特開 2024-137177 予測モデル生成装置、情報処理装置、基板処理装置、予測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】P2024137177

(43)【公開日】2024-10-07

(54)【発明の名称】予測モデル生成装置、情報処理装置、基板処理装置、予測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 20060101AFI20240927BHJP

   H01L 21/00 20060101ALI20240927BHJP

【ＦＩ】

H01L21/306 A

H01L21/00

【審査請求】未請求

【請求項の数】9

【出願形態】ＯＬ

(21)【出願番号】P 2023048592

(22)【出願日】2023-03-24

(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】福田 啓太朗

(72)【発明者】

【氏名】篠原 健介

(72)【発明者】

【氏名】▲高▼木 義徳

【テーマコード（参考）】

5F043

【Ｆターム（参考）】

5F043BB01

5F043BB22

5F043BB23

5F043EE08

5F043EE40

5F043GG10

(57)【要約】

【課題】
基板処理装置の処理条件から処理結果を予測する精度を向上させる。
【解決手段】
予測モデル生成装置は、基板処理装置で実行される処理の処理条件と、当該処理の処理結果を取得するデータ取得部２２１と、データ取得部２２１によって取得された処理条件の少なくとも１つの条件と処理結果とを回帰分析することにより、説明変数および複数のパラメータを有する第１予測アルゴリズムを生成する第１予測アルゴリズム生成部２２３と、第１予測アルゴリズムを用いて追加情報を生成する追加情報生成部２２５と、追加情報と処理条件と処理結果とを機械学習して第２予測アルゴリズムを生成する第２予測アルゴリズム生成部２２７と、を備え、第１予測アルゴリズムは、処理条件に含まれる少なくとも１つの条件で用いられる変数を説明変数とし、複数のパラメータを用いて処理結果の推定値を算出する回帰式である。
【選択図】図６

【特許請求の範囲】

【請求項1】

基板処理装置で実行される処理の処理条件と、当該処理の処理結果を取得するデータ取得部と、
前記データ取得部によって取得された前記処理条件の前記少なくとも１つの条件と前記処理結果とを回帰分析することにより、説明変数および複数のパラメータを有する第１予測アルゴリズムを生成する第１予測アルゴリズム生成部と、
前記第１予測アルゴリズムを用いて追加情報を生成する追加情報生成部と、
前記追加情報と前記処理条件と前記処理結果とを機械学習して第２予測アルゴリズムを生成する第２予測アルゴリズム生成部と、を備え、
前記第１予測アルゴリズムは、前記処理条件に含まれる少なくとも１つの条件で用いられる変数を前記説明変数とし、前記複数のパラメータを用いて前記処理結果の推定値を算出する回帰式である、予測モデル生成装置。

【請求項2】

前記追加情報生成部は、前記処理条件の少なくとも１つの条件を前記第１予測アルゴリズムに与えて前記第１予測アルゴリズムにより予測される予測処理結果を前記追加情報として生成する、請求項１記載の予測モデル生成装置。

【請求項3】

前記第１予測アルゴリズム生成部は、前記複数のパラメータを決定することにより前記第１予測アルゴリズムを生成し、
前記追加情報生成部は、前記複数のパラメータを前記追加情報として生成する、請求項１に記載の予測モデル生成装置。

【請求項4】

前記追加情報生成部は、前記処理条件の少なくとも１つの条件を前記第１予測アルゴリズムに与えて前記第１予測アルゴリズムにより予測される予測処理結果を、さらに前記追加情報として生成する、請求項３に記載の予測モデル生成装置。

【請求項5】

前記第１予測アルゴリズム生成部は、前記処理結果と前記処理条件とを含むデータセットの複数組を前記回帰式に与えて回帰分析することにより前記第１予測アルゴリズムを生成する、請求項１～４のいずれか一項に記載の予測モデル生成装置。

【請求項6】

処理条件に従って処理を実行する基板処理装置を管理する情報処理装置であって、
第１予測アルゴリズムに基づいて追加情報を生成する追加情報生成部と、
仮の処理条件と前記追加情報生成部により生成された前記追加情報とを第２予測アルゴリズムに与えて前記第２予測アルゴリズムにより推測される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、前記基板処理装置に前記処理を実行させるための処理条件に決定する処理条件決定部と、を備え、
前記第１予測アルゴリズムは、前記処理条件に含まれる少なくとも１つの条件で用いられる変数を説明変数とし、複数のパラメータを用いて前記処理結果の推定値を算出する回帰式であり、
前記第１予測アルゴリズムは、前記基板処理装置が前記処理を実行して得られる処理条件および処理結果を含むデータセットを前記回帰式に与えて回帰分析することにより生成され、
前記第２予測アルゴリズムは、前記データセットと、前記追加情報生成部により生成される前記追加情報とを機械学習することにより生成される、情報処理装置。

【請求項7】

請求項６に記載の情報処理装置を備えた、基板処理装置。

【請求項8】

基板処理装置で実行される処理の処理条件と、当該処理の処理結果を取得するデータ取得ステップと、
前記データ取得ステップにおいて取得された前記処理条件と前記処理結果とに基づき、第１予測アルゴリズムを生成する第１予測アルゴリズム生成ステップと、
前記第１予測アルゴリズムを用いて追加情報を生成する追加情報生成ステップと、
前記追加情報と前記処理条件と前記処理結果とを機械学習して第２予測アルゴリズムを生成する第２予測アルゴリズム生成ステップと、を備え、
前記第１予測アルゴリズムは、前記処理条件に含まれる少なくとも１つの条件で用いられる変数を説明変数とし、複数のパラメータを用いて前記処理結果の推定値を算出する回帰式である、予測モデル生成方法。

【請求項9】

処理条件に従って処理を実行する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、
第１予測アルゴリズムに基づいて追加情報を生成する追加情報生成ステップと、
仮の処理条件と、前記追加情報生成ステップにおいて生成された前記追加情報とを第２予測アルゴリズムに与えて前記第２予測アルゴリズムにより推測される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、前記基板処理装置に前記処理を実行させるための処理条件に決定する処理条件決定ステップと、を備え、
前記第１予測アルゴリズムは、前記処理条件に含まれる少なくとも１つの条件で用いられる変数を説明変数とし、複数のパラメータを用いて前記処理結果の推定値を算出する回帰式であり、
前記第１予測アルゴリズムは、前記基板処理装置が前記処理を実行して得られる処理条件および処理結果を含むデータセットを前記回帰式に与えて回帰分析することにより生成され、
前記第２予測アルゴリズムは、前記データセットと、前記追加情報生成ステップにおいて生成される前記追加情報とを機械学習することにより生成される、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、予測モデル生成装置、情報処理装置、基板処理装置、予測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エッチングプロセスがある。エッチングプロセスでは、基板に薬液を塗布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。しかし、エッチング処理は、被膜が処理される処理量がノズルを移動させる動作の違いによって変化する複雑なプロセスである。また、エッチング処理により被膜が処理される処理量は、基板を処理した後に判明する。このため、ノズルを移動させる動作を設定する作業は、技術者による試行錯誤が必要である。ノズルの最適な動作を決定するには、多大なコスト及び時間を要する。

【0003】

特開２０２１－１０８３６７号公報には、「入力」を処理量（エッチング量）とし、「出力」をスキャン速度情報とする学習用データで機械学習させた学習済モデルを用いて、目標とする処理量からスキャン速度情報を決定する装置が記載されている。この技術によれば、目標とする処理量から１つのスキャン速度情報が決定される。

【先行技術文献】

【特許文献】

【0004】

【特許文献1】特開２０２１－１０８３６７号公報

【発明の概要】

【発明が解決しようとする課題】

【0005】

機械学習による学習モデルの精度を向上させるためには、学習に適した学習用データを準備する必要がある。学習用データは、説明変数と目的変数とを含むが、説明変数が学習に適していない学習用データで学習した学習モデルは十分な精度を確保できない場合がある。このため、学習に適した説明変数を含む学習用データを準備する必要があるが、機械学習させるために収集することのできる説明変数の種類は、説明変数を収集するためのコストおよび時間の面で限界がある。このため、学習モデルの精度を向上させることに限界があった。

【0006】

本発明の目的の１つは、機械学習に用いるデータの種類を増加させることが可能な予測モデル生成装置を提供することである。

【0007】

本発明の他の目的は、予測精度を向上させた予測モデルを用いて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、その情報処理装置を備えた基板処理装置を提供することである。

【0008】

本発明のさらに他の目的は、機械学習に用いるデータの種類を増加させることが可能な予測モデル生成方法を提供することである。

【0009】

本発明のさらに他の目的は、予測精度を向上させた予測モデルを用いて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】

【0010】

本発明の一局面に従う予測モデル生成装置は、基板処理装置で実行される処理の処理条件と、当該処理の処理結果を取得するデータ取得部と、データ取得部によって取得された処理条件の少なくとも１つの条件と処理結果とを回帰分析することにより、説明変数および複数のパラメータを有する第１予測アルゴリズムを生成する第１予測アルゴリズム生成部と、第１予測アルゴリズムを用いて追加情報を生成する追加情報生成部と、追加情報と処理条件と処理結果とを機械学習して第２予測アルゴリズムを生成する第２予測アルゴリズム生成部と、を備え、第１予測アルゴリズムは、処理条件に含まれる少なくとも１つの条件で用いられる変数を説明変数とし、複数のパラメータを用いて処理結果の推定値を算出する回帰式である。

【0011】

本発明の他の局面に従う情報処理装置は、処理条件に従って処理を実行する基板処理装置を管理する情報処理装置であって、第１予測アルゴリズムに基づいて追加情報を生成する追加情報生成部と、仮の処理条件と追加情報生成部により生成された追加情報とを第２予測アルゴリズムに与えて第２予測アルゴリズムにより推測される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、基板処理装置に処理を実行させるための処理条件に決定する処理条件決定部と、を備え、第１予測アルゴリズムは、処理条件に含まれる少なくとも１つの条件で用いられる変数を説明変数とし、複数のパラメータを用いて処理結果の推定値を算出する回帰式であり、第１予測アルゴリズムは、基板処理装置が処理を実行して得られる処理条件および処理結果を含むデータセットを回帰式に与えて回帰分析することにより生成され、第２予測アルゴリズムは、データセットと、追加情報生成部により生成される追加情報とを機械学習することにより生成される。

【0012】

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。

【0013】

本発明のさらに他の局面に従う予測モデル生成方法は、基板処理装置で実行される処理の処理条件と、当該処理の処理結果を取得するデータ取得ステップと、データ取得ステップにおいて取得された処理条件と処理結果とに基づき、第１予測アルゴリズムを生成する第１予測アルゴリズム生成ステップと、第１予測アルゴリズムを用いて追加情報を生成する追加情報生成ステップと、追加情報と処理条件と処理結果とを機械学習して第２予測アルゴリズムを生成する第２予測アルゴリズム生成ステップと、を備え、第１予測アルゴリズムは、処理条件に含まれる少なくとも１つの条件で用いられる変数を説明変数とし、複数のパラメータを用いて処理結果の推定値を算出する回帰式である。

【0014】

本発明のさらに他の局面に従う処理条件決定方法は、処理条件に従って処理を実行する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、第１予測アルゴリズムに基づいて追加情報を生成する追加情報生成ステップと、仮の処理条件と、追加情報生成ステップにおいて生成された追加情報とを第２予測アルゴリズムに与えて第２予測アルゴリズムにより推測される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、基板処理装置に処理を実行させるための処理条件に決定する処理条件決定ステップと、を備え、第１予測アルゴリズムは、処理条件に含まれる少なくとも１つの条件で用いられる変数を説明変数とし、複数のパラメータを用いて処理結果の推定値を算出する回帰式であり、第１予測アルゴリズムは、基板処理装置が処理を実行して得られる処理条件および処理結果を含むデータセットを回帰式に与えて回帰分析することにより生成され、第２予測アルゴリズムは、データセットと、追加情報生成ステップにおいて生成される前記追加情報とを機械学習することにより生成される。

【発明の効果】

【0015】

機械学習に用いるデータの種類を増加させることが可能な予測モデル生成装置および予測モデル生成方法を提供することができる。また、予測精度を向上させた予測モデルを用いて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、処理条件決定方法およびその情報処理装置を備えた基板処理装置を提供することができる。

【図面の簡単な説明】

【0016】

【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】予測モデル生成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】処理結果を説明するための図である。

【図6】予測モデル生成部が有する機能の一例を示す図である。

【図7】第２予測アルゴリズムの生成に用いられる学習機能を説明するための図である。

【図8】予測モデル生成処理の流れの一例を示すフローチャートである。

【図9】第１予測アルゴリズム生成の流れの一例を示すフローチャートである。

【図10】第２予測アルゴリズム生成の流れの一例を示すフローチャートである。

【図11】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。

【発明を実施するための形態】

【0017】

（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、予測モデル生成装置２００および基板処理装置３００を含む。予測モデル生成装置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。

【0018】

予測モデル生成装置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、予測モデル生成装置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。

【0019】

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、予測モデル生成装置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、予測モデル生成装置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。

【0020】

なお、予測モデル生成装置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予測モデル生成装置２００に渡されてもよい。また、予測モデル生成装置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。

【0021】

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。

【0022】

（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。

【0023】

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、表面ノズル３１１と、ノズル移動機構３０１と、裏面ノズル３１２と、を備える。スピンチャックＳＣは、水平な姿勢で保持された円板状のスピンベースＳＢと、スピンベースＳＢの上方で基板Ｗを水平な姿勢で保持可能な複数のチャックピン３０６とを含む。これにより、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。

【0024】

表面ノズル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。表面ノズル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。表面ノズル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。裏面ノズル３１２は、スピンチャックＳＣに保持された基板Ｗの裏面（下面）にエッチング液を供給する。裏面ノズル３１２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、回転中の基板Ｗの裏面に向けてエッチング液を吐出する。以下、裏面ノズル３１２からエッチング液の吐出を行う処理を裏面吐出処理と呼ぶ。本実施の形態においては、基板処理装置３００の被膜の処理において、裏面吐出処理が行われる。

【0025】

ノズル移動機構３０１は、略水平方向に表面ノズル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表面ノズル３１１が取り付けられる。

【0026】

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表面ノズル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）。表面ノズル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。

【0027】

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。

【0028】

予測モデル生成装置２００には、基板処理装置３００から実験データが入力される。予測モデル生成装置２００は、実験データを用いて第１予測アルゴリズムおよび第２予測アルゴリズムを含む予測モデルを生成し、予測モデルを情報処理装置１００に出力する。

【0029】

情報処理装置１００は、予測モデルを用いて、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。

【0030】

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。

【0031】

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。

【0032】

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。

【0033】

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。

【0034】

図３は、予測モデル生成装置の構成の一例を示す図である。図３を参照して、予測モデル生成装置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。

【0035】

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。

【0036】

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。

【0037】

（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に表面ノズル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。

【0038】

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の回転数および表面ノズル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。表面ノズル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における表面ノズル３１１と基板Ｗとの相対位置で示される。表面ノズル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。

【0039】

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Ｔ、エッチング液の濃度Ｃ、エッチング液の流量Ｄおよび基板Ｗの回転数Ｒであり、変動条件が表面ノズル３１１と基板Ｗとの相対位置である。

【0040】

予測モデル生成装置２００は、実験データ取得部２１０と、予測モデル生成部２２０と、予測モデル送信部２３０と、を含む。予測モデル生成装置２００が備える機能は、予測モデル生成装置２００が備えるＣＰＵ２０１がＲＡＭ２０２に格納された予測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。

【0041】

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処理結果とのデータセットの複数組を含む。

【0042】

予測モデル生成部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。予測モデル生成部２２０は、実験データを用いて予測モデルを生成し、生成された予測モデルを予測モデル送信部２３０に出力する。予測モデル生成部２２０の詳細については、後述する。予測モデル送信部２３０は、予測モデル生成部２２０により生成された予測モデルを情報処理装置１００に送信する。

【0043】

ここで、処理結果について説明する。図５は、処理結果を説明するための図である。図５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。基板Ｗの径方向の位置それぞれにおける被膜の膜厚を膜厚特性と呼ぶ。

【0044】

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処理結果（エッチング量）である。換言すれば、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。

【0045】

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。

【0046】

次に、予測モデル生成部２２０の詳細な構成について説明する。図６は、予測モデル生成部が有する機能の一例を示す図である。予測モデル生成部２２０は、データ取得部２２１と、第１予測アルゴリズム生成部２２３と、追加情報生成部２２５と、第２予測アルゴリズム生成部２２７とを含む。

【0047】

データ取得部２２１は、実験データ取得部２１０から実験データを取得する。上述したように実験データは、基板処理装置３００が処理条件で被膜の処理を行った後の処理結果と当該処理条件とを含むデータセットの複数組を含む。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Ｔ、エッチング液の濃度Ｃ、エッチング液の流量Ｄおよび基板Ｗの回転数Ｒを含む。エッチング液の濃度Ｃは、複数の薬液の混合比で示される。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表面ノズル３１１と基板Ｗとの相対位置で示される。表面ノズル３１１と基板Ｗとの相対位置は、ノズルモータ３０３の回転角度で示される。

【0048】

データ取得部２２１は、複数組のデータセットを第１予測アルゴリズム生成部２２３および第２予測アルゴリズム生成部２２７に出力する。また、データ取得部２２１は、複数組のデータセットのうち処理条件に含まれる固定条件の複数を追加情報生成部２２５に出力する。追加情報生成部２２５に出力される複数の固定条件は、第１予測アルゴリズム生成部２２３および第２予測アルゴリズム生成部２２７に出力される複数組のデータセットにそれぞれ対応している。

【0049】

第１予測アルゴリズム生成部２２３には、データ取得部２２１から複数組のデータセットが入力される。第１予測アルゴリズム生成部２２３は、複数組のデータセットを用いて第１予測アルゴリズムを生成する。具体的には、第１予測アルゴリズム生成部２２３は、予め定められた関数に複数組のデータセットを与えて回帰分析することにより第１予測アルゴリズムを生成する。具体的には、第１予測アルゴリズム生成部２２３は、処理条件の少なくとも１つの条件と処理結果とを回帰分析することにより、説明変数および複数のパラメータを有する第１予測アルゴリズムを生成する。第１予測アルゴリズムは、処理条件に含まれる少なくとも１つの条件で用いられる変数を説明変数とし、複数のパラメータを用いて処理結果の推定値を算出する回帰式である。換言すれば、処理条件に含まれる少なくとも１つの条件で用いられる変数を説明変数とし、複数のパラメータを用いて処理条件から処理結果を推測する回帰式が予め定められており、第１予測アルゴリズム生成部２２３は、その回帰式に、複数組のデータセットを与えて回帰分析することにより、第１予測アルゴリズムを生成する。第１予測アルゴリズム生成部２２３は、生成した第１予測アルゴリズムを追加情報生成部２２５に出力する。第１予測アルゴリズム生成部２２３の詳細は後述するが、第１予測アルゴリズム生成部２２３においては、処理条件の少なくとも１つの条件から処理結果を推定する関数を含むアルゴリズムとして第１予測アルゴリズムが生成される。

【0050】

追加情報生成部２２５には、第１予測アルゴリズム生成部２２３から第１予測アルゴリズムが入力される。また、追加情報生成部２２５には、データ取得部２２１から複数の固定条件および複数の変動条件が入力される。追加情報生成部２２５は、第１予測アルゴリズムに基づいて複数の変動条件のそれぞれに対応する第１処理結果であるところの追加情報を生成する。第１予測アルゴリズムにより１つの処理条件から１つの第１処理結果が出力されるので、処理条件と第１処理結果とは対応する情報である。追加情報生成部２２５は、生成した複数の追加情報を第２予測アルゴリズム生成部２２７に出力する。

【0051】

第２予測アルゴリズム生成部２２７には、データ取得部２２１から複数組のデータセットが入力される。また、第２予測アルゴリズム生成部２２７には、追加情報生成部２２５から複数の追加情報が入力される。第２予測アルゴリズム生成部２２７に入力される複数組のデータセットと複数の追加情報とは、それぞれ対応している。例えば、追加情報生成部２２５が、追加情報にそれを生成する基になった処理条件が含まれるデータセットを識別するための識別情報を付して第２予測アルゴリズム生成部２２７に出力することにより、同一の識別情報で特定されるデータセットと追加情報とが関連付けられる。

【0052】

第２予測アルゴリズム生成部２２７は、複数組のデータセットのうち少なくとも１組のデータセットを選択する。また、第２予測アルゴリズム生成部２２７は、選択した１組のデータセットと、追加情報生成部２２５から入力された複数の追加情報のうち選択した１組のデータセットに対応する追加情報との組を学習機能に機械学習させることにより学習済みの学習機能を含むアルゴリズムを第２予測アルゴリズムとして生成する。

【0053】

具体的には、第２予測アルゴリズム生成部２２７は、説明変数をデータセットに含まれる処理条件および追加情報とし、目的変数をデータセットに含まれる処理結果として、学習機能に学習させる。予測処理結果は、処理条件に含まれる固定条件に対応する。

【0054】

ここで、第１予測アルゴリズムの生成について説明する。第１予測アルゴリズムは、次式（１）で示される回帰式Ｇ（ｘ）で示される。以下、回帰式Ｇ（ｘ）の同定について説明する。

【0055】

【数1】

【0056】

回帰式Ｇ（ｘ）は、第１関数Ｆ１（ｘ）と、第２関数Ｆ２（ｘ）と、第３関数Ｈ（ｘ）の積で示される。第１関数Ｆ１（ｘ）は、次式（２）で示すように、基板処理装置３００が処理条件のうち基板処理装置３００が裏面吐出なしの処理条件で基板Ｗに被膜の処理を実行する場合の基板Ｗの径方向の複数の位置それぞれの被膜の処理の前後の膜厚の差を表す関数である。なお、基板Ｗの径方向の複数の位置それぞれの被膜の処理の前後の膜厚の差は、第１処理結果ＥＲ１で示される。発明者は、複数の第１処理結果ＥＲ１から、第１関数Ｆ１（ｘ）を見出した。第１関数Ｆ１（ｘ）は、次式（３）で示される。

【0057】

【数2】

【0058】

第１関数Ｆ１（ｘ）は、基板Ｗの半径方向の位置ｘを変数とし、かつパラメータα１～α３，β１～β３を用いて示される。なお、パラメータα１～α３，β１～β３は、処理条件のうち、エッチング液の濃度Ｃに依存する値である。また、式（３）に示されるように、パラメータα１，β１についてはエッチング液の温度Ｔに関連し、パラメータα２，β２についてはエッチング液の流量Ｄに関連する。第１関数Ｆ１（ｘ）は、変数ｘのｎ１（ｎ１は正の定数）次の関数である。

【0059】

処理条件のうち裏面吐出なしの処理条件と、その処理条件で基板処理装置３００が被膜の処理を実行して得られる第１処理結果ＥＲ１とのデータセットの複数を第１関数Ｆ１（ｘ）に与えて回帰分析することにより、パラメータα１～α３，β１～β３が決定される。

【0060】

第２関数Ｆ２（ｘ）は、裏面吐出処理の影響を考慮した関数である。この場合、処理条件のうち基板処理装置３００が裏面吐出ありの処理条件で基板Ｗに被膜の処理を実行する場合の基板Ｗの径方向の位置ごとの被膜の処理の前後の膜厚の差を示す第２処理結果ＥＲ２が次式（４）で示される。第２関数Ｆ２（ｘ）は、処理条件のうち基板処理装置３００が裏面吐出ありの処理条件で基板Ｗに被膜の処理を実行した第２処理結果ＥＲ２を第１関数Ｆ１（ｘ）で除算した値を表す関数となる。発明者は、複数の第２処理結果ＥＲ２を第１関数Ｆ１（ｘ）で除算した結果から、第２関数Ｆ２（ｘ）を導き出した。第２関数Ｆ２（ｘ）は、次式（６）および次式（７）を含む次式（５）で示される。

【0061】

【数3】

【0062】

第２関数Ｆ２（ｘ）は、基板Ｗの半径方向の位置ｘを変数とし、かつパラメータγ１～γ４，δ１～δ４，ε１～ε４，ξ１～ξ４を用いて示される。なお、パラメータγ１～γ４，δ１～δ４，ε１～ε４，ξ１～ξ４は、処理条件のうち、エッチング液の温度Ｔに依存する値である。また、式（６）および式（７）に示されるように、パラメータγ１，δ１，ε１，ξ１についてはエッチング液の濃度Ｃに関連し、パラメータγ２，δ２，ε２，ξ２についてはエッチング液の流量Ｄに関連し、パラメータγ３，δ３，ε３，ξ３については基板Ｗの回転数Ｒに関連する。

【0063】

処理条件のうち裏面吐出ありの処理条件と、その処理条件で基板処理装置３００が被膜の処理を実行して得られる第２処理結果ＥＲ２のデータセットの複数組を第２関数Ｆ２（ｘ）に与えて回帰分析することにより、パラメータγ１～γ４，δ１～δ４，ε１～ε４，ξ１～ξ４が決定される。

【0064】

第３関数Ｈ（ｘ）は、変動条件を考慮した関数である。ここで、基板処理装置３００の被膜の処理において、裏面吐出処理が行われる場合、第２処理結果ＥＲ２は、次式（８）で示される。

【0065】

ここで、式（１２）を変形すると、裏面吐出処理を考慮した第３関数Ｈ（ｘ）は、第２処理結果ＥＲ２の値を第１関数Ｆ１（ｘ）および第２関数Ｆ２（ｘ）で除算した値に等しくなる。第２処理結果ＥＲ２の値を第１関数Ｆ１（ｘ）および第２関数Ｆ２（ｘ）で除算した値は、処理時間のうちノズル動作により実際に基板Ｗにエッチング液が供給されない時間が第２処理結果ＥＲ２に及ぼす影響度と言える。以下、第２処理結果ＥＲ２の値を第１関数Ｆ１（ｘ）および第２関数Ｆ２（ｘ）で除算した値を第２影響度（またはエッチング液のカバレッジ率）と呼ぶ。

【0066】

第３関数Ｈ（ｘ）は、基板処理装置３００が裏面吐出ありの処理条件で基板Ｗに被膜の処理を実行した第２処理結果ＥＲ２を第１関数Ｆ１（ｘ）および第２関数Ｆ２（ｘ）で除算した値を表す関数となる。発明者は、複数の第２処理結果ＥＲ２を第１関数Ｆ１（ｘ）および第２関数Ｆ２（ｘ）で除算した結果から、第３関数Ｈ（ｘ）を導き出した。第３関数Ｈ（ｘ）は、次式（１０）で示される関数ｈ１（ｘ）の逆関数を含む次式（９）で示される。

【0067】

【数4】

【0068】

式（１０）の関数ｈ１（ｘ）は、表面ノズル３１１が基板Ｗ上の位置ｘに位置している時、既にエッチング液が到達している位置を表す関数である。関数ｈ１（ｔ）は、時刻ｔにおいて、既にエッチング液が到達している位置を表す関数である。

【0069】

ｔｐｒｏｃは、被膜の処理が開始されてから被膜の処理が終了するまでの経過時間を示す。ｔｄｅｌａｙは、被膜の処理が開始されてから実際にエッチング液が基板Ｗに供給されるまでの時間を示す。つまり、ｔｐｒｏｃ―ｔｄｅｌａｙは、エッチング液が基板Ｗ上に存在する時間を示す。

【0070】

実際にエッチング液が基板Ｗに供給され始めるｔｄｅｌａｙの時点で、既にエッチング液が到達している位置については、第３関数Ｈ（ｘ）を考慮する必要がない。このため、変数ｘがｈ１（ｔdelay）以上の範囲の第３関数Ｈ（ｘ）は、１で示される。一方、変数ｘがｈ１（ｔdelay）より小さい範囲の第３関数Ｈ（ｘ）は、関数ｈ１（ｘ）の逆関数ｈ１―１（ｘ）をエッチング液が基板Ｗ上に存在する時間を示すｔｐｒｏｃ－ｔｄｅｌａｙで除算することにより得られ、基板Ｗの半径方向の位置ｘを変数とし、かつパラメータν１～ν４を用いて示される。なお、式（１０）に示されるように、パラメータν１については基板Ｗの回転数Ｒに関連し、パラメータν２についてはエッチング液の流量Ｄに関連する。

【0071】

処理条件のうち裏面吐出ありの処理条件と、その処理条件で基板処理装置３００が被膜の処理を実行して得られる第２処理結果ＥＲ２のデータセットの複数組を第３関数Ｈ（ｘ）に与えて回帰分析することにより、パラメータν１～ν４が決定される。

【0072】

本実施の形態においては、基板処理装置３００の被膜の処理で裏面吐出処理が行われるので、第１予測アルゴリズムを構成する回帰式Ｇ（ｘ）は、第１関数Ｆ１（ｘ）と、第２関数Ｆ２（ｘ）と、第３関数Ｈ（ｘ）との積で示される。

【0073】

なお、基板処理装置３００の被膜の処理で裏面吐出処理が行われない場合においては、第１予測アルゴリズムを構成する回帰式Ｇ（ｘ）は、第１関数Ｆ１（ｘ）と、第３関数Ｈ（ｘ）との積で示される。この場合において、処理条件のうち裏面吐出なしの処理条件と、その処理条件で基板処理装置３００が被膜の処理を実行して得られる第１処理結果ＥＲ１とのデータセットの複数組を第３関数Ｈ（ｘ）に与えて回帰分析することにより、パラメータν１～ν４が決定される。

【0074】

パラメータα１～α３，β１～β３、パラメータγ１～γ４，δ１～δ４，ε１～ε４，ξ１～ξ４およびパラメータν１～ν４が決定されると、第１予測アルゴリズムが定まる。パラメータが定まった第１予測アルゴリズムに固定条件の少なくとも１つが入力されると、第１予測アルゴリズムは、基板処理装置３００が当該少なくとも１つの条件で基板Ｗに被膜の処理を行った際に予測される結果を示す第１予測処理結果を出力する。

【0075】

次に、第２予測アルゴリズムの生成に用いられる学習機能について説明する。図７は、第２予測アルゴリズムの生成に用いられる学習機能を説明するための図である。学習機能は、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および第２畳み込みニューラルネットワークＣＮＮ２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３畳み込みニューラルネットワークＣＮＮ３が設けられる。

【0076】

第１畳み込みニューラルネットワークＣＮＮ１には、処理条件に含まれる変動条件が入力される。第２畳み込みニューラルネットワークＣＮＮ２には、追加情報が入力される。本実施の形態においては、追加情報は、第１予測処理結果である。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第２畳み込みニューラルネットワークＣＮＮ２の出力とが入力される。第３畳み込みニューラルネットワークＣＮＮ３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。

【0077】

第１畳み込みニューラルネットワークＣＮＮ１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。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。

【0078】

第２畳み込みニューラルネットワークＣＮＮ２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。このため、予測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。予測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、予測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。

【0079】

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７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７の例では、各層には、複数のノードが含まれる。図７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３畳み込みニューラルネットワークＣＮＮ３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。

【0080】

第３畳み込みニューラルネットワークＣＮＮ３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。このため、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。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るので、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、第２畳み込みニューラルネットワークＣＮＮ２および第３畳み込みニューラルネットワークＣＮＮ３それぞれで同じフィルタが用いられてもよい。

【0081】

図４に戻って、情報処理装置１００は、予測モデル受信部１１０と、仮処理条件生成部１２０と、追加情報生成部１３０と、処理条件決定部１４０と、評価部１５０と、処理条件送信部１６０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。

【0082】

予測モデル受信部１１０は、予測モデル生成装置２００から送信される予測モデルを受信し、受信された予測モデルを追加情報生成部１３０および処理条件決定部１４０に出力する。具体的には、予測モデル受信部１１０は、受信した予測モデルのうち、第１予測アルゴリズムを追加情報生成部１３０に出力し、第２予測アルゴリズムを処理条件決定部１４０に出力する。仮処理条件生成部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に対する仮の処理条件を決定し、仮の処理条件を追加情報生成部１３０および処理条件決定部１４０に出力する。仮の処理条件は、基板処理装置３００が被膜の処理を実行するために用いる条件であり、固定条件と、変動条件とを含む。

【0083】

追加情報生成部１３０には、予測モデル受信部１１０から第１予測アルゴリズムが入力され、仮処理条件生成部１２０から仮の処理条件が入力される。追加情報生成部１３０は、第１予測アルゴリズムに仮の処理条件の少なくとも１つの条件を入力し、第１予測アルゴリズムが出力する第１予測結果を追加情報として取得する。具体的には、追加情報生成部１３０は、第１関数Ｆ１（ｘ）に固定条件のエッチング液の温度Ｔおよびエッチング液の流量Ｄとを与え、第２関数Ｆ２（ｘ）に固定条件のエッチング液の濃度Ｃ、エッチング液の流量Ｄおよび基板Ｗの回転数Ｒとを与え、第３関数Ｈ（ｘ）に変動条件ならびにエッチング液の流量Ｄおよび基板Ｗの回転数Ｒを与える。追加情報生成部１３０は、第１予測アルゴリズムにより予測された第１予測処理結果を追加情報として処理条件決定部１４０に出力する。

【0084】

処理条件決定部１４０には、予測モデル受信部１１０から第２予測アルゴリズムが入力される。また、処理条件決定部１４０には、仮処理条件生成部１２０から仮の処理条件が入力され、追加情報生成部１３０から追加情報が入力される。処理条件決定部１４０に入力される追加情報と処理条件決定部１４０から入力される仮の処理条件とは、互いに対応している。換言すれば、処理条件決定部１４０に入力される仮の処理条件は、処理条件決定部１４０に入力される追加情報を追加情報生成部１３０が生成するために用いた仮の処理条件と同じである。

【0085】

処理条件決定部１４０は、仮の処理条件および追加情報の組を第２予測アルゴリズムに入力し、第２予測アルゴリズムに第２予測処理結果を予測させる。処理条件決定部１４０は、第２予測アルゴリズムにより予測された第２予測処理結果を評価部１５０に出力する。

【0086】

評価部１５０は、処理条件決定部１４０から入力される第２予測処理結果を評価し、評価結果を処理条件決定部１４０に出力する。詳細には、評価部１５０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１５０は、処理条件決定部１４０から入力される第２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。評価部１５０は、比較結果を処理条件決定部１４０に出力する。比較結果は、第２予測処理結果から算出されるエッチング処理後の膜厚特性と、目標とする膜厚特性との差である乖離特性が評価基準を満たしているか否かを示す。

【0087】

処理条件決定部１４０は、評価部１５０から入力される比較結果が評価基準を満たしている場合、仮の処理条件を基板処理装置３００が基板を次に処理するための処理条件として処理条件送信部１６０に出力する。例えば、評価部１５０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。

【0088】

処理条件送信部１６０は、仮処理条件生成部１２０から入力される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。

【0089】

処理条件決定部１４０は、評価部１５０から入力される比較結果が評価基準を満たしていない場合、仮処理条件生成部１２０に仮の処理条件を再度、生成する指示を出力する。仮処理条件生成部１２０は、処理条件決定部１４０から再度、生成する指示が入力されることに応じて、新たな仮の処理条件を生成する。仮処理条件生成部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処理条件のうちから１つを選択し、選択された処理条件を、追加情報生成部１３０および処理条件決定部１４０に推測させるための新たな仮の処理条件として決定する。

【0090】

仮処理条件生成部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１５０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。

【0091】

具体的には、仮処理条件生成部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、第１予測アルゴリズムが第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。仮処理条件生成部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。

【0092】

図８は、予測モデル生成処理の流れの一例を示すフローチャートである。予測モデル生成処理は、予測モデル生成装置２００が備えるＣＰＵ２０１がＲＡＭ２０２に格納された予測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。

【0093】

図８を参照して、予測モデル生成装置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処理結果とのデータセットを含む。

【0094】

次のステップＳ０２においては、第１予測アルゴリズム生成処理が実行され、処理はステップＳ０３に進む。次のステップＳ０３においては、第２予測アルゴリズム生成処理が実行され、処理はステップＳ０４に進む。ステップＳ０４においては、ＣＰＵ２０１は、入出力Ｉ／Ｆ１０７を制御することにより、第１予測アルゴリズムと第２予測アルゴリズムとを含む予測モデルを情報処理装置１００に送信する。

【0095】

図９は、第１予測アルゴリズム生成の流れの一例を示すフローチャートである。第１予測アルゴリズム生成は、予測モデル生成処理のステップＳ０２で、ＣＰＵ２０１により実行される処理である。予測モデル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。

【0096】

図９を参照して、予測モデル生成装置２００が備えるＣＰＵ２０１は、実験データから処理条件および処理結果のデータセットの複数組を取得する（ステップＳ１１）。ステップＳ１２では、複数組のデータセットに基づいて回帰分析することにより第１関数Ｆ１（ｘ）が決定され、処理はステップＳ１３に進む。具体的には、複数組のデータセットを第１関数Ｆ１（ｘ）に与えて回帰分析することにより第１関数Ｆ１（ｘ）が用いる複数のパラメータが決定される。

【0097】

ステップＳ１３においては、複数組のデータセットに基づいて回帰分析することにより第２関数Ｆ２（ｘ）が決定され、処理はステップＳ１４に進む。具体的には、複数組のデータセットそれぞれの処理結果を第１関数Ｆ１（ｘ）で除算した値と、処理条件に含まれる固定条件の少なくとも１つの条件とを第２関数Ｆ２（ｘ）に与えて回帰分析することにより第２関数Ｆ２（ｘ）が用いる複数のパラメータが決定される。

【0098】

ステップＳ１４においては、複数組のデータセットに基づいて回帰分析することにより第３関数Ｈ（ｘ）が決定され、処理は予測モデル生成処理に戻る。具体的には、複数組のデータセットそれぞれの処理結果を第１関数Ｆ１（ｘ）および第２関数Ｆ２（ｘ）で除算した値と、処理条件に含まれる変動条件および固定条件の少なくとも１つの条件とを第３関数Ｆ３（ｘ）に与えて回帰分析することにより第３関数Ｆ３（ｘ）が用いる複数のパラメータが決定される。このように、基板処理装置３００の被膜の処理において裏面吐出処理が行われる場合、第１関数Ｆ１（ｘ）と、第２関数Ｆ２（ｘ）と、裏面吐出処理を考慮した第３関数Ｈ（ｘ）とを含む第１予測アルゴリズムが生成される。

【0099】

図１０は、第２予測アルゴリズム生成の流れの一例を示すフローチャートである。予測モデル生成は、予測モデル生成処理のステップＳ０２で、ＣＰＵ２０１により実行される処理である。予測モデル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。

【0100】

図１０を参照して、予測モデル生成装置２００が備えるＣＰＵ２０１は、実験データから処理条件および処理結果のデータセットの複数組を取得する（ステップＳ２１）。ステップＳ２２では、処理対象として一組のデータセットが選択され、処理はステップＳ２３に進む。取得された複数組のデータセットのうち１組が選択され、選択された１組のデータセットに含まれる処理条件が選択される。

【0101】

ステップＳ２３では、処理対象に選択された処理条件を第１予測アルゴリズムに入力することにより、追加情報が生成され、処理はステップＳ２４に進む。ここで生成された追加情報は、処理対象に選択された処理条件に対応している。

【0102】

ステップＳ２４では、ＣＰＵ２０１は、入力データと正解データとを用いて学習機能に機械学習させ、処理をステップＳ２５に進める。ここでの入力データは、ステップＳ２２において処理対象に選択された１組のデータセットの処理条件に含まれる変動条件および固定条件とステップＳ２３において生成された追加情報とである。また、正解データは、ステップＳ２２において処理対象に選択された１組のデータセットの処理結果である。学習機能の機械学習においては、ＣＰＵ２０１は、入力データを学習機能に入力し、学習機能から第２予測処理結果を出力させる。また、ＣＰＵ２０１は、学習機能により出力される第２予測処理結果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、学習機能のフィルタおよびパラメータが調整される。

【0103】

ステップＳ２５においては、処理対象に選択されていないデータセットが存在するか否かが判断される。未選択のデータセットが存在するならば処理はステップＳ２２に戻るが、そうでなければ処理は終了し、予測モデル生成処理に戻る。このように、ステップＳ２２～ステップＳ２４の処理が繰り返されることにより、学習済の学習機能を含む第２予測アルゴリズムが生成される。

【0104】

図１１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Ｓ３１）、処理をステップＳ３２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。

【0105】

ステップＳ３２においては、第１予測アルゴリズムを用いて、処理条件から追加情報が生成され、処理はステップＳ３３に進む。本実施の形態においては、ステップＳ３１において選択された処理条件が第１予測アルゴリズムに入力され、第１予測アルゴリズムが出力する第１予測処理結果を含む追加情報が取得される。ステップＳ３３においては、第２予測アルゴリズムを用いて、処理条件と追加情報とから第２予測処理結果が推測され、処理はステップＳ３４に進む。具体的には、処理条件に含まれる変動条件および固定条件と、追加情報である第１予測処理結果とが第２予測アルゴリズムに与えられ、第２予測アルゴリズムが出力する第２予測処理結果が取得される。

【0106】

ステップＳ３４においては、第２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Ｓ３３において推測された第２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。

【0107】

ステップＳ３５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Ｓ３５でＹＥＳ）、処理はステップＳ３６に進むが、そうでなければ処理はステップＳ３１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してもよい。

【0108】

ステップＳ３６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Ｓ３１において選択された処理条件が設定され、処理はステップＳ３７に進む。ステップＳ３７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Ｓ３８に進むが、そうでなければ処理はステップＳ３１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。

【0109】

ステップＳ３８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Ｓ３９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。

【0110】

ステップＳ３９においては、ステップＳ３８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。

【0111】

（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。

【0112】

本実施の形態における予測モデル生成部２２０は、変動条件と固定条件と追加情報とを、図７に示した畳み込みニューラルネットワークを含む学習機能に機械学習させる。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追加情報とを、図７に示した学習機能に学習させた第２予測アルゴリズムにより予測される処理結果として所望の結果が得られることを発明者は実験によって確認した。

【0113】

また、本実施の形態においては、仮処理条件生成部１２０が好適な処理条件を探索する際に、複数の異なる処理結果が偏りなく選択される。このため、仮処理条件生成部１２０は、複数の処理条件のうちから目標となる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。

【0114】

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。

【0115】

（５）実施の形態の効果
上記実施の形態の予測モデル生成装置２００においては、処理条件と処理結果とから第１予測アルゴリズムが生成され、第１予測アルゴリズムに基づいて追加情報が生成される。追加情報は、処理条件および処理結果とから生成される第１予測アルゴリズムに基づいて生成されるので、処理条件と処理結果とに関連する値である。処理条件および処理結果に加えて、処理条件と処理結果とに関連する追加情報を機械学習させた第２予測アルゴリズムが生成される。処理条件に加えて追加情報を機械学習させるので、機械学習に用いるデータの種類を増やすことができる。そして、追加情報を事前知識として機械学習することにより第２予測アルゴリズムが生成されるので、予測精度を向上させた予測モデルを生成することが可能になる。

【0116】

また、追加情報は、第１予測アルゴリズムにより処理条件の少なくとも１つの条件から予測される第１予測処理結果を含む。予測処理結果は、処理条件の少なくとも１つの条件から第１予測アルゴリズムにより予測されるので、処理条件と処理結果とに関連する値である。処理条件および処理結果に加えて予測処理結果を機械学習させた第２予測アルゴリズムが生成される。予測処理結果を事前情報として機械学習させることにより第２予測アルゴリズムが生成されるので、第２予測アルゴリズムの予測精度を向上させることが可能になる。

【0117】

さらに、処理結果と処理条件とを含むデータセットの複数組を回帰式Ｇ（ｘ）（第１関数Ｆ１（ｘ）、第２関数Ｆ２（ｘ）および第３関数Ｈ（ｘ））に与えて回帰分析するので、第１予測アルゴリズムを容易に生成することが可能になる。

【0118】

（６）他の実施の形態
上記実施の形態において、追加情報生成部２２５は、第１予測アルゴリズムに固定条件を入力することにより得られた第１予測処理結果を追加情報として生成するが、本発明はこれに限定されない。追加情報生成部２２５は、第１予測アルゴリズムの生成時に決定されたパラメータα１～α３，β１～β３、パラメータγ１～γ４，δ１～δ４，ε１～ε４，ξ１～ξ４，ν１～ν４の値を追加情報として生成してもよい。また、追加情報生成部２２５は、第１予測アルゴリズムの生成時に決定されたパラメータα１～α３，β１～β３，γ１～γ４，δ１～δ４，ε１～ε４，ξ１～ξ４，ν１～ν４の値と、第１予測アルゴリズムに処理条件を入力することにより得られた第１予測処理結果とを追加情報として生成してもよい。

【0119】

（７）実施の形態の総括
（第１項）本発明の一態様に係る予測モデル生成装置は、
基板処理装置で実行される処理の処理条件と、当該処理の処理結果を取得するデータ取得部と、
前記データ取得部によって取得された前記処理条件の前記少なくとも１つの条件と前記処理結果とを回帰分析することにより、説明変数および複数のパラメータを有する第１予測アルゴリズムを生成する第１予測アルゴリズム生成部と、
前記第１予測アルゴリズムを用いて追加情報を生成する追加情報生成部と、
前記追加情報と前記処理条件と前記処理結果とを機械学習して第２予測アルゴリズムを生成する第２予測アルゴリズム生成部と、を備え、
前記第１予測アルゴリズムは、前記処理条件に含まれる少なくとも１つの条件で用いられる変数を前記説明変数とし、前記複数のパラメータを用いて前記処理結果の推定値を算出する回帰式である。

【0120】

第１項に記載の予測モデル生成装置によれば、処理条件と処理結果とから第１予測アルゴリズムが生成され、第１予測アルゴリズムに基づいて追加情報が生成される。追加情報は、処理条件および処理結果とから生成される第１予測アルゴリズムに基づいて生成されるので、処理条件と処理結果とに関連する値である。処理条件および処理結果に加えて、処理条件と処理結果とに関連する追加情報を機械学習させた第２予測アルゴリズムが生成される。追加情報を事前知識として機械学習することにより第２予測アルゴリズムが生成されるので、予測精度を向上させた予測モデルを生成することが可能になる。その結果、機械学習に用いるデータの種類を増加させることが可能な予測モデル生成装置を提供することができる。

【0121】

（第２項）第１項に記載の予測モデル生成装置において、
前記追加情報生成部は、前記処理条件の少なくとも１つの条件を前記第１予測アルゴリズムに与えて前記第１予測アルゴリズムにより予測される予測処理結果を前記追加情報として生成してもよい。

【0122】

第２項に記載の予測モデル生成装置によれば、処理条件の少なくとも１つの条件を第１予測アルゴリズムに与えて第１予測アルゴリズムにより予測される予測処理結果が追加情報として生成される。予測処理結果は、処理条件の少なくとも１つの条件から第１予測アルゴリズムにより予測されるので、処理条件と処理結果とに関連する値である。処理条件および処理結果に加えて予測処理結果を機械学習させた第２予測アルゴリズムが生成される。予測処理結果を事前情報として機械学習させることにより第２予測アルゴリズムが生成されるので、第２予測アルゴリズムの予測精度を向上させることが可能になる。

【0123】

（第３項）第１項または第２項に記載の予測モデル生成装置において、
前記第１予測アルゴリズム生成部は、前記複数のパラメータを決定することにより前記第１予測アルゴリズムを生成し、
前記追加情報生成部は、前記複数のパラメータを前記追加情報として生成してもよい。

【0124】

第３項に記載の予測モデル生成装置によれば、第１予測アルゴリズムである回帰式の複数のパラメータが追加情報として生成される。第１予測アルゴリズムは、処理条件の少なくとも１つの条件と処理結果とを与えて回帰分析することにより生成されるので、第１予測アルゴリズムが用いる複数のパラメータは、処理条件の少なくとも１つの条件と処理結果とに関連する値であり、基板処理装置に固有の値である。処理条件および処理結果に加えて複数のパラメータを機械学習させた第２予測アルゴリズムが生成される。複数のパラメータを事前情報として機械学習させることにより第２予測アルゴリズムが生成されるので、基板処理装置に対応する第２予測アルゴリズムを生成することができるとともに、第２予測アルゴリズムの予測精度を向上させることができる。

【0125】

（第４項）第３項に記載の予測モデル生成装置において、
前記追加情報生成部は、前記処理条件の少なくとも１つの条件を前記第１予測アルゴリズムに与えて前記第１予測アルゴリズムにより予測される予測処理結果を、さらに前記追加情報として生成してもよい。

【0126】

第４項に記載の予測モデル生成装置によれば、処理条件の少なくとも１つの条件を第１予測アルゴリズムに与えて第１予測アルゴリズムにより予測される予測処理結果が追加情報として生成され、第１予測アルゴリズムである回帰式の複数のパラメータが追加情報として生成される。予測処理結果は、処理条件の少なくとも１つの条件から第１予測アルゴリズムにより予測されるので、処理条件と処理結果とに関連する値である。第１予測アルゴリズムが用いる複数のパラメータは、処理条件の少なくとも１つの条件と処理結果とに関連する値であり、基板処理装置に固有の値である。処理条件および処理結果に加えて予測処理結果および複数のパラメータを機械学習させた第２予測アルゴリズムが生成される。予測処理結果および複数のパラメータを事前情報として機械学習させることにより第２予測アルゴリズムが生成されるので、基板処理装置に対応する第２予測アルゴリズムを生成することができるとともに、第２予測アルゴリズムの予測精度を向上させることができる。

【0127】

（第５項）第１項～第４項のいずれか一項に記載の予測モデル生成装置において、
前記第１予測アルゴリズム生成部は、前記処理結果と前記処理条件とを含むデータセットの複数組を前記回帰式に与えて回帰分析することにより前記第１予測アルゴリズムを生成してもよい。

【0128】

第５項に記載の予測モデル生成装置によれば、処理結果と処理条件とを含むデータセットの複数組を回帰式に与えて回帰分析するので、第１予測アルゴリズムの予測精度を向上させることが可能になる。

【0129】

（第６項）本発明の他の態様に係る情報処理装置は、
処理条件に従って処理を実行する基板処理装置を管理する情報処理装置であって、
第１予測アルゴリズムに基づいて追加情報を生成する追加情報生成部と、
仮の処理条件と前記追加情報生成部により生成された前記追加情報とを第２予測アルゴリズムに与えて前記第２予測アルゴリズムにより推測される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、前記基板処理装置に前記処理を実行させるための処理条件に決定する処理条件決定部と、を備え、
前記第１予測アルゴリズムは、前記処理条件に含まれる少なくとも１つの条件で用いられる変数を説明変数とし、複数のパラメータを用いて前記処理結果の推定値を算出する回帰式であり、
前記第１予測アルゴリズムは、前記基板処理装置が前記処理を実行して得られる処理条件および処理結果を含むデータセットを前記回帰式に与えて回帰分析することにより生成され、
前記第２予測アルゴリズムは、前記データセットと、前記追加情報生成部により生成される前記追加情報とを機械学習することにより生成される。

【0130】

第６項に記載の情報処理装置によれば、仮の処理条件と追加情報とを第２予測アルゴリズムに与えて、第２予測アルゴリズムにより予測処理結果が推測される。追加情報は、処理条件の少なくとも１つの条件と処理結果とを与えて回帰分析することにより生成される第１予測アルゴリズムに基づいて生成されるので、追加処理条件と処理結果とに関連する値である。追加情報を事前知識として機械学習した第２予測アルゴリズムを用いて予測処理結果が予測されるので、第２予測アルゴリズムによる予測の精度向上させることができる。また、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、予測精度を向上させた予測モデルを用いて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。

【0131】

（第７項）本発明の他の態様に係る基板処理装置は、第６項に記載の情報処理装置を備える。

【0132】

第７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。

【0133】

（第８項）本発明の他の態様に係る予測モデル生成方法は、
基板処理装置で実行される処理の処理条件と、当該処理の処理結果を取得するデータ取得ステップと、
前記データ取得ステップにおいて取得された前記処理条件と前記処理結果とに基づき、第１予測アルゴリズムを生成する第１予測アルゴリズム生成ステップと、
前記第１予測アルゴリズムを用いて追加情報を生成する追加情報生成ステップと、
前記追加情報と前記処理条件と前記処理結果とを機械学習して第２予測アルゴリズムを生成する第２予測アルゴリズム生成ステップと、を備え、
前記第１予測アルゴリズムは、前記処理条件に含まれる少なくとも１つの条件で用いられる変数を説明変数とし、複数のパラメータを用いて前記処理結果の推定値を算出する回帰式である。

【0134】

第８項に記載の予測モデル生成方法によれば、処理条件と処理結果とから第１予測アルゴリズムが生成され、第１予測アルゴリズムに基づいて追加情報が生成される。追加情報は、処理条件および処理結果とから生成される第１予測アルゴリズムに基づいて生成されるので、処理条件と処理結果とに関連する値である。処理条件および処理結果に加えて、処理条件と処理結果とに関連する追加情報を機械学習させた第２予測アルゴリズムが生成される。追加情報を事前知識として機械学習することにより第２予測アルゴリズムが生成されるので、予測精度を向上させた予測モデルを生成することが可能になる。

【0135】

（第９項）本発明の他の態様に係る処理条件決定方法は、
処理条件に従って処理を実行する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、
第１予測アルゴリズムに基づいて追加情報を生成する追加情報生成ステップと、
仮の処理条件と、前記追加情報生成ステップにおいて生成された前記追加情報とを第２予測アルゴリズムに与えて前記第２予測アルゴリズムにより推測される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、前記基板処理装置に前記処理を実行させるための処理条件に決定する処理条件決定ステップと、を備え、
前記第１予測アルゴリズムは、前記処理条件に含まれる少なくとも１つの条件で用いられる変数を説明変数とし、複数のパラメータを用いて前記処理結果の推定値を算出する回帰式であり、
前記第１予測アルゴリズムは、前記基板処理装置が前記処理を実行して得られる処理条件および処理結果を含むデータセットを前記回帰式に与えて回帰分析することにより生成され、
前記第２予測アルゴリズムは、前記データセットと、前記追加情報生成ステップにおいて生成される前記追加情報とを機械学習することにより生成される。

【0136】

第９項に記載の処理条件決定方法によれば、仮の処理条件と追加情報とを第２予測アルゴリズムに与えて、第２予測アルゴリズムにより予測処理結果が推測される。また、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】

【0137】

１…基板処理システム，１０…制御装置，１００…情報処理装置，１１０…予測モデル受信部，１２０…仮処理条件生成部，１３０…追加情報生成部，１３３…第１予測部，１４０…処理条件決定部，１５０…評価部，１６０…処理条件送信部，２００…予測モデル生成装置，２１０…実験データ取得部，２２０…予測モデル生成部，２２１…データ取得部，２２３…第１予測アルゴリズム生成部，２２５…追加情報生成部，２２７…第２予測アルゴリズム生成部，２３０…予測モデル送信部，３００…基板処理装置，ＣＮＮ１…第１畳み込みニューラルネットワーク，ＣＮＮ２…第２畳み込みニューラルネットワーク，ＣＮＮ３…第３畳み込みニューラルネットワーク，ＮＮ１…第１全結合ニューラルネットワーク，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】