知財求人 - 知財ポータルサイト「IP Force」
特開2024-124092学習装置、情報処理装置、基板処理装置、学習モデル生成方法および処理条件決定方法
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】公開特許公報(A)
(11)【公開番号】P2024124092
(43)【公開日】2024-09-12
(54)【発明の名称】学習装置、情報処理装置、基板処理装置、学習モデル生成方法および処理条件決定方法
(51)【国際特許分類】
H01L 21/306 20060101AFI20240905BHJP
H01L 21/02 20060101ALI20240905BHJP
【ＦＩ】
H01L21/306 J
H01L21/02 Z
【審査請求】未請求
【請求項の数】13
【出願形態】ＯＬ
(21)【出願番号】P 2023032024
(22)【出願日】2023-03-02
(71)【出願人】
【識別番号】000207551
【氏名又は名称】株式会社ＳＣＲＥＥＮホールディングス
(74)【代理人】
【識別番号】100108523
【弁理士】
【氏名又は名称】中川 雅博
(74)【代理人】
【識別番号】100125704
【弁理士】
【氏名又は名称】坂根 剛
(74)【代理人】
【識別番号】100187931
【弁理士】
【氏名又は名称】澤村 英幸
(72)【発明者】
【氏名】▲徳▼山 真裕
【テーマコード（参考）】
5F043
【Ｆターム（参考）】
5F043BB27
5F043DD13
5F043EE07
5F043EE08
5F043EE40
(57)【要約】
【課題】 処理条件から処理結果を推測する精度を向上した学習モデルを生成する。
【解決手段】 学習装置は、被膜が形成された基板に処理液を供給することにより被膜の処理をする基板処理装置を駆動するための処理条件を取得する処理条件取得部２２１と、基板処理装置を処理条件で駆動して被膜の処理を行った後に、基板の径方向に異なる複数の位置それぞれにおける被膜の処理の前後の膜厚の差を含む第１処理結果を取得する第１処理結果取得部２２２と、第１処理結果を統計処理して統計値を算出する統計値算出部２２３と、統計値を用いて第１処理結果を第２処理結果に変換する変換部２２４と、処理条件と第２処理結果とを機械学習して第１学習モデルを生成する第１学習モデル生成部２２５と、処理条件と統計値とを機械学習して第２学習モデルを生成する第２学習モデル生成部２２６とを備える。
【選択図】図７
【解決手段】 学習装置は、被膜が形成された基板に処理液を供給することにより被膜の処理をする基板処理装置を駆動するための処理条件を取得する処理条件取得部２２１と、基板処理装置を処理条件で駆動して被膜の処理を行った後に、基板の径方向に異なる複数の位置それぞれにおける被膜の処理の前後の膜厚の差を含む第１処理結果を取得する第１処理結果取得部２２２と、第１処理結果を統計処理して統計値を算出する統計値算出部２２３と、統計値を用いて第１処理結果を第２処理結果に変換する変換部２２４と、処理条件と第２処理結果とを機械学習して第１学習モデルを生成する第１学習モデル生成部２２５と、処理条件と統計値とを機械学習して第２学習モデルを生成する第２学習モデル生成部２２６とを備える。
【選択図】図７
【特許請求の範囲】
【請求項1】
被膜が形成された基板に処理液を供給することにより前記被膜の処理をする基板処理装置を駆動するための処理条件を取得する処理条件取得部と、
前記基板処理装置を前記処理条件で駆動して前記被膜の処理を行った後に、前記基板の径方向に異なる複数の位置それぞれにおける前記被膜の処理の前後の膜厚の差を含む第１処理結果を取得する第１処理結果取得部と、
前記第１処理結果を統計処理して統計値を算出する統計値算出部と、
前記統計値を用いて前記第１処理結果を第２処理結果に変換する変換部と、
前記処理条件と前記第２処理結果とを機械学習して第１学習モデルを生成する第１学習モデル生成部と、
前記処理条件と前記統計値とを機械学習して第２学習モデルを生成する第２学習モデル生成部とを備えた、学習装置。
前記基板処理装置を前記処理条件で駆動して前記被膜の処理を行った後に、前記基板の径方向に異なる複数の位置それぞれにおける前記被膜の処理の前後の膜厚の差を含む第１処理結果を取得する第１処理結果取得部と、
前記第１処理結果を統計処理して統計値を算出する統計値算出部と、
前記統計値を用いて前記第１処理結果を第２処理結果に変換する変換部と、
前記処理条件と前記第２処理結果とを機械学習して第１学習モデルを生成する第１学習モデル生成部と、
前記処理条件と前記統計値とを機械学習して第２学習モデルを生成する第２学習モデル生成部とを備えた、学習装置。
【請求項2】
前記処理条件は、時間の経過に伴って変動する変動条件と、前記変動条件以外の固定条件と、を含み、
前記第１学習モデルは、前記処理条件のうち前記変動条件が入力される第１畳み込みニューラルネットワークと、
前記第１畳み込みニューラルネットワークの出力と前記処理条件のうち前記固定条件が入力される第１全結合ニューラルネットワークと、
前記第１全結合ニューラルネットワークの出力が入力され、前記第２処理結果を出力する第２畳み込みニューラルネットワークと、を含み、
前記第２学習モデルは、前記処理条件のうち前記変動条件が入力される第３畳み込みニューラルネットワークと、
前記第３畳み込みニューラルネットワークの出力と前記処理条件のうち前記固定条件が入力され、前記統計値を出力する第２全結合ニューラルネットワークと、を含む、請求項１に記載の学習装置。
前記第１学習モデルは、前記処理条件のうち前記変動条件が入力される第１畳み込みニューラルネットワークと、
前記第１畳み込みニューラルネットワークの出力と前記処理条件のうち前記固定条件が入力される第１全結合ニューラルネットワークと、
前記第１全結合ニューラルネットワークの出力が入力され、前記第２処理結果を出力する第２畳み込みニューラルネットワークと、を含み、
前記第２学習モデルは、前記処理条件のうち前記変動条件が入力される第３畳み込みニューラルネットワークと、
前記第３畳み込みニューラルネットワークの出力と前記処理条件のうち前記固定条件が入力され、前記統計値を出力する第２全結合ニューラルネットワークと、を含む、請求項１に記載の学習装置。
【請求項3】
前記第１畳み込みニューラルネットワークと前記第３畳み込みニューラルネットワークとは、同じフィルターを有する、請求項２に記載の学習装置。
【請求項4】
被膜が形成された基板に処理液を供給することにより前記被膜の処理をする基板処理装置を駆動するための処理条件を取得する処理条件取得部と、
前記基板処理装置を前記処理条件で駆動して前記被膜の処理を行った後に、前記基板の径方向に異なる複数の位置それぞれにおける前記被膜の処理の前後の膜厚の差を含む第１処理結果を取得する第１処理結果取得部と、
前記第１処理結果を統計処理して統計値を算出する統計値算出部と、
前記統計値を用いて前記第１処理結果を第２処理結果に変換する変換部と、
説明変数としての前記処理条件と、目的変数としての前記第２処理結果および前記統計値と、を含む学習用データを機械学習してマルチタスク学習モデルを生成するマルチタスク学習モデル生成部と、を備えた学習装置。
前記基板処理装置を前記処理条件で駆動して前記被膜の処理を行った後に、前記基板の径方向に異なる複数の位置それぞれにおける前記被膜の処理の前後の膜厚の差を含む第１処理結果を取得する第１処理結果取得部と、
前記第１処理結果を統計処理して統計値を算出する統計値算出部と、
前記統計値を用いて前記第１処理結果を第２処理結果に変換する変換部と、
説明変数としての前記処理条件と、目的変数としての前記第２処理結果および前記統計値と、を含む学習用データを機械学習してマルチタスク学習モデルを生成するマルチタスク学習モデル生成部と、を備えた学習装置。
【請求項5】
前記処理条件は、時間の経過に伴って変動する変動条件と、前記変動条件以外の固定条件と、を含み、
前記マルチタスク学習モデルは、前記処理条件のうち前記変動条件が入力される第１畳み込みニューラルネットワークと、
前記第１畳み込みニューラルネットワークの出力と前記処理条件のうち前記固定条件とが入力される第１全結合ニューラルネットワークと、
前記第１全結合ニューラルネットワークの出力の一部が入力され、前記第２処理結果を出力する第２畳み込みニューラルネットワークと、
前記第１全結合ニューラルネットワークの出力の他の部分が入力され、前記統計値を出力する第２全結合ニューラルネットワークと、を含む、請求項４に記載の学習装置。
前記マルチタスク学習モデルは、前記処理条件のうち前記変動条件が入力される第１畳み込みニューラルネットワークと、
前記第１畳み込みニューラルネットワークの出力と前記処理条件のうち前記固定条件とが入力される第１全結合ニューラルネットワークと、
前記第１全結合ニューラルネットワークの出力の一部が入力され、前記第２処理結果を出力する第２畳み込みニューラルネットワークと、
前記第１全結合ニューラルネットワークの出力の他の部分が入力され、前記統計値を出力する第２全結合ニューラルネットワークと、を含む、請求項４に記載の学習装置。
【請求項6】
前記基板処理装置は、基板に処理液を供給するノズルを移動させることにより基板に前記処理液を供給し、
前記変動条件は、時間の経過に伴って変動する前記ノズルの基板に対する相対位置を示すノズル移動条件を含む、請求項２、３または５のいずれか一項に記載の学習装置。
前記変動条件は、時間の経過に伴って変動する前記ノズルの基板に対する相対位置を示すノズル移動条件を含む、請求項２、３または５のいずれか一項に記載の学習装置。
【請求項7】
基板処理装置を管理する情報処理装置であって、
前記基板処理装置は、時間の経過に伴って変動する変動条件を含む処理条件で、被膜が形成された基板に処理液を供給することにより、前記被膜の処理をし、
前記基板処理装置により前記被膜の処理をされる前に前記基板に形成された前記被膜について前記被膜の処理の前後の膜厚の差を示す予測処理結果を推測する予測器を用いて、前記基板処理装置を駆動するための処理条件を決定する処理条件決定部を備え、
前記予測器は、前記基板処理装置を前記処理条件で駆動して前記被膜の処理を行った後に、前記基板の径方向に異なる複数の位置それぞれにおける前記被膜の処理の前後の膜厚の差を含む第１処理結果を統計処理して得られる統計値で前記第１処理結果を変換した第２処理結果と、前記処理条件と、を機械学習することにより生成された第１学習モデルと、
前記処理条件と前記統計値とを機械学習することにより生成された第２学習モデルと、を備え、
前記処理条件決定部は、仮の処理条件を前記第１学習モデルに与えて推測される第２予測処理結果と、前記仮の処理条件を前記第２学習モデルに与えて推測される予測統計値とから第１予測処理結果を復元する復元部を含み、
前記復元部により復元された前記第１予測処理結果が許容条件を満たす場合に前記仮の処理条件を、前記基板処理装置を駆動するための処理条件に決定する、情報処理装置。
前記基板処理装置は、時間の経過に伴って変動する変動条件を含む処理条件で、被膜が形成された基板に処理液を供給することにより、前記被膜の処理をし、
前記基板処理装置により前記被膜の処理をされる前に前記基板に形成された前記被膜について前記被膜の処理の前後の膜厚の差を示す予測処理結果を推測する予測器を用いて、前記基板処理装置を駆動するための処理条件を決定する処理条件決定部を備え、
前記予測器は、前記基板処理装置を前記処理条件で駆動して前記被膜の処理を行った後に、前記基板の径方向に異なる複数の位置それぞれにおける前記被膜の処理の前後の膜厚の差を含む第１処理結果を統計処理して得られる統計値で前記第１処理結果を変換した第２処理結果と、前記処理条件と、を機械学習することにより生成された第１学習モデルと、
前記処理条件と前記統計値とを機械学習することにより生成された第２学習モデルと、を備え、
前記処理条件決定部は、仮の処理条件を前記第１学習モデルに与えて推測される第２予測処理結果と、前記仮の処理条件を前記第２学習モデルに与えて推測される予測統計値とから第１予測処理結果を復元する復元部を含み、
前記復元部により復元された前記第１予測処理結果が許容条件を満たす場合に前記仮の処理条件を、前記基板処理装置を駆動するための処理条件に決定する、情報処理装置。
【請求項8】
基板処理装置を管理する情報処理装置であって、
前記基板処理装置は、時間の経過に伴って変動する変動条件を含む処理条件で、被膜が形成された基板に処理液を供給することにより、前記被膜の処理をし、
前記基板処理装置により前記被膜の処理をされる前に前記基板に形成された前記被膜について前記被膜の処理の前後の膜厚の差を示す予測処理結果を推測する予測器を用いて、前記基板処理装置を駆動するための処理条件を決定する処理条件決定部を備え、
前記予測器は、前記基板処理装置を前記処理条件で駆動して前記被膜の処理を行った後に、前記基板の径方向に異なる複数の位置それぞれにおける前記被膜の処理の前後の膜厚の差を含む第１処理結果を統計処理して得られる統計値で前記第１処理結果を変換した第２処理結果および前記統計値を目的変数として含みかつ前記処理条件を説明変数として含む学習用データを機械学習することにより生成されたマルチタスク学習モデルと、を備え、
前記処理条件決定部は、仮の処理条件を前記マルチタスク学習モデルに与えて推測される第２予測処理結果と予測統計値とから第１予測処理結果を復元する復元部を含み、
前記復元部により復元された前記第１予測処理結果が許容条件を満たす場合に前記仮の処理条件を、前記基板処理装置を駆動するための処理条件に決定する、情報処理装置。
前記基板処理装置は、時間の経過に伴って変動する変動条件を含む処理条件で、被膜が形成された基板に処理液を供給することにより、前記被膜の処理をし、
前記基板処理装置により前記被膜の処理をされる前に前記基板に形成された前記被膜について前記被膜の処理の前後の膜厚の差を示す予測処理結果を推測する予測器を用いて、前記基板処理装置を駆動するための処理条件を決定する処理条件決定部を備え、
前記予測器は、前記基板処理装置を前記処理条件で駆動して前記被膜の処理を行った後に、前記基板の径方向に異なる複数の位置それぞれにおける前記被膜の処理の前後の膜厚の差を含む第１処理結果を統計処理して得られる統計値で前記第１処理結果を変換した第２処理結果および前記統計値を目的変数として含みかつ前記処理条件を説明変数として含む学習用データを機械学習することにより生成されたマルチタスク学習モデルと、を備え、
前記処理条件決定部は、仮の処理条件を前記マルチタスク学習モデルに与えて推測される第２予測処理結果と予測統計値とから第１予測処理結果を復元する復元部を含み、
前記復元部により復元された前記第１予測処理結果が許容条件を満たす場合に前記仮の処理条件を、前記基板処理装置を駆動するための処理条件に決定する、情報処理装置。
【請求項9】
請求項７または８に記載の情報処理装置を備えた、基板処理装置。
【請求項10】
被膜が形成された基板に処理液を供給することにより前記被膜の処理をする基板処理装置を駆動するための処理条件を取得する処理条件取得ステップと、
前記基板処理装置を前記処理条件で駆動して前記被膜の処理を行った後に、前記基板の径方向に異なる複数の位置それぞれにおける前記被膜の処理の前後の膜厚の差を含む第１処理結果を取得する第１処理結果取得ステップと、
前記第１処理結果を統計処理して統計値を算出する統計値算出ステップと、
前記統計値を用いて前記第１処理結果を第２処理結果に変換する変換ステップと、
前記処理条件と前記第２処理結果とを機械学習して第１学習モデルを生成する第１学習モデル生成ステップと、
前記処理条件と前記統計値とを機械学習して第２学習モデルを生成する第２学習モデル生成ステップとを、学習装置に実行させる学習モデル生成方法。
前記基板処理装置を前記処理条件で駆動して前記被膜の処理を行った後に、前記基板の径方向に異なる複数の位置それぞれにおける前記被膜の処理の前後の膜厚の差を含む第１処理結果を取得する第１処理結果取得ステップと、
前記第１処理結果を統計処理して統計値を算出する統計値算出ステップと、
前記統計値を用いて前記第１処理結果を第２処理結果に変換する変換ステップと、
前記処理条件と前記第２処理結果とを機械学習して第１学習モデルを生成する第１学習モデル生成ステップと、
前記処理条件と前記統計値とを機械学習して第２学習モデルを生成する第２学習モデル生成ステップとを、学習装置に実行させる学習モデル生成方法。
【請求項11】
被膜が形成された基板に処理液を供給することにより前記被膜の処理をする基板処理装置を駆動するための処理条件を取得する処理条件取得ステップと、
前記基板処理装置を前記処理条件で駆動して前記被膜の処理を行った後に、前記基板の径方向に異なる複数の位置それぞれにおける前記被膜の処理の前後の膜厚の差を含む第１処理結果を取得する第１処理結果取得ステップと、
前記第１処理結果を統計処理して統計値を算出する統計値算出ステップと、
前記統計値を用いて前記第１処理結果を第２処理結果に変換する変換ステップと、
前記処理条件と、前記第２処理結果と、前記統計値と、を含む学習用データを機械学習してマルチタスク学習モデルを生成するマルチタスク学習モデル生成ステップと、を学習装置に実行させる学習モデル生成方法。
前記基板処理装置を前記処理条件で駆動して前記被膜の処理を行った後に、前記基板の径方向に異なる複数の位置それぞれにおける前記被膜の処理の前後の膜厚の差を含む第１処理結果を取得する第１処理結果取得ステップと、
前記第１処理結果を統計処理して統計値を算出する統計値算出ステップと、
前記統計値を用いて前記第１処理結果を第２処理結果に変換する変換ステップと、
前記処理条件と、前記第２処理結果と、前記統計値と、を含む学習用データを機械学習してマルチタスク学習モデルを生成するマルチタスク学習モデル生成ステップと、を学習装置に実行させる学習モデル生成方法。
【請求項12】
基板処理装置を管理する情報処理装置で実行される処理条件決定方法であって、
前記基板処理装置は、時間の経過に伴って変動する変動条件を含む処理条件で、被膜が形成された基板に処理液を供給することにより、前記被膜の処理をし、
前記基板処理装置により前記被膜の処理をされる前の前記基板に形成された前記被膜について前記被膜の処理の前後の膜厚の差を示す予測処理結果を推測する予測器を用いて、前記基板処理装置を駆動するための処理条件を決定する処理条件決定ステップを含み、
前記予測器は、前記基板処理装置を前記処理条件で駆動して前記被膜の処理を行った後に、前記基板の径方向に異なる複数の位置それぞれにおける前記被膜の処理の前後の膜厚の差を含む第１処理結果を統計処理して得られる統計値で前記第１処理結果を変換した第２処理結果と、前記処理条件と、を機械学習することにより生成された第１学習モデルと、
前記処理条件と前記統計値とを機械学習することにより生成された第２学習モデルと、を備え、
前記処理条件決定ステップは、仮の処理条件を前記第１学習モデルに与えて推測される第２予測処理結果と、前記仮の処理条件を前記第２学習モデルに与えて推測される予測統計値とから第１予測処理結果を復元する復元ステップと、
前記復元ステップにおいて復元された前記第１予測処理結果が許容条件を満たす場合に前記仮の処理条件を、前記基板処理装置を駆動するための処理条件に決定するステップと、を含む、処理条件決定方法。
前記基板処理装置は、時間の経過に伴って変動する変動条件を含む処理条件で、被膜が形成された基板に処理液を供給することにより、前記被膜の処理をし、
前記基板処理装置により前記被膜の処理をされる前の前記基板に形成された前記被膜について前記被膜の処理の前後の膜厚の差を示す予測処理結果を推測する予測器を用いて、前記基板処理装置を駆動するための処理条件を決定する処理条件決定ステップを含み、
前記予測器は、前記基板処理装置を前記処理条件で駆動して前記被膜の処理を行った後に、前記基板の径方向に異なる複数の位置それぞれにおける前記被膜の処理の前後の膜厚の差を含む第１処理結果を統計処理して得られる統計値で前記第１処理結果を変換した第２処理結果と、前記処理条件と、を機械学習することにより生成された第１学習モデルと、
前記処理条件と前記統計値とを機械学習することにより生成された第２学習モデルと、を備え、
前記処理条件決定ステップは、仮の処理条件を前記第１学習モデルに与えて推測される第２予測処理結果と、前記仮の処理条件を前記第２学習モデルに与えて推測される予測統計値とから第１予測処理結果を復元する復元ステップと、
前記復元ステップにおいて復元された前記第１予測処理結果が許容条件を満たす場合に前記仮の処理条件を、前記基板処理装置を駆動するための処理条件に決定するステップと、を含む、処理条件決定方法。
【請求項13】
基板処理装置を管理する情報処理装置で実行される処理条件決定方法であって、
前記基板処理装置は、時間の経過に伴って変動する変動条件を含む処理条件で、被膜が形成された基板に処理液を供給することにより、前記被膜の処理をし、
前記基板処理装置により前記被膜の処理をされる前に前記基板に形成された前記被膜について前記被膜の処理の前後の膜厚の差を示す予測処理結果を推測する予測器を用いて、前記基板処理装置を駆動するための処理条件を決定する処理条件決定ステップを、含み、
前記予測器は、前記基板処理装置を前記処理条件で駆動して前記被膜の処理を行った後に、前記基板の径方向に異なる複数の位置それぞれにおける前記被膜の処理の前後の膜厚の差を含む第１処理結果を統計処理して得られる統計値で前記第１処理結果を変換した第２処理結果と、前記統計値と、前記処理条件と、を含む学習用データを機械学習することにより生成されたマルチタスク学習モデルと、を備え、
前記処理条件決定ステップは、仮の処理条件を前記マルチタスク学習モデルに与えて推測される第２予測処理結果と予測統計値とから第１予測処理結果を復元する復元ステップと、
前記復元ステップにおいて復元された前記第１予測処理結果が許容条件を満たす場合に前記仮の処理条件を、前記基板処理装置を駆動するための処理条件に決定するステップと、を含む処理条件決定方法。
前記基板処理装置は、時間の経過に伴って変動する変動条件を含む処理条件で、被膜が形成された基板に処理液を供給することにより、前記被膜の処理をし、
前記基板処理装置により前記被膜の処理をされる前に前記基板に形成された前記被膜について前記被膜の処理の前後の膜厚の差を示す予測処理結果を推測する予測器を用いて、前記基板処理装置を駆動するための処理条件を決定する処理条件決定ステップを、含み、
前記予測器は、前記基板処理装置を前記処理条件で駆動して前記被膜の処理を行った後に、前記基板の径方向に異なる複数の位置それぞれにおける前記被膜の処理の前後の膜厚の差を含む第１処理結果を統計処理して得られる統計値で前記第１処理結果を変換した第２処理結果と、前記統計値と、前記処理条件と、を含む学習用データを機械学習することにより生成されたマルチタスク学習モデルと、を備え、
前記処理条件決定ステップは、仮の処理条件を前記マルチタスク学習モデルに与えて推測される第２予測処理結果と予測統計値とから第１予測処理結果を復元する復元ステップと、
前記復元ステップにおいて復元された前記第１予測処理結果が許容条件を満たす場合に前記仮の処理条件を、前記基板処理装置を駆動するための処理条件に決定するステップと、を含む処理条件決定方法。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、学習装置、情報処理装置、基板処理装置、学習モデル生成方法および処理条件決定方法に関する。
【背景技術】
【0002】
半導体製造プロセスの一つに洗浄プロセスがある。洗浄プロセスでは、基板に薬液を供給するエッチング処理によって、基板に形成されている被膜の膜厚調整が行なわれる。この膜厚調整においては、基板の面全体について均一にエッチングが進行するようにエッチング処理すること、あるいは、基板の面をエッチング処理によって平坦にすることが重要である。エッチング液をノズルから基板の一部に吐出する場合、ノズルを基板に対して径方向に移動させる必要がある。
【0003】
特許文献１には、エッチングノズルから基板にエッチング液を吐出することにより、基板に対してエッチング処理が可能な液処理装置が記載されている。基板の中央領域のエッチング処理を行いつつ、ウエハの面内温度分布を均一にするために、吐出されたエッチング液がウエハの中心を通る中央側の第１位置と、この中央側の位置よりもウエハの周縁側の第２位置との間でエッチングノズルを繰り返し往復させながらエッチング液を吐出する例が記載されている。
【0004】
エッチング処理は、ノズルを移動させる動作の他に、エッチング液の濃度、温度、基板の回転数等の違いによって被膜が処理される処理量が異なる複雑なプロセスである。このため、人工知能を利用した学習モデルを機械学習して、学習済の学習モデルに処理量を推論させることが考えられる。
【先行技術文献】
【特許文献】
【0005】
【特許文献1】特開２０１５－１０３６５６号公報
【発明の概要】
【発明が解決しようとする課題】
【0006】
エッチング処理により被膜が処理される処理量は、ノズルを移動させる動作、エッチング液の濃度、エッチング液の温度、基板の回転数といった処理条件の違いによって異なる。処理量は多様な処理条件に影響されるため、複数の処理条件について得られた複数の処理量の値の大きさの程度（スケール）の違いが、大きくなる場合がある。このため、学習モデルの機械学習に用いる学習用データとしてエッチング処理により被膜が処理される処理量の複数を用いる場合、複数の処理量のスケールの差が比較的に大きくなるという問題がある。この結果、スケールの差が大きい複数の処理量のそれぞれを機械学習により生成される学習済モデルに適切に反映するうえで問題がある。
【0007】
本発明の目的の１つは、基板処理装置が実行する被膜の処理をモデル化した学習モデルの精度を向上させることが可能な学習装置および学習モデル生成方法を提供することである。
【0008】
また、本発明の他の目的は、基板を処理する複雑なプロセスの処理結果に対して複数の処理条件を提示することが可能な情報処理装置、これを備えた基板処理装置および処理条件決定方法を提供することである。
【課題を解決するための手段】
【0009】
本発明の一局面に従う学習装置は、被膜が形成された基板に処理液を供給することにより被膜の処理をする基板処理装置を駆動するための処理条件を取得する処理条件取得部と、基板処理装置を処理条件で駆動して被膜の処理を行った後に、基板の径方向に異なる複数の位置それぞれにおける被膜の処理の前後の膜厚の差を含む第１処理結果を取得する第１処理結果取得部と、第１処理結果を統計処理して統計値を算出する統計値算出部と、統計値を用いて第１処理結果を第２処理結果に変換する変換部と、処理条件と第２処理結果とを機械学習して第１学習モデルを生成する第１学習モデル生成部と、処理条件と統計値とを機械学習して第２学習モデルを生成する第２学習モデル生成部とを備える。
【0010】
本発明の他の局面に従う学習装置は、被膜が形成された基板に処理液を供給することにより被膜の処理をする基板処理装置を駆動するための処理条件を取得する処理条件取得部と、基板処理装置を処理条件で駆動して被膜の処理を行った後に、基板の径方向に異なる複数の位置それぞれにおける被膜の処理の前後の膜厚の差を含む第１処理結果を取得する第１処理結果取得部と、第１処理結果を統計処理して統計値を算出する統計値算出部と、統計値を用いて第１処理結果を第２処理結果に変換する変換部と、処理条件と、第２処理結果と、統計値と、を含む学習用データを機械学習してマルチタスク学習モデルを生成するマルチタスク学習モデル生成部と、を備える。
【0011】
本発明のさらに他の局面に従う情報処理装置は、基板処理装置を管理する情報処理装置であって、基板処理装置は、時間の経過に伴って変動する変動条件を含む処理条件で、被膜が形成された基板に処理液を供給することにより、被膜の処理をし、基板処理装置により被膜の処理をされる前に基板に形成された被膜について被膜の処理の前後の膜厚の差を示す予測処理結果を推測する予測器を用いて、基板処理装置を駆動するための処理条件を決定する処理条件決定部を備え、予測器は、基板処理装置を処理条件で駆動して被膜の処理を行った後に、基板の径方向に異なる複数の位置それぞれにおける被膜の処理の前後の膜厚の差を含む第１処理結果を統計処理して得られる統計値で第１処理結果を変換した第２処理結果と、処理条件と、を機械学習することにより生成された第１学習モデルと、処理条件と統計値とを機械学習することにより生成された第２学習モデルと、を備え、処理条件決定部は、仮の処理条件を第１学習モデルに与えて推測される第２予測処理結果と、仮の処理条件を第２学習モデルに与えて推測される予測統計値とから第１予測処理結果を復元する復元部を含み、復元部により復元された第１予測処理結果が許容条件を満たす場合に仮の処理条件を、基板処理装置を駆動するための処理条件に決定する。
【0012】
本発明のさらに他の局面に従う情報処理装置は、基板処理装置を管理する情報処理装置であって、基板処理装置は、時間の経過に伴って変動する変動条件を含む処理条件で、被膜が形成された基板に処理液を供給することにより、被膜の処理をし、基板処理装置により被膜の処理をされる前の基板に形成された被膜について被膜の処理の前後の膜厚の差を示す予測処理結果を推測する予測器を用いて、基板処理装置を駆動するための処理条件を決定する処理条件決定部を備え、予測器は、基板処理装置を処理条件で駆動して被膜の処理を行った後に、基板の径方向に異なる複数の位置それぞれにおける被膜の処理の前後の膜厚の差を含む第１処理結果を統計処理して得られる統計値で第１処理結果を変換した第２処理結果および統計値を目的変数として含みかつ処理条件を説明変数として含む学習用データを機械学習することにより生成されたマルチタスク学習モデルと、を備え、処理条件決定部は、仮の処理条件をマルチタスク学習モデルに与えて推測される第２予測処理結果と予測統計値とから第１予測処理結果を復元する復元部を含み、復元部により復元された第１予測処理結果が許容条件を満たす場合に仮の処理条件を、基板処理装置を駆動するための処理条件に決定する。
【0013】
本発明のさらに他の局面に従う基板処理装置は、上記の情報処理装置を備える。
【0014】
本発明のさらに他の局面に従う学習モデル生成方法は、被膜が形成された基板に処理液を供給することにより被膜の処理をする基板処理装置を駆動するための処理条件を取得する処理条件取得ステップと、基板処理装置を処理条件で駆動して被膜の処理を行った後に、基板の径方向に異なる複数の位置それぞれにおける被膜の処理の前後の膜厚の差を含む第１処理結果を取得する第１処理結果取得ステップと、第１処理結果を統計処理して統計値を算出する統計値算出ステップと、統計値を用いて第１処理結果を第２処理結果に変換する変換ステップと、処理条件と第２処理結果とを機械学習して第１学習モデルを生成する第１学習モデル生成ステップと、処理条件と統計値とを機械学習して第２学習モデルを生成する第２学習モデル生成ステップとを、学習装置に実行させる。
【0015】
本発明のさらに他の局面に従う学習モデル生成方法は、被膜が形成された基板に処理液を供給することにより被膜の処理をする基板処理装置を駆動するための処理条件を取得する処理条件取得ステップと、基板処理装置を処理条件で駆動して被膜の処理を行った後に、基板の径方向に異なる複数の位置それぞれにおける被膜の処理の前後の膜厚の差を含む第１処理結果を取得する第１処理結果取得ステップと、第１処理結果を統計処理して統計値を算出する統計値算出ステップと、統計値を用いて第１処理結果を第２処理結果に変換する変換ステップと、処理条件と、第２処理結果と、統計値と、を含む学習用データを機械学習してマルチタスク学習モデルを生成するマルチタスク学習モデル生成ステップと、を学習装置に実行させる。
【0016】
本発明のさらに他の局面に従う処理条件決定方法は、基板処理装置を管理する情報処理装置で実行される処理条件決定方法であって、基板処理装置は、時間の経過に伴って変動する変動条件を含む処理条件で、被膜が形成された基板に処理液を供給することにより、被膜の処理をし、基板処理装置により被膜の処理をされる前の基板に形成された被膜について被膜の処理の前後の膜厚の差を示す予測処理結果を推測する予測器を用いて、基板処理装置を駆動するための処理条件を決定する処理条件決定ステップを含み、予測器は、基板処理装置を処理条件で駆動して被膜の処理を行った後に、基板の径方向に異なる複数の位置それぞれにおける被膜の処理の前後の膜厚の差を含む第１処理結果を統計処理して得られる統計値で第１処理結果を変換した第２処理結果と、処理条件と、を機械学習することにより生成された第１学習モデルと、処理条件と統計値とを機械学習することにより生成された第２学習モデルと、を備え、処理条件決定ステップは、仮の処理条件を第１学習モデルに与えて推測される第２予測処理結果と、仮の処理条件を第２学習モデルに与えて推測される予測統計値とから第１予測処理結果を復元する復元ステップと、復元ステップにおいて復元された第１予測処理結果が許容条件を満たす場合に仮の処理条件を、基板処理装置を駆動するための処理条件に決定するステップと、を含む。
【0017】
本発明のさらに他の局面に従う処理条件決定方法は、基板処理装置を管理する情報処理装置で実行される処理条件決定方法であって、基板処理装置は、時間の経過に伴って変動する変動条件を含む処理条件で、被膜が形成された基板に処理液を供給することにより、被膜の処理をし、基板処理装置により被膜の処理をされる前の基板に形成された被膜について被膜の処理の前後の膜厚の差を示す予測処理結果を推測する予測器を用いて、基板処理装置を駆動するための処理条件を決定する処理条件決定ステップを、含み、予測器は、基板処理装置を処理条件で駆動して被膜の処理を行った後に、基板の径方向に異なる複数の位置それぞれにおける被膜の処理の前後の膜厚の差を含む第１処理結果を統計処理して得られる統計値で第１処理結果を変換した第２処理結果と、統計値と、処理条件と、を含む学習用データを機械学習することにより生成されたマルチタスク学習モデルと、を備え、処理条件決定ステップは、仮の処理条件をマルチタスク学習モデルに与えて推測される第２予測処理結果と予測統計値とから第１予測処理結果を復元する復元ステップと、復元ステップにおいて復元された第１予測処理結果が許容条件を満たす場合に仮の処理条件を、基板処理装置を駆動するための処理条件に決定するステップと、を含む。
【発明の効果】
【0018】
基板処理装置が実行する被膜の処理をモデル化した学習モデルの精度を向上させることが可能な学習装置および学習モデル生成方法を提供することができる。また、基板を処理する複雑なプロセスの処理結果に対して複数の処理条件を提示することが可能な情報処理装置、これを備えた基板処理装置および処理条件決定方法を提供することが可能になる。
【図面の簡単な説明】
【0019】
【図1】本発明の一実施の形態に係る基板処理システムの構成を説明するための図である。
【図2】情報処理装置の構成の一例を示す図である。
【図3】学習装置の構成の一例を示す図である。
【図4】基板処理システムの機能的な構成の一例を示す図である。
【図5】予測器生成部が有する機能の一例を示す図である。
【図6】膜厚特性の一例を示す図である。
【図7】基板処理装置の被膜の処理により得られる第１処理結果の一例を示す図である。
【図8】第２処理結果の一例を示す図である。
【図9】第１学習モデルを説明する図である。
【図10】第２学習モデルを説明する図である。
【図11】予測部が有する機能の一例を示す図である。
【図12】学習処理の流れの一例を示すフローチャートである。
【図13】予測器生成の流れの一例を示すフローチャートである。
【図14】処理条件決定処理の流れの一例を示すフローチャートである。
【図15】変形例における予測器生成部が有する機能の一例を示す図である。
【図16】マルチタスク学習モデルの一例を説明する図である。
【発明を実施するための形態】
【0020】
以下、本発明の一実施の形態に係る基板処理システムについて図面を参照しながら詳細に説明する。以下の説明において、基板とは、半導体基板（半導体ウェハ）、液晶表示装置もしくは有機ＥＬ（Electro Luminescence）表示装置等のＦＰＤ（Flat Panel Display）用基板、光ディスク用基板、磁気ディスク用基板、光磁気ディスク用基板、フォトマスク用基板、セラミック基板または太陽電池用基板等をいう。
【0021】
（１）基板処理システムの全体構成
図１は、本発明の一実施の形態に係る基板処理システムの構成を説明するための図である。図１の基板処理システム１は、情報処理装置１００、学習装置２００および基板処理装置３００を含む。学習装置２００は、例えばサーバであり、情報処理装置１００は、例えばパーソナルコンピューターである。
図１は、本発明の一実施の形態に係る基板処理システムの構成を説明するための図である。図１の基板処理システム１は、情報処理装置１００、学習装置２００および基板処理装置３００を含む。学習装置２００は、例えばサーバであり、情報処理装置１００は、例えばパーソナルコンピューターである。
【0022】
学習装置２００および情報処理装置１００は、基板処理装置３００を管理するために用いられる。なお、学習装置２００および情報処理装置１００が管理する基板処理装置３００は、１台に限定されるものではなく、基板処理装置３００の複数を管理してもよい。
【0023】
本実施の形態に係る基板処理システム１において、情報処理装置１００、学習装置２００および基板処理装置３００は、互いに有線または無線の通信線または通信回線網により接続される。情報処理装置１００、学習装置２００および基板処理装置３００は、それぞれがネットワークに接続され、互いにデータの送受信が可能である。ネットワークは、例えば、ローカルエリアネットワーク（ＬＡＮ）またはワイドエリアネットワーク（ＷＡＮ）が用いられる。また、ネットワークは、インターネットであってもよい。また、情報処理装置１００と基板処理装置３００とは、専用の通信回線網で接続されてもよい。ネットワークの接続形態は、有線接続であってもよいし、無線接続であってもよい。
【0024】
なお、学習装置２００は、基板処理装置３００および情報処理装置１００と、必ずしも通信線または通信回線網で接続される必要はない。この場合、基板処理装置３００で生成されたデータが記録媒体を介して学習装置２００に渡されてもよい。また、学習装置２００で生成されたデータが記録媒体を介して情報処理装置１００に渡されてもよい。
【0025】
基板処理装置３００には、図示しない表示装置、音声出力装置および操作部が設けられる。基板処理装置３００は、基板処理装置３００の予め定められた処理条件（処理レシピ）に従って運転される。
【0026】
（２）基板処理装置の概要
基板処理装置３００は、制御装置１０と、複数の基板処理ユニットＷＵを備える。制御装置１０は、複数の基板処理ユニットＷＵを制御する。複数の基板処理ユニットＷＵは、被膜が形成された基板Ｗに処理液を供給することにより基板Ｗの被膜の処理を行う。本実施の形態において、処理対象の基板Ｗは、直径３００ｍｍを有するが、本発明は、これに限定されるものではない。処理液はエッチング液を含み、基板処理ユニットＷＵはエッチング処理を実行する。エッチング液は、薬液である。エッチング液は、例えば、フッ硝酸（フッ酸（ＨＦ）と硝酸（ＨＮＯ３）との混合液）、フッ酸、バファードフッ酸（ＢＨＦ）、フッ化アンモニウム、ＨＦＥＧ（フッ酸とエチレングリコールとの混合液）、または、燐酸（Ｈ３ＰＯ４）である。
基板処理装置３００は、制御装置１０と、複数の基板処理ユニットＷＵを備える。制御装置１０は、複数の基板処理ユニットＷＵを制御する。複数の基板処理ユニットＷＵは、被膜が形成された基板Ｗに処理液を供給することにより基板Ｗの被膜の処理を行う。本実施の形態において、処理対象の基板Ｗは、直径３００ｍｍを有するが、本発明は、これに限定されるものではない。処理液はエッチング液を含み、基板処理ユニットＷＵはエッチング処理を実行する。エッチング液は、薬液である。エッチング液は、例えば、フッ硝酸（フッ酸（ＨＦ）と硝酸（ＨＮＯ３）との混合液）、フッ酸、バファードフッ酸（ＢＨＦ）、フッ化アンモニウム、ＨＦＥＧ（フッ酸とエチレングリコールとの混合液）、または、燐酸（Ｈ３ＰＯ４）である。
【0027】
基板処理ユニットＷＵは、スピンチャックＳＣと、スピンモータＳＭと、ノズル３１１と、ノズル移動機構３０１と、を備える。スピンチャックＳＣは、基板Ｗを水平に保持する。基板Ｗは、スピンモータＳＭの第１回転軸ＡＸ１と基板Ｗの中心とが一致するようにスピンチャックＳＣに保持される。スピンモータＳＭは、第１回転軸ＡＸ１を有する。第１回転軸ＡＸ１は、上下方向に延びる。スピンチャックＳＣは、スピンモータＳＭの第１回転軸ＡＸ１の上端部に取り付けられる。スピンモータＳＭが回転すると、スピンチャックＳＣが第１回転軸ＡＸ１を中心として回転する。スピンモータＳＭは、ステッピングモータである。スピンチャックＳＣに保持された基板Ｗは、第１回転軸ＡＸ１を中心として回転する。このため、基板Ｗの回転速度は、ステッピングモータの回転速度と同じである。なお、スピンモータの回転速度を示す回転速度信号を生成するエンコーダを設ける場合、エンコーダにより生成される回転速度信号から基板Ｗの回転速度が取得されてもよい。この場合、スピンモータＳＭは、ステッピングモータ以外のモータを用いることができる。
【0028】
ノズル３１１は、スピンチャックＳＣに保持された基板Ｗの表面（上面）にエッチング液を供給する。ノズル３１１には、図示しないエッチング液供給部からエッチング液が供給される。ノズル３１１は、回転中の基板Ｗの表面に向けてエッチング液を吐出する。
【0029】
ノズル移動機構３０１は、略水平方向にノズル３１１を移動させる。具体的には、ノズル移動機構３０１は、第２回転軸ＡＸ２を有するノズルモータ３０３と、ノズルアーム３０５と、を有する。ノズルモータ３０３は、第２回転軸ＡＸ２が略鉛直方向に沿うように配置される。ノズルアーム３０５は、直線状に延びる長手形状を有する。ノズルアーム３０５の一端は、ノズルアーム３０５の長手方向が第２回転軸ＡＸ２とは異なる方向となるように、第２回転軸ＡＸ２の上端に取り付けられる。ノズルアーム３０５の他端には、エッチング液の吐出口が下方を向くようにノズル３１１が取り付けられる。
【0030】
ノズルモータ３０３が動作すると、ノズルアーム３０５は第２回転軸ＡＸ２を中心として水平面内で回転する。これにより、ノズルアーム３０５の他端に取り付けられたノズル３１１は、第２回転軸ＡＸ２を中心として水平方向に移動する（旋回する）。ノズル３１１は、水平方向に移動しながら基板Ｗに向けてエッチング液を吐出する。ノズルモータ３０３は、例えば、ステッピングモータである。
【0031】
制御装置１０は、ＣＰＵ（中央演算処理装置）およびメモリを含み、ＣＰＵがメモリに記憶されたプログラムを実行することにより、基板処理装置３００の全体を制御する。制御装置１０は、スピンモータＳＭおよびノズルモータ３０３を制御する。
【0032】
学習装置２００には、基板処理装置３００から実験データが入力される。学習装置２００は、実験データを用いて第１予測器および第２予測器を含む予測器を生成し、予測器を情報処理装置１００に出力する。
【0033】
情報処理装置１００は、予測器を用いて、基板処理装置３００がこれから処理する予定の基板に対して、基板を処理するための処理条件を決定する。情報処理装置１００は、決定された処理条件を基板処理装置３００に出力する。
【0034】
図２は、情報処理装置の構成の一例を示す図である。図２を参照して、情報処理装置１００は、ＣＰＵ１０１、ＲＡＭ（ランダムアクセスメモリ）１０２、ＲＯＭ（リードオンリメモリ）１０３、記憶装置１０４、操作部１０５、表示装置１０６および入出力Ｉ／Ｆ（インターフェイス）１０７により構成される。ＣＰＵ１０１、ＲＡＭ１０２、ＲＯＭ１０３、記憶装置１０４、操作部１０５、表示装置１０６および入出力Ｉ／Ｆ１０７はバス１０８に接続される。
【0035】
ＲＡＭ１０２は、ＣＰＵ１０１の作業領域として用いられる。ＲＯＭ１０３にはシステムプログラムが記憶される。記憶装置１０４は、ハードディスクまたは半導体メモリ等の記憶媒体を含み、プログラムを記憶する。プログラムは、ＲＯＭ１０３または他の外部記憶装置に記憶されてもよい。
【0036】
記憶装置１０４には、ＣＤ－ＲＯＭ１０９が着脱可能である。ＣＰＵ１０１が実行するプログラムを記憶する記録媒体としては、ＣＤ－ＲＯＭ１０９に限られず、光ディスク（ＭＯ（Ｍａｇｎｅｔｉｃ Ｏｐｔｉｃａｌ Ｄｉｓｃ）／ＭＤ（Ｍｉｎｉ Ｄｉｓｃ）／ＤＶＤ（Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｃ））、ＩＣカード、光カード、マスクＲＯＭ、ＥＰＲＯＭ（Ｅｒａｓａｂｌｅ Ｐｒｏｇｒａｍｍａｂｌｅ ＲＯＭ）などの半導体メモリ等の媒体でもよい。さらに、ＣＰＵ１０１がネットワークに接続されたコンピューターからプログラムをダウンロードして記憶装置１０４に記憶する、または、ネットワークに接続されたコンピューターがプログラムを記憶装置１０４に書込みするようにして、記憶装置１０４に記憶されたプログラムをＲＡＭ１０２にロードしてＣＰＵ１０１で実行するようにしてもよい。ここでいうプログラムは、ＣＰＵ１０１により直接実行可能なプログラムだけでなく、ソースプログラム、圧縮処理されたプログラム、暗号化されたプログラム等を含む。
【0037】
操作部１０５は、キーボード、マウスまたはタッチパネル等の入力デバイスである。使用者は、操作部１０５を操作することにより、情報処理装置１００に所定の指示を与えることができる。表示装置１０６は、液晶表示装置等の表示デバイスであり、使用者による指示を受け付けるためのＧＵＩ（Ｇｒａｐｈｉｃａｌ Ｕｓｅｒ Ｉｎｔｅｒｆａｃｅ）等を表示する。入出力Ｉ／Ｆ１０７は、ネットワークに接続される。
【0038】
図３は、学習装置の構成の一例を示す図である。図３を参照して、学習装置２００は、ＣＰＵ２０１、ＲＡＭ２０２、ＲＯＭ２０３、記憶装置２０４、操作部２０５、表示装置２０６および入出力Ｉ／Ｆ２０７により構成される。ＣＰＵ２０１、ＲＡＭ２０２、ＲＯＭ２０３、記憶装置２０４、操作部２０５、表示装置２０６および入出力Ｉ／Ｆ２０７はバス２０８に接続される。
【0039】
ＲＡＭ２０２は、ＣＰＵ２０１の作業領域として用いられる。ＲＯＭ２０３にはシステムプログラムが記憶される。記憶装置２０４は、ハードディスクまたは半導体メモリ等の記憶媒体を含み、プログラムを記憶する。プログラムは、ＲＯＭ２０３または他の外部記憶装置に記憶されてもよい。記憶装置２０４には、ＣＤ－ＲＯＭ２０９が着脱可能である。
【0040】
操作部２０５は、キーボード、マウスまたはタッチパネル等の入力デバイスである。入出力Ｉ／Ｆ２０７は、ネットワークに接続される。
【0041】
（３）基板処理システムの機能構成
図４は、一実施の形態に係る基板処理システムの機能的な構成の一例を示す図である。図４を参照して、基板処理装置３００が備える制御装置１０は、基板処理ユニットＷＵを制御して、処理時間において、処理条件に従って基板Ｗに対して被膜の処理を行う。処理時間は、基板に対する被膜の処理に対して定められる時間である。本実施の形態において、処理時間は、基板Ｗにノズル３１１がエッチング液を吐出している間の時間である。処理条件は、基板処理ユニットＷＵが被膜の処理を実行する際に用いる条件である。
図４は、一実施の形態に係る基板処理システムの機能的な構成の一例を示す図である。図４を参照して、基板処理装置３００が備える制御装置１０は、基板処理ユニットＷＵを制御して、処理時間において、処理条件に従って基板Ｗに対して被膜の処理を行う。処理時間は、基板に対する被膜の処理に対して定められる時間である。本実施の形態において、処理時間は、基板Ｗにノズル３１１がエッチング液を吐出している間の時間である。処理条件は、基板処理ユニットＷＵが被膜の処理を実行する際に用いる条件である。
【0042】
処理条件は、エッチング液の温度、エッチング液の濃度、エッチング液の流量、基板Ｗの回転数およびノズル３１１の位置を含む。エッチング液の濃度は、複数の薬液の混合比で示される。ノズル３１１の位置は、被膜の処理が実行される間の複数の時点それぞれおけるノズル３１１と基板Ｗとの相対位置で示される。ノズル３１１と基板との相対位置は、ノズルモータ３０３の回転角度で示される。
【0043】
処理条件は、時間の経過に伴って変動しない固定条件および時間の経過に伴って変動する変動条件を含む。本実施の形態において、固定条件がエッチング液の温度、エッチング液の濃度、エッチング液の流量および基板Ｗの回転数であり、変動条件がノズル３１１と基板Ｗとの相対位置である。
【0044】
学習装置２００は、実験データ取得部２１０と、予測器生成部２２０と、予測器送信部２３０と、を含む。学習装置２００が備える機能は、学習装置２００が備えるＣＰＵ２０１がＲＡＭ２０２に格納された学習モデル生成プログラムを実行することにより、ＣＰＵ２０１により実現される。
【0045】
実験データ取得部２１０は、基板処理装置３００から実験データを取得する。実験データは、処理条件と、基板処理装置３００が当該処理条件で基板Ｗに被膜の処理を行った結果を示す第１処理結果とを含む。
【0046】
予測器生成部２２０には、実験データ取得部２１０から実験データが入力される。予測器生成部２２０は、実験データを用いて予測器を生成し、生成された予測器を予測器送信部２３０に出力する。予測器生成部２２０の詳細については、後述する。予測器送信部２３０は、予測器生成部２２０により生成された予測器を情報処理装置１００に送信する。
【0047】
情報処理装置１００は、予測器受信部１１０と、処理条件決定部１２０と、予測部１３０と、評価部１４０と、処理条件送信部１５０と、を含む。情報処理装置１００が備える機能は、情報処理装置１００が備えるＣＰＵ１０１がＲＡＭ１０２に格納された処理条件決定プログラムを実行することにより、ＣＰＵ１０１により実現される。
【0048】
予測器受信部１１０は、学習装置２００から送信される予測器を受信し、受信された予測器を予測部１３０に出力する。処理条件決定部１２０は、基板処理装置３００がこれから処理の対象とする基板Ｗに対する処理条件を決定し、処理条件に含まれる変動条件と処理条件に含まれる固定条件とを予測部１３０に出力する。
【0049】
予測部１３０は、変動条件と固定条件とから予測器を用いて第１予測処理結果を推測する。予測部１３０は、処理条件決定部１２０から入力される変動条件と、固定条件とを予測器に入力し、予測器が出力する第１予測処理結果を評価部１４０に出力する。
【0050】
評価部１４０は、予測部１３０から入力される第１予測処理結果を評価し、評価結果を処理条件決定部１２０に出力する。詳細には、評価部１４０は、基板処理装置３００が処理対象とする予定の基板Ｗの処理前の膜厚特性を取得する。評価部１４０は、予測部１３０から入力される第１予測処理結果と、基板Ｗの処理前の膜厚特性とからエッチング処理後に予測される膜厚特性を算出し、目標とする膜厚特性と比較する。比較の結果が評価基準を満たしていれば、処理条件決定部１２０により決定された処理条件を処理条件送信部１５０に出力する。例えば、評価部１４０は、乖離特性を算出し、乖離特性が評価基準を満たしているか否かが判断される。乖離特性は、エッチング処理後の基板Ｗの膜厚特性と目標の膜厚特性との差分である。評価基準は、任意に定めることができる。例えば、評価基準は、乖離特性において差分の最大値が閾値以下であるとしてもよいし、差分の平均が閾値以下であるとしてもよい。
【0051】
処理条件送信部１５０は、処理条件決定部１２０により決定された処理条件を、基板処理装置３００の制御装置１０に送信する。基板処理装置３００は、処理条件に従って基板Ｗを処理する。
【0052】
評価部１４０は、評価結果が評価基準を満たしていない場合は、評価結果を処理条件決定部１２０に出力する。評価結果は、エッチング処理後に予測される膜厚特性またはエッチング処理後に予測される膜厚特性と目標の膜厚特性との差分を含む。
【0053】
処理条件決定部１２０は、評価部１４０から評価結果が入力されることに応じて、予測部１３０に推測させるための新たな処理条件を決定する。処理条件決定部１２０は、実験計画法、ペアワイズ法またはベイズ推定等を用いて、予め準備された複数の変動条件のうちから１つを選択し、選択された変動条件と固定条件とを含む処理条件を予測部１３０に推測させるための新たな処理条件として決定する。
【0054】
処理条件決定部１２０は、ベイズ推定を用いて処理条件を探索してもよい。評価部１４０により複数の評価結果が出力される場合、処理条件と評価結果との組が複数となる。複数の組それぞれにおける第１予測処理結果の傾向から被膜の膜厚が均一となる処理条件またはエッチング処理後に予測される膜厚特性と目標の膜厚特性との差分が最小となる処理条件を探索する。
【0055】
具体的には、処理条件決定部１２０は、目的関数を最小化するように処理条件を探索する。目的関数は、被膜の膜厚の均一性を示す関数または被膜の膜厚特性と目標膜厚特性との一致性を示す関数である。例えば、目的関数は、エッチング処理後に予測される膜厚特性と目標の膜厚特性との差分をパラメータで示した関数である。ここでのパラメータは、対応する変動条件である。対応する変動条件は、予測器が第１予測処理結果を推測するために用いた変動条件である。処理条件決定部１２０は、複数の変動条件のうちから探索により決定されたパラメータである変動条件を選択し、選択された変動条件と固定条件とを含む新たな処理条件を決定する。
【0056】
次に、予測器生成部２２０の詳細な構成について説明する。図５は、予測器生成部が有する機能の一例を示す図である。予測器生成部２２０は、処理条件取得部２２１と、第１処理結果取得部２２２と、統計値算出部２２３と、変換部２２４と、第１学習モデル生成部２２５と、第２学習モデル生成部２２６とを含む。
【0057】
処理条件取得部２２１は、実験データ取得部２１０から処理条件を取得する。処理条件取得部２２１は、処理条件を第１学習モデル生成部２２５および第２学習モデル生成部２２６に出力する。処理条件は、固定条件と、変動条件と、を含む。固定条件は、エッチング液の温度、エッチング液の濃度、エッチング液の流量および基板Ｗの回転数を含む。変動条件は、被膜の処理が実行される間の複数の時点それぞれにおけるノズル３１１と基板Ｗとの相対位置で示される。第１処理結果取得部２２２は、実験データ取得部２１０から第１処理結果を取得する。第１処理結果取得部２２２が取得する第１処理結果は、処理条件取得部２２１により取得された処理条件で基板処理装置３００が被膜の処理を実行することにより得られる基板Ｗの径方向に異なる複数の位置それぞれにおける被膜の処理前後の膜厚の差である。
【0058】
統計値算出部２２３は、第１処理結果取得部２２２により取得された第１処理結果に対して統計処理を行うことにより統計値を算出する。本実施の形態において、統計値は、基板Ｗの径方向に異なる複数の位置それぞれにおける被膜の処理前後の膜厚の差の平均値である。
【0059】
変換部２２４には、統計値算出部２２３から第１処理結果と統計値とが入力される。変換部２２４は、統計値を用いて第１処理結果を第２処理結果に変換する。本実施の形態においては、変換部２２４は、第１処理結果を基板Ｗの径方向に異なる複数の位置それぞれにおける被膜の処理前後の膜厚の差の平均値で除算することにより第２処理結果を算出する。それにより、複数の第２処理結果間におけるスケールの差は、複数の第１処理結果間におけるスケールの差よりも小さくなる。スケールは、第１処理結果の平均値である。なお、スケールは、平均値に限らず、最大値と最小値との差であるレンジで表されてもよいし、平均値および分散で表されてもよい。
【0060】
図６は、第１処理結果を説明するための図である。図６において、縦軸が膜厚を示し、横軸が基板の半径方向の位置を示す。なお、横軸の原点が基板の中心を示す。基板処理装置３００により処理される前の基板Ｗに形成された膜の膜厚が実線で示される。基板処理装置３００により処理条件に従ってエッチング液を塗布する被膜の処理が実行されることにより、基板Ｗに形成される被膜の膜厚が調整される。基板処理装置３００により被膜の処理が実行された後の基板Ｗに形成された膜の膜厚が点線で示される。
【0061】
基板処理装置３００により処理される前の基板Ｗに形成された膜の膜厚と基板処理装置３００により処理された後の基板Ｗに形成された膜の膜厚との差が第１処理結果（エッチング量）である。換言すれば、第１処理結果は、基板処理装置３００の被膜の処理により基板Ｗの径方向における複数の位置それぞれにおいて減少した膜の厚さを示す。
【0062】
基板処理装置３００により形成される膜厚は、基板Ｗの全面において均一であることが望まれる。このため、基板処理装置３００により実行される処理に対して、目標となる目標膜厚が定められる。目標膜厚は、一点鎖線で示される。乖離特性は、基板処理装置３００により処理された後の基板Ｗに形成された膜の膜厚と目標膜厚との差分である。乖離特性は、基板Ｗの径方向における複数の位置それぞれにおける差分を含む。
【0063】
図７は、基板処理装置３００の被膜の処理により得られる第１処理結果の一例を示す図である。図７の縦軸には、被膜の処理前の基板Ｗに形成された膜と、被膜の処理後の基板Ｗに形成された膜との膜厚の差が示される。横軸には、基板Ｗの径方向における位置が示される。図７を参照して、基板処理装置３００が異なる３つの処理条件で被膜の処理を行った第１処理結果ＥＲａ～ＥＲｃが示される。第１処理結果ＥＲａ～ＥＲｃそれぞれは、スケールが異なる。第１処理結果ＥＲａ～ＥＲｃのスケールの違いは、処理条件の違いに起因する。
【0064】
図８は、第２処理結果の一例を示す図である。図８には、図７の第１処理結果ＥＲａ～ＥＲｃを変換部２２４により変換した第２処理結果ＥＲＡ～ＥＲＣが示される。第２処理結果においては、ＥＲＡ～ＥＲＣについて縦軸の値のスケールが規格化されている。図８においては、第２処理結果ＥＲＡ，ＥＲＢ，ＥＲＣ間でスケールが規格化されているため、第２処理結果ＥＲＡ，ＥＲＢ，ＥＲＣ間の縦軸の値のばらつきが、図７に示した第１処理結果ＥＲａ，ＥＲｂ，ＥＲｃ間の縦軸の値のばらつきに比較して小さいことがわかる。
【0065】
第１処理結果を教師データとした場合、縦軸の値が大きい条件（膜厚の差が大きい）条件が機械学習において相対的に重視され、縦軸の値が小さい条件（膜厚の差が小さい）条件が機械学習において相対的に軽視されることとなる。一方で、第２処理結果を教師データとした場合、縦軸の値のスケールが規格化されているため、膜厚の差の大小にかかわらず機械学習における重みが比較的同等に反映されて機械学習がなされることとなる。これにより、膜厚差が小さな処理条件も考慮し膜厚差が小さな場合についても精度よく予測できる学習結果を得ることが可能となる。
【0066】
本実施の形態においては、統計値が第１処理結果の平均であるので、第１処理結果ＥＲａ，ＥＲｂ，ＥＲｃを各第１処理結果ＥＲａ，ＥＲｂ，ＥＲｃの平均値で除算することにより、第２処理結果ＥＲＡ，ＥＲＢ，ＥＲＣのスケールを１に統一している。
【0067】
図５に戻って、第１学習モデル生成部２２５は、学習用データを用いて第１学習モデルに機械学習させる。第１学習モデル生成部２２５には、処理条件取得部２２１から処理条件が入力され、変換部２２４から第２処理結果が入力される。学習用データは、説明変数としての入力データと目的変数としての正解データとを含む。入力データは、処理条件に含まれる変動条件と、固定条件と、を含む。正解データは、第２処理結果を含む。第１学習モデル生成部２２５は、入力データを第１学習モデルに入力し、第１学習モデルが推論する第２予測処理結果と正解データである第２処理結果との差が小さくなるように、第１学習モデルのパラメータを決定する。
【0068】
第１学習モデル生成部２２５が機械学習させる第１学習モデルはニューラルネットワークを含む。第１学習モデル生成部２２５は、ニューラルネットワークを構成する複数のパラメータの値を決定する。第１学習モデルは、損失関数を定義し、勾配降下法を用いて損失が小さくなる方向に重みを更新することにより学習する。学習時においては、損失関数の値は正解データである複数の第２処理結果に対してそれぞれ算出され、算出された複数の損失関数の値の平均値が学習モデルの損失と定義される。この損失関数において、正解データとして与えられる第２処理結果のスケールが大きいほど当該第２処理結果に対する損失関数の出力値は大きくなり、逆に、第２処理結果の値のスケールが小さいほど当該第２処理結果に対する損失関数の値は小さくなる。複数の第２処理結果間の値のスケールの差は、複数の第１処理結果間の値のスケールの差よりも小さい。このため、第１学習モデル生成部２２５は、複数の第２処理結果を第１学習モデルに学習させるので、複数の第１処理結果を学習する場合に比較して、第１学習モデルの精度が向上する。
【0069】
第２学習モデル生成部２２６は、学習用データを用いて第２学習モデルに機械学習させる。第２学習モデル生成部２２６には、処理条件取得部２２１から処理条件が入力され、統計値算出部２２３から統計値が入力される。学習用データは、説明変数としての入力データと目的変数としての正解データとを含む。入力データは、処理条件に含まれる変動条件および固定条件を含む。正解データは、統計値算出部２２３により算出された統計値を含む。
【0070】
第２学習モデル生成部２２６は、入力データを第２学習モデルに入力し、第２学習モデルにより推測された予測統計値と正解データである統計値との差が小さくなるように、第２学習モデルのパラメータを決定する。具体的には、第２学習モデル生成部２２６は、第２学習モデルに、入力データを入力し、第２学習モデルに予測統計値を推測させる。第２学習モデル生成部２２６が機械学習させる第２学習モデルはニューラルネットワークを含む。第２学習モデル生成部２２６は、ニューラルネットワークを構成する複数のパラメータの値を決定する。第２学習モデル生成部２２６は、第２学習モデルにより推測された予測統計値と、統計値算出部２２３により算出された統計値との差分を誤差として算出し、算出された誤差が少なくなるように第２学習モデルを学習させる。
【0071】
予測器生成部２２０は、学習済の第１学習モデルに設定されたパラメータを組み込んだ第１予測器および学習済の第２学習モデルに設定されたパラメータを組み込んだ第２予測器を生成する。第１予測器は、第１学習済モデルに設定されたパラメータを組み込んだ推論プログラムである。第２予測器は、第２学習済モデルに設定されたパラメータを組み込んだ推論プログラムである。
【0072】
図９は、第１学習モデルを説明する図である。図９を参照して、第１学習モデルは、Ａ１層～Ｃ１層が入力側から出力側（上層から下層）に向かってこの順に設けられている。Ａ１層には、第１畳み込みニューラルネットワークＣＮＮ１が設けられ、Ｂ１層には、第１全結合ニューラルネットワークＮＮ１が設けられ、Ｃ１層には、第２畳み込みニューラルネットワークＣＮＮ２が設けられる。
【0073】
第１畳み込みニューラルネットワークＣＮＮ１には、変動条件が入力される。第１全結合ニューラルネットワークＮＮ１には、第１畳み込みニューラルネットワークＣＮＮ１の出力と固定条件とが入力される。第２畳み込みニューラルネットワークＣＮＮ２には、第１全結合ニューラルネットワークＮＮ１の出力が入力される。
【0074】
第１畳み込みニューラルネットワークＣＮＮ１は、複数の層を含む。本実施の形態では、第１畳み込みニューラルネットワークＣＮＮ１は、３つの層を含む。第１畳み込みニューラルネットワークＣＮＮ１内においては、入力側（上層側）から出力側（下層側）に向かって第１層Ｌ１ａ、第２層Ｌ１ｂおよび第３層Ｌ１ｃがこの順に設けられる。なお、本実施の形態では、複数の層として３つの層を含む場合について説明するが、３つ以上の層を含んでいてもよい。
【0075】
第１層Ｌ１ａ、第２層Ｌ１ｂおよび第３層Ｌ１ｃそれぞれは、畳み込み層およびプーリング層を含む。畳み込み層においては、複数のフィルタが適用される。プーリング層は、畳み込み層の出力を圧縮する。第２層Ｌ１ｂの畳み込み層のフィルタの数は、第１層Ｌ１ａの畳み込み層のフィルタの数の２倍に設定されている。第３層Ｌ１ｃの畳み込み層のフィルタの数は、第２層Ｌ１ｂの畳み込み層のフィルタの数の２倍に設定されている。このため、変動条件からできるだけ多くの特徴を抽出することができる。ここで、変動条件は、時間の経過に伴って変動するノズルの基板Ｗに対する相対位置を含む。第１畳み込みニューラルネットワークＣＮＮ１は、複数のフィルタを用いて特徴を抽出するので、ノズルの基板Ｗに対する相対位置の変化について時間の要素を含む複数の特徴を抽出する。なお、ここでは第２層Ｌ１ｂの畳み込み層のフィルタの数が、第１層Ｌ１ａの畳み込み層のフィルタの数の２倍に設定される例を示しているが、２倍でなくてもよい。第２層Ｌ１ｂの畳み込み層のフィルタの数は、第１層Ｌ１ａの畳み込み層のフィルタの数よりも多い数であればよい。また、第３層Ｌ１ｃの畳み込み層のフィルタの数は、第２層Ｌ１ｂの畳み込み層のフィルタの数の２倍でなくてもよい。第３層Ｌ１ｃの畳み込み層のフィルタの数は、第２層Ｌ１ｂの畳み込み層のフィルタの数よりも多い数であればよい。
【0076】
第１全結合ニューラルネットワークＮＮ１は、複数の層が設けられる。図９の例では、第１全結合ニューラルネットワークＮＮ１は、入力側のｂ１ａ層および出力側のｂ１ｂ層の二つの層が設けられる。図９の例では、各層には、複数のノードが含まれる。図９の例では、ｂ１ａ層に５つのノード、ｂ１ｂ層に４つのノードが示されるが、ノードの数は、これに限定されるものではない。ｂ１ａ層のノードの数は、第１畳み込みニューラルネットワークＣＮＮ１の出力側のノードの数と固定条件の数との和に等しくなるように設定される。ｂ１ｂ層のノードの数は、第２畳み込みニューラルネットワークＣＮＮ２の入力側のノードの数に等しくなるように設定される。ｂ１ａ層のノードの出力はｂ１ｂ層のノードの入力に接続される。パラメータは、ｂ１ａ層のノードの出力に対して重み付けする係数を含む。ｂ１ａ層とｂ１ｂ層との間には、１または複数の中間層が設けられてもよい。
【0077】
第２畳み込みニューラルネットワークＣＮＮ２は、複数の層を含む。本実施の形態では、第２畳み込みニューラルネットワークＣＮＮ２は、３つの層を含む。第２畳み込みニューラルネットワークＣＮＮ２においては、入力側（上層側）から出力側（下層側）に向かって第４層Ｌ１ｄ、第５層Ｌ１ｅおよび第６層Ｌ１ｆがこの順に設けられる。なお、本実施の形態では、複数の層として３つの層を含む場合について説明するが、３つ以上の層を含んでいてもよい。
【0078】
第４層Ｌ１ｄ、第５層Ｌ１ｅおよび第６層Ｌ１ｆそれぞれは、畳み込み層およびプーリング層を含む。畳み込み層においては、複数のフィルタが適用される。プーリング層は、畳み込み層の出力を圧縮する。第５層Ｌ１ｅの畳み込み層のフィルタの数は、第４層Ｌ１ｄの畳み込み層のフィルタの数の１／２倍に設定されている。また、第６層Ｌ１ｆの畳み込み層のフィルタの数は、第５層Ｌ１ｅの畳み込み層のフィルタの数の１／２倍に設定されている。このため、第２処理結果からできるだけ多くの特徴を抽出することができる。第２処理結果に含まれる複数の処理量は、基板Ｗの径方向における位置が異なる値である。第２畳み込みニューラルネットワークＣＮＮ２は、複数のフィルタを用いるので、第２処理結果について基板Ｗの径方向の位置の要素を含む複数の特徴を抽出する。なお、ここでは第５層Ｌ１ｅの畳み込み層のフィルタの数が、第４層Ｌ１ｄの畳み込み層のフィルタの数の１／２倍に設定される例を示しているが、１／２倍でなくてもよい。第５層Ｌ１ｅの畳み込み層のフィルタの数は、第４層Ｌ１ｄの畳み込み層のフィルタの数よりも少ない数であればよい。また、第６層Ｌ１ｆの畳み込み層のフィルタの数は、第５層Ｌ１ｅの畳み込み層のフィルタの数の１／２倍でなくてもよい。第６層Ｌ１ｆの畳み込み層のフィルタの数は、第５層Ｌ１ｅの畳み込み層のフィルタの数よりも少ない数であればよい。
【0079】
図１０は、第２学習モデルを説明する図である。図１０を参照して、第２学習モデルは、Ａ２層およびＢ２層が入力側から出力側（上層から下層）に向かってこの順に設けられている。Ａ２層には、第３畳み込みニューラルネットワークＣＮＮ３が設けられ、Ｂ２層には、第２全結合ニューラルネットワークＮＮ２が設けられる。
【0080】
第３畳み込みニューラルネットワークＣＮＮ３には、変動条件が入力される。第２全結合ニューラルネットワークＮＮ２には、第３畳み込みニューラルネットワークＣＮＮ３の出力と固定条件とが入力される。
【0081】
第３畳み込みニューラルネットワークＣＮＮ３は、複数の層を含む。本実施の形態では、第３畳み込みニューラルネットワークＣＮＮ３は、３つの層を含む。第３畳み込みニューラルネットワークＣＮＮ３内においては、入力側（上層側）から出力側（下層側）に向かって第１層Ｌ２ａ、第２層Ｌ２ｂおよび第３層Ｌ２ｃがこの順に設けられる。なお、本実施の形態では、複数の層として３つの層を含む場合について説明するが、３つ以上の層を含んでいてもよい。
【0082】
第１層Ｌ２ａ、第２層Ｌ２ｂおよび第３層Ｌ２ｃそれぞれは、畳み込み層およびプーリング層を含む。畳み込み層においては、複数のフィルタが適用される。プーリング層は、畳み込み層の出力を圧縮する。第２層Ｌ２ｂの畳み込み層のフィルタの数は、第１層Ｌ２ａの畳み込み層のフィルタの数の２倍に設定されている。第３層Ｌ２ｃの畳み込み層のフィルタの数は、第２層Ｌ２ｂの畳み込み層のフィルタの数の２倍に設定されている。このため、変動条件からできるだけ多くの特徴を抽出することができる。ここで、変動条件は、時間の経過に伴って変動するノズルの基板Ｗに対する相対位置を含む。第３畳み込みニューラルネットワークＣＮＮ３は、複数のフィルタを用いて特徴を抽出するので、ノズルの基板Ｗに対する相対位置の変化について時間の要素を含む特徴をより多く抽出する。なお、ここでは第２層Ｌ２ｂの畳み込み層のフィルタの数が、第１層Ｌ２ａの畳み込み層のフィルタの数の２倍に設定される例を示しているが、２倍でなくてもよい。第２層Ｌ２ｂの畳み込み層のフィルタの数は、第１層Ｌ２ａの畳み込み層のフィルタの数よりも多い数であればよい。また、第３層Ｌ２ｃの畳み込み層のフィルタの数は、第２層Ｌ２ｂの畳み込み層のフィルタの数の２倍でなくてもよい。第３層Ｌ２ｃの畳み込み層のフィルタの数は、第２層Ｌ２ｂの畳み込み層のフィルタの数よりも多い数であればよい。
【0083】
第２全結合ニューラルネットワークＮＮ２は、複数の層が設けられる。図９の例では、第２全結合ニューラルネットワークＮＮ２は、ｂ２ａ層、ｂ２ｂ層、ｂ２ｃ層、ｂ２ｄ層およびｂ２ｅ層の五つの層が入力側から出力側に向かってこの順に設けられる。図９の例では、各層には、複数のノードが含まれる。図９の例では、ｂ２ａ層に５つのノード、ｂ２ｂ層に４つのノード、ｂ２ｃ層に３つのノード、ｂ２ｄ層に２つのノード、ｂ２ｅ層に１つのノードが示されるが、ノードの数は、これに限定されるものではない。ｂ２ａ層のノードの数は、第３畳み込みニューラルネットワークＣＮＮ３の出力側のノードの数と固定条件の数との和に等しくなるように設定される。ｂ２ｅ層のノードの数は、推測するデータの数に等しくなるように設定される。第２学習モデルの推測するデータは、統計値であるため、ここでは、ｂ２ｅ層のノードの数が１に設定される。ｂ２ｃ層とｂ２ｅ層との間には、ｂ２ｂ層～ｂ２ｃ層に加えてさらに多くの中間層が設けられてもよい。
【0084】
第１学習モデルが備える第１畳み込みニューラルネットワークＣＮＮ１に設定されるフィルタと、第２学習モデルが備える第３畳み込みニューラルネットワークＣＮＮ３に設定されるフィルタとは、本実施の形態においては同一にしている。第１学習モデルと第２学習モデルそれぞれが同一の変動条件を学習するので、第１学習モデルと第２学習モデルとの間で、変動条件の学習に関連性を持たせることができる。
【0085】
次に、予測部１３０の詳細な機能について説明する。図１１は、予測部１３０が有する機能の一例を示す図である。予測部１３０は、処理条件取得部１３１と、第１予測部１３３と、第２予測部１３５と、復元部１３７とを含む。処理条件取得部１３１は、処理条件決定部１２０により出力された処理条件を取得する。また、処理条件取得部１３１は、取得した処理条件を第１予測部１３３および第２予測部１３５に出力する。
【0086】
第１予測部１３３には、予測器受信部１１０から第１予測器が入力され、処理条件取得部１３１から処理条件が入力される。第１予測部１３３は、第１予測器に処理条件を入力し、第１予測器に第２予測処理結果を予測させる。第１予測部１３３は、第１予測器により予測された第２予測処理結果を復元部１３７に出力する。
【0087】
第２予測部１３５には、予測器受信部１１０から第２予測器が入力され、処理条件取得部１３１から処理条件が入力される。第２予測部１３５は、第２予測器に処理条件を入力し、第２予測器に予測統計値を予測させる。第２予測部１３５は、第２予測器により予測された予測統計値を復元部１３７に出力する。
【0088】
復元部１３７は、第１予測部１３３から出力された第２予測処理結果と、第２予測部１３５から出力された予測統計値とに基づいて第１予測処理結果を復元する。本実施の形態において、復元部１３７は、第２予測処理結果と予測統計値とを乗算することにより、第１予測処理結果を復元する。復元部１３７は、復元した第２予測処理結果を評価部１４０に出力する。
【0089】
図１２は、学習処理の流れの一例を示すフローチャートである。学習処理は、学習装置２００が備えるＣＰＵ２０１がＲＡＭ２０２に格納された学習モデル生成プログラムを実行することにより、ＣＰＵ２０１により実行される処理である。
【0090】
図１２を参照して、学習装置２００が備えるＣＰＵ２０１は、実験データを取得する。ＣＰＵ２０１は、入出力Ｉ／Ｆ１０７を制御して、基板処理装置３００から実験データを取得する（ステップＳ０１）。実験データは、ＣＤ－ＲＯＭ２０９等の記録媒体に記録された実験データを記憶装置１０４で読み取ることにより取得されてもよい。ここで取得される実験データは、複数である。実験データは、処理条件と、基板処理装置３００において当該処理条件で被膜の処理を行った第１処理結果とを含む。
【0091】
次のステップＳ０２においては、取得された実験データに基づいて第１予測器および第２予測器を含む予測器が生成され、処理はステップＳ０３に進む。ステップＳ０３においては、ＣＰＵ２０１が、入出力Ｉ／Ｆ１０７を制御することにより、予測器を情報処理装置１００に送信する。
【0092】
図１３は、予測器生成の流れの一例を示すフローチャートである。予測器生成は、学習処理のステップＳ０２で、ＣＰＵ２０１により実行される処理である。予測器生成処理が実行される前の段階で実験データが取得されている。
【0093】
図１３を参照して、学習装置２００が備えるＣＰＵ２０１は、実験データから処理条件および第１処理結果を含む複数組のデータセットを取得する（ステップＳ１１）。ステップＳ１２では、一の第１処理条件が選択され、処理はステップＳ１３に進む。取得された複数組のデータセットのうちから１つが選択され、選択されたデータセットに含まれる処理条件が選択される。
【0094】
ステップＳ１３では、選択された第１処理条件に対応する第１処理結果が選択される。ステップＳ１４では、選択された第１処理結果から統計値が算出される。統計値は基板Ｗの径方向に異なる複数の位置それぞれにおける被膜の処理前後の膜厚の差の平均値である。ステップＳ１５では、算出された平均値を用いて選択された第１処理結果が第２処理結果に変換される。第１処理結果を平均値で除算した第２処理結果が算出される。
【0095】
ステップＳ１６では、ＣＰＵ２０１は、選択された処理条件を入力データとして用い、変換された第２処理結果を正解データとして用いて第１学習モデルに機械学習させ、処理をステップＳ１７に進める。ここでは、ＣＰＵ２０１は、入力データを第１学習モデルに入力し、第１学習モデルの出力と正解データとの誤差が小さくなるようにフィルタおよびパラメータを決定する。これにより、第１学習モデルのフィルタおよびパラメータが調整される。
【0096】
ステップＳ１７では、ＣＰＵ２０１は、選択された処理条件を入力データとして用い、第１処理結果から算出された統計値を正解データとして用いて第２学習モデルに機械学習させ、処理をステップＳ１８に進める。ここでは、入力データを第２学習モデルに入力し、第２学習モデルの出力と正解データとの誤差が小さくなるようにフィルタおよびパラメータを決定する。これにより、第２学習モデルのフィルタおよびパラメータが調整される。
【0097】
ステップＳ１８においては、処理対象に選択されていない処理条件が存在するか否かが判断される。未選択の処理条件が存在するならば処理はステップＳ１２に戻るが、そうでなければ処理は終了し、学習処理に戻る。ステップＳ１２～ステップＳ１７の処理が繰り返されることにより、第１予測器および第２予測器が生成される。
【0098】
図１４は、処理条件決定処理の流れの一例を示すフローチャートである。処理条件決定処理は、情報処理装置１００が備えるＣＰＵ１０１がＲＡＭ１０２に格納された処理条件決定プログラムを実行することにより、ＣＰＵ１０１により実行される処理である。情報処理装置１００が備えるＣＰＵ１０１は、予め準備された複数の処理条件のうちから１つを選択し（ステップＳ２１）、処理をステップＳ２２に進める。ここでは、実験計画法、ペアワイズ法またはベイズ推定等を用いて、予め準備された複数の処理条件のうちから１つが選択される。
【0099】
ステップＳ２２においては、第１予測器を用いて、処理条件から第２予測処理結果が推測され、処理はステップＳ２３に進む。ここでは、第１予測器に、変動条件と固定条件とを含む処理条件が入力され、第１予測器が出力する第２予測処理結果が取得される。ステップＳ２３においては、第２予測器を用いて、処理条件から予測統計値が推測され、処理はステップＳ２４に進む。ここでは、第２予測器に、変動条件と固定条件とを含む処理条件が入力され、第２予測器が出力する予測統計値が取得される。
【0100】
ステップＳ２４においては、ステップＳ２３において推測された予測統計値を用いてステップＳ２２において推測された第２予測処理結果が第１予測処理結果に復元される。ステップＳ２３において推測された予測統計値にステップＳ２２において推測された第２予測処理結果を乗算することにより、第１予測処理結果が復元される。
【0101】
ステップＳ２５においては、復元された第１予測処理結果が目標膜厚特性と比較される。基板処理装置３００が処理の対象とする基板Ｗの処理前の膜厚特性と、ステップＳ２４において復元された第１予測処理結果とから基板Ｗを処理した後の膜厚特性が算出される。そして、処理後の膜厚特性が目標膜厚特性と比較される。ここでは、基板Ｗを処理した後の膜厚特性と目標膜厚特性との差分が算出される。
【0102】
ステップＳ２６においては、比較結果が評価基準を満たすか否かが判断される。比較結果が評価基準を満たすならば（ステップＳ２６でＹＥＳ）、処理はステップＳ２７に進むが、そうでなければ処理はステップＳ２１に戻る。ここでは、例えば、差分の最大値が閾値以下である場合に評価基準を満たすと判断する。また、差分の平均が閾値以下である場合に評価基準を満たすと判断する。
【0103】
ステップＳ２７においては、基板処理装置３００を駆動するための処理条件の候補に、ステップＳ２１において選択された変動条件を含む処理条件が設定され、処理はステップＳ２８に進む。ステップＳ２８においては、探索の終了指示が受け付けられたか否かが判断される。情報処理装置１００を操作するユーザーにより終了指示が受け付けられたならば処理はステップＳ２９に進むが、そうでなければ処理はステップＳ２１に戻る。なお、ユーザーにより入力される終了指示に変えて、予め定められた数の処理条件が候補に設定されたか否かが判断されてもよい。
【0104】
ステップＳ２９においては、候補に設定された１以上の処理条件のうちから１つが決定され、処理はステップＳ３０に進む。候補に設定された１以上の処理条件のうちから情報処理装置１００を操作するユーザーにより１つが選択されてもよい。したがって、ユーザーの選択の範囲が広がる。また、複数の処理条件に含まれる変動条件のうちからノズル動作が最も簡略な変動条件が自動的に選択されてもよい。ノズル動作が最も簡略な変動条件は、例えば、変速点の数が最少の変動条件とすることができる。これにより、基板Ｗを処理する複雑なノズル動作に対する処理結果に対して複数の変動条件を提示することができる。複数の変動条件のうちからノズルの制御が容易な変動条件を選択すれば、基板処理装置３００の制御が容易になる。
【0105】
ステップＳ３０においては、ステップＳ２９において決定された処理条件が基板処理装置３００に送信され、処理は終了する。ＣＰＵ１０１は、入出力Ｉ／Ｆ１０７を制御して、処理条件を基板処理装置３００に送信する。基板処理装置３００は、情報処理装置１００から処理条件を受信する場合、その処理条件に従って基板Ｗを処理する。
【0106】
（４）具体例
本実施の形態においては、変動条件は、ノズル動作の処理時間が６０秒、サンプリング間隔０．０１秒でサンプリングした時系列データである。変動条件は、６００１個の値で構成される。このため、変動条件は、複雑なノズル動作を表現することが可能である。特に、ノズルの移動速度を変更する変速点の数を比較的多くしたノズル動作を変動条件で正確に表現することができる。その反面、変動条件の次元数が多いため、変動条件の時系列データを全結合ニューラルネットワークのモデルに機械学習させた場合、オーバフィッティングが発生することがある。
本実施の形態においては、変動条件は、ノズル動作の処理時間が６０秒、サンプリング間隔０．０１秒でサンプリングした時系列データである。変動条件は、６００１個の値で構成される。このため、変動条件は、複雑なノズル動作を表現することが可能である。特に、ノズルの移動速度を変更する変速点の数を比較的多くしたノズル動作を変動条件で正確に表現することができる。その反面、変動条件の次元数が多いため、変動条件の時系列データを全結合ニューラルネットワークのモデルに機械学習させた場合、オーバフィッティングが発生することがある。
【0107】
本実施の形態における予測器生成部２２０は、変動条件と固定条件とを、図９および図１０に示した畳み込みニューラルネットワークを含む学習モデルに機械学習させる。複雑なノズル動作を示す６００１個の値からなる変動条件と固定条件とを、図９および図１０に示した第１学習モデルおよび第２学習モデルに学習させて予測器を生成することにより、予測器による予測された処理結果が好適な結果となることを発明者は実験によって発見した。
【0108】
また、本実施の形態においては、処理条件決定部１２０が好適な処理条件を探索する際に、第１処理結果が異なるものに対応する処理条件が探索されるので、複数の異なる第１処理結果に対応する処理条件が選択される。このため、処理条件決定部１２０は、複数の処理条件のうちから目標となる第１処理結果が予測される処理条件を効率的に探索することができる。
【0109】
なお、サンプリング間隔を０．０１秒とする例を説明したが、サンプリング間隔はこれに限定されない。これより長いサンプリング間隔としてもよいし、これより短いサンプリング間隔としてもよい。例えば、サンプリング間隔は０．１秒としてもよいし、０．００５秒としてもよい。
【0110】
（５）実施の形態の効果
上記実施の形態の学習装置２００によれば、第１処理結果に対する統計処理により統計値が算出され、当該統計値を用いて第１処理結果が第２処理結果に変換される。このため、第１学習モデルに学習させる前に第１学習モデルに学習させる複数の第２処理結果のスケールが統一される。このため、第１学習モデルの精度を向上させることができる。また、スケールの統一に用いた統計値を第２学習モデルに学習させる。このため、学習済の第１学習モデルで一の処理条件から推測される値と、学習済の第２学習モデルで一の処理条件から推測される値とからスケールが統一される前の第１処理結果を推測することができる。
上記実施の形態の学習装置２００によれば、第１処理結果に対する統計処理により統計値が算出され、当該統計値を用いて第１処理結果が第２処理結果に変換される。このため、第１学習モデルに学習させる前に第１学習モデルに学習させる複数の第２処理結果のスケールが統一される。このため、第１学習モデルの精度を向上させることができる。また、スケールの統一に用いた統計値を第２学習モデルに学習させる。このため、学習済の第１学習モデルで一の処理条件から推測される値と、学習済の第２学習モデルで一の処理条件から推測される値とからスケールが統一される前の第１処理結果を推測することができる。
【0111】
また、基板Ｗを処理するために時間の経過に伴って変動する変動条件と固定条件を機械学習させるので、複雑な処理条件から処理結果を推測することが可能な学習モデルを生成することができる。
【0112】
さらに、変動条件が時間の経過に伴って変動する値であるので、第１畳み込みニューラルネットワークＣＮＮ１および第３畳み込みニューラルネットワークＣＮＮ３を用いることにより、時間の要素を考慮した特徴を抽出することができる。また、第１畳み込みニューラルネットワークＣＮＮ１および第３畳み込みニューラルネットワークＣＮＮ３を用いることにより、第１全結合ニューラルネットワークＮＮ１および第２全結合ニューラルネットワークＮＮ２それぞれに入力される学習パラメータの数を少なく抑えることができるので、第１および第２学習モデルの汎化性能を向上させることができる。また、第２処理結果は、基板Ｗの径方向に異なる複数の位置それぞれに定められるので、第２畳み込みニューラルネットワークＣＮＮ２が用いられることにより、基板Ｗの径方向の位置の要素を考慮した特徴が抽出される。このため、第１および第２学習モデルの汎化性能を向上させることができる。
【0113】
また、上記実施の形態の情報処理装置１００によれば、仮の処理条件を第１学習モデルに与えて第１学習モデルにより第２予測処理結果が推測される。同様に仮の処理条件を第２学習モデルに与えて第２学習モデルにより予測統計値が推測される。また、第２予測処理結果と予測統計値とから復元された第１予測処理結果が許容条件を満たす場合に、仮の処理条件が基板Ｗ処理装置を駆動するための処理条件に決定される。このため、許容条件を満たす第１予測処理結果に対して複数の仮の処理条件を決定することができる。その結果、基板Ｗを処理する複雑なプロセスの処理結果に対して複数の処理条件を提示することが可能になる。
【0114】
（６）他の実施の形態
（６－１）図１５は、他の実施の形態における予測器生成部が有する機能の一例を示す図である。図１５に示す他の実施の形態における予測器生成部２２０Ａの有する機能が、図５に示される機能と異なる点は、第１学習モデル生成部２２５がマルチタスク学習モデル生成部２２７に変更された点と、第２学習モデル生成部２２６が削除された点とである。その他の機能は、図５に示した機能と同じなので、ここでは説明を繰り返さない。
（６－１）図１５は、他の実施の形態における予測器生成部が有する機能の一例を示す図である。図１５に示す他の実施の形態における予測器生成部２２０Ａの有する機能が、図５に示される機能と異なる点は、第１学習モデル生成部２２５がマルチタスク学習モデル生成部２２７に変更された点と、第２学習モデル生成部２２６が削除された点とである。その他の機能は、図５に示した機能と同じなので、ここでは説明を繰り返さない。
【0115】
マルチタスク学習モデル生成部２２７には、処理条件取得部２２１から処理条件が入力され、変換部２２４から統計値と第２処理結果とが入力される。マルチタスク学習モデル生成部２２７は、マルチタスク学習モデルに、入力データを入力し、マルチタスク学習モデルに予測処理結果および予測統計値を推測させる。
【0116】
図１６は、マルチタスク学習モデルの一例を説明する図である。図１６を参照して、マルチタスク学習モデルは、Ａ層～Ｃ層が入力側から出力側（上層から下層）に向かってこの順に設けられている。Ａ層には、第１畳み込みニューラルネットワークＣＮＮ１が配置され、Ｂ層には、第１全結合ニューラルネットワークＮＮ１が配置され、Ｃ層には、第２畳み込みニューラルネットワークＣＮＮ２および第２全結合ニューラルネットワークＮＮ２が配置される。
【0117】
第１畳み込みニューラルネットワークＣＮＮ１には、変動条件が入力される。第１全結合ニューラルネットワークＮＮ１には、第１畳み込みニューラルネットワークＣＮＮ１の出力と固定条件とが入力される。第１全結合ニューラルネットワークＮＮ１の出力の一部が第２畳み込みニューラルネットワークＣＮＮ２に入力され、他の部分が第２全結合ニューラルネットワークＮＮ２に入力される。第２畳み込みニューラルネットワークＣＮＮ２は第２処理結果を出力し、第２全結合ニューラルネットワークＮＮ２は統計値を出力する。
【0118】
図１５に戻って、マルチタスク学習モデル生成部２２７は、マルチタスク学習モデルにより推測された第２予測処理結果および予測統計値と、正解データである第２処理結果と統計値の差分を誤差として算出し、算出された誤差が少なくなるようにマルチタスク学習モデルを学習させる。具体的には、マルチタスク学習モデル生成部２２７は、第１畳み込みニューラルネットワークＣＮＮ１が有する複数のフィルタ、第１全結合ニューラルネットワークＮＮ１が有する複数のノードで定められる重みパラメータ、第２全結合ニューラルネットワークＮＮ２が有する複数のノードで定められる重みパラメータ、第２畳み込みニューラルネットワークＣＮＮ２が有する複数のフィルタおよび第３全結合ニューラルネットワークＮＮ３が有する複数のノードで定められる重みパラメータ、それぞれの値を更新する。
【0119】
（６－２）上記実施の形態においては、統計値算出部２２３が第１処理結果を統計処理して求められる統計値として、第１処理結果の平均値を用いたが、これに限定されることはない。統計値は、複数の第２処理結果のスケールの差が複数の第１処理結果のスケールよりも小さくなる値で、かつ、第２処理結果から第１処理結果を復元可能な値であればよい。
【0120】
統計値の一例としては、平均値に代えて、最大値、最小値および中央値等が用いられてもよい。この場合における変換部２２４は、平均値の場合と同様に、第１処理結果を統計値で除算することにより第２処理結果を算出する。
【0121】
また、変換部２２４による変換処理は、第１処理結果を正規化する処理を含んでもよい。具体的には、変換部２２４は、第１処理結果の最小値からの偏差を第１処理結果の範囲（＝最大値－最小値）で除算する処理を実行する。この場合における統計値は、最大値および最小値であり、複数である。
【0122】
また、変換部２２４は、第１処理結果を標準化する処理を含んでもよい。具体的には、変換部２２４は、第１処理結果の平均値からの偏差を標準偏差で除算する処理を実行する。この場合における統計値は、平均値と標準偏差であり、複数である。
【0123】
（７）実施の形態の総括
（第１項） 本発明の一態様に係る学習装置は、
被膜が形成された基板に処理液を供給することにより前記被膜の処理をする基板処理装置を駆動するための処理条件を取得する処理条件取得部と、
前記基板処理装置を前記処理条件で駆動して前記被膜の処理を行った後に、前記基板の径方向に異なる複数の位置それぞれにおける前記被膜の処理の前後の膜厚の差を含む第１処理結果を取得する第１処理結果取得部と、
前記第１処理結果を統計処理して統計値を算出する統計値算出部と、
前記統計値を用いて前記第１処理結果を第２処理結果に変換する変換部と、
前記処理条件と前記第２処理結果とを機械学習して第１学習モデルを生成する第１学習モデル生成部と、
前記処理条件と前記統計値とを機械学習して第２学習モデルを生成する第２学習モデル生成部とを備える。
（第１項） 本発明の一態様に係る学習装置は、
被膜が形成された基板に処理液を供給することにより前記被膜の処理をする基板処理装置を駆動するための処理条件を取得する処理条件取得部と、
前記基板処理装置を前記処理条件で駆動して前記被膜の処理を行った後に、前記基板の径方向に異なる複数の位置それぞれにおける前記被膜の処理の前後の膜厚の差を含む第１処理結果を取得する第１処理結果取得部と、
前記第１処理結果を統計処理して統計値を算出する統計値算出部と、
前記統計値を用いて前記第１処理結果を第２処理結果に変換する変換部と、
前記処理条件と前記第２処理結果とを機械学習して第１学習モデルを生成する第１学習モデル生成部と、
前記処理条件と前記統計値とを機械学習して第２学習モデルを生成する第２学習モデル生成部とを備える。
【0124】
第１項に記載の学習装置によれば、第１処理結果に対する統計処理により統計値が算出され、当該統計値を用いて第１処理結果が第２処理結果に変換される。このため、第１学習モデルに学習させる前に第１学習モデルに学習させる複数の第２処理結果のスケールが統一される。このため、第１学習モデルの精度を向上させることができる。また、スケールの統一に用いた統計値を第２学習モデルに学習させる。このため、学習済の第１学習モデルで一の処理条件から推測される値と、学習済の第２学習モデルで一の処理条件から推測される値とからスケールが統一される前の第１処理結果を推測することができる。その結果、処理条件から処理結果を推測する精度を向上した学習モデルを生成することが可能な学習装置を提供することができる。
【0125】
（第２項）第１項に記載の学習装置において、
前記処理条件は、時間の経過に伴って変動する変動条件と、前記変動条件以外の固定条件と、を含み、
前記第１学習モデルは、前記処理条件のうち前記変動条件が入力される第１畳み込みニューラルネットワークと、
前記第１畳み込みニューラルネットワークの出力と前記処理条件のうち前記固定条件が入力される第１全結合ニューラルネットワークと、
前記第１全結合ニューラルネットワークの出力が入力され、前記第２処理結果を出力する第２畳み込みニューラルネットワークと、を含み、
前記第２学習モデルは、前記処理条件のうち前記変動条件が入力される第３畳み込みニューラルネットワークと、
前記第３畳み込みニューラルネットワークの出力と前記処理条件のうち前記固定条件が入力され、前記統計値を出力する第２全結合ニューラルネットワークと、を含んでもよい。
前記処理条件は、時間の経過に伴って変動する変動条件と、前記変動条件以外の固定条件と、を含み、
前記第１学習モデルは、前記処理条件のうち前記変動条件が入力される第１畳み込みニューラルネットワークと、
前記第１畳み込みニューラルネットワークの出力と前記処理条件のうち前記固定条件が入力される第１全結合ニューラルネットワークと、
前記第１全結合ニューラルネットワークの出力が入力され、前記第２処理結果を出力する第２畳み込みニューラルネットワークと、を含み、
前記第２学習モデルは、前記処理条件のうち前記変動条件が入力される第３畳み込みニューラルネットワークと、
前記第３畳み込みニューラルネットワークの出力と前記処理条件のうち前記固定条件が入力され、前記統計値を出力する第２全結合ニューラルネットワークと、を含んでもよい。
【0126】
第２項に記載の学習装置によれば、変動条件が時間の経過に伴って変動する値であるので、第１畳み込みニューラルネットワークおよび第３畳み込みニューラルネットワークを用いることにより、時間の要素を考慮した特徴を抽出することができる。また、第１畳み込みニューラルネットワークおよび第３畳み込みニューラルネットワークを用いることにより、第１全結合ニューラルネットワークおよび第２全結合ニューラルネットワークそれぞれに入力される学習パラメータの数を少なく抑えることができるので、第１および第２学習モデルの汎化性能を向上させることができる。また、第２処理結果は、基板の径方向に異なる複数の位置それぞれに定められるので、第２畳み込みニューラルネットワークが用いられることにより、基板の径方向の位置の要素を考慮した特徴が抽出される。このため、第１および第２学習モデルの汎化性能を向上させることができる。
【0127】
（第３項）第２項に記載の学習装置において、
前記第１畳み込みニューラルネットワークと前記第３畳み込みニューラルネットワークとは、同じフィルターを有してもよい。
前記第１畳み込みニューラルネットワークと前記第３畳み込みニューラルネットワークとは、同じフィルターを有してもよい。
【0128】
第３項に記載の学習装置によれば、第１学習モデルの第１畳み込みニューラルネットワークのフィルターと第２学習モデルの第３畳み込みニューラルネットワークのフィルターとが同じ数であるため、第１学習モデルおよび第２学習モデルそれぞれにおいて、同一の処理条件から特徴が抽出される条件を同じにして、第１学習モデルによる機械学習と第２学習モデルによる機械学習とを関連付けることができる。
【0129】
（第４項）本発明の他の態様に係る学習装置は、
被膜が形成された基板に処理液を供給することにより前記被膜の処理をする基板処理装置を駆動するための処理条件を取得する処理条件取得部と、
前記基板処理装置を前記処理条件で駆動して前記被膜の処理を行った後に、前記基板の径方向に異なる複数の位置それぞれにおける前記被膜の処理の前後の膜厚の差を含む第１処理結果を取得する第１処理結果取得部と、
前記第１処理結果を統計処理して統計値を算出する統計値算出部と、
前記統計値を用いて前記第１処理結果を第２処理結果に変換する変換部と、
前記処理条件と、前記第２処理結果と、前記統計値と、を含む学習用データを機械学習してマルチタスク学習モデルを生成するマルチタスク学習モデル生成部と、を備える。
被膜が形成された基板に処理液を供給することにより前記被膜の処理をする基板処理装置を駆動するための処理条件を取得する処理条件取得部と、
前記基板処理装置を前記処理条件で駆動して前記被膜の処理を行った後に、前記基板の径方向に異なる複数の位置それぞれにおける前記被膜の処理の前後の膜厚の差を含む第１処理結果を取得する第１処理結果取得部と、
前記第１処理結果を統計処理して統計値を算出する統計値算出部と、
前記統計値を用いて前記第１処理結果を第２処理結果に変換する変換部と、
前記処理条件と、前記第２処理結果と、前記統計値と、を含む学習用データを機械学習してマルチタスク学習モデルを生成するマルチタスク学習モデル生成部と、を備える。
【0130】
第４項に記載の学習装置によれば、第１処理結果に対する統計処理により統計値が算出され、当該統計値を用いて第１処理結果が第２処理結果に変換される。このため、マルチタスク学習モデルに学習させる前にマルチタスク学習モデルに学習させる第２処理結果のスケールが統一される。このため、マルチタスク学習モデルの精度を向上させることができる。また、スケールの統一に用いた統計値をマルチタスク学習モデルに学習させる。このため、学習済のマルチタスク学習モデルで推測される第２処理結果と統計値とからスケールが統一される前の第１処理結果を推測することができる。その結果、処理条件から処理結果を推測する精度を向上したマルチタスク学習モデルを生成することが可能な学習装置を提供することができる。
【0131】
（第５項）第４項に記載の学習装置において、
前記処理条件は、時間の経過に伴って変動する変動条件と、前記変動条件以外の固定条件と、を含み、
前記マルチタスク学習モデルは、前記処理条件のうち前記変動条件が入力される第１畳み込みニューラルネットワークと、
前記第１畳み込みニューラルネットワークの出力と前記処理条件のうち前記固定条件とが入力される第１全結合ニューラルネットワークと、
前記第１全結合ニューラルネットワークの出力の一部が入力され、前記第２処理結果を出力する第２畳み込みニューラルネットワークと、
前記第１全結合ニューラルネットワークの出力の他の部分が入力され、前記統計値を出力する第２全結合ニューラルネットワークと、を含んでもよい。
前記処理条件は、時間の経過に伴って変動する変動条件と、前記変動条件以外の固定条件と、を含み、
前記マルチタスク学習モデルは、前記処理条件のうち前記変動条件が入力される第１畳み込みニューラルネットワークと、
前記第１畳み込みニューラルネットワークの出力と前記処理条件のうち前記固定条件とが入力される第１全結合ニューラルネットワークと、
前記第１全結合ニューラルネットワークの出力の一部が入力され、前記第２処理結果を出力する第２畳み込みニューラルネットワークと、
前記第１全結合ニューラルネットワークの出力の他の部分が入力され、前記統計値を出力する第２全結合ニューラルネットワークと、を含んでもよい。
【0132】
第５項に記載の学習装置によれば、変動条件が時間の経過に伴って変動する値であるので、第１畳み込みニューラルネットワークを用いることにより、時間の要素を考慮した特徴を抽出することができる。また、第１畳み込みニューラルネットワークを用いることにより、第１全結合ニューラルネットワークも入力される学習パラメータの数を抑えることができるので、第１全結合ニューラルネットワークの汎化性能を向上させることができる。また、第２処理結果は、基板の径方向に異なる複数の位置それぞれに定められるので、第２畳み込みニューラルネットワークが用いられることにより、基板の径方向の位置の要素を考慮した特徴が抽出される。このため、マルチタスク学習モデルの汎化性能を向上させることができる。
【0133】
（第６項）第２項、第３項または第５項のいずれか一項に記載の学習装置において、
前記基板処理装置は、基板に処理液を供給するノズルを移動させることにより基板に前記処理液を供給し、
前記変動条件は、時間の経過に伴って変動する前記ノズルの基板に対する相対位置を示すノズル移動条件を含んでもよい。
前記基板処理装置は、基板に処理液を供給するノズルを移動させることにより基板に前記処理液を供給し、
前記変動条件は、時間の経過に伴って変動する前記ノズルの基板に対する相対位置を示すノズル移動条件を含んでもよい。
【0134】
第６項に記載の学習装置によれば、ノズル移動条件が第１畳み込みニューラルネットワークに入力される。このため、ノズル移動条件から処理結果を予測可能な学習モデルを生成することができる。
【0135】
（第７項）本発明の他の態様に係る情報処理装置は、
基板処理装置を管理する情報処理装置であって、
前記基板処理装置は、時間の経過に伴って変動する変動条件を含む処理条件で、被膜が形成された基板に処理液を供給することにより、前記被膜の処理をし、
前記基板処理装置により前記被膜の処理をされる前に前記基板に形成された前記被膜について前記被膜の処理の前後の膜厚の差を示す予測処理結果を推測する予測器を用いて、前記基板処理装置を駆動するための処理条件を決定する処理条件決定部を備え、
前記予測器は、前記基板処理装置を前記処理条件で駆動して前記被膜の処理を行った後に、前記基板の径方向に異なる複数の位置それぞれにおける前記被膜の処理の前後の膜厚の差を含む第１処理結果を統計処理して得られる統計値で前記第１処理結果を変換した第２処理結果と、前記処理条件と、を機械学習することにより生成された第１学習モデルと、
前記処理条件と前記統計値とを機械学習することにより生成された第２学習モデルと、を備え、
前記処理条件決定部は、仮の処理条件を前記第１学習モデルに与えて推測される第２予測処理結果と、前記仮の処理条件を前記第２学習モデルに与えて推測される予測統計値とから第１予測処理結果を復元する復元部を含み、
前記復元部により復元された前記第１予測処理結果が許容条件を満たす場合に前記仮の処理条件を、前記基板処理装置を駆動するための処理条件に決定する。
基板処理装置を管理する情報処理装置であって、
前記基板処理装置は、時間の経過に伴って変動する変動条件を含む処理条件で、被膜が形成された基板に処理液を供給することにより、前記被膜の処理をし、
前記基板処理装置により前記被膜の処理をされる前に前記基板に形成された前記被膜について前記被膜の処理の前後の膜厚の差を示す予測処理結果を推測する予測器を用いて、前記基板処理装置を駆動するための処理条件を決定する処理条件決定部を備え、
前記予測器は、前記基板処理装置を前記処理条件で駆動して前記被膜の処理を行った後に、前記基板の径方向に異なる複数の位置それぞれにおける前記被膜の処理の前後の膜厚の差を含む第１処理結果を統計処理して得られる統計値で前記第１処理結果を変換した第２処理結果と、前記処理条件と、を機械学習することにより生成された第１学習モデルと、
前記処理条件と前記統計値とを機械学習することにより生成された第２学習モデルと、を備え、
前記処理条件決定部は、仮の処理条件を前記第１学習モデルに与えて推測される第２予測処理結果と、前記仮の処理条件を前記第２学習モデルに与えて推測される予測統計値とから第１予測処理結果を復元する復元部を含み、
前記復元部により復元された前記第１予測処理結果が許容条件を満たす場合に前記仮の処理条件を、前記基板処理装置を駆動するための処理条件に決定する。
【0136】
第７項に記載の情報処理装置によれば、仮の処理条件を第１学習モデルに与えて第１学習モデルにより第２予測処理結果が推測される。また、仮の処理条件を第２学習モデルに与えて第２学習モデルにより予測統計値が推測される。また、第２予測処理結果と予測統計値とから復元された第１予測処理結果が許容条件を満たす場合に、仮の処理条件が基板処理装置を駆動するための処理条件に決定される。このため、許容条件を満たす第１予測処理結果に対して複数の仮の処理条件を決定することができる。その結果、基板を処理する複雑なプロセスの処理結果に対して複数の処理条件を提示することが可能になる。
【0137】
（第８項）本発明の他の態様に係る情報処理装置は、
基板処理装置を管理する情報処理装置であって、
前記基板処理装置は、時間の経過に伴って変動する変動条件を含む処理条件で、被膜が形成された基板に処理液を供給することにより、前記被膜の処理をし、
前記基板処理装置により前記被膜の処理をされる前の前記基板に形成された前記被膜について前記被膜の処理の前後の膜厚の差を示す予測処理結果を推測する予測器を用いて、前記基板処理装置を駆動するための処理条件を決定する処理条件決定部を備え、
前記予測器は、前記基板処理装置を前記処理条件で駆動して前記被膜の処理を行った後に、前記基板の径方向に異なる複数の位置それぞれにおける前記被膜の処理の前後の膜厚の差を含む第１処理結果を統計処理して得られる統計値で前記第１処理結果を変換した第２処理結果および前記統計値を目的変数として含みかつ前記処理条件を説明変数として含む学習用データを機械学習することにより生成されたマルチタスク学習モデルと、を備え、
前記処理条件決定部は、仮の処理条件を前記マルチタスク学習モデルに与えて推測される第２予測処理結果と予測統計値とから第１予測処理結果を復元する復元部を含み、
前記復元部により復元された前記第１予測処理結果が許容条件を満たす場合に前記仮の処理条件を、前記基板処理装置を駆動するための処理条件に決定する。
基板処理装置を管理する情報処理装置であって、
前記基板処理装置は、時間の経過に伴って変動する変動条件を含む処理条件で、被膜が形成された基板に処理液を供給することにより、前記被膜の処理をし、
前記基板処理装置により前記被膜の処理をされる前の前記基板に形成された前記被膜について前記被膜の処理の前後の膜厚の差を示す予測処理結果を推測する予測器を用いて、前記基板処理装置を駆動するための処理条件を決定する処理条件決定部を備え、
前記予測器は、前記基板処理装置を前記処理条件で駆動して前記被膜の処理を行った後に、前記基板の径方向に異なる複数の位置それぞれにおける前記被膜の処理の前後の膜厚の差を含む第１処理結果を統計処理して得られる統計値で前記第１処理結果を変換した第２処理結果および前記統計値を目的変数として含みかつ前記処理条件を説明変数として含む学習用データを機械学習することにより生成されたマルチタスク学習モデルと、を備え、
前記処理条件決定部は、仮の処理条件を前記マルチタスク学習モデルに与えて推測される第２予測処理結果と予測統計値とから第１予測処理結果を復元する復元部を含み、
前記復元部により復元された前記第１予測処理結果が許容条件を満たす場合に前記仮の処理条件を、前記基板処理装置を駆動するための処理条件に決定する。
【0138】
第８項に記載の情報処理装置によれば、仮の処理条件をマルチタスク学習モデルに与えてマルチタスク学習モデルにより第２予測処理結果と予測統計値とが推測される。また、第２予測処理結果と予測統計値とから復元された第１予測処理結果が許容条件を満たす場合に、仮の処理条件が基板処理装置を駆動するための処理条件に決定される。このため、許容条件を満たす第１予測処理結果に対して複数の仮の処理条件を決定することができる。その結果、基板を処理する複雑なプロセスの処理結果に対して複数の処理条件を提示することが可能になる。
【0139】
（第９項）本発明の他の態様に係る基板処理装置は、
請求項７または８に記載の情報処理装置を備える。
請求項７または８に記載の情報処理装置を備える。
【0140】
第９項に記載の基板処理装置によれば、基板を処理する複雑なプロセスの処理結果に対して適切な処理条件で被膜の処理を実行することが可能な基板処理装置を提供することが可能になる。
【0141】
（第１０項）本発明の他の態様に係る学習モデル生成方法は、
被膜が形成された基板に処理液を供給することにより前記被膜の処理をする基板処理装置を駆動するための処理条件を取得する処理条件取得ステップと、
前記基板処理装置を前記処理条件で駆動して前記被膜の処理を行った後に、前記基板の径方向に異なる複数の位置それぞれにおける前記被膜の処理の前後の膜厚の差を含む第１処理結果を取得する第１処理結果取得ステップと、
前記第１処理結果を統計処理して統計値を算出する統計値算出ステップと、
前記統計値を用いて前記第１処理結果を第２処理結果に変換する変換ステップと、
前記処理条件と前記第２処理結果とを機械学習して第１学習モデルを生成する第１学習モデル生成ステップと、
前記処理条件と前記統計値とを機械学習して第２学習モデルを生成する第２学習モデル生成ステップとを、学習装置に実行させる。
被膜が形成された基板に処理液を供給することにより前記被膜の処理をする基板処理装置を駆動するための処理条件を取得する処理条件取得ステップと、
前記基板処理装置を前記処理条件で駆動して前記被膜の処理を行った後に、前記基板の径方向に異なる複数の位置それぞれにおける前記被膜の処理の前後の膜厚の差を含む第１処理結果を取得する第１処理結果取得ステップと、
前記第１処理結果を統計処理して統計値を算出する統計値算出ステップと、
前記統計値を用いて前記第１処理結果を第２処理結果に変換する変換ステップと、
前記処理条件と前記第２処理結果とを機械学習して第１学習モデルを生成する第１学習モデル生成ステップと、
前記処理条件と前記統計値とを機械学習して第２学習モデルを生成する第２学習モデル生成ステップとを、学習装置に実行させる。
【0142】
第１０項に記載の学習モデル生成方法によれば、第１処理結果に対する統計処理により統計値が算出され、当該統計値を用いて第１処理結果が第２処理結果に変換される。このため、第１学習モデルに学習させる前に第１学習モデルに学習させる複数の第２処理結果のスケールが統一される。このため、第１学習モデルの精度を向上させることができる。また、スケールの統一に用いた統計値を第２学習モデルに学習させる。このため、学習済の第１学習モデルで一の処理条件から推測される値と、学習済の第２学習モデルで一の処理条件から推測される値とからスケールが統一される前の第１処理結果を推測することができる。
【0143】
（第１１項）本発明の他の態様に係る学習モデル生成方法は、
被膜が形成された基板に処理液を供給することにより前記被膜の処理をする基板処理装置を駆動するための処理条件を取得する処理条件取得ステップと、
前記基板処理装置を前記処理条件で駆動して前記被膜の処理を行った後に、前記基板の径方向に異なる複数の位置それぞれにおける前記被膜の処理の前後の膜厚の差を含む第１処理結果を取得する第１処理結果取得ステップと、
前記第１処理結果を統計処理して統計値を算出する統計値算出ステップと、
前記統計値を用いて前記第１処理結果を第２処理結果に変換する変換ステップと、
前記処理条件と、前記第２処理結果と、前記統計値と、を含む学習用データを機械学習してマルチタスク学習モデルを生成するマルチタスク学習モデル生成ステップと、を学習装置に実行させる。
被膜が形成された基板に処理液を供給することにより前記被膜の処理をする基板処理装置を駆動するための処理条件を取得する処理条件取得ステップと、
前記基板処理装置を前記処理条件で駆動して前記被膜の処理を行った後に、前記基板の径方向に異なる複数の位置それぞれにおける前記被膜の処理の前後の膜厚の差を含む第１処理結果を取得する第１処理結果取得ステップと、
前記第１処理結果を統計処理して統計値を算出する統計値算出ステップと、
前記統計値を用いて前記第１処理結果を第２処理結果に変換する変換ステップと、
前記処理条件と、前記第２処理結果と、前記統計値と、を含む学習用データを機械学習してマルチタスク学習モデルを生成するマルチタスク学習モデル生成ステップと、を学習装置に実行させる。
【0144】
第１１項に記載の学習モデル生成方法によれば、第１処理結果に対する統計処理により統計値が算出され、当該統計値を用いて第１処理結果が第２処理結果に変換される。このため、マルチタスク学習モデルに学習させる前にマルチタスク学習モデルに学習させる第２処理結果のスケールが統一される。このため、マルチタスク学習モデルの精度を向上させることができる。また、スケールの統一に用いた統計値をマルチタスク学習モデルに学習させる。このため、学習済のマルチタスク学習モデルで推測される第２処理結果と統計値とからスケールが統一される前の第１処理結果を推測することができる。その結果、処理条件から処理結果を推測する精度を向上したマルチタスク学習モデルを生成することが可能な学習装置を提供することができる。
【0145】
（第１２項）本発明の他の態様に係る処理条件決定方法は、
基板処理装置を管理する情報処理装置で実行される処理条件決定方法であって、
前記基板処理装置は、時間の経過に伴って変動する変動条件を含む処理条件で、被膜が形成された基板に処理液を供給することにより、前記被膜の処理をし、
前記基板処理装置により前記被膜の処理をされる前の前記基板に形成された前記被膜について前記被膜の処理の前後の膜厚の差を示す予測処理結果を推測する予測器を用いて、前記基板処理装置を駆動するための処理条件を決定する処理条件決定ステップを含み、
前記予測器は、前記基板処理装置を前記処理条件で駆動して前記被膜の処理を行った後に、前記基板の径方向に異なる複数の位置それぞれにおける前記被膜の処理の前後の膜厚の差を含む第１処理結果を統計処理して得られる統計値で前記第１処理結果を変換した第２処理結果と、前記処理条件と、を機械学習することにより生成された第１学習モデルと、
前記処理条件と前記統計値とを機械学習することにより生成された第２学習モデルと、を備え、
前記処理条件決定ステップは、仮の処理条件を前記第１学習モデルに与えて推測される第２予測処理結果と、前記仮の処理条件を前記第２学習モデルに与えて推測される予測統計値とから第１予測処理結果を復元する復元ステップと、
前記復元ステップにおいて復元された前記第１予測処理結果が許容条件を満たす場合に前記仮の処理条件を、前記基板処理装置を駆動するための処理条件に決定するステップと、を含む。
基板処理装置を管理する情報処理装置で実行される処理条件決定方法であって、
前記基板処理装置は、時間の経過に伴って変動する変動条件を含む処理条件で、被膜が形成された基板に処理液を供給することにより、前記被膜の処理をし、
前記基板処理装置により前記被膜の処理をされる前の前記基板に形成された前記被膜について前記被膜の処理の前後の膜厚の差を示す予測処理結果を推測する予測器を用いて、前記基板処理装置を駆動するための処理条件を決定する処理条件決定ステップを含み、
前記予測器は、前記基板処理装置を前記処理条件で駆動して前記被膜の処理を行った後に、前記基板の径方向に異なる複数の位置それぞれにおける前記被膜の処理の前後の膜厚の差を含む第１処理結果を統計処理して得られる統計値で前記第１処理結果を変換した第２処理結果と、前記処理条件と、を機械学習することにより生成された第１学習モデルと、
前記処理条件と前記統計値とを機械学習することにより生成された第２学習モデルと、を備え、
前記処理条件決定ステップは、仮の処理条件を前記第１学習モデルに与えて推測される第２予測処理結果と、前記仮の処理条件を前記第２学習モデルに与えて推測される予測統計値とから第１予測処理結果を復元する復元ステップと、
前記復元ステップにおいて復元された前記第１予測処理結果が許容条件を満たす場合に前記仮の処理条件を、前記基板処理装置を駆動するための処理条件に決定するステップと、を含む。
【0146】
第１２項に記載の処理条件決定方法によれば、仮の処理条件を第１学習モデルに与えて第１学習モデルにより第２予測処理結果が推測される。同様に仮の処理条件を第２学習モデルに与えて第２学習モデルにより予測統計値が推測される。また、第２予測処理結果と予測統計値とから復元された第１予測処理結果が許容条件を満たす場合に、仮の処理条件が基板処理装置を駆動するための処理条件に決定される。このため、許容条件を満たす第１予測処理結果に対して複数の仮の処理条件を決定することができる。その結果、基板を処理する複雑なプロセスの処理結果に対して複数の処理条件を提示することが可能になる。
【0147】
（第１３項）本発明の他の態様に係る処理条件決定方法は、
基板処理装置を管理する情報処理装置で実行される処理条件決定方法であって、
前記基板処理装置は、時間の経過に伴って変動する変動条件を含む処理条件で、被膜が形成された基板に処理液を供給することにより、前記被膜の処理をし、
前記基板処理装置により前記被膜の処理をされる前の前記基板に形成された前記被膜について前記被膜の処理の前後の膜厚の差を示す予測処理結果を推測する予測器を用いて、前記基板処理装置を駆動するための処理条件を決定する処理条件決定ステップを、含み、
前記予測器は、前記基板処理装置を前記処理条件で駆動して前記被膜の処理を行った後に、前記基板の径方向に異なる複数の位置それぞれにおける前記被膜の処理の前後の膜厚の差を含む第１処理結果を統計処理して得られる統計値で前記第１処理結果を変換した第２処理結果と、前記統計値と、前記処理条件と、を含む学習用データを機械学習することにより生成されたマルチタスク学習モデルと、を備え、
前記処理条件決定ステップは、仮の処理条件を前記マルチタスク学習モデルに与えて推測される第２予測処理結果と予測統計値とから第１予測処理結果を復元する復元ステップと、
前記復元ステップにおいて復元された前記第１予測処理結果が許容条件を満たす場合に前記仮の処理条件を、前記基板処理装置を駆動するための処理条件に決定するステップと、を含む。
基板処理装置を管理する情報処理装置で実行される処理条件決定方法であって、
前記基板処理装置は、時間の経過に伴って変動する変動条件を含む処理条件で、被膜が形成された基板に処理液を供給することにより、前記被膜の処理をし、
前記基板処理装置により前記被膜の処理をされる前の前記基板に形成された前記被膜について前記被膜の処理の前後の膜厚の差を示す予測処理結果を推測する予測器を用いて、前記基板処理装置を駆動するための処理条件を決定する処理条件決定ステップを、含み、
前記予測器は、前記基板処理装置を前記処理条件で駆動して前記被膜の処理を行った後に、前記基板の径方向に異なる複数の位置それぞれにおける前記被膜の処理の前後の膜厚の差を含む第１処理結果を統計処理して得られる統計値で前記第１処理結果を変換した第２処理結果と、前記統計値と、前記処理条件と、を含む学習用データを機械学習することにより生成されたマルチタスク学習モデルと、を備え、
前記処理条件決定ステップは、仮の処理条件を前記マルチタスク学習モデルに与えて推測される第２予測処理結果と予測統計値とから第１予測処理結果を復元する復元ステップと、
前記復元ステップにおいて復元された前記第１予測処理結果が許容条件を満たす場合に前記仮の処理条件を、前記基板処理装置を駆動するための処理条件に決定するステップと、を含む。
【0148】
第１３項に記載の処理条件決定方法によれば、仮の処理条件をマルチタスク学習モデルに与えてマルチタスク学習モデルにより第２予測処理結果と予測統計値とが推測される。また、第２予測処理結果と予測統計値とから復元された第１予測処理結果が許容条件を満たす場合に、仮の処理条件が基板処理装置を駆動するための処理条件に決定される。このため、許容条件を満たす第１予測処理結果に対して複数の仮の処理条件を決定することができる。その結果、基板を処理する複雑なプロセスの処理結果に対して複数の処理条件を提示することが可能になる。
【符号の説明】
【0149】
１…基板処理システム，１０…制御装置，１００…情報処理装置，１１０…予測器受信部，１２０…処理条件決定部，１３０…予測部，１３１…処理条件取得部，１３３…第１予測部，１３５…第２予測部，１３７…復元部，１４０…評価部，１５０…処理条件送信部，２００…学習装置，２１０…実験データ取得部，２２０…予測器生成部，２２０Ａ…予測器生成部，２２１…処理条件取得部，２２２…第１処理結果取得部，２２３…統計値算出部，２２４…変換部，２２５…第１学習モデル生成部，２２６…第２学習モデル生成部，２２７…マルチタスク学習モデル生成部，２３０…予測器送信部，３００…基板処理装置，３０１…ノズル移動機構，３０３…ノズルモータ，３０５…ノズルアーム，３１１…ノズル，ＣＮＮ１～ＣＮＮ３…第１～第３畳み込みニューラルネットワーク，ＮＮ１～ＮＮ３…第１～第３全結合ニューラルネットワーク，ＳＣ…スピンチャック，ＳＭ…スピンモータ，Ｗ…基板，ＷＵ…基板処理ユニット
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】
【図11】
【図12】
【図13】
【図14】
【図15】
【図16】