WO2024009902A1 - 情報処理方法、コンピュータプログラム及び情報処理装置 - Google Patents

情報処理方法、コンピュータプログラム及び情報処理装置 Download PDF

Info

Publication number
WO2024009902A1
WO2024009902A1 PCT/JP2023/024372 JP2023024372W WO2024009902A1 WO 2024009902 A1 WO2024009902 A1 WO 2024009902A1 JP 2023024372 W JP2023024372 W JP 2023024372W WO 2024009902 A1 WO2024009902 A1 WO 2024009902A1
Authority
WO
WIPO (PCT)
Prior art keywords
semiconductor manufacturing
data
sensor
information processing
sensor data
Prior art date
Application number
PCT/JP2023/024372
Other languages
English (en)
French (fr)
Inventor
穣二 高良
晃一 吉田
ツォン サイ
隆男 舟久保
祐太 紀野國
Original Assignee
東京エレクトロン株式会社
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 東京エレクトロン株式会社 filed Critical 東京エレクトロン株式会社
Publication of WO2024009902A1 publication Critical patent/WO2024009902A1/ja

Links

Images

Classifications

    • 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

Definitions

  • the present disclosure relates to an information processing method, a computer program, and an information processing device.
  • Patent Document 1 various information collected from substrate processing apparatuses is accumulated, and the accumulated data is used to display information necessary for energy saving of each substrate processing apparatus installed in a semiconductor manufacturing factory.
  • An integrated management system is proposed. This integrated management system accumulates various information including power consumption information, gas consumption information, or operation information of the substrate processing equipment, acquires information that satisfies predetermined conditions from the accumulated information, and uses the information consumed by the substrate processing equipment. At least one of power consumption, inert gas consumption, and device operating rate of the substrate processing apparatus is calculated and displayed.
  • the present disclosure provides an information processing method, a computer program, and an information processing device that can be expected to estimate the operating state of a semiconductor manufacturing device.
  • An information processing method includes, when operating a first semiconductor manufacturing apparatus provided with a plurality of sensors, acquiring operational data of the first semiconductor manufacturing apparatus and sensor data output from the sensors. , based on the acquired operating data and the sensor data, a learning model that outputs the sensor data in accordance with the input of the operating data is generated by machine learning, and the generated learning model is applied to the first semiconductor manufacturing apparatus.
  • the semiconductor device is placed in a second semiconductor manufacturing apparatus different from the first semiconductor manufacturing device.
  • FIG. 1 is a schematic diagram showing a configuration example of an information processing system according to the present embodiment.
  • FIG. 2 is a schematic diagram for explaining an example of a sensor for semiconductor manufacturing equipment.
  • FIG. 1 is a block diagram illustrating a configuration example of an information processing apparatus according to an embodiment.
  • FIG. 2 is a schematic diagram showing a configuration example of a process DB.
  • 2 is a flowchart illustrating an example of a procedure of predictive model generation processing performed by the information processing device according to the present embodiment.
  • FIG. 3 is a schematic diagram showing an example of information display regarding generation of a predictive model.
  • FIG. 3 is a schematic diagram showing an example of information display regarding generation of a predictive model.
  • FIG. 3 is a schematic diagram for explaining an example of how a prediction model is used in simulation.
  • FIG. 7 is a flowchart illustrating an example of a procedure for calculating a degree of contribution performed by the information processing apparatus according to the present embodiment.
  • FIG. 3 is a schematic diagram showing an example of information display regarding contribution degree.
  • FIG. 2 is a flowchart illustrating an example of a procedure of unit stop processing performed by the information processing apparatus according to the present embodiment.
  • FIG. 3 is a schematic diagram for explaining the effect of automatic stopping of a unit in a standby state.
  • FIG. 3 is a schematic diagram showing an example of display related to processing timing verification.
  • FIG. 3 is a schematic diagram showing an example of display related to processing timing verification.
  • FIG. 1 is a schematic diagram showing a configuration example of an information processing system according to the present embodiment.
  • the information processing system according to this embodiment includes an information processing device 1 and a semiconductor manufacturing device 2.
  • the semiconductor manufacturing apparatus 2 is an apparatus that performs various processes for semiconductor manufacturing, such as CVD (Chemical Vapor Deposition), sputtering, or etching.
  • the information processing device 1 is, for example, a device that acquires and collects operational data output by the semiconductor manufacturing device 2 and monitors and controls the operation of the semiconductor manufacturing device 2 .
  • the information processing device 1 may monitor and control a plurality of semiconductor manufacturing devices 2 .
  • the operation data acquired by the information processing apparatus 1 may include various data such as process log data, recipe data, wafer transfer history data, and error data.
  • a plurality of sensors are provided for measuring the detailed operating state, etc. of at least one semiconductor manufacturing device 2 that the information processing device 1 monitors and controls. 3 is provided.
  • the sensor 3 is not provided for all the semiconductor manufacturing apparatuses 2, but is provided for some (at least one) of the plurality of semiconductor manufacturing apparatuses 2. 3 may be provided. 1 and the following description, the semiconductor manufacturing apparatus 2 provided with the sensor 3 is referred to as a semiconductor manufacturing apparatus 2A, the semiconductor manufacturing apparatus 2 not provided with the sensor 3 is referred to as a semiconductor manufacturing apparatus 2B, and the semiconductor manufacturing apparatus 2 provided with the sensor 3 is referred to as a semiconductor manufacturing apparatus 2B.
  • the information processing device 1 that monitors and controls the semiconductor manufacturing device 2A in which the sensor 3 is provided is referred to as the information processing device 1A
  • the information processing device 1 that monitors and controls the semiconductor manufacturing device 2B in which the sensor 3 is not provided is referred to as the information processing device 1A
  • the information processing device 1 that performs the above processing will be referred to as an information processing device 1B, and if there is no need to distinguish between them, it will be simply referred to as an information processing device 1.
  • the plurality of sensors 3 provided in the semiconductor manufacturing apparatus 2A are sensors that perform measurements related to the environment, such as sensors that measure power consumption, sensors that measure the amount of water discharged, or sensors that measure the amount of gas discharged. Contains sensors.
  • the gases for which the sensor measures emissions may include, for example, gases such as CO2 (carbon dioxide) or NOx (nitrogen oxides).
  • the semiconductor manufacturing apparatus 2 includes, for example, an upper chiller unit, an RF (Radio Frequency) power supply unit, a DC (Direct Current) power supply unit, a vacuum pump unit, a chamber heater unit, an ESC (Electric Static Chuck) heater unit, and It is constructed by combining various units such as a lower chiller unit.
  • the plurality of sensors 3 may include sensors that measure power consumption, amount of water discharged, amount of gas discharged, etc. for each unit of the semiconductor manufacturing apparatus 2A.
  • the operation data output by the semiconductor manufacturing equipment 2A and the data of the plurality of sensors 3 are used.
  • the information processing device 1A acquires the sensor data that is the measurement result, and stores and accumulates the acquired driving data and sensor data in a database in association with each other.
  • the information processing device 1A performs so-called supervised machine learning processing based on the driving data and sensor data accumulated in the database, and creates a learning model that receives the driving data as input and outputs a predicted value of the sensor data as a prediction model 5. Generate as.
  • the information processing apparatus 1A deploys (arranges) the generated prediction model 5 to the information processing apparatus 1B of the semiconductor manufacturing apparatus 2B in which the sensor 3 is not provided.
  • the information processing device 1B uses the prediction model 5 generated by the information processing device 1 to obtain a predicted value of sensor data from the operation data output by the semiconductor manufacturing device 2B, and calculates the predicted value of the semiconductor manufacturing device 2B based on this predicted value. Processing such as control or monitoring can be performed.
  • placing the prediction model 5 in the semiconductor manufacturing equipment 2B or placing the prediction model 5 in the information processing device 1B of the semiconductor manufacturing equipment 2B means that the operation data of the semiconductor manufacturing equipment 2B is This refers to a state in which the prediction model 5 can predict sensor data.
  • the semiconductor manufacturing equipment 2A is installed at a base of a company or the like that develops and sells the semiconductor manufacturing equipment 2, for example.
  • the semiconductor manufacturing equipment 2A is operated on a trial basis, and at this time various measurements such as power consumption, amount of water discharged, and amount of gas discharged are performed by the sensor 3, and the sensor data outputted by the sensor 3 is accumulated together with the operational data. Ru. After sufficient driving data and sensor data are accumulated, a prediction model 5 is generated by the information processing device 1A.
  • the sensor 3 is not provided for each semiconductor manufacturing equipment 2B ( Alternatively, a smaller number of sensors 3 may be provided than the number of sensors 3 provided for the semiconductor manufacturing apparatus 2A).
  • a prediction model 5 generated by the information processing device 1A is installed (introduced) in the information processing device 1B that monitors and controls each semiconductor manufacturing device 2B. ), and the prediction model 5 is deployed (arranged) to each semiconductor manufacturing apparatus 2B.
  • the information processing device 1B acquires operational data during the initial operation of the semiconductor manufacturing device 2B, for example, and inputs the acquired operational data to the predictive model 5, so that the predictive model 5 outputs the data without using the sensor 3. Sensor data can be acquired.
  • FIG. 2 is a schematic diagram for explaining an example of the sensor 3 for the semiconductor manufacturing apparatus 2A.
  • the semiconductor manufacturing apparatus 2A shown in FIG. 2 includes six units 1 to 6 and a control unit that controls them. Power is supplied to the semiconductor manufacturing apparatus 2A from three power supplies 1 to 3. Power supply 1 supplies power to the control unit, unit 1 and unit 2. Power supply 2 supplies power to unit 3 and unit 4. Power supply 3 supplies power to unit 5 and unit 6. Power supplies 1 to 3 each supply power from, for example, a commercial AC power source to each unit of the semiconductor manufacturing apparatus 2A.
  • FIG. 2 individual power supply paths from the power supply to each unit are shown by thick solid lines.
  • sensors for measuring power consumption for example, are provided for each of these power supply paths.
  • the circle drawn over the thick solid line is the position where the sensor 3 is provided.
  • operating data and sensor data are acquired using the semiconductor manufacturing equipment 2A equipped with the sensor 3 during the trial operation stage, and the prediction model 5 is created based on the acquired data. generate.
  • the semiconductor manufacturing equipment 2B is not provided with the sensor 3 (or a smaller number of sensors 3 may be provided than in the test stage), and instead of using the sensor 3, the sensor data is calculated using the prediction model 5. Acquisition is performed.
  • FIG. 3 is a block diagram showing an example of the configuration of the information processing device 1 according to the present embodiment.
  • the information processing device 1 according to the present embodiment includes a processing section 11, a storage section 12, a communication section (transceiver) 13, an input/output section 14, a display section 15, an operation section 16, etc. .
  • a processing section 11 a storage section 12
  • a communication section (transceiver) 13 a communication section (transceiver) 13
  • an input/output section 14 a display section 15, an operation section 16, etc.
  • the present embodiment will be described assuming that the processing is performed by one information processing device 1, the processing of the information processing device 1 may be performed in a distributed manner by a plurality of devices.
  • the processing unit 11 includes an arithmetic processing unit such as a CPU (Central Processing Unit), an MPU (Micro-Processing Unit), a GPU (Graphics Processing Unit), or a quantum processor, a ROM (Read Only Memory), a RAM (Random Access Memory), etc. It is configured using The processing unit 11 reads out and executes the program 12a stored in the storage unit 12 to perform a process of acquiring operational data of the semiconductor manufacturing equipment 2, a process of acquiring sensor data measured by the sensor 3, and a process of acquiring the sensor data measured by the sensor 3. Various processes such as a process of generating a prediction model 5 based on the data are performed.
  • the storage unit 12 is configured using a large-capacity storage device such as a hard disk, for example.
  • the storage unit 12 stores various programs executed by the processing unit 11 and various data necessary for processing by the processing unit 11.
  • the storage unit 12 stores a program 12a executed by the processing unit 11.
  • the storage unit 12 also includes a process DB (database) 12b that stores operational data acquired from the semiconductor manufacturing equipment 2 and sensor data acquired from the sensor 3 in a correlated manner, and predictions generated by machine learning based on these data.
  • a predictive model storage unit 12c that stores information regarding the model 5 is provided.
  • the program (computer program, program product) 12a is provided in a form recorded on a recording medium 99 such as a memory card or an optical disk, and the information processing device 1 reads the program 12a from the recording medium 99 and stores it in the storage unit. 12.
  • the program 12a may be written into the storage unit 12, for example, during the manufacturing stage of the information processing device 1.
  • the program 12a may be distributed by a remote server device or the like, and the information processing device 1 may obtain it through communication.
  • the program 12a may be recorded on the recording medium 99 and read by a writing device and written into the storage unit 12 of the information processing device 1.
  • the program 12a may be provided in the form of distribution via a network, or may be provided in the form of being recorded on the recording medium 99.
  • the process DB 12b is a database in which the information processing device 1A stores operational data acquired from the semiconductor manufacturing device 2A and sensor data acquired from the sensor 3 in association with each other.
  • FIG. 4 is a schematic diagram showing an example of the configuration of the process DB 12b.
  • the illustrated process DB 12b stores data such as "time stamp”, “apparatus ID”, “recipe ID”, "operation data”, and “sensor data” in association with each other, for example.
  • the “time stamp” is, for example, information about the date and time when the information processing device 1A acquired the driving data and sensor data.
  • the "apparatus ID” is identification information uniquely assigned to the semiconductor manufacturing apparatus 2, and can be determined in advance by, for example, the designer or administrator of the information processing system according to the present embodiment.
  • the "recipe ID” is identification information uniquely attached to information such as the procedure or setting of the semiconductor manufacturing process performed in the semiconductor manufacturing equipment 2, so-called recipe. It can be determined in advance by a user such as a worker who performs the work.
  • “Operation data” includes, for example, “High frequency RF power [W]”, “High frequency RF power pulse duty [%]", “High frequency RF power pulse frequency [kHz]”, “Low frequency RF power [W]”, “ “Low frequency RF power pulse duty [%]”, “Low frequency RF power pulse frequency [kHz]”, “Pressure [mTorr]”, “Total gas flow rate [sccm]”, “ESC temperature [°C]” and Chiller temperature [ °C], etc. may be included. Note that the information included in the operational data illustrated in this figure is information included in so-called process log data output by the semiconductor manufacturing apparatus 2 as the semiconductor manufacturing process is performed.
  • the information included in the operation data is not limited to information on process log data, and may include various information such as recipe data, wafer transfer history data, and error data.
  • Recipe data is a collection of information such as procedures or settings of a semiconductor manufacturing process.
  • the wafer transfer history data is a collection of information related to wafer transfer, such as the ID of the transferred wafer and the date and time of transfer.
  • the error data is a collection of information such as the date and time when an error (abnormality, malfunction, etc.) was detected in the semiconductor manufacturing apparatus 2 and the type of error.
  • the “sensor data” may include information such as “power consumption 1 [W]", “power consumption 2 [W]”, . . . "power consumption N [W]”, etc.
  • the sensor data illustrated in this figure is based on the assumption that the sensor 3 individually measures the power consumption of N units included in the semiconductor manufacturing apparatus 2.
  • the information included in the sensor data is not limited to power consumption, and may include various information that can be detected by the sensor 3, such as the amount of water discharged or the amount of gas discharged. Further, the information included in the sensor data does not have to be information for each unit of the semiconductor manufacturing apparatus 2.
  • the information processing device 1A repeatedly acquires operational data while the semiconductor manufacturing device 2A is performing a semiconductor manufacturing process, and stores the acquired operational data in the process DB 12b.
  • time-series operation data is accumulated in the process DB 12b.
  • the information processing device 1B that monitors and controls the semiconductor manufacturing device 2B in which the sensor 3 is not provided does not need to have the process DB 12b.
  • the information processing apparatus 1B also has a process DB 12b, and stores data other than sensor data, such as "time stamp", "apparatus ID", "recipe ID", and "operation data".
  • the predictive model storage unit 12c of the storage unit 12 stores information regarding the predictive model 5 generated by the information processing device 1A based on the driving data and sensor data stored in the process DB 12b.
  • the information regarding the prediction model 5 may include, for example, configuration information indicating what kind of configuration the prediction model 5 has, and information such as values of internal parameters of the prediction model 5.
  • information regarding the prediction model 5 generated by the information processing apparatus 1A is stored in the prediction model storage unit 12c.
  • the predictive model storage unit 12c stores information regarding the predictive model 5 generated by another information processing device 1A. Ru.
  • the communication unit 13 of the information processing device 1 communicates with various devices via a wired or wireless network N including a LAN (Local Area Network), the Internet, or a mobile phone communication network.
  • the communication unit 13 transmits data provided from the processing unit 11 to other devices, and also provides data received from other devices to the processing unit 11.
  • the communication unit 13 sends and receives information regarding the prediction model 5 by communicating with another information processing device 1 via the network N.
  • the input/output unit 14 is connected to the semiconductor manufacturing equipment 2 via a communication line, a signal line, etc., and exchanges information with the semiconductor manufacturing equipment 2.
  • the input/output unit 14 receives operational data output from the semiconductor manufacturing apparatus 2, acquires this operational data, and provides the acquired operational data to the processing unit 11.
  • the input/output unit 14 outputs control commands and the like given from the processing unit 11 to the semiconductor manufacturing apparatus 2.
  • the input/output section 14 is connected to one or more sensors 3.
  • the input/output section 14 receives sensor data output from the sensor 3, acquires this sensor data, and provides it to the processing section 11.
  • the information processing device 1A directly acquires the sensor data of the sensor 3, but the configuration is not limited to this, and the semiconductor manufacturing device 2A acquires the sensor data output by the sensor 3. However, a configuration may be adopted in which the semiconductor manufacturing apparatus 2A transmits operation data and sensor data to the information processing apparatus 1A.
  • the display unit 15 is configured using a liquid crystal display or the like, and displays various images, characters, etc. based on the processing of the processing unit 11.
  • the display unit 15 displays various information such as, for example, operating data acquired from the semiconductor manufacturing apparatus 2, sensor data acquired from the sensor 3, and information regarding a prediction model generated from these data.
  • the operation unit 16 accepts user operations and notifies the processing unit 11 of the accepted operations.
  • the operation unit 16 receives user operations using input devices such as mechanical buttons or a touch panel provided on the surface of the display unit 15.
  • the operation unit 16 may be an input device such as a mouse and a keyboard, and these input devices may be configured to be detachable from the information processing apparatus 1.
  • the storage unit 12 may be an external storage device connected to the information processing device 1.
  • the information processing device 1 may be a multicomputer including a plurality of computers, or may be a virtual machine virtually constructed using software. Further, the information processing device 1 is not limited to the above configuration, and may not include the display section 15, the operation section 16, etc., for example.
  • the information processing device 1 has a data acquisition section 11a, a predictive model generation section 11b, a predictive model placement section, etc., by the processing section 11 reading out and executing the program 12a stored in the storage section 12.
  • 11c, a control processing section 11d, a display processing section 11e, and the like are implemented in the processing section 11 as software-like functional sections.
  • the information processing apparatus 1B that monitors and controls the semiconductor manufacturing apparatus 2B in which the sensor 3 is not provided does not have to include the data acquisition section 11a, the predictive model generation section 11b, and the predictive model placement section 11c.
  • the data acquisition unit 11a performs a process of acquiring operational data output by the semiconductor manufacturing apparatus 2A, for example, while or after the semiconductor manufacturing apparatus 2A is performing a semiconductor manufacturing process. Further, the data acquisition unit 11a performs a process of acquiring sensor data output by one or more sensors 3 at the same timing as acquiring operation data from the semiconductor manufacturing apparatus 2A, for example.
  • the data acquisition unit 11a attaches information such as a "time stamp”, "apparatus ID”, and “recipe ID" to the acquired operation data and sensor data, and stores these information in the process DB 12b in association with each other.
  • the predictive model generation unit 11b performs processing to generate the predictive model 5 by performing machine learning processing using the driving data and sensor data acquired by the data acquisition unit 11a and accumulated in the process DB 12b.
  • the prediction model 5 is a learning model that receives driving data as input and outputs a predicted value of sensor data.
  • the predictive model generation unit 11b uses the operation data stored in the process DB 12b as input data (explanatory variables), and generates learning data (so-called teacher data) that is associated with sensor data corresponding to this operation data as a correct value (objective variable). ) and performs machine learning (so-called supervised learning) processing using this learning data to generate the prediction model 5.
  • the predictive model generation unit 11b stores information regarding the generated predictive model 5 in the predictive model storage unit 12c. Further, the prediction model generation unit 11b may repeatedly generate (update) the prediction model 5 at a predetermined period, such as once a week or once a month.
  • the prediction model 5 may be, for example, a PLS (Partial Least Squares) regression model.
  • various learning models such as an ARX (Auto-Regressive with eXogenous) model, an SVM (Support Vector Machine), a random forest, or a neural network may be adopted as the prediction model 5.
  • the prediction model 5 may be configured to receive time-series driving data as input and output time-series sensor data.
  • the prediction model 5 may be a learning model such as RNN (Recurrent Neural Network), LSTM (Long Short Term Memory), or Transformer. Note that the structure of these learning models, the method of generating a learning model by machine learning, etc. are existing technologies, and therefore detailed explanations will be omitted in this embodiment.
  • the predictive model placement unit 11c places (deploys) the predictive model 5 generated by the predictive model generation unit 11b on the information processing device 1B that monitors and controls the semiconductor manufacturing device 2B in which the sensor 3 is not installed. Perform processing.
  • the predictive model placement unit 11c receives, for example, information input from the user such as the device ID of the information processing device 1B as the placement destination, reads out information regarding the predictive model 5 from the predictive model storage unit 12c, and stores information on the placement destination for which the input has been received. By transmitting information regarding the prediction model 5 to the processing device 1B, the prediction model 5 can be placed in the information processing device 1B.
  • the information processing device 1B which has received the information regarding the prediction model 5 from the information processing device 1A, stores the received information in the prediction model storage unit 12c of its own storage unit 12, and can use the prediction model 5 in subsequent processing. can.
  • the predictive model generation unit 11b repeatedly generates (updates) the predictive model 5
  • the predictive model placement unit 11c updates the information processing device 1B in which the predictive model 5 was previously placed each time the predictive model 5 is updated.
  • information regarding the updated prediction model 5 may be transmitted (relocated).
  • the control processing unit 11d performs control processing of the semiconductor manufacturing device 2 based on the operation data acquired from the semiconductor manufacturing device 2 and the sensor data acquired from the sensor 3 or predicted by the prediction model 5. For example, the control processing unit 11d monitors changes in the power consumption (power consumption amount) of each unit of the semiconductor manufacturing apparatus 2 based on sensor data, determines the operating state of each unit based on the power consumption, and determines the standby state ( By stopping the operation (stopping the power supply) of the unit (in a state where no processing is being performed), control can be performed to reduce the power consumption of the entire semiconductor manufacturing apparatus 2.
  • control processing unit 11d may determine whether or not there is an abnormality in each unit based on the operation data or sensor data, and if it is determined that there is an abnormality, perform control to stop the operation of the unit or the semiconductor manufacturing apparatus 2. Can be done.
  • control processing of the semiconductor manufacturing apparatus 2 performed by the control processing section 11d may be any kind of processing.
  • the display processing unit 11e performs processing to display various information on the display unit 15.
  • the display processing unit 11e can graph and display temporal changes in various types of information included in the driving data and sensor data acquired by the data acquisition unit 11a.
  • the display processing unit 11e also includes information regarding the prediction model 5 generated by the prediction model generation unit 11b, such as comparison information between the measurement value measured by the sensor 3 and the predicted value by the prediction model 5, and the prediction accuracy by the prediction model 5. It is possible to display various information such as.
  • the display processing unit 11e may generate predicted values such as power consumption, water volume, or gas emissions of the semiconductor manufacturing equipment 2 based on the sensor data output by the prediction model 5 based on the operation data acquired by the data acquisition unit 11a. can be displayed on the display section 15.
  • the display processing unit 11e converts the power consumption into information such as carbon dioxide emissions by performing a predetermined calculation on the predicted value of the power consumption of the semiconductor manufacturing apparatus 2, and displays the information. Good too.
  • one or more semiconductor manufacturing apparatuses 2A are appropriately selected from among the plurality of semiconductor manufacturing apparatuses 2 by a user such as a designer or administrator of the system.
  • a sensor 3 is provided in the semiconductor manufacturing apparatus 2A.
  • a user performs a semiconductor manufacturing process using the semiconductor manufacturing apparatus 2A, and at this time, the information processing apparatus 1A acquires operating data of the semiconductor manufacturing apparatus 2A and sensor data of the sensor 3, and stores and accumulates them in the process DB 12b. After sufficient data is accumulated in the process DB 12b, the information processing device 1A performs prediction by performing machine learning using the accumulated operational data and sensor data, for example, in response to user operations or repeatedly at a predetermined cycle. Generate model 5.
  • the information processing device 1A sends information regarding the generated prediction model 5 to the information processing device 1B, thereby making the prediction model 5 usable for monitoring and controlling the semiconductor manufacturing device 2B in which the sensor 3 is not installed. do.
  • FIG. 5 is a flowchart illustrating an example of the procedure of the predictive model generation process performed by the information processing device 1A according to the present embodiment.
  • the data acquisition unit 11a of the processing unit 11 of the information processing device 1A according to the present embodiment is configured to perform an operation that the semiconductor manufacturing device 2A outputs at a predetermined period when the semiconductor manufacturing process of the semiconductor manufacturing device 2A is performed. Data and sensor data output by the sensor 3 are acquired (step S1).
  • the data acquisition unit 11a stores the operation data and sensor data acquired in step S1 in the process DB 12b of the storage unit 12 (step S2).
  • the processing unit 11 determines whether the timing to generate the prediction model 5 has arrived (step S3). At this time, the processing unit 11 updates the prediction model 5 repeatedly at a predetermined cycle, receives an instruction to generate the prediction model 5 from the user, or stores a predetermined amount of data in the process DB 12b. When driving data and sensor data are accumulated, it can be determined that the timing to generate the prediction model 5 has arrived. If the timing to generate the prediction model 5 has not yet arrived (S3: NO), the processing unit 11 returns the process to step S1 and continues collecting data in steps S1 and S2.
  • the prediction model generation unit 11b of the processing unit 11 reads out the operation data and sensor data stored in the process DB 12b (step S4).
  • the predictive model generation unit 11b uses the driving data read out in step S4 as input (explanatory variable) and generates learning data in which the sensor data is associated with the correct value (objective variable) (step S5).
  • the predictive model generation unit 11b may perform processing such as normalization or regularization of numerical values included in the driving data and sensor data as appropriate.
  • the predictive model generation unit 11b uses the learning data generated in step S5 to perform supervised machine learning processing on the learning model with a predetermined configuration (step S6), and calculates the internal parameters of the learning model. By determining , a prediction model 5 is generated.
  • the predictive model generation unit 11b calculates prediction accuracy by performing prediction on the predictive model 5 generated in step S6 using verification data generated separately from the learning data (step S7).
  • the verification data is data in the same format as the learning data.
  • part of all the data stored in the process DB 12b may be used as verification data, and the rest may be used as learning data.
  • the prediction model generation unit 11b determines whether the prediction accuracy calculated in step S7 exceeds a threshold (step S8). Note that this threshold value is the prediction accuracy required for the prediction model 5, and is determined in advance by a user such as a designer or administrator of this system, for example. If the prediction accuracy does not exceed the threshold (S8: NO), the prediction model generation unit 11b returns the process to step S6 and repeatedly performs the machine learning process to increase the prediction accuracy.
  • the prediction model generation unit 11b stores information regarding the generated prediction model in the prediction model storage unit 12c of the storage unit 12 (Step S9).
  • the display processing unit 11e of the processing unit 11 displays information such as prediction accuracy of the generated prediction model 5 on the display unit 15 (step S10).
  • the predictive model placement unit 11c of the processing unit 11 transmits information regarding the generated predictive model 5 to the information processing device 1B that monitors and controls the semiconductor manufacturing device 2B in which the sensor 3 is not installed (step S11). As a result, the prediction model 5 is placed in the semiconductor manufacturing apparatus 2B, and the process ends.
  • FIG. 6 and 7 are schematic diagrams showing an example of information display regarding generation of the prediction model 5. This figure is an example of information displayed in step S10 of the flowchart of FIG. 5, for example.
  • the information processing device 1A displays a table showing the prediction error of the power consumption of each unit included in the semiconductor manufacturing device 2A, and a graph showing temporal changes in the actual measured value and predicted value of the total power consumption. are displayed vertically on the screen of the display section 15.
  • the table showing the prediction error shows, for example, the unit name of the unit of the semiconductor manufacturing equipment 2A, the range of the actual measured value of power consumption, and the maximum prediction error value [kW] and percentage [%] in association with each other. There is.
  • the graph of total power consumption has time on the horizontal axis and power consumption on the vertical axis, with the actual measured value of the total power consumption shown by a light gray line, and the predicted value shown by a dark gray line.
  • the actual measured values oscillate up and down, and the predicted values are close to the median or average value of the actual measured values.
  • the information processing device 1A can calculate the illustrated prediction error, etc. by verifying the generated prediction model 5 using verification data prepared in advance.
  • the verification data is generated using the operation data and sensor data stored in the process DB 12b and has the same configuration as the learning data.
  • the information processing device 1A inputs the driving data included in the verification data to the prediction model 5, and acquires the predicted value of the sensor data output by the prediction model 5.
  • the information processing device 1A can calculate the prediction error by calculating the difference between the actual measured value of the sensor data included in the verification data and the predicted value of the sensor data by the prediction model 5.
  • the information processing apparatus 1A also displays the total amount of power consumed in each process for each process condition (process recipe) when the semiconductor manufacturing process is performed in the semiconductor manufacturing apparatus 2A. Information is displayed for comparison.
  • the information processing device 1A displays a table showing prediction errors for each processing condition and a bar graph showing the total power consumption for each processing condition, side by side on the top and bottom of the screen of the display unit 15.
  • the table showing prediction errors for each processing condition includes, for example, the actual measured value [kWh] and predicted value [kWh] of total power consumption, and the value [kWh] and percentage of the prediction error for three processing conditions A to C. [%] is shown in correspondence.
  • the bar graph of the total power consumption shows the actual measured value of the total power consumption in light gray and the predicted value in dark gray for the three processing conditions A to C, for example.
  • the prediction model 5 generated by the information processing device 1A can be used for various processes. Below, some usage examples of the prediction model 5 will be explained.
  • FIG. 8 is a schematic diagram for explaining an example of use of the prediction model 5 in simulation.
  • the upper part of FIG. 8 shows the flow when the prediction model 5 predicts sensor data based on the operation data output by the semiconductor manufacturing apparatus 2.
  • a user such as a designer or administrator of this system creates recipe data for a semiconductor manufacturing process and inputs it to the semiconductor manufacturing equipment 2B, and the semiconductor manufacturing equipment 2B executes the semiconductor manufacturing process based on the input recipe data. and outputs operational data such as process log data.
  • the information processing device 1B inputs the operating data acquired from the semiconductor manufacturing device 2B into the prediction model 5 generated in advance, and acquires the predicted value of the sensor data output by the prediction model 5.
  • the lower part of FIG. 8 shows the flow when the prediction model 5 is used in the simulator 7 of the semiconductor manufacturing equipment 2.
  • the simulator 7 is software that simulates the semiconductor manufacturing process performed by the semiconductor manufacturing apparatus 2.
  • the simulator 7 receives as input recipe data that includes information such as settings for the semiconductor manufacturing process performed by the semiconductor manufacturing equipment 2, and simulates the processing performed by the semiconductor manufacturing equipment 2 according to this recipe data.
  • the operation data output by the manufacturing apparatus 2 is generated.
  • the user inputs the recipe data he/she created into the simulator 7 to perform a simulation, and inputs the operation data output by the simulator 7 to the prediction model 5, thereby obtaining the predicted value of the sensor data output by the prediction model 5. can be obtained.
  • the user can verify the power consumption, wastewater volume, gas emissions, etc. by the semiconductor manufacturing equipment 2 when processing is performed based on the recipe data created by the user. can.
  • the user can repeatedly perform simulations while modifying the recipe data in order to improve, for example, power consumption, drainage volume, or gas discharge volume.
  • the user can calculate the power consumption and wastewater amount of the semiconductor manufacturing device 2 under various conditions without actually operating the semiconductor manufacturing device 2A. Or gas emissions etc. can be verified.
  • the simulator 7 and the prediction model 5 are shown as separate blocks in FIG. 8, the prediction model 5 may be incorporated into the simulator 7 and used. In this case, the simulator 7 can output the predicted value of the sensor data along with the driving data.
  • processing such as the simulation by the simulator 7 and the acquisition of predicted values of sensor data using the prediction model 5 is performed by a device different from the information processing device 1 that monitors and controls the semiconductor manufacturing device 2, for example, information for simulation. It may be performed in a processing device.
  • the learning model generated by machine learning uses output data ( It is possible to calculate the degree of contribution (degree of importance, degree of influence, etc.) of input data (explanatory variable) to objective variable).
  • the information processing device 1 calculates the degree of contribution of various items included in the driving data input to the prediction model 5 to the sensor data output by the prediction model 5, and calculates the calculation results. can be displayed on the display unit 15 and presented to the user.
  • the information processing device 1 may display information regarding the degree of contribution, for example, based on a user's operation, or when an abnormality or the like is detected in the sensor data output by the prediction model 5, for example.
  • FIG. 9 is a flowchart illustrating an example of a procedure for calculating a degree of contribution performed by the information processing device 1 according to the present embodiment.
  • the processing unit 11 of the information processing device 1 according to the present embodiment receives from the user a designation of, for example, a range of operation data to be verified for contribution from among the operation data stored in the process DB 12b, and Obtain target driving data (step S21).
  • the processing unit 11 inputs the driving data acquired in step S21 to the trained prediction model 5 whose structure, parameters, and other information are stored in the prediction model storage unit 12c (step S22).
  • the processing unit 11 acquires sensor data output by the prediction model 5 in response to the driving data input in step S22 (step S23).
  • the processing unit 11 also calculates the degree of contribution of each item included in the driving data input to the prediction model 5 (step S24). At this time, the processing unit 11 calculates the SHAP value (Shapley value) of each item included in each driving data, and calculates the average value or total value of the SHAP value for each item, and calculates the SHAP value for each item of the driving data. It can be the contribution of an item.
  • the SHAP value is a numerical value indicating how much influence each item of input data to the learning model has on output data. Since calculation of the SHAP value is an existing technique, a detailed explanation of the calculation method will be omitted.
  • the processing unit 11 displays the degree of contribution calculated in step S24 on the display unit 15 (step S25), and ends the process.
  • the contribution degree of each item of the driving data is calculated using the SHAP value, but a method other than using the SHAP value may be adopted as a method for calculating the contribution degree.
  • a learning model such as RNN (Recurrent Neural Network), LSTM (Long Short Term Memory), or Transformer
  • the degree of contribution may be calculated using an attention mechanism.
  • a tree-structured learning model such as a decision tree, random forest, XGBoost (eXtreme Gradient Boosting), or LightGBM (Light Gradient Boosting Machine) is adopted as the prediction model 5
  • Contribution degree calculation may also be performed.
  • the degree of contribution may be calculated based on the following calculation formula, for example.
  • FIG. 10 is a schematic diagram showing an example of information display regarding the degree of contribution. This figure is an example of information displayed in step S25 of the flowchart of FIG. 9, for example.
  • the information processing device 1 displays a table showing the degree of contribution for each item included in the driving data and a pie chart showing the proportion of the degree of contribution for a plurality of items included in the driving data. They are displayed side by side on the top and bottom of the screen of section 15.
  • a table showing the degree of contribution for each item for example, multiple items included in the driving data are shown arranged from top to bottom in descending order of degree of contribution, and the percentage [%] of each item's contribution to the whole is shown as an item. They are shown in correspondence with each other.
  • the pie chart is a graph in which the proportion of the contribution of multiple items included in the driving data to the whole is mapped to the area of the sector, which is color-coded, based on the contribution shown in the table above. It is something.
  • the information processing device 1 By the information processing device 1 calculating and displaying the contribution of multiple items included in the operating data, the user can judge which item is effective to improve, for example, when power consumption is high. can do. Note that processing such as calculation and display of contribution degrees for a plurality of items included in the operation data may be performed by an information processing device different from the information processing device 1 that monitors and controls the semiconductor manufacturing device 2.
  • the information processing device 1B acquires operational data while the semiconductor manufacturing device 2B is performing a semiconductor manufacturing process, and based on the acquired operational data.
  • a predicted value of sensor data is obtained using the prediction model 5.
  • the information processing device 1B obtains a predicted value of power consumption of each unit using the prediction model 5, for example, and determines that this unit is in a standby state when the predicted value of power consumption of each unit is smaller than a threshold value.
  • the information processing device 1B can reduce power consumption by stopping the operation of a unit in a standby state and stopping power supply to this unit.
  • FIG. 11 is a flowchart illustrating an example of a procedure for unit stop processing performed by the information processing device 1B according to the present embodiment.
  • the processing unit 11 of the information processing device 1B according to the present embodiment acquires operational data output by the semiconductor manufacturing device 2B while the semiconductor manufacturing device 2B is performing a semiconductor manufacturing process (step S41).
  • the processing unit 11 inputs the driving data acquired in step S41 to the learned predictive model 5 whose structure, parameters, and other information are stored in the predictive model storage unit 12c (step S42).
  • the processing unit 11 acquires sensor data output by the prediction model 5 in response to the driving data input in step S42 (step S43).
  • the processing unit 11 selects one unit to be processed from among the plurality of units included in the semiconductor manufacturing apparatus 2B (step S44).
  • the processing unit 11 acquires a predicted power consumption value for the selected unit in step S44 from the sensor data acquired in step S43, and determines whether this power consumption is smaller than a predetermined threshold ( Step S45).
  • this threshold value is a value predetermined by a user such as a designer or administrator of the information processing system according to the present embodiment, and a different threshold value may be adopted for each unit. If the power consumption is smaller than the threshold (S45: YES), the processing unit 11 stops the operation of the target unit (step S46), and advances the process to step S47. If the power consumption is equal to or greater than the threshold (S45: NO), the processing unit 11 advances the process to step S47.
  • the processing unit 11 determines whether the determination of power consumption has been completed for all units included in the semiconductor manufacturing apparatus 2B (step S47). If the determination of power consumption has not been completed for all units (S47: NO), the processing unit 11 returns the process to step S44, selects another unit, and repeats the above process.
  • the processing unit 11 determines whether the semiconductor manufacturing process of the semiconductor manufacturing apparatus 2B has been completed (step S48). If the semiconductor manufacturing process has not been completed (S48: NO), the processing unit 11 returns the process to step S41, acquires new operating data from the semiconductor manufacturing apparatus 2B, and repeats the above-described process. If the semiconductor manufacturing process has ended (S48: YES), the processing unit 11 ends the process.
  • FIG. 12 is a schematic diagram for explaining the effect of automatic stopping of the standby unit.
  • changes in power consumption are shown in graphs for three units, an RF power supply unit, a dry pump unit, and a heater, among the plurality of units included in the semiconductor manufacturing apparatus 2B.
  • Each graph is a line graph with time on the horizontal axis and power consumption of the unit on the vertical axis.
  • the left side of FIG. 12 shows a graph when the standby unit is not automatically stopped, and the right side is a graph when the standby unit is automatically stopped.
  • each unit consumes standby power (the area shown in light gray in this figure) even if it is in a standby state where no processing is actually performed. continues to consume.
  • a value with a margin for this standby power is set in advance as a threshold, and the information processing device 1B determines whether each unit is in a standby state based on this threshold, and the power consumption is set to the threshold.
  • the information processing device 1B automatically stops the RF power supply unit and dry pump unit that are determined to be in the standby state, and the power consumption of these units is lower than the standby power amount. It has been reduced to a small value, for example 0.
  • the information processing apparatus 1B that monitors and controls the semiconductor manufacturing equipment 2B, which is not equipped with the sensor 3, uses the prediction model 5 to automatically stop the unit. Similar processing may be performed for the information processing device 1A that monitors and controls the semiconductor manufacturing device 2A. However, the information processing device 1A may perform a similar automatic stop using sensor data output from the sensor 3 without using the prediction model 5.
  • the user can verify the processing timing of a plurality of units included in the semiconductor manufacturing apparatus 2 based on the sensor data output by the prediction model 5.
  • the information processing device 1B stores, for example, operational data from the start to the end of the semiconductor manufacturing process for one wafer from among the operational data acquired when the semiconductor manufacturing device 2B performed the semiconductor manufacturing process and stored in the process DB 12b. read out.
  • the information processing device 1B inputs the operation data read from the process DB 12b into the prediction model 5, and acquires the sensor data output from the prediction model 5.
  • the semiconductor manufacturing apparatus 2B is configured with a plurality of units, and for example, the sensor data includes predicted values such as power consumption, amount of water discharged, or amount of gas discharged for each of these units. Regarding the amount of water discharged or the amount of gas discharged, it is sufficient that the sensor data includes a value only for the unit that performs drainage or gas discharge. Regarding power consumption, it is preferable that sensor data includes values for all units that consume power.
  • the information processing device 1B creates a graph showing temporal changes in the power consumption, water discharge amount, or gas emission amount of each unit from the sensor data output by the prediction model 5, and displays the plurality of graphs created for the plurality of units. They are displayed side by side in section 15.
  • FIG. 13 is a schematic diagram showing a display example related to processing timing verification.
  • the information processing device 1B creates graphs showing temporal changes in power consumption for each of the three units 1 to 3 included in the semiconductor manufacturing device 2B, and displays the three graphs vertically side by side. Further, the information processing device 1B displays a graph of the total power consumption of the three units 1 to 3 below these three graphs.
  • Each graph of Units 1 to 3 and the graph of total power consumption are graphs with time on the horizontal axis and power consumption on the vertical axis, and the scales of the vertical and horizontal axes of these four graphs are the same. is preferred.
  • the information processing device 1B uses a graph based on the sensor data output by the prediction model 5 as a graph of the current power consumption, creates a graph of power consumption when changing the processing timing of each unit, for example, and generates a graph of the current power consumption. and the graph of power consumption after the timing change are displayed side by side on the left and right sides of the display unit 15.
  • the graph of power consumption after the timing change are displayed side by side on the left and right sides of the display unit 15.
  • the maximum value of total power consumption has reached approximately 15kW.
  • the three units 1 to 3 perform processing at different timings, and the maximum value of the total power consumption is suppressed to 12 kW or less.
  • the information processing device 1B receives from the user an input of information regarding how much to change the processing of each unit with respect to the current power consumption graph, and changes the current status of each of the units 1 to 3 according to the received information.
  • the information processing device 1B creates a graph of the total power consumption based on the graph in which the processing timing of each unit 1 to 3 is changed, and displays these graphs side by side on the display unit 15.
  • the information processing device 1B may, for example, search for the timing of processing where the maximum value of total power consumption is the smallest, and create and display a graph at this timing.
  • the graph after the timing change is not created by moving the current graph in the time axis direction, but may be created using the simulator 7 shown in FIG. 8, for example.
  • FIG. 14 is a schematic diagram showing a display example related to processing timing verification.
  • the information processing device 1B displays a graph showing temporal changes in the set temperature of the semiconductor manufacturing process and a graph showing temporal changes in the power consumption of the semiconductor manufacturing device 2B side by side. There is.
  • the information processing device 1B extracts information on the set temperature from recipe data included in the operating data acquired from the semiconductor manufacturing device 2B, and creates a graph showing changes in the set temperature over time based on the extracted information.
  • the information processing device 1B inputs the driving data to the prediction model 5, acquires the sensor data output by the prediction model 5, extracts power consumption information included in the acquired sensor data, and based on the extracted information, A graph showing temporal changes in power consumption of the semiconductor manufacturing apparatus 2B is created.
  • the information processing device 1 creates a graph of the set temperature and power consumption when the timing of changing the set temperature of the semiconductor manufacturing device 2B is changed, for example, with respect to the current set temperature and power consumption graph, and The graph and the graph after the timing change are displayed side by side on the left and right sides of the display section 15.
  • the graph displayed on the left side of the illustrated example shows that currently low-temperature processing and high-temperature processing are performed alternately with respect to the set temperature, and power consumption increases when switching from low-temperature processing to high-temperature processing.
  • the timing of changing the temperature setting is changed so that low-temperature treatment is first performed continuously, then switching from low-temperature treatment to high-temperature treatment is performed, and high-temperature treatment is performed continuously. are doing.
  • the information processing device 1B receives, for example, from the user an input of a new set temperature change pattern for the current set temperature change pattern, and performs a simulation using, for example, the simulator 7 according to the received content.
  • the information processing device 1B acquires operational data output by the simulator 7 as a simulation result, inputs the acquired operational data to the prediction model 5, acquires sensor data, and generates a graph of power consumption.
  • processing related to processing timing verification may be performed in a device different from the information processing device 1 that monitors and controls the semiconductor manufacturing device 2, and may be performed in an information processing device on which the simulator 7 operates, for example. suitable.
  • the processing device 1A acquires, based on the acquired driving data and sensor data, a prediction model 5 that outputs a predicted value of the sensor data according to the input of the driving data, which is generated by machine learning.
  • the information processing device 1A transmits predictions to the semiconductor manufacturing device 2A by transmitting the generated prediction model 5 to the information processing device 1B that monitors and controls the semiconductor manufacturing device 2B in which the sensor 3 is not installed. Place model 5.
  • the semiconductor manufacturing equipment 2B provided with the sensor 3 predicted values of sensor data based on operating data are acquired and used for various controls, verification, etc. be able to.
  • the information processing device 1B acquires operating data of the semiconductor manufacturing device 2B, and uses a prediction model 5 that has been subjected to machine learning so as to output sensor data in accordance with the input of the operating data. , inputs the acquired driving data, acquires the sensor data output by the prediction model 5, and outputs information regarding the sensor data. As a result, the information processing device 1B predicts sensor data using the prediction model 5 generated in advance based on the operation data obtained from the semiconductor manufacturing device 2B in which the sensor 3 is not installed, and monitors the semiconductor manufacturing device 2B. and control.
  • the plurality of sensors 3 include a sensor that measures power consumption, a sensor that measures the amount of water discharged, or a sensor that measures the amount of gas discharged.
  • the operation data also includes process log data output by the semiconductor manufacturing equipment 2, recipe data set in the semiconductor manufacturing equipment 2, wafer transfer history data by the semiconductor manufacturing equipment 2, or error data output by the semiconductor manufacturing equipment 2. It is preferable to include the following.
  • the information processing device 1B calculates the degree of contribution of each item of driving data to the sensor data output by the prediction model 5, and outputs information regarding the calculated degree of contribution.
  • the user can expect to understand which of the multiple items included in the operation data has a high degree of contribution to the sensor data, and to study recipes for semiconductor manufacturing processes, for example.
  • the information processing apparatus 1B determines the standby state of the plurality of units included in the semiconductor manufacturing apparatus 2B based on the sensor data output by the prediction model 5, and operates the units in the standby state. stop. This can be expected to further reduce the power consumption of the semiconductor manufacturing apparatus 2B.
  • the information processing system outputs information regarding temporal changes in power consumption of a plurality of units included in the semiconductor manufacturing apparatus 2B based on sensor data output by the prediction model 5. This allows the user to understand, for example, the peak power consumption of each unit, and configure the semiconductor manufacturing process of the semiconductor manufacturing equipment 2B to avoid the peak power consumption of multiple units from overlapping in time. , it can be expected that the peak power consumption of the semiconductor manufacturing apparatus 2B can be further reduced.
  • the information processing device 1A transmits the generated prediction model 5 to the information processing device 1B via the network N, but the present invention is not limited to this.
  • the prediction model 5 may be exchanged between the information processing apparatus 1A and the information processing apparatus 1B via a recording medium, or the prediction model 5 may be exchanged by a method other than these methods.
  • the prediction model 5 is not generated by the information processing device 1A that monitors and controls the semiconductor manufacturing device 2A, but by the information processing device 1A, such as a server device different from the information processing devices 1A and 1B.
  • the prediction model 5 may be generated by acquiring driving data and sensor data from the information processing apparatus 1B, and an information processing apparatus such as a server apparatus may transmit the prediction model 5 to the information processing apparatus 1B.
  • the plurality of sensors include a sensor that measures power consumption, a sensor that measures drainage amount, or a sensor that measures gas emissions.
  • the operation data includes process log data output by the first semiconductor manufacturing apparatus, processing recipe data set in the first semiconductor manufacturing apparatus, wafer transfer history data by the first semiconductor manufacturing apparatus, or the first semiconductor manufacturing apparatus.
  • 1 Contains error data output by semiconductor manufacturing equipment, The information processing method described in Supplementary note 1 or 2.
  • the number of sensors provided in the second semiconductor manufacturing device is smaller than the number of sensors provided in the first semiconductor manufacturing device.
  • the learning model outputs the power consumption, the amount of water discharged, or the amount of gas discharged by the semiconductor manufacturing device when process log data output by the semiconductor manufacturing device is input.
  • the first semiconductor manufacturing equipment that is being operated on a trial basis includes a predetermined number of sensors that measure sensor data related to the environment, including a sensor that measures power consumption, a sensor that measures water discharge, and a sensor that measures gas emissions. It is provided, When newly installing the second semiconductor manufacturing equipment at one or more bases, the generated learning model may be installed in the second semiconductor manufacturing equipment with fewer or no sensors than the predetermined number. placed in the second semiconductor manufacturing equipment, inputting operational data acquired during initial operation of the second semiconductor manufacturing apparatus into the learning model, and acquiring sensor data without using the sensor; The information processing method described in any one of Supplementary notes 1 to 5.
  • the learning model is based on operating data of the first semiconductor manufacturing apparatus obtained when operating a first semiconductor manufacturing apparatus provided with a plurality of sensors, and sensor data output from the sensors. generated by machine learning to output the sensor data according to the input of The computer program according to appendix 7 or appendix 8.
  • the plurality of sensors include a sensor that measures power consumption, a sensor that measures drainage amount, or a sensor that measures gas emissions.
  • the computer program according to any one of Supplementary notes 7 to 9.
  • the operation data includes process log data output by the first semiconductor manufacturing apparatus, processing recipe data set in the first semiconductor manufacturing apparatus, wafer transfer history data by the first semiconductor manufacturing apparatus, or the first semiconductor manufacturing apparatus.
  • 1 Contains error data output by semiconductor manufacturing equipment, The computer program according to any one of Supplementary notes 7 to 10.
  • the learning model outputs the power consumption, the amount of water discharged, or the amount of gas discharged by the semiconductor manufacturing device when process log data output by the semiconductor manufacturing device is input.
  • the computer program according to any one of Supplementary notes 7 to 11.
  • the operation data includes a plurality of items, Calculating the degree of contribution of each item of the driving data to the sensor data output by the learning model, outputting the calculated contribution degree;
  • the computer program according to any one of appendices 7 to 12.
  • the sensor data includes data on power consumption of each unit for a plurality of units included in the second semiconductor manufacturing apparatus, outputting temporal changes in power consumption of a plurality of units based on the sensor data output by the learning model;
  • the computer program according to any one of Supplementary notes 7 to 14.
  • An information processing device comprising: an output unit that outputs information related to the generated learning model as information for placement in a second semiconductor manufacturing device different from the first semiconductor manufacturing device.
  • An information processing device comprising: an output unit that outputs the acquired sensor data.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • General Physics & Mathematics (AREA)
  • Manufacturing & Machinery (AREA)
  • Computer Hardware Design (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Power Engineering (AREA)
  • Semiconductor Integrated Circuits (AREA)

Abstract

半導体製造装置の動作状態等を推定することが期待できる情報処理方法、コンピュータプログラム及び情報処理装置を提供する。　本実施の形態に係る情報処理方法は、複数のセンサが設けられた第１半導体製造装置を運転した際に、前記第１半導体製造装置の運転データ、及び、前記センサが出力するセンサデータを取得し、取得した前記運転データ及び前記センサデータに基づいて、前記運転データの入力に応じて前記センサデータを出力する学習モデルを機械学習により生成し、生成した前記学習モデルを、前記第１半導体製造装置とは異なる第２半導体製造装置に配置する。

Description

情報処理方法、コンピュータプログラム及び情報処理装置
　本開示は、情報処理方法、コンピュータプログラム及び情報処理装置に関する。
　特許文献１においては、基板処理装置から収集される各種情報を蓄積し、蓄積されたデータを利用して、半導体製造工場に設置された各基板処理装置の省エネルギ化に必要な情報を表示する統合管理システムが提案されている。この統合管理システムは、基板処理装置の電力消費情報、ガス消費量情報又は稼働情報を含む各種情報を蓄積し、蓄積した情報から所定の条件を満たす情報を取得し、基板処理装置で消費される電力消費量、不活性ガス消費量及び基板処理装置の装置稼働率のうち少なくともいずれか一つを算出して表示する。
国際公開第２０１４／０５０８０８号
　本開示は、半導体製造装置の動作状態等を推定することが期待できる情報処理方法、コンピュータプログラム及び情報処理装置を提供する。
　一実施形態に係る情報処理方法は、複数のセンサが設けられた第１半導体製造装置を運転した際に、前記第１半導体製造装置の運転データ、及び、前記センサが出力するセンサデータを取得し、取得した前記運転データ及び前記センサデータに基づいて、前記運転データの入力に応じて前記センサデータを出力する学習モデルを機械学習により生成し、生成した前記学習モデルを、前記第１半導体製造装置とは異なる第２半導体製造装置に配置する。
　本開示によれば、半導体製造装置の動作状態等を推定することが期待できる。
本実施の形態に係る情報処理システムの一構成例を示す模式図である。 半導体製造装置に対するセンサの一例を説明するための模式図である。 本実施の形態に係る情報処理装置の一構成例を示すブロック図である。 プロセスＤＢの一構成例を示す模式図である。 本実施の形態に係る情報処理装置が行う予測モデル生成処理の手順の一例を示すフローチャートである。 予測モデルの生成に関する情報表示の一例を示す模式図である。 予測モデルの生成に関する情報表示の一例を示す模式図である。 予測モデルのシミュレーションでの利用例を説明するための模式図である。 本実施の形態に係る情報処理装置が行う寄与度の算出処理の手順の一例を示すフローチャートである。 寄与度に関する情報表示の一例を示す模式図である。 本実施の形態に係る情報処理装置が行うユニットの停止処理の手順の一例を示すフローチャートである。 待機状態ユニットの自動停止の効果を説明するための模式図である。 処理タイミング検証に係る一表示例を示す模式図である。 処理タイミング検証に係る一表示例を示す模式図である。
　本開示の実施形態に係る情報処理システムの具体例を、以下に図面を参照しつつ説明する。なお、本開示はこれらの例示に限定されるものではなく、請求の範囲によって示され、請求の範囲と均等の意味及び範囲内でのすべての変更が含まれることが意図される。
＜システム構成＞
　図１は、本実施の形態に係る情報処理システムの一構成例を示す模式図である。本実施の形態に係る情報処理システムは、情報処理装置１及び半導体製造装置２を備えて構成されている。半導体製造装置２は、例えばＣＶＤ（Chemical Vapor Deposition）、スパッタリング又はエッチング等の半導体製造のための種々の処理を行う装置である。情報処理装置１は、例えば半導体製造装置２が出力する運転データを取得して収集し、半導体製造装置２の動作の監視及び制御等を行う装置である。情報処理装置１が監視及び制御等の対象とする半導体製造装置２は複数であってよい。情報処理装置１が取得する運転データには、例えばプロセスログデータ、レシピデータ、ウェハの搬送履歴データ及びエラーデータ等の種々のデータが含まれ得る。
　また本実施の形態に係る情報処理システムにおいては、情報処理装置１が監視及び制御等の対象とする少なくとも１つの半導体製造装置２に対して、詳細な動作状態等を測定するための複数のセンサ３が設けられる。複数の半導体製造装置２が存在する場合に、センサ３は全ての半導体製造装置２に対して設けられるのではなく、複数の半導体製造装置２の中のいくつか（少なくとも１つ）に対してセンサ３が設けられてよい。図１及び以下の説明において、センサ３が設けられた半導体製造装置２を半導体製造装置２Ａと記載し、センサ３が設けられていない半導体製造装置２を半導体製造装置２Ｂと記載し、センサ３の有無を区別する必要がない場合には単に半導体製造装置２と記載する。同様に、センサ３が設けられた半導体製造装置２Ａの監視及び制御等を行う情報処理装置１を情報処理装置１Ａと記載し、センサ３が設けられていない半導体製造装置２Ｂの監視及び制御等を行う情報処理装置１を情報処理装置１Ｂと記載し、これらを区別する必要がない場合には単に情報処理装置１と記載する。
　本実施の形態において半導体製造装置２Ａに設けられる複数のセンサ３は、環境に関する測定を行うセンサであり、例えば消費電力を測定するセンサ、排水量を測定するセンサ、又は、ガスの排出量を測定するセンサを含む。センサが排出量を測定するガスには、例えばＣＯ２（二酸化炭素）又はＮＯｘ（窒素酸化物）等のガスが含まれ得る。また本実施の形態において半導体製造装置２は、例えば上部チラーユニット、ＲＦ（Radio Frequency）電源ユニット、ＤＣ（Direct Current）電源ユニット、真空ポンプユニット、チャンバヒータユニット、ＥＳＣ（Electric Static Chuck）ヒータユニット及び下部チラーユニット等の種々のユニットを組み合わせて構成されている。複数のセンサ３には、半導体製造装置２Ａのユニット毎の消費電力、排水量又はガスの排出量等を測定するセンサが含まれ得る。
　本実施の形態に係る情報処理システムでは、センサ３が設けられた半導体製造装置２Ａにて半導体製造のプロセスが実施された場合に、半導体製造装置２Ａが出力する運転データと、複数のセンサ３の測定結果であるセンサデータとを情報処理装置１Ａが取得し、取得した運転データ及びセンサデータを対応付けてデータベースに記憶して蓄積する。情報処理装置１Ａは、データベースに蓄積された運転データ及びセンサデータを基にいわゆる教師ありの機械学習処理を行い、運転データを入力として受け付けてセンサデータの予測値を出力する学習モデルを予測モデル５として生成する。情報処理装置１Ａは、生成した予測モデル５をセンサ３が設けられていない半導体製造装置２Ｂの情報処理装置１Ｂにデプロイ（配置）する。情報処理装置１Ｂは、情報処理装置１が生成した予測モデル５を利用して、半導体製造装置２Ｂが出力する運転データからセンサデータの予測値を取得し、この予測値に基づく半導体製造装置２Ｂの制御又は監視等の処理を行うことができる。なお本実施の形態において、半導体製造装置２Ｂに対して予測モデル５を配置する、又は、半導体製造装置２Ｂの情報処理装置１Ｂに対して予測モデル５を配置するとは、半導体製造装置２Ｂの運転データから予測モデル５がセンサデータを予測することが可能な状態とすることを指す。
　例えば本実施の形態に係る情報処理システムにおいて、半導体製造装置２Ａは、例えば半導体製造装置２の開発及び販売等を行う企業等の拠点に設置される。半導体製造装置２Ａは、試験的な運用がなされ、この際にセンサ３による消費電力、排水量及びガスの排出量等の各種の測定が行われ、センサ３が出力するセンサデータが運転データと共に蓄積される。十分な運転データ及びセンサデータが蓄積された後、情報処理装置１Ａによる予測モデル５の生成が行われる。
　その後、本実施の形態に係る情報処理システムにおいては、例えば一又は複数の拠点に一又は複数の半導体製造装置２Ｂを設置する際に、各半導体製造装置２Ｂに対してセンサ３は設けられない（又は、半導体製造装置２Ａに対して設けたセンサ３の数よりも少ない数のセンサ３が設けられてもよい）。各半導体製造装置２Ｂに対してセンサ３を設けることに代えて、各半導体製造装置２Ｂの監視及び制御等を行う情報処理装置１Ｂに対して情報処理装置１Ａが生成した予測モデル５がインストール（導入）され、各半導体製造装置２Ｂに対して予測モデル５がデプロイ（配置）される。情報処理装置１Ｂは、例えば半導体製造装置２Ｂの初期運転に伴って運転データを取得、取得した運転データを予測モデル５へ入力することで、センサ３を利用することなく、予測モデル５が出力するセンサデータを取得することができる。
　図２は、半導体製造装置２Ａに対するセンサ３の一例を説明するための模式図である。図２に示す半導体製造装置２Ａは、ユニット１～６の６つのユニットと、これらを制御する制御ユニットとを備えて構成されている。半導体製造装置２Ａに対しては、３つの電源１～３からの電力供給がなされる。電源１は制御ユニット、ユニット１及びユニット２へ電力を供給する。電源２はユニット３及びユニット４へ電力を供給する。電源３はユニット５及びユニット６へ電力を供給する。電源１～３は、例えば商用交流電源からの電力を半導体製造装置２Ａの各ユニットへそれぞれ供給する。
　図２においては、電源から各ユニットへの個別の電力供給経路が太実線で示されている。本実施の形態に係る情報処理システムでは、例えば消費電力を測定するためのセンサが、これらの電力供給経路に対してそれぞれ設けられる。図２において太実線に重ねて記された円形が、センサ３が設けられる位置である。本例の場合、３つの電源１～３から７つのユニットへの７つの電力供給経路が存在し、７つのセンサ３が設けられている。このように、半導体製造装置２の各ユニットの消費電力を測定するためには多くのセンサ３が必要であるが、例えば半導体製造工場等に多数の半導体製造装置２を設置する場合、全ての半導体製造装置２に対してセンサ３を設けることはコストの増大を招来する虞がある。そこで本実施の形態に係る情報処理システムでは、試験運用の段階でセンサ３を設けた半導体製造装置２Ａを用いて運転データ及びセンサデータを取得し、取得したこれらのデータを基に予測モデル５を生成する。実運用の段階では半導体製造装置２Ｂにセンサ３を設けず（又は、試験段階よりも少ない数のセンサ３が設けられてもよい）、センサ３を用いる代わりに予測モデル５を用いたセンサデータの取得が行われる。
　図３は、本実施の形態に係る情報処理装置１の一構成例を示すブロック図である。本実施の形態に係る情報処理装置１は、処理部１１、記憶部（ストレージ）１２、通信部（トランシーバ）１３、入出力部１４、表示部１５及び操作部１６等を備えて構成されている。なお本実施の形態においては、１つの情報処理装置１にて処理が行われるものとして説明を行うが、情報処理装置１の処理を複数の装置が分散して行ってもよい。
　処理部１１は、ＣＰＵ（Central Processing Unit）、ＭＰＵ（Micro-Processing Unit）、ＧＰＵ（Graphics Processing Unit）又は量子プロセッサ等の演算処理装置、ＲＯＭ（Read Only Memory）及びＲＡＭ（Random Access Memory）等を用いて構成されている。処理部１１は、記憶部１２に記憶されたプログラム１２ａを読み出して実行することにより、半導体製造装置２の運転データを取得する処理、センサ３が測定したセンサデータを取得する処理、及び、これらのデータを基に予測モデル５を生成する処理等の種々の処理を行う。
　記憶部１２は、例えばハードディスク等の大容量の記憶装置を用いて構成されている。記憶部１２は、処理部１１が実行する各種のプログラム、及び、処理部１１の処理に必要な各種のデータを記憶する。本実施の形態において記憶部１２は、処理部１１が実行するプログラム１２ａを記憶する。また記憶部１２には、半導体製造装置２から取得した運転データ及びセンサ３から取得したセンサデータを対応付けて記憶するプロセスＤＢ（データベース）１２ｂと、これらのデータに基づく機械学習により生成された予測モデル５に関する情報を記憶する予測モデル記憶部１２ｃとが設けられている。
　本実施の形態においてプログラム（コンピュータプログラム、プログラム製品）１２ａは、メモリカード又は光ディスク等の記録媒体９９に記録された態様で提供され、情報処理装置１は記録媒体９９からプログラム１２ａを読み出して記憶部１２に記憶する。ただし、プログラム１２ａは、例えば情報処理装置１の製造段階において記憶部１２に書き込まれてもよい。また例えばプログラム１２ａは、遠隔のサーバ装置等が配信するものを情報処理装置１が通信にて取得してもよい。例えばプログラム１２ａは、記録媒体９９に記録されたものを書込装置が読み出して情報処理装置１の記憶部１２に書き込んでもよい。プログラム１２ａは、ネットワークを介した配信の態様で提供されてもよく、記録媒体９９に記録された態様で提供されてもよい。
　プロセスＤＢ１２ｂは、情報処理装置１Ａが半導体製造装置２Ａから取得した運転データ及びセンサ３から取得したセンサデータを対応付けて記憶するデータベースである。図４は、プロセスＤＢ１２ｂの一構成例を示す模式図である。図示のプロセスＤＢ１２ｂは、例えば「タイムスタンプ」、「装置ＩＤ」、「レシピＩＤ」、「運転データ」及び「センサデータ」等のデータを対応付けて記憶する。「タイムスタンプ」は、例えば運転データ及びセンサデータを情報処理装置１Ａが取得した日時の情報である。「装置ＩＤ」は、半導体製造装置２に対して一意に付された識別情報であり、例えば本実施の形態に係る情報処理システムの設計者又は管理者等により予め決定され得る。「レシピＩＤ」は、半導体製造装置２にて行う半導体製造プロセスの手順又は設定等の情報、いわゆるレシピに対して一意に付された識別情報であり、例えば情報処理システムの管理者又は半導体製造の作業を行う作業者等のユーザにより予め決定され得る。
　「運転データ」には、例えば「高周波ＲＦ電力［Ｗ］」、「高周波ＲＦ電力パルスデューティ［％］」、「高周波ＲＦ電力パルス周波数［ｋＨｚ］」、「低周波ＲＦ電力［Ｗ］」、「低周波ＲＦ電力パルスデューティ［％］」、「低周波ＲＦ電力パルス周波数［ｋＨｚ］」、「圧力［ｍＴｏｒｒ］」、「総ガス流量［ｓｃｃｍ］」、「ＥＳＣ温度［℃］」及びチラー温度［℃］」等の種々の情報が含まれ得る。なお本図に例示した運転データに含まれる情報は、半導体製造装置２が半導体製造プロセスの実施に伴って出力するいわゆるプロセスログのデータに含まれる情報である。ただし運転データに含まれる情報は、プロセスログデータの情報に限らず、例えばレシピデータ、ウェハの搬送履歴データ及びエラーデータ等の種々の情報が含まれ得る。レシピデータは、半導体製造プロセスの手順又は設定等の情報を集めたものである。ウェハの搬送履歴データは、例えば搬送したウェハのＩＤ及び搬送を行った日時等のウェハの搬送に関する情報を集めたものである。エラーデータは、例えば半導体製造装置２にてエラー（異常又は不具合等）が検出された日時及びエラーの種類等の情報を集めたものである。
　「センサデータ」には、例えば「消費電力１［Ｗ］」、「消費電力２［Ｗ］」…「消費電力Ｎ［Ｗ］」等の情報が含まれ得る。本図に例示したセンサデータは、半導体製造装置２が備えるＮ個のユニットについて消費電力を個別にセンサ３が測定した場合を想定したものである。センサデータに含まれる情報は、消費電力に限らず、例えば排水量又はガスの排出量等のセンサ３が検出し得る種々の情報が含まれ得る。またセンサデータに含まれる情報は、半導体製造装置２のユニット毎の情報でなくてもよい。
　情報処理装置１Ａは、例えば半導体製造装置２Ａが半導体製造プロセスを実施している間に運転データの取得を繰り返し行い、取得した運転データをプロセスＤＢ１２ｂに記憶していく。これによりプロセスＤＢ１２ｂには時系列の運転データが蓄積されていき、例えば１枚のウェハに対する半導体製造プロセスの実施により複数の運転データがプロセスＤＢ１２ｂに蓄積される。なおセンサ３が設けられていない半導体製造装置２Ｂの監視及び制御等を行う情報処理装置１Ｂについては、プロセスＤＢ１２ｂを有していなくてもよい。ただし本実施の形態においては、情報処理装置１ＢもプロセスＤＢ１２ｂを有し、センサデータ以外のデータ、例えば「タイムスタンプ」、「装置ＩＤ」、「レシピＩＤ」及び「運転データ」を記憶する。
　記憶部１２の予測モデル記憶部１２ｃは、プロセスＤＢ１２ｂに記憶した運転データ及びセンサデータに基づいて情報処理装置１Ａが生成した予測モデル５に関する情報を記憶する。予測モデル５に関する情報には、例えば予測モデル５がどのような構成であるかを示す構成情報、及び、予測モデル５の内部のパラメータの値等の情報が含まれ得る。センサ３が設けられた半導体製造装置２Ａの監視及び制御等を行う情報処理装置１Ａの場合、予測モデル記憶部１２ｃには自身が生成した予測モデル５に関する情報が記憶される。センサ３が設けられていない半導体製造装置２Ｂの監視及び制御等を行う情報処理装置１Ｂの場合、予測モデル記憶部１２ｃには、他の情報処理装置１Ａが生成した予測モデル５に関する情報が記憶される。
　情報処理装置１の通信部１３は、ＬＡＮ（Local Area Network）、インターネット又は携帯電話通信網等を含む有線又は無線のネットワークＮを介して、種々の装置との間で通信を行う。通信部１３は、処理部１１から与えられたデータを他の装置へ送信すると共に、他の装置から受信したデータを処理部１１へ与える。本実施の形態において通信部１３は、ネットワークＮを介した他の情報処理装置１と通信を行うことによって、予測モデル５に関する情報の授受を行う。
　入出力部１４は、通信線又は信号線等を介して半導体製造装置２に接続され、半導体製造装置２との間で情報の授受を行う。本実施の形態において入出力部１４は、半導体製造装置２が出力する運転データが入力され、この運転データを取得して処理部１１へ与える。入出力部１４は、処理部１１から与えられた制御命令等を半導体製造装置２へ出力する。またセンサ３が設けられた半導体製造装置２Ａの監視及び制御等を行う情報処理装置１Ａにおいて、入出力部１４は、一又は複数のセンサ３に接続される。入出力部１４は、センサ３が出力するセンサデータが入力され、このセンサデータを取得して処理部１１へ与える。
　なお本実施の形態においては、センサ３のセンサデータを情報処理装置１Ａが直接的に取得する構成としてあるが、これに限るものではなく、センサ３が出力するセンサデータを半導体製造装置２Ａが取得し、半導体製造装置２Ａが運転データ及びセンサデータを情報処理装置１Ａへ送信する構成であってもよい。
　表示部１５は、液晶ディスプレイ等を用いて構成されており、処理部１１の処理に基づいて種々の画像及び文字等を表示する。表示部１５は、例えば半導体製造装置２から取得した運転データ、センサ３から取得したセンサデータ及びこれらのデータから生成した予測モデルに関する情報等の種々の情報を表示する。
　操作部１６は、ユーザの操作を受け付け、受け付けた操作を処理部１１へ通知する。例えば操作部１６は、機械式のボタン又は表示部１５の表面に設けられたタッチパネル等の入力デバイスによりユーザの操作を受け付ける。また例えば操作部１６は、マウス及びキーボード等の入力デバイスであってよく、これらの入力デバイスは情報処理装置１に対して取り外すことが可能な構成であってもよい。
　なお記憶部１２は、情報処理装置１に接続された外部記憶装置であってよい。また情報処理装置１は、複数のコンピュータを含んで構成されるマルチコンピュータであってよく、ソフトウェアによって仮想的に構築された仮想マシンであってもよい。また情報処理装置１は、上記の構成に限定されず、例えば表示部１５及び操作部１６等を備えていなくてもよい。
　また本実施の形態に係る情報処理装置１には、記憶部１２に記憶されたプログラム１２ａを処理部１１が読み出して実行することにより、データ取得部１１ａ、予測モデル生成部１１ｂ、予測モデル配置部１１ｃ、制御処理部１１ｄ及び表示処理部１１ｅ等が、ソフトウェア的な機能部として処理部１１に実現される。なお、センサ３が設けられていない半導体製造装置２Ｂの監視及び制御等を行う情報処理装置１Ｂは、データ取得部１１ａ、予測モデル生成部１１ｂ及び予測モデル配置部１１ｃを有していなくてよい。
　データ取得部１１ａは、例えば半導体製造装置２Ａが半導体製造プロセスを実施している際に又は実施した後に、半導体製造装置２Ａが出力する運転データを取得する処理を行う。またデータ取得部１１ａは、例えば半導体製造装置２Ａから運転データを取得するのと同じタイミングで、一又は複数のセンサ３が出力するセンサデータを取得する処理を行う。データ取得部１１ａは、取得した運転データ及びセンサデータに対して「タイムスタンプ」、「装置ＩＤ」及び「レシピＩＤ」等の情報を付し、これらの情報を対応付けてプロセスＤＢ１２ｂに記憶する。
　予測モデル生成部１１ｂは、データ取得部１１ａが取得してプロセスＤＢ１２ｂに蓄積した運転データ及びセンサデータを用いた機械学習の処理を行うことにより、予測モデル５を生成する処理を行う。本実施の形態において予測モデル５は、運転データを入力として受け付けて、センサデータの予測値を出力する学習モデルである。予測モデル生成部１１ｂは、プロセスＤＢ１２ｂに記憶された運転データを入力データ（説明変数）とし、この運転データに対応するセンサデータを正解値（目的変数）として対応付けた学習用データ（いわゆる教師データ）を生成し、この学習用データを用いた機械学習（いわゆる教師あり学習）の処理を行うことによって、予測モデル５を生成する。予測モデル生成部１１ｂは、生成した予測モデル５に関する情報を、予測モデル記憶部１２ｃに記憶する。また予測モデル生成部１１ｂは、例えば１週間に１回又は１ヶ月に１回等の所定の周期で予測モデル５の生成（更新）を繰り返し行ってもよい。
　本実施の形態において予測モデル５は、例えばＰＬＳ（Partial Least Squares、部分的最小二乗）回帰モデルが採用され得る。ただし予測モデル５は、例えばＡＲＸ（Auto-Regressive with eXogenous）モデル、ＳＶＭ（Support Vector Machine）、ランダムフォレスト又はニューラルネットワーク等の種々の学習モデルが採用され得る。また例えば予測モデル５は、時系列の運転データを入力として受け付けて時系列のセンサデータを出力する構成であってもよい。この場合に予測モデル５は、例えばＲＮＮ（Recurrent Neural Network）、ＬＳＴＭ（Long Short Term Memory）又はTransfomer等の学習モデルが採用されてよい。なおこれらの学習モデルの構造及び機械学習による学習モデルの生成方法等は、既存の技術であるため、本実施の形態においては詳細な説明を省略する。
　予測モデル配置部１１ｃは、予測モデル生成部１１ｂが生成した予測モデル５を、センサ３が設けられていない半導体製造装置２Ｂの監視及び制御等を行う情報処理装置１Ｂに対して配置（デプロイ）する処理を行う。予測モデル配置部１１ｃは、例えばユーザから配置先の情報処理装置１Ｂの装置ＩＤ等の情報入力を受け付けて、予測モデル記憶部１２ｃから予測モデル５に関する情報を読み出し、入力を受け付けた配置先の情報処理装置１Ｂへ予測モデル５に関する情報を送信することで、情報処理装置１Ｂに予測モデル５を配置することができる。情報処理装置１Ａから予測モデル５に関する情報を受信した情報処理装置１Ｂは、受信した情報を自身の記憶部１２の予測モデル記憶部１２ｃに記憶し、以降の処理で予測モデル５を利用することができる。なお予測モデル生成部１１ｂが予測モデル５の生成（更新）を繰り返し行う場合、予測モデル配置部１１ｃは、予測モデル５が更新される都度に、以前に予測モデル５を配置した情報処理装置１Ｂに対して、更新された予測モデル５に関する情報を送信（再配置）してよい。
　制御処理部１１ｄは、半導体製造装置２から取得した運転データ、及び、センサ３から取得した又は予測モデル５が予測したセンサデータに基づいて、半導体製造装置２の制御処理を行う。例えば制御処理部１１ｄは、センサデータに基づいて半導体製造装置２の各ユニットの消費電力（消費電力量）の変化を監視し、消費電力に基づいて各ユニットの動作状態を判断し、待機状態（処理を行っていない状態）のユニットの動作を停止させる（電力供給を停止させる）ことにより、半導体製造装置２の全体での消費電力を低減する制御を行うことができる。また例えば制御処理部１１ｄは、運転データ又はセンサデータに基づいて各ユニットの異常の有無を判断し、異常があると判断した場合に当該ユニット又は半導体製造装置２の動作を停止させる制御を行うことができる。なお、制御処理部１１ｄが行う半導体製造装置２の制御処理は、どのような処理であってもよい。
　表示処理部１１ｅは、種々の情報を表示部１５に表示する処理を行う。例えば表示処理部１１ｅは、データ取得部１１ａが取得した運転データ及びセンサデータに含まれる各種の情報の時間的な変化をグラフ化して表示することができる。また例えば表示処理部１１ｅは、予測モデル生成部１１ｂが生成した予測モデル５に関する情報、例えばセンサ３が測定した測定値及び予測モデル５による予測値との比較情報、並びに、予測モデル５による予測精度等の種々の情報を表示することができる。また例えば表示処理部１１ｅは、データ取得部１１ａが取得した運転データに基づいて予測モデル５が出力したセンサデータに基づいて、半導体製造装置２の消費電力、排水量又はガスの排出量等の予測値を表示部１５に表示することができる。なおこのときに表示処理部１１ｅは、例えば半導体製造装置２の消費電力の予測値に対して所定の演算を行うことにより、消費電力を二酸化炭素の排出量等の情報に変換して表示してもよい。
＜予測モデルの生成処理＞
　本実施の形態に係る情報処理システムでは、例えば本システムの設計者又は管理者等のユーザにより、複数の半導体製造装置２の中から一又は複数の半導体製造装置２Ａが適宜に選択され、選択された半導体製造装置２Ａにセンサ３が設けられる。ユーザは半導体製造装置２Ａにて半導体製造のプロセスを実施し、この際に情報処理装置１Ａが半導体製造装置２Ａの運転データ及びセンサ３のセンサデータを取得してプロセスＤＢ１２ｂに記憶して蓄積する。十分なデータがプロセスＤＢ１２ｂに蓄積された後、情報処理装置１Ａは、例えばユーザの操作に応じて又は所定の周期で繰り返し、蓄積した運転データ及びセンサデータを用いた機械学習を行うことにより、予測モデル５を生成する。情報処理装置１Ａは、生成した予測モデル５に関する情報を情報処理装置１Ｂへ送信することにより、センサ３が設けられていない半導体製造装置２Ｂの監視及び制御等に予測モデル５を使用可能な状態とする。
　図５は、本実施の形態に係る情報処理装置１Ａが行う予測モデル生成処理の手順の一例を示すフローチャートである。本実施の形態に係る情報処理装置１Ａの処理部１１のデータ取得部１１ａは、半導体製造装置２Ａの半導体製造のプロセスが実施されている際に所定の周期で、半導体製造装置２Ａが出力する運転データ及びセンサ３が出力するセンサデータを取得する（ステップＳ１）。データ取得部１１ａは、ステップＳ１にて取得した運転データ及びセンサデータを、記憶部１２のプロセスＤＢ１２ｂに記憶する（ステップＳ２）。
　処理部１１は、予測モデル５を生成するタイミングに至ったか否かを判定する（ステップＳ３）。このときに処理部１１は、例えば所定の周期で繰り返し行われる予測モデル５の更新のタイミングに至った場合、ユーザから予測モデル５を生成する指示を受け付けた場合、又は、プロセスＤＢ１２ｂに所定量の運転データ及びセンサデータが蓄積された場合等に、予測モデル５を生成するタイミングに至ったと判定することができる。予測モデル５を生成するタイミングに至っていない場合（Ｓ３：ＮＯ）、処理部１１は、ステップＳ１へ処理を戻し、ステップＳ１及びＳ２によるデータの収集を継続して行う。
　予測モデル５を生成するタイミングに至った場合（Ｓ３：ＹＥＳ）、処理部１１の予測モデル生成部１１ｂは、プロセスＤＢ１２ｂに記憶された運転データ及びセンサデータを読み出す（ステップＳ４）。予測モデル生成部１１ｂは、ステップＳ４にて読み出した運転データを入力（説明変数）とし、センサデータを正解値（目的変数）として対応付けた学習用データを生成する（ステップＳ５）。なおこの際に予測モデル生成部１１ｂは、運転データ及びセンサデータに含まれる数値の正規化又は正則化等の処理を適宜に行ってよい。予測モデル生成部１１ｂは、ステップＳ５にて生成した学習用データを用いて、予め決定された構成の学習モデルに対する教師ありの機械学習の処理を行って（ステップＳ６）、学習モデルの内部のパラメータを決定することにより、予測モデル５を生成する。
　予測モデル生成部１１ｂは、ステップＳ６にて生成した予測モデル５に対し、学習用データとは別に生成された検証用データを用いて予測を行うことにより、予測精度を算出する（ステップＳ７）。なお検証用データは、学習用データと同じ形式のデータである。例えばプロセスＤＢ１２ｂに記憶された全てのデータのうちの一部が検証用データとして用いられ、残りが学習用データとして用いられ得る。予測モデル生成部１１ｂは、ステップＳ７にて算出した予測精度が閾値を超えるか否かを判定する（ステップＳ８）。なおこの閾値は、予測モデル５に対して要求される予測精度であり、例えば本システムの設計者又は管理者等のユーザにより予め定められる。予測精度が閾値を超えない場合（Ｓ８：ＮＯ）、予測モデル生成部１１ｂは、ステップＳ６へ処理を戻し、予測精度を高めるべく機械学習処理を繰り返し行う。
　予測精度が閾値を超える場合（Ｓ８：ＹＥＳ）、予測モデル生成部１１ｂは生成した予測モデルに関する情報を記憶部１２の予測モデル記憶部１２ｃに記憶する（ステップＳ９）。処理部１１の表示処理部１１ｅは、生成された予測モデル５の例えば予測精度等の情報を表示部１５に表示する（ステップＳ１０）。処理部１１の予測モデル配置部１１ｃは、生成された予測モデル５に関する情報を、センサ３が設けられていない半導体製造装置２Ｂの監視及び制御等を行う情報処理装置１Ｂへ送信する（ステップＳ１１）ことにより、半導体製造装置２Ｂに対して予測モデル５を配置して、処理を終了する。
　図６及び図７は、予測モデル５の生成に関する情報表示の一例を示す模式図である。本図は、例えば図５のフローチャートのステップＳ１０にて表示される情報の一例である。図６に示す情報表示例において情報処理装置１Ａは、半導体製造装置２Ａが有する各ユニットの消費電力の予測誤差を示すテーブルと、合計消費電力の実測値及び予測値の時間的な変化を示すグラフとを、表示部１５の画面の上下に並べて表示している。予測誤差を示すテーブルには、例えば半導体製造装置２Ａのユニットのユニット名と、消費電力の実測値の範囲と、最大予測誤差の値［ｋＷ］及び割合［％］とが対応付けて示されている。また合計消費電力のグラフは、横軸を時間とし、縦軸を消費電力として、合計消費電力の実測値を薄灰色の折れ線で示し、予測値を濃灰色の折れ線で示したものである。このグラフでは、実測値は上下に振動しており、予測値は実測値の中央値又は平均値等に近い値を示していることがわかる。
　情報処理装置１Ａは、生成した予測モデル５に対して予め用意された検証用データを用いた検証を行うことで、図示の予測誤差等を算出することができる。検証用データは、プロセスＤＢ１２ｂに記憶された運転データ及びセンサデータを用いて生成された、学習用データと同様の構成のデータである。情報処理装置１Ａは、検証用データに含まれる運転データを予測モデル５へ入力し、予測モデル５が出力するセンサデータの予測値を取得する。情報処理装置１Ａは、検証用データに含まれるセンサデータの実測値と、予測モデル５によるセンサデータの予測値との差分を算出することにより、予測誤差を算出することができる。
　また、図７に示す情報表示例において情報処理装置１Ａは、半導体製造装置２Ａにて半導体製造のプロセスを実施した際の処理条件（プロセスレシピ）毎に、各処理で消費された総消費電力量を比較するための情報表示を行っている。情報処理装置１Ａは、処理条件毎の予測誤差を示すテーブルと、処理条件毎の総消費電力量を示す棒グラフとを、表示部１５の画面の上下に並べて表示している。処理条件毎の予測誤差を示すテーブルには、例えば処理条件Ａ～Ｃの３つについて、総消費電力量の実測値［ｋＷｈ］及び予測値［ｋＷｈ］と、予測誤差の値［ｋＷｈ］及び割合［％］とが対応付けて示されている。また総消費電力量の棒グラフは、例えば処理条件Ａ～Ｃの３つについて、総消費電力量の実測値を薄灰色で示し、予測値を濃灰色で示している。
＜予測モデル５の利用＞
　本実施の形態に係る情報処理システムでは、情報処理装置１Ａが生成した予測モデル５を種々の処理に利用することができる。以下に、予測モデル５の利用例をいくつか説明する。
（１）シミュレーションでの利用
　図８は、予測モデル５のシミュレーションでの利用例を説明するための模式図である。図８の上段には、半導体製造装置２が出力した運転データを基に予測モデル５がセンサデータを予測する場合の流れが示されている。例えば本システムの設計者又は管理者等のユーザは半導体製造プロセスのレシピデータを作成して半導体製造装置２Ｂへ入力し、半導体製造装置２Ｂは入力されたレシピデータに基づいて半導体製造のプロセスを実施し、プロセスログデータ等の運転データを出力する。情報処理装置１Ｂは、半導体製造装置２Ｂから取得した運転データを予め生成された予測モデル５へ入力し、予測モデル５が出力するセンサデータの予測値を取得する。
　図８の下段には、半導体製造装置２のシミュレータ７にて予測モデル５を利用する場合の流れが示されている。シミュレータ７は、半導体製造装置２が実施する半導体製造プロセスをシミュレートするソフトウェアである。シミュレータ７は、例えば半導体製造装置２が行う半導体製造プロセスの設定等の情報を含むレシピデータを入力として受け付け、このレシピデータに従って半導体製造装置２が行う処理をシミュレートし、そのシミュレート結果として半導体製造装置２が出力する運転データを生成する。ユーザは、例えば自身が作成したレシピデータをシミュレータ７へ入力してシミュレーションを行い、シミュレータ７が出力する運転データを予測モデル５へ入力することで、予測モデル５が出力するセンサデータの予測値を取得することができる。ユーザは、予測モデル５が出力したセンサデータに基づいて、自身が作成したレシピデータに基づく処理を行った場合の半導体製造装置２による電力消費量、排水量又はガスの排出量等を検証することができる。ユーザは、例えば電力消費量、排水量又はガスの排出量等を改善すべく、レシピデータに修正を加えながら繰り返しシミュレーションを実施することができる。
　このように、情報処理装置１Ａが生成した予測モデル５をシミュレーションに用いることで、半導体製造装置２Ａを実際に稼働させることなく、ユーザは様々な条件での半導体製造装置２の電力消費量、排水量又はガスの排出量等を検証することができる。なお図８においてはシミュレータ７と予測モデル５とを別ブロックとして図示しているが、予測モデル５はシミュレータ７に組み込まれて利用されてもよい。この場合にシミュレータ７は、運転データと共に、センサデータの予測値を出力することができる。また、シミュレータ７によるシミュレーション及び予測モデル５を利用したセンサデータの予測値の取得等の処理は、半導体製造装置２の監視及び制御等を行う情報処理装置１とは異なる装置、例えばシミュレーション用の情報処理装置にて行われてよい。
（２）寄与度の検証
　機械学習により生成された学習モデルは、例えばＳＨＡＰ（SHapley Additive exPlanations）又はＬＩＭＥ（Local Interpretable Model-agnostic Explanations）等のＸＡＩ（eXplainable Artificial Intelligence）技術を用いて、出力データ（目的変数）に対する入力データ（説明変数）の寄与度（重要度、影響度等）を算出することができる。本実施の形態に係る情報処理システムでは、予測モデル５へ入力した運転データに含まれる種々の項目について、この予測モデル５が出力したセンサデータに対する寄与度を情報処理装置１が算出し、算出結果を表示部１５に表示してユーザに提示することができる。情報処理装置１は、寄与度に関する情報表示を、例えばユーザの操作に基づいて行ってもよく、また例えば予測モデル５が出力したセンサデータに異常等が検出された場合等に行ってもよい。
　図９は、本実施の形態に係る情報処理装置１が行う寄与度の算出処理の手順の一例を示すフローチャートである。本実施の形態に係る情報処理装置１の処理部１１は、プロセスＤＢ１２ｂに記憶された運転データの中から、例えば寄与度の検証の対象とする運転データの範囲等の指定をユーザから受け付けて、対象の運転データを取得する（ステップＳ２１）。処理部１１は、ステップＳ２１にて取得した運転データを、予測モデル記憶部１２ｃに構造及びパラメータ等の情報が記憶された学習済の予測モデル５へ入力する（ステップＳ２２）。処理部１１は、ステップＳ２２にて入力した運転データに対して予測モデル５が出力するセンサデータを取得する（ステップＳ２３）。
　また処理部１１は、予測モデル５へ入力した運転データに含まれる各項目の寄与度を算出する（ステップＳ２４）。このときに処理部１１は、例えば各運転データに含まれる各項目のＳＨＡＰ値（シャープレイ値）を算出し、項目毎のＳＨＡＰ値の平均値又は合計値等を算出したものを運転データの各項目の寄与度とすることができる。なおＳＨＡＰ値は、学習モデルに対する入力データの各項目が出力データに対してどの程度の影響を与えたかを示す数値である。ＳＨＡＰ値の算出は既存の技術であるため、算出方法の詳細な説明は省略する。処理部１１は、ステップＳ２４にて算出した寄与度を表示部１５に表示して（ステップＳ２５）、処理を終了する。
　なお本例では、ＳＨＡＰ値を用いて運転データの各項目の寄与度を算出しているが、寄与度の算出方法にはＳＨＡＰ値を用いる以外の方法が採用されてよい。例えば予測モデル５としてＲＮＮ（Recurrent Neural Network）、ＬＳＴＭ（Long Short Term Memory）又はTransformer等の学習モデルが採用される場合、アテンション機構を用いて寄与度の算出が行われてもよい。また例えば予測モデル５として、決定木、ランダムフォレスト、XGBoost（eXtreme Gradient Boosting）又はLightGBM（Light Gradient Boosting Machine）等の木構造の学習モデルが採用される場合、生成された学習モデルの構造に基づいて寄与度の算出が行われてもよい。
　また予測モデル５としてＰＬＳ回帰モデルが採用される場合には、例えば以下の演算式に基づいて寄与度の算出が行われてもよい。情報処理装置１は、入力データの項目Ａｉ（ｉ＝１，２…Ｎ）について、例えば標準化済回帰係数の絶対値の総和が１００となるように回帰係数の規格化を行い、回帰係数を割合（％）に換算した値を寄与度とすることができる。
Figure JPOXMLDOC01-appb-M000001
　図１０は、寄与度に関する情報表示の一例を示す模式図である。本図は、例えば図９のフローチャートのステップＳ２５にて表示される情報の一例である。図１０に示す情報表示例において情報処理装置１は、運転データに含まれる項目毎の寄与度を示すテーブルと、運転データに含まれる複数の項目について寄与度の割合を示す円グラフとを、表示部１５の画面の上下に並べて表示している。項目毎の寄与度を示すテーブルには、例えば運転データに含まれる複数の項目が寄与度の高い順に上から下へ並べて示されると共に、各項目の寄与度の全体に占める割合［％］が項目毎に対応付けて示されている。なお本例では、運転データに含まれる複数の項目のうち、寄与度が高い上位３つの項目を示し、これ以外の項目については「その他」として寄与度の合計値を示してある。また円グラフは、上述のテーブルに示された寄与度に基づいて、運転データに含まれる複数の項目についてその寄与度が全体に対して占める割合を色分けした扇形の面積に対応付けてグラフ化したものである。
　情報処理装置１が運転データに含まれる複数の項目の寄与度を算出して表示することにより、ユーザは例えば消費電力が多い場合にいずれの項目について改善することが効果的であるか等を判断することができる。なお運転データに含まれる複数の項目についての寄与度の算出及び表示等の処理は、半導体製造装置２の監視及び制御等を行う情報処理装置１とは異なる情報処理装置にて行われてよい。
（３）待機状態ユニットの自動停止
　本実施の形態に係る情報処理装置１Ｂは、半導体製造装置２Ｂが半導体製造プロセスを実施している際に運転データの取得を行い、取得した運転データを基に予測モデル５を利用してセンサデータの予測値を取得する。情報処理装置１Ｂは、例えば予測モデル５による各ユニットの消費電力の予測値を取得し、各ユニットの消費電力の予測値が閾値より小さい場合、このユニットが待機状態であると判断する。情報処理装置１Ｂは、待機状態のユニットの動作を停止させ、このユニットへの電力供給を停止することにより、消費電力の低減を行うことができる。
　図１１は、本実施の形態に係る情報処理装置１Ｂが行うユニットの停止処理の手順の一例を示すフローチャートである。本実施の形態に係る情報処理装置１Ｂの処理部１１は、半導体製造装置２Ｂが半導体製造プロセスを実施している際に、半導体製造装置２Ｂが出力する運転データを取得する（ステップＳ４１）。処理部１１は、ステップＳ４１にて取得した運転データを、予測モデル記憶部１２ｃに構造及びパラメータ等の情報が記憶された学習済みの予測モデル５へ入力する（ステップＳ４２）。処理部１１は、ステップＳ４２にて入力した運転データに対して予測モデル５が出力するセンサデータを取得する（ステップＳ４３）。
　処理部１１は、半導体製造装置２Ｂが備える複数のユニットの中から、処理対象とする１つのユニットを選択する（ステップＳ４４）。処理部１１は、ステップＳ４３にて取得したセンサデータから、ステップＳ４４にて選択したユニットに関する消費電力の予測値を取得し、この消費電力が予め定められた閾値より小さいか否かを判定する（ステップＳ４５）。なおこの閾値は、例えば本実施の形態に係る情報処理システムの設計者又は管理者等のユーザにより予め定められる値であり、ユニット毎に異なる閾値が採用されてよい。消費電力が閾値より小さい場合（Ｓ４５：ＹＥＳ）、処理部１１は、対象のユニットの動作を停止させて（ステップＳ４６）、ステップＳ４７へ処理を進める。消費電力が閾値以上である場合（Ｓ４５：ＮＯ）、処理部１１は、ステップＳ４７へ処理を進める。
　処理部１１は、半導体製造装置２Ｂが備える全てのユニットについて、消費電力の判定を終了したか否かを判定する（ステップＳ４７）。全てのユニットについて消費電力の判定を終了していない場合（Ｓ４７：ＮＯ）、処理部１１は、ステップＳ４４へ処理を戻し、別のユニットを選択して上述の処理を繰り返し行う。全てのユニットについて消費電力の判定を終了した場合（Ｓ４７：ＹＥＳ）、処理部１１は、半導体製造装置２Ｂの半導体製造プロセスが終了したか否かを判定する（ステップＳ４８）。半導体製造プロセスが終了していない場合（Ｓ４８：ＮＯ）、処理部１１は、ステップＳ４１へ処理を戻し、半導体製造装置２Ｂから新たな運転データを取得して上述の処理を繰り返し行う。半導体製造プロセスが終了した場合（Ｓ４８：ＹＥＳ）、処理部１１は、処理を終了する。
　図１２は、待機状態ユニットの自動停止の効果を説明するための模式図である。本図には、半導体製造装置２Ｂが備える複数のうち、ＲＦ電源ユニット、ドライポンプユニット及びヒーターの３つのユニットについて、消費電力の変化をグラフでそれぞれ示している。各グラフは、横軸を時間とし、縦軸をユニットの消費電力とした折れ線グラフである。図１２の左側には待機状態ユニットの自動停止を行わない場合のグラフを示し、右側には待機状態ユニットの自動停止を行った場合のグラフを示している。
　自動停止を行わない場合、図１２の左側のグラフに示すように、各ユニットは実質的に処理を行っていない待機状態であっても、待機電力（本図において薄灰色で示した領域）を消費し続けている。例えばこの待機電力に対して余裕を持たせた値を閾値として予め設定しておき、情報処理装置１Ｂがこの閾値に基づいて各ユニットが待機状態であるか否かを判定し、消費電力が閾値を超えるユニットの動作を自動的に停止させる。なお本実施の形態において情報処理装置１Ｂによるユニットの自動停止は、例えばこのユニットに対する電力供給を遮断するなど、待機電力を消費しない状態へユニットの状態を切り替えるものである。これにより図１２の右側のグラフに示すように、待機状態と判定されるＲＦ電源ユニット及びドライポンプユニットについて情報処理装置１Ｂによる自動停止が行われ、これらのユニットについて消費電力が待機電力量よりも少ない値、例えば０まで低減されている。
　なお本例では、センサ３が設けられていない半導体製造装置２Ｂの監視及び制御等を行う情報処理装置１Ｂが予測モデル５を用いてユニットの自動停止を行うものとして説明したが、センサ３が設けられた半導体製造装置２Ａの監視及び制御等を行う情報処理装置１Ａについても同様の処理を行ってよい。ただし情報処理装置１Ａは、予測モデル５を利用せずに、センサ３が出力するセンサデータを利用して同様の自動停止を行ってもよい。
（４）処理タイミングの検証
　本実施の形態に係る情報処理システムでは、予測モデル５が出力するセンサデータに基づいて、半導体製造装置２が備える複数ユニットの処理タイミングをユーザが検証することができる。情報処理装置１Ｂは、半導体製造装置２Ｂが半導体製造プロセスを実施した際に取得してプロセスＤＢ１２ｂに記憶した運転データの中から、例えば１つのウェハに対する半導体製造プロセスの開始から終了までの運転データを読み出す。情報処理装置１Ｂは、プロセスＤＢ１２ｂから読み出した運転データを予測モデル５へ入力し、予測モデル５が出力するセンサデータを取得する。
　半導体製造装置２Ｂは複数のユニットを備えて構成されており、例えばセンサデータにはこれらの各ユニットについて、消費電力、排水量又はガスの排出量等の予測値が含まれている。なお排水量又はガスの排出量については、排水又はガスの排出を行うユニットについてのみセンサデータに値が含まれていればよい。消費電力については、電力を消費する全てのユニットについてセンサデータに値が含まれていることが好ましい。情報処理装置１Ｂは、予測モデル５が出力したセンサデータから各ユニットの消費電力、排水量又はガスの排出量について時間的な変化を示すグラフを作成し、複数のユニットについて作成した複数のグラフを表示部１５に並べて表示する。
　図１３は、処理タイミング検証に係る一表示例を示す模式図である。図示の表示例において情報処理装置１Ｂは、半導体製造装置２Ｂが備える３つのユニット１～３について消費電力の時間的な変化を示すグラフをそれぞれ作成し、３つのグラフを上下方向に並べて表示する。また情報処理装置１Ｂは、この３つのグラフの下方に、３つのユニット１～３の合計消費電力のグラフを表示する。ユニット１～３の各グラフ及び合計消費電力のグラフは、それぞれ横軸を時間とし、縦軸を消費電力としたグラフであり、これら４つのグラフの縦軸及び横軸のスケールは同じであることが好ましい。
　また情報処理装置１Ｂは、予測モデル５が出力したセンサデータに基づくグラフを現状の消費電力のグラフとし、例えば各ユニットによる処理タイミングを変更した場合の消費電力のグラフを作成し、現状の消費電力のグラフとタイミング変更後の消費電力のグラフとを表示部１５の左右に並べて表示する。図示の表示例においては、表示部１５の左側に表示された４つのグラフから、現状では３つのユニット１～３が同じタイミングで処理を行っており、電力を消費するピークのタイミングが重なることから合計消費電力の最大値が約１５ｋＷに達している。これに対して表示部１５の右側に表示された４つのグラフでは、３つのユニット１～３が処理を行うタイミングが異なっており、合計消費電力の最大値は１２ｋＷ以下に抑えられている。
　情報処理装置１Ｂは、例えば現状の消費電力のグラフに対して、各ユニットの処理をどの程度変化させるかに関する情報の入力をユーザから受け付け、受け付けた情報に応じて現状の各ユニット１～３の消費電力のグラフを時間軸方向へ移動させることで、タイミング変更後のグラフを作成する。情報処理装置１Ｂは、各ユニット１～３の処理のタイミングを変更したグラフに基づいて、合計消費電力のグラフを作成し、これらのグラフを並べて表示部１５に表示する。また情報処理装置１Ｂは、ユーザからの入力を受け付けるのではなく、例えば合計消費電力の最大値が最も小さくなる処理のタイミングを検索し、このタイミングでのグラフを作成して表示してもよい。またタイミング変更後のグラフは、現状のグラフを時間軸方向で移動させることで作成されるのではなく、例えば図８に示したシミュレータ７を利用して作成されてもよい。
　図１４は、処理タイミング検証に係る一表示例を示す模式図である。図１４の表示例において情報処理装置１Ｂは、半導体製造プロセスの設定温度の時間的変化を示すグラフと、半導体製造装置２Ｂの消費電力の時間的な変化を示すグラフとを上下に並べて表示している。情報処理装置１Ｂは、半導体製造装置２Ｂから取得する運転データに含まれるレシピデータから設定温度の情報を抽出し、抽出した情報に基づいて設定温度の時間的な変化を示すグラフを作成する。また情報処理装置１Ｂは、運転データを予測モデル５へ入力し、予測モデル５が出力するセンサデータを取得し、取得したセンサデータに含まれる消費電力の情報を抽出し、抽出した情報に基づいて半導体製造装置２Ｂの消費電力の時間的な変化を示すグラフを作成する。
　また情報処理装置１は、例えば現状の設定温度及び消費電力のグラフに対して、半導体製造装置２Ｂの設定温度を変化させるタイミングを変更した場合の設定温度及び消費電力のグラフを作成し、現状のグラフとタイミング変更後のグラフとを表示部１５の左右に並べて表示する。図示の例において左側に表示されたグラフから、現状は設定温度について低温処理と高温処理とが交互に入れ替えて行われており、低温処理から高温処理への切り替え時に消費電力が増大している。これに対して右側に表示されたグラフでは、まず低温処理を連続して行い、その後に低温処理から高温処理への切り替えを行って高温処理を連続して行うよう温度設定を変化させるタイミングを変更している。このようなタイミング変更を行うことによって、低温処理から高温処理への切り替え回数が減り、消費電力が増大する回数が減るため、全体での消費電力量を低減することができる。
　情報処理装置１Ｂは、例えば現状の設定温度の変化パターンに対して、新たな設定温度の変化パターンの入力をユーザから受け付け、受け付けた内容に応じて例えばシミュレータ７によるシミュレーションを行う。情報処理装置１Ｂは、シミュレータ７がシミュレーション結果として出力する運転データを取得し、取得した運転データを予測モデル５へ入力してセンサデータを取得して消費電力のグラフを生成する。
　また処理タイミングの検証に関する処理は、半導体製造装置２の監視及び制御等を行う情報処理装置１とは異なる装置にて行われてよく、例えばシミュレータ７が動作する情報処理装置にて行われることが好適である。
＜まとめ＞
　以上の構成の本実施の形態に係る情報処理システムでは、複数のセンサ３が設けられた半導体製造装置２Ａを運転した際に、半導体製造装置２Ａの運転データ及びセンサ３が出力するセンサデータを情報処理装置１Ａが取得し、取得した運転データ及びセンサデータに基づいて、運転データの入力に応じてセンサデータの予測値を出力する予測モデル５を機械学習により生成する。情報処理装置１Ａは、センサ３が設けられていない半導体製造装置２Ｂの監視及び制御等を行う情報処理装置１Ｂに対して生成した予測モデル５を送信することにより、半導体製造装置２Ａに対して予測モデル５を配置する。これにより本実施の形態に係る情報処理システムでは、例えばセンサ３が設けられた半導体製造装置２Ｂの運転時に、運転データに基づくセンサデータの予測値を取得して種々の制御又は検証等に利用することができる。
　また本実施の形態に係る情報処理システムでは、情報処理装置１Ｂが半導体製造装置２Ｂの運転データを取得し、運転データの入力に応じてセンサデータを出力するよう機械学習がなされた予測モデル５に、取得した運転データを入力して、予測モデル５が出力するセンサデータを取得し、センサデータに関する情報を出力する。これにより情報処理装置１Ｂは、センサ３が設けられていない半導体製造装置２Ｂから得られる運転データを基に、予め生成された予測モデル５を用いてセンサデータを予測して半導体製造装置２Ｂの監視及び制御等を行うことができる。
　また本実施の形態に係る情報処理システムにおいて複数のセンサ３には、消費電力を測定するセンサ、排水量を測定するセンサ又はガスの排出量を測定するセンサを含むことが好ましい。また運転データには、半導体製造装置２が出力するプロセスログデータ、半導体製造装置２に設定されたレシピデータ、半導体製造装置２によるウェハの搬送履歴データ、又は、半導体製造装置２が出力するエラーデータ等を含むことが好ましい。これらにより、半導体製造装置２Ａ及びセンサ３から取得したデータに基づいて、半導体製造装置２の消費電力量、排水量又はガスの排出量等を予測する予測モデル５を生成することができ、予め生成した予測モデル５を用いてセンサ３が設けられていない半導体製造装置２Ｂの消費電力量、排水量又はガスの排出量等を予測することができる。
　また本実施の形態に係る情報処理システムでは、予測モデル５が出力するセンサデータに対する運転データの各項目の寄与度を情報処理装置１Ｂが算出し、算出した寄与度に関する情報を出力する。これによりユーザは、運転データに含まれる複数の項目のうち、センサデータに対する寄与度が高い項目がいずれであるかを把握し、例えば半導体製造プロセスのレシピの検討等を行うことが期待できる。
　また本実施の形態に係る情報処理システムでは、予測モデル５が出力するセンサデータに基づいて半導体製造装置２Ｂが備える複数のユニットの待機状態を情報処理装置１Ｂが判定し、待機状態のユニットの動作を停止する。これにより半導体製造装置２Ｂの消費電力をより低減することが期待できる。
　また本実施の形態に係る情報処理システムでは、予測モデル５が出力するセンサデータに基づいて半導体製造装置２Ｂが備える複数のユニットの消費電力の時間的な変化に関する情報を出力する。これによりユーザは、例えば各ユニットの消費電力のピーク等を把握し、複数のユニットの消費電力のピークが時間的に重複することを避けるよう半導体製造装置２Ｂの半導体製造プロセスの設定を行うことで、半導体製造装置２Ｂの消費電力のピークをより低減することが期待できる。
　なお本実施の形態においては、生成した予測モデル５を情報処理装置１ＡがネットワークＮを介して情報処理装置１Ｂへ送信する構成としたが、これに限るものではなく、例えばメモリカード又は光ディスク等の記録媒体を介して情報処理装置１Ａ及び情報処理装置１Ｂの間の予測モデル５の授受が行われてもよく、これら以外の方法で予測モデル５の授受が行われてもよい。また半導体製造装置２Ａの監視及び制御等を行う情報処理装置１Ａが予測モデル５の生成を行うのではなく、例えば情報処理装置１Ａ及び１Ｂとは異なるサーバ装置等の情報処理装置が情報処理装置１Ａから運転データ及びセンサデータを取得して予測モデル５を生成し、サーバ装置等の情報処理装置が予測モデル５を情報処理装置１Ｂへ送信してもよい。
　今回開示された実施形態はすべての点で例示であって、制限的なものではないと考えられるべきである。本開示の範囲は、上記した意味ではなく、請求の範囲によって示され、請求の範囲と均等の意味及び範囲内でのすべての変更が含まれることが意図される。
　各実施形態に記載した事項は相互に組み合わせることが可能である。また、請求の範囲に記載した独立請求項及び従属請求項は、引用形式に関わらず全てのあらゆる組み合わせにおいて、相互に組み合わせることが可能である。さらに、請求の範囲には他の２以上のクレームを引用するクレームを記載する形式（マルチクレーム形式）を用いているが、これに限るものではない。マルチクレームを少なくとも１つ引用するマルチクレーム（マルチマルチクレーム）を記載する形式を用いて記載してもよい。例えば、本開示は、以下の実施形態を含む。
　（付記１）
　複数のセンサが設けられた第１半導体製造装置を運転した際に、前記第１半導体製造装置の運転データ、及び、前記センサが出力するセンサデータを取得し、
　取得した前記運転データ及び前記センサデータに基づいて、前記運転データの入力に応じて前記センサデータを出力する学習モデルを機械学習により生成し、
　生成した前記学習モデルを、前記第１半導体製造装置とは異なる第２半導体製造装置に配置する、
　情報処理方法。
　（付記２）
　前記複数のセンサには、消費電力を測定するセンサ、排水量を測定するセンサ、又は、ガスの排出量を測定するセンサを含む、
　付記１に記載の情報処理方法。
　（付記３）
　前記運転データには、前記第１半導体製造装置が出力するプロセスログデータ、前記第１半導体製造装置に設定された処理レシピデータ、前記第１半導体製造装置によるウェハの搬送履歴データ、又は、前記第１半導体製造装置が出力するエラーデータを含む、
　付記１又は２に記載の情報処理方法。
　（付記４）
　前記第２半導体製造装置に設けられたセンサの数は、前記第１半導体製造装置に設けられたセンサの数より少ない、
　付記１から付記３までのいずれか１つに記載の情報処理方法。
　（付記５）
　前記学習モデルは、半導体製造装置が出力するプロセスログデータを入力した場合に、前記半導体製造装置の消費電力、排水量又はガスの排出量を出力する、
　付記１から付記４までのいずれか１つに記載の情報処理方法。
　（付記６）
　試験的に運用される前記第１半導体製造装置には消費電力を測定するセンサ、排水量を測定するセンサ及びガスの排出量を測定するセンサを含む環境に関するセンサデータを計測する複数のセンサが所定数設けられており、
　一又は複数の拠点に前記第２半導体製造装置を新たに設置する際に、前記第２半導体製造装置に前記センサを前記所定数よりも少ない数設けるか又は設けることなく、生成した前記学習モデルを第２半導体製造装置に配置し、
　前記第２半導体製造装置の初期運転に伴い取得される運転データを前記学習モデルに入力し、前記センサを利用することなくセンサデータを取得する、
　付記１から付記５までのいずれか１つに記載の情報処理方法。
　（付記７）
　コンピュータに、
　複数のセンサが設けられた第１半導体製造装置を運転した際に、前記第１半導体製造装置の運転データ、及び、前記センサが出力するセンサデータを取得し、
　取得した前記運転データ及び前記センサデータに基づいて、前記運転データの入力に応じて前記センサデータを出力する学習モデルを機械学習により生成し、
　生成した前記学習モデルに係る情報を、前記第１半導体製造装置とは異なる第２半導体製造装置に配置するための情報として出力する
　処理を実行させる、コンピュータプログラム。
　(付記８)
　コンピュータに、
　第２半導体製造装置の運転データを取得し、
　運転データの入力に応じてセンサデータを出力するよう機械学習がなされた学習モデルに、取得した運転データを入力して、前記学習モデルが出力するセンサデータを取得し、
　取得した前記センサデータを出力する
　処理を実行させる、コンピュータプログラム。
　（付記９）
　前記学習モデルは、複数のセンサが設けられた第１半導体製造装置を運転した際に取得した前記第１半導体製造装置の運転データ、及び、前記センサが出力するセンサデータに基づいて、前記運転データの入力に応じて前記センサデータを出力するよう機械学習により生成される、
　付記７又は付記８に記載のコンピュータプログラム。
　（付記１０）
　前記複数のセンサには、消費電力を測定するセンサ、排水量を測定するセンサ、又は、ガスの排出量を測定するセンサを含む、
　付記７から付記９までのいずれか１つに記載のコンピュータプログラム。
　(付記１１)
　前記運転データには、前記第１半導体製造装置が出力するプロセスログデータ、前記第１半導体製造装置に設定された処理レシピデータ、前記第１半導体製造装置によるウェハの搬送履歴データ、又は、前記第１半導体製造装置が出力するエラーデータを含む、
　付記７から付記１０までのいずれか１つに記載のコンピュータプログラム。
　（付記１２）
　前記学習モデルは、半導体製造装置が出力するプロセスログデータを入力した場合に、前記半導体製造装置の消費電力、排水量又はガスの排出量を出力する、
　付記７から付記１１までのいずれか１つに記載のコンピュータプログラム。
　（付記１３）
　前記運転データには複数の項目を含み、
　前記学習モデルが出力する前記センサデータに対する前記運転データの各項目の寄与度を算出し、
　算出した前記寄与度を出力する、
　付記７から付記１２までのいずれか１つに記載のコンピュータプログラム。
　（付記１４）
　前記学習モデルが出力する前記センサデータに基づいて前記第２半導体製造装置が備える複数のユニットの待機状態を判定し、
　待機状態のユニットの動作を停止する、
　付記７から付記１３までのいずれか１つに記載のコンピュータプログラム。
　（付記１５）
　前記センサデータには、前記第２半導体製造装置が備える複数のユニットについて、各ユニットの消費電力のデータを含み、
　前記学習モデルが出力する前記センサデータに基づいて、複数のユニットの消費電力の時間的な変化を出力する、
　付記７から付記１４までのいずれか１つに記載のコンピュータプログラム。
　（付記１６）
　複数のセンサが設けられた第１半導体製造装置を運転した際に、前記第１半導体製造装置の運転データ、及び、前記センサが出力するセンサデータを取得する取得部と、
　取得した前記運転データ及び前記センサデータに基づいて、前記運転データの入力に応じて前記センサデータを出力する学習モデルを機械学習により生成する生成部と、
　生成した前記学習モデルに係る情報を、前記第１半導体製造装置とは異なる第２半導体製造装置に配置するための情報として出力する出力部と
　を備える、情報処理装置。
　（付記１７）
　第２半導体製造装置の運転データを取得する第１取得部と、
　運転データの入力に応じてセンサデータを出力するよう機械学習がなされた学習モデルに、取得した運転データを入力して、前記学習モデルが出力するセンサデータを取得する第２取得部と、
　取得した前記センサデータを出力する出力部と
　を備える、情報処理装置。
　１，１Ａ，１Ｂ　情報処理装置（コンピュータ）
　２　半導体製造装置
　２Ａ　半導体製造装置（第１の半導体製造装置）
　２Ｂ　半導体製造装置（第２の半導体製造装置）
　３　センサ
　５　予測モデル
　１１　処理部
　１１ａ　データ取得部（取得部、第１取得部）
　１１ｂ　予測モデル生成部（生成部）
　１１ｃ　予測モデル配置部（配置部、出力部）
　１１ｄ　制御処理部（第２取得部）
　１１ｅ　表示処理部（出力部）
　１２　記憶部
　１２ａ　プログラム（コンピュータプログラム）
　１２ｂ　プロセスＤＢ
　１２ｃ　予測モデル記憶部
　１３　通信部
　１４　入出力部
　１５　表示部
　１６　操作部
　９９　記録媒体
　Ｎ　ネットワーク
 

Claims (17)

  1. 　複数のセンサが設けられた第１半導体製造装置を運転した際に、前記第１半導体製造装置の運転データ、及び、前記センサが出力するセンサデータを取得し、
    　取得した前記運転データ及び前記センサデータに基づいて、前記運転データの入力に応じて前記センサデータを出力する学習モデルを機械学習により生成し、
    　生成した前記学習モデルを、前記第１半導体製造装置とは異なる第２半導体製造装置に配置する、
    　情報処理方法。
  2. 　前記複数のセンサには、消費電力を測定するセンサ、排水量を測定するセンサ、又は、ガスの排出量を測定するセンサを含む、
    　請求項１に記載の情報処理方法。
  3. 　前記運転データには、前記第１半導体製造装置が出力するプロセスログデータ、前記第１半導体製造装置に設定された処理レシピデータ、前記第１半導体製造装置によるウェハの搬送履歴データ、又は、前記第１半導体製造装置が出力するエラーデータを含む、
    　請求項１に記載の情報処理方法。
  4. 　前記第２半導体製造装置に設けられたセンサの数は、前記第１半導体製造装置に設けられたセンサの数より少ない、
    　請求項１に記載の情報処理方法。
  5. 　前記学習モデルは、半導体製造装置が出力するプロセスログデータを入力した場合に、前記半導体製造装置の消費電力、排水量又はガスの排出量を出力する、
    　請求項１に記載の情報処理方法。
  6. 　試験的に運用される前記第１半導体製造装置には消費電力を測定するセンサ、排水量を測定するセンサ及びガスの排出量を測定するセンサを含む環境に関するセンサデータを計測する複数のセンサが所定数設けられており、
    　一又は複数の拠点に前記第２半導体製造装置を新たに設置する際に、前記第２半導体製造装置に前記センサを前記所定数よりも少ない数設けるか又は設けることなく、生成した前記学習モデルを第２半導体製造装置に配置し、
    　前記第２半導体製造装置の初期運転に伴い取得される運転データを前記学習モデルに入力し、前記センサを利用することなくセンサデータを取得する、
    　請求項１に記載の情報処理方法。
  7. 　コンピュータに、
    　複数のセンサが設けられた第１半導体製造装置を運転した際に、前記第１半導体製造装置の運転データ、及び、前記センサが出力するセンサデータを取得し、
    　取得した前記運転データ及び前記センサデータに基づいて、前記運転データの入力に応じて前記センサデータを出力する学習モデルを機械学習により生成し、
    　生成した前記学習モデルに係る情報を、前記第１半導体製造装置とは異なる第２半導体製造装置に配置するための情報として出力する
    　処理を実行させる、コンピュータプログラム。
  8. 　コンピュータに、
    　第２半導体製造装置の運転データを取得し、
    　運転データの入力に応じてセンサデータを出力するよう機械学習がなされた学習モデルに、取得した運転データを入力して、前記学習モデルが出力するセンサデータを取得し、
    　取得した前記センサデータを出力する
    　処理を実行させる、コンピュータプログラム。
  9. 　前記学習モデルは、複数のセンサが設けられた第１半導体製造装置を運転した際に取得した前記第１半導体製造装置の運転データ、及び、前記センサが出力するセンサデータに基づいて、前記運転データの入力に応じて前記センサデータを出力するよう機械学習により生成される、
    　請求項７に記載のコンピュータプログラム。
  10. 　前記複数のセンサには、消費電力を測定するセンサ、排水量を測定するセンサ、又は、ガスの排出量を測定するセンサを含む、
    　請求項９に記載のコンピュータプログラム。
  11. 　前記運転データには、前記第１半導体製造装置が出力するプロセスログデータ、前記第１半導体製造装置に設定された処理レシピデータ、前記第１半導体製造装置によるウェハの搬送履歴データ、又は、前記第１半導体製造装置が出力するエラーデータを含む、
    　請求項９に記載のコンピュータプログラム。
  12. 　前記学習モデルは、半導体製造装置が出力するプロセスログデータを入力した場合に、前記半導体製造装置の消費電力、排水量又はガスの排出量を出力する、
    　請求項８に記載のコンピュータプログラム。
  13. 　前記運転データには複数の項目を含み、
    　前記学習モデルが出力する前記センサデータに対する前記運転データの各項目の寄与度を算出し、
    　算出した前記寄与度を出力する、
    　請求項８に記載のコンピュータプログラム。
  14. 　前記学習モデルが出力する前記センサデータに基づいて前記第２半導体製造装置が備える複数のユニットの待機状態を判定し、
    　待機状態のユニットの動作を停止する、
    　請求項８に記載のコンピュータプログラム。
  15. 　前記センサデータには、前記第２半導体製造装置が備える複数のユニットについて、各ユニットの消費電力のデータを含み、
    　前記学習モデルが出力する前記センサデータに基づいて、複数のユニットの消費電力の時間的な変化を出力する、
    　請求項８に記載のコンピュータプログラム。
  16. 　複数のセンサが設けられた第１半導体製造装置を運転した際に、前記第１半導体製造装置の運転データ、及び、前記センサが出力するセンサデータを取得する取得部と、
    　取得した前記運転データ及び前記センサデータに基づいて、前記運転データの入力に応じて前記センサデータを出力する学習モデルを機械学習により生成する生成部と、
    　生成した前記学習モデルに係る情報を、前記第１半導体製造装置とは異なる第２半導体製造装置に配置するための情報として出力する出力部と
    　を備える、情報処理装置。
  17. 　第２半導体製造装置の運転データを取得する第１取得部と、
    　運転データの入力に応じてセンサデータを出力するよう機械学習がなされた学習モデルに、取得した運転データを入力して、前記学習モデルが出力するセンサデータを取得する第２取得部と、
    　取得した前記センサデータを出力する出力部と
    　を備える、情報処理装置。
     
PCT/JP2023/024372 2022-07-04 2023-06-30 情報処理方法、コンピュータプログラム及び情報処理装置 WO2024009902A1 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2022107851 2022-07-04
JP2022-107851 2022-07-04

Publications (1)

Publication Number Publication Date
WO2024009902A1 true WO2024009902A1 (ja) 2024-01-11

Family

ID=89453506

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2023/024372 WO2024009902A1 (ja) 2022-07-04 2023-06-30 情報処理方法、コンピュータプログラム及び情報処理装置

Country Status (1)

Country Link
WO (1) WO2024009902A1 (ja)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021157453A1 (ja) * 2020-02-07 2021-08-12 東京エレクトロン株式会社 プロセス推定システム、プロセスデータ推定方法及びプログラム
JP2021132140A (ja) * 2020-02-20 2021-09-09 東京エレクトロン株式会社 情報処理システム及びシミュレーション方法
WO2022044335A1 (ja) * 2020-08-31 2022-03-03 富士通株式会社 モデル生成プログラム、モデル生成方法及びモデル生成装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021157453A1 (ja) * 2020-02-07 2021-08-12 東京エレクトロン株式会社 プロセス推定システム、プロセスデータ推定方法及びプログラム
JP2021132140A (ja) * 2020-02-20 2021-09-09 東京エレクトロン株式会社 情報処理システム及びシミュレーション方法
WO2022044335A1 (ja) * 2020-08-31 2022-03-03 富士通株式会社 モデル生成プログラム、モデル生成方法及びモデル生成装置

Similar Documents

Publication Publication Date Title
CN102374618B (zh) 空调控制装置以及方法
JP4740142B2 (ja) 半導体製造プロセスを容易にする第１の原理シミュレーションを用いたシステム及び方法
JP6847787B2 (ja) 情報処理装置、情報処理方法及びコンピュータプログラム
JP6985833B2 (ja) データ処理装置、制御システム、データ処理方法及びプログラム
KR20070033482A (ko) 시스템-감시 모델들을 갱신하기 위한 시스템, 장치, 및방법들
JP2017142595A (ja) 生産制御システムおよび統合生産制御システム
JP2004186167A (ja) アラーム管理方法およびその装置
TWI663510B (zh) 設備保養預測系統及其操作方法
JP2007507888A (ja) 半導体製造プロセスを制御するために第１の原理シミュレーションを用いたシステム及び方法。
JP2018025932A (ja) センサと機械学習部を備えた作業管理システム
CN105793789B (zh) 用于过程单元中的全部过程区段的自动的监视和状态确定的计算机实现的方法和系统
CN106663142A (zh) 用于检测建筑信息的方法和设备
WO2018138973A1 (ja) 系統運用意思決定支援装置および方法
JP2018073316A (ja) プラントの診断システム及び診断方法
JP5761662B2 (ja) ビルエネルギー管理装置及びビルエネルギー管理方法
WO2024009902A1 (ja) 情報処理方法、コンピュータプログラム及び情報処理装置
WO2021210353A1 (ja) 故障予兆システム
JP2020194377A (ja) ジョブ電力予測プログラム、ジョブ電力予測方法、およびジョブ電力予測装置
TWI791949B (zh) 監視裝置、顯示裝置、監視方法及監視程式
JP7081070B2 (ja) 消費電力推定装置
Koomsap et al. Integrated process control and condition-based maintenance scheduler for distributed manufacturing control systems
TW202420403A (zh) 資訊處理方法、電腦程式及資訊處理裝置
JP5843716B2 (ja) 電力管理システム、電力管理方法、統合管理装置及びプログラム
JP6664914B2 (ja) コージェネレーション運転評価装置及び運転評価方法並びにコージェネレーション装置運転制御システム
JP6829271B2 (ja) 測定動作パラメータ調整装置、機械学習装置及びシステム

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: 23835434

Country of ref document: EP

Kind code of ref document: A1