930 may be recorded on the media 970 in an installable file format or executable file format and provided to the computer 900 via the media input/output unit 928 .
  • Program 930 may be provided to computer 900 by downloading via network 940 via communication I/F section 922 .
  • the computer 900 may implement various functions realized by the processor 912 executing the program 930 by hardware such as FPGA and ASIC, for example.
  • the computer 900 is, for example, a stationary computer or a portable computer, and is an arbitrary form of electronic equipment.
  • the computer 900 may be a client-type computer, a server-type computer, or a cloud-type computer.
  • the computer 900 may be applied to devices other than the devices 2-6.
  • FIG. 7 is a data configuration diagram showing an example of production history information 30 managed by the database device 3.
  • the production history information 30 includes, for example, a wafer history table 300 for each wafer W as a table in which the reports R obtained when the substrate processing is performed on the wafer W for main production are classified and registered; and a polishing history table 301 relating to apparatus state information in the polishing process.
  • the production history information 30 includes a cleaning history table regarding device status information in cleaning processing, an event history table regarding event information, an operation history table regarding operation information, and the like, but detailed description thereof will be omitted.
  • Each record of the wafer history table 300 registers, for example, a wafer ID, cassette number, slot number, start time and end time of each process, used unit ID, and the like.
  • the polishing process and the cleaning process are illustrated in FIG. 7, the other processes are similarly registered.
  • Each record of the polishing history table 301 registers, for example, a wafer ID, toppling state information, polishing table state information, polishing fluid supply nozzle state information, environment information in the apparatus, and the like.
  • the top ring state information is information indicating the state of the top ring 221 in the polishing process.
  • the toppling state information is, for example, detection values of each sensor (or command values to each module) sampled at predetermined time intervals by a group of sensors (or a group of modules) of the toppling 221 .
  • the polishing table state information is information indicating the state of the polishing table 220 in the polishing process.
  • the polishing table state information is, for example, detection values of each sensor (or command values to each module) sampled at predetermined time intervals by a group of sensors (or a group of modules) of the polishing table 220 .
  • the polishing fluid supply nozzle state information is information indicating the state of the polishing fluid supply nozzle 222 in the polishing process.
  • the polishing fluid supply nozzle state information is, for example, detection values of each sensor (or command values to each module) sampled at predetermined time intervals by the sensor group (or module group) of the polishing fluid supply nozzle 222 .
  • the apparatus internal environment information is information indicating the state of the internal space of the substrate processing apparatus 2 formed by the housing 20 .
  • the internal space of the substrate processing apparatus 2 is a space in which the polishing unit 22 is arranged, and the internal environment information is, for example, detection values of each sensor sampled by the environment sensor 225 at predetermined time intervals.
  • time-series data of each sensor (or time series data of each module) can be obtained as the state of the substrate processing apparatus 2 when the wafer W specified by the wafer ID is polished. series data) can be extracted.
  • FIG. 8 is a data configuration diagram showing an example of the polishing test information 31 managed by the database device 3.
  • the polishing test information 31 includes a polishing test table 310 in which reports R and test results obtained when polishing tests are performed using dummy wafers are classified and registered.
  • Each record of the polishing test table 310 registers, for example, a test ID, top ring state information, polishing table state information, polishing fluid supply nozzle state information, apparatus internal environment information, test result information, and the like.
  • the top ring state information, the polishing table state information, the polishing fluid supply nozzle state information, and the apparatus internal environment information of the polishing test table 310 are information indicating the state of each part in the polishing test. Since it is the same as 301, detailed description is omitted.
  • the test result information is information indicating the state of the dummy wafer when the polishing process was performed in the polishing test.
  • the test result information is detection values of the dummy wafer sensor sampled at predetermined time intervals by the dummy wafer sensor of the dummy wafer.
  • the test result information shown in FIG. 8 is for the case of having three temperature sensors and three pressure sensors as dummy wafer sensors, and each time t1 included in the polishing processing period from the start to the end of the polishing processing. , t2, . . . , tm, .
  • the test result information may be the detection value of the dummy wafer sensor as described above, or the dummy wafer is photographed at predetermined time intervals by a camera mounted on an optical microscope or a scanning electron microscope (SEM). It may also be based on the result of image processing performed on each image obtained by performing image processing, or the result of experimental analysis performed by an experimenter. Further, the test result information may be collected in one polishing test in which the polishing process is continuously performed from the start to the end thereof, or may be collected at a predetermined time after the start of the polishing process. By repeating the polishing test until the predetermined time is gradually lengthened, the data may be collected by a plurality of polishing tests.
  • the time-series data of each sensor (or each module) indicating the state of the polishing unit 22 when the dummy wafer was polished. time-series data) and the time-series data of the dummy wafer sensor indicating the state of the dummy wafer at that time can be extracted.
  • FIG. 9 is a block diagram showing an example of the machine learning device 4 according to the first embodiment.
  • the machine learning device 4 includes a control unit 40 , a communication unit 41 , a learning data storage unit 42 and a trained model storage unit 43 .
  • the control unit 40 functions as a learning data acquisition unit 400 and a machine learning unit 401.
  • the communication unit 41 is connected to external devices (for example, the substrate processing device 2, the database device 3, the information processing device 5, the user terminal device 6, the polishing test device (not shown), etc.) via the network 7, and communicates with various devices. function as a communication interface for sending and receiving data.
  • the learning data acquisition unit 400 is connected to an external device via the communication unit 41 and the network 7, and receives first learning data composed of polishing processing conditions as input data and substrate state information as output data. 11A.
  • the first learning data 11A is data used as teacher data (training data), verification data, and test data in supervised learning.
  • the substrate state information is data used as a correct label in supervised learning.
  • the learning data storage unit 42 is a database that stores a plurality of sets of the first learning data 11A acquired by the learning data acquisition unit 400. Note that the specific configuration of the database that constitutes the learning data storage unit 42 may be appropriately designed.
  • the machine learning unit 401 performs machine learning using multiple sets of first learning data 11A stored in the learning data storage unit 42 . That is, the machine learning unit 401 inputs a plurality of sets of the first learning data 11A to the first learning model 10A, and determines the correlation between the polishing processing conditions and the substrate state information included in the first learning data 11A. By making the first learning model 10A learn, the learned first learning model 10A is generated.
  • the trained model storage unit 43 is a database that stores the trained first learning model 10A (specifically, the adjusted weight parameter group) generated by the machine learning unit 401.
  • the learned first learning model 10A stored in the learned model storage unit 43 is provided to the actual system (for example, the information processing device 5) via the network 7, a recording medium, or the like.
  • the learning data storage unit 42 and the trained model storage unit 43 are shown as separate storage units in FIG. 9, they may be configured as a single storage unit.
  • the number of first learning models 10A stored in the learned model storage unit 43 is not limited to one.
  • Mechanism and material difference of ring 221, type of membrane 2212, type of retainer ring 2213, type of polishing pad 2200, type of polishing fluid, type of data included in polishing processing conditions, type of data included in substrate state information For example, a plurality of learning models with different conditions may be stored.
  • the learning data storage unit 42 may store a plurality of types of learning data having data configurations respectively corresponding to a plurality of learning models with different conditions.
  • FIG. 10 is a diagram showing an example of the first learning model 10A and the first learning data 11A.
  • the first learning data 11A used for machine learning of the first learning model 10A consists of polishing processing conditions and substrate state information.
  • the polishing processing conditions constituting the first learning data 11A are top ring state information indicating the state of the top ring 221 in the polishing processing of the wafer W performed by the substrate processing apparatus 2, and polishing table state indicating the state of the polishing table 220. and polishing fluid supply nozzle status information indicating the status of the polishing fluid supply nozzle 222 .
  • the top ring state information included in the polishing conditions includes the rotation speed of the top ring 221, the rotation torque of the top ring 221, the swing position of the top ring 221, the swing torque of the top ring 221, the height of the top ring 221, and the top ring 221.
  • the condition of the membrane 2212 is represented by, for example, the surface texture, stretch state, thickness, etc., and is set based on the usage status of the membrane 2212 (time of use, presence/absence of replacement), top ring state information, polishing table state information, and the like. .
  • the condition of the retainer ring 2213 is represented, for example, by the surface properties, flatness, thickness, cross-sectional shape, scraping and contamination of the inner peripheral portion, and the usage status of the retainer ring 2213 (time of use, presence or absence of replacement), and top ring status information. , is set based on the polishing table state information and the like.
  • the condition of membrane 2212 and retainer ring 2213 may change over time, for example during a polishing process.
  • the polishing table state information included in the polishing processing conditions includes at least one of the rotational speed of the polishing table 220, the rotational torque of the polishing table 220, the condition of the polishing pad 2200, and the surface temperature of the polishing pad 2200.
  • the condition of the polishing pad 2200 is represented by, for example, the surface properties, flatness, cleanliness, wetness, etc., and the usage status of the polishing pad 2200 (time of use, presence/absence of dressing, presence/absence of replacement, photographing of the surface of the polishing pad 2200). image), top ring state information, polishing table state information, and the like.
  • the condition of the polishing pad 2200 may change over time during the polishing process, for example.
  • the polishing fluid supply nozzle state information included in the polishing processing conditions includes at least one of the flow rate of the polishing fluid, the dropping position of the polishing fluid, and the temperature of the polishing fluid.
  • the polishing fluid is a plurality of types of polishing fluids (for example, polishing liquid, pure water, chemical solution, dispersant, etc.)
  • the flow rate for each type, the dropping position for each type, and the temperature for each type For example, when the polishing fluid is a polishing liquid and pure water, the flow rate of the polishing liquid, the dropping position of the polishing liquid, the temperature of the polishing liquid, the flow rate of pure water, the purity At least one of the drop position of water and the temperature of pure water may be included.
  • the polishing conditions may further include apparatus internal environment information indicating the environment of the space in which the polishing process is performed. , humidity, and/or air pressure.
  • the substrate state information forming the first learning data 11A is information indicating the state of the wafer W subjected to the polishing process under the polishing process conditions.
  • the substrate state information is stress information indicating at least one of mechanical stress and thermal stress applied to the wafer W.
  • the stress information is, for example, the instantaneous value of the stress at a target point in the polishing processing period from the start to the end of the polishing processing (time required for polishing processing per wafer), or the starting value of the polishing processing. It may indicate the accumulated value of the stress in the target period (an arbitrary period equal to or less than the polishing period) from 1 to the target time, or may indicate the surface distribution of the stress applied to the substrate surface of the wafer W.
  • the learning data acquisition unit 400 acquires the first learning data 11A by referring to the polishing test information 31 and accepting user input operations through the user terminal device 6 as necessary.
  • the learning data acquisition unit 400 refers to the polishing test table 310 of the polishing test information 31 to obtain top ring state information, polishing table state information, and polishing table state information when the polishing test specified by the test ID is performed.
  • Fluid supply nozzle state information (time-series data of each sensor possessed by the top ring 221, polishing table 220, and polishing fluid supply nozzle 222) is acquired as polishing processing conditions.
  • polishing processing conditions are obtained as time-series data of a group of sensors as shown in FIG. It may be changed as appropriate according to the configuration of the nozzle 222). Further, as the polishing processing condition, a command value to the module may be used, a parameter converted from the detected value of the sensor or the command value to the module may be used, or based on the detected values of a plurality of sensors. Calculated parameters may be used.
  • the polishing processing conditions may be acquired as time-series data for the entire polishing processing period, may be acquired as time-series data for a target period that is a part of the polishing processing period, or may be acquired as time-series data for a target period that is a part of the polishing processing period. It may be acquired as time point data.
  • the data configuration of the input data in the first learning model 10A and the first learning data 11A may be changed as appropriate.
  • the learning data acquisition unit 400 refers to the polishing test table 310 of the polishing test information 31 to obtain test result information (dummy wafer owned by the dummy wafer) when the polishing test specified by the same test ID is performed.
  • Time-series data of the sensor (FIG. 8)) is acquired as the substrate state information corresponding to the above polishing processing conditions. At that time, each piece of time-series data from the pressure sensor corresponds to an instantaneous value of mechanical stress, and each piece of time-series data from the temperature sensor corresponds to an instantaneous value of thermal stress.
  • the learning data acquisition unit 400 performs the measurement at a plurality of locations. Measured values and surface measured values are acquired as instantaneous values at the target time. Further, the learning data acquisition unit 400 accumulates the time-series data of the pressure data included in the target period to acquire the cumulative value of the mechanical stress up to the target period, and the temperature data included in the target period. By accumulating the time-series data, the cumulative value of thermal stress up to the target period is obtained.
  • the substrate state information is the instantaneous value and accumulated value of mechanical stress and the instantaneous value and accumulated value of thermal stress as shown in FIG. 10
  • the mechanical stress and thermal stress may be calculated by substituting the measured values of the dummy wafer sensor into a predetermined calculation formula.
  • the polishing processing conditions are acquired as time-series data for the entire polishing processing period or time-series data for a target period that is a part of the polishing processing period
  • the substrate state information is obtained for the entire polishing processing period. or the time-series data of the target period, or the point-in-time data at the end of the polishing process or the point-in-time data at the target time.
  • the substrate state information may be acquired as point-in-time data at the specific target point in time.
  • the data structure of the output data in the first learning model 10A and the first learning data 11A may be changed as appropriate.
  • the first learning model 10A employs, for example, a neural network structure, and includes an input layer 100, an intermediate layer 101, and an output layer 102.
  • a synapse (not shown) connecting each neuron is provided between each layer, and a weight is associated with each synapse.
  • a set of weight parameters consisting of the weight of each synapse is adjusted by machine learning.
  • the input layer 100 has a number of neurons corresponding to polishing processing conditions as input data, and each value of the polishing processing conditions is input to each neuron.
  • the output layer 102 has a number of neurons corresponding to substrate state information as output data, and outputs prediction results (inference results) of the substrate state information with respect to polishing processing conditions as output data.
  • the substrate state information is output as numerical values normalized to a predetermined range (eg, 0 to 1).
  • the board state information is a numerical value normalized to a predetermined range (for example, 0 to 1) as a score (probability) for each class. are output respectively.
  • FIG. 11 is a flow chart showing an example of a machine learning method by the machine learning device 4. As shown in FIG.
  • step S100 the learning data acquisition unit 400 acquires a desired number of first learning data 11A from the polishing test information 31 or the like as preparation for starting machine learning.
  • One learning data 11A is stored in the learning data storage unit 42 .
  • the number of first learning data 11A prepared here may be set in consideration of the inference accuracy required for the finally obtained first learning model 10A.
  • step S110 the machine learning unit 401 prepares the first learning model 10A before learning to start machine learning.
  • the first learning model 10A before learning prepared here is composed of the neural network model illustrated in FIG. 10, and the weight of each synapse is set to an initial value.
  • step S120 the machine learning unit 401, for example, randomly selects one set of first learning data 11A from the plurality of sets of first learning data 11A stored in the learning data storage unit 42. get.
  • step S130 the machine learning unit 401 converts the polishing processing conditions (input data) included in the set of first learning data 11A into the prepared first learning before (or during learning) learning. Input to the input layer 100 of the model 10A. As a result, board state information (output data) is output as an inference result from the output layer 102 of the first learning model 10A. It is generated. Therefore, in the state before learning (or during learning), the output data output as the inference result indicates information different from the board state information (correct label) included in the first learning data 11A.
  • step S140 the machine learning unit 401 extracts the board state information (correct label) included in the set of first learning data 11A acquired in step S120, and the inference result from the output layer in step S130.
  • Machine learning is performed by comparing the output substrate state information (output data) and performing processing (back propagation) for adjusting the weight of each synapse.
  • the machine learning unit 401 causes the first learning model 10A to learn the correlation between the polishing processing conditions and the substrate state information.
  • step S150 the machine learning unit 401 determines whether or not a predetermined learning end condition is satisfied, for example, the substrate state information (correct label) included in the first learning data 11A and the inference result
  • the evaluation value of the error function based on the output substrate state information (output data) and the remaining number of unlearned first learning data 11A stored in the learning data storage unit 42 are used for determination.
  • step S150 when the machine learning unit 401 determines that the learning end condition is not satisfied and continues the machine learning (No in step S150), the process returns to step S120, and the first learning model 10A under learning In contrast, steps S120 to S140 are performed multiple times using the unlearned first learning data 11A.
  • step S150 when the machine learning unit 401 determines in step S150 that the learning end condition is satisfied and machine learning ends (Yes in step S150), the process proceeds to step S160.
  • step S160 the machine learning unit 401 stores the learned first learning model 10A (adjusted weight parameter group) generated by adjusting the weight associated with each synapse as a learned model. It is stored in the unit 43, and the series of machine learning methods shown in FIG. 11 is completed.
  • step S100 corresponds to a learning data storage step
  • steps S110 to S150 correspond to a machine learning step
  • step S160 corresponds to a learned model storage step.
  • the state of the wafer W can be determined from the polishing processing conditions including the top ring state information, the polishing table state information, and the polishing fluid supply nozzle state information. It is possible to provide the first learning model 10A capable of predicting (inferring) board state information indicating
  • FIG. 12 is a block diagram showing an example of the information processing device 5 according to the first embodiment.
  • FIG. 13 is a functional explanatory diagram showing an example of the information processing device 5 according to the first embodiment.
  • the information processing device 5 includes a control unit 50 , a communication unit 51 and a trained model storage unit 52 .
  • the control unit 50 functions as an information acquisition unit 500 , a state prediction unit 501 and an output processing unit 502 .
  • the communication unit 51 is connected to an external device (for example, the substrate processing device 2, the database device 3, the machine learning device 4, the user terminal device 6, etc.) via the network 7, and serves as a communication interface for transmitting and receiving various data. Function.
  • the information acquisition unit 500 is connected to an external device via the communication unit 51 and the network 7, and acquires polishing processing conditions including top ring state information, polishing table state information, and polishing fluid supply nozzle state information.
  • the information acquisition unit 500 when performing the “post-prediction processing” of the substrate state information for the wafer W that has already undergone the polishing process, refers to the polishing history table 301 of the production history information 30 to obtain The top ring state information, the polishing table state information, and the polishing fluid supply nozzle state information when the wafer W is subjected to the polishing process are acquired as the polishing process conditions.
  • the information acquisition unit 500 receives the apparatus state information from the substrate processing apparatus 2 that is performing the polishing process.
  • the information acquisition unit 500 receives the substrate recipe information 266 from the substrate processing apparatus 2 scheduled to perform the polishing process.
  • the substrate recipe information 266 By simulating the apparatus state information when the polishing unit 22 operates according to the substrate recipe conditions 266, the top ring state information, the polishing table state information, and the polishing fluid supply when the wafer W is subjected to the polishing process. Nozzle status information is acquired as polishing processing conditions.
  • the state prediction unit 501 inputs the polishing processing conditions acquired by the information acquisition unit 500 as input data to the first learning model 10A, thereby predicting wafers polished under the polishing processing conditions.
  • Substrate state information (stress information in this embodiment) for W is predicted.
  • the learned model storage unit 52 is a database that stores the learned first learning model 10A used in the state prediction unit 501.
  • the number of first learning models 10A stored in the learned model storage unit 52 is not limited to one.
  • Mechanism and material difference of ring 221, type of membrane 2212, type of retainer ring 2213, type of polishing pad 2200, type of polishing fluid, type of data included in polishing processing conditions, type of data included in substrate state information For example, a plurality of trained models with different conditions may be stored and selectively available.
  • the trained model storage unit 52 may be replaced by a storage unit of an external computer (for example, a server computer or a cloud computer). Just do it.
  • the output processing unit 502 performs output processing for outputting the substrate state information generated by the state prediction unit 501 .
  • the output processing unit 502 may transmit the board state information to the user terminal device 6 so that a display screen based on the board state information may be displayed on the user terminal device 6, or the board state information may be stored in a database.
  • the board state information may be registered in the production history information 30 by transmitting it to the device 3 .
  • FIG. 14 is a flowchart showing an example of an information processing method by the information processing device 5. As shown in FIG. An operation example in which the user operates the user terminal device 6 to perform the "ex-post prediction process" of the substrate state information for a specific wafer W will be described below.
  • step S200 when the user performs an input operation for inputting a wafer ID specifying a wafer W to be predicted to the user terminal device 6, the user terminal device 6 sends the wafer ID to the information processing device 5. Send to
  • step S210 the information acquisition unit 500 of the information processing device 5 receives the wafer ID transmitted in step S200.
  • the information acquisition unit 500 refers to the polishing history table 301 of the production history information 30 using the wafer ID received in step S210, so that the wafer W specified by the wafer ID has been polished. Acquire the polishing process conditions when performed.
  • step S220 the state prediction unit 501 inputs the polishing processing conditions acquired in step S211 as input data to the first learning model 10A, thereby outputting substrate state information for the polishing processing conditions as output data. and the state of the wafer W is predicted.
  • step S230 the output processing unit 502 transmits the substrate state information to the user terminal device 6 as output processing for outputting the substrate state information generated in step S220.
  • the destination of the substrate state information may be the database device 3 in addition to or instead of the user terminal device 6 .
  • step S240 when receiving the substrate state information transmitted in step S230 as a response to the transmission processing in step S200, the user terminal device 6 displays a display screen based on the substrate state information. , the state of the wafer W is visually recognized by the user.
  • steps S210 and S211 correspond to the information acquisition step
  • step S220 corresponds to the state prediction step
  • step S230 corresponds to the output processing step.
  • the polishing processing conditions including the top ring state information, the polishing table state information, and the polishing fluid supply nozzle state information in the polishing processing are By inputting to the first learning model 10A, the substrate state information (stress information) for the polishing processing condition is predicted, so that the state of the wafer W during or after the polishing processing can be predicted appropriately. can be done.
  • the second embodiment differs from the first embodiment in that the substrate state information indicating the state of the wafer W subjected to the polishing process is polishing quality information indicating the polishing quality of the wafer W.
  • FIG. the machine learning device 4a and the information processing device 5a according to the second embodiment will be described, focusing on the differences from the first embodiment.
  • the polishing quality information includes, for example, polishing degree information regarding the degree of polishing of the wafer W such as polishing rate, polishing profile, residual film, and substrate defect information regarding the degree and presence or absence of defects of the wafer W such as scratches and corrosion. .
  • FIG. 15 is a block diagram showing an example of a machine learning device 4a according to the second embodiment.
  • FIG. 16 is a diagram showing an example of the second learning model 10B and the second learning data 11B.
  • the second learning data 11B is used for machine learning of the second learning model 10B.
  • the substrate state information forming the second learning data 11B is polishing quality information indicating the polishing quality of the wafer W.
  • the polishing quality information is polishing degree information and substrate defect information, but may include at least one of them, or may include other information indicating polishing quality.
  • the polishing quality information may indicate the polishing quality at a target point in the polishing processing period from the start to the end of the polishing processing (time required for polishing processing per wafer), or the substrate of the wafer W. It may also indicate the planar distribution state of the polishing quality on the surface. Note that the polishing processing conditions that constitute the second learning data 11B are the same as those in the first embodiment, so the description thereof is omitted.
  • the learning data acquisition unit 400 acquires the second learning data 11B by referring to the polishing test information 31 and by accepting user input operations through the user terminal device 6 as necessary. Specifically, the learning data acquisition unit 400 obtains test result information (time-series data of the pressure sensor of the dummy wafer) when the polishing test specified by the test ID is performed from the polishing test table 310 of the polishing test information 31. and temperature sensor time-series data), for example, based on the time-series data of the pressure sensor (mainly reflecting mechanical effects) and the time-series data of the temperature sensor (mainly reflecting chemical effects) Polishing quality information is acquired by calculating the polishing quality for each.
  • test result information time-series data of the pressure sensor of the dummy wafer
  • temperature sensor time-series data for example, based on the time-series data of the pressure sensor (mainly reflecting mechanical effects) and the time-series data of the temperature sensor (mainly reflecting chemical effects) Polishing quality information is acquired by calculating the polishing quality for each.
  • polishing quality measured by a measuring instrument such as an optical microscope or a scanning electron microscope (SEM) may be registered as test result information for each target time point.
  • the learning data acquisition unit 400 may further acquire the measurement result of the measuring device as the polishing quality information.
  • the machine learning unit 401 inputs a plurality of sets of the second learning data 11B to the second learning model 10B, and calculates the correlation between the polishing processing conditions and the polishing quality information included in the second learning data 11B.
  • the second learning model 10B that has been trained is generated by making the learning model 10B learn.
  • FIG. 17 is a block diagram showing an example of an information processing device 5a functioning as the information processing device 5a according to the second embodiment.
  • FIG. 18 is a functional explanatory diagram showing an example of the information processing device 5a according to the second embodiment.
  • the information acquisition unit 500 acquires polishing processing conditions including top ring state information, polishing table state information, and polishing fluid supply nozzle state information, as in the first embodiment.
  • the state prediction unit 501 inputs the polishing processing conditions acquired by the information acquisition unit 500 as input data to the second learning model 10B, thereby predicting wafers polished under the polishing processing conditions. Polishing quality information (polishing degree information and substrate defect information in this embodiment) for W is predicted.
  • the polishing processing conditions including the toppling state information, the polishing table state information, and the polishing fluid supply nozzle state information in the polishing processing are
  • the substrate state information (polishing quality information) for the polishing processing conditions is predicted, so that the state of the wafer W during or after polishing processing can be predicted appropriately. be able to.
  • the third embodiment differs from the first embodiment in that the learning model consists of a learning model for stress analysis and a learning model for polishing quality analysis.
  • the machine learning device 4b and the information processing device 5b according to the third embodiment will be described, focusing on the differences from the first embodiment.
  • FIG. 19 is a block diagram showing an example of a machine learning device 4b according to the third embodiment.
  • FIG. 20 is a diagram showing an example of the third learning model 10C for polishing quality analysis and the third learning data 11C.
  • the learning model 10 is composed of a first learning model 10A (Fig. 10) for stress analysis and a third learning model 10C (Fig. 20) for polishing quality analysis.
  • the third learning data 11C used for machine learning of the third learning model 10C for polishing quality analysis includes stress information and polishing quality information (in this embodiment, polishing degree information and substrate missing information). Since the first learning model 10A for stress analysis and the first learning data 11A are configured in the same manner as in the first embodiment (see FIG. 10), description thereof is omitted.
  • the learning data acquisition unit 400 refers to the polishing test information 31 and, if necessary, accepts a user's input operation through the user terminal device 6, thereby obtaining a third learning data including stress information and polishing quality information. data 11C is obtained.
  • the machine learning unit 401 inputs a plurality of sets of the third learning data 11C to the third learning model 10C for polishing quality analysis, and compares the stress information and the polishing quality information included in the third learning data 11C. By making the third learning model 10C for polishing quality analysis learn the correlation, the learned third learning model 10C for polishing quality analysis is generated.
  • FIG. 21 is a block diagram showing an example of an information processing device 5b that functions as the information processing device 5b according to the third embodiment.
  • FIG. 22 is a functional explanatory diagram showing an example of the information processing device 5b according to the third embodiment.
  • the information acquisition unit 500 acquires polishing processing conditions including top ring state information, polishing table state information, and polishing fluid supply nozzle state information, as in the first embodiment.
  • the state prediction unit 501 inputs the polishing processing conditions acquired by the information acquisition unit 500 as input data to the first learning model 10A, thereby predicting wafers polished under the polishing processing conditions.
  • polishing quality information in this embodiment, , polishing degree information and substrate defect information.
  • the polishing processing conditions including the toppling state information, the polishing table state information, and the polishing fluid supply nozzle state information in the polishing processing are By inputting to the learning model 10 (the first and third learning models 10A and 10C), the substrate state information (polishing quality information) for the polishing processing condition is predicted. can appropriately predict the state of the wafer W.
  • the database device 3, the machine learning devices 4, 4a, 4b, and the information processing devices 5, 5a, 5b are configured as separate devices. Any two of the three devices may be configured as a single device. At least one of the machine learning devices 4 , 4 a and 4 b and the information processing devices 5 , 5 a and 5 b may be incorporated in the control unit 26 of the substrate processing apparatus 2 or the user terminal device 6 .
  • the substrate processing apparatus 2 has been described as including the units 21 to 25, but the substrate processing apparatus 2 may include at least the polishing unit 22, and the other units may be omitted. good.
  • machine learning models include, for example, tree types such as decision trees and regression trees, ensemble learning such as bagging and boosting, recurrent neural networks, convolutional neural networks, and neural network types such as LSTM (including deep learning ), hierarchical clustering, non-hierarchical clustering, k-nearest neighbor method, k-means method and other clustering types, principal component analysis, factor analysis, logistic regression and other multivariate analyzes, and support vector machines.
  • the polishing conditions may further include unprocessed substrate information indicating the state (initial state) of the unprocessed substrate, which is the wafer W before the polishing process is performed.
  • the unprocessed substrate information included in the polishing conditions includes at least one of the shape (size, thickness, warp, etc.), weight, and substrate surface condition of the unprocessed substrate.
  • the condition of the substrate surface is, for example, information on the degree and presence of defects formed on the substrate surface, and information on the size, surface distribution, and number of particles adhering to the substrate surface, which affects the polishing process. It is not limited to these as long as it is information that gives
  • the unprocessed substrate information may be obtained, for example, from the operation information of the apparatus in the previous process, or may be obtained from the film thickness measuring unit 25 or other measuring instruments (optical sensors) installed inside or outside the substrate processing apparatus 2 . , contact sensor, weight sensor, etc.). Further, the unprocessed substrate information acquired or measured as described above may be diverted to other unprocessed substrates in the same lot, or may be diverted to other unprocessed substrates in another lot. good.
  • the unprocessed substrate information is registered in the polishing test information 31 and acquired as part of the polishing processing conditions by the machine learning devices 4, 4a, and 4b.
  • Machine learning devices 4, 4a, and 4b use first and second learning data 11A and 11B, which are composed of polishing processing conditions further including unprocessed substrate information, and substrate state information, to perform first and Machine learning is performed for the second learning models 10A and 10B.
  • the unprocessed substrate information is acquired as part of the polishing process conditions by the information processing devices 5, 5a, and 5b.
  • the information processing apparatuses 5, 5a, and 5b input polishing processing conditions including the unprocessed substrate information as input data to the first and second learning data 11A and 11B, thereby performing polishing processing under the polishing processing conditions. is performed on the unprocessed substrate.
  • the present invention provides a program (machine learning program) that causes the computer 900 to function as each part of the machine learning devices 4, 4a, and 4b, and a program (machine learning program) that causes the computer 900 to execute each step of the machine learning method. It can also be provided in the form of In addition, the present invention provides a program (information processing program) for causing the computer 900 to function as each unit included in the information processing apparatuses 5, 5a, and 5b, and each process included in the information processing method according to the above-described embodiment. It can also be provided in the form of a program (information processing program).
  • the present invention is not only based on the aspects of the information processing apparatuses 5, 5a, and 5b (information processing method or information processing program) according to the above embodiments, but also an inference apparatus (inference method or information processing program) used for inferring substrate state information. It can also be provided in the form of an inference program).
  • the inference device inference method or inference program
  • the processor of these may execute a series of processes.
  • the series of processing includes information acquisition processing (information acquisition step) for acquiring polishing processing conditions, and once the polishing processing conditions are acquired in the information acquisition processing, the state of the substrate subjected to the polishing processing under the polishing processing conditions is acquired.
  • an inference process for inferring substrate state information (stress information or polishing quality information) to be shown.
  • the series of processes includes an information acquisition process (information acquisition process) for acquiring stress information, and when the stress information is acquired in the information acquisition process, the polishing quality of the substrate to which the stress indicated by the stress information is applied is obtained.
  • Inference processing for inferring polishing quality information to be indicated.
  • an inference device inference method or inference program
  • it can be applied to various devices more easily than when implementing an information processing device.
  • an inference device inference method or inference program
  • infers substrate state information inference performed by a state prediction unit using a learned learning model generated by the machine learning device and machine learning method according to the above embodiment. It should be understood by those skilled in the art that the techniques may be applied.
  • the present invention can be used for information processing devices, inference devices, machine learning devices, information processing methods, inference methods, and machine learning methods.
  • SYMBOLS 1 Substrate processing system, 2... Substrate processing apparatus, 3... Database apparatus, 4, 4a, 4b... machine learning device, 5, 5a, 5b... information processing device, 6... User terminal device, 7... Network, 10... learning model, 10A... first learning model, 10B... second learning model, 10C... third learning model, 11A... first learning data, 11B... second learning data, 11C... third learning data, 20... housing, 21... load/unload unit, 22... Polishing unit, 22A to 22D... Polishing part, 23... Substrate transfer unit, 24... Cleaning unit, 25... Film thickness measurement unit, 26... Control unit, 30... Production history information, 31... Polishing test information, 40... control unit, 41... communication unit, 42...
  • learning data storage unit 43 ... learned model storage unit, 50... Control unit, 51... Communication unit, 52... Learned model storage unit, 220... polishing table, 221... top ring, 222... polishing fluid supply nozzle, 223 Dresser 224 Atomizer 225 Environment sensor 260 Control unit 21 Communication unit 262 Input unit 263 Output unit 264 Storage unit 300... Wafer history table, 301... Polishing history table, 310... Polishing test table, 400... Learning data acquisition unit, 401... Machine learning unit, 500... Information acquisition unit, 501... State prediction unit, 502... Output processing unit, 900... Computer 2200... Polishing pad, 2210... Top ring body, 2211... Carrier, 2212... Membrane, 2212a to 2212d... Membrane pressure chamber, 2213... retainer ring, 2214... retainer ring airbag, 2214a Retainer ring pressure chamber

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • General Physics & Mathematics (AREA)
  • Manufacturing & Machinery (AREA)
  • Computer Hardware Design (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Power Engineering (AREA)
  • Mechanical Treatment Of Semiconductor (AREA)
  • Finish Polishing, Edge Sharpening, And Grinding By Specific Grinding Devices (AREA)

Abstract

情報処理装置（５）は、研磨パッドを回転可能に支持する研磨テーブル、研磨パッドに基板を押し付けるトップリング、及び、研磨パッドに研磨流体を供給する研磨流体供給ノズルを備える基板処理装置により行われる基板の化学機械研磨処理における、トップリング状態情報、研磨テーブル状態情報及び研磨流体供給ノズル状態情報を含む研磨処理条件を取得する情報取得部（５００）と、研磨処理条件と、当該研磨処理条件による化学機械研磨処理が行われた基板の状態を示す基板状態情報との相関関係を機械学習により学習させた学習モデル（１０Ａ）に、情報取得部（５００）により取得された研磨処理条件を入力することで、当該研磨処理条件による化学機械研磨処理が行われた基板に対する基板状態情報を予測する状態予測部（５０１）とを備える。

Description

情報処理装置、推論装置、機械学習装置、情報処理方法、推論方法、及び、機械学習方法
　本発明は、情報処理装置、推論装置、機械学習装置、情報処理方法、推論方法、及び、機械学習方法に関する。
　半導体ウェハ等の基板に対して各種の処理を行う基板処理装置の１つとして、化学機械研磨（ＣＭＰ：Ｃｈｅｍｉｃａｌ　Ｍｅｃｈａｎｉｃａｌ　Ｐｏｌｉｓｈｉｎｇ）処理を行う基板処理装置が知られている。化学機械研磨処理では、例えば、研磨パッドを有する研磨テーブルを回転させつつ、研磨流体供給ノズルから研磨パッドに研磨液（スラリー）を供給した状態で、トップリングと呼ばれる研磨ヘッドにより基板を研磨パッドに押し付けることで、基板は化学的かつ機械的に研磨される。その際、基板には、応力や摩擦力が作用することに応じてストレスが加わるが、過度なストレスは基板の生産品質や歩留まりを低下させる一因となっている（例えば、特許文献１（段落［０００３］－［０００４］）、特許文献２（段落［００２６］）参照）。
特開２０１４－１８７１１０号公報 特開２００５－３４０４３１号公報
　化学機械研磨処理により基板に加わるストレス等のように、処理中又は処理後の基板の状態を適切にモニタリングしたり、処理前、処理中及び処理後の任意のタイミングにて処理中又は処理後の基板の状態を予測したりすることができれば、基板の生産品質や歩留まりの管理に有効である。しかしながら、基板の状態を検出するために、基板１枚１枚に何かしらのセンサを直接取り付けることは現実的ではない。また、基板処理装置により化学機械研磨処理が行われる場合、基板の状態は、基板処理装置が備えるトップリング、研磨テーブル及び研磨流体供給ノズルの各々の動作状態に応じて変動するが、それらの動作状態は基板に対して複雑かつ相互に作用する。そのため、各動作状態が、基板の状態にどのような影響を与えるのかを的確に解析することは困難である。
　本発明は、上記の課題に鑑み、化学機械研磨処理による処理中又は処理後の基板の状態を適切に予測することを可能とする情報処理装置、推論装置、機械学習装置、情報処理方法、推論方法、及び、機械学習方法を提供することを目的とする。
　上記目的を達成するために、本発明の一態様に係る情報処理装置は、
　研磨パッドを回転可能に支持する研磨テーブル、前記研磨パッドに基板を押し付けるトップリング、及び、前記研磨パッドに研磨流体を供給する研磨流体供給ノズルを備える基板処理装置により行われる前記基板の化学機械研磨処理における、前記トップリングの状態を示すトップリング状態情報、前記研磨テーブルの状態を示す研磨テーブル状態情報、及び、前記研磨流体供給ノズルの状態を示す研磨流体供給ノズル状態情報を含む研磨処理条件を取得する情報取得部と、
　前記研磨処理条件と、当該研磨処理条件による前記化学機械研磨処理が行われた前記基板の状態を示す基板状態情報との相関関係を機械学習により学習させた学習モデルに、前記情報取得部により取得された前記研磨処理条件を入力することで、当該研磨処理条件による前記化学機械研磨処理が行われた前記基板に対する前記基板状態情報を予測する状態予測部と、を備える。
　本発明の一態様に係る情報処理装置によれば、化学機械研磨処理における、トップリング状態情報、研磨テーブル状態情報、及び、研磨流体供給ノズル状態情報を含む研磨処理条件が学習モデルに入力されることで、当該研磨処理条件に対する基板状態情報が予測されるので、化学機械研磨処理による処理中又は処理後の基板の状態を適切に予測することができる。
　上記以外の課題、構成及び効果は、後述する発明を実施するための形態にて明らかにされる。
基板処理システム１の一例を示す全体構成図である。 基板処理装置２の一例を示す平面図である。 第１乃至第４の研磨部２２Ａ～２２Ｄの一例を示す斜視図である。 トップリング２２１の一例を模式的に示す断面図である。 基板処理装置２の一例を示すブロック図である。 コンピュータ９００の一例を示すハードウエア構成図である。 データベース装置３により管理される生産履歴情報３０の一例を示すデータ構成図である。 データベース装置３により管理される研磨試験情報３１の一例を示すデータ構成図である。 第１の実施形態に係る機械学習装置４の一例を示すブロック図である。 第１の学習モデル１０Ａ及び第１の学習用データ１１Ａの一例を示す図である。 機械学習装置４による機械学習方法の一例を示すフローチャートである。 第１の実施形態に係る情報処理装置５の一例を示すブロック図である。 第１の実施形態に係る情報処理装置５の一例を示す機能説明図である。 情報処理装置５による情報処理方法の一例を示すフローチャートである。 第２の実施形態に係る機械学習装置４ａの一例を示すブロック図である。 第２の学習モデル１０Ｂ及び第２の学習用データ１１Ｂの一例を示す図である。 第２の実施形態に係る情報処理装置５ａとして機能する情報処理装置５ａの一例を示すブロック図である。 第２の実施形態に係る情報処理装置５ａの一例を示す機能説明図である。 第３の実施形態に係る機械学習装置４ｂの一例を示すブロック図である。 研磨品質解析用の第３の学習モデル１０Ｃ及び第３の学習用データ１１Ｃの一例を示す図である。 第３の実施形態に係る情報処理装置５ｂとして機能する情報処理装置５ｂの一例を示すブロック図である。 第３の実施形態に係る情報処理装置５ｂの一例を示す機能説明図である。
　以下、図面を参照して本発明を実施するための実施形態について説明する。以下では、本発明の目的を達成するための説明に必要な範囲を模式的に示し、本発明の該当部分の説明に必要な範囲を主に説明することとし、説明を省略する箇所については公知技術によるものとする。
（第１の実施形態）
　図１は、基板処理システム１の一例を示す全体構成図である。本実施形態に係る基板処理システム１は、半導体ウェハ等の基板（以下、「ウェハ」という）Ｗの表面を平坦に研磨する化学機械研磨処理（以下、「研磨処理」という）、研磨処理後のウェハＷを洗浄する洗浄処理等を含む一連の基板処理を管理するシステムとして機能する。
　基板処理システム１は、その主要な構成として、基板処理装置２と、データベース装置３と、機械学習装置４と、情報処理装置５と、ユーザ端末装置６とを備える。各装置２～６は、例えば、汎用又は専用のコンピュータ（後述の図６参照）で構成されるとともに、有線又は無線のネットワーク７に接続されて、各種のデータ（図１には一部のデータの送受信を破線の矢印にて図示）を相互に送受信可能に構成される。なお、各装置２～６の数やネットワーク７の接続構成は、図１の例に限られず、適宜変更してもよい。
　基板処理装置２は、複数のユニットで構成されて、１又は複数のウェハＷに対する一連の基板処理として、例えば、ロ―ド、研磨、洗浄、乾燥、膜厚測定、アンロード等の各処理をそれぞれ行う装置である。その際、基板処理装置２は、各ユニットにそれぞれ設定された複数の装置パラメータからなる装置設定情報２６５と、研磨処理の研磨処理条件や洗浄処理の洗浄処理条件等を定める基板レシピ情報２６６とを参照しつつ、各ユニットの動作を制御する。
　基板処理装置２は、各ユニットの動作に応じて、各種のレポートＲをデータベース装置３、ユーザ端末装置６等に送信する。各種のレポートＲには、例えば、基板処理が行われたときの対象となるウェハＷを特定する工程情報、各処理が行われたときの各ユニットの状態を示す装置状態情報、基板処理装置２にて検出されたイベント情報、基板処理装置２に対するユーザ（オペレータ、生産管理者、保守管理者等）の操作情報等が含まれる。
　データベース装置３は、本生産用のウェハＷに対して基板処理が行われたときの履歴に関する生産履歴情報３０と、試験用のダミーウェハに対して研磨処理の試験（以下、「研磨試験」という）が行われたときの履歴に関する研磨試験情報３１とを管理する装置である。なお、データベース装置３には、上記の他に、装置設定情報２６５や基板レシピ情報２６６が記憶されていてもよく、その場合には、基板処理装置２がこれらの情報を参照するようにしてもよい。
　データベース装置３は、基板処理装置２が本生産用のウェハＷに対して基板処理を行ったときに、基板処理装置２から各種のレポートＲを随時受信し、生産履歴情報３０に登録することで、生産履歴情報３０には、基板処理に関するレポートＲが蓄積される。
　データベース装置３は、基板処理装置２が試験用のダミーウェハに対して研磨試験を行ったときに、基板処理装置２から各種のレポートＲ（装置状態情報を少なくとも含む）を随時受信し、研磨試験情報３１に登録するとともに、その研磨試験の試験結果を対応付けて登録することで、研磨試験情報３１には、研磨試験に関するレポートＲ及び試験結果が蓄積される。ダミーウェハは、ウェハＷを模擬した治具である。ダミーウェハの表面又は内部には、研磨処理が行われたときのウェハＷの状態を測定するための圧力センサや温度センサ等のダミーウェハセンサが設けられ、ダミーウェハセンサの測定値が、試験結果として研磨試験情報３１に登録される。なお、ダミーウェハセンサは、ダミーウェハの基板面に対して１又は複数の箇所に設けられてもよいし、面的に設けられていてもよい。また、研磨試験は、本生産用の基板処理装置２で行われてもよいし、基板処理装置２と同様の研磨処理を再現可能な試験用の研磨試験装置（不図示）で行われてもよい。
　機械学習装置４は、機械学習の学習フェーズの主体として動作し、例えば、データベース装置３から研磨試験情報３１の一部を第１の学習用データ１１Ａとして取得し、情報処理装置５にて用いられる第１の学習モデル１０Ａを機械学習により生成する。学習済みの第１の学習モデル１０Ａは、ネットワーク７や記録媒体等を介して情報処理装置５に提供される。
　情報処理装置５は、機械学習の推論フェーズの主体として動作し、機械学習装置４により生成された第１の学習モデル１０Ａを用いて、基板処理装置２による研磨処理が本生産用のウェハＷに対して行われたときに、そのウェハＷの状態を予測し、その予測した結果である基板状態情報をデータベース装置３、ユーザ端末装置６等に送信する。情報処理装置５が基板状態情報を予測するタイミングとしては、研磨処理が行われた後（事後予測処理）でもよいし、研磨処理が行われている最中（リアルタイム予測処理）でもよいし、研磨処理が行われる前（事前予測処理）でもよい。
　ユーザ端末装置６は、ユーザが使用する端末装置であり、据置型の装置でもよいし、携帯型の装置でもよい。ユーザ端末装置６は、例えば、アプリケーションプログラム、ウェブブラウザ等の表示画面を介して各種の入力操作を受け付けるとともに、表示画面を介して各種の情報（例えば、イベントの通知、基板状態情報、生産履歴情報３０、研磨試験情報３１等）を表示する。
（基板処理装置２）
　図２は、基板処理装置２の一例を示す平面図である。基板処理装置２は、平面視で略矩形状のハウジング２０の内部に、ロード／アンロードユニット２１と、研磨ユニット２２と、基板搬送ユニット２３と、洗浄ユニット２４と、膜厚測定ユニット２５と、制御ユニット２６とを備えて構成される。ロード／アンロードユニット２１と、研磨ユニット２２、基板搬送ユニット２３及び洗浄ユニット２４との間は、第１の隔壁２００Ａにより区画され、基板搬送ユニット２３と洗浄ユニット２４との間は、第２の隔壁２００Ｂにより区画されている。
（ロード／アンロードユニット）
　ロード／アンロードユニット２１は、多数のウェハＷを上下方向に収納可能なウェハカセット（ＦＯＵＰ等）が載置される第１乃至第４のフロントロード部２１０Ａ～２１０Ｄと、ウェハカセットに収納されたウェハＷの収納方向（上下方向）に沿って上下移動可能な搬送ロボット２１１と、第１乃至第４のフロントロード部２１０Ａ～２１０Ｄの並び方向（ハウジング２０の短手方向）に沿って搬送ロボット２１１を移動させる水平移動機構部２１２とを備える。
　搬送ロボット２１１は、第１乃至第４のフロントロード部２１０Ａ～２１０Ｄの各々に載置されたウェハカセット、基板搬送ユニット２３（具体的に、後述のリフタ２３２）、洗浄ユニット２４（具体的に、後述の乾燥室２４１）、及び、膜厚測定ユニット２５に対してアクセス可能に構成され、それらの間でウェハＷを受け渡すための上下二段のハンド（不図示）を備える。下側ハンドは、処理前のウェハＷを受け渡すときに使用され、上側ハンドは、処理後のウェハＷを受け渡すときに使用される。基板搬送ユニット２３や洗浄ユニット２４に対するウェハＷの受け渡しの際には、第１の隔壁２００Ａに設けられたシャッタ（不図示）が開閉される。
（研磨ユニット）
　研磨ユニット２２は、ウェハＷの研磨処理（平坦化）をそれぞれ行う第１乃至第４の研磨部２２Ａ～２２Ｄを備える。第１乃至第４の研磨部２２Ａ～２２Ｄは、ハウジング２０の長手方向に沿って並べられて配置される。
　図３は、第１乃至第４の研磨部２２Ａ～２２Ｄの一例を示す斜視図である。第１乃至第４の研磨部２２Ａ～２２Ｄの基本的な構成や機能は共通する。
　第１乃至第４の研磨部２２Ａ～２２Ｄの各々は、研磨面を有する研磨パッド２２００が取り付けられた研磨テーブル２２０と、ウェハＷを保持し、かつウェハＷを研磨テーブル２２０上の研磨パッド２２００に押圧しながら研磨するためのトップリング（研磨ヘッド）２２１と、研磨パッド２２００に研磨流体を供給する研磨流体供給ノズル２２２と、研磨パッド２２００の研磨面のドレッシングを行うドレッサ２２３と、研磨パッド２２００に洗浄流体を噴射するアトマイザ２２４と、研磨処理が行われるハウジング２０の内部空間の状態を測定する環境センサ２２５とを備える。
　研磨テーブル２２０は、研磨テーブルシャフト２２０ａにより支持されて、その軸心周りに研磨テーブル２２０を回転駆動させる回転移動機構部２２０ｂと、研磨パッド２２００の表面温度を調節する温調機構部２２０ｃとを備える。
　トップリング２２１は、上下方向に移動可能なトップリングシャフト２２１ａに支持されて、その軸心周りにトップリング２２１を回転駆動させる回転移動機構部２２１ｃと、トップリング２２１を上下方向に移動させる上下移動機構部２２１ｄと、支持シャフト２２１ｂを旋回中心にしてトップリング２２１を旋回（揺動）移動させる揺動移動機構部２２１ｅとを備える。
　研磨流体供給ノズル２２２は、支持シャフト２２２ａに支持されて、支持シャフト２２２ａを旋回中心にして研磨流体供給ノズル２２２を旋回移動させる揺動移動機構部２２２ｂと、研磨流体の流量を調節する流量調節部２２２ｃと、研磨流体の温度を調節する温調機構部２２２ｄとを備える。研磨流体は、研磨液（スラリー）又は純水であり、さらに、薬液を含むものでもよいし、研磨液に分散剤を添加したものでもよい。
　ドレッサ２２３は、上下方向に移動可能なドレッサシャフト２２３ａに支持されて、その軸心周りにドレッサ２２３を回転駆動させる回転移動機構部２２３ｃと、ドレッサ２２３を上下方向に移動させる上下移動機構部２２３ｄと、支持シャフト２２３ｂを旋回中心にしてドレッサ２２３を旋回移動させる揺動移動機構部２２３ｅとを備える。
　アトマイザ２２４は、支持シャフト２２４ａに支持されて、支持シャフト２２４ａを旋回中心にしてアトマイザ２２４を旋回移動させる揺動移動機構部２２４ｂと、洗浄流体の流量を調節する流量調節部２２４ｃとを備える。洗浄流体は、液体（例えば、純水）と気体（例えば、窒素ガス）の混合流体又は液体（例えば、純水）である。
　環境センサ２２５は、ハウジング２０の内部空間に配置されたセンサからなり、例えば、内部空間の温度を計測する温度センサ２２５ａと、内部空間の湿度を計測する湿度センサ２２５ｂと、内部空間の気圧を計測する気圧センサ２２５ｃとを備える。なお、環境センサ２２５として、研磨処理中や研磨処理の前後に、研磨パッド２２００の表面等を撮影可能なカメラ（イメージセンサ）を備えていてもよい。
　なお、図３では、回転移動機構部２２０ｂ、２２１ｃ、２２３ｃ、上下移動機構部２２１ｄ、２２３ｄ、及び、揺動移動機構部２２１ｅ、２２２ｂ、２２３ｅ、２２４ｂの具体的な構成を省略しているが、例えば、モータ、エアシリンダ等の駆動力発生用のモジュールと、リニアガイド、ボールねじ、ギヤ、ベルト、カップリング、軸受等の駆動力伝達機構と、リニアセンサ、エンコーダセンサ、リミットセンサ、トルクセンサ等のセンサとを適宜組み合わせて構成される。図３では、流量調節部２２２ｃ、２２４ｃの具体的な構成を省略しているが、例えば、ポンプ、バルブ、レギュレータ等の流体調節用のモジュールと、流量センサ、圧力センサ、液面センサ等のセンサとを適宜組み合わせて構成される。図３では、温調機構部２２０ｃ、２２２ｄの具体的な構成を省略しているが、例えば、ヒータ、熱交換器等の温度調節用（接触式又は非接触式）のモジュールと、温度センサ、電流センサ等のセンサとを適宜組み合わせて構成される。
　図４は、トップリング２２１の一例を模式的に示す断面図である。トップリング２２１は、トップリングシャフト２２１ａに取り付けられたトップリング本体２２１０と、トップリング本体２２１０に収容された略円盤状のキャリア２２１１と、キャリア２２１１の下側に配置されて、ウェハＷを研磨パッド２２００に対して押圧するメンブレン２２１２と、キャリア２２１１及びメンブレン２２１２の外周に配置されて、研磨パッド２２００を直接押圧する略円環状のリテーナリング２２１３と、トップリング本体２２１０及びリテーナリング２２１３の間に配置されて、リテーナリング２２１３を研磨パッド２２００に対して押圧するリテーナリングエアバッグ２２１４とを備える。
　メンブレン２２１２は、弾性膜で形成されており、その内部に、同心状の複数の隔壁２２１２ｅを有することにより、トップリング本体２２１０の中心から外周方向に向かって同心状に配置された第１乃至第４のメンブレン圧力室２２１２ａ～２２１２ｄを有する。また、メンブレン２２１２は、その下面に、ウェハＷの吸着用の複数の孔２２１２ｆを有し、ウェハＷを保持する基板保持面として機能する。リテーナリングエアバッグ２２１４は、弾性膜で形成されており、その内部に、リテーナリング圧力室２２１４ａを有する。なお、トップリング２２１の構成は適宜変更してもよく、キャリア２２１１全体を押圧する圧力室を備えるものでもよいし、メンブレン２２１２が有するメンブレン圧力室の数や形状は適宜変更してもよいし、吸着用の孔２２１２ｆの数や配置は適宜変更してもよい。また、メンブレン２２１２は、吸着用の孔２２１２ｆを有しないものでもよい。
　第１乃至第４のメンブレン圧力室２２１２ａ～２２１２ｄには、第１乃至第４の流路２２１６Ａ～２２１６Ｄがそれぞれ接続され、リテーナリング圧力室２２１４ａには、第５の流路２２１６Ｅが接続される。第１乃至第５の流路２２１６Ａ～２２１６Ｅは、トップリングシャフト２２１ａに設けられたロータリージョイント２２１５を介して外部に連通し、第１の分岐流路２２１７Ａ～２２１７Ｅと、第２の分岐流路２２１８Ａ～２２１８Ｅとにそれぞれ分岐される。第１乃至第５の流路２２１６Ａ～２２１６Ｅには、圧力センサＰＡ～ＰＥがそれぞれ設置される。第１の分岐流路２２１７Ａ～２２１７Ｅは、バルブＶ１Ａ～Ｖ１Ｅ、流量センサＦＡ～ＦＥ及び圧力レギュレータＲＡ～ＲＥを介して圧力流体（空気、窒素等）のガス供給源ＧＳに接続される。第２の分岐流路２２１８Ａ～２２１８Ｅは、それぞれバルブＶ２Ａ～Ｖ２Ｅを介して真空源ＶＳに接続されるとともに、バルブＶ３Ａ～Ｖ３Ｅを介して大気に連通可能に構成される。
　ウェハＷは、トップリング２２１の下面に吸着保持されて、研磨テーブル２２０上の所定の研磨位置に移動された後、研磨流体供給ノズル２２２から研磨流体が供給された研磨パッド２２００の研磨面に対してトップリング２２１により押圧されることで研磨される。その際、トップリング２２１は、圧力レギュレータＲＡ～ＲＥを独立に制御することで、第１乃至第４のメンブレン圧力室２２１２ａ～２２１２ｄに供給する圧力流体によりウェハＷを研磨パッド２２００に押圧する押圧力をウェハＷの領域毎に調整するとともに、リテーナリング圧力室２２１４ａに供給する圧力流体によりリテーナリング２２１３を研磨パッド２２００に押圧する押圧力を調整する。第１乃至第４のメンブレン圧力室２２１２ａ～２２１２ｄ及びリテーナリング圧力室２２１４ａにそれぞれ供給される圧力流体の圧力は、圧力センサＰＡ～ＰＥによりそれぞれ測定され、圧力気体の流量は、流量センサＦＡ～ＦＥによりそれぞれ測定される。
（基板搬送ユニット）
　基板搬送ユニット２３は、図２に示すように、第１乃至第４の研磨部２２Ａ～２２Ｄの並び方向（ハウジング２０の長手方向）に沿って水平移動可能な第１及び第２のリニアトランスポータ２３０Ａ、２３０Ｂと、第１及び第２のリニアトランスポータ２３０Ａ、２３０Ｂの間に配置されたスイングトランスポータ２３１と、ロード／アンロードユニット２１側に配置されたリフタ２３２と、洗浄ユニット２４側に配置されたウェハＷの仮置き台２３３とを備える。
　第１のリニアトランスポータ２３０Ａは、第１及び第２の研磨部２２Ａ、２２Ｂに隣接して配置されて、４つの搬送位置（ロード／アンロードユニット２１側から順に第１乃至第４の搬送位置ＴＰ１～ＴＰ４とする）の間でウェハＷを搬送する機構である。第２の搬送位置ＴＰ２は、第１の研磨部２２Ａに対してウェハＷを受け渡す位置であり、第３の搬送位置ＴＰ３は、第２の研磨部２２Ｂに対してウェハＷを受け渡す位置である。
　第２のリニアトランスポータ２３０Ｂは、第３及び第４の研磨部２２Ｃ、２２Ｄに隣接して配置されて、３つの搬送位置（ロード／アンロードユニット２１側から順に第５乃至第７の搬送位置ＴＰ５～ＴＰ７とする）の間でウェハＷを搬送する機構である。第６の搬送位置ＴＰ６は、第３の研磨部２２Ｃに対してウェハＷを受け渡す位置であり、第７の搬送位置ＴＰ７は、第４の研磨部２２Ｄに対してウェハＷを受け渡す位置である。
　スイングトランスポータ２３１は、第４及び第５の搬送位置ＴＰ４、ＴＰ５に隣接して配置されるとともに、第４及び第５の搬送位置ＴＰ４、ＴＰ５の間を移動可能なハンドを有する。スイングトランスポータ２３１は、第１及び第２のリニアトランスポータ２３０Ａ、２３０Ｂの間でウェハＷを受け渡すとともに、仮置き台２３３にウェハＷを仮置きする機構である。リフタ２３２は、第１の搬送位置ＴＰ１に隣接して配置されて、ロード／アンロードユニット２１の搬送ロボット２１１との間でウェハＷを受け渡す機構である。ウェハＷの受け渡しの際、第１の隔壁２００Ａに設けられたシャッタ（不図示）が開閉される。
（洗浄ユニット）
　洗浄ユニット２４は、図２に示すように、洗浄具を用いてウェハＷを洗浄する第１及び２の洗浄室２４０Ａ、２４０Ｂと、ウェハＷを乾燥させる乾燥室２４１と、ウェハＷを搬送する第１及び第２の搬送室２４２Ａ、２４２Ｂとを備える。洗浄ユニット２４の各室は、それぞれが区画された状態で第１及び第２のリニアトランスポータ２３０Ａ、２３０Ｂに沿って、例えば、第１の洗浄室２４０Ａ、第１の搬送室２４２Ａ、第２の洗浄室２４０Ｂ、第２の搬送室２４２Ｂ、及び、乾燥室２４１の順（ロード／アンロードユニット２１から遠い順）に配置される。なお、洗浄室２４０Ａ、２４０Ｂ、乾燥室２４１、及び、搬送室２４２Ａ、２４２Ｂの数や配置は、図２の例に限られず、適宜変更してもよい。
（膜厚測定ユニット）
　膜厚測定ユニット２５は、研磨処理前又は研磨処理後のウェハＷの膜厚を測定する測定器であり、例えば、光学式膜厚測定器、渦電流式膜厚測定器等で構成される。各膜厚測定モジュールに対するウェハＷの受け渡しは、搬送ロボット２１１により行われる。
（制御ユニット）
　図５は、基板処理装置２の一例を示すブロック図である。制御ユニット２６は、各ユニット２１～２５と電気的に接続されて、各ユニット２１～２５を統括的に制御する制御部として機能する。以下では、研磨ユニット２２の制御系（モジュール、センサ、シーケンサ）を例にして説明するが、他のユニット２１、２３～２５も基本的な構成や機能は共通するため、説明を省略する。
　研磨ユニット２２は、研磨ユニット２２が備える各サブユニット（例えば、研磨テーブル２２０、トップリング２２１、研磨流体供給ノズル２２２、ドレッサ２２３、アトマイザ２２４等）にそれぞれ配置されて、制御対象となる複数のモジュール２２７１～２２７ｒと、複数のモジュール２２７１～２２７ｒにそれぞれ配置されて、各モジュール２２７１～２２７ｒの制御に必要なデータ（検出値）を検出する複数のセンサ２２８１～２２８ｓと、各センサ２２８１～２２８ｓの検出値に基づいて各モジュール２２７１～２２７ｒの動作を制御するシーケンサ２２９とを備える。
　研磨ユニット２２のセンサ２２８１～２２８ｓには、例えば、研磨テーブル２２０の回転数を検出するセンサ、研磨テーブル２２０の回転トルクを検出するセンサ、研磨パッド２２００の表面温度を検出するセンサ、トップリング２２１の回転数を検出するセンサ、トップリング２２１の回転トルクを検出するセンサ、トップリング２２１の揺動位置を検出するセンサ、トップリング２２１の揺動トルクを検出するセンサ、トップリング２２１の高さを検出するセンサ、トップリング２２１の昇降トルクを検出するセンサ、第１乃至第４のメンブレン圧力室２２１２ａ～２２１２ｄ及びリテーナリング圧力室２２１４ａ内の圧力（正圧及び負圧）を検出するセンサ、第１乃至第４のメンブレン圧力室２２１２ａ～２２１２ｄ及びリテーナリング圧力室２２１４ａに供給される圧力流体の流量を検出するセンサ、研磨流体供給ノズル２２２から供給される研磨流体の流量を検出するセンサ、研磨流体の温度を検出するセンサ、研磨流体供給ノズル２２２の滴下位置に変換可能な研磨流体供給ノズル２２２の揺動位置を検出するセンサ、環境センサ２２５等が含まれる。
　制御ユニット２６は、制御部２６０、通信部２６１、入力部２６２、出力部２６３、及び、記憶部２６４を備える。制御ユニット２６は、例えば、汎用又は専用のコンピュータ（後述の図６参照）で構成される。
　通信部２６１は、ネットワーク７に接続され、各種のデータを送受信する通信インターフェースとして機能する。入力部２６２は、各種の入力操作を受け付けるとともに、出力部２６３は、表示画面、シグナルタワー点灯、ブザー音を介して各種の情報を出力することで、ユーザインターフェースとして機能する。
　記憶部２６４は、基板処理装置２の動作で使用される各種のプログラム（オペレーティングシステム（ＯＳ）、アプリケーションプログラム、ウェブブラウザ等）やデータ（装置設定情報２６５、基板レシピ情報２６６等）を記憶する。装置設定情報２６５及び基板レシピ情報２６６は、表示画面を介してユーザにより編集可能なデータである。
　制御部２６０は、複数のシーケンサ２１９、２２９、２３９、２４９、２５９（以下、「シーケンサ群」という）を介して複数のセンサ２１８１～２１８ｑ、２２８１～２２８ｓ、２３８１～２３８ｕ、２４８１～２４８ｗ、２５８１～２５８ｙ（以下、「センサ群」という）の検出値を取得するとともに、複数のモジュール２１７１～２１７ｐ、２２７１～２２７ｒ、２３７１～２３７ｔ、２４７１～２４７ｖ、２５７１～２５７ｘ（以下、「モジュール群」という）を連携して動作させることで、ロ―ド、研磨、洗浄、乾燥、膜厚測定、アンロード等の一連の基板処理を行う。
（各装置のハードウエア構成）
　図６は、コンピュータ９００の一例を示すハードウエア構成図である。基板処理装置２の制御ユニット２６、データベース装置３、機械学習装置４、情報処理装置５、及び、ユーザ端末装置６の各々は、汎用又は専用のコンピュータ９００により構成される。
　コンピュータ９００は、図６に示すように、その主要な構成要素として、バス９１０、プロセッサ９１２、メモリ９１４、入力デバイス９１６、出力デバイス９１７、表示デバイス９１８、ストレージ装置９２０、通信Ｉ／Ｆ（インターフェース）部９２２、外部機器Ｉ／Ｆ部９２４、Ｉ／Ｏ（入出力）デバイスＩ／Ｆ部９２６、及び、メディア入出力部９２８を備える。なお、上記の構成要素は、コンピュータ９００が使用される用途に応じて適宜省略されてもよい。
　プロセッサ９１２は、１つ又は複数の演算処理装置（ＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）、ＭＰＵ（Ｍｉｃｒｏ－ｐｒｏｃｅｓｓｉｎｇ　ｕｎｉｔ）、ＤＳＰ（ｄｉｇｉｔａｌ　ｓｉｇｎａｌ　ｐｒｏｃｅｓｓｏｒ）、ＧＰＵ（Ｇｒａｐｈｉｃｓ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）等）で構成され、コンピュータ９００全体を統括する制御部として動作する。メモリ９１４は、各種のデータ及びプログラム９３０を記憶し、例えば、メインメモリとして機能する揮発性メモリ（ＤＲＡＭ、ＳＲＡＭ等）と、不揮発性メモリ（ＲＯＭ）、フラッシュメモリ等とで構成される。
　入力デバイス９１６は、例えば、キーボード、マウス、テンキー、電子ペン等で構成され、入力部として機能する。出力デバイス９１７は、例えば、音（音声）出力装置、バイブレーション装置等で構成され、出力部として機能する。表示デバイス９１８は、例えば、液晶ディスプレイ、有機ＥＬディスプレイ、電子ペーパー、プロジェクタ等で構成され、出力部として機能する。入力デバイス９１６及び表示デバイス９１８は、タッチパネルディスプレイのように、一体的に構成されていてもよい。ストレージ装置９２０は、例えば、ＨＤＤ、ＳＳＤ（Ｓｏｌｉｄ　Ｓｔａｔｅ　Ｄｒｉｖｅ）等で構成され、記憶部として機能する。ストレージ装置９２０は、オペレーティングシステムやプログラム９３０の実行に必要な各種のデータを記憶する。
　通信Ｉ／Ｆ部９２２は、インターネットやイントラネット等のネットワーク９４０（図１のネットワーク７と同じであってもよい）に有線又は無線により接続され、所定の通信規格に従って他のコンピュータとの間でデータの送受信を行う通信部として機能する。外部機器Ｉ／Ｆ部９２４は、カメラ、プリンタ、スキャナ、リーダライタ等の外部機器９５０に有線又は無線により接続され、所定の通信規格に従って外部機器９５０との間でデータの送受信を行う通信部として機能する。Ｉ／ＯデバイスＩ／Ｆ部９２６は、各種のセンサ、アクチュエータ等のＩ／Ｏデバイス９６０に接続され、Ｉ／Ｏデバイス９６０との間で、例えば、センサによる検出信号やアクチュエータへの制御信号等の各種の信号やデータの送受信を行う通信部として機能する。メディア入出力部９２８は、例えば、ＤＶＤドライブ、ＣＤドライブ等のドライブ装置で構成され、ＤＶＤ、ＣＤ等のメディア（非一時的な記憶媒体）９７０に対してデータの読み書きを行う。
　上記構成を有するコンピュータ９００において、プロセッサ９１２は、ストレージ装置９２０に記憶されたプログラム９３０をメモリ９１４に呼び出して実行し、バス９１０を介してコンピュータ９００の各部を制御する。なお、プログラム９３０は、ストレージ装置９２０に代えて、メモリ９１４に記憶されていてもよい。プログラム９３０は、インストール可能なファイル形式又は実行可能なファイル形式でメディア９７０に記録され、メディア入出力部９２８を介してコンピュータ９００に提供されてもよい。プログラム９３０は、通信Ｉ／Ｆ部９２２を介してネットワーク９４０経由でダウンロードすることによりコンピュータ９００に提供されてもよい。また、コンピュータ９００は、プロセッサ９１２がプログラム９３０を実行することで実現する各種の機能を、例えば、ＦＰＧＡ、ＡＳＩＣ等のハードウエアで実現するものでもよい。
　コンピュータ９００は、例えば、据置型コンピュータや携帯型コンピュータで構成され、任意の形態の電子機器である。コンピュータ９００は、クライアント型コンピュータでもよいし、サーバ型コンピュータやクラウド型コンピュータでもよい。コンピュータ９００は、各装置２～６以外の装置にも適用されてもよい。
（生産履歴情報３０）
　図７は、データベース装置３により管理される生産履歴情報３０の一例を示すデータ構成図である。生産履歴情報３０は、本生産用のウェハＷに対して基板処理が行われたときに取得されたレポートＲが分類されて登録されるテーブルとして、例えば、各ウェハＷに関するウェハ履歴テーブル３００と、研磨処理における装置状態情報に関する研磨履歴テーブル３０１とを備える。なお、生産履歴情報３０は、上記の他に、洗浄処理における装置状態情報に関する洗浄履歴テーブル、イベント情報に関するイベント履歴テーブル及び操作情報に関する操作履歴テーブル等を備えるが、詳細な説明は省略する。
　ウェハ履歴テーブル３００の各レコードには、例えば、ウェハＩＤ、カセット番号、スロット番号、各工程の開始時刻、終了時刻、使用ユニットＩＤ等が登録される。なお、図７では、研磨工程、洗浄工程が例示されているが、他の工程についても同様に登録される。
　研磨履歴テーブル３０１の各レコードには、例えば、ウェハＩＤ、トップリング状態情報、研磨テーブル状態情報、研磨流体供給ノズル状態情報、装置内環境情報等が登録される。
　トップリング状態情報は、研磨処理におけるトップリング２２１の状態を示す情報である。トップリング状態情報は、例えば、トップリング２２１が有するセンサ群（又はモジュール群）により所定の時間間隔でサンプリングされた各センサの検出値（又は各モジュールへの指令値）である。
　研磨テーブル状態情報は、研磨処理における研磨テーブル２２０の状態を示す情報である。研磨テーブル状態情報は、例えば、研磨テーブル２２０が有するセンサ群（又はモジュール群）により所定の時間間隔でサンプリングされた各センサの検出値（又は各モジュールへの指令値）である。
　研磨流体供給ノズル状態情報は、研磨処理における研磨流体供給ノズル２２２の状態を示す情報である。研磨流体供給ノズル状態情報は、例えば、研磨流体供給ノズル２２２が有するセンサ群（又はモジュール群）により所定の時間間隔でサンプリングされた各センサの検出値（又は各モジュールへの指令値）である。
　装置内環境情報は、ハウジング２０により形成された基板処理装置２の内部空間の状態を示す情報である。基板処理装置２の内部空間は、研磨ユニット２２が配置された空間であり、装置内環境情報は、例えば、環境センサ２２５により所定の時間間隔でサンプリングされた各センサの検出値である。
　研磨履歴テーブル３０１を参照することで、ウェハＩＤで特定されるウェハＷに対して研磨処理が行われたときの基板処理装置２の装置状態として、各センサの時系列データ（又は各モジュールの時系列データ）が抽出可能である。
（研磨試験情報３１）
　図８は、データベース装置３により管理される研磨試験情報３１の一例を示すデータ構成図である。研磨試験情報３１は、ダミーウェハを用いて研磨試験が行われたときに取得されたレポートＲ及び試験結果が分類されて登録される研磨試験テーブル３１０を備える。
　研磨試験テーブル３１０の各レコードには、例えば、試験ＩＤ、トップリング状態情報、研磨テーブル状態情報、研磨流体供給ノズル状態情報、装置内環境情報、試験結果情報等が登録される。研磨試験テーブル３１０のトップリング状態情報、研磨テーブル状態情報、研磨流体供給ノズル状態情報、及び、装置内環境情報は、研磨試験における各部の状態を示す情報であり、そのデータ構成は、研磨履歴テーブル３０１と同様であるため、詳細な説明を省略する。
　試験結果情報は、研磨試験において研磨処理が行われたときのダミーウェハの状態を示す情報である。試験結果情報は、ダミーウェハが有するダミーウェハセンサにより所定の時間間隔でサンプリングされたダミーウェハセンサの検出値である。図８に示す試験結果情報は、ダミーウェハセンサとして、３つの温度センサと、３つの圧力センサを有する場合であり、研磨処理を開始してから終了するまでの研磨処理期間に含まれる各時刻ｔ１，ｔ２，…，…ｔｍ，…，ｔｎにおける各検出値Ｔ１～Ｔ３、Ｐ１～Ｐ３をそれぞれ含む。なお、試験結果情報は、上記のように、ダミーウェハセンサの検出値でもよいし、光学式顕微鏡や走査電子顕微鏡（ＳＥＭ）に搭載されたカメラによりダミーウェハを所定の時間間隔で撮影し、その撮影した各画像に対して画像処理を行った画像処理結果や実験者が解析した実験解析結果に基づくものでもよい。また、試験結果情報は、研磨処理を開始してから終了するまでを連続して行った１回の研磨試験にて収集されたものでもよいし、研磨処理を開始してから所定の時刻に到達するまでの研磨試験を所定の時刻を徐々に長くしながら繰り返し行うことで、複数回の研磨試験にて収集されたものでもよい。
　研磨試験テーブル３１０を参照することで、試験ＩＤで特定される研磨試験において、ダミーウェハに対して研磨処理が行われたときの研磨ユニット２２の状態を示す各センサの時系列データ（又は各モジュールの時系列データ）と、そのときのダミーウェハの状態を示すダミーウェハセンサの時系列データとが抽出可能である。
（機械学習装置４）
　図９は、第１の実施形態に係る機械学習装置４の一例を示すブロック図である。機械学習装置４は、制御部４０、通信部４１、学習用データ記憶部４２、及び、学習済みモデル記憶部４３を備える。
　制御部４０は、学習用データ取得部４００及び機械学習部４０１として機能する。通信部４１は、ネットワーク７を介して外部装置（例えば、基板処理装置２、データベース装置３、情報処理装置５、及び、ユーザ端末装置６、研磨試験装置（不図示）等）と接続され、各種のデータを送受信する通信インターフェースとして機能する。
　学習用データ取得部４００は、通信部４１及びネットワーク７を介して外部装置と接続され、入力データとしての研磨処理条件と、出力データとしての基板状態情報とで構成される第１の学習用データ１１Ａを取得する。第１の学習用データ１１Ａは、教師あり学習における教師データ（トレーニングデータ）、検証データ及びテストデータとして用いられるデータである。また、基板状態情報は、教師あり学習における正解ラベルとして用いられるデータである。
　学習用データ記憶部４２は、学習用データ取得部４００で取得した第１の学習用データ１１Ａを複数組記憶するデータベースである。なお、学習用データ記憶部４２を構成するデータベースの具体的な構成は適宜設計すればよい。
　機械学習部４０１は、学習用データ記憶部４２に記憶された複数組の第１の学習用データ１１Ａを用いて機械学習を実施する。すなわち、機械学習部４０１は、第１の学習モデル１０Ａに第１の学習用データ１１Ａを複数組入力し、第１の学習用データ１１Ａに含まれる研磨処理条件と基板状態情報との相関関係を第１の学習モデル１０Ａに学習させることで、学習済みの第１の学習モデル１０Ａを生成する。
　学習済みモデル記憶部４３は、機械学習部４０１により生成された学習済みの第１の学習モデル１０Ａ（具体的には、調整済みの重みパラメータ群）を記憶するデータベースである。学習済みモデル記憶部４３に記憶された学習済みの第１の学習モデル１０Ａは、ネットワーク７や記録媒体等を介して実システム（例えば、情報処理装置５）に提供される。なお、図９では、学習用データ記憶部４２と、学習済みモデル記憶部４３とが別々の記憶部として示されているが、これらは単一の記憶部で構成されてもよい。
　なお、学習済みモデル記憶部４３に記憶される第１の学習モデル１０Ａの数は１つに限定されず、例えば、機械学習の手法、ウェハＷの種類（サイズ、厚み、膜種等）、トップリング２２１の機構や材質の違い、メンブレン２２１２の種類、リテーナリング２２１３の種類、研磨パッド２２００の種類、研磨流体の種類、研磨処理条件に含まれるデータの種類、基板状態情報に含まれるデータの種類等のように、条件が異なる複数の学習モデルが記憶されてもよい。その場合には、学習用データ記憶部４２には、条件が異なる複数の学習モデルにそれぞれ対応するデータ構成を有する複数種類の学習用データが記憶されればよい。
　図１０は、第１の学習モデル１０Ａ及び第１の学習用データ１１Ａの一例を示す図である。第１の学習モデル１０Ａの機械学習に用いられる第１の学習用データ１１Ａは、研磨処理条件と基板状態情報とで構成される。
　第１の学習用データ１１Ａを構成する研磨処理条件は、基板処理装置２により行われるウェハＷの研磨処理におけるトップリング２２１の状態を示すトップリング状態情報、研磨テーブル２２０の状態を示す研磨テーブル状態情報、及び、研磨流体供給ノズル２２２の状態を示す研磨流体供給ノズル状態情報を含む。
　研磨処理条件に含まれるトップリング状態情報は、トップリング２２１の回転数、トップリング２２１の回転トルク、トップリング２２１の揺動位置、トップリング２２１の揺動トルク、トップリング２２１の高さ、トップリング２２１の昇降トルク、メンブレン圧力室２２１２ａ～２２１２ｄ内の圧力（メンブレン圧力）、メンブレン圧力室２２１２ａ～２２１２ｄに供給される圧力流体の流量（メンブレン流量）、メンブレン２２１２のコンディション、リテーナリング圧力室２２１４ａ内の圧力（リテーナリングエアバッグ圧力）、リテーナリング圧力室２２１４ａに供給される圧力流体の流量（リテーナリングエアバッグ流量）、及び、リテーナリング２２１３のコンディションの少なくとも１つを含む。メンブレン２２１２のコンディションは、例えば、表面性状、伸縮状態、厚み等で表され、メンブレン２２１２の使用状況（使用時間、交換の有無）、トップリング状態情報、研磨テーブル状態情報等に基づいて設定される。リテーナリング２２１３のコンディションは、例えば、表面性状、平面度、厚み、断面形状、内周部分の削れや汚れで表され、リテーナリング２２１３の使用状況（使用時間、交換の有無）、トップリング状態情報、研磨テーブル状態情報等に基づいて設定される。メンブレン２２１２及びリテーナリング２２１３のコンディションは、例えば、研磨処理中に経時変化するものでもよい。
　研磨処理条件に含まれる研磨テーブル状態情報は、研磨テーブル２２０の回転数、研磨テーブル２２０の回転トルク、研磨パッド２２００のコンディション、及び、研磨パッド２２００の表面温度の少なくとも１つを含む。研磨パッド２２００のコンディションは、例えば、表面性状、平面度、清浄度、湿潤度等で表され、研磨パッド２２００の使用状況（使用時間、ドレッシングの有無、交換の有無、研磨パッド２２００の表面を撮影した画像）、トップリング状態情報、研磨テーブル状態情報等に基づいて設定される。研磨パッド２２００のコンディションは、例えば、研磨処理中に経時変化するものでもよい。
　研磨処理条件に含まれる研磨流体供給ノズル状態情報は、研磨流体の流量、研磨流体の滴下位置、及び、研磨流体の温度の少なくとも１つを含む。なお、研磨流体が、複数種類の研磨流体（例えば、研磨液、純水、薬液、分散剤等）である場合には、種類毎の流量、種類毎の滴下位置、及び、種類毎の温度の少なくとも１つを含むものであればよく、例えば、研磨流体が、研磨液及び純水である場合には、研磨液の流量、研磨液の滴下位置、研磨液の温度、純水の流量、純水の滴下位置、及び、純水の温度の少なくとも１つを含むものであればよい。
　なお、研磨処理条件は、研磨処理が行われる空間の環境を示す装置内環境情報をさらに含むものでもよく、研磨処理条件に含まれる装置内環境情報は、ハウジング２０により形成された内部空間の温度、湿度、及び、気圧の少なくとも１つを含む。
　第１の学習用データ１１Ａを構成する基板状態情報は、研磨処理条件による研磨処理が行われたウェハＷの状態を示す情報である。本実施形態では、基板状態情報は、ウェハＷに加わる機械的ストレス及び熱的ストレスの少なくとも一方を示すストレス情報である。ストレス情報は、例えば、研磨処理を開始してから終了するまでの研磨処理期間（ウェハ１枚当たりの研磨処理に要する時間）に含まれる対象時点におけるストレスの瞬時値、又は、研磨処理を開始してから対象時点までの対象期間（研磨処理期間以下の任意の期間）におけるストレスの累積値を示すものでもよいし、ウェハＷの基板面に加わるストレスの面的分布状態を示すものでもよい。
　学習用データ取得部４００は、研磨試験情報３１を参照するとともに、必要に応じてユーザ端末装置６によるユーザの入力操作を受け付けることで、第１の学習用データ１１Ａを取得する。例えば、学習用データ取得部４００は、研磨試験情報３１の研磨試験テーブル３１０を参照することで、試験ＩＤで特定される研磨試験が行われたときのトップリング状態情報、研磨テーブル状態情報及び研磨流体供給ノズル状態情報（トップリング２２１、研磨テーブル２２０及び研磨流体供給ノズル２２２がそれぞれ有する各センサの時系列データ）を、研磨処理条件として取得する。
　なお、本実施形態では、研磨処理条件を、図１０に示すようなセンサ群の時系列データとして取得する場合について説明するが、研磨ユニット２２（特に、トップリング２２１、研磨テーブル２２０及び研磨流体供給ノズル２２２）の構成に応じて適宜変更してもよい。また、研磨処理条件として、モジュールへの指令値を用いてもよいし、センサの検出値又はモジュールへの指令値から換算されるパラメータを用いてもよいし、複数のセンサの検出値に基づいて算出されるパラメータを用いてもよい。さらに、研磨処理条件は、研磨処理期間全体の時系列データとして取得されてもよいし、研磨処理期間の一部である対象期間の時系列データとして取得されてもよいし、特定の対象時点における時点データとして取得されてもよい。上記のように、研磨処理条件の定義を変更する場合には、第１の学習モデル１０Ａ及び第１の学習用データ１１Ａにおける入力データのデータ構成を適宜変更すればよい。
　また、学習用データ取得部４００は、研磨試験情報３１の研磨試験テーブル３１０を参照することで、同一の試験ＩＤで特定される研磨試験が行われたときの試験結果情報（ダミーウェハが有するダミーウェハセンサの時系列データ（図８））を、上記の研磨処理条件に対応する基板状態情報として取得する。その際、圧力センサの時系列データの各々が、機械的ストレスの瞬時値に相当し、温度センサの時系列データの各々が、熱的ストレスの瞬時値に相当する。また、複数のダミーウェハセンサが、ダミーウェハの基板面に対して分散配置されているか、面的な測定が可能なダミーウェハセンサである場合には、学習用データ取得部４００は、複数個所での測定値や面的な測定値を、対象時点における瞬時値として取得する。また、学習用データ取得部４００は、対象期間に含まれる圧力データの時系列データを累積することで、当該対象期間までの機械的ストレスの累積値を取得し、対象期間に含まれる温度データの時系列データを累積することで、当該対象期間までの熱的ストレスの累積値を取得する。
　なお、本実施形態では、基板状態情報が、図１０に示すような機械的ストレスの瞬時値及び累積値と、熱的ストレスの瞬時値及び累積値とである場合について説明するが、少なくとも１つを含むものでもよい。また、機械的ストレス及び熱的ストレスは、ダミーウェハセンサの測定値を所定の算出式に代入することで算出されてもよい。さらに、研磨処理条件が、例えば、研磨処理期間全体の時系列データ又は研磨処理期間の一部である対象期間の時系列データとして取得されている場合には、基板状態情報は、研磨処理期間全体の時系列データ又は対象期間の時系列データとして取得されてもよいし、研磨処理終了時点の時点データ又は対象時点の時点データとして取得されてもよい。また、研磨処理条件が、例えば、特定の対象時点における時点データとして取得されている場合には、基板状態情報は、その特定の対象時点における時点データとして取得されてもよい。上記のように、基板状態情報の定義を変更する場合には、第１の学習モデル１０Ａ及び第１の学習用データ１１Ａにおける出力データのデータ構成を適宜変更すればよい。
　第１の学習モデル１０Ａは、例えば、ニューラルネットワークの構造を採用したものであり、入力層１００、中間層１０１、及び、出力層１０２を備える。各層の間には、各ニューロンをそれぞれ接続するシナプス（不図示）が張られており、各シナプスには、重みがそれぞれ対応付けられている。各シナプスの重みからなる重みパラメータ群が、機械学習により調整される。
　入力層１００は、入力データとしての研磨処理条件に対応する数のニューロンを有し、研磨処理条件の各値が各ニューロンにそれぞれ入力される。出力層１０２は、出力データとしての基板状態情報に対応する数のニューロンを有し、研磨処理条件に対する基板状態情報の予測結果（推論結果）が、出力データとして出力される。第１の学習モデル１０Ａが、回帰モデルで構成される場合には、基板状態情報は、所定の範囲（例えば、０～１）に正規化された数値でそれぞれ出力される。また、第１の学習モデル１０Ａが、分類モデルで構成される場合には、基板状態情報は、各クラスに対するスコア（確度）として、所定の範囲（例えば、０～１）に正規化された数値でそれぞれ出力される。
（機械学習方法）
　図１１は、機械学習装置４による機械学習方法の一例を示すフローチャートである。
　まず、ステップＳ１００において、学習用データ取得部４００は、機械学習を開始するための事前準備として、研磨試験情報３１等から所望の数の第１の学習用データ１１Ａを取得し、その取得した第１の学習用データ１１Ａを学習用データ記憶部４２に記憶する。ここで準備する第１の学習用データ１１Ａの数については、最終的に得られる第１の学習モデル１０Ａに求められる推論精度を考慮して設定すればよい。
　次に、ステップＳ１１０において、機械学習部４０１は、機械学習を開始すべく、学習前の第１の学習モデル１０Ａを準備する。ここで準備する学習前の第１の学習モデル１０Ａは、図１０に例示したニューラルネットワークモデルで構成されており、各シナプスの重みが初期値に設定されている。
　次に、ステップＳ１２０において、機械学習部４０１は、学習用データ記憶部４２に記憶された複数組の第１の学習用データ１１Ａから、例えば、ランダムに１組の第１の学習用データ１１Ａを取得する。
　次に、ステップＳ１３０において、機械学習部４０１は、１組の第１の学習用データ１１Ａに含まれる研磨処理条件（入力データ）を、準備された学習前（又は学習中）の第１の学習モデル１０Ａの入力層１００に入力する。その結果、第１の学習モデル１０Ａの出力層１０２から推論結果として基板状態情報（出力データ）が出力されるが、当該出力データは、学習前（又は学習中）の第１の学習モデル１０Ａによって生成されたものである。そのため、学習前（又は学習中）の状態では、推論結果として出力された出力データは、第１の学習用データ１１Ａに含まれる基板状態情報（正解ラベル）とは異なる情報を示す。
　次に、ステップＳ１４０において、機械学習部４０１は、ステップＳ１２０において取得された１組の第１の学習用データ１１Ａに含まれる基板状態情報（正解ラベル）と、ステップＳ１３０において出力層から推論結果として出力された基板状態情報（出力データ）とを比較し、各シナプスの重みを調整する処理（バックプロパゲーション）を実施することで、機械学習を実施する。これにより、機械学習部４０１は、研磨処理条件と基板状態情報との相関関係を第１の学習モデル１０Ａに学習させる。
　次に、ステップＳ１５０において、機械学習部４０１は、所定の学習終了条件が満たされたか否かを、例えば、第１の学習用データ１１Ａに含まれる基板状態情報（正解ラベル）と、推論結果として出力された基板状態情報（出力データ）とに基づく誤差関数の評価値や、学習用データ記憶部４２内に記憶された未学習の第１の学習用データ１１Ａの残数に基づいて判定する。
　ステップＳ１５０において、機械学習部４０１が、学習終了条件が満たされておらず、機械学習を継続すると判定した場合（ステップＳ１５０でＮｏ）、ステップＳ１２０に戻り、学習中の第１の学習モデル１０Ａに対してステップＳ１２０～Ｓ１４０の工程を未学習の第１の学習用データ１１Ａを用いて複数回実施する。一方、ステップＳ１５０において、機械学習部４０１が、学習終了条件が満たされて、機械学習を終了すると判定した場合（ステップＳ１５０でＹｅｓ）、ステップＳ１６０に進む。
　そして、ステップＳ１６０において、機械学習部４０１は、各シナプスに対応付けられた重みを調整することで生成された学習済みの第１の学習モデル１０Ａ（調整済みの重みパラメータ群）を学習済みモデル記憶部４３に記憶し、図１１に示す一連の機械学習方法を終了する。機械学習方法において、ステップＳ１００が学習用データ記憶工程、ステップＳ１１０～Ｓ１５０が機械学習工程、ステップＳ１６０が学習済みモデル記憶工程に相当する。
　以上のように、本実施形態に係る機械学習装置４及び機械学習方法によれば、トップリング状態情報、研磨テーブル状態情報及び研磨流体供給ノズル状態情報を含む研磨処理条件から、当該ウェハＷの状態を示す基板状態情報を予測（推論）することが可能な第１の学習モデル１０Ａを提供することができる。
（情報処理装置５）
　図１２は、第１の実施形態に係る情報処理装置５の一例を示すブロック図である。図１３は、第１の実施形態に係る情報処理装置５の一例を示す機能説明図である。情報処理装置５は、制御部５０、通信部５１、及び、学習済みモデル記憶部５２を備える。
　制御部５０は、情報取得部５００、状態予測部５０１及び出力処理部５０２として機能する。通信部５１は、ネットワーク７を介して外部装置（例えば、基板処理装置２、データベース装置３、機械学習装置４、及び、ユーザ端末装置６等）と接続され、各種のデータを送受信する通信インターフェースとして機能する。
　情報取得部５００は、通信部５１及びネットワーク７を介して外部装置と接続され、トップリング状態情報、研磨テーブル状態情報及び研磨流体供給ノズル状態情報を含む研磨処理条件を取得する。
　例えば、研磨処理がすでに行われた後のウェハＷに対する基板状態情報の「事後予測処理」を行う場合には、情報取得部５００は、生産履歴情報３０の研磨履歴テーブル３０１を参照することで、そのウェハＷに対して研磨処理が行われたときのトップリング状態情報、研磨テーブル状態情報及び研磨流体供給ノズル状態情報を、研磨処理条件として取得する。研磨処理が行われている最中のウェハＷに対する基板状態情報の「リアルタイム予測処理」を行う場合には、情報取得部５００は、その研磨処理を行っている基板処理装置２から装置状態情報に関するレポートＲを随時受信することで、そのウェハＷに対して研磨処理が行われている最中のトップリング状態情報、研磨テーブル状態情報及び研磨流体供給ノズル状態情報を、研磨処理条件として随時取得する。研磨処理が行われる前のウェハＷに対する基板状態情報の「事前予測処理」を行う場合には、情報取得部５００は、その研磨処理を行う予定の基板処理装置２から基板レシピ情報２６６を受信し、その基板レシピ条件２６６に従って研磨ユニット２２が動作するときの装置状態情報をシミュレーションすることで、そのウェハＷに対して研磨処理が行われるときのトップリング状態情報、研磨テーブル状態情報及び研磨流体供給ノズル状態報を、研磨処理条件として取得する。
　状態予測部５０１は、上記のように、情報取得部５００により取得された研磨処理条件を入力データとして第１の学習モデル１０Ａに入力することで、当該研磨処理条件による研磨処理が行われたウェハＷに対する基板状態情報（本実施形態では、ストレス情報）を予測する。
　学習済みモデル記憶部５２は、状態予測部５０１にて用いられる学習済みの第１の学習モデル１０Ａを記憶するデータベースである。なお、学習済みモデル記憶部５２に記憶される第１の学習モデル１０Ａの数は１つに限定されず、例えば、機械学習の手法、ウェハＷの種類（サイズ、厚み、膜種等）、トップリング２２１の機構や材質の違い、メンブレン２２１２の種類、リテーナリング２２１３の種類、研磨パッド２２００の種類、研磨流体の種類、研磨処理条件に含まれるデータの種類、基板状態情報に含まれるデータの種類等のように、条件が異なる複数の学習済みモデルが記憶され、選択的に利用可能としてもよい。また、学習済みモデル記憶部５２は、外部コンピュータ（例えば、サーバ型コンピュータやクラウド型コンピュータ）の記憶部で代用されてもよく、その場合には、状態予測部５０１は、当該外部コンピュータにアクセスすればよい。
　出力処理部５０２は、状態予測部５０１により生成された基板状態情報を出力するための出力処理を行う。例えば、出力処理部５０２は、その基板状態情報をユーザ端末装置６に送信することで、その基板状態情報に基づく表示画面がユーザ端末装置６に表示されてもよいし、その基板状態情報をデータベース装置３に送信することで、その基板状態情報が生産履歴情報３０に登録されてもよい。
（情報処理方法）
　図１４は、情報処理装置５による情報処理方法の一例を示すフローチャートである。以下では、ユーザがユーザ端末装置６を操作して、特定のウェハＷに対する基板状態情報の「事後予測処理」を行う場合の動作例について説明する。
　まず、ステップＳ２００において、ユーザが、ユーザ端末装置６に対して、予測対象のウェハＷを特定するウェハＩＤを入力する入力操作を行うと、ユーザ端末装置６は、そのウェハＩＤを情報処理装置５に送信する。
　次に、ステップＳ２１０において、情報処理装置５の情報取得部５００は、ステップＳ２００にて送信されたウェハＩＤを受信する。ステップＳ２１１において、情報取得部５００は、ステップＳ２１０で受信したウェハＩＤを用いて生産履歴情報３０の研磨履歴テーブル３０１を参照することで、そのウェハＩＤで特定されたウェハＷに対して研磨処理が行われたときの研磨処理条件を取得する。
　次に、ステップＳ２２０において、状態予測部５０１は、ステップＳ２１１にて取得された研磨処理条件を入力データとして第１の学習モデル１０Ａに入力することで、当該研磨処理条件に対する基板状態情報を出力データとして生成し、そのウェハＷの状態を予測する。
　次に、ステップＳ２３０において、出力処理部５０２は、ステップＳ２２０にて生成された基板状態情報を出力するための出力処理として、その基板状態情報をユーザ端末装置６に送信する。なお、基板状態情報の送信先は、ユーザ端末装置６に加えて又は代えて、データベース装置３でもよい。
　次に、ステップＳ２４０において、ユーザ端末装置６は、ステップＳ２００の送信処理に対する応答として、ステップＳ２３０にて送信された基板状態情報を受信すると、その基板状態情報に基づいて表示画面を表示することで、そのウェハＷの状態がユーザにより視認される。上記の情報処理方法において、ステップＳ２１０、Ｓ２１１が情報取得工程、ステップＳ２２０が状態予測工程、ステップＳ２３０が出力処理工程に相当する。
　以上のように、本実施形態に係る情報処理装置５及び情報処理方法によれば、研磨処理における、トップリング状態情報、研磨テーブル状態情報、及び、研磨流体供給ノズル状態情報を含む研磨処理条件が第１の学習モデル１０Ａに入力されることで、当該研磨処理条件に対する基板状態情報（ストレス情報）が予測されるので、研磨処理による処理中又は処理後のウェハＷの状態を適切に予測することができる。
（第２の実施形態）
　第２の実施形態は、研磨処理が行われたウェハＷの状態を示す基板状態情報が、そのウェハＷの研磨品質を示す研磨品質情報である点で第１の実施形態と相違する。以下では、第２の実施形態に係る機械学習装置４ａ及び情報処理装置５ａについて、第１の実施形態と異なる部分を中心に説明する。
　研磨品質情報は、例えば、研磨レート、研磨プロファイル、残膜といったウェハＷの研磨の度合に関する研磨度合情報や、スクラッチやコロージョンといったウェハＷの欠損（ディフェクト）の程度や有無に関する基板欠損情報等である。
　図１５は、第２の実施形態に係る機械学習装置４ａの一例を示すブロック図である。図１６は、第２の学習モデル１０Ｂ及び第２の学習用データ１１Ｂの一例を示す図である。第２の学習用データ１１Ｂは、第２の学習モデル１０Ｂの機械学習に用いられる。
　第２の学習用データ１１Ｂを構成する基板状態情報は、ウェハＷの研磨品質を示す研磨品質情報である。本実施形態では、研磨品質情報は、研磨度合情報及び基板欠損情報である場合について説明するが、少なくとも１つを含むものでもよいし、研磨品質を示す他の情報を含むものでもよい。研磨品質情報は、研磨処理を開始してから終了するまでの研磨処理期間（ウェハ１枚当たりの研磨処理に要する時間）に含まれる対象時点における研磨品質を示すものでもよいし、ウェハＷの基板面における研磨品質の面的分布状態を示すものでもよい。なお、第２の学習用データ１１Ｂを構成する研磨処理条件は、第１の実施形態と同様であるため、説明を省略する。
　学習用データ取得部４００は、研磨試験情報３１を参照するとともに、必要に応じてユーザ端末装置６によるユーザの入力操作を受け付けることで、第２の学習用データ１１Ｂを取得する。具体的には、学習用データ取得部４００は、研磨試験情報３１の研磨試験テーブル３１０から試験ＩＤで特定される研磨試験が行われたときの試験結果情報（ダミーウェハが有する圧力センサの時系列データや温度センサの時系列データ）を取得し、例えば、圧力センサの時系列データ（主にメカニカルな影響を反映）及び温度センサの時系列データ（主にケミカルな影響を反映）に基づいて対象時点毎の研磨品質を算出することで、研磨品質情報を取得する。なお、研磨試験情報３１には、試験結果情報として、光学式顕微鏡や走査電子顕微鏡（ＳＥＭ）等の計測機器にて計測された研磨品質が対象時点毎に登録されていてもよく、その場合には、学習用データ取得部４００は、計測機器の計測結果を、研磨品質情報としてさらに取得してもよい。
　機械学習部４０１は、第２の学習モデル１０Ｂに第２の学習用データ１１Ｂを複数組入力し、第２の学習用データ１１Ｂに含まれる研磨処理条件と研磨品質情報との相関関係を第２の学習モデル１０Ｂに学習させることで、学習済みの第２の学習モデル１０Ｂを生成する。
　図１７は、第２の実施形態に係る情報処理装置５ａとして機能する情報処理装置５ａの一例を示すブロック図である。図１８は、第２の実施形態に係る情報処理装置５ａの一例を示す機能説明図である。
　情報取得部５００は、第１の実施形態と同様に、トップリング状態情報、研磨テーブル状態情報及び研磨流体供給ノズル状態情報を含む研磨処理条件を取得する。
　状態予測部５０１は、上記のように、情報取得部５００により取得された研磨処理条件を入力データとして第２の学習モデル１０Ｂに入力することで、当該研磨処理条件による研磨処理が行われたウェハＷに対する研磨品質情報（本実施形態では、研磨度合情報及び基板欠損情報）を予測する。
　以上のように、本実施形態に係る情報処理装置５ａ及び情報処理方法によれば、研磨処理における、トップリング状態情報、研磨テーブル状態情報、及び、研磨流体供給ノズル状態情報を含む研磨処理条件が第２の学習モデル１０Ｂに入力されることで、当該研磨処理条件に対する基板状態情報（研磨品質情報）が予測されるので、研磨処理による処理中又は処理後のウェハＷの状態を適切に予測することができる。
（第３の実施形態）
　第３の実施形態は、学習モデルが、ストレス解析用の学習モデルと、研磨品質解析用の学習モデルとで構成される点で第１の実施形態と相違する。以下では、第３の実施形態に係る機械学習装置４ｂ及び情報処理装置５ｂについて、第１の実施形態と異なる部分を中心に説明する。
　図１９は、第３の実施形態に係る機械学習装置４ｂの一例を示すブロック図である。図２０は、研磨品質解析用の第３の学習モデル１０Ｃ及び第３の学習用データ１１Ｃの一例を示す図である。
　学習モデル１０は、ストレス解析用の第１の学習モデル１０Ａ（図１０）と、研磨品質解析用の第３の学習モデル１０Ｃ（図２０）とで構成される。研磨品質解析用の第３の学習モデル１０Ｃの機械学習に用いられる第３の学習用データ１１Ｃは、図２０に示すように、ストレス情報と研磨品質情報（本実施形態では、研磨度合情報及び基板欠損情報）とで構成される。ストレス解析用の第１の学習モデル１０Ａ及び第１の学習用データ１１Ａは、第１の実施形態（図１０参照）と同様に構成されるため、説明を省略する。
　学習用データ取得部４００は、研磨試験情報３１を参照するとともに、必要に応じてユーザ端末装置６によるユーザの入力操作を受け付けることで、ストレス情報と研磨品質情報とで構成される第３の学習用データ１１Ｃを取得する。
　機械学習部４０１は、研磨品質解析用の第３の学習モデル１０Ｃに第３の学習用データ１１Ｃをそれぞれ複数組入力し、第３の学習用データ１１Ｃに含まれるストレス情報と研磨品質情報との相関関係を研磨品質解析用の第３の学習モデル１０Ｃに学習させることで、学習済みの研磨品質解析用の第３の学習モデル１０Ｃを生成する。
　図２１は、第３の実施形態に係る情報処理装置５ｂとして機能する情報処理装置５ｂの一例を示すブロック図である。図２２は、第３の実施形態に係る情報処理装置５ｂの一例を示す機能説明図である。
　情報取得部５００は、第１の実施形態と同様に、トップリング状態情報、研磨テーブル状態情報及び研磨流体供給ノズル状態情報を含む研磨処理条件を取得する。
　状態予測部５０１は、上記のように、情報取得部５００により取得された研磨処理条件を入力データとして第１の学習モデル１０Ａに入力することで、当該研磨処理条件による研磨処理が行われたウェハＷに対するストレス情報を予測し、その予測したストレス情報を入力データとして第３の学習モデル１０Ｃに入力することで、当該ストレス情報が示すストレスが加えられたウェハＷに対する研磨品質情報（本実施形態では、研磨度合情報及び基板欠損情報）を予測する。
　以上のように、本実施形態に係る情報処理装置５ｂ及び情報処理方法によれば、研磨処理における、トップリング状態情報、研磨テーブル状態情報、及び、研磨流体供給ノズル状態情報を含む研磨処理条件が学習モデル１０（第１及び第３の学習モデル１０Ａ、１０Ｃ）に入力されることで、当該研磨処理条件に対する基板状態情報（研磨品質情報）が予測されるので、研磨処理による処理中又は処理後のウェハＷの状態を適切に予測することができる。
（他の実施形態）
　本発明は上述した実施形態に制約されるものではなく、本発明の主旨を逸脱しない範囲内で種々変更して実施することが可能である。そして、それらはすべて、本発明の技術思想に含まれるものである。
　上記実施形態では、データベース装置３、機械学習装置４、４ａ、４ｂ及び情報処理装置５、５ａ、５ｂは、別々の装置で構成されたものとして説明したが、それら３つの装置が、単一の装置で構成されていてもよいし、それら３つの装置のうち任意の２つの装置が、単一の装置で構成されていてもよい。また、機械学習装置４、４ａ、４ｂ及び情報処理装置５、５ａ、５ｂの少なくとも一方は、基板処理装置２の制御ユニット２６又はユーザ端末装置６に組み込まれていてもよい。
　上記実施形態では、基板処理装置２が、各ユニット２１～２５を備えるものとして説明したが、基板処理装置２は、研磨ユニット２２を少なくとも備えていればよく、他のユニットは省略されていてもよい。
　上記実施形態では、機械学習部４０１による機械学習を実現する学習モデルとして、ニューラルネットワークを採用した場合について説明したが、他の機械学習のモデルを採用してもよい。他の機械学習のモデルとしては、例えば、決定木、回帰木等のツリー型、バギング、ブースティング等のアンサンブル学習、再帰型ニューラルネットワーク、畳み込みニューラルネットワーク、ＬＳＴＭ等のニューラルネット型(ディープラーニングを含む)、階層型クラスタリング、非階層型クラスタリング、ｋ近傍法、ｋ平均法等のクラスタリング型、主成分分析、因子分析、ロジスティク回帰等の多変量解析、サポートベクターマシン等が挙げられる。
　なお、上記実施形態では、第１及び第２の学習モデル１０Ａ、１０Ｂの入力データである研磨処理条件に含まれる各種の情報について説明した。また、第１及び第２の学習モデル１０Ａ、１０Ｂは、ウェハＷの種類別に用意されてもよいことを説明した。これに対して、研磨処理条件は、研磨処理が行われる前のウェハＷである処理前基板の状態（初期状態）を示す処理前基板情報をさらに含むものでもよい。研磨処理条件に含まれる処理前基板情報は、処理前基板の形状（サイズ、厚み、反り等）、重さ、及び、基板面のコンディションの少なくとも１つを含む。基板面のコンディションは、例えば、基板面に形成された欠損（ディフェクト）の程度や有無に関する情報や、基板面に付着したパーティクルの大きさ、面的分布、個数に関する情報であり、研磨処理に影響を与える情報であればこれらに限定されない。処理前基板情報は、例えば、前工程の装置の動作情報から取得されてもよいし、膜厚測定ユニット２５や、基板処理装置２の内部又は外部に設置された他の計測器（光学式センサ、接触式センサ、重量センサ等）で計測されてもよい。また、上記のように取得又は計測された処理前基板情報は、同一のロット内の他の処理前基板に流用されてもよいし、別のロット内の他の処理前基板に流用されてもよい。
　機械学習の学習フェーズでは、処理前基板情報は、研磨試験情報３１に登録されて、機械学習装置４、４ａ、４ｂにより研磨処理条件の一部として取得される。機械学習装置４、４ａ、４ｂは、その処理前基板情報をさらに含む研磨処理条件と、基板状態情報とで構成される第１及び第２の学習用データ１１Ａ、１１Ｂを用いて、第１及び第２の学習モデル１０Ａ、１０Ｂの機械学習を実施する。
　機械学習の推論フェーズでは、処理前基板情報は、情報処理装置５、５ａ、５ｂにより研磨処理条件の一部として取得される。情報処理装置５、５ａ、５ｂは、その処理前基板情報をさらに含む研磨処理条件を入力データとして第１及び第２の学習用データ１１Ａ、１１Ｂに入力することで、当該研磨処理条件による研磨処理が処理前基板に対して行われたときの基板状態情報を予測する。
（機械学習プログラム及び情報処理プログラム）
　本発明は、機械学習装置４、４ａ、４ｂが備える各部としてコンピュータ９００を機能させるプログラム（機械学習プログラム）や、機械学習方法が備える各工程をコンピュータ９００に実行させるためのプログラム（機械学習プログラム）の態様で提供することもできる。また、本発明は、情報処理装置５、５ａ、５ｂが備える各部としてコンピュータ９００を機能させるためのプログラム（情報処理プログラム）や、上記実施形態に係る情報処理方法が備える各工程をコンピュータ９００に実行させるためのプログラム（情報処理プログラム）の態様で提供することもできる。
（推論装置、推論方法及び推論プログラム）
　本発明は、上記実施形態に係る情報処理装置５、５ａ、５ｂ（情報処理方法又は情報処理プログラム）の態様によるもののみならず、基板状態情報を推論するために用いられる推論装置（推論方法又は推論プログラム）の態様で提供することもできる。その場合、推論装置（推論方法又は推論プログラム）としては、メモリと、プロセッサとを含み、このうちのプロセッサが、一連の処理を実行するものとすることができる。当該一連の処理とは、研磨処理条件を取得する情報取得処理（情報取得工程）と、情報取得処理にて研磨処理条件を取得すると、当該研磨処理条件による研磨処理が行われた基板の状態を示す基板状態情報（ストレス情報又は研磨品質情報）を推論する推論処理（推論工程）とを含む。また、当該一連の処理とは、ストレス情報を取得する情報取得処理（情報取得工程）と、情報取得処理にてストレス情報を取得すると、当該ストレス情報が示すストレスが加えられた基板の研磨品質を示す研磨品質情報を推論する推論処理（推論工程）とを含む。
　推論装置（推論方法又は推論プログラム）の態様で提供することで、情報処理装置を実装する場合に比して簡単に種々の装置への適用が可能となる。推論装置（推論方法又は推論プログラム）が基板状態情報を推論する際、上記実施形態に係る機械学習装置及び機械学習方法により生成された学習済みの学習モデルを用いて、状態予測部が実施する推論手法を適用してもよいことは、当業者にとって当然に理解され得るものである。
　本発明は、情報処理装置、推論装置、機械学習装置、情報処理方法、推論方法、及び、機械学習方法に利用可能である。
１…基板処理システム、２…基板処理装置、３…データベース装置、
４、４ａ、４ｂ…機械学習装置、５、５ａ、５ｂ…情報処理装置、
６…ユーザ端末装置、７…ネットワーク、
１０…学習モデル、１０Ａ…第１の学習モデル、１０Ｂ…第２の学習モデル、
１０Ｃ…第３の学習モデル、１１Ａ…第１の学習用データ、
１１Ｂ…第２の学習用データ、１１Ｃ…第３の学習用データ、
２０…ハウジング、２１…ロード／アンロードユニット、
２２…研磨ユニット、２２Ａ～２２Ｄ…研磨部、２３…基板搬送ユニット、
２４…洗浄ユニット、２５…膜厚測定ユニット、２６…制御ユニット、
３０…生産履歴情報、３１…研磨試験情報、
４０…制御部、４１…通信部、４２…学習用データ記憶部、
４３…学習済みモデル記憶部、
５０…制御部、５１…通信部、５２…学習済みモデル記憶部、
２２０…研磨テーブル、２２１…トップリング、２２２…研磨流体供給ノズル、
２２３…ドレッサ、２２４…アトマイザ、２２５…環境センサ
２６０…制御部、２１…通信部、２６２…入力部、２６３…出力部、２６４…記憶部、
３００…ウェハ履歴テーブル、３０１…研磨履歴テーブル、３１０…研磨試験テーブル、
４００…学習用データ取得部、４０１…機械学習部、
５００…情報取得部、５０１…状態予測部、５０２…出力処理部、
９００…コンピュータ
２２００…研磨パッド、２２１０…トップリング本体、２２１１…キャリア、
２２１２…メンブレン、２２１２ａ～２２１２ｄ…メンブレン圧力室、
２２１３…リテーナリング、２２１４…リテーナリングエアバッグ、
２２１４ａ…リテーナリング圧力室

 

Claims (21)

  1. 　研磨パッドを回転可能に支持する研磨テーブル、前記研磨パッドに基板を押し付けるトップリング、及び、前記研磨パッドに研磨流体を供給する研磨流体供給ノズルを備える基板処理装置により行われる前記基板の化学機械研磨処理における、前記トップリングの状態を示すトップリング状態情報、前記研磨テーブルの状態を示す研磨テーブル状態情報、及び、前記研磨流体供給ノズルの状態を示す研磨流体供給ノズル状態情報を含む研磨処理条件を取得する情報取得部と、
    　前記研磨処理条件と、当該研磨処理条件による前記化学機械研磨処理が行われた前記基板の状態を示す基板状態情報との相関関係を機械学習により学習させた学習モデルに、前記情報取得部により取得された前記研磨処理条件を入力することで、当該研磨処理条件による前記化学機械研磨処理が行われた前記基板に対する前記基板状態情報を予測する状態予測部と、を備える、
    　情報処理装置。
  2. 　前記トップリングは、
    　　回転移動機構部、上下移動機構部及び揺動移動機構部により移動されるトップリング本体と、
    　　前記トップリング本体に収容されて、メンブレン圧力室に供給される圧力流体に応じて前記基板を前記研磨パッドに押圧するメンブレンと、
    　　前記メンブレンの外周に配置されて、リテーナリング圧力室に供給される圧力流体に応じて前記研磨パッドを押圧するリテーナリングとを備え、
    　前記研磨処理条件に含まれる前記トップリング状態情報は、
    　　前記トップリングの回転数、
    　　前記トップリングの回転トルク、
    　　前記トップリングの揺動位置、
    　　前記トップリングの揺動トルク、
    　　前記トップリングの高さ、
    　　前記トップリングの昇降トルク、
    　　前記メンブレン圧力室内の圧力、
    　　前記メンブレン圧力室に供給される前記圧力流体の流量、
    　　前記メンブレンのコンディション、
    　　前記リテーナリング圧力室内の圧力、
    　　前記リテーナリング圧力室に供給される前記圧力流体の流量、及び、
    　　前記リテーナリングのコンディションの少なくとも１つを含む、
    　請求項１に記載の情報処理装置。
  3. 　前記研磨処理条件に含まれる前記研磨テーブル状態情報は、
    　　前記研磨テーブルの回転数、
    　　前記研磨テーブルの回転トルク、
    　　前記研磨パッドの表面温度、及び、
    　　前記研磨パッドのコンディションの少なくとも１つを含む、
    　請求項１又は請求項２に記載の情報処理装置。
  4. 　前記研磨処理条件に含まれる前記研磨流体供給ノズル状態情報は、
    　　前記研磨流体の流量、
    　　前記研磨流体の滴下位置、及び、
    　　前記研磨流体の温度の少なくとも１つを含む、
    　請求項１乃至請求項３のいずれか一項に記載の情報処理装置。
  5. 　前記研磨処理条件は、
    　　前記化学機械研磨処理が行われる空間の環境を示す装置内環境情報をさらに含み、
    　前記研磨処理条件に含まれる前記装置内環境情報は、
    　　前記空間の温度、
    　　前記空間の湿度、及び、
    　　前記空間の気圧の少なくとも１つを含む、
    　請求項１乃至請求項４のいずれか一項に記載の情報処理装置。
  6. 　前記研磨処理条件は、
    　　前記化学機械研磨処理が行われる前の前記基板である処理前基板の状態を示す処理前基板情報をさらに含む、
    　請求項１乃至請求項５のいずれか一項に記載の情報処理装置。
  7. 　前記研磨処理条件に含まれる前記処理前基板情報は、
    　　前記処理前基板の形状、
    　　前記処理前基板の重さ、及び、
    　　前記処理前基板の基板面のコンディションの少なくとも１つを含む、
    　請求項６に記載の情報処理装置。
  8. 　前記基板状態情報は、
    　　前記基板に加わるストレスを示すストレス情報であり、
    　前記ストレス情報は、
    　　前記基板に加わる機械的ストレス及び熱的ストレスの少なくとも一方を示す、
    　請求項１乃至請求項７のいずれか一項に記載の情報処理装置。
  9. 　前記ストレス情報は、
    　　前記化学機械研磨処理を開始してから終了するまでの研磨処理期間に含まれる対象時点における前記ストレスの瞬時値、又は、
    　　前記化学機械研磨処理を開始してから前記対象時点までの対象期間における前記ストレスの累積値を示す、
    　請求項８に記載の情報処理装置。
  10. 　前記ストレス情報は、
    　　前記基板の基板面に加わる前記ストレスの面的分布状態を示す、
    　請求項８又は請求項９に記載の情報処理装置。
  11. 　前記基板状態情報は、
    　　前記基板の研磨品質を示す研磨品質情報である、
    　請求項１乃至請求項７のいずれか一項に記載の情報処理装置。
  12. 　前記学習モデルは、
    　　前記研磨処理条件と、当該研磨処理条件による前記化学機械研磨処理が行われた前記基板に加わるストレスを示すストレス情報との相関関係を機械学習により学習させたストレス解析用の学習モデルと、
    　前記ストレス情報と、当該ストレス情報が示す前記ストレスが加えられた前記基板の研磨品質を示す研磨品質情報との相関関係を学習させた研磨品質解析用の学習モデルとで構成され、
    　前記状態予測部は、
    　　前記ストレス解析用の学習モデルに対して、前記情報取得部により取得された前記研磨処理条件を入力することで、当該研磨処理条件による前記化学機械研磨処理が行われた前記基板に対する前記ストレス情報を予測し、
    　　前記研磨品質解析用の学習モデルに対して、その予測した前記ストレス情報を入力することで、当該ストレス情報が示す前記ストレスが加えられた前記基板に対する前記研磨品質情報を予測する、
    　請求項１乃至請求項７のいずれか一項に記載の情報処理装置。
  13. 　メモリと、プロセッサとを備える推論装置であって、
    　前記プロセッサは、
    　　研磨パッドを回転可能に支持する研磨テーブル、前記研磨パッドに基板を押し付けるトップリング、及び、前記研磨パッドに研磨流体を供給する研磨流体供給ノズルを備える基板処理装置により行われる前記基板の化学機械研磨処理における、前記トップリングの状態を示すトップリング状態情報、前記研磨テーブルの状態を示す研磨テーブル状態情報、及び、前記研磨流体供給ノズルの状態を示す研磨流体供給ノズル状態情報を含む研磨処理条件を取得する情報取得処理と、
    　　前記情報取得処理にて前記研磨処理条件を取得すると、当該研磨処理条件による前記化学機械研磨処理が行われた前記基板の状態を示す基板状態情報を推論する推論処理と、を実行する、
    　推論装置。
  14. 　メモリと、プロセッサとを備える推論装置であって、
    　前記プロセッサは、
    　　研磨パッドを回転可能に支持する研磨テーブル、前記研磨パッドに基板を押し付けるトップリング、及び、前記研磨パッドに研磨流体を供給する研磨流体供給ノズルを備える基板処理装置により化学機械研磨処理が行われた前記基板に加わるストレスを示すストレス情報を取得する情報取得処理と、
    　　前記情報取得処理にて前記ストレス情報を取得すると、当該ストレス情報が示す前記ストレスが加えられた前記基板の研磨品質を示す研磨品質情報を推論する推論処理と、を実行する、
    　推論装置。
  15. 　研磨パッドを回転可能に支持する研磨テーブル、前記研磨パッドに基板を押し付けるトップリング、及び、前記研磨パッドに研磨流体を供給する研磨流体供給ノズルを備える基板処理装置により行われる前記基板の化学機械研磨処理における、前記トップリングの状態を示すトップリング状態情報、前記研磨テーブルの状態を示す研磨テーブル状態情報、及び、前記研磨流体供給ノズルの状態を示す研磨流体供給ノズル状態情報を含む研磨処理条件と、当該研磨処理条件による前記化学機械研磨処理が行われた前記基板の状態を示す基板状態情報とで構成される学習用データを複数組記憶する学習用データ記憶部と、
    　複数組の前記学習用データを学習モデルに入力することで、前記研磨処理条件と前記基板状態情報との相関関係を前記学習モデルに学習させる機械学習部と、
    　前記機械学習部により前記相関関係を学習させた前記学習モデルを記憶する学習済みモデル記憶部と、を備える、
    　機械学習装置。
  16. 　研磨パッドを回転可能に支持する研磨テーブル、前記研磨パッドに基板を押し付けるトップリング、及び、前記研磨パッドに研磨流体を供給する研磨流体供給ノズルを備える基板処理装置により化学機械研磨処理が行われた前記基板に加わるストレスを示すストレス情報と、当該ストレス情報が示す前記ストレスが加えられた前記基板の研磨品質を示す研磨品質情報とで構成される学習用データを複数組記憶する学習用データ記憶部と、
    　複数組の前記学習用データを学習モデルに入力することで、前記ストレス情報と前記研磨品質情報との相関関係を前記学習モデルに学習させる機械学習部と、
    　前記機械学習部により前記相関関係を学習させた前記学習モデルを記憶する学習済みモデル記憶部と、を備える、
    　機械学習装置。
  17. 　研磨パッドを回転可能に支持する研磨テーブル、前記研磨パッドに基板を押し付けるトップリング、及び、前記研磨パッドに研磨流体を供給する研磨流体供給ノズルを備える基板処理装置により行われる前記基板の化学機械研磨処理における、前記トップリングの状態を示すトップリング状態情報、前記研磨テーブルの状態を示す研磨テーブル状態情報、及び、前記研磨流体供給ノズルの状態を示す研磨流体供給ノズル状態情報を含む研磨処理条件を取得する情報取得工程と、
    　前記研磨処理条件と、当該研磨処理条件による前記化学機械研磨処理が行われた前記基板の状態を示す基板状態情報との相関関係を機械学習により学習させた学習モデルに、前記情報取得工程により取得された前記研磨処理条件を入力することで、当該研磨処理条件による前記化学機械研磨処理が行われた前記基板に対する前記基板状態情報を予測する状態予測工程と、を備える、
    　情報処理方法。
  18. 　メモリと、プロセッサとを備える推論装置により実行される推論方法であって、
    　前記プロセッサは、
    　　研磨パッドを回転可能に支持する研磨テーブル、前記研磨パッドに基板を押し付けるトップリング、及び、前記研磨パッドに研磨流体を供給する研磨流体供給ノズルを備える基板処理装置により行われる前記基板の化学機械研磨処理における、前記トップリングの状態を示すトップリング状態情報、前記研磨テーブルの状態を示す研磨テーブル状態情報、及び、前記研磨流体供給ノズルの状態を示す研磨流体供給ノズル状態情報を含む研磨処理条件を取得する情報取得工程と、
    　　前記情報取得工程にて前記研磨処理条件を取得すると、当該研磨処理条件による前記化学機械研磨処理が行われた前記基板の状態を示す基板状態情報を推論する推論工程と、を実行する、
    　推論方法。
  19. 　メモリと、プロセッサとを備える推論装置により実行される推論方法であって、
    　前記プロセッサは、
    　　研磨パッドを回転可能に支持する研磨テーブル、前記研磨パッドに基板を押し付けるトップリング、及び、前記研磨パッドに研磨流体を供給する研磨流体供給ノズルを備える基板処理装置により化学機械研磨処理が行われた前記基板に加わるストレスを示すストレス情報を取得する情報取得工程と、
    　　前記情報取得工程にて前記ストレス情報を取得すると、当該ストレス情報が示す前記ストレスが加えられた前記基板の研磨品質を示す研磨品質情報を推論する推論工程と、を実行する、
    　推論方法。
  20. 　研磨パッドを回転可能に支持する研磨テーブル、前記研磨パッドに基板を押し付けるトップリング、及び、前記研磨パッドに研磨流体を供給する研磨流体供給ノズルを備える基板処理装置により行われる前記基板の化学機械研磨処理における、前記トップリングの状態を示すトップリング状態情報、前記研磨テーブルの状態を示す研磨テーブル状態情報、及び、前記研磨流体供給ノズルの状態を示す研磨流体供給ノズル状態情報を含む研磨処理条件と、当該研磨処理条件による前記化学機械研磨処理が行われた前記基板の状態を示す基板状態情報とで構成される学習用データを学習用データ記憶部に複数組記憶する学習用データ記憶工程と、
    　複数組の前記学習用データを学習モデルに入力することで、前記研磨処理条件と前記基板状態情報との相関関係を前記学習モデルに学習させる機械学習工程と、
    　前記機械学習工程により前記相関関係を学習させた前記学習モデルを学習用データ記憶部に複数組記憶する学習用データ記憶工程と、を備える、
    　機械学習方法。
  21. 　研磨パッドを回転可能に支持する研磨テーブル、前記研磨パッドに基板を押し付けるトップリング、及び、前記研磨パッドに研磨流体を供給する研磨流体供給ノズルを備える基板処理装置により化学機械研磨処理が行われた前記基板に加わるストレスを示すストレス情報と、当該ストレス情報が示す前記ストレスが加えられた前記基板の研磨品質を示す研磨品質情報とで構成される学習用データを学習用データ記憶部に複数組記憶する学習用データ記憶工程と、
    　複数組の前記学習用データを学習モデルに入力することで、前記ストレス情報と前記研磨品質情報との相関関係を前記学習モデルに学習させる機械学習工程と、
    　前記機械学習工程により前記相関関係を学習させた前記学習モデルを学習用データ記憶部に複数組記憶する学習用データ記憶工程と、を備える、
    　機械学習方法。

     
PCT/JP2022/045330 2021-12-17 2022-12-08 情報処理装置、推論装置、機械学習装置、情報処理方法、推論方法、及び、機械学習方法 WO2023112830A1 (ja)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
JP2021-204866 2021-12-17
JP2021204866 2021-12-17
JP2022194727A JP2023090667A (ja) 2021-12-17 2022-12-06 情報処理装置、推論装置、機械学習装置、情報処理方法、推論方法、及び、機械学習方法
JP2022-194727 2022-12-06

Publications (1)

Publication Number Publication Date
WO2023112830A1 true WO2023112830A1 (ja) 2023-06-22

Family

ID=86774626

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2022/045330 WO2023112830A1 (ja) 2021-12-17 2022-12-08 情報処理装置、推論装置、機械学習装置、情報処理方法、推論方法、及び、機械学習方法

Country Status (2)

Country Link
TW (1) TW202339896A (ja)
WO (1) WO2023112830A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117067096A (zh) * 2023-10-18 2023-11-17 苏州博宏源机械制造有限公司 基于参数优化的双面研磨抛光设备的自动控制系统及方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020053550A (ja) * 2018-09-27 2020-04-02 株式会社荏原製作所 研磨装置、研磨方法、及び機械学習装置
JP2021150474A (ja) * 2020-03-19 2021-09-27 株式会社荏原製作所 研磨装置、情報処理システム及びプログラム

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020053550A (ja) * 2018-09-27 2020-04-02 株式会社荏原製作所 研磨装置、研磨方法、及び機械学習装置
JP2021150474A (ja) * 2020-03-19 2021-09-27 株式会社荏原製作所 研磨装置、情報処理システム及びプログラム

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117067096A (zh) * 2023-10-18 2023-11-17 苏州博宏源机械制造有限公司 基于参数优化的双面研磨抛光设备的自动控制系统及方法
CN117067096B (zh) * 2023-10-18 2023-12-15 苏州博宏源机械制造有限公司 基于参数优化的双面研磨抛光设备的自动控制系统及方法

Also Published As

Publication number Publication date
TW202339896A (zh) 2023-10-16

Similar Documents

Publication Publication Date Title
US20230330803A1 (en) Irregular mechanical motion detection systems and method
WO2023112830A1 (ja) 情報処理装置、推論装置、機械学習装置、情報処理方法、推論方法、及び、機械学習方法
TWI668540B (zh) 製造機台的狀況監控方法、半導體製造系統及其狀況監控方法
JP2007317705A (ja) 基板処理装置、装置検査方法、装置検査プログラム、及びそのプログラムを記録した記録媒体
WO2023189170A1 (ja) 情報処理装置、推論装置、機械学習装置、情報処理方法、推論方法、及び、機械学習方法
US20240062066A1 (en) Information processing apparatus and machine learning apparatus
US11897078B2 (en) Polishing apparatus, information processing system, polishing method, and computer-readable storage medium
JP2023090667A (ja) 情報処理装置、推論装置、機械学習装置、情報処理方法、推論方法、及び、機械学習方法
WO2023153208A1 (ja) 情報処理装置、推論装置、機械学習装置、情報処理方法、推論方法、及び、機械学習方法
WO2023149161A1 (ja) 情報処理装置、推論装置、機械学習装置、情報処理方法、推論方法、及び、機械学習方法
JP2023116396A (ja) 情報処理装置、推論装置、機械学習装置、情報処理方法、推論方法、及び、機械学習方法
WO2023189165A1 (ja) 情報処理装置、推論装置、機械学習装置、情報処理方法、推論方法、及び、機械学習方法
WO2023166991A1 (ja) 情報処理装置、推論装置、機械学習装置、情報処理方法、推論方法、及び、機械学習方法
WO2023149162A1 (ja) 情報処理装置、推論装置、機械学習装置、情報処理方法、推論方法、及び、機械学習方法
WO2023058285A1 (ja) 情報処理装置、推論装置、機械学習装置、情報処理方法、推論方法、及び、機械学習方法
WO2024024391A1 (ja) 情報処理装置、機械学習装置、情報処理方法、及び、機械学習方法
JP2023127537A (ja) 情報処理装置、推論装置、機械学習装置、情報処理方法、推論方法、及び、機械学習方法
KR20230153443A (ko) 이미지들의 시간 기반 시퀀스를 사용하는 cmp 컴포넌트의 이탈 검출
WO2024029236A1 (ja) 情報処理装置、推論装置、機械学習装置、情報処理方法、推論方法、及び、機械学習方法
WO2024053221A1 (ja) 情報処理装置、機械学習装置、情報処理方法、及び、機械学習方法
WO2023058289A1 (ja) 情報処理装置、推論装置、機械学習装置、情報処理方法、推論方法、及び、機械学習方法
TWI841927B (zh) 用於使用基於時間的圖像序列檢測ｃｍｐ部件的偏移的系統、方法及電腦程式產品
WO2024116625A1 (ja) 安全支援装置、推論装置、機械学習装置、安全支援方法、推論方法、及び、機械学習方法
JP2024046993A (ja) 支援装置、支援方法、基板処理システム、記録媒体、及び、支援プログラム
CN117836922A (zh) 用于无接触处理腔室表征的方法及机制

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: 22907357

Country of ref document: EP

Kind code of ref document: A1