WO2023166991A1 - 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
WO2023166991A1
WO2023166991A1 PCT/JP2023/005241 JP2023005241W WO2023166991A1 WO 2023166991 A1 WO2023166991 A1 WO 2023166991A1 JP 2023005241 W JP2023005241 W JP 2023005241W WO 2023166991 A1 WO2023166991 A1 WO 2023166991A1
Authority
WO
WIPO (PCT)
Prior art keywords
substrate
finishing
information
cleaning
state
Prior art date
Application number
PCT/JP2023/005241
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 JP2022194728A external-priority patent/JP2023127537A/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 WO2023166991A1 publication Critical patent/WO2023166991A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • 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 at least one potential-jump barrier or surface barrier, e.g. PN junction, depletion layer or carrier concentration layer
    • H01L21/18—Manufacture or treatment of semiconductor devices or of parts thereof the devices having at least one potential-jump barrier or surface barrier, e.g. PN junction, depletion layer or carrier concentration layer the devices having semiconductor bodies comprising elements of Group IV of the Periodic System 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 substrate processing apparatus for example, while a polishing table having a polishing pad is rotated, a polishing liquid (slurry) is supplied to the polishing pad from a liquid supply nozzle, and a polishing head called a top ring presses the substrate against the polishing pad. , the substrate is chemically and mechanically polished.
  • the substrate after polishing is scrub-cleaned by bringing a cleaning tool into contact with the substrate while supplying the substrate-cleaning fluid, and further drying the substrate with a substrate-drying fluid. This completes the substrate finishing process.
  • Appropriate monitoring of the state of the substrate during or after processing such as stress applied to the substrate due to finishing processing, or monitoring of the substrate during or after processing at any timing before, during, or after processing
  • the state can be predicted, it is effective in managing the production quality and yield of the board.
  • it is not realistic to directly attach some kind of sensor to each substrate in order to detect the state of the substrate.
  • the finishing process is performed by the substrate processing apparatus, the state of the substrate depends on each unit (the substrate holding unit that holds the substrate, and the substrate finishing fluid (substrate cleaning fluid, substrate drying fluid, etc.) provided to the substrate processing apparatus. , etc.), which are complex and interact 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 device, an inference device, a machine learning device, an information processing method, an inference method, and an inference method, which are capable of appropriately predicting the state of a substrate during or after finishing processing. And it aims to provide a machine learning method.
  • an information processing device includes: A substrate holding portion state indicating a state of the substrate holding portion in finishing processing of the substrate performed by a substrate processing apparatus including a substrate holding portion for holding a substrate and a finishing fluid supply portion for supplying a substrate finishing fluid to the substrate.
  • an information acquisition unit for acquiring finishing processing conditions including information and finishing fluid supply unit state information indicating the state of the finishing fluid supply unit; Acquired by the information acquisition unit in a learning model that is learned by machine learning the correlation between the finishing treatment conditions and substrate state information indicating the state of the substrate that has been subjected to the finishing treatment under the finishing treatment conditions a state prediction unit that predicts the substrate state information for the substrate that has been subjected to the finishing processing under the finishing processing conditions by inputting the finishing processing conditions.
  • the finishing condition including the substrate holding portion state information and the finishing fluid supply portion state information in the finishing process of the substrate is input to the learning model. Since the substrate state information for the conditions is predicted, it is possible to appropriately predict the state of the substrate during or after finishing treatment.
  • 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 perspective view showing an example of first and second roll sponge cleaning units 24A and 24B;
  • FIG. 3 is a perspective view showing an example of first and second pen sponge cleaning units 24C and 24D.
  • FIG. 3 is a perspective view showing an example of first and second drying sections 24E and 24F;
  • 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 the database device 3.
  • FIG. 3 is a data configuration diagram showing an example of a cleaning test table 310 of finishing test information 31 managed by the database device 3.
  • FIG. 3 is a data configuration diagram showing an example of a drying test table 311 of finishing 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.
  • It is a figure which shows an example of the 2nd learning model 10B and the 2nd data for learning 11B.
  • FIG. 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. It is a figure which shows an example of 10 C of 3rd learning models, and 11 C of data for 3rd learning. It is a figure which shows an example of 4th learning model 10D and 4th learning data 11D.
  • 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. 10 is a diagram showing an example of a fifth learning model 10E and fifth learning data 11E for cleaning quality analysis
  • It is a figure which shows an example of the 6th learning model 10F for drying quality analysis, and the 6th learning data 11F.
  • FIG. 11 is a block diagram showing an example of an information processing device 5b according to a third embodiment
  • FIG. 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") for flatly polishing the surface of the wafer W by pressing the substrate (hereinafter referred to as "wafer") W such as a semiconductor wafer against a polishing pad.
  • a system for managing a series of substrate processing including cleaning processing for cleaning the surface of the wafer W by bringing the wafer W after polishing processing into contact with a cleaning tool, drying processing for drying the substrate after cleaning processing, etc. function as
  • 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. 8 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 refers to apparatus setting information 265 consisting of a plurality of apparatus parameters respectively set for each unit, and substrate recipe information 266 that defines the operation states of the polishing process, the cleaning process, the drying process, and the like. while controlling the operation of each unit.
  • 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 finishing processing tests (hereinafter referred to as "finishing tests") on dummy wafers for testing. It is a device that manages finishing test information 31 related to the history when the is performed.
  • the finishing process is a process for finishing the surface to be finished of the wafer W after the polishing process, and includes, for example, a cleaning process, a drying process, and the like.
  • a cleaning process and a drying process are performed as the finishing process, and a cleaning process test (hereinafter referred to as a "cleaning test”) and a drying process test (hereinafter referred to as a "drying test”) are performed as the finishing test.
  • 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 when the substrate processing apparatus 2 performs a finish test on a dummy wafer for testing, and provides finish test information. 31 and registering the test results of the finishing tests in association with each other, the finishing test information 31 accumulates the report R and the test results relating to the finishing tests.
  • the dummy wafer is a jig imitating the wafer W.
  • FIG. 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 finishing process is performed, and the measured value of the dummy wafer sensor is used as the test result. It is registered in the finishing 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 finishing test may be performed by the substrate processing apparatus 2 for production, or by a finishing test apparatus for testing that can reproduce the same finishing process as the substrate processing apparatus 2, for example, a cleaning test that performs a cleaning test. It may be carried out in a device, a drying test device for performing a drying test, or the like.
  • the machine learning device 4 operates as a main body of the learning phase of machine learning, for example, acquires a part of the finishing test information 31 from the database device 3 as first and second learning data 11A and 11B, and uses the information processing device 5 are generated by machine learning.
  • the trained first and second learning models 10A and 10B are provided to the information processing device 5 via the network 7, a recording medium, or the like.
  • the information processing device 5 operates as a subject of the inference phase of machine learning, and uses the first and second learning models 10A and 10B generated by the machine learning device 4 to perform the finishing process by the substrate processing device 2 for the actual production.
  • 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 finishing process is performed (post-prediction process), during the finishing process (real-time prediction process), or during the finishing 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, finish 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 finishing 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 finishing unit 24, and the substrate transfer unit 23 and the finishing unit 24 are separated from each other by a second separation 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 finishing unit 24 (specifically, First and second drying units 24E and 24F, which will be described later), and the film thickness measurement unit 25, are configured to be accessible, and upper and lower two-stage hands (not shown) for transferring the wafer W between them ).
  • the lower hand is used when transferring wafers W before processing, and the upper hand is used when transferring wafers W after processing.
  • a shutter (not shown) provided on the first partition 200A is opened and closed.
  • 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 includes a polishing table 220 that rotatably supports a polishing pad 2200 having a polishing surface, a wafer W that holds the wafer W, and a polishing pad on the polishing table 220 that holds the wafer W.
  • a dresser 223 that contacts the polishing surface of 2200 to dress the polishing pad 2200 and an atomizer 224 that sprays cleaning fluid onto the polishing pad 2200 are provided.
  • 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 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 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 disposed between the first and second linear transporters 230A, 230B, a lifter 232 disposed on the loading/unloading unit 21 side, and a finishing 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.
  • finishing unit The finishing unit 24, as shown in FIG.
  • First and second pen sponge cleaning units 24C and 24D which are arranged in two upper and lower stages, serve as substrate cleaning devices
  • first and second pen sponge cleaning units 24C, 24D which are arranged in two upper and lower stages, serve as substrate drying devices for drying the wafers W after cleaning.
  • second drying sections 24E and 24F, and first and second transfer sections 24G and 24H serve as substrate drying devices for drying the wafers W after cleaning.
  • first and second transfer sections 24G and 24H for transferring the wafer W.
  • the number and arrangement of the roll sponge cleaning units 24A and 24B, the pen sponge cleaning units 24C and 24D, the drying units 24E and 24F, and the transport units 24G and 24H are not limited to the example shown in FIG. good.
  • Each section 24A to 24H of the finishing unit 24 is divided along the first and second linear transporters 230A and 230B, for example, the first and second roll sponge cleaning sections 24A and 24B, the second 1 conveying section 24G, first and second pen sponge washing sections 24C, 24D, second conveying section 24H, and first and second drying sections 24E, 24F in this order (from the load/unload unit 21 farthest order).
  • the finishing unit 24 subjects the wafer W after the polishing process to primary cleaning processing by either the first and second roll sponge cleaning units 24A and 24B, and the first and second pen sponge cleaning units 24C and 24D. A secondary cleaning process by one of them and a drying process by one of the first and second drying units 24E and 24F are performed in this order.
  • the roll sponge 2400 and pen sponge 2401 are made of synthetic resin such as PVA and nylon, and have a porous structure.
  • the roll sponge 2400 and the pen sponge 2401 function as cleaning tools for scrub cleaning the wafer W, and are the first and second roll sponge cleaning units 24A and 24B and the first and second pen sponge cleaning units 24C. , 24D, respectively.
  • the first transport section 24G includes a first transport robot 246A that can move vertically.
  • the first transport robot 246A operates on the temporary table 233 of the substrate transport unit 23, the first and second roll sponge cleaning units 24A and 24B, and the first and second pen sponge cleaning units 24C and 24D. It is configured to be accessible and has upper and lower two-stage hands for transferring wafers W therebetween. For example, the lower hand is used when transferring wafers W before cleaning, and the upper hand is used when transferring wafers W after cleaning.
  • a shutter (not shown) provided on the second partition 200B is opened and closed.
  • the second transport section 24H includes a second transport robot 246B that can move vertically.
  • the second transfer robot 246B is configured to be able to access the first and second pen sponge cleaning units 24C, 24D and the first and second drying units 24E, 24F, between which the wafer W is transferred. Equipped with a hand for passing
  • FIG. 4 is a perspective view showing an example of the first and second roll sponge cleaning parts 24A, 24B.
  • the basic configurations and functions of the first and second roll sponge cleaning units 24A and 24B are common.
  • the first and second roll sponge cleaning units 24A and 24B have a pair of roll sponges 2400 arranged vertically so as to sandwich the surfaces to be cleaned (front and back surfaces) of the wafer W.
  • Each of the first and second roll sponge cleaning units 24A and 24B can rotate a substrate holding unit 241 that holds the wafer W, a cleaning fluid supply unit 242 that supplies substrate cleaning fluid to the wafer W, and a roll sponge 2400.
  • a substrate cleaning unit 240 that supports the substrate and cleans the wafer W by bringing the roll sponge 2400 into contact with the wafer W;
  • a cleaning tool cleaning unit 243 that cleans (self-cleans) the roll sponge 2400 with a cleaning tool cleaning fluid;
  • an environment sensor 244 that measures the condition of the internal space of the housing 20 where the operation is performed.
  • the cleaning fluid supply section 242 corresponds to a finishing fluid supply section that supplies a substrate cleaning fluid as a substrate finishing fluid.
  • the substrate holding part 241 includes a substrate holding mechanism part 241a that holds a plurality of positions on the side edge of the wafer W, and a substrate rotation mechanism part that rotates the wafer W around a first rotation axis perpendicular to the surface to be cleaned of the wafer W. 241b.
  • the substrate holding mechanism 241a is four rollers, and at least one roller is configured to be movable with respect to the side edge of the wafer W in the holding direction or separation direction. 241b rotates at least one roller.
  • the cleaning fluid supply unit 242 includes a cleaning fluid supply nozzle 242a that supplies the substrate cleaning fluid to the surface to be cleaned of the wafer W, a swinging movement mechanism unit 242b that swivels the cleaning fluid supply nozzle 242a, and a substrate cleaning fluid flow rate and A flow control unit 242c for controlling pressure and a temperature control mechanism unit 242d for controlling the temperature of the substrate cleaning fluid are provided.
  • the substrate cleaning fluid may be pure water (rinse liquid), a chemical solution, or a mixture thereof (for example, the concentration can be adjusted by adjusting the flow rate of the pure water and the chemical solution by the flow control unit 242c), and the cleaning fluid supply nozzle 242a is As shown in FIG. 4, a nozzle for pure water and a nozzle for chemical solution may be provided separately.
  • the substrate cleaning fluid may be a liquid, a two-fluid mixture of a liquid and a gas, or may contain a solid such as dry ice.
  • the substrate cleaning section 240 includes a cleaning tool rotation mechanism section 240a that rotates the roll sponge 2400 around a second rotation axis parallel to the surface to be cleaned of the wafer W, and the height of the pair of roll sponges 2400 and the separation distance between the two.
  • a vertical movement mechanism 240b for vertically moving at least one of the pair of roll sponges 2400 and a linear movement mechanism 240c for linearly moving the pair of roll sponges 2400 in the horizontal direction are provided.
  • the vertical movement mechanism portion 240b and the linear movement mechanism portion 240c function as a cleaning tool movement mechanism portion that moves the relative positions of the roll sponge 2400 and the surface of the wafer W to be cleaned.
  • the cleaning tool cleaning part 243 is arranged at a position not interfering with the wafer W, and accommodated in the cleaning tool cleaning tank 243a capable of storing and discharging the cleaning tool cleaning fluid and the cleaning tool cleaning tank 243a.
  • a flow control unit 243d is provided to control the flow rate and pressure of the cleaning tool cleaning fluid discharged to the outside.
  • the cleaning tool cleaning fluid may be pure water (rinse liquid), chemical solution, or a mixture thereof (for example, the concentration can be adjusted by adjusting the flow rate of pure water and chemical solution by the flow rate adjusting unit 243c).
  • the environment sensor 244 includes, for example, a temperature sensor 244a, a humidity sensor 244b, an atmospheric pressure sensor 244c, an oxygen concentration sensor 244d, and a microphone (sound sensor) 244e.
  • a camera image sensor capable of photographing the surface of the wafer W and the roll sponge 2400, temperature distribution, airflow distribution, etc. during the cleaning process or before and after the cleaning process may be provided.
  • the imaging target of the camera is not limited to visible light, and may be infrared light, ultraviolet light, or the like.
  • the wafer W is rotated by the substrate rotating mechanism 241b while being held by the substrate holding mechanism 241a. Then, in a state in which the substrate cleaning fluid is supplied to the surface to be cleaned of the wafer W from the cleaning fluid supply nozzle 242a, the roll sponge 2400 rotated around the axis by the cleaning tool rotation mechanism 240a is applied to the surface to be cleaned of the wafer W. The wafer W is cleaned by the sliding contact.
  • the substrate cleaning unit 240 moves the roll sponge 2400 to the cleaning tool cleaning tank 243a, for example, rotates the roll sponge 2400, presses it against the cleaning tool cleaning plate 243b, or controls the cleaning tool cleaning fluid by the flow control unit 243d. is supplied to the roll sponge 2400, the roll sponge 2400 is cleaned.
  • FIG. 5 is a perspective view showing an example of the first and second pen sponge cleaning units 24C and 24D.
  • the basic configurations and functions of the first and second pen sponge cleaning units 24C and 24D are common.
  • Each of the first and second pen sponge cleaning units 24C and 24D can rotate a substrate holding unit 241 that holds the wafer W, a cleaning fluid supply unit 242 that supplies substrate cleaning fluid to the wafer W, and a pen sponge 2401.
  • a substrate cleaning unit 240 that supports the substrate and cleans the wafer W by bringing the pen sponge 2401 into contact with the wafer W, a cleaning tool cleaning unit 243 that cleans (self-cleans) the pen sponge 2401 with cleaning fluid, and a cleaning process and an environment sensor 244 that measures the condition of the internal space of the housing 20 where the operation is performed.
  • the cleaning fluid supply section 242 corresponds to a finishing fluid supply section that supplies a substrate cleaning fluid as a substrate finishing fluid.
  • the pen sponge cleaning units 24C and 24D will be described below, focusing on the differences from the roll sponge cleaning units 24A and 24B.
  • the substrate holding unit 241 includes a substrate holding mechanism unit 241c that holds a plurality of positions on the side edge of the wafer W, and a substrate rotation mechanism unit that rotates the wafer W around a first rotation axis perpendicular to the surface to be cleaned of the wafer W. 241d.
  • the substrate holding mechanism part 241c is four chucks, and at least one chuck is configured to be movable with respect to the side edge of the wafer W in the holding direction or the separation direction. 241d rotates a support shaft connected to four chucks.
  • the cleaning fluid supply section 242 is configured in the same manner as in FIG. 4, and includes a cleaning fluid supply nozzle 242a, a rocking movement mechanism section 242b, a flow control section 242c, and a temperature control mechanism section 242d.
  • the substrate cleaning section 240 includes a cleaning tool rotation mechanism section 240d that rotates the pen sponge 2401 around a third rotation axis perpendicular to the surface to be cleaned of the wafer W, and a vertical movement mechanism section 240e that vertically moves the pen sponge 2401. and a rocking movement mechanism 240f for rotating and moving the pen sponge 2401 in the horizontal direction.
  • the vertical movement mechanism portion 240e and the swing movement mechanism portion 240f function as a cleaning tool movement mechanism portion that moves the relative positions of the pen sponge 2401 and the surface of the wafer W to be cleaned.
  • the cleaning tool cleaning part 243 is arranged at a position not interfering with the wafer W, and accommodated in the cleaning tool cleaning tank 243e capable of storing and discharging the cleaning tool cleaning fluid, and the cleaning tool cleaning tank 243e.
  • a flow control unit 243h is provided to control the flow rate and pressure of the cleaning tool cleaning fluid discharged to the outside.
  • the environment sensor 244 includes, for example, a temperature sensor 244a, a humidity sensor 244b, an atmospheric pressure sensor 244c, an oxygen concentration sensor 244d, and a microphone (sound sensor) 244e.
  • a camera image sensor capable of photographing the surface of the wafer W and the pen sponge 2401, temperature distribution, airflow distribution, etc. during the cleaning process or before and after the cleaning process may be provided.
  • the imaging target of the camera is not limited to visible light, and may be infrared light, ultraviolet light, or the like.
  • the wafer W is rotated by the substrate rotating mechanism 241d while being held by the substrate holding mechanism 241c. Then, while the substrate cleaning fluid is being supplied from the cleaning fluid supply nozzle 242a to the surface to be cleaned of the wafer W, the pen sponge 2401 rotated around the axis by the cleaning tool rotation mechanism 240d is applied to the surface to be cleaned of the wafer W. The wafer W is cleaned by the sliding contact. After that, the substrate cleaning unit 240 moves the pen sponge 2401 to the cleaning tool cleaning tank 243e, for example, rotates the pen sponge 2401, presses it against the cleaning tool cleaning plate 243f, or controls the cleaning tool cleaning fluid by the flow control unit 243h. is supplied to the pen sponge 2401 to clean the pen sponge 2401 .
  • FIG. 6 is a perspective view showing an example of the first and second drying sections 24E, 24F.
  • the basic configurations and functions of the first and second drying sections 24E and 24F are common.
  • Each of the first and second drying sections 24E and 24F includes a substrate holding section 241 that holds the wafer W, a drying fluid supply section 245 that supplies the substrate drying fluid to the wafer W, and the housing 20 where the drying process is performed. and an environment sensor 244 that measures the state of the interior space.
  • the drying fluid supply unit 245 corresponds to a finishing fluid supply unit that supplies a substrate drying fluid as a substrate finishing fluid.
  • the substrate holding unit 241 includes a substrate holding mechanism unit 241e that holds a plurality of positions on the side edge of the wafer W, and a substrate rotation mechanism unit that rotates the wafer W around a first rotation axis perpendicular to the surface to be cleaned of the wafer W. 241f.
  • the dry fluid supply unit 245 includes a dry fluid supply nozzle 245a that supplies the substrate dry fluid to the surface to be cleaned of the wafer W, a vertical movement mechanism unit 245b that vertically moves the dry fluid supply nozzle 245a, and the dry fluid supply nozzle 245a. , a flow control unit 245d for adjusting the flow rate and pressure of the substrate drying fluid, and a temperature control mechanism unit 245e for adjusting the temperature of the substrate drying fluid.
  • the vertical movement mechanism portion 245b and the rocking movement mechanism portion 245c function as a drying fluid supply nozzle movement mechanism portion that moves the relative positions of the drying fluid supply nozzle 245a and the surface of the wafer W to be cleaned.
  • the substrate drying fluid is, for example, IPA vapor and pure water (rinse liquid), and as shown in FIG. may have been Also, the substrate drying fluid may be a liquid, a two-fluid mixture of a liquid and a gas, or a solid such as dry ice.
  • the environment sensor 244 includes a temperature sensor 244a, a humidity sensor 244b, an atmospheric pressure sensor 244c, an oxygen concentration sensor 244d, and a microphone (sound sensor) 244e.
  • a camera image sensor capable of photographing the surface of the wafer W, temperature distribution, airflow distribution, etc. during the drying process or before and after the drying process may be provided.
  • the imaging target of the camera is not limited to visible light, and may be infrared light, ultraviolet light, or the like.
  • the wafer W is rotated by the substrate rotating mechanism 241f while being held by the substrate holding mechanism 241e. Then, the drying fluid supply nozzle 245a is moved toward the side edge of the wafer W (outside in the radial direction) while the substrate drying fluid is being supplied from the drying fluid supply nozzle 245a to the surface of the wafer W to be cleaned. After that, the wafer W is dried by being rotated at high speed by the substrate rotation mechanism 241f.
  • 240d are omitted, but for example, modules for generating driving force such as motors and air cylinders, and driving force transmission mechanisms such as linear guides, ball screws, gears, belts, couplings and bearings.
  • sensors such as a linear sensor, an encoder sensor, a limit sensor, and a torque sensor are combined as appropriate.
  • 4 to 6 omit specific configurations of the flow rate control units 243c, 243d, 243g, 243h, and 245d. It is configured by appropriately combining sensors such as a pressure sensor, a liquid level sensor, a temperature sensor, a fluid concentration sensor, and a fluid particle sensor. 4 to 6 omit the specific configuration of the temperature control mechanism units 242d and 245e, but for example, temperature control (contact or non-contact) modules such as heaters and heat exchangers, It is configured by appropriately combining sensors such as a temperature sensor and a current sensor.
  • 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. 7 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 (modules, sensors, sequencers) of the finishing unit 24 will be described below as an example, but since the other units 21 to 23 and 25 have the same basic configuration and functions, their description will be omitted.
  • the finishing unit 24 includes subunits provided in the finishing unit 24 (for example, first and second roll sponge cleaning units 24A and 24B, first and second pen sponge cleaning units 24C and 24D, first and second Drying units 24E, 24F, first and second conveying units 24G, 24H, etc.), and a plurality of modules 2471 to 247r to be controlled, and a plurality of modules 2471 to 247r, respectively.
  • a plurality of sensors 2481 to 248s for detecting data (detection values) necessary for controlling the modules 2471 to 247r, and a sequencer 249 for controlling the operations of the modules 2471 to 247r based on the detection values of the sensors 2481 to 248s. Prepare.
  • the sensors 2481 to 248s of the finishing unit 24 include, for example, sensors for detecting the holding pressure when the substrate holding mechanisms 241a and 241c hold the substrate, sensors for detecting the number of revolutions of the substrate holding mechanisms 241a and 241c, and substrates.
  • a sensor that detects the cleanliness of the cleaning fluid for example, particles contained in the waste liquid of the cleaning tool cleaning tanks 243a and 243e), an environment sensor 244, and the like are included.
  • 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. 8 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. 8 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. 9 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; It has a cleaning history table 301 relating to device status information in cleaning processing and a drying history table 302 relating to device status information in drying processing.
  • the production history information 30 includes a polishing history table regarding apparatus status information in polishing 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, the cleaning process, and the drying process are illustrated in FIG. 9, the other processes are similarly registered.
  • Each record of the cleaning history table 301 registers, for example, a wafer ID, substrate holding unit state information, cleaning fluid supply unit state information, substrate cleaning unit state information, apparatus internal environment information, and the like.
  • the substrate holding portion state information is information indicating the state of the substrate holding portion 241 in the cleaning process.
  • the substrate holding unit 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 substrate holding unit 241 .
  • the cleaning fluid supply unit state information is information indicating the state of the cleaning fluid supply unit 242 in the cleaning process.
  • the cleaning fluid supply unit 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 cleaning fluid supply unit 242 .
  • the substrate cleaning unit state information is information indicating the state of the substrate cleaning unit 240 during the cleaning process.
  • the substrate cleaning unit 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 substrate cleaning unit 240 .
  • 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 roll sponge cleaning units 24A and 24B or the pen sponge cleaning units 24C and 24D are arranged. is the detected value of each sensor.
  • time series data of each sensor (or time series data of each module) can be obtained as the device state of the substrate processing apparatus 2 when the wafer W specified by the wafer ID is subjected to the cleaning process. series data) can be extracted.
  • Each record of the drying history table 302 registers, for example, a wafer ID, substrate holding unit state information, drying fluid supply unit state information, environment information within the device, and the like.
  • the substrate holding portion state information is information indicating the state of the substrate holding portion 241 in the drying process.
  • the substrate holding unit 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 substrate holding unit 241 .
  • the dry fluid supply unit state information is information indicating the state of the dry fluid supply unit 245 in the drying process.
  • the dry fluid supply unit 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 dry fluid supply unit 245 .
  • 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 drying units 24E and 24F are arranged, and the apparatus internal environment information is, for example, detection values of each sensor sampled by the environment sensor 244 at predetermined time intervals.
  • time-series data of each sensor (or each module's time-series data) can be extracted.
  • FIG. 10 is a data configuration diagram showing an example of the cleaning test table 310 of the finishing test information 31 managed by the database device 3.
  • FIG. 11 is a data configuration diagram showing an example of the drying test table 311 of the finishing test information 31 managed by the database device 3.
  • the finishing test information 31 includes a cleaning test table 310 (FIG. 10) in which report R and test results obtained when a cleaning test is performed using dummy wafers are classified and registered, and a drying test using dummy wafers. It is provided with a drying test table 311 (FIG. 11) in which the report R obtained when the test is performed and the test results are classified and registered.
  • each record of the cleaning test table 310 includes, for example, a test ID, substrate holding section state information, cleaning fluid supply section state information, substrate cleaning section state information, apparatus internal environment information, test result information, and the like. is registered.
  • the substrate holding unit state information, cleaning fluid supply unit state information, substrate cleaning unit state information, and apparatus internal environment information in the cleaning test table 310 are information indicating the state of each unit in the cleaning test. Since it is the same as the history table 301, detailed description is omitted.
  • each record of the drying test table 311 registers, for example, a test ID, substrate holding section state information, drying fluid supply section state information, apparatus internal environment information, test result information, and the like.
  • the substrate holding section state information, the drying fluid supply section state information, and the apparatus internal environment information of the drying test table 311 are information indicating the state of each section in the drying test, and the data structure thereof is the same as that of the drying history table 302. Therefore, detailed description is omitted.
  • the test result information is information indicating the state of the dummy wafer when the finishing process (cleaning process, drying process) is performed in the finishing test (cleaning test, drying 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 FIGS. 10 and 11 is for the case of having three temperature sensors and three pressure sensors as dummy wafer sensors, and is included in the finishing processing period from the start to the end of the finishing processing. Detected values T1 to T3 and P1 to P3 at times t1, 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 a single finishing test in which the finishing process is continuously performed from the start to the end thereof, or may be collected at a predetermined time after the finishing process is started. By repeating the finishing test until the predetermined time is gradually lengthened, the data may be collected from a plurality of finishing tests.
  • the cleaning test table 310 the state of the roll sponge cleaning units 24A, 24B or the pen sponge cleaning units 24C, 24D when the cleaning process is performed on the dummy wafer in the cleaning test specified by the test ID is displayed.
  • Time-series data of each sensor (or time-series data of each module) and time-series data of the dummy wafer sensor showing the state of the dummy wafer at that time can be extracted.
  • time-series data or time-series data of each module
  • time-series data of the dummy wafer sensor indicating the state of the dummy wafer at that time can be extracted.
  • FIG. 12 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 communicates with external devices (for example, the substrate processing device 2, the database device 3, the information processing device 5, the user terminal device 6, the cleaning test device (not shown), the drying test device (not shown)) via the network 7. ), etc.) and functions as a communication interface for transmitting and receiving various data.
  • the learning data acquisition unit 400 is connected to an external device via the communication unit 41 and the network 7, and acquires first learning data 11A composed of cleaning processing conditions as input data and substrate state information as output data.
  • second learning data 11B composed of drying processing conditions as input data and substrate state information as output data.
  • the first and second learning data 11A and 11B are 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 and second learning data 11A and 11B 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 the plurality of sets of first and second learning data 11A and 11B stored in the learning data storage unit 42, respectively. 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 cleaning 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. Further, the machine learning unit 401 inputs a plurality of sets of the second learning data 11B to the second learning model 10B, and determines the correlation between the drying processing conditions and the substrate state information included in the second learning data 11B. By making the second learning model 10B learn, a trained second learning model 10B 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 and second learning models 10A and 10B stored in the learned model storage unit 43 are 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. 12, they may be configured as a single storage unit.
  • the number of the first and second learning models 10A and 10B stored in the learned model storage unit 43 is not limited to one. species, etc.), types of cleaning tools, differences in mechanisms of substrate cleaning devices (substrate holding unit 241, cleaning fluid supply unit 242, substrate cleaning unit 240, and cleaning tool cleaning unit 243), substrate drying device (substrate holding unit 241 , and drying fluid supply unit 245), types of substrate cleaning fluid and substrate drying fluid, types of data included in cleaning processing conditions and drying processing conditions, types of data included in substrate state information, and the like. may store a plurality of learning models with different conditions. In that case, 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. 13 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 is composed of cleaning processing conditions and substrate state information.
  • the first learning model 10A and the first learning data 11A correspond to the roll sponge cleaning units 24A and 24B using the roll sponge 2400 and the pen sponge cleaning unit using the pen sponge 2401.
  • At least two types, corresponding to 24C and 24D, are prepared, but since they have the same basic data configuration, they will be collectively described below.
  • the cleaning processing conditions constituting the first learning data 11A include substrate holding portion state information indicating the state of the substrate holding portion 241 in the cleaning processing of the wafer W performed by the substrate processing apparatus 2, and the state of the cleaning fluid supply portion 242. and substrate cleaning unit state information indicating the state of the substrate cleaning unit 240 .
  • the cleaning fluid supply status information corresponds to finishing fluid supply status information.
  • the substrate holding unit state information included in the cleaning processing conditions includes the holding points when the substrate holding mechanism units 241a and 241c hold the substrate, the holding pressure when the substrate holding mechanism units 241a and 241c hold the substrate, and the substrate holding mechanism. It includes at least one of the number of rotations of the portions 241a and 241c, the rotational torque of the substrate rotation mechanism portions 241b and 241d, and the condition of the substrate holding mechanism portions 241a and 241c.
  • the conditions of the substrate holding mechanism portions 241a and 241c are set based on, for example, the usage status of the substrate holding mechanism portions 241a and 241c (time of use, pressure during use, presence/absence of replacement, number of rotations of wafer W, number of processed wafers). The degree of wear and the degree of contamination of the substrate holding mechanism portions 241a and 241c.
  • the conditions of the substrate holding mechanism portions 241a and 241c may change over time during the cleaning process, for example.
  • the cleaning fluid supply unit state information included in the cleaning process conditions includes at least one of flow rate of the substrate cleaning fluid, pressure of the substrate cleaning fluid, dropping position of the substrate cleaning fluid, temperature of the substrate cleaning fluid, and concentration of the substrate cleaning fluid.
  • the substrate cleaning fluid is an example of the substrate finishing fluid, and when the substrate cleaning fluid is a plurality of types of fluids, the cleaning fluid supply state information includes flow rate, pressure, dropping position, temperature and concentration of each fluid. You should do it like this.
  • the substrate cleaning unit state information included in the cleaning processing conditions includes the number of rotations of the cleaning tool rotating mechanism 240a, the rotational torque of the cleaning tool rotating mechanism 240a, and the cleaning tool moving mechanism (vertical moving mechanism 240b, 240e, linear moving mechanism). (240c, rocking movement mechanism 240f), moving speed of cleaning tool moving mechanism, moving torque of cleaning tool moving mechanism, pressing load when cleaning tool is brought into contact with wafer W, and cleaning tool Contains at least one of the conditions.
  • the condition of the cleaning tool is, for example, the usage status of the cleaning tool (time of use, pressing load during use, presence or absence of replacement, image of the surface of the cleaning tool, number of rotations of the cleaning tool, number of rotations of the wafer W, number of processed wafers, etc.). ) indicates the degree of wear and the degree of contamination of the cleaning tool set based on the above.
  • the condition of the cleaning implement may, for example, change over time during the cleaning process.
  • the cleaning process conditions may further include in-apparatus environment information indicating the environment of the space where the cleaning process is performed.
  • the internal environment information included in the cleaning conditions includes at least one of temperature, humidity, air pressure, airflow, oxygen concentration, and sound in the internal space formed by the housing 20 .
  • the substrate state information that constitutes the first learning data 11A is information that indicates the state of the wafer W that has undergone the cleaning process according to the cleaning 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 the target point in the cleaning process period from the start to the end of the cleaning process (the time required for the cleaning process per wafer), or the stress information when the cleaning process is started. It may indicate the accumulated value of the stress in the target period (an arbitrary period equal to or less than the cleaning processing period) from the time point 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 finishing 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 cleaning test table 310 of the finishing test information 31 to obtain substrate holding unit state information and cleaning fluid supply unit state information when the cleaning test specified by the test ID is performed.
  • Information and substrate cleaning unit state information are acquired as cleaning processing conditions.
  • the learning data acquisition unit 400 refers to the cleaning test table 310 of the finishing test information 31 to obtain test result information (dummy wafer owned by the dummy wafer) when the cleaning test specified by the same test ID is performed.
  • Time-series data of the sensor (FIG. 10)) is acquired as the substrate state information corresponding to the above cleaning 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 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 the cleaning conditions as input data, and each value of the cleaning conditions is input to each neuron.
  • the output layer 102 has a number of neurons corresponding to the substrate state information as output data, and outputs prediction results (inference results) of the substrate state information with respect to cleaning 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. 14 is a diagram showing an example of the second learning model 10B and the second learning data 11B.
  • the second learning data 11B used for machine learning of the second learning model 10B is composed of drying processing conditions and substrate state information.
  • the drying processing conditions constituting the second learning data 11B include substrate holding portion state information indicating the state of the substrate holding portion 241 in the drying processing of the wafer W performed by the substrate processing apparatus 2, and the dry fluid supplying portion 245. Contains drying fluid supply status information indicating status. Drying fluid supply status information corresponds to finishing fluid supply status information. Since the board holding portion state information is the same as the first learning data 11A, the description is omitted.
  • the drying fluid supply unit state information included in the drying processing conditions includes at least one of flow rate of the substrate drying fluid, pressure of the substrate drying fluid, dropping position of the substrate drying fluid, temperature of the substrate drying fluid, and concentration of the substrate drying fluid.
  • the substrate drying fluid is an example of the substrate finishing fluid, and when the substrate drying fluid is a plurality of types of fluids, the drying fluid supply state information includes the flow rate, pressure, dropping position, temperature and concentration of each fluid. You should do it like this.
  • drying processing conditions may further include device internal environment information indicating the environment of the space where the drying processing is performed.
  • the apparatus internal environment information included in the drying processing conditions includes at least one of temperature, humidity, air pressure, airflow, oxygen concentration, and sound in the internal space formed by the housing 20 .
  • the substrate state information that constitutes the second learning data 11B is information that indicates the state of the wafer W that has undergone the drying process according to the drying 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 the target point in the drying process period from the start to the end of the drying process (the time required for the drying process per wafer), or the stress information at the start of the drying process. It may indicate the accumulated value of the stress in the target period (any period equal to or shorter than the drying process period) from the time point 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 second learning data 11B by referring to the finishing 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 drying test table 311 of the finishing test information 31 to obtain substrate holding unit state information and dry fluid supply information when the drying test specified by the test ID is performed.
  • the unit state information (time-series data of each sensor possessed by the substrate holding unit 241 and the drying fluid supply unit 245) is acquired as the drying processing condition.
  • the learning data acquisition unit 400 refers to the drying test table 311 of the finishing test information 31 to obtain test result information (dummy wafer owned by the dummy wafer) when the drying test specified by the same test ID is performed.
  • Time-series data of the sensor (FIG. 11)) is acquired as the substrate state information corresponding to the above drying 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 second learning model 10B 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 the drying processing conditions as input data, and each value of the drying processing conditions is input to each neuron.
  • the output layer 102 has a number of neurons corresponding to the substrate state information as output data, and outputs prediction results (inference results) of the substrate state information with respect to drying 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.
  • finishing processing conditions cleaning processing conditions, drying processing conditions
  • finishing processing conditions are obtained as time-series data of a group of sensors as shown in FIGS. It may be changed as appropriate according to the configuration of the cleaning device, the substrate drying device).
  • a command value to the module may be used, a parameter converted from a sensor detection value or a command value to the module may be used, or a plurality of sensor detection values may be used.
  • a parameter calculated based on the value may be used.
  • the finishing treatment conditions may be acquired as time-series data for the entire finishing treatment period (cleaning treatment period, drying treatment period), or as time-series data for a target period that is part of the finishing treatment period.
  • the data configuration of the input data in the first and second learning models 10A and 10B and the first and second learning data 11A and 11B It can be changed as appropriate.
  • 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 FIGS. 13 and 14 will be described. At least one may be included. Also, the mechanical stress and thermal stress may be calculated by substituting the measured values of the dummy wafer sensor into a predetermined calculation formula. Furthermore, if the finishing process conditions are acquired as time-series data for the entire finishing process period or as time-series data for a target period that is a part of the finishing process period, the substrate state information is obtained for the entire finishing process period.
  • the substrate state information may be acquired as point-in-time data at the specific target time.
  • FIG. 15 is a flow chart showing an example of a machine learning method by the machine learning device 4.
  • a case of generating a first learning model 10A (denoted as learning model in FIG. 15) using a plurality of sets of first learning data 11A (denoted as learning data in FIG. 15) will be described. do. Since the same applies to the case of creating the second learning model 10B using the second learning data 11B, the description is omitted.
  • step S100 the learning data acquisition unit 400 acquires a desired number of first learning data 11A from the finishing test information 31 or the like as a preparation for starting machine learning, and acquires the acquired first learning data 11A.
  • 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. 13, 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 cleaning 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 cleaning 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. 15 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.
  • a first learning model 10A capable of predicting (inferring) substrate state information indicating the state of the wafer W can be provided.
  • a second learning model 10B capable of predicting (inferring) the substrate state information indicating the state of the wafer W from the drying processing conditions including the substrate holding portion state information, the drying fluid supply portion state information, and the like. can provide.
  • FIG. 16 is a block diagram showing an example of the information processing device 5 according to the first embodiment.
  • FIG. 17 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 finishing processing conditions.
  • the information acquisition unit 500 acquires cleaning processing conditions including substrate holding unit state information, cleaning fluid supply unit state information, substrate cleaning unit state information, and the like as finishing processing conditions. Drying processing conditions including status information and drying fluid supply unit status information are acquired.
  • the information acquiring unit 500 refers to the cleaning history table 301 of the production history information 30 to obtain The substrate holding unit state information, the cleaning fluid supply unit state information, and the substrate cleaning unit state information when the wafer W was subjected to the cleaning process are acquired as cleaning processing conditions.
  • the information acquisition unit 500 receives the apparatus state information from the substrate processing apparatus 2 that is performing the cleaning process.
  • the information acquiring unit 500 receives the substrate recipe information 266 from the substrate processing apparatus 2 scheduled to perform the cleaning processing. , by simulating the apparatus state information when the substrate processing apparatus 2 operates according to the substrate recipe information 266, the substrate holder state information and the cleaning fluid supply unit state information when the wafer W is subjected to the cleaning process. , and substrate cleaning unit state information are acquired as cleaning processing conditions.
  • the information acquisition unit 500 refers to the drying history table 302 of the production history information 30 to obtain The substrate holding unit state information and the dry fluid supply unit state information when the wafer W is subjected to the drying process are acquired as the drying process conditions.
  • the information acquiring unit 500 receives the apparatus state information from the substrate processing apparatus 2 that is performing the drying process. By receiving the report R from time to time, the substrate holder state information and the drying fluid supply state information while the wafer W is being dried are acquired as the drying processing conditions at any time.
  • the information acquiring unit 500 receives the substrate recipe information 266 from the substrate processing apparatus 2 scheduled to perform the drying process.
  • the substrate recipe information 266 By simulating the apparatus status information when the substrate processing apparatus 2 operates according to the substrate recipe information 266, the substrate holder status information and the drying fluid supply section when the wafer W is subjected to the drying process. State information is acquired as drying processing conditions.
  • the state prediction unit 501 predicts wafers that have been cleaned under the cleaning conditions.
  • Substrate state information (stress information in this embodiment) for W is predicted.
  • the state prediction unit 501 inputs the drying processing conditions acquired by the information acquiring unit 500 as input data to the second learning model 10B, so that the drying processing is performed according to the drying processing conditions.
  • Substrate state information (stress information in this embodiment) for the wafer W obtained is predicted.
  • the learned model storage unit 52 is a database that stores the learned first and second learning models 10A and 10B used in the state prediction unit 501.
  • the number of the first and second learning models 10A and 10B stored in the learned model storage unit 52 is not limited to one. types, etc.), types of cleaning tools, differences in substrate cleaning apparatus mechanisms, differences in substrate drying apparatus mechanisms, types of substrate cleaning fluids and substrate drying fluids, types of data included in cleaning processing conditions and drying processing conditions, substrates
  • a plurality of trained models with different conditions, such as the type of data included in the state information, may be stored and selectively used.
  • the learned model storage unit 52 includes those corresponding to the roll sponge cleaning units 24A and 24B using the roll sponge 2400 and those corresponding to the pen sponge cleaning units 24C and 24D using the pen sponge 2401. and a second learning model 10B corresponding to the first and second drying units 24E and 24F are stored.
  • 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. 18 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 cleaning history table 301 and the drying history table 302 of the production history information 30 using the wafer ID received in step S210, and obtains the wafer W specified by the wafer ID.
  • the cleaning processing conditions and the drying processing conditions when the cleaning processing and the drying processing are performed, respectively are acquired.
  • step S220 the state prediction unit 501 inputs the cleaning processing conditions acquired in step S211 as input data to the first learning model 10A, thereby outputting substrate state information for the cleaning processing conditions as output data. and the state of the wafer W is predicted.
  • step S221 the state prediction unit 501 inputs the drying processing conditions acquired in step S211 as input data to the second learning model 10B, thereby outputting substrate state information for the drying processing conditions as output data. and the state of the wafer W is predicted.
  • step S230 the output processing unit 502 outputs the substrate state information of the cleaning processing and the drying processing generated in steps S220 and S211, respectively, to the user terminal device 6 as output processing for outputting the substrate state information.
  • Send to 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 the user terminal device 6 receives the substrate state information of the cleaning process and the drying process transmitted in step S230 as a response to the transmission process of step S200, a display is made based on the substrate state information. By displaying the screen, the state of the wafer W can be visually recognized by the user.
  • steps S210 and S211 correspond to information acquisition steps
  • steps S220 and S221 correspond to state prediction steps
  • step S230 corresponds to an output processing step.
  • the cleaning information including the substrate holding portion state information, the cleaning fluid supply portion state information, the substrate cleaning portion state information, and the like in the cleaning process is provided.
  • the substrate state information (stress information) for the cleaning processing conditions is predicted.
  • the drying processing conditions including the substrate holding portion state information, drying fluid supply portion state information, etc. in the drying processing to the second learning model 10B the substrate state information (stress information) is predicted, it is possible to appropriately predict the state of the wafer W during or after the drying process.
  • the second embodiment is different from the first embodiment in that the substrate state information indicating the state of the wafer W subjected to finishing processing is finishing quality information indicating the finishing 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 finishing quality information includes, for example, cleaning degree information regarding the degree of cleaning during cleaning processing, dryness degree information regarding the degree of dryness during drying processing, and substrate defect information regarding the degree and presence or absence of defects of the wafer W such as scratches and corrosion.
  • the cleaning degree information or the dryness degree information may be information about particles, and may include, for example, the surface distribution state of particles or the total number of particles.
  • FIG. 19 is a block diagram showing an example of a machine learning device 4a according to the second embodiment.
  • FIG. 20 is a diagram showing an example of the third learning model 10C and the third learning data 11C.
  • FIG. 21 is a diagram showing an example of the fourth learning model 10D and fourth learning data 11D.
  • the third and fourth learning data 11C and 11D are used for machine learning of the third and fourth learning models 10C and 10D, respectively.
  • the substrate state information constituting the third learning data 11C is cleaning quality information indicating the cleaning quality of the wafer W in the cleaning process as the finish quality of the wafer W.
  • the cleaning quality information includes cleaning degree information and substrate defect information, but may include at least one of them, or may include other information indicating cleaning quality.
  • the cleaning quality information may indicate the cleaning quality at a target point in the cleaning processing period from the start to the end of the cleaning processing (the time required for the cleaning processing per wafer), or the substrate of the wafer W. It may also indicate the surface distribution state of the cleaning quality on the surface. Note that the cleaning processing conditions forming the third learning data 11C are the same as those in the first embodiment, and thus description thereof is omitted.
  • the substrate state information constituting the fourth learning data 11D is drying quality information indicating the drying quality of the wafer W in the drying process as the finish quality of the wafer W.
  • the drying quality information includes dryness degree information and substrate defect information, but may include at least one of them, or may include other information indicating the drying quality.
  • the drying quality information may indicate the drying quality at a target time included in the drying processing period from the start to the end of the drying processing (time required for drying processing per wafer), or the substrate of the wafer W. It may also indicate the surface distribution of the drying quality on the surface. Note that the drying processing conditions that constitute the fourth learning data 11D are the same as those in the first embodiment, and thus descriptions thereof will be omitted.
  • the learning data acquisition unit 400 acquires the third and fourth learning data 11C and 11D by referring to the finishing test information 31 and, if necessary, accepting user input operations through the user terminal device 6. . Specifically, the learning data acquisition unit 400 acquires the test data when the finishing test (washing test, drying test) specified by the test ID from the washing test table 310 and the drying test table 311 of the finishing test information 31 is performed.
  • the finishing test washing test, drying test
  • Result information (time-series data of the pressure sensor and time-series data of the temperature sensor possessed by the dummy wafer) is acquired, for example, time-series data of the pressure sensor (mainly reflecting mechanical influence)
  • the finishing quality information (washing quality information, drying quality information) is obtained by calculating the finishing quality (washing quality, drying quality) for each target time based on the chemical influence reflected in the time.
  • finishing quality information 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.
  • the learning data acquisition unit 400 may further acquire the measurement result of the measuring device as finishing quality information.
  • the machine learning unit 401 inputs a plurality of sets of the third learning data 11C to the third learning model 10C, and calculates the correlation between the finishing treatment conditions and the cleaning quality information included in the third learning data 11C as a third model.
  • the learning model 10C learns, the third learning model 10C that has been trained is generated.
  • the machine learning unit 401 inputs a plurality of sets of fourth learning data 11D to the fourth learning model 10D, and calculates the correlation between the drying processing conditions and the drying quality information included in the fourth learning data 11D.
  • a trained fourth learning model 10D is generated by making the fourth learning model 10D learn.
  • FIG. 22 is a block diagram showing an example of an information processing device 5a according to the second embodiment.
  • FIG. 23 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 cleaning processing conditions including substrate holding unit state information, cleaning fluid supply unit state information, substrate cleaning unit state information, etc., as finishing processing conditions. , substrate holder state information, drying fluid supply unit state information, and the like.
  • the state prediction unit 501 inputs the cleaning processing conditions acquired by the information acquisition unit 500 as input data to the third learning model 10C, thereby predicting wafers that have been cleaned under the cleaning processing conditions.
  • Cleaning quality information for W (cleaning degree information and substrate defect information in this embodiment) is predicted.
  • the state prediction unit 501 inputs the drying processing conditions acquired by the information acquiring unit 500 as input data to the fourth learning model 10D, so that the drying processing is performed according to the drying processing conditions. Drying quality information (in the present embodiment, dryness information and substrate defect information) for the wafer W thus obtained is predicted.
  • the cleaning information including the substrate holding section state information, the cleaning fluid supply section state information, the substrate cleaning section state information, and the like, in the cleaning process.
  • the substrate state information (cleaning quality information) for the cleaning processing conditions is predicted.
  • the drying processing conditions including the substrate holding portion state information and the drying fluid supply portion state information in the drying processing to the fourth learning model 10D the substrate state information (drying quality information) is predicted, it is possible to appropriately predict the state of the wafer W during or after the drying process.
  • the third embodiment differs from the first embodiment in that the learning model is composed of a learning model for stress analysis and a learning model for finishing 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. 24 is a block diagram showing an example of a machine learning device 4b according to the third embodiment.
  • FIG. 25 is a diagram showing an example of the fifth learning model 10E and fifth learning data 11E for cleaning quality analysis.
  • FIG. 26 is a diagram showing an example of a sixth learning model 10F and sixth learning data 11F for drying quality analysis.
  • the learning model 10M for cleaning processing is composed of a first learning model 10A for stress analysis (Fig. 13) and a fifth learning model 10E for cleaning quality analysis (Fig. 25).
  • the fifth learning data 11E used for machine learning of the fifth learning model 10E for cleaning quality analysis includes stress information and cleaning quality information (in this embodiment, cleaning degree information and substrate missing information).
  • the learning model 10N for drying processing is composed of a second learning model 10B for stress analysis (FIG. 14) and a sixth learning model 10F for drying quality analysis (FIG. 26).
  • the sixth learning data 11F used for machine learning of the sixth learning model 10F for drying quality analysis includes, as shown in FIG. missing information).
  • the first and second learning models 10A and 10B for stress analysis and the first and second learning data 11A and 11B are configured in the same manner as in the first embodiment (FIGS. 13 and 14). Therefore, the description is omitted.
  • the learning data acquisition unit 400 refers to the finishing test information 31 and, if necessary, receives a user's input operation through the user terminal device 6, thereby obtaining a fifth learning data including stress information and cleaning quality information. Data 11E for learning is obtained, and sixth learning data 11F including stress information and drying quality information is obtained.
  • the machine learning unit 401 inputs a plurality of sets of the fifth learning data 11E to the fifth learning model 10E for finishing quality analysis, and compares the stress information and the cleaning quality information included in the fifth learning data 11E. By making the fifth learning model 10E for finishing quality analysis learn the correlation, a learned fifth learning model 10E for finishing quality analysis is generated. Further, the machine learning unit 401 inputs a plurality of sets of the sixth learning data 11F to the sixth learning model 10F, and calculates the correlation between the stress information and the drying quality information included in the sixth learning data 11F. 6 learning model 10F is trained to generate a trained sixth learning model 10F.
  • FIG. 27 is a block diagram showing an example of an information processing device 5b according to the third embodiment.
  • FIG. 28 is a functional explanatory diagram showing an example of an information processing device 5b according to the third embodiment.
  • the information acquisition unit 500 acquires cleaning processing conditions including substrate holding unit state information, cleaning fluid supply unit state information, substrate cleaning unit state information, and the like, and obtains substrate holding unit state information.
  • information and drying process conditions including drying fluid supply unit status information and the like.
  • the state prediction unit 501 predicts wafers that have been cleaned under the cleaning conditions.
  • cleaning quality information in this embodiment, , cleaning degree information and substrate defect information.
  • the state prediction unit 501 inputs the drying processing conditions acquired by the information acquiring unit 500 as input data to the second learning model 10B, so that the drying processing is performed according to the drying processing conditions.
  • the drying quality information (this implementation In the morphology, dryness information and substrate defect information) are predicted.
  • the cleaning processing conditions in the cleaning processing are set to the learning model 10M (the first and fifth learning models 10A and 10E) for the cleaning processing.
  • the substrate state information cleaning quality information
  • the state of the wafer W during or after the cleaning processing can be predicted appropriately.
  • the drying processing conditions in the drying processing to the learning model 10N (the second and sixth learning models 10B and 10F) for the drying processing, the substrate state information (drying quality information) for the drying processing conditions is obtained. Therefore, it is possible to appropriately predict the state of the wafer W during or after the drying process.
  • 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 , 4 b and the information processing devices 5 a , 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 having the units 21 to 25, but the substrate processing apparatus 2 functions as a substrate cleaning device in the finishing unit 24 to perform cleaning processing (a roll sponge cleaning unit). 24A, 24B or pen sponge cleaning units 24C, 24D) and a function of performing drying processing as a substrate drying device (drying units 24E, 24F), and other units may be omitted.
  • the machine learning devices 4, 4a, 4b and the information processing devices 5, 5a, 5b perform roll sponge cleaning using the roll sponge 2400 (roll sponge cleaning units 24A, 24B) or use the pen sponge 2401.
  • the substrate cleaning apparatus that performs pen sponge cleaning pen sponge cleaning units 24C and 24D
  • the substrate cleaning apparatus may perform buff cleaning using a buff as a cleaning tool, or may perform cleaning with a substrate cleaning fluid or an ultrasonic cleaning machine without having a cleaning tool. If the substrate cleaning apparatus does not have cleaning tools, the substrate cleaning conditions may not include the substrate cleaning section state information.
  • 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.
  • finishing processing conditions cleaning processing conditions, drying processing conditions
  • the first to fourth learning models 10A to 10D may be prepared for each wafer W type.
  • the finishing conditions may further include unprocessed substrate information indicating the state (initial state) of the unprocessed substrate, which is the wafer W before the finishing process is performed.
  • the unprocessed substrate information included in the finishing conditions includes at least one of the shape (size, thickness, warp, etc.), weight, and 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 finishing 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 pre-process apparatus (including the polishing unit 22), or may be obtained from the film thickness measurement unit 25 or other information installed inside or outside the substrate processing apparatus 2. measuring instrument (optical sensor, 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 finishing test information 31 and acquired by the machine learning devices 4, 4a, and 4b as part of the finishing treatment conditions.
  • the machine learning devices 4, 4a, and 4b use first to fourth learning data 11A to 11D, which are composed of finishing processing conditions further including the unprocessed substrate information, and substrate state information, to obtain first to fourth learning data 11A to 11D.
  • Machine learning is performed for the fourth learning models 10A-10D.
  • the unprocessed substrate information is acquired as part of the finishing processing conditions by the information processing devices 5, 5a, and 5b.
  • the information processing apparatuses 5, 5a, and 5b input finishing processing conditions, which further include the substrate information before processing, as input data to the first to fourth learning data 11A to 11D, thereby performing finishing processing under the finishing 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 processes includes information acquisition processing (information acquisition step) for acquiring finishing processing conditions, and once the finishing processing conditions are acquired in the information acquisition processing, the state of the substrate subjected to the finishing processing according to the finishing processing conditions is acquired.
  • an inference process for inferring substrate state information (stress information or finish quality information) to be indicated.
  • the series of processes includes an information acquisition process (information acquisition process) for acquiring stress information, and when stress information is acquired in the information acquisition process, the finish quality of the stressed board indicated by the stress information is obtained.
  • Inference processing for inferring finish 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, 10A... first learning model, 10B... second learning model, 10C... third learning model, 10D... fourth learning model, 10E... fifth learning model, 10F... sixth learning model, 10M... learning model, 10N... learning model, 11A... First learning data, 11B... Second learning data, 11C... Third learning data, 11D... Fourth learning data, 11E... Fifth learning data, 11F... Sixth learning data, 20... housing, 21... load/unload unit, 22... Polishing unit, 22A to 22D... Polishing part, 23...
  • Substrate transfer unit 24... Finishing unit, 24A, 24B... Roll sponge cleaning part, 24C, 24D... pen sponge washing section, 24E, 24F... drying section, 24G, 24H... transport unit, 25... film thickness measurement unit, 26... control unit, 30...Production history information, 31...Finishing 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, 240... Substrate cleaning part, 241... Substrate holding part, 242... Cleaning fluid supply part, 243...Cleaning tool cleaning unit, 244...Environment sensor, 245...Dry fluid supply unit, 260... control unit, 21...

Abstract

情報処理装置（５）は、基板を保持する基板保持部、及び、基板に基板仕上げ流体を供給する仕上げ流体供給部を備える基板処理装置により行われる基板の仕上げ処理における、基板保持部の状態を示す基板保持部状態情報、及び、仕上げ流体供給部の状態を示す仕上げ流体供給部状態情報を含む仕上げ処理条件を取得する情報取得部（５００）と、仕上げ処理条件と、当該仕上げ処理条件による仕上げ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、１０Ｂ）に、情報取得部（５００）により取得された仕上げ処理条件を入力することで、当該仕上げ処理条件による仕上げ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。基板処理装置では、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、液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。そして、研磨後の基板に付着した研磨屑等の異物を除去するため、研磨後の基板に基板洗浄流体を供給しながら洗浄具を接触させてスクラブ洗浄し、さらに基板乾燥流体にて基板を乾燥することで、基板の仕上げ処理が終了する。
　基板の仕上げ処理において、基板を洗浄したり乾燥したりする際、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［００１６］）、特許文献２（段落［０００６］）参照）。
特開２００３－１５６５０９号公報 特開平７－１４７２６４号公報
　仕上げ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仕上げ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各部（基板を保持する基板保持部、及び、基板に基板仕上げ流体（基板洗浄流体や基板乾燥流体等）を供給する仕上げ流体供給部等）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、仕上げ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、
　基板を保持する基板保持部、及び、前記基板に基板仕上げ流体を供給する仕上げ流体供給部を備える基板処理装置により行われる前記基板の仕上げ処理における、前記基板保持部の状態を示す基板保持部状態情報、及び、前記仕上げ流体供給部の状態を示す仕上げ流体供給部状態情報を含む仕上げ処理条件を取得する情報取得部と、
　前記仕上げ処理条件と、当該仕上げ処理条件による前記仕上げ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仕上げ処理条件を入力することで、当該仕上げ処理条件による前記仕上げ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、基板の仕上げ処理における、基板保持部状態情報、及び、仕上げ流体供給部状態情報を含む仕上げ条件が学習モデルに入力されることで、当該仕上げ条件に対する基板状態情報が予測されるので、仕上げ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。 第１及び第２のロールスポンジ洗浄部２４Ａ、２４Ｂの一例を示す斜視図である。 第１及び第２のペンスポンジ洗浄部２４Ｃ、２４Ｄの一例を示す斜視図である。 第１及び第２の乾燥部２４Ｅ、２４Ｆの一例を示す斜視図である。 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により管理される仕上げ試験情報３１の洗浄試験テーブル３１０の一例を示すデータ構成図である。 データベース装置３により管理される仕上げ試験情報３１の乾燥試験テーブル３１１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。 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。 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４の学習モデル１０Ｄ及び第４の学習用データ１１Ｄ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。 洗浄品質解析用の第５の学習モデル１０Ｅ及び第５の学習用データ１１Ｅの一例を示す図である。 乾燥品質解析用の第６の学習モデル１０Ｆ及び第６の学習用データ１１Ｆ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を研磨パッドに押し付けることでウェハ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を洗浄具に接触させることでウェハＷの表面を洗浄する洗浄処理、洗浄処理後の基板を乾燥する乾燥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８参照）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、洗浄処理、乾燥処理の動作状態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仕上げ処理の試験（以下、「仕上げ試験」という）が行われたときの履歴に関する仕上げ試験情報３１とを管理する装置である。仕上げ処理は、研磨処理後のウェハＷの被仕上げ面の仕上げを行うための処理であり、例えば、洗浄処理、乾燥処理等が含まれる。本実施形態では、仕上げ処理として、洗浄処理及び乾燥処理を行い、仕上げ試験として、洗浄処理の試験（以下、「洗浄試験」という）及び乾燥処理の試験（以下、「乾燥試験」という）を行う場合について説明する。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仕上げ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、仕上げ試験情報３１に登録するとともに、その仕上げ試験の試験結果を対応付けて登録することで、仕上げ試験情報３１には、仕上げ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、仕上げ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、試験結果として仕上げ試験情報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、仕上げ試験は、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と同様の仕上げ処理を再現可能な試験用の仕上げ試験装置、例えば、洗浄試験を行う洗浄試験装置、乾燥試験を行う乾燥試験装置等で行われてもよい。
　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から仕上げ試験情報３１の一部を第１及び第２の学習用データ１１Ａ、１１Ｂとして取得し、情報処理装置５にて用いられる第１及び第２の学習モデル１０Ａ、１０Ｂを機械学習により生成する。学習済みの第１及び第２の学習モデル１０Ａ、１０Ｂ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及び第２の学習モデル１０Ａ、１０Ｂを用いて、基板処理装置２による仕上げ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、仕上げ処理が行われた後（事後予測処理）でもよいし、仕上げ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、仕上げ処理が行われる前（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、仕上げ試験情報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、仕上げユニット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及び仕上げユニット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と仕上げユニット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）、仕上げユニット２４（具体的に、後述の第１及び第２の乾燥部２４Ｅ、２４Ｆ）、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や仕上げユニット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を回転可能に支持する研磨テーブル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、ドレッサディスク２２３０を回転可能に支持するとともにドレッサディスク２２３０を研磨パッド２２００の研磨面に接触させて研磨パッド２２００をドレッシングするドレッサ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。
　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。
（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、仕上げユニット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。
（仕上げユニット）
　仕上げユニット２４は、図２に示すように、ロールスポンジ２４００を用いた基板洗浄装置として、上下二段に配置された第１及び第２のロールスポンジ洗浄部２４Ａ、２４Ｂと、ペンスポンジ２４０１を用いた基板洗浄装置として、上下二段に配置された第１及び第２のペンスポンジ洗浄部２４Ｃ、２４Ｄと、洗浄後のウェハＷを乾燥させる基板乾燥装置として、上下二段に配置された第１及び第２の乾燥部２４Ｅ、２４Ｆと、ウェハＷを搬送する第１及び第２の搬送部２４Ｇ、２４Ｈとを備える。なお、ロールスポンジ洗浄部２４Ａ、２４Ｂ、ペンスポンジ洗浄部２４Ｃ、２４Ｄ、乾燥部２４Ｅ、２４Ｆ、及び、搬送部２４Ｇ、２４Ｈの数や配置は、図２の例に限られず、適宜変更してもよい。
　仕上げユニット２４の各部２４Ａ～２４Ｈ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及び第２のロールスポンジ洗浄部２４Ａ、２４Ｂ、第１の搬送部２４Ｇ、第１及び第２のペンスポンジ洗浄部２４Ｃ、２４Ｄ、第２の搬送部２４Ｈ、及び、第１及び第２の乾燥部２４Ｅ、２４Ｆ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。仕上げユニット２４は、研磨処理後のウェハＷに対して、第１及び第２のロールスポンジ洗浄部２４Ａ、２４Ｂのいずれかによる一次洗浄処理、第１及び第２のペンスポンジ洗浄部２４Ｃ、２４Ｄのいずれかによる二次洗浄処理、及び、第１及び第２の乾燥部２４Ｅ、２４Ｆのいずれかによる乾燥処理を順に行う。
　ロールスポンジ２４００及びペンスポンジ２４０１は、ＰＶＡ、ナイロン等の合成樹脂で形成され、多孔質構造を有する。ロールスポンジ２４００及びペンスポンジ２４０１は、ウェハＷをスクラブ洗浄するための洗浄具として機能し、第１及び第２のロールスポンジ洗浄部２４Ａ、２４Ｂ、並びに、第１及び第２のペンスポンジ洗浄部２４Ｃ、２４Ｄに交換可能にそれぞれ取り付けられる。
　第１の搬送部２４Ｇは、上下方向に移動可能な第１の搬送ロボット２４６Ａを備える。第１の搬送ロボット２４６Ａは、基板搬送ユニット２３の仮置き台２３３、第１及び第２のロールスポンジ洗浄部２４Ａ、２４Ｂ、並びに、第１及び第２のペンスポンジ洗浄部２４Ｃ、２４Ｄ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を備える。例えば、下側ハンドは、洗浄前のウェハＷを受け渡すときに使用され、上側ハンドは、洗浄後のウェハＷを受け渡すときに使用される。仮置き台２３３に対するウェハＷの受け渡しの際には、第２の隔壁２００Ｂに設けられたシャッタ（不図示）が開閉される。
　第２の搬送部２４Ｈは、上下方向に移動可能な第２の搬送ロボット２４６Ｂを備える。第２の搬送ロボット２４６Ｂは、第１及び第２のペンスポンジ洗浄部２４Ｃ、２４Ｄ、並びに、第１及び第２の乾燥部２４Ｅ、２４Ｆ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を受け渡すためのハンドを備える。
　図４は、第１及び第２のロールスポンジ洗浄部２４Ａ、２４Ｂの一例を示す斜視図である。第１及び第２のロールスポンジ洗浄部２４Ａ、２４Ｂの基本的な構成や機能は共通する。図４の例では、第１及び第２のロールスポンジ洗浄部２４Ａ、２４Ｂは、ウェハＷの被洗浄面（表面及び裏面）を挟み込むように、上下に配置された一対のロールスポンジ２４００を有する。
　第１及び第２のロールスポンジ洗浄部２４Ａ、２４Ｂの各々は、ウェハＷを保持する基板保持部２４１と、ウェハＷに基板洗浄流体を供給する洗浄流体供給部２４２と、ロールスポンジ２４００を回転可能に支持するとともにロールスポンジ２４００をウェハＷに接触させてウェハＷを洗浄する基板洗浄部２４０と、ロールスポンジ２４００を洗浄具洗浄流体にて洗浄（セルフクリーニング）する洗浄具洗浄部２４３と、洗浄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２４４とを備える。洗浄流体供給部２４２は、基板仕上げ流体として基板洗浄流体を供給する仕上げ流体供給部に相当する。
　基板保持部２４１は、ウェハＷの側縁部の複数個所を保持する基板保持機構部２４１ａと、ウェハＷの被洗浄面に垂直な第１の回転軸周りにウェハＷを回転させる基板回転機構部２４１ｂとを備える。図４の例では、基板保持機構部２４１ａは、４つのローラであり、少なくとも１つのローラは、ウェハＷの側縁部に対して保持方向又は離間方向に移動可能に構成され、基板回転機構部２４１ｂは、少なくとも１つのローラを回転駆動させる。
　洗浄流体供給部２４２は、ウェハＷの被洗浄面に基板洗浄流体を供給する洗浄流体供給ノズル２４２ａと、洗浄流体供給ノズル２４２ａを旋回移動させる揺動移動機構部２４２ｂと、基板洗浄流体の流量及び圧力を調節する流量調節部２４２ｃと、基板洗浄流体の温度を調節する温調機構部２４２ｄとを備える。基板洗浄流体は、純水（リンス液）、薬液及びこれらの混合液（例えば、流量調節部２４２ｃによる純水及び薬液の流量調整により濃度調整可能）のいずれでもよく、洗浄流体供給ノズル２４２ａは、図４に示すように、純水用のノズルと、薬液用のノズルとが別々に設けられていてもよい。また、基板洗浄流体は、液体でもよいし、液体及び気体を混合させた二流体でもよいし、ドライアイスのような固体を含むものでもよい。
　基板洗浄部２４０は、ウェハＷの被洗浄面に平行な第２の回転軸周りにロールスポンジ２４００を回転させる洗浄具回転機構部２４０ａと、一対のロールスポンジ２４００の高さ及び両者の離間距離を変更するため、一対のロールスポンジ２４００の少なくとも一方を上下方向に移動させる上下移動機構部２４０ｂと、一対のロールスポンジ２４００を水平方向に直線移動させる直線移動機構部２４０ｃとを備える。上下移動機構部２４０ｂ及び直線移動機構部２４０ｃは、ロールスポンジ２４００とウェハＷの被洗浄面との相対位置を移動させる洗浄具移動機構部として機能する。
　洗浄具洗浄部２４３は、ウェハＷと干渉しない位置に配置されて、洗浄具洗浄流体を貯留及び排出可能な洗浄具洗浄槽２４３ａと、洗浄具洗浄槽２４３ａに収容されて、ロールスポンジ２４００が押し付けられる洗浄具洗浄板２４３ｂと、洗浄具洗浄槽２４３ａに供給される洗浄具洗浄流体の流量及び圧力を調節する流量調節部２４３ｃと、ロールスポンジ２４００の内側を流通し、ロールスポンジ２４００の外周面から外部に排出される洗浄具洗浄流体の流量及び圧力を調節する流量調節部２４３ｄとを備える。洗浄具洗浄流体は、純水（リンス液）、薬液及びこれらの混合液（例えば、流量調節部２４３ｃによる純水及び薬液の流量調整により濃度調整可能）のいずれでもよい。
　環境センサ２４４は、例えば、温度センサ２４４ａと、湿度センサ２４４ｂと、気圧センサ２４４ｃと、酸素濃度センサ２４４ｄと、マイクロホン（音センサ）２４４ｅとを備える。なお、環境センサ２４４として、洗浄処理中や洗浄処理の前後に、ウェハＷやロールスポンジ２４００の表面、温度分布、気流分布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。カメラの撮影対象は、可視光に限られず、赤外光や紫外光等でもよい。
　第１及び第２のロールスポンジ洗浄部２４Ａ、２４Ｂによる一次洗浄処理では、ウェハＷは、基板保持機構部２４１ａにより保持された状態で基板回転機構部２４１ｂにより回転される。そして、洗浄流体供給ノズル２４２ａからウェハＷの被洗浄面に基板洗浄流体が供給された状態で、洗浄具回転機構部２４０ａにより軸心周りに回転されたロールスポンジ２４００がウェハＷの被洗浄面に摺接することでウェハＷは洗浄される。その後、基板洗浄部２４０が、ロールスポンジ２４００を洗浄具洗浄槽２４３ａに移動させて、例えば、ロールスポンジ２４００を回転させたり、洗浄具洗浄板２４３ｂに押し付けたり、流量調節部２４３ｄにより洗浄具洗浄流体をロールスポンジ２４００に供給することで、ロールスポンジ２４００は洗浄される。
　図５は、第１及び第２のペンスポンジ洗浄部２４Ｃ、２４Ｄの一例を示す斜視図である。第１及び第２のペンスポンジ洗浄部２４Ｃ、２４Ｄの基本的な構成や機能は共通する。
　第１及び第２のペンスポンジ洗浄部２４Ｃ、２４Ｄの各々は、ウェハＷを保持する基板保持部２４１と、ウェハＷに基板洗浄流体を供給する洗浄流体供給部２４２と、ペンスポンジ２４０１を回転可能に支持するとともにペンスポンジ２４０１をウェハＷに接触させてウェハＷを洗浄する基板洗浄部２４０と、ペンスポンジ２４０１を洗浄具洗浄流体にて洗浄（セルフクリーニング）する洗浄具洗浄部２４３と、洗浄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２４４とを備える。洗浄流体供給部２４２は、基板仕上げ流体として基板洗浄流体を供給する仕上げ流体供給部に相当する。以下では、ペンスポンジ洗浄部２４Ｃ、２４Ｄについて、ロールスポンジ洗浄部２４Ａ、２４Ｂと異なる部分を中心に説明する。
　基板保持部２４１は、ウェハＷの側縁部の複数個所を保持する基板保持機構部２４１ｃと、ウェハＷの被洗浄面に垂直な第１の回転軸周りにウェハＷを回転させる基板回転機構部２４１ｄとを備える。図５の例では、基板保持機構部２４１ｃは、４つのチャックであり、少なくとも１つのチャックは、ウェハＷの側縁部に対して保持方向又は離間方向に移動可能に構成され、基板回転機構部２４１ｄは、４つのチャックに連結された支持シャフトを回転駆動させる。
　洗浄流体供給部２４２は、図４と同様に構成されており、洗浄流体供給ノズル２４２ａ、揺動移動機構部２４２ｂ、流量調節部２４２ｃ、及び、温調機構部２４２ｄを備える。
　基板洗浄部２４０は、ウェハＷの被洗浄面に垂直な第３の回転軸周りにペンスポンジ２４０１を回転させる洗浄具回転機構部２４０ｄと、ペンスポンジ２４０１を上下方向に移動させる上下移動機構部２４０ｅと、ペンスポンジ２４０１を水平方向に旋回移動させる揺動移動機構部２４０ｆとを備える。上下移動機構部２４０ｅ及び揺動移動機構部２４０ｆは、ペンスポンジ２４０１とウェハＷの被洗浄面との相対位置を移動させる洗浄具移動機構部として機能する。
　洗浄具洗浄部２４３は、ウェハＷと干渉しない位置に配置されて、洗浄具洗浄流体を貯留及び排出可能な洗浄具洗浄槽２４３ｅと、洗浄具洗浄槽２４３ｅに収容されて、ペンスポンジ２４０１が押し付けられる洗浄具洗浄板２４３ｆと、洗浄具洗浄槽２４３ｅに供給される洗浄具洗浄流体の流量及び圧力を調節する流量調節部２４３ｇと、ペンスポンジ２４０１の内側を流通し、ペンスポンジ２４０１の外表面から外部に排出される洗浄具洗浄流体の流量及び圧力を調節する流量調節部２４３ｈとを備える。
　環境センサ２４４は、例えば、温度センサ２４４ａと、湿度センサ２４４ｂと、気圧センサ２４４ｃと、酸素濃度センサ２４４ｄと、マイクロホン（音センサ）２４４ｅとを備える。なお、環境センサ２４４として、洗浄処理中や洗浄処理の前後に、ウェハＷやペンスポンジ２４０１の表面、温度分布、気流分布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。カメラの撮影対象は、可視光に限られず、赤外光や紫外光等でもよい。
　第１及び第２のペンスポンジ洗浄部２４Ｃ、２４Ｄによる二次洗浄処理では、ウェハＷは、基板保持機構部２４１ｃにより保持された状態で基板回転機構部２４１ｄにより回転される。そして、洗浄流体供給ノズル２４２ａからウェハＷの被洗浄面に基板洗浄流体が供給された状態で、洗浄具回転機構部２４０ｄにより軸心周りに回転されたペンスポンジ２４０１がウェハＷの被洗浄面に摺接することでウェハＷは洗浄される。その後、基板洗浄部２４０が、ペンスポンジ２４０１を洗浄具洗浄槽２４３ｅに移動させて、例えば、ペンスポンジ２４０１を回転させたり、洗浄具洗浄板２４３ｆに押し付けたり、流量調節部２４３ｈにより洗浄具洗浄流体をペンスポンジ２４０１に供給することで、ペンスポンジ２４０１は洗浄される。
　図６は、第１及び第２の乾燥部２４Ｅ、２４Ｆの一例を示す斜視図である。第１及び第２の乾燥部２４Ｅ、２４Ｆの基本的な構成や機能は共通する。
　第１及び第２の乾燥部２４Ｅ、２４Ｆの各々は、ウェハＷを保持する基板保持部２４１と、ウェハＷに基板乾燥流体を供給する乾燥流体供給部２４５と、乾燥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２４４とを備える。乾燥流体供給部２４５は、基板仕上げ流体として基板乾燥流体を供給する仕上げ流体供給部に相当する。
　基板保持部２４１は、ウェハＷの側縁部の複数個所を保持する基板保持機構部２４１ｅと、ウェハＷの被洗浄面に垂直な第１の回転軸周りにウェハＷを回転させる基板回転機構部２４１ｆとを備える。
　乾燥流体供給部２４５は、ウェハＷの被洗浄面に基板乾燥流体を供給する乾燥流体供給ノズル２４５ａと、乾燥流体供給ノズル２４５ａを上下方向に移動させる上下移動機構部２４５ｂと、乾燥流体供給ノズル２４５ａを水平方向に旋回移動させる揺動移動機構部２４５ｃと、基板乾燥流体の流量及び圧力を調節する流量調節部２４５ｄと、基板乾燥流体の温度を調節する温調機構部２４５ｅとを備える。上下移動機構部２４５ｂ及び揺動移動機構部２４５ｃは、乾燥流体供給ノズル２４５ａとウェハＷの被洗浄面との相対位置を移動させる乾燥流体供給ノズル移動機構部として機能する。基板乾燥流体は、例えば、ＩＰＡ蒸気及び純水（リンス液）であり、乾燥流体供給ノズル２４５ａは、図６に示すように、ＩＰＡ蒸気用のノズルと、純水用のノズルとが別々に設けられていてもよい。また、基板乾燥流体は、液体でもよいし、液体及び気体を混合させた二流体でもよいし、ドライアイスのような固体を含むものでもよい。
　環境センサ２４４は、温度センサ２４４ａと、湿度センサ２４４ｂと、気圧センサ２４４ｃと、酸素濃度センサ２４４ｄと、マイクロホン（音センサ）２４４ｅとを備える。なお、環境センサ２４４として、乾燥処理中や乾燥処理の前後に、ウェハＷの表面、温度分布、気流分布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。カメラの撮影対象は、可視光に限られず、赤外光や紫外光等でもよい。
　第１及び第２の乾燥部２４Ｅ、２４Ｆによる乾燥処理では、ウェハＷは、基板保持機構部２４１ｅにより保持された状態で基板回転機構部２４１ｆにより回転される。そして、乾燥流体供給ノズル２４５ａからウェハＷの被洗浄面に基板乾燥流体が供給された状態で、乾燥流体供給ノズル２４５ａがウェハＷの側縁部側（径方向外側）に移動される。その後、ウェハＷは、基板回転機構部２４１ｆにより高速回転されることでウェハＷが乾燥される。
　なお、図４乃至図６では、基板回転機構部２４１ｂ、２４１ｄ、上下移動機構部２４０ｂ、２４０ｅ、２４５ｂ、直線移動機構部２４０ｃ、揺動移動機構部２４０ｆ、２４２ｂ、２４５ｃ、洗浄具回転機構部２４０ａ、２４０ｄ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４乃至図６では、流量調節部２４３ｃ、２４３ｄ、２４３ｇ、２４３ｈ、２４５ｄ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、温度センサ、流体濃度センサ、流体パーティクル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乃至図６では、温調機構部２４２ｄ、２４５ｅ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。
（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７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、仕上げユニット２４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。
　仕上げユニット２４は、仕上げユニット２４が備える各サブユニット（例えば、第１及び第２のロールスポンジ洗浄部２４Ａ、２４Ｂ、第１及び第２のペンスポンジ洗浄部２４Ｃ、２４Ｄ、第１及び第２の乾燥部２４Ｅ、２４Ｆ、第１及び第２の搬送部２４Ｇ、２４Ｈ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２４７１～２４７ｒと、複数のモジュール２４７１～２４７ｒにそれぞれ配置されて、各モジュール２４７１～２４７ｒの制御に必要なデータ（検出値）を検出する複数のセンサ２４８１～２４８ｓと、各センサ２４８１～２４８ｓの検出値に基づいて各モジュール２４７１～２４７ｒの動作を制御するシーケンサ２４９とを備える。
　仕上げユニット２４のセンサ２４８１～２４８ｓには、例えば、基板保持機構部２４１ａ、２４１ｃが基板を保持するときの保持圧力を検出するセンサ、基板保持機構部２４１ａ、２４１ｃの回転数を検出するセンサ、基板回転機構部２４１ｂ、２４１ｄの回転トルクを検出するセンサ、基板洗浄流体又は基板乾燥流体の流量を検出するセンサ、基板洗浄流体又は基板乾燥流体の圧力を検出するセンサ、基板洗浄流体又は基板乾燥流体の滴下位置に変換可能な洗浄流体供給部２４２又は乾燥流体供給部２４５の位置座標を検出するセンサ、基板洗浄流体又は基板乾燥流体の温度を検出するセンサ、基板洗浄流体又は基板乾燥流体の濃度を検出するセンサ、洗浄具回転機構部２４０ａの回転数を検出するセンサ、洗浄具回転機構部２４０ａの回転トルクを検出するセンサ、洗浄具移動機構部（上下移動機構部２４０ｂ、２４０ｅ、直線移動機構部２４０ｃ、揺動移動機構部２４０ｆ）の位置座標を検出するセンサ、洗浄具移動機構部の移動速度を検出するセンサ、洗浄具移動機構部の移動トルクを検出するセンサ、洗浄具（ロールスポンジ２４００、ペンスポンジ２４０１）をウェハＷ又は洗浄具洗浄板２４３ｂ、２４３ｆに接触させるときの押付荷重を検出するセンサ、洗浄具洗浄流体の流量を検出するセンサ、洗浄具洗浄流体の圧力を検出するセンサ、洗浄具洗浄流体の清浄度（例えば、洗浄具洗浄槽２４３ａ、２４３ｅの廃液に含まれるパーティクル）を検出するセンサ、環境センサ２４４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８参照）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８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８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９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、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３０１と、乾燥処理における装置状態情報に関する乾燥履歴テーブル３０２とを備える。なお、生産履歴情報３０は、上記の他に、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、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９では、研磨工程、洗浄工程、乾燥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。
　洗浄履歴テーブル３０１の各レコードには、例えば、ウェハＩＤ、基板保持部状態情報、洗浄流体供給部状態情報、基板洗浄部状態情報、装置内環境情報等が登録される。
　基板保持部状態情報は、洗浄処理における基板保持部２４１の状態を示す情報である。基板保持部状態情報は、例えば、基板保持部２４１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。
　洗浄流体供給部状態情報は、洗浄処理における洗浄流体供給部２４２の状態を示す情報である。洗浄流体供給部状態情報は、例えば、洗浄流体供給部２４２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。
　基板洗浄部状態情報は、洗浄処理における基板洗浄部２４０の状態を示す情報である。基板洗浄部状態情報は、例えば、基板洗浄部２４０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、ロールスポンジ洗浄部２４Ａ、２４Ｂ又はペンスポンジ洗浄部２４Ｃ、２４Ｄ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２４４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。
　洗浄履歴テーブル３０１を参照することで、ウェハＩＤで特定されるウェハＷに対して洗浄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。
　乾燥履歴テーブル３０２の各レコードには、例えば、ウェハＩＤ、基板保持部状態情報、乾燥流体供給部状態情報、装置内環境情報等が登録される。
　基板保持部状態情報は、乾燥処理における基板保持部２４１の状態を示す情報である。基板保持部状態情報は、例えば、基板保持部２４１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。
　乾燥流体供給部状態情報は、乾燥処理における乾燥流体供給部２４５の状態を示す情報である。乾燥流体供給部状態情報は、例えば、乾燥流体供給部２４５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、乾燥部２４Ｅ、２４Ｆ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２４４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。
　乾燥履歴テーブル３０２を参照することで、ウェハＩＤで特定されるウェハＷに対して乾燥浄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。
（仕上げ試験情報３１）
　図１０は、データベース装置３により管理される仕上げ試験情報３１の洗浄試験テーブル３１０の一例を示すデータ構成図である。図１１は、データベース装置３により管理される仕上げ試験情報３１の乾燥試験テーブル３１１の一例を示すデータ構成図である。仕上げ試験情報３１は、ダミーウェハを用いて洗浄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洗浄試験テーブル３１０（図１０）と、ダミーウェハを用いて乾燥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乾燥試験テーブル３１１（図１１）とを備える。
　洗浄試験テーブル３１０の各レコードには、図１０に示すように、例えば、試験ＩＤ、基板保持部状態情報、洗浄流体供給部状態情報、基板洗浄部状態情報、装置内環境情報、試験結果情報等が登録される。洗浄試験テーブル３１０の基板保持部状態情報、洗浄流体供給部状態情報、基板洗浄部状態情報、及び、装置内環境情報は、洗浄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、洗浄履歴テーブル３０１と同様であるため、詳細な説明を省略する。
　乾燥試験テーブル３１１の各レコードには、図１１に示すように、例えば、試験ＩＤ、基板保持部状態情報、乾燥流体供給部状態情報、装置内環境情報、試験結果情報等が登録される。乾燥試験テーブル３１１の基板保持部状態情報、乾燥流体供給部状態情報、及び、装置内環境情報は、乾燥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、乾燥履歴テーブル３０２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、仕上げ試験（洗浄試験、乾燥試験）において仕上げ処理（洗浄処理、乾燥処理）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１０及び図１１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、仕上げ処理を開始してから終了するまでの仕上げ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、仕上げ処理を開始してから終了するまでを連続して行った１回の仕上げ試験にて収集されたものでもよいし、仕上げ処理を開始してから所定の時刻に到達するまでの仕上げ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、複数回の仕上げ試験にて収集されたものでもよい。
　洗浄試験テーブル３１０を参照することで、試験ＩＤで特定される洗浄試験において、ダミーウェハに対して洗浄処理が行われたときのロールスポンジ洗浄部２４Ａ、２４Ｂ又はペンスポンジ洗浄部２４Ｃ、２４Ｄ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。また、乾燥試験テーブル３１１を参照することで、試験ＩＤで特定される乾燥試験において、ダミーウェハに対して乾燥処理が行われたときの乾燥部２４Ｅ、２４Ｆ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１２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、洗浄試験装置（不図示）、乾燥試験装置（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洗浄処理条件及び出力データとしての基板状態情報で構成される第１の学習用データ１１Ａと、入力データとしての乾燥処理条件及び出力データとしての基板状態情報で構成される第２の学習用データ１１Ｂとを取得する。第１及び第２の学習用データ１１Ａ、１１Ｂ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及び第２の学習用データ１１Ａ、１１Ｂ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及び第２の学習用データ１１Ａ、１１Ｂをそれぞれ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に含まれる洗浄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。また、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に含まれる乾燥処理条件と基板状態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。
　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及び第２の学習モデル１０Ａ、１０Ｂ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１２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及び第２の学習モデル１０Ａ、１０Ｂ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）、洗浄具の種類、基板洗浄装置（基板保持部２４１、洗浄流体供給部２４２、基板洗浄部２４０、及び、洗浄具洗浄部２４３）の機構の違い、基板乾燥装置（基板保持部２４１、及び、乾燥流体供給部２４５）の機構の違い、基板洗浄流体や基板乾燥流体の種類、洗浄処理条件や乾燥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１３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、洗浄処理条件と基板状態情報とで構成される。本実施形態では、第１の学習モデル１０Ａ及び第１の学習用データ１１Ａは、ロールスポンジ２４００を用いたロールスポンジ洗浄部２４Ａ、２４Ｂに対応するものと、ペンスポンジ２４０１を用いたペンスポンジ洗浄部２４Ｃ、２４Ｄに対応するものとの２種類が少なくとも用意されるが、基本的なデータ構成は共通するため、以下にまとめて説明する。
　第１の学習用データ１１Ａを構成する洗浄処理条件は、基板処理装置２により行われるウェハＷの洗浄処理における基板保持部２４１の状態を示す基板保持部状態情報、洗浄流体供給部２４２の状態を示す洗浄流体供給部状態情報、及び、基板洗浄部２４０の状態を示す基板洗浄部状態情報を含む。洗浄流体供給部状態情報は、仕上げ流体供給部状態情報に相当する。
　洗浄処理条件に含まれる基板保持部状態情報は、基板保持機構部２４１ａ、２４１ｃが基板を保持するときの保持点数、基板保持機構部２４１ａ、２４１ｃが基板を保持するときの保持圧力、基板保持機構部２４１ａ、２４１ｃの回転数、基板回転機構部２４１ｂ、２４１ｄの回転トルク、及び、基板保持機構部２４１ａ、２４１ｃのコンディションの少なくとも１つを含む。基板保持機構部２４１ａ、２４１ｃのコンディションは、例えば、基板保持機構部２４１ａ、２４１ｃの使用状況（使用時間、使用時の圧力、交換の有無、ウェハＷの回転数、処理枚数）に基づいて設定された基板保持機構部２４１ａ、２４１ｃの消耗度合や汚れ度合を表す。基板保持機構部２４１ａ、２４１ｃのコンディションは、例えば、洗浄処理中に経時変化するものでもよい。
　洗浄処理条件に含まれる洗浄流体供給部状態情報は、基板洗浄流体の流量、基板洗浄流体の圧力、基板洗浄流体の滴下位置、基板洗浄流体の温度、及び、基板洗浄流体の濃度の少なくとも１つを含む。基板洗浄流体は、基板仕上げ流体の一例であり、基板洗浄流体が複数種類の流体である場合には、洗浄流体供給部状態情報は、各流体の流量、圧力、滴下位置、温度及び濃度を含むようにすればよい。
　洗浄処理条件に含まれる基板洗浄部状態情報は、洗浄具回転機構部２４０ａの回転数、洗浄具回転機構部２４０ａの回転トルク、洗浄具移動機構部（上下移動機構部２４０ｂ、２４０ｅ、直線移動機構部２４０ｃ、揺動移動機構部２４０ｆ）の位置座標、洗浄具移動機構部の移動速度、洗浄具移動機構部の移動トルク、洗浄具をウェハＷに接触させるときの押付荷重、及び、洗浄具のコンディションの少なくとも１つを含む。洗浄具のコンディションは、例えば、洗浄具の使用状況（使用時間、使用時の押付荷重、交換の有無、洗浄具の表面を撮影した画像、洗浄具の回転数、ウェハＷの回転数、処理枚数）に基づいて設定された洗浄具の消耗度合や汚れ度合を表す。洗浄具のコンディションは、例えば、洗浄処理中に経時変化するものでもよい。
　なお、洗浄処理条件は、洗浄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い。洗浄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、気圧、気流、酸素濃度及び音の少なくとも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、洗浄処理条件による洗浄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、洗浄処理を開始してから終了するまでの洗浄処理期間（ウェハ１枚当たりの洗浄処理に要する時間）に含まれる対象時点におけるストレスの瞬時値、又は、洗浄処理を開始してから対象時点までの対象期間（洗浄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、仕上げ試験情報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、仕上げ試験情報３１の洗浄試験テーブル３１０を参照することで、試験ＩＤで特定される洗浄試験が行われたときの基板保持部状態情報、洗浄流体供給部状態情報、及び、基板洗浄部状態情報（基板保持部２４１、洗浄流体供給部２４２、及び、基板洗浄部２４０がそれぞれ有する各センサの時系列データ）を、洗浄処理条件として取得する。
　また、学習用データ取得部４００は、仕上げ試験情報３１の洗浄試験テーブル３１０を参照することで、同一の試験ＩＤで特定される洗浄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１０））を、上記の洗浄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。
　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洗浄処理条件に対応する数のニューロンを有し、洗浄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、洗浄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。
　図１４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は、乾燥処理条件と基板状態情報とで構成される。
　第２の学習用データ１１Ｂを構成する乾燥処理条件は、基板処理装置２により行われるウェハＷの乾燥処理における基板保持部２４１の状態を示す基板保持部状態情報、及び、乾燥流体供給部２４５の状態を示す乾燥流体供給部状態情報を含む。乾燥流体供給部状態情報は、仕上げ流体供給部状態情報に相当する。基板保持部状態情報は、第１の学習用データ１１Ａと同様であるため、説明を省略する。
　乾燥処理条件に含まれる乾燥流体供給部状態情報は、基板乾燥流体の流量、基板乾燥流体の圧力、基板乾燥流体の滴下位置、基板乾燥流体の温度、及び、基板乾燥流体の濃度の少なくとも１つを含む。基板乾燥流体は、基板仕上げ流体の一例であり、基板乾燥流体が複数種類の流体である場合には、乾燥流体供給部状態情報は、各流体の流量、圧力、滴下位置、温度及び濃度を含むようにすればよい。
　なお、乾燥処理条件は、乾燥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い。乾燥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、気圧、気流、酸素濃度及び音の少なくとも１つを含む。
　第２の学習用データ１１Ｂを構成する基板状態情報は、乾燥処理条件による乾燥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、乾燥処理を開始してから終了するまでの乾燥処理期間（ウェハ１枚当たりの乾燥処理に要する時間）に含まれる対象時点におけるストレスの瞬時値、又は、乾燥処理を開始してから対象時点までの対象期間（乾燥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、仕上げ試験情報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。例えば、学習用データ取得部４００は、仕上げ試験情報３１の乾燥試験テーブル３１１を参照することで、試験ＩＤで特定される乾燥試験が行われたときの基板保持部状態情報、及び、乾燥流体供給部状態情報（基板保持部２４１、及び、乾燥流体供給部２４５がそれぞれ有する各センサの時系列データ）を、乾燥処理条件として取得する。
　また、学習用データ取得部４００は、仕上げ試験情報３１の乾燥試験テーブル３１１を参照することで、同一の試験ＩＤで特定される乾燥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１１））を、上記の乾燥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。
　第２の学習モデル１０Ｂ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乾燥処理条件に対応する数のニューロンを有し、乾燥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、乾燥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２の学習モデル１０Ｂ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２の学習モデル１０Ｂ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。
　なお、本実施形態では、仕上げ処理条件（洗浄処理条件、乾燥処理条件）を、図１３及び図１４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、仕上げユニット２４（基板洗浄装置、基板乾燥装置）の構成に応じて適宜変更してもよい。また、洗浄処理条件及び乾燥処理条件として、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、仕上げ処理条件は、仕上げ処理期間（洗浄処理期間、乾燥処理期間）全体の時系列データとして取得されてもよいし、仕上げ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、仕上げ処理期間の定義を変更する場合には、第１及び第２の学習モデル１０Ａ、１０Ｂ、並びに、第１及び第２の学習用データ１１Ａ、１１Ｂ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、本実施形態では、基板状態情報が、図１３及び図１４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、仕上げ処理条件が、例えば、仕上げ処理期間全体の時系列データ又は仕上げ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、仕上げ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、仕上げ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、仕上げ処理条件が、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及び第２の学習モデル１０Ａ、１０Ｂ、並びに、第１及び第２の学習用データ１１Ａ、１１Ｂ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。
（機械学習方法）
　図１５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。以下では、複数組の第１の学習用データ１１Ａ（図１５では、学習用データと表記）を用いて第１の学習モデル１０Ａ（図１５では、学習用モデルと表記）を生成する場合について説明する。なお、第２の学習用データ１１Ｂを用いて第２の学習モデル１０Ｂを作成する場合も同様であるため、説明を省略する。
　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、仕上げ試験情報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１３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に含まれる洗浄処理条件（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、洗浄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１５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、基板保持部状態情報、洗浄流体供給部状態情報、及び、基板洗浄部状態情報等を含む洗浄処理条件から、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。また、基板保持部状態情報、及び、乾燥流体供給部状態情報等を含む乾燥処理条件から、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２の学習モデル１０Ｂを提供することができる。
（情報処理装置５）
　図１６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１７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、仕上げ処理条件を取得する。本実施形態では、情報取得部５００は、仕上げ処理条件として、基板保持部状態情報、洗浄流体供給部状態情報、及び、基板洗浄部状態情報等を含む洗浄処理条件を取得するとともに、基板保持部状態情報、及び、乾燥流体供給部状態情報等を含む乾燥処理条件を取得する。
　例えば、洗浄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の洗浄履歴テーブル３０１を参照することで、そのウェハＷに対して洗浄処理が行われたときの基板保持部状態情報、洗浄流体供給部状態情報、及び、基板洗浄部状態情報を、洗浄処理条件として取得する。洗浄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、その洗浄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に対して洗浄処理が行われている最中の基板保持部状態情報、洗浄流体供給部状態情報、及び、基板洗浄部状態情報を、洗浄処理条件として随時取得する。洗浄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、その洗浄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、その基板レシピ情報２６６に従って基板処理装置２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に対して洗浄処理が行われるときの基板保持部状態情報、洗浄流体供給部状態情報、及び、基板洗浄部状態情報を、洗浄処理条件として取得する。
　また、乾燥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の乾燥履歴テーブル３０２を参照することで、そのウェハＷに対して乾燥処理が行われたときの基板保持部状態情報、及び、乾燥流体供給部状態情報を、乾燥処理条件として取得する。乾燥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、その乾燥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に対して乾燥処理が行われている最中の基板保持部状態情報、及び、乾燥流体供給部状態情報を、乾燥処理条件として随時取得する。乾燥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、その乾燥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、その基板レシピ情報２６６に従って基板処理装置２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に対して乾燥処理が行われるときの基板保持部状態情報、及び、乾燥流体供給部状態情報を、乾燥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により取得された洗浄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、当該洗浄処理条件による洗浄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。また、状態予測部５０１は、上記のように、情報取得部５００により取得された乾燥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、当該乾燥処理条件による乾燥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及び第２の学習モデル１０Ａ、１０Ｂ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及び第２の学習モデル１０Ａ、１０Ｂ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）、洗浄具の種類、基板洗浄装置の機構の違い、基板乾燥装置の機構の違い、基板洗浄流体や基板乾燥流体の種類、洗浄処理条件や乾燥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。本実施形態では、学習済みモデル記憶部５２には、ロールスポンジ２４００を用いたロールスポンジ洗浄部２４Ａ、２４Ｂに対応するものと、ペンスポンジ２４０１を用いたペンスポンジ洗浄部２４Ｃ、２４Ｄに対応するものとの２種類の第１の学習モデル１０Ａと、第１及び第２の乾燥部２４Ｅ、２４Ｆに対応する第２の学習モデル１０Ｂとが少なくとも記憶される。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１８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の洗浄履歴テーブル３０１及び乾燥履歴テーブル３０２を参照することで、そのウェハＩＤで特定されたウェハＷに対して洗浄処理及び乾燥処理がそれぞれ行われたときの洗浄処理条件及び乾燥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にて取得された洗浄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、当該洗浄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Ｓ２２１において、状態予測部５０１は、ステップＳ２１１にて取得された乾燥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、当該乾燥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、Ｓ２１１にてそれぞれ生成された洗浄処理及び乾燥処理の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にて送信された洗浄処理及び乾燥処理の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、Ｓ２２１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、洗浄処理における、基板保持部状態情報、洗浄流体供給部状態情報、及び、基板洗浄部状態情報等を含む洗浄処理条件が第１の学習モデル１０Ａに入力されることで、当該洗浄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、洗浄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。また、乾燥処理における、基板保持部状態情報、及び、乾燥流体供給部状態情報等を含む乾燥処理条件が第２の学習モデル１０Ｂに入力されることで、当該乾燥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、乾燥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、仕上げ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の仕上げ品質を示す仕上げ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。
　仕上げ品質情報は、例えば、洗浄処理時の洗浄度合に関する洗浄度合情報、乾燥処理時の乾燥度合に関する乾燥度合情報、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。なお、洗浄度合情報又は乾燥度合情報は、パーティクルに関する情報でもよく、例えば、パーティクルの面的分布状態やパーティクルの総数を含むものでもよい。
　図１９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２０は、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。図２１は、第４の学習モデル１０Ｄ及び第４の学習用データ１１Ｄの一例を示す図である。第３及び第４の学習用データ１１Ｃ、１１Ｄは、第３及び第４の学習モデル１０Ｃ、１０Ｄの機械学習にそれぞれ用いられる。
　第３の学習用データ１１Ｃを構成する基板状態情報は、ウェハＷの仕上げ品質として、洗浄処理におけるウェハＷの洗浄品質を示す洗浄品質情報である。本実施形態では、洗浄品質情報は、洗浄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、洗浄品質を示す他の情報を含むものでもよい。洗浄品質情報は、洗浄処理を開始してから終了するまでの洗浄処理期間（ウェハ１枚当たりの洗浄処理に要する時間）に含まれる対象時点における洗浄品質を示すものでもよいし、ウェハＷの基板面における洗浄品質の面的分布状態を示すものでもよい。なお、第３の学習用データ１１Ｃを構成する洗浄処理条件は、第１の実施形態と同様であるため、説明を省略する。
　第４の学習用データ１１Ｄを構成する基板状態情報は、ウェハＷの仕上げ品質として、乾燥処理におけるウェハＷの乾燥品質を示す乾燥品質情報である。本実施形態では、乾燥品質情報は、乾燥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、乾燥品質を示す他の情報を含むものでもよい。乾燥品質情報は、乾燥処理を開始してから終了するまでの乾燥処理期間（ウェハ１枚当たりの乾燥処理に要する時間）に含まれる対象時点における乾燥品質を示すものでもよいし、ウェハＷの基板面における乾燥品質の面的分布状態を示すものでもよい。なお、第４の学習用データ１１Ｄ構成する乾燥処理条件は、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、仕上げ試験情報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３及び第４の学習用データ１１Ｃ、１１Ｄを取得する。具体的には、学習用データ取得部４００は、仕上げ試験情報３１の洗浄試験テーブル３１０及び乾燥試験テーブル３１１から試験ＩＤで特定される仕上げ試験（洗浄試験、乾燥試験）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仕上げ品質（洗浄品質、乾燥品質）を算出することで、仕上げ品質情報（洗浄品質情報、乾燥品質情報）を取得する。なお、仕上げ試験情報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仕上げ品質情報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、仕上げ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３の学習モデル１０Ｃに第３の学習用データ１１Ｃを複数組入力し、第３の学習用データ１１Ｃに含まれる仕上げ処理条件と洗浄品質情報との相関関係を第３の学習モデル１０Ｃに学習させることで、学習済みの第３の学習モデル１０Ｃを生成する。また、機械学習部４０１は、第４の学習モデル１０Ｄに第４の学習用データ１１Ｄを複数組入力し、第４の学習用データ１１Ｄに含まれる乾燥処理条件と乾燥品質情報との相関関係を第４の学習モデル１０Ｄに学習させることで、学習済みの第４の学習モデル１０Ｄを生成する。
　図２２は、第２の実施形態に係る情報処理装置５ａの一例を示すブロック図である。図２３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、仕上げ処理条件として、基板保持部状態情報、洗浄流体供給部状態情報、及び、基板洗浄部状態情報等を含む洗浄処理条件を取得するとともに、基板保持部状態情報、及び、乾燥流体供給部状態情報等を含む乾燥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により取得された洗浄処理条件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、当該洗浄処理条件による洗浄処理が行われたウェハＷに対する洗浄品質情報（本実施形態では、洗浄度合情報及び基板欠損情報）を予測する。また、状態予測部５０１は、上記のように、情報取得部５００により取得された乾燥処理条件を入力データとして第４の学習モデル１０Ｄに入力することで、当該乾燥処理条件による乾燥処理が行われたウェハＷに対する乾燥品質情報（本実施形態では、乾燥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、洗浄処理における、基板保持部状態情報、洗浄流体供給部状態情報、及び、基板洗浄部状態情報等を含む洗浄処理条件が第３の学習モデル１０Ｃに入力されることで、当該洗浄処理条件に対する基板状態情報（洗浄品質情報）が予測されるので、洗浄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。また、乾燥処理における、基板保持部状態情報、及び、乾燥流体供給部状態情報等を含む乾燥処理条件が第４の学習モデル１０Ｄに入力されることで、当該乾燥処理条件に対する基板状態情報（乾燥品質情報）が予測されるので、乾燥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、仕上げ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２４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２５は、洗浄品質解析用の第５の学習モデル１０Ｅ及び第５の学習用データ１１Ｅの一例を示す図である。図２６は、乾燥品質解析用の第６の学習モデル１０Ｆ及び第６の学習用データ１１Ｆの一例を示す図である。
　洗浄処理用の学習モデル１０Ｍは、ストレス解析用の第１の学習モデル１０Ａ（図１３）と、洗浄品質解析用の第５の学習モデル１０Ｅ（図２５）とで構成される。洗浄品質解析用の第５の学習モデル１０Ｅの機械学習に用いられる第５の学習用データ１１Ｅは、図２５に示すように、ストレス情報と洗浄品質情報（本実施形態では、洗浄度合情報及び基板欠損情報）とで構成される。また、乾燥処理用の学習モデル１０Ｎは、ストレス解析用の第２の学習モデル１０Ｂ（図１４）と、乾燥品質解析用の第６の学習モデル１０Ｆ（図２６）とで構成される。乾燥品質解析用の第６の学習モデル１０Ｆの機械学習に用いられる第６の学習用データ１１Ｆは、図２６に示すように、ストレス情報と乾燥品質情報（本実施形態では、乾燥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及び第２の学習モデル１０Ａ、１０Ｂ、並びに、第１及び第２の学習用データ１１Ａ、１１Ｂは、第１の実施形態（図１３、図１４）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、仕上げ試験情報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、ストレス情報と洗浄品質情報とで構成される第５の学習用データ１１Ｅを取得するとともに、ストレス情報と乾燥品質情報とで構成される第６の学習用データ１１Ｆを取得する。
　機械学習部４０１は、仕上げ品質解析用の第５の学習モデル１０Ｅに第５の学習用データ１１Ｅをそれぞれ複数組入力し、第５の学習用データ１１Ｅに含まれるストレス情報と洗浄品質情報との相関関係を仕上げ品質解析用の第５の学習モデル１０Ｅに学習させることで、学習済みの仕上げ品質解析用の第５の学習モデル１０Ｅを生成する。また、機械学習部４０１は、第６の学習モデル１０Ｆに第６の学習用データ１１Ｆを複数組入力し、第６の学習用データ１１Ｆに含まれるストレス情報と乾燥品質情報との相関関係を第６の学習モデル１０Ｆに学習させることで、学習済みの第６の学習モデル１０Ｆを生成する。
　図２７は、第３の実施形態に係る情報処理装置５ｂの一例を示すブロック図である。図２８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、基板保持部状態情報、洗浄流体供給部状態情報、及び、基板洗浄部状態情報等を含む洗浄処理条件を取得するとともに、基板保持部状態情報、及び、乾燥流体供給部状態情報等を含む乾燥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により取得された洗浄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、当該洗浄処理条件による洗浄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５の学習モデル１０Ｅ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に対する洗浄品質情報（本実施形態では、洗浄度合情報及び基板欠損情報）を予測する。また、状態予測部５０１は、上記のように、情報取得部５００により取得された乾燥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、当該乾燥処理条件による乾燥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６の学習モデル１０Ｆ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に対する乾燥品質情報（本実施形態では、乾燥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、洗浄処理における洗浄処理条件が洗浄処理用の学習モデル１０Ｍ（第１及び第５の学習モデル１０Ａ、１０Ｅ）に入力されることで、当該洗浄処理条件に対する基板状態情報（洗浄品質情報）が予測されるので、洗浄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。また、乾燥処理における乾燥処理条件が乾燥処理用の学習モデル１０Ｎ（第２及び第６の学習モデル１０Ｂ、１０Ｆ）に入力されることで、当該乾燥処理条件に対する基板状態情報（乾燥品質情報）が予測されるので、乾燥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、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、仕上げユニット２４のうち、基板洗浄装置として洗浄処理を行う機能（ロールスポンジ洗浄部２４Ａ、２４Ｂ又はペンスポンジ洗浄部２４Ｃ、２４Ｄ）及び基板乾燥装置として乾燥処理を行う機能（乾燥部２４Ｅ、２４Ｆ）の少なくとも一方を備えていればよく、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、機械学習装置４、４ａ、４ｂ及び情報処理装置５、５ａ、５ｂは、ロールスポンジ２４００を用いたロールスポンジ洗浄（ロールスポンジ洗浄部２４Ａ、２４Ｂ）、又は、ペンスポンジ２４０１を用いたペンスポンジ洗浄（ペンスポンジ洗浄部２４Ｃ、２４Ｄ）を行う基板洗浄装置を対象として動作するとして説明したが、基板洗浄装置の形態は上記の例に限られない。例えば、基板洗浄装置は、洗浄具として、バフを用いたバフ洗浄を行うものでもよいし、洗浄具を備えずに、基板洗浄流体による洗浄や超音波洗浄機による洗浄を行うものでもよい。なお、基板洗浄装置が、洗浄具を備えない場合には、基板洗浄条件は、基板洗浄部状態情報を含まなくてもよい。
　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乃至第４の学習モデル１０Ａ～１０Ｄの入力データである仕上げ処理条件（洗浄処理条件、乾燥処理条件）に含まれる各種の情報について説明した。また、第１乃至第４の学習モデル１０Ａ～１０Ｄ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、仕上げ処理条件は、仕上げ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。仕上げ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、仕上げ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（研磨ユニット２２を含む）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、仕上げ試験情報３１に登録されて、機械学習装置４、４ａ、４ｂにより仕上げ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仕上げ処理条件と、基板状態情報とで構成される第１乃至第４の学習用データ１１Ａ～１１Ｄを用いて、第１乃至第４の学習モデル１０Ａ～１０Ｄ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により仕上げ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仕上げ処理条件を入力データとして第１乃至第４の学習用データ１１Ａ～１１Ｄに入力することで、当該仕上げ処理条件による仕上げ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、仕上げ処理条件を取得する情報取得処理（情報取得工程）と、情報取得処理にて仕上げ処理条件を取得すると、当該仕上げ処理条件による仕上げ処理が行われた基板の状態を示す基板状態情報（ストレス情報又は仕上げ品質情報）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仕上げ品質を示す仕上げ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、
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、１０Ｄ…第４の学習モデル、
１０Ｅ…第５の学習モデル、１０Ｆ…第６の学習モデル、
１０Ｍ…学習モデル、１０Ｎ…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、１１Ｄ…第４の学習用データ、
１１Ｅ…第５の学習用データ、１１Ｆ…第６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…仕上げユニット、２４Ａ、２４Ｂ…ロールスポンジ洗浄部、
２４Ｃ、２４Ｄ…ペンスポンジ洗浄部、２４Ｅ、２４Ｆ…乾燥部、
２４Ｇ、２４Ｈ…搬送部、２５…膜厚測定ユニット、２６…制御ユニット、
３０…生産履歴情報、３１…仕上げ試験情報、
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、
２４０…基板洗浄部、２４１…基板保持部、２４２…洗浄流体供給部、
２４３…洗浄具洗浄部、２４４…環境センサ、２４５…乾燥流体供給部、
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…洗浄履歴テーブル、３０２…乾燥履歴テーブル、
３１０…洗浄試験テーブル、３１１…乾燥試験テーブル、
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、２２３０…ドレッサディスク、２４００…ロールスポンジ、
２４０１…ペンスポンジ

 

Claims (25)

  1. 　基板を保持する基板保持部、及び、前記基板に基板仕上げ流体を供給する仕上げ流体供給部を備える基板処理装置により行われる前記基板の仕上げ処理における、前記基板保持部の状態を示す基板保持部状態情報、及び、前記仕上げ流体供給部の状態を示す仕上げ流体供給部状態情報を含む仕上げ処理条件を取得する情報取得部と、
    　前記仕上げ処理条件と、当該仕上げ処理条件による前記仕上げ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仕上げ処理条件を入力することで、当該仕上げ処理条件による前記仕上げ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. 　前記基板保持部は、
    　　前記基板の被仕上げ面に垂直な第１の回転軸周りに前記基板を回転させる基板回転機構部と、
    　　前記基板の側縁部を保持する基板保持機構部とを備え、
    　前記仕上げ処理条件に含まれる前記基板保持部状態情報は、
    　　前記基板保持機構部が前記基板を保持するときの保持点数、
    　　前記基板保持機構部が前記基板を保持するときの保持圧力、
    　　前記基板回転機構部の回転数、
    　　前記基板回転機構部の回転トルク、及び、
    　　前記基板保持機構部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. 　前記仕上げ処理条件に含まれる前記仕上げ流体供給部状態情報は、
    　　前記基板仕上げ流体の流量、
    　　前記基板仕上げ流体の圧力、
    　　前記基板仕上げ流体の滴下位置、
    　　前記基板仕上げ流体の温度、及び、
    　　前記基板仕上げ流体の濃度の少なくとも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. 　前記仕上げ処理条件は、
    　　前記仕上げ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、
    　前記仕上げ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、
    　　前記空間の気圧、
    　　前記空間の気流、
    　　前記空間の酸素濃度、及び
    　　前記空間の音の少なくとも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. 　前記仕上げ処理条件は、
    　　前記仕上げ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４のいずれか一項に記載の情報処理装置。
  6. 　前記仕上げ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５に記載の情報処理装置。
  7. 　前記仕上げ処理条件は、
    　　前記基板処理装置により前記仕上げ処理として行われる前記基板の洗浄処理における洗浄処理条件である、
    　請求項１乃至請求項６のいずれか一項に記載の情報処理装置。
  8. 　前記基板処理装置は、
    　　洗浄具を回転可能に支持するとともに前記洗浄具を前記基板に接触させて前記基板を洗浄する基板洗浄部をさらに備え、
    　前記洗浄処理条件は、
    　　前記基板洗浄部の状態を示す基板洗浄部状態情報をさらに含む、
    　請求項７に記載の情報処理装置。
  9. 　前記基板洗浄部は、
    　　前記基板の被洗浄面に平行な第２の回転軸周り又は前記被洗浄面に垂直な第３の回転軸周りに前記洗浄具を回転させる洗浄具回転機構部と、
    　　前記洗浄具と前記被洗浄面との相対位置を移動させる洗浄具移動機構部とを備え、
    　前記仕上げ処理条件に含まれる前記基板洗浄部状態情報は、
    　　前記洗浄具回転機構部の回転数、
    　　前記洗浄具回転機構部の回転トルク、
    　　前記洗浄具移動機構部の位置座標、
    　　前記洗浄具移動機構部の移動速度、
    　　前記洗浄具移動機構部の移動トルク、
    　　前記洗浄具を前記基板に接触させるときの押付荷重、及び、
    　　前記洗浄具のコンディションの少なくとも１つを含む、
    　請求項８に記載の情報処理装置。
  10. 　前記仕上げ処理条件は、
    　　前記基板処理装置により前記仕上げ処理として行われる前記基板の乾燥処理における乾燥処理条件である、
    　請求項１乃至請求項６のいずれか一項に記載の情報処理装置。
  11. 　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１０のいずれか一項に記載の情報処理装置。
  12. 　前記ストレス情報は、
    　　前記仕上げ処理を開始してから終了するまでの仕上げ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、
    　　前記仕上げ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１１に記載の情報処理装置。
  13. 　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１１又は請求項１２に記載の情報処理装置。
  14. 　前記基板状態情報は、
    　　前記基板の仕上げ品質を示す仕上げ品質情報であり、
    　前記仕上げ品質情報は、
    　　前記洗浄処理における前記基板の洗浄品質を示す洗浄品質情報である、
    　請求項７乃至請求項９のいずれか一項に記載の情報処理装置。
  15. 　前記基板状態情報は、
    　　前記基板の仕上げ品質を示す仕上げ品質情報であり、
    　前記仕上げ品質情報は、
    　　前記乾燥処理における前記基板の乾燥品質を示す乾燥品質情報である、
    　請求項１０に記載の情報処理装置。
  16. 　前記学習モデルは、
    　　前記仕上げ処理条件と、当該仕上げ処理条件による前記仕上げ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仕上げ品質を示す仕上げ品質情報との相関関係を学習させた仕上げ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仕上げ処理条件を入力することで、当該仕上げ処理条件による前記仕上げ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、
    　　前記仕上げ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仕上げ品質情報を予測する、
    　請求項１乃至請求項１０のいずれか一項に記載の情報処理装置。
  17. 　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、
    　　基板を保持する基板保持部、及び、前記基板に基板仕上げ流体を供給する仕上げ流体供給部を備える基板処理装置により行われる前記基板の仕上げ処理における、前記基板保持部の状態を示す基板保持部状態情報、及び、前記仕上げ流体供給部の状態を示す仕上げ流体供給部状態情報を含む仕上げ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仕上げ処理条件を取得すると、当該仕上げ処理条件による前記仕上げ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。
  18. 　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、
    　　基板を保持する基板保持部、及び、前記基板に基板仕上げ流体を供給する仕上げ流体供給部を備える基板処理装置により仕上げ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仕上げ品質を示す仕上げ品質情報を推論する推論処理と、を実行する、
    　推論装置。
  19. 　基板を保持する基板保持部、及び、前記基板に基板仕上げ流体を供給する仕上げ流体供給部を備える基板処理装置により行われる前記基板の仕上げ処理における、前記基板保持部の状態を示す基板保持部状態情報、及び、前記仕上げ流体供給部の状態を示す仕上げ流体供給部状態情報を含む仕上げ処理条件と、当該仕上げ処理条件による前記仕上げ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、前記仕上げ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。
  20. 　基板を保持する基板保持部、及び、前記基板に基板仕上げ流体を供給する仕上げ流体供給部を備える基板処理装置により仕上げ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仕上げ品質を示す仕上げ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仕上げ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。
  21. 　基板を保持する基板保持部、及び、前記基板に基板仕上げ流体を供給する仕上げ流体供給部を備える基板処理装置により行われる前記基板の仕上げ処理における、前記基板保持部の状態を示す基板保持部状態情報、及び、前記仕上げ流体供給部の状態を示す仕上げ流体供給部状態情報を含む仕上げ処理条件を取得する情報取得工程と、
    　前記仕上げ処理条件と、当該仕上げ処理条件による前記仕上げ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仕上げ処理条件を入力することで、当該仕上げ処理条件による前記仕上げ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。
  22. 　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、
    　　基板を保持する基板保持部、及び、前記基板に基板仕上げ流体を供給する仕上げ流体供給部を備える基板処理装置により行われる前記基板の仕上げ処理における、前記基板保持部の状態を示す基板保持部状態情報、及び、前記仕上げ流体供給部の状態を示す仕上げ流体供給部状態情報を含む仕上げ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仕上げ処理条件を取得すると、当該仕上げ処理条件による前記仕上げ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。
  23. 　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、
    　　基板を保持する基板保持部、及び、前記基板に基板仕上げ流体を供給する仕上げ流体供給部を備える基板処理装置により仕上げ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仕上げ品質を示す仕上げ品質情報を推論する推論工程と、を実行する、
    　推論方法。
  24. 　基板を保持する基板保持部、及び、前記基板に基板仕上げ流体を供給する仕上げ流体供給部を備える基板処理装置により行われる前記基板の仕上げ処理における、前記基板保持部の状態を示す基板保持部状態情報、及び、前記仕上げ流体供給部の状態を示す仕上げ流体供給部状態情報を含む仕上げ処理条件と、当該仕上げ処理条件による前記仕上げ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、前記仕上げ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済みモデル記憶部に記憶する学習済みモデル記憶工程と、を備える、
    　機械学習方法。
  25. 　基板を保持する基板保持部、及び、前記基板に基板仕上げ流体を供給する仕上げ流体供給部を備える基板処理装置により仕上げ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仕上げ品質を示す仕上げ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仕上げ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済みモデル記憶部に記憶する学習済みモデル記憶工程と、を備える、
    　機械学習方法。

     
PCT/JP2023/005241 2022-03-01 2023-02-15 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)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
JP2022031214 2022-03-01
JP2022-031214 2022-03-01
JP2022194728A JP2023127537A (ja) 2022-03-01 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
JP2022-194728 2022-12-06

Publications (1)

Publication Number Publication Date
WO2023166991A1 true WO2023166991A1 (ja) 2023-09-07

Family

ID=87883433

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2023/005241 WO2023166991A1 (ja) 2022-03-01 2023-02-15 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) TW202348349A (ja)
WO (1) WO2023166991A1 (ja)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20070055920A (ko) * 2005-11-28 2007-05-31 주식회사 하이닉스반도체 반도체 소자의 박막 형성 방법
JP2020120004A (ja) * 2019-01-24 2020-08-06 株式会社荏原製作所 情報処理システム、情報処理方法、プログラム及び基板処理装置
JP2021132183A (ja) * 2020-02-21 2021-09-09 東京エレクトロン株式会社 情報処理装置、情報処理方法及びコンピュータ読み取り可能な記録媒体

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20070055920A (ko) * 2005-11-28 2007-05-31 주식회사 하이닉스반도체 반도체 소자의 박막 형성 방법
JP2020120004A (ja) * 2019-01-24 2020-08-06 株式会社荏原製作所 情報処理システム、情報処理方法、プログラム及び基板処理装置
JP2021132183A (ja) * 2020-02-21 2021-09-09 東京エレクトロン株式会社 情報処理装置、情報処理方法及びコンピュータ読み取り可能な記録媒体

Also Published As

Publication number Publication date
TW202348349A (zh) 2023-12-16

Similar Documents

Publication Publication Date Title
JP6782145B2 (ja) 基板処理制御システム、基板処理制御方法、およびプログラム
US20200130130A1 (en) Irregular mechanical motion detection systems and method
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
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
TW201205440A (en) Virtual measuring system and method thereof for predicting the quality of thin film transistor liquid crystal display processes
JP2020061469A (ja) 基板洗浄方法、基板洗浄装置、基板処理装置、基板処理システム、および機械学習器
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
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
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
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
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
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
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
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
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
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
US11897078B2 (en) Polishing apparatus, information processing system, polishing method, and computer-readable storage medium
TW202411016A (zh) 資訊處理裝置、機械學習裝置、資訊處理方法、及機械學習方法
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
US20240062066A1 (en) Information processing apparatus and machine learning apparatus
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
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
TW202410183A (zh) 資訊處理裝置、機器學習裝置、資訊處理方法以及機器學習方法
TWI830812B (zh) 基板處理之條件設定支援方法、基板處理系統、記錄媒體及學習模型
KR20240020654A (ko) 정보 처리 장치, 추론 장치, 기계 학습 장치, 기판 도금 장치, 정보 처리 방법, 추론 방법, 및 기계 학습 방법

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: 23763251

Country of ref document: EP

Kind code of ref document: A1