特開2024-137646学習装置、情報処理装置、基板処理装置、学習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】P2024137646
(43)【公開日】2024-10-07
(54)【発明の名称】学習装置、情報処理装置、基板処理装置、学習方法および処理条件決定方法
(51)【国際特許分類】
H01L 21/306 20060101AFI20240927BHJP
G06N 20/00 20190101ALI20240927BHJP
【ＦＩ】
H01L21/306 R
G06N20/00
【審査請求】未請求
【請求項の数】12
【出願形態】ＯＬ
(21)【出願番号】P 2023193281
(22)【出願日】2023-11-13
(31)【優先権主張番号】P 2023048554
(32)【優先日】2023-03-24
(33)【優先権主張国・地域又は機関】JP
(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
(72)【発明者】
【氏名】篠原 健介
【テーマコード（参考）】
5F043
【Ｆターム（参考）】
5F043DD13
5F043EE07
5F043EE08
5F043EE40
(57)【要約】
【課題】 低コストで精度の高い学習モデルを生成する。
【解決手段】 学習装置は、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とを含む第１データセットを取得する実験データ取得部と、第２データセットを学習モデルに機械学習させる事前学習部２２５ｃと、事前学習部２２５ｃにより機械学習された学習済の学習モデルに第１データセットを機械学習させる学習モデル生成部２２５ｃとを備え、第２データセットは、事前処理条件に基づいて予め定められた予測アルゴリズムにより予測される事前処理結果と事前処理条件とを含む。
【選択図】図５
【解決手段】 学習装置は、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とを含む第１データセットを取得する実験データ取得部と、第２データセットを学習モデルに機械学習させる事前学習部２２５ｃと、事前学習部２２５ｃにより機械学習された学習済の学習モデルに第１データセットを機械学習させる学習モデル生成部２２５ｃとを備え、第２データセットは、事前処理条件に基づいて予め定められた予測アルゴリズムにより予測される事前処理結果と事前処理条件とを含む。
【選択図】図５
【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とを含む第１データセットを取得する実験データ取得部と、
事前処理条件を生成する事前処理条件生成部と、
第２データセットを学習モデルに機械学習させる事前学習部と、
前記事前学習部により機械学習された学習済の前記学習モデルに前記第１データセットを機械学習させる学習モデル生成部とを備え、
前記第２データセットは、前記事前処理条件から予め定められた予測アルゴリズムにより予測される事前処理結果と前記事前処理条件とを含む、学習装置。
事前処理条件を生成する事前処理条件生成部と、
第２データセットを学習モデルに機械学習させる事前学習部と、
前記事前学習部により機械学習された学習済の前記学習モデルに前記第１データセットを機械学習させる学習モデル生成部とを備え、
前記第２データセットは、前記事前処理条件から予め定められた予測アルゴリズムにより予測される事前処理結果と前記事前処理条件とを含む、学習装置。
【請求項2】
前記予測アルゴリズムは、前記事前処理条件を予め定められたルールに従って解析するルールベースの予測アルゴリズムである、請求項１に記載の学習装置。
【請求項3】
前記予測アルゴリズムは、前記事前処理条件に基づいて、前記基板処理装置で前記処理の対象となる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基板の温度をシミュレートする第１アルゴリズムと、
前記第１アルゴリズムを用いて予測された前記複数の位置それぞれにおける前記基板の温度に基づいて、前記基板処理装置で実行される処理の前記複数の位置それぞれにおける結果をシミュレートする第２アルゴリズムと、を含む、請求項１に記載の学習装置。
前記第１アルゴリズムを用いて予測された前記複数の位置それぞれにおける前記基板の温度に基づいて、前記基板処理装置で実行される処理の前記複数の位置それぞれにおける結果をシミュレートする第２アルゴリズムと、を含む、請求項１に記載の学習装置。
【請求項4】
前記基板処理装置で実行される処理は、前記基板に処理液を供給して前記基板に形成された被膜を処理する被膜処理であり、
前記第１アルゴリズムは、前記複数の位置それぞれにおける前記処理液の量をシミュレートするアルゴリムと、
前記基板、前記処理液および前記基板を取り囲む空間を含む複数の媒体それぞれの内部の熱の変化と、複数の前記媒体のうち互いに接触する２つの前記媒体間の熱伝導とをシミュレートするアルゴリズムと、を含む、請求項３に記載の学習装置。
前記第１アルゴリズムは、前記複数の位置それぞれにおける前記処理液の量をシミュレートするアルゴリムと、
前記基板、前記処理液および前記基板を取り囲む空間を含む複数の媒体それぞれの内部の熱の変化と、複数の前記媒体のうち互いに接触する２つの前記媒体間の熱伝導とをシミュレートするアルゴリズムと、を含む、請求項３に記載の学習装置。
【請求項5】
前記事前処理条件を前記予測アルゴリズムに与えて前記予測アルゴリズムにより算出される予測処理結果と前記事前処理条件とを含むデータセットを前記第２データセットとして生成する第２データセット生成手段を、さらに備えた請求項１に記載の学習装置。
【請求項6】
前記第１データセットを用いて、前記処理条件から前記予測アルゴリズムを生成する予測アルゴリズム生成部を、さらに備えた請求項１に記載の学習装置。
【請求項7】
前記予測アルゴリズムは、前記第１データセットを機械学習させた学習済のモデルである、請求項６記載の学習装置。
【請求項8】
前記基板処理装置は、基板に対する相対位置が経時変化するノズルから前記基板へと処理液を供給することにより前記処理を実行し、
前記処理条件は、前記基板に対する前記ノズルの相対位置が時間の経過に伴って変化する変動条件を含み、
前記変動条件を圧縮した圧縮データを生成する圧縮部を、さらに備え、
前記学習モデル生成部は、前記圧縮部により前記変動条件から圧縮された前記圧縮データを前記学習モデルに機械学習させる、請求項１に記載の学習装置。
前記処理条件は、前記基板に対する前記ノズルの相対位置が時間の経過に伴って変化する変動条件を含み、
前記変動条件を圧縮した圧縮データを生成する圧縮部を、さらに備え、
前記学習モデル生成部は、前記圧縮部により前記変動条件から圧縮された前記圧縮データを前記学習モデルに機械学習させる、請求項１に記載の学習装置。
【請求項9】
請求項１～８のいずれか一項に記載の学習装置で生成された前記学習モデルを用いて前記基板処理装置を管理する情報処理装置であって、
前記学習装置から前記学習モデルを取得する取得部と、
仮の処理条件を前記学習モデルに与えて前記学習モデルにより予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、前記基板処理装置を駆動するための処理条件に決定する処理条件決定部と、を備えた情報処理装置。
前記学習装置から前記学習モデルを取得する取得部と、
仮の処理条件を前記学習モデルに与えて前記学習モデルにより予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、前記基板処理装置を駆動するための処理条件に決定する処理条件決定部と、を備えた情報処理装置。
【請求項10】
請求項９に記載の情報処理装置を備えた、基板処理装置。
【請求項11】
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とを含む第１データセットを取得するステップと、
事前処理条件を生成するステップと、
第２データセットを学習モデルに機械学習させる事前学習ステップと、
前記事前学習ステップにおいて機械学習された学習済の前記学習モデルに前記第１データセットを機械学習させる学習モデル生成ステップと、を備え、
前記第２データセットは、前記事前処理条件に基づいて予め定められた予測アルゴリズムにより予測される事前処理結果と前記事前処理条件とを含む、学習方法。
事前処理条件を生成するステップと、
第２データセットを学習モデルに機械学習させる事前学習ステップと、
前記事前学習ステップにおいて機械学習された学習済の前記学習モデルに前記第１データセットを機械学習させる学習モデル生成ステップと、を備え、
前記第２データセットは、前記事前処理条件に基づいて予め定められた予測アルゴリズムにより予測される事前処理結果と前記事前処理条件とを含む、学習方法。
【請求項12】
請求項１１記載の学習方法を実行する学習装置により生成された前記学習モデルを用いて前記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、
前記学習装置から前記学習モデルを取得する取得ステップと、
仮の処理条件を前記学習モデルに与えて前記学習モデルにより予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、前記基板処理装置を駆動するための処理条件に決定する処理条件決定ステップと、を備える、処理条件決定方法。
前記学習装置から前記学習モデルを取得する取得ステップと、
仮の処理条件を前記学習モデルに与えて前記学習モデルにより予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、前記基板処理装置を駆動す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、学習装置、情報処理装置、基板処理装置、学習方法および処理条件決定方法に関し、特に、機械学習した学習モデルを生成する学習装置、学習モデルを用いて基板処理を管理する情報処理装置、その情報処理装置を備えた基板処理装置、学習装置で実行される学習方法、情報処理装置で実行される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】
学習モデルの精度は、学習モデルに学習させる学習データに依存することが知られている。一般的に、学習用データは、実際に基板処理装置を駆動するための処理条件と当該処理条件で基板処理装置を駆動して得られる処理結果とが用いられる。
【0007】
しかしながら、実際に基板処理装置に処理を実行させて得られる学習用データとして、ある特性に偏った処理条件とその処理条件で処理された処理結果が用いられる場合がある。このような学習用データを機械学習した学習モデルに、学習用データと異なる特性の処理条件が与えられる場合に、学習モデルの推論精度が低くなる場合がある。一方で、特性に偏りがない学習用データを準備するためには、実際に基板処理装置を膨大な数の処理条件で駆動しなければならない。このため、基板処理装置の設定作業と基板処理装置を駆動する時間とが費やされることにより、多大なコストと時間とが必要になるといった問題がある。
【0008】
本発明の目的の１つは、低コストで精度の高い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である。
【0009】
本発明の他の目的は、低コストで精度の高い学習モデルを生成することが可能な学習方法を提供することである。
【0010】
本発明のさらなる他の目的は、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、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。
【0011】
本発明のさらなる他の目的は、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】
【0012】
（１）本発明の一局面に従う学習装置は、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とを含む第１データセットを取得する実験データ取得部と、事前処理条件を生成する事前処理条件生成部と、第２データセットを学習モデルに機械学習させる事前学習部と、事前学習部により機械学習された学習済の学習モデルに第１データセットを機械学習させる学習モデル生成部とを備え、第２データセットは、事前処理条件に基づいて予め定められた予測アルゴリズムにより予測される事前処理結果と事前処理条件とを含む。
【0013】
（２）本発明の他の局面に従う情報処理装置は、上記の学習装置で生成された学習モデルを用いて基板処理装置を管理する情報処理装置であって、学習装置から学習モデルを取得する取得部と、仮の処理条件を学習モデルに与えて学習モデルにより予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、基板処理装置を駆動するための処理条件に決定する処理条件決定部と、を備える。
【0014】
（３）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。
【0015】
（４）本発明のさらに他の局面に従う学習方法は、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とを含む第１データセットを取得するステップと、第２データセットを学習モデルに機械学習させる事前学習ステップと、事前学習ステップにおいて機械学習された学習済の学習モデルに第１データセットを機械学習させる学習モデル生成ステップと、を備え、第２データセットは、事前処理条件に基づいて予め定められた予測アルゴリズムにより予測される事前処理結果と事前処理条件とを含む。
【0016】
（５）本発明のさらに他の局面に従う処理条件決定方法は、上記の学習方法を実行する学習装置により生成された学習モデルを用いて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、学習装置から学習モデルを取得する取得ステップと、仮の処理条件を学習モデルに与えて学習モデルにより予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、基板処理装置を駆動するための処理条件に決定する処理条件決定ステップと、を備える。
【発明の効果】
【0017】
低コストで精度の高い学習モデルを生成することが可能な学習装置および学習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、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】
【0018】
【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】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】被膜の処理におけるノズルの基板に対する相対位置の変化を説明するための図である。
【図7】ノズルの動作パターンの一例を示す図である。
【図8】分割領域を説明するための図である。
【図9】変動条件の圧縮を説明するための図である。
【図10】予測アルゴリズムを説明する図である。
【図11】学習処理の流れの一例を示すフローチャートである。
【図12】予測アルゴリズム生成処理の流れの一例を示すフローチャートである。
【図13】事前処理条件生成処理の流れの一例を示すフローチャートである。
【図14】事前学習処理の流れの一例を示すフローチャートである。
【図15】学習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16】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17】変形例におけ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18】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19】事前処理条件生成部の詳細な機能の一例を示す図である。
【図20】クラスタリングの結果の一例を説明するための図である。
【図21】変形例における学習処理の流れの一例を示すフローチャートである。
【図22】事前処理条件生成処理の流れの一例を示すフローチャートである。
【図23】第２データセット生成処理の流れの一例を示すフローチャートである。
【図24】変形例における事前学習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】
【0019】
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。
【0020】
（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。
【0021】
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。
【0022】
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。
【0023】
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。
【0024】
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。
【0025】
（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。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行われる基板Ｗの被膜の処理が基板処理装置で実行される処理の例である。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。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行われる基板Ｗの被膜の処理が基板処理装置で実行される処理の例である。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。
【0026】
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。
【0027】
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。
【0028】
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。
【0029】
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。
【0030】
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。
【0031】
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予測器を生成し、予測器を情報処理装置１００に出力する。
【0032】
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。
【0033】
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。
【0034】
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。
【0035】
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。
【0036】
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。
【0037】
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。
【0038】
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。
【0039】
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。
【0040】
（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。
【0041】
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におけるノズル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。
【0042】
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、変動条件が被膜の処理が実行される間におけるノズル３１１と基板Ｗとの相対位置である。
【0043】
図４に戻って、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。
【0044】
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を含む。
【0045】
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、実験データに基づ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。
【0046】
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。
【0047】
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。
【0048】
予測部１３０は、変動条件と固定条件とから予測器を用いて予測処理結果を予測する。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、予測器が出力する予測処理結果を評価部１４０に出力する。
【0049】
評価部１４０は、予測部１３０から入力される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、基板処理装置３００がこれから処理の対象とする基板Ｗに対する処理条件として処理条件送信部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。
【0050】
処理条件送信部１５０は、処理条件決定部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。
【0051】
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。
【0052】
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に予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および複数の固定条件からそれぞれ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に予測させるための新たな処理条件として決定する。
【0053】
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。
【0054】
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、予測器が予測処理結果を予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。
【0055】
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、データ取得部２２１と、第１圧縮部２２２と、予測アルゴリズム生成部２２３と、事前処理条件生成部２２４と、予測器生成部２２５とを含む。
【0056】
データ取得部２２１は、実験データ取得部２１０から実験データが入力される。実験データは、処理条件および処理結果を含む。処理条件は、時間の経過に伴って変動しない固定条件と、時間の経過に伴って変動する変動条件とを含む。データ取得部２２１は、変動条件を第１圧縮部２２２に出力し、固定条件と処理結果とを予測アルゴリズム生成部２２３に出力する。第１圧縮部２２２は、データ取得部２２１から入力される変動条件を圧縮し、変動条件が圧縮された圧縮データを予測アルゴリズム生成部２２３に出力する。以下、固定条件と処理結果と圧縮データとの組を第１データセットと呼ぶ。
【0057】
ここで、変動条件について説明する。図６は、被膜の処理におけるノズルの基板に対する相対位置の変化を説明するための図である。図６を参照して、スピンチャックＳＣに保持された基板Ｗに対するノズル３１１の相対位置の変化が示される。ノズル３１１は、スピンチャックＳＣに保持された基板Ｗの上方の領域を移動する。ノズル３１１は第２回転軸ＡＸ２を中心に回転するので、ノズル３１１が移動する軌跡は円弧である。ノズル３１１が移動する軌跡は基板の中心である基板中心ＯＰを通る。このため、ノズル３１１は、基板Ｗの径方向において基板中心ＯＰから周縁部の全体に渡って移動する。ここでは、ノズル３１１が移動する軌跡は、その一端が基板Ｗの周縁部より内側の動作端部ＥＰ１で示され、その他端が基板Ｗの周縁部より内側の動作端部ＥＰ２で示される。ノズル３１１の動作端部ＥＰ１から基板中心ＯＰに移動する走査が矢印ａ１で示され、ノズル３１１の基板中心ＯＰから動作端部ＥＰ２に移動する走査が矢印ａ２で示され、ノズル３１１の動作端部ＥＰ２から基板中心ＯＰに移動する走査が矢印ａ３で示され、ノズル３１１の基板中心ＯＰから動作端部ＥＰ１に移動する走査が矢印ａ４で示される。
【0058】
図７は、ノズルの動作パターンの一例を示す図である。図７において、縦軸に基板Ｗに対するノズル３１１の相対位置が示され、横軸に経過時間（秒）が示される。本実施の形態においては、ノズル３１１を基板Ｗに対して移動させるノズル動作を開始してから終了するまでの走査期間は、処理時間に等しい。上述したように処理時間が６０秒に設定されているので、ノズルの動作パターンは、０～６０秒の期間の相対位置が示される。ノズルの相対位置は、基板中心ＯＰをゼロとし、基板中心ＯＰから動作端部ＥＰ１までの範囲は負の値で示され、基板中心ＯＰから動作端部ＥＰ２までの範囲は正の値で示される。基板Ｗは、直径３００ｍｍを有するので、基板中心ＯＰから動作端部ＥＰ１，ＥＰ２までの距離は、±１５０ｍｍ以下に設定される。ここでは、基板中心ＯＰから動作端部ＥＰ１までの距離は－１４７ｍｍに設定され、基板中心ＯＰから動作端部ＥＰ２までの距離は＋１４７ｍｍに設定される。図７のノズルの動作パターンにおいては、ノズル３１１が基板中心ＯＰに位置する場合におけるノズル３１１の相対位置が０で示され、ノズル３１１が動作端部ＥＰ１に位置する場合におけるノズル３１１の相対位置が－１４７ｍｍで示され、ノズル３１１が動作端部ＥＰ２に位置する場合におけるノズル３１１の相対位置が１４７ｍｍで示される。
【0059】
図７に示すノズル動作パターンは、動作端部ＥＰ１と動作端部ＥＰ２との間を５回往復する走査として示される。基板処理装置３００のノズル３１１のノズル動作パターンとしては、５回往復する走査に限定されるものではなく、１回以上往復する走査であればよい。ノズル動作パターンにおける最初の１往復の走査について、図６に示した矢印ａ１～ａ４で示される走査に対応する相対位置の部分に同じ符号が付されて示される。
【0060】
ここで、変動条件の圧縮について説明する。本実施の形態においては、ノズル動作パターンを含む変動条件を圧縮するために、基板Ｗの上面が複数の分割領域に分割される。図８は、分割領域を説明するための図である。図８を参照して、基板Ｗの上面を、基板中心ＯＰを中心とする複数の同心円で分割した１５の分割領域ｂ１～ｂ１５が示される。分割領域ｂ１５は円であり、分割領域ｂ１～ｂ１４は円環である。複数の分割領域ｂ２～ｂ１５それぞれの基板Ｗの径方向の長さは同じである。分割領域ｂ２～ｂ１５それぞれの基板の径方向の長さは、外周の半径と内周の半径との差である。分割領域ｂ１の半径は、複数の分割領域ｂ２～ｂ１５それぞれの基板Ｗの径方向の長さと同じである。ここでは、分割領域ｂ１の半径は１０ｍｍであり、分割領域ｂ１～ｂ１４それぞれの外周と内周の半径の差は１０ｍｍである。分割領域ｂ２～ｂ１５それぞれの外周と内周の半径の差および分割領域ｂ１の半径は、ノズル３１１の内径よりも大きい。分割領域ｂ２～ｂ１５それぞれの基板の径方向の長さおよび分割領域ｂ１の半径は、ノズル３１１の内径以上であることが好ましい。
【0061】
図９は、変動条件の圧縮を説明するための図である。図９において、横軸は、基板Ｗの半径方向における位置を示す。基板中心ＯＰの位置が０ｍｍで示され、基板Ｗの径方向における端部が１５０ｍｍで示される。横軸の０ｍｍ～１５０ｍｍの間に、分割領域ｂ１～ｂ１５が割り当てられる。
【0062】
縦軸は、分割領域ｂ１～ｂ１５それぞれにおけるノズル３１１の滞在時間を示す。ここでは、図７に示された動作パターンでノズル３１１が移動する場合における分割領域ｂ１～ｂ１５それぞれの滞在時間が示される。滞在時間は、複数の分割領域ｂ１～ｂ１５それぞれにノズル３１１が位置する時間の合計である。例えば、図７に示されたノズルの動作パターンでノズル３１１が移動する場合、ノズル３１１が分割領域ｂ２を１０回横切る。分割領域ｂ２における滞在時間は、ノズル３１１が分割領域ｂ２を横切る時間の合計である。
【0063】
上述したように、ノズル３１１の移動範囲が、複数の分割領域ｂ１～ｂ１５に分割される。このため、複数の分割領域ｂ１～ｂ１５それぞれにおけるノズル３１１の滞在時間が、基板Ｗの径方向位置の情報を含む複数の分割領域ｂ１～ｂ１５それぞれで算出される。このため、複数の分割領域ｂ１～ｂ１５それぞれにおける滞在時間は、基板Ｗの径方向における位置を含んだ情報である。また、複数の分割領域ｂ１～ｂ１５それぞれのノズル３１１が横切る部分の基板Ｗの径方向の長さは同じである。このため、複数の分割領域ｂ１～ｂ１５それぞれにおけるノズル３１１の滞在時間は、ノズル３１１の基板Ｗに対する相対位置の変化に関して基板Ｗの径方向で異なる位置間での偏りをなくした時間とすることができる。
【0064】
また、本実施の形態において、変動条件を、基板Ｗの上面を１５個に分割した分割領域ｂ１～ｂ１５のそれぞれにおけるノズルの滞在時間に変換することにより、変動条件を圧縮する。以下、圧縮済の変動条件を圧縮データと呼ぶ。基板Ｗの上面を１５個の分割領域ｂ１～ｂ１５に分割しており、圧縮データの数は１５個である。分割領域ｂ１～ｂ１５それぞれの基板の径方向の長さが大きいほど、圧縮データの数が小さくなる。分割領域ｂ１～ｂ１５それぞれの基板の径方向の長さは、ノズル３１１の内径以上なので、圧縮データの数の最大値は、ノズル３１１の内径により定まる。
【0065】
図５に戻って、予測アルゴリズム生成部２２３には、データ取得部２２１から出力された固定条件および処理結果と、第１圧縮部２２２から出力された圧縮データとが入力される。ここで、データ取得部２２１から出力された固定条件および処理結果と、第１圧縮部２２２から出力された圧縮データとにより第１データセットが構成される。本実施の形態において、予測アルゴリズム生成部２２３は、第１データセットに基づいて、予測アルゴリズムを生成する。具体的には、予測アルゴリズム生成部２２３は、機械学習のアルゴリズムに基づいて構築されモデルに第１データセットを機械学習させ、学習済のモデルを予測アルゴリズムとして生成する。例えば、予測アルゴリズム生成部２２３は、第１データセットに含まれる固定条件および圧縮データを予測アルゴリズムに与えて、予測アルゴリズムにより予測される予測処理結果が、第１データセットに含まれる処理結果に近づくように、予測アルゴリズムのパラメータを調整する。予測アルゴリズム生成部２２３は、予測アルゴリズムを予測器生成部２２５に出力する。予測アルゴリズムの詳細については、後述する。
【0066】
事前処理条件生成部２２４は、事前処理条件を生成し、生成した事前処理条件を予測器生成部２２５に出力する。事前処理条件は、事前変動条件と事前固定条件とを含む。具体的には、事前処理条件生成部２２４は、仮変動条件生成部２２４ａと、事前変動条件決定部２２４ｃと、第２圧縮部２２４ｅと、事前固定条件生成部２２４ｇとを含む。仮変動条件生成部２２４ａは、複数の仮の変動条件を生成する。
【0067】
仮変動条件生成部２２４ａにおいて生成される複数の仮の変動条件については、被膜の処理におけるノズル３１１の往復回数、ノズル３１１の移動速度およびノズル３１１の移動時の変速点等のノズル動作に関連する因子の組み合わせがそれぞれ異なる。本実施の形態において、仮変動条件生成部２２４ａにより生成される仮の変動条件の数は、１８０００個である。仮変動条件生成部２２４ａは、生成した複数の仮の変動条件を事前変動条件決定部２２４ｃに出力する。
【0068】
事前変動条件決定部２２４ｃは、複数の仮の変動条件から複数の事前変動条件を決定する。事前変動条件決定部２２４ｃは、例えば、９６０個の仮の変動条件を事前変動条件として決定する。事前変動条件決定部２２４ｃは、例えば、ランダムに選ばれた仮の変動条件を事前変動条件として決定する。
【0069】
図５に戻って、事前変動条件決定部２２４ｃは、複数の事前変動条件を第２圧縮部２２４ｅに出力する。第２圧縮部２２４ｅは、複数の事前変動条件それぞれを圧縮し、複数の圧縮データを予測器生成部２２５に出力する。第２圧縮部２２４ｅの事前変動条件の圧縮については、第１圧縮部２２２による変動条件の圧縮と同じである。したがって、ここでは説明を繰り返さない。
【0070】
事前固定条件生成部２２４ｇは、任意の固定条件を事前固定条件として決定し、事前固定条件を予測器生成部２２５に出力する。本実施の形態においては、３個の基板の回転数と３個のエッチング液の流量との組み合わせた９個の仮の固定条件が事前固定条件として決定される。
【0071】
ここで、事前処理条件は、第２圧縮部２２４ｅにより圧縮された事前変動条件（圧縮データ）と、事前固定条件生成部２２４ｇにより決定された事前固定条件とを含む。上述したように事前変動条件を圧縮した圧縮データと事前固定条件とはそれぞれが複数ある。事前処理条件は、複数の圧縮データの１つと複数の事前固定条件の１つとの組である。このため、複数の圧縮データの１つと複数の事前固定条件の１つとの組み合わせの数の事前処理条件が予測器生成部２２５に出力される。本実施の形態においては、第２圧縮部２２４ｅが事前変動条件を圧縮した９６０個の圧縮データと、事前固定条件生成部２２４ｇにより決定された９個の事前固定条件とにより構成される８６４０個のデータセットが、ペアワイズ法により２７１６個のデータセットに組み合わせられる。２７１６個のデータセットは、事前処理条件として予測器生成部２２５に出力される。
【0072】
予測器生成部２２５は、事前処理結果予測部２２５ａ、事前学習部２２５ｃ、学習モデル生成部２２５ｅを含む。事前処理結果予測部２２５ａには、予測アルゴリズム生成部２２３から出力された予測アルゴリズムと、第２圧縮部２２４ｅから出力された圧縮データと、事前固定条件生成部２２４ｇから出力された事前固定条件とが入力される。事前処理結果予測部２２５ａは、予測アルゴリズムを用いて事前処理条件から事前処理結果を予測する。事前処理条件は、第２圧縮部２２４ｅから入力される圧縮データと、事前固定条件生成部２２４ｇから入力される事前固定条件と、を含む。具体的には、事前処理結果予測部２２５ａは、予測アルゴリズムに対して事前処理条件を入力し、予測アルゴリズムが推論する処理結果を事前処理結果として取得する。事前処理結果予測部２２５ａは、事前処理結果を事前学習部２２５ｃに出力する。
【0073】
事前学習部２２５ｃには、第２圧縮部２２４ｅから出力された圧縮データと、事前固定条件生成部２２４ｇから出力された事前固定条件と、事前処理結果予測部２２５ａから出力された事前処理結果とが入力される。第２圧縮部２２４ｅから入力される圧縮データと、事前固定条件生成部２２４ｇから入力される事前固定条件と、の組は事前処理条件である。以下、事前学習部２２５ｃに入力される事前処理条件と事前処理結果との組を第２データセットと呼ぶ。第２データセットに含まれる事前処理結果は、事前処理結果予測部２２５ａが、その第２データセットに含まれる事前処理条件から予測アルゴリズムに予測させた事前処理結果である。
【0074】
事前学習部２２５ｃは、第２データセットを学習モデルに機械学習させる。具体的には、事前学習部２２５ｃは、第２データセットに含まれる事前処理条件を学習モデルに与えて、学習モデルにより予測される予測処理結果が、第２データセットに含まれる事前処理結果に近づくように、学習モデルのパラメータを調整する。本実施の形態においては、事前学習部２２５ｃが機械学習させる学習モデルは、初期値が設定された状態では、初期値が設定された予測アルゴリズムと同じである。事前学習部２２５ｃによる事前学習により、予測アルゴリズムに複数の特性を有する変動条件の複数を複数の特性のいずれかに偏ることなく事前知識として学習モデルに機械学習させることができる。以下、事前学習部２２５ｃにおいて行われる機械学習を事前学習と呼ぶ。事前学習部２２５ｃは、事前学習済の学習モデルを学習モデル生成部２２５ｅに出力する。
【0075】
学習モデル生成部２２５ｅには、データ取得部２２１から出力された固定条件および処理結果と、第１圧縮部２２２から出力された圧縮データとが入力される。ここで、データ取得部２２１から出力された固定条件および処理結果と、第１圧縮部２２２から出力された圧縮データとは、第１データセットである。また、学習モデル生成部２２５ｅには、事前学習部２２５ｃから出力された事前学習済みの学習モデルが入力される。学習モデル生成部２２５ｅは、第１データセットを事前学習済みの学習モデルにさらに機械学習させる。
【0076】
学習モデル生成部２２５ｅが機械学習させる学習モデルは、事前学習部２２５ｃにより事前学習が終了した事前学習済の学習モデルである。事前学習済の学習モデルは、変動条件の複数の特性を学習済なので、学習モデル生成部２２５ｅによる実験データを用いた機械学習において、実験データに含まれる変動条件の特性の偏りの影響を少なくすることができ、予測精度を向上させることができる。
【0077】
学習モデル生成部２２５ｅは、第２データセットを学習済みの学習モデルと圧縮器とを予測器として、予測器を予測器送信部２３０に出力する。予測器に含まれる圧縮器の機能は、第１圧縮部２２２の機能と同様である。
【0078】
ここで、本実施の形態に係る予測アルゴリズムについて説明する。図１０は、予測アルゴリズムを説明する図である。図１０を参照して、予測アルゴリズムは、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。
【0079】
第１畳み込みニューラルネットワークＣＮＮ１には、圧縮済みの変動条件を示す圧縮データが入力される。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。
【0080】
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。
【0081】
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、圧縮データ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、圧縮データの元となる変動条件は、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。
【0082】
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１０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１０の例では、各層には、複数のノードが含まれる。図１０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。
【0083】
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。
【0084】
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、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、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。
【0085】
学習モデルの構成については、予測アルゴリズムの構成と同様である。換言すれば、初期値が設定された予測アルゴリズムと、初期値が設定された学習モデルとは同様である。なお、予測アルゴリズムの機械学習において用いられる学習用データは、固定条件および処理結果と、変動条件が圧縮された圧縮データとであるが、学習モデルの機械学習において用いられる学習用データは、事前固定条件および事前処理結果と、事前変動条件が圧縮された圧縮データとである。
【0086】
図１１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。
【0087】
図１１を参照して、学習装置２００が備えるＣＰＵ２０１は、予測アルゴリズム生成処理を実行する（ステップＳ０１）。続いて、ＣＰＵ２０１は、事前学習を行うための事前処理条件を生成する事前処理条件生成処理を実行する（ステップＳ０２）。次のステップＳ０３においては、ＣＰＵ２０１は、ステップＳ０１において生成された予測アルゴリズムと、ステップＳ０２において生成された事前処理条件とを用いて学習モデルに対する事前学習を実行する。次のステップＳ０４においては、ＣＰＵ２０１は、事前学習済みの学習モデルに対する機械学習を実行する学習モデル生成処理を実行する。ステップＳ０５においては、ＣＰＵ２０１は、学習モデルと圧縮器とを含む予測器を生成し、入出力Ｉ／Ｆ２０７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。
【0088】
【0089】
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（ステップＳ１１）。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。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、複数の第１データセットを含む。第１データセットは、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で構成される。処理条件は、固定条件と、変動条件とを含む。
【0090】
ステップＳ１２においては、ＣＰＵ２０１は、処理対象として一の第１データセットを選択する。次のステップＳ１３においては、ＣＰＵ２０１は、選択された第１データセットの処理条件に含まれる変動条件を圧縮データに変換する。ここでは、ＣＰＵ２０１は、ノズル動作パターンを含む変動条件を図９に示すノズルの滞在時間分布に変換することにより圧縮データに変換する。ステップＳ１４においては、ＣＰＵ２０１は、選択された第１データセットの固定条件と、変動条件を変換した圧縮データと、処理結果とを予測アルゴリズムに機械学習させる。予測アルゴリズムに対する機械学習においては、処理対象に選択された第１データセットの固定条件と、変動条件を変換した圧縮データとが入力データとして用いられ、選択された第１データセットの処理結果が正解データとして用いられる。
【0091】
ステップＳ１５において、ＣＰＵ２０１は、未選択の第１データセットが存在するか否かを判定する。未選択の第１データセットが存在する場合、処理はステップＳ１２に戻り、未選択の第１データセットが存在しない場合、処理は学習処理に戻る。
【0092】
【0093】
図１３を参照して、学習装置２００が備えるＣＰＵ２０１は、仮の変動条件を生成する（ステップＳ２１）。仮の変動条件は、被膜の処理におけるノズル３１１の往復回数、ノズル３１１の移動速度およびノズル３１１の移動時の変速点を含む。ここでは、被膜の処理におけるノズル３１１の往復回数、ノズル３１１の移動速度およびノズル３１１の移動時の変速点等のノズル動作に関連する因子の組み合わせがそれぞれ異なる複数の仮の変動条件が生成される。
【0094】
次のステップＳ２２においては、ＣＰＵ２０１は、生成した複数の仮の変動条件から、予め定められた数の事前変動条件を抽出する。
【0095】
次のステップＳ２３においては、ＣＰＵ２０１は、抽出された事前変動条件を圧縮する。ここでは、ＣＰＵ２０１は、図９に示すノズルの滞在時間分布に変換することにより事前変動条件を圧縮する。ステップＳ２４においては、ＣＰＵ２０１は、任意の固定条件を事前固定条件として決定する。ここでは、例えば、基板の回転数とエッチング液の流量とが異なる固定条件が複数の事前固定条件として決定される。ステップＳ２５においては、ＣＰＵ２０１は、ステップＳ２２において抽出し、ステップＳ２３において事前変動条件を圧縮した圧縮データとステップＳ２４において決定した事前固定条件との複数のデータセットをペアワイズ法により事前処理条件として生成する。
【0096】
【0097】
図１４を参照して、学習装置２００が備えるＣＰＵ２０１は、事前処理条件生成処理を実行することにより生成した複数の事前処理条件から一の事前処理条件を選択する（ステップＳ３１）。ステップＳ３２においては、ＣＰＵ２０１は、予測アルゴリズム生成処理を実行することにより生成した予測アルゴリズムと、選択した事前処理条件とを用いて事前処理結果を取得する。ここでは、予測アルゴリズムに対して事前処理条件が入力されることにより、処理結果が推論され、推論された処理結果が事前処理結果として取得される。この段階で、事前処理条件と事前処理結果との組が第２データセットとして生成される。
【0098】
次のステップＳ３３においては、第２データセットを用いて学習モデルを機械学習させる。第２データセットは、ステップＳ３１において選択された事前処理条件とステップＳ３２において取得された事前処理結果とを含む、学習モデルに対する機械学習については、事前処理条件が入力データとして用いられ、事前処理結果が正解データとして用いられる。ステップＳ３４においては、ＣＰＵ２０１は、未選択の事前処理条件があるか否かを判定する。未選択の事前処理条件がある場合、処理はステップＳ３１に戻り、未選択の事前処理条件がない場合、処理は学習処理に戻る。これにより、事前学習済みの学習モデルが生成される。
【0099】
【0100】
図１５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Ｓ４１）。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、予測アルゴリズムを生成する際に用いた実験データと同じである。このため、実験データの数をできるだけ少なくすることができる。
【0101】
実験データは、複数の第１データセットを含む。第１データセットは 、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で構成される。処理条件は、固定条件と、変動条件とを含む。ステップＳ４２においては、ＣＰＵ２０１は、一の第１データセットを選択する。次のステップＳ４３においては、ＣＰＵ２０１は、選択した第１データセットの処理条件に含まれる変動条件を圧縮データに変換する。ここでは、ＣＰＵ２０１は、ノズル動作パターンを含む変動条件を図９に示すノズルの滞在時間分布に変換することにより圧縮データに変換する。ステップＳ４４においては、ＣＰＵ２０１は、選択した第１データセットの固定条件と、変動条件を変換した圧縮データと、処理結果とを事前学習済みの学習モデルに機械学習させる。事前学習済みの学習モデルに対する機械学習においては、ステップＳ４２において選択された第１データセットの固定条件と、その第１データセットの変動条件を変換した圧縮データとが入力データとして用いられ、ステップＳ４２において選択された第１データセットの処理結果が正解データとして用いられる。
【0102】
ステップＳ４５において、ＣＰＵ２０１は、未選択の第１データセットが存在するか否かを判定する。未選択の第１データセットが存在する場合、処理はステップＳ４２に戻り、未選択の第２データセットが存在しない場合、処理は学習処理に戻る。
【0103】
図１６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。
【0104】
図１６を参照して、情報処理装置１００が備えるＣＰＵ１０１は、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（ステップＳ５１）、処理をステップＳ５２に進める。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つが選択される。
【0105】
ステップＳ５２においては、予測器を用いて、変動条件と固定条件とから処理結果が予測され、処理はステップＳ５３に進む。ここでは、変動条件が予測器のうち圧縮器に入力され、圧縮器から圧縮データが出力される。予測器の学習モデルには、圧縮データと固定条件とが入力される。それにより、学習モデルが出力する処理結果が取得される。ステップＳ５３においては、処理後の膜厚特性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Ｓ５２において予測されたエッチングプロファイルとから基板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。
【0106】
ステップＳ５４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Ｓ５４でＹＥＳ）、処理はステップＳ５５に進むが、そうでなければ処理はステップＳ５１に戻る。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。
【0107】
ステップＳ５５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Ｓ５１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Ｓ５６に進む。ステップＳ５６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Ｓ５７に進むが、そうでなければ処理はステップＳ５１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。
【0108】
ステップＳ５７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Ｓ５８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。
【0109】
ステップＳ５８においては、ステップＳ５８において決定された変動条件を含む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。
【0110】
（４）変形例
上述した実施の形態における学習装置２００は、実験データを機械学習した予測アルゴリズムを用いて、実験データとは別に、学習モデルに学習させるための第２データセットとして事前処理条件と予測処理結果とを生成する。変形例における学習装置２００Ａは、物理量を考慮して解析するルールベースの予測アルゴリズムを用いて、学習モデルに学習させるための第２データセットとして事前処理条件と予測処理結果とを生成する。
上述した実施の形態における学習装置２００は、実験データを機械学習した予測アルゴリズムを用いて、実験データとは別に、学習モデルに学習させるための第２データセットとして事前処理条件と予測処理結果とを生成する。変形例における学習装置２００Ａは、物理量を考慮して解析するルールベースの予測アルゴリズムを用いて、学習モデルに学習させるための第２データセットとして事前処理条件と予測処理結果とを生成する。
【0111】
図１７は、変形例におけ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１７を参照して、図４に示した機能と異なる点は、学習装置２００が学習装置２００Ａに変更された点である。その他の機能は図４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。学習装置２００Ａは、実験データ取得部２１０と、予測器生成部２２０Ａと、予測器送信部２３０と、を含む。実験データ取得部２１０および予測器送信部２３０は、図４に示した機能と同じである。
【0112】
図１８は、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１８を参照して、変形例における予測器生成部２２０Ａは、データ取得部２２１と、第１圧縮部２２２と、事前処理条件生成部２２４Ａと、第２圧縮部２２４eと、２３２処理量予測部と、学習部２２５Ａとを含む。
【0113】
データ取得部２２１は、実験データ取得部２１０から実験データが入力される。実験データは、処理条件および処理結果を含む。処理条件は、時間の経過に伴って変動しない固定条件と、時間の経過に伴って変動する変動条件とを含む。データ取得部２２１は、変動条件を第１圧縮部２２２に出力し、固定条件と処理結果とを学習部２２５Ａに出力する。第１圧縮部２２２は、データ取得部２２１から入力される変動条件を圧縮し、変動条件が圧縮された圧縮データを学習部２２５Ａに出力する。データ取得部２２１から出力される固定条件および処理結果と、第１圧縮部２２２から出力される圧縮データとの組は、第１データセットである。
【0114】
事前処理条件生成部２２４Ａは、事前処理条件を生成する。事前処理条件生成部２２４Ａの詳細な機能については後述する。事前処理条件は、事前変動条件と事前固定条件とを含む。事前処理条件生成部２２４Ａは、生成した事前処理条件を処理量予測部２３２に出力する。また、事前処理条件生成部２２４Ａは、事前処理条件のうち事前変動条件を第２圧縮部２２４eに出力し、事前固定条件を学習部２２５Ａに出力する。第２圧縮部２２４eは、事前処理条件生成部２２４Ａから入力される事前変動条件を圧縮する。第２圧縮部２２４eは、事前変動条件が圧縮された圧縮データを学習部２２５Ａに出力する。
【0115】
処理量予測部２３２は、事前処理条件に基づいて予め定められた予測アルゴリズムで事前処理結果を算出する。事前処理結果は、基板の複数の位置それぞれにおける処理量を含む。処理量予測部２３２は、算出された事前処理結果を学習部２２５Ａに出力する。第１圧縮部２２２から出力される圧縮データと、事前処理条件生成部２２４Ａから出力される事前固定条件と、処理量予測部２３２から出力される事前処理結果との組が第２データセットである。
【0116】
ここで、処理量予測部２３２が処理量の算出に用いる予測アルゴリズムについて説明する。予測アルゴリズムは、ＣＦＤ（Ｃｏｍｐｕｔａｔｉｏｎａｌ Ｆｌｕｉｄ Ｄｙｎａｍｉｃｓ）シミュレーションを用いた物理法則に基づいたモデルである。以下、処理量予測部２３２が用いる予測アルゴリズムをＣＦＤモデルという。ここでは、エッチング対象となる被膜を酸化シリコン（ＳｉＯ２）とし、処理液をフッ酸（ＨＦ）とする。なお、エッチング対象となる被膜を（Ａｌ２Ｏ３）とし、処理液をＳＣ１（アンモニア過酸化水素水）とする場合にも適用可能である。要するに、ＣＦＤモデルは、反応律速の系に相当するような処理液とエッチング対象となる被膜の組み合わせに適用することができる。
【0117】
ＣＦＤモデルは、回転する基板Ｗ上を往復動作するノズル３１１から処理液が基板Ｗに吐出される間に、基板Ｗ上を処理液が塗り広がる挙動と、各種の熱移動と、処理液内での濃度移動および処理液と基板Ｗとの反応量（エッチング量）と、をシミュレートする複数のアルゴリズムで構成される。熱移動をシミュレートするアルゴリズムは、処理液と基板Ｗ間の熱移動をシミュレートするアルゴリズム、処理液内部の熱移動をシミュレートするアルゴリズム、基板Ｗ内部の熱移動をシミュレートするアルゴリズムを含む。
【0118】
具体的には、ＣＦＤモデルは、下記の支配方程式（1）～(４)を含む。処理量予測部２３２は、支配方程式（1）～(４)を用いて時空間離散化する。具体的には、支配方程式（1）～(４)は、支配方程式（1）～(４)それぞれを錬成して時間発展を解くことで、任意の時刻における処理液の膜厚分布、基板Ｗの温度分布および基板Ｗに形成された被膜の処理量（エッチングレート）を計算する。
【0119】
【数1】
【0120】
ここで、ｔは時間［ｓ］であり、ｘは空間刻み幅［ｍｍ］であり、ｈは処理液の膜厚［μｍ］であり、ｒは半径位置［ｍｍ］であり、ωは基板Ｗの回転数［ｒｐｍ］である。また、μは液体の粘性係数であり、ρは液体の密度［ｋｇ／ｍ３］である。
【0121】
【数2】
【0122】
ここで、Ｃｐは処理液の比熱であり、Ｔｌｉｑｕｉｄは処理液の温度［Ｋ］であり、Ｔｗａｆｅｒは基板Ｗの温度［Ｋ］であり、ｕは処理液の流速［ｍ／ｓ］である。ｋは処理液の熱伝導率である。
【0123】
【数3】
【0124】
【数4】
【0125】
ここで、ＥＲはエッチングレートであり、Ｍｗａｆｅｒは基板上の酸化シリコンの分子量であり、ρｗａｆｅｒは基板上の酸化シリコンの密度である。Ａ、Ｅａはアレニウスパラメーターであり、Ｃは処理液のモル濃度である。αは１である。
【0126】
支配方程式（１）におけるＳ（ｘ，ｔ）は、系に対して外から流入してくる影響を表す。Ｓ（ｘ，ｔ）は、処理液の流量とその位置から求められる。位置は、ノズル３１１の位置の時系列データから求められる。また、支配方程式（１）式は、右辺にＳ（ｘ，ｔ）が含まれるので、基板Ｗ上を移動するノズル３１１から吐出される処理液の流量が、系への処理液の流入としてモデル化されている。支配方程式（１）を解くことで回転する基板Ｗ上を流れる処理液の液膜の厚さが計算される。
【0127】
支配方程式（２）は、処理液内部での熱移動を示す式である。支配方程式（２）におけるＱ（ｘ，ｔ）は、系に対して外部から流入する影響を表す。Ｑ（ｘ，ｔ）は、温度の流入と、その位置から求められる。温度は処理液の温度から求められ、位置は、ノズル３１１の位置の時系列データから求める。
【0128】
ｑ１（ｘ，ｔ）は、処理液の液膜と周囲流体とで発生する熱量を表す。ｑ２（ｘ，ｔ）は、処理液の液膜と基板Ｗとの間でやり取りする熱量を表す。ｑ１（ｘ，ｔ）は、例えば、雰囲気の温度をＲＴ（室温）で固定した状態における熱伝達によって決定でき、次式（５）式が成立する。ｑ２（ｘ，ｔ）は、次式（６）式が成立する。
【0129】
【数5】
【0130】
ここで、ｈ１，ｈ２は熱伝達率、Ｔｒｅｆは雰囲気の温度（室温）を示す。熱伝達率ｈ１，ｈ２は実験結果に基づいて同定することにより決定される。
【0131】
支配方程式（２）を用いて、処理液に対して外部からの熱の流入や処理液と雰囲気との熱のやり取りを考慮しながら処理液の液膜の温度を計算できる。
【0132】
支配方程式（３）は、基板Ｗ内での熱移動を計算する支配方程式である。支配方程式（３）を用いて、基板Ｗの温度を計算できる。
【0133】
支配方程式（４）は、基板Ｗと処理液との間で発生するエッチング反応をモデル化する支配方程式（アレニウス式）である。支配方程式（１）～（３）の時間発展を解くことで、基板Ｗの半径方向に異なる複数の位置それぞれにおける処理液の濃度の瞬時値および基板Ｗの温度の瞬時値が算出される。この支配方程式（４）を解くことで、基板Ｗの半径方向に異なる複数の位置それぞれにおける処理液の濃度の瞬時値および基板Ｗの温度の瞬時値を参照し、その時刻でのエッチングレートＥＲの瞬時値が算出される。
【0134】
エッチングレートＥＲを時間で積分することで、その時刻までのエッチング量の積算値を求めることができる。支配方程式（１）～（３）を錬成して、時間発展を解き、支配方程式（４）によりエッチング量を算出するサイクルを回すことで任意時刻までの処理結果（エッチングプロファイル）が求められる。このようにＣＦＤモデルは、物理量を考慮して解析するルールベースのモデルである。
【0135】
ＣＦＤモデルは、支配方程式（１）～（３）と、支配方程式（４）と、を含む。支配方程式（１）～（３）は、事前処理条件に基づいて、基板Ｗの径方向に異なる複数の位置それぞれにおける基板の温度をシミュレートする第１アルゴリズムである。また、支配方程式（４）は、支配方程式（１）～（３）を用いて予測された基板Ｗの径方向に異なる複数の位置それぞれにおける基板Ｗの温度に基づいて、基板Ｗの径方向に異なる複数の位置それぞれにおける処理量の積算値である事前処理結果をシミュレートする第２アルゴリズムである。このため、基板処理装置３００に実際に基板Ｗを処理させることなく、事前処理条件から事前処理結果が得られる。このため、第２データセットを容易に生成することができる。
【0136】
学習部２２５Ａは、事前学習部２２５ｃと、学習モデル生成部２２５ｅと、を含む。事前学習部２２５ｃには、第２データセットが入力される。具体的には、事前学習部２２５ｃには、第２圧縮部２２４ｅから出力された圧縮データと、事前固定条件生成部２２４ｇから出力された事前固定条件と、処理量予測部２３２から出力された事前処理結果とが入力される。事前学習部２２５ｃは、第２データセットを学習モデルに機械学習させる。変形例で用いられる学習モデルは、図１０に示した、ニューラルネットワークで構成される。
【0137】
具体的には、事前学習部２２５ｃは、第２データセットに含まれる事前処理条件を学習モデルに与えて、学習モデルにより予測される予測処理結果が、第２データセットに含まれる事前処理結果に近づくように、学習モデルのパラメータを調整する。事前学習部２２５ｃによる事前学習により、複数の特性を有する変動条件の複数を複数の特性のいずれかに偏ることなく事前知識として学習モデルに機械学習させることができる。以下、事前学習部２２５ｃにおいて行われる機械学習を事前学習と呼ぶ。事前学習部２２５ｃは、事前学習済の学習モデルを学習モデル生成部２２５ｅに出力する。
【0138】
学習モデル生成部２２５ｅには、第１データセットが入力される。具体的には、学習モデル生成部２２５eには、データ取得部２２１から出力された固定条件および処理結果と、第１圧縮部２２２から出力された圧縮データとが入力される。また、学習モデル生成部２２５ｅには、事前学習部２２５ｃから出力された事前学習済みの学習モデルが入力される。学習モデル生成部２２５ｅは、第１データセットを事前学習済みの学習モデルにさらに機械学習させる。
【0139】
学習モデル生成部２２５ｅが機械学習させる学習モデルは、事前学習部２２５ｃにより事前学習が終了した事前学習済の学習モデルである。事前学習済の学習モデルは、変動条件の複数の特性を学習済なので、学習モデル生成部２２５ｅによる実験データを用いた機械学習において、実験データに含まれる変動条件の特性の偏りの影響を少なくすることができ、予測精度を向上させることができる。
【0140】
学習モデル生成部２２５ｅは、第２データセットを学習済みの学習モデルと圧縮器とを予測器として、予測器を予測器送信部２３０に出力する。予測器に含まれる圧縮器の機能は、第１圧縮部２２２の機能と同様である。
【0141】
図１９は、事前処理条件生成部の詳細な機能の一例を示す図である。図１９を参照して、事前処理条件生成部２２４Ａは、生成用変動条件決定部２４１と、変換部２４２と、回数分類部２４３と、分類部２４４と、変動条件選定部２４５と、固定条件決定部２４６と、事前処理条件決定部２４７と、を含む。
【0142】
生成用変動条件決定部２４１は、変動条件の取りうる範囲の全体に散らばる複数の生成用変動条件を決定する。生成用処理条件は、生成用変動条件と、生成用固定条件とを含む。生成用変動条件は、時間の経過に伴って変化する基板Ｗに対するノズル３１１の位置である。ここでは、基板処理装置３００が被膜処理を実行する間にノズル３１１が基板Ｗを１回以上往復し、ノズル３１１が１往復する間にノズル３１１の速度を１回以上変化させる場合を例に説明する。変動条件は、ノズル３１１の往復回数、ノズル３１１の変速点の数と、変速点それぞれに設定されるノズル３１１の速度と、変速点間をノズル３１１が移動する移動時間と、により定まる。ノズル３１１の速度は０を含み、ノズル３１１の速度が０の場合、ノズル３１１が停止している状態なので、ノズル３１１の速度が０の移動時間は停止時間ともいう。被膜処理が実行される処理時間が固定されている場合、処理時間を往復回数で除算することにより１往復当たりのスキャン時間Ｔが定まる。変速点数は変速回数ｎを示す。スキャン時間Ｔと距離Ｌ（基板直径）とし、スキャン時間Ｔにおけるノズル３１１の速度の平均を平均速度Ｖｍとすると、２Ｌ＝Ｔ×Ｖｍである。ノズル３１１が定速度の期間を移動期間Ｔｉ（１≦ｉ≦ｎ）、移動期間Ｔｉにおけるノズル３１１の速度をＶｉとおけば、次式（７）が成立する。
２Ｌ＝ΣＴｉ×Ｖｉ…（７）
２Ｌ＝ΣＴｉ×Ｖｉ…（７）
【0143】
上記式（７）を満たすＴｉおよびＶｉの組み合わせを定めることにより、往復回数および変速点の数に対する変動条件が定まる。例えば、ＴｉおよびＶｉのいずれか一方を定めれば、式（７）から他方が定まる。Ｔｉを定めてからＶｉを定めてもよいし、Ｖｉを定めてからＴｉを定めてもよい。例えば、１往復当たりのスキャン時間Ｔを等分することによりＴｉを定めてもよいし、スキャン時間Ｔを分割する複数のパターンを予め準備しておいてもよい。複数のパターンは、例えば、Ｔｉが徐々に増加するパターン、Ｔｉが徐々に減少するパターン、Ｔｉが徐々に増加した後に徐々に減少するパターン等を含む。
【0144】
生成用変動条件決定部２４１は、複数組の往復回数および変速点数それぞれに対して、複数組の移動期間Ｔｉおよび速度Ｖｉの組を生成することにより、複数の生成用変動条件を生成する。往復回数および変速点数それぞれに上限値が設定されている場合、生成用変動条件決定部２４１は、往復回数および変速点数の全ての組み合わせに対して、複数組の移動期間Ｔｉおよび速度Ｖｉの組を生成する。
【0145】
生成用変動条件決定部２４１により決定される複数の生成用変動条件は、上述したノズルの動作パターンがそれぞれ異なる。例えば、生成用変動条件決定部２４１により生成される複数の生成用変動条件は、往復回数、変速点数、移動期間および速度の少なくとも１つが異なる。本実施の形態において、生成用変動条件決定部２４１により決定される生成用変動条件は、１８０００個である。
【0146】
変換部２４２は、生成用変動条件決定部２４１により決定された複数の生成用変動条件を変換データに変換する。変換部２４２は、生成用変動条件と変換データとの組を回数分類部２４３に出力する。変換データは、生成用変動条件に関わる変数である。
【0147】
本実施の形態においては、変換データを累積滞在時間分布とする。累積滞在時間分布は、基板Ｗの径方向の複数の位置ごとにノズルが処理時間内に滞在する時間を、基板Ｗの中心から周辺に向かって累積した値である。累積滞在時間分布について説明する。
【0148】
累積滞在時間分布は、図９に示した滞在時間分布において、基板Ｗの中心から外周に向けて順に滞在時間を累積することにより求められる。具体的には、分割領域ｂ２の累積滞在時間は分割領域ｂ１の滞在時間と分割領域ｂ２の滞在時間との和であり、分割領域ｂ３の累積滞在時間は分割領域ｂ２の累積時間と分割領域ｂ３の滞在時間との和であり、分割領域ｂ１５の累積滞在時間は分割領域ｂ１４の累積滞在時間と分割領域ｂ１５の滞在時間との和である。
【0149】
本実施の形態においては、変動条件が累積滞在時間である変換データに変換される。累積滞在時間は、基板Ｗの上面を１５個の分割領域ｂ１～ｂ１５に分割して求められるため、変換データの数は１５個である。分割領域ｂ１～ｂ１５それぞれの基板の径方向の長さが大きいほど、変換データの数が小さくなる。分割領域ｂ１～ｂ１５それぞれの基板の径方向の長さは、ノズル３１１の内径以上なので、変換データの数の最大値は、ノズル３１１の内径により定まる。
【0150】
回数分類部２４３は、変換部２４２から複数組の生成用変動条件と変換データが入力される。回数分類部２４３は、複数の生成用変動条件をノズル３１１の往復回数に基づいて、複数の回数別グループに分類する。本実施の形態においては、回数分類部２４３は、複数の生成用変換データを、ノズル３１１の往復回数が０～３回の回数別グループと、往復回数が３～６回の回数別グループと、往復回数が６～９回の回数別グループと、往復回数が９回以上の回数別グループとのいずれか分類する。なお、回数別グループを往復回数３回、６回、９回を閾値として分類しているが、これら閾値として他の値をとってもよい。また、回数別グループの数は４つに限定されることなく、１以上であればよい。
【0151】
また、分類部２４４は、複数の回数別グループそれぞれにおいて、各回数別グループに属する生成用変動条件を変換データに基づいて複数のグループにクラスタリングする。
【0152】
図２０は、クラスタリングの結果の一例を説明するための図である。図２０には、往復回数が０～３回のクラスタの半径方向の各位置における基板中心ＯＰを基準としたノズル３１１の累積滞在分布が示される。図２０を参照して、縦軸には、基板中心ＯＰからのノズルの滞在時間の累積が示され、横軸には、基板Ｗの半径方向の位置が示される。基板中心ＯＰの位置が０ｍｍで示され、基板Ｗの径方向における端部が１５０ｍｍで示される。縦軸においては、基板Ｗの半径方向の各位置における累積滞在時間を累積滞在時間の総計で除算することにより、１に規格化されている。基準線ＳＬは、ノズル動作パターンにおいて、基板Ｗの半径方向の各位置に同じ時間だけノズル３１１が存在した場合のノズル３１１の累積滞在分布を表す。生成用変動条件に含まれるノズル動作パターンは、基準線ＳＬを中心として分布するが、その図示が省略されている。
【0153】
生成用変動条件のノズル動作パターンが領域Ａ１～Ａ４にクラスタリングされる例が示される。領域Ａ１～Ａ４については、領域Ａ１，Ａ２と領域Ａ３，Ａ４とが基準線ＳＬを中心にして対称である例が記載されているが、領域Ａ１～Ａ４については、限定するものではないがｋ－ｍｅａｎｓ法により決定されてもよい。クラスタリングは、ｋ－ｍｅａｎｓ法とは別の手法が用いられてもよい。また、ノズル動作パターンは、４つにクラスタリングされる例が記載されているが、クラスタリングされる数は、これに限定されるものではない。
【0154】
図１９に戻って、変動条件選定部２４５は、分類部２４４によりクラスタリングされたクラスタに属する生成用変動条件から一または複数の生成用変動条件をランダムに選定し、選定した複数の生成用変動条件を事前処理条件決定部２４７に出力する。例えば、分類部２４４により往復回数が０～３回の回数別グループに属する複数の生成用変動条件が領域Ａ１～Ａ４で示される４つのクラスタそれぞれから６０個の生成用変動条件をランダムに選定する。これにより、往復回数が０～３回の回数別グループから２４０個の生成用変動条件が選定される。また、変動条件選定部２４５は、往復回数が３～６回の回数別グループと、往復回数が６～９回の回数別グループと、往復回数が９回以上の回数別グループとについても同様の手法を用いて生成用変動条件を２４０個ずつ選定する。したがって、変動条件選定部２４５は、９６０個の生成用変動条件を決定する。これにより、変動条件選定部２４５において、複数の生成用変動条件から累積滞在時間分布の特徴の異なる生成用変動条件が均等に選択されるので、特定の累積滞在時間分布に偏らない複数の変動条件を選択することができる。
【0155】
固定条件決定部２４６は、固定条件に設定される値が取り得る範囲の全体に散らばる複数の生成用固定条件を生成し、事前処理条件決定部２４７に出力する。例えば、固定条件決定部２４６は、その固定条件が取りうる範囲を３等分した範囲の中央の値の固定条件を生成用固定条件として生成する。本実施の形態においては、３個の基板の回転数と、３個のエッチング液の流量と、３個のエッチング液の温度とを組み合わせた２７個の固定条件が生成用固定条件として決定される。
【0156】
事前処理条件決定部２４７には、変動条件選定部２４５から生成用変動条件が入力され、固定条件決定部２４６から生成用固定条件が入力される。事前処理条件決定部２４７は、生成用変動条件と生成用固定条件とを組み合わせることにより複数の処理条件を生成する。また、事前処理条件決定部２４７は、複数の生成用処理条件の個数を例えばペアワイズ法により絞ることにより、学習モデルに事前学習させるための生成用処理条件を決定する。
【0157】
本実施の形態においては、事前処理条件決定部２４７には、変動条件選定部２４５から９６０個の生成用変動条件が入力され、固定条件決定部２４６から２７個の生成用固定条件が入力される。事前処理条件決定部２４７は、９６０個の生成用変動条件と２７個の生成用固定条件とを組み合わせることにより、２５９２０個の生成用処理条件を生成する。また、事前処理条件決定部２４７は、ペアワイズ法により２５９２０個の生成用処理条件を２７１６個の生成用処理条件に絞る。これにより、事前処理条件決定部２４７は、２７１６個の生成用処理条件を、予測アルゴリズムを生成するための生成用処理条件として決定する。事前処理条件決定部２４７は、２７１６個の生成用処理条件を出力する。具体的には、事前処理条件決定部２４７は、生成用処理条件を事前処理条件として処理量予測部２３２に出力するとともに、生成用処理条件のうち生成用変動条件を事前変動条件として第２圧縮部２２４eに出力し、生成用固定条件を事前固定条件として学習部２２５Ａの事前学習部２２５ｃに出力する。
【0158】
図２１は、変形例における学習処理の流れの一例を示すフローチャートである。変形例における学習処理は、学習装置２００Ａが備えるＣＰＵ２０１がＲＡＭ２０２に格納された学習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。
【0159】
図２１を参照して、図１１に示した学習処理と異なる点は、ステップＳ０１およびステップＳ０２が、ステップＳ１０１およびステップＳ１０２にそれぞれ変更された点である。その他の処理は、図１１に示した処理と同じなので、ここでは説明を繰り返さない。変形例における学習装置２００Ａが備えるＣＰＵ２０１は、事前処理条件生成処理を実行する（ステップＳ１０１）。事前処理条件生成処理の詳細は後述するが、事前変動条件と事前固定情報とを含む事前処理条件の複数を生成する処理である。続いて、ＣＰＵ２０１は、第２データセット生成処理を実行する（ステップＳ１０２）。第２データセット生成処理の詳細は後述するが、事前処理条件から予測処理結果を算出し、事前処理条件と予測処理結果とを含む第２データセットを生成する処理である。
【0160】
次のステップＳ０３においては、ＣＰＵ２０１は、図１４に示した事前学習処理を実行する。これにより、ステップＳ１０２において生成された第２データセットを用いて学習モデルが事前学習する。次のステップＳ０４においては、ＣＰＵ２０１は、図１５に示した学習モデル生成処理を実行する。これにより、ステップＳ０３において事前学習済みの学習モデルに実験データを用いて機械学習させる処理である。
【0161】
次のステップＳ０５においては、ＣＰＵ２０１は、学習モデルと圧縮器とを含む予測器を生成し、入出力Ｉ／Ｆ２０７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。
【0162】
図２２は、事前処理条件生成処理の流れの一例を示すフローチャートである。事前処理条件生成処理は、変形例における学習処理のステップＳ１０１において実行される処理である。図２２を参照して、学習装置２００Ａが備えるＣＰＵ２０１は、生成用変動条件を決定する（ステップＳ１１１）。ここでは、変動条件の取り得る範囲の全体に散らばる複数の変動条件が生成用変動条件として決定される。次のステップＳ１１２においては、ＣＰＵ２０１は、決定された生成用変動条件を変換データに変換する。ここでは、変換データは累積滞在時間分布である。累積滞在時間分布は、変動条件を基板Ｗの上面を複数個に分割した複数の分割領域それぞれにおけるノズルの滞在時間に変換し、基板Ｗの中心から外周に向けて順に滞在時間を累積することにより求められる。
【0163】
ステップＳ１１３においてＣＰＵ２０１は、生成用変動条件を複数の回数別グループに分類する。ここでは、複数の生成用変動条件が、ノズル３１１の往復回数に基づいて、複数の回数別グループに分類される。ステップＳ１１４においてＣＰＵ２０１は、一の回数別グループを選択し、選択された回数別グループに含まれる複数の生成用変動条件を変換データでクラスタリングする。複数の生成用変動条件が変換データでクラスタリングされると、１以上のクラスタが特定される。１以上のクラスタそれぞれには、複数の生成用変動条件が属する。続いて、ＣＰＵ２０１は、クラスタリングにより特定された複数のクラスタから処理対象となるクラスタを選択し（ステップＳ１１５）、選択したクラスタから生成用変動条件を選定する（ステップＳ１１６）。ステップＳ１１６においてＣＰＵ２０１は、処理対象に選択されたクラスタに属する複数の生成用変動条件から所定数の生成用変動条件をランダムに選定する。所定数は１以上の整数である。
【0164】
ステップＳ１１７において、ＣＰＵ２０１は、クラスタリングにより特定された１以上のクラスタのうちに未選択のクラスタがあるか否かを判定する。未選択のクラスタがある場合、処理はステップＳ１１５に戻る。これにより、クラスタリングにより特定された１以上のクラスタのすべてに対してステップＳ１１５，Ｓ１１６の処理が繰り返される。この場合、一の回数別グループにおいてクラスタリングにより特定された１以上のクラスタそれぞれから所定数の生成用変動条件が選定されるので、累積滞在時間分布の特徴の異なる生成用変動条件が均等に選定される。ステップＳ１１７において、未選択のクラスタが存在しないと判断する場合、処理はステップＳ１１８に進む。
【0165】
ステップＳ１１８において、ＣＰＵ２０１は、未選択の回数別グループがあるか否かを判定する。未選択の回数別グループがある場合、処理はステップＳ１１４に戻る。これにより、複数の回数別グループの全てに対してステップＳ１１４～ステップＳ１１７の処理が実行される。この場合、ノズル３１１の往復回数の違いによりクラスタリングの対象となる生成用処理条件を異ならせるので、ノズル３１１の往復回数の違いにより処理量が異なる場合に有効である。ステップＳ１１８において、未選択の回数別グループがないと判断される場合、処理はステップＳ１１９に進む。
【0166】
ステップＳ１１９においてＣＰＵ２０１は、生成用固定条件を生成し、処理をステップＳ１２０に進める。ここでは、固定条件に設定される値が取り得る範囲の全体に散らばる複数の変動条件が生成用変動条件として生成される。ステップＳ１２０においてＣＰＵ２０１は、生成用変動条件と生成用固定条件とを組み合わせることにより複数の生成用処理条件を生成する。
【0167】
図２３は、第２データセット生成処理の流れの一例を示すフローチャートである。第２データセット生成処理は、変形例における学習処理のステップＳ１０２において実行される処理である。図２３を参照して、ＣＰＵ２０１は、処理対象となる事前処理条件を選択する(ステップＳ１２１)。次のステップＳ１２２においては、ＣＰＵ２０１は、アルゴリズムで処理用を算出する。基板の径方向に異なる複数の位置それぞれにおける処理量が算出される。複数の位置それぞれの処理量が処理結果である。そして、ＣＰＵ２０１は、第２データセットを生成し、処理をステップＳ１２４に進める。ステップＳ１２１において処理対象に選択された事前処理条件と、ステップＳ１２２において算出された処理量を含む処理結果とを含む第２データセットが生成される。
【0168】
次のステップＳ１２４においては、ＣＰＵ２０１は、未選択の事前処理条件が存在するか否かを判断する。ステップＳ１２１において処理対象に選択されていない事前処理条件が存在するならば処理はステップＳ１２１に戻り、そうでなければ処理は学習処理に戻る。
【0169】
図２４は、変形例における事前学習処理の流れの一例を示すフローチャートである。事前学習処理は、学習処理のステップＳ０３において実行される処理である。事前学習処理が実行される前の段階で、第２データセットが生成されている。図２４を参照して、ＣＰＵ２０１は、処理対象となる第２データセットを選択し（ステップＳ１３１）、処理をステップＳ１３２に進める。ステップＳ１３２において、ＣＰＵ２０１は、第２データセットで学習モデルを機械学習させ、処理をステップＳ１３３に進める。ステップＳ１３３においては、次に処理対象とするべき第２データセットが存在するか否かを判断する。未選択の第２データセットが存在するならば処理はステップＳ１３１に戻るが、そうでなければ処理は学習処理に戻る。ステップＳ１３１～１３３の処理は、初手のエポック回数だけ繰り返される。
【0170】
（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、実験データを学習した予測アルゴリズムが生成されるので、実験データとは別に事前処理条件と予測処理結果とを生成することができる。この事前処理条件は、基板処理装置３００が処理を実行するための処理条件が取り得る範囲の全体に渡る複数の処理条件を含めることが可能となる。このため、学習モデルに事前処理条件と予測処理結果とを事前学習させることにより、学習モデルに事前知識を与えることができる。そして、事前知識が与えられた事前学習済の学習モデルが実験データを学習するので、実験データだけを学習した予測アルゴリズムに比較して、精度を向上させることができる。また、実験データの数は、予測アルゴリズムを生成するために必要な数でよいので、学習モデルを機械学習させるための実験データを生成するコストを抑制することができる。これらの結果、低コストで精度の高い学習モデルを生成することが可能な学習装置２００を提供することが可能になる。
上記実施の形態の学習装置２００によれば、実験データを学習した予測アルゴリズムが生成されるので、実験データとは別に事前処理条件と予測処理結果とを生成することができる。この事前処理条件は、基板処理装置３００が処理を実行するための処理条件が取り得る範囲の全体に渡る複数の処理条件を含めることが可能となる。このため、学習モデルに事前処理条件と予測処理結果とを事前学習させることにより、学習モデルに事前知識を与えることができる。そして、事前知識が与えられた事前学習済の学習モデルが実験データを学習するので、実験データだけを学習した予測アルゴリズムに比較して、精度を向上させることができる。また、実験データの数は、予測アルゴリズムを生成するために必要な数でよいので、学習モデルを機械学習させるための実験データを生成するコストを抑制することができる。これらの結果、低コストで精度の高い学習モデルを生成することが可能な学習装置２００を提供することが可能になる。
【0171】
また、予測アルゴリズムと、学習モデルとが同じなので、単一の学習モデルを準備すればよく、学習モデルを容易に生成することが可能になる。
【0172】
上記実施の形態の基板処理装置３００によれば、事前学習された学習モデルに仮の処理条件を与えて学習モデルにより予測される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３００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、複雑なプロセスを経て得られる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。
【0173】
変形例における学習装置２００Ａは、予測アルゴリズムを、物理量を考慮して解析するルールベースのＣＦＤモデルとする。このため、基板処理装置３００に実際に基板Ｗを処理させることなく、事前処理条件から事前処理結果を得ることができる。このため、第２データセットを容易に生成することができる。
【0174】
また、変形例における学習装置２００Ａにおいて、事前処理条件が、変動条件の取り得る範囲に散らばる複数の変動条件をそれぞれ含む複数の処理条件が生成される。その際に、学習装置２００Ａは、処理条件の取り得る範囲に散らばる複数の処理条件が複数のグループに分類され、複数のグループそれぞれから少なくとも１つの処理条件を選定する。このため、処理条件の取り得る範囲をカバーしつつ偏りの少ない複数の処理条件を選定することができる。さらに、学習装置２００Ａは、選定された処理条件と処理量とを含む第２データセットを用いて機械学習した学習モデルを生成する。このため、学習モデルの汎化性を向上させることができる。また、第２データセットの数を抑制できるので、第２データセットを生成するコストをできるだけ小さくすることができる。
【0175】
（６）他の実施の形態
（６－１）上記実施の形態において予測アルゴリズムは、図１０に示す複数のニューラルネットワークにより構成される例が記載されるが、本発明はこれに限定されない。例えば、予測アルゴリズムは、予め定められた回帰式でアルゴリズムが構成された回帰モデルであってもよい。この場合、予測アルゴリズム生成部２２３は、固定条件と、圧縮データと、処理結果とで構成される第１データセットに基づいて、予測アルゴリズムを回帰してもよいし、処理条件と処理結果とで構成されるデータセットに基づいて、予測アルゴリズムを回帰してもよい。
（６－１）上記実施の形態において予測アルゴリズムは、図１０に示す複数のニューラルネットワークにより構成される例が記載されるが、本発明はこれに限定されない。例えば、予測アルゴリズムは、予め定められた回帰式でアルゴリズムが構成された回帰モデルであってもよい。この場合、予測アルゴリズム生成部２２３は、固定条件と、圧縮データと、処理結果とで構成される第１データセットに基づいて、予測アルゴリズムを回帰してもよいし、処理条件と処理結果とで構成されるデータセットに基づいて、予測アルゴリズムを回帰してもよい。
【0176】
（６－２）上記実施の形態において、予測器生成部２２０は、第１圧縮部２２２を含むが本発明はこれに限定されない。予測アルゴリズムの機械学習において、第１圧縮部２２２は設けられなくてもよい。特に、変動条件の次元数が少ない場合に有効である。同様に、予測器生成部２２０の事前処理条件生成部２２４は、第２圧縮部２２４ｅを含むが本発明はこれに限定されない。学習モデルの事前学習において、第２圧縮部２２４ｅが設けられなくてもよい。特に、変動条件の次元数が少ない場合に有効である。
【0177】
また、第１圧縮部２２２および第２圧縮部２２４ｅを、変動条件を基板Ｗの複数の領域それぞれにおけるノズルの滞在時間に変換した圧縮データを生成する例を示したが、本発明はこれに限定されない。第１圧縮部２２２および第２圧縮部２２４ｅとして、オートエンコーダーを機械学習させた学習モデルを用いてもよい。
【0178】
（６－３）上記実施の形態において、予測アルゴリズムは、第１畳み込みニューラルネットワークＣＮＮ１を含む例が記載されるが、本発明はこれに限定されない。予測アルゴリズムは、第１畳み込みニューラルネットワークＣＮＮ１を含まなくてもよい。この場合、変動条件が圧縮された圧縮データが第１全結合ニューラルネットワークＮＮ１に直接入力される。
【0179】
（６－４）変形例における学習装置２００Ａが用いる予測アルゴリズムとしてＣＦＤモデルを例に示したが、本発明はこれに限定されない。予測アルゴリズムは、処理条件を用いて処理結果を算出するために、物理量を考慮して解析するルールベースのモデルであればよい。
【0180】
（６－５）上述した実施の形態において、図５に示した事前処理条件生成部２２４が有する仮変動条件生成部２２４ａ、事前変動条件決定部２２４ｃおよび事前固定条件生成部２２４ｇを、図１９に示した変形例における生成用変動条件決定部２４１に置き換えてもよい。
【0181】
（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、
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とを含む第１データセットを取得する実験データ取得部と、
事前処理条件を生成する事前処理条件生成部と、
第２データセットを学習モデルに機械学習させる事前学習部と、
前記事前学習部により機械学習された学習済の前記学習モデルに前記第１データセットを機械学習させる学習モデル生成部とを備え、
前記第２データセットは、前記事前処理条件から予め定められた予測アルゴリズムにより予測される事前処理結果と前記事前処理条件とを含む。
（第１項） 本発明の一態様に係る学習装置は、
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とを含む第１データセットを取得する実験データ取得部と、
事前処理条件を生成する事前処理条件生成部と、
第２データセットを学習モデルに機械学習させる事前学習部と、
前記事前学習部により機械学習された学習済の前記学習モデルに前記第１データセットを機械学習させる学習モデル生成部とを備え、
前記第２データセットは、前記事前処理条件から予め定められた予測アルゴリズムにより予測される事前処理結果と前記事前処理条件とを含む。
【0182】
第１項に記載の学習装置は、予め定められた予測アルゴリズムにより実験データとは別に事前処理条件と事前処理結果とを生成することができる。この事前処理条件は、基板処理装置が処理を実行するための処理条件が取り得る範囲の全体に渡る複数の処理条件を含めることが可能となる。このため、学習モデルに事前処理条件と事前処理結果とを事前学習させることにより、学習モデルに事前知識を与えることができる。そして、事前知識が与えられた事前学習済の学習モデルが実験データを学習するので、実験データだけを学習した予測アルゴリズムに比較して、精度を向上させることができる。また、実験データの数は、予測アルゴリズムを生成するために必要な数でよいので、学習モデルを機械学習させるための実験データを生成するコストを抑制することができる。これらの結果、低コストで精度の高い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可能になる。
【0183】
（第２項） 第１項に記載の学習装置において、
前記予測アルゴリズムは、前記事前処理条件を予め定められたルールに従って解析するルールベースの予測アルゴリズムである。
前記予測アルゴリズムは、前記事前処理条件を予め定められたルールに従って解析するルールベースの予測アルゴリズムである。
【0184】
第２項に記載の学習装置によれば、予測アルゴリズムを、物理量を考慮して解析するルールベースのモデルとするので、基板処理装置に実際に基板を処理させることなく、事前処理条件から事前処理結果を得ることができる。このため、第２データセットを容易に生成することができる。
【0185】
（第３項） 第１項に記載の学習装置において、
前記予測アルゴリズムは、前記事前処理条件に基づいて、前記基板処理装置で前記処理の対象となる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基板の温度をシミュレートする第１アルゴリズムと、
前記第１アルゴリズムを用いて予測された前記複数の位置それぞれにおける前記基板の温度に基づいて、前記基板処理装置で実行される処理の前記複数の位置それぞれにおける結果をシミュレートする第２アルゴリズムと、を含む。
前記予測アルゴリズムは、前記事前処理条件に基づいて、前記基板処理装置で前記処理の対象となる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基板の温度をシミュレートする第１アルゴリズムと、
前記第１アルゴリズムを用いて予測された前記複数の位置それぞれにおける前記基板の温度に基づいて、前記基板処理装置で実行される処理の前記複数の位置それぞれにおける結果をシミュレートする第２アルゴリズムと、を含む。
【0186】
第３項に記載の学習装置によれば、予測アルゴリズムを、物理量を考慮して解析するルールベースのモデルとするので、基板処理装置に実際に基板を処理させることなく、事前処理条件から事前処理結果を得ることができる。このため、第２データセットを容易に生成することができる。
【0187】
（第４項） 第３項に記載の学習装置において、
前記基板処理装置で実行される処理は、前記基板に処理液を供給して前記基板に形成された被膜を処理する被膜処理であり、
前記第１アルゴリズムは、前記複数の位置それぞれにおける前記処理液の量をシミュレートするアルゴリムと、
前記基板、前記処理液および前記基板を取り囲む空間を含む複数の媒体それぞれの内部の熱の変化と、複数の前記媒体のうち互いに接触する２つの前記媒体間の熱伝導とをシミュレートするアルゴリズムと、を含む。
前記基板処理装置で実行される処理は、前記基板に処理液を供給して前記基板に形成された被膜を処理する被膜処理であり、
前記第１アルゴリズムは、前記複数の位置それぞれにおける前記処理液の量をシミュレートするアルゴリムと、
前記基板、前記処理液および前記基板を取り囲む空間を含む複数の媒体それぞれの内部の熱の変化と、複数の前記媒体のうち互いに接触する２つの前記媒体間の熱伝導とをシミュレートするアルゴリズムと、を含む。
【0188】
第４項に記載の学習装置によれば、第１アルゴリズムが、処理液の量をシミュレートするアルゴリズムと、複数の媒体それぞれの内部の熱の変化と、互いに接触する２つの媒体間の熱伝導とをシミュレートするアルゴリズムと、を含む。このため、複数の位置それぞれにおける基板の温度の予測の精度を向上させることができる。
【0189】
（第５項） 第１～４項のいずれかに記載の学習装置において、
前記事前処理条件を前記予測アルゴリズムに与えて前記予測アルゴリズムにより算出される予測処理結果と前記事前処理条件とを含むデータセットを前記第２データセットとして生成する第２データセット生成手段を、さらに備える。
前記事前処理条件を前記予測アルゴリズムに与えて前記予測アルゴリズムにより算出される予測処理結果と前記事前処理条件とを含むデータセットを前記第２データセットとして生成する第２データセット生成手段を、さらに備える。
【0190】
第５項に記載の学習装置によれば、事前処理条件を予測アルゴリズムに与えて算出される予測処理結果を含む第２データセットが生成されるので、基板処理装置に実際に基板を処理させる必要なく、第２データセットを生成することができる。
【0191】
（第６項） 第１項に記載の学習装置において、
前記第１データセットを用いて、前記処理条件から前記予測アルゴリズムを生成する予測アルゴリズム生成部を、さらに備える。
前記第１データセットを用いて、前記処理条件から前記予測アルゴリズムを生成する予測アルゴリズム生成部を、さらに備える。
【0192】
（第７項） 第６項に記載の学習装置において、
前記予測アルゴリズムは、前記第１データセットを機械学習させた学習済のモデルであってもよい。
前記予測アルゴリズムは、前記第１データセットを機械学習させた学習済のモデルであってもよい。
【0193】
（第８項）第１項～第７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、基板に対する相対位置が経時変化するノズルから基板へと処理液を供給することにより前記処理を実行し、
前記処理条件は、前記基板に対する前記ノズルの相対位置が時間の経過に伴って変化する変動条件を含み、
前記変動条件を圧縮した圧縮データを生成する圧縮部を、さらに備え、
前記学習モデル生成部は、前記圧縮部により前記変動条件から圧縮された前記圧縮データを前記学習モデルに機械学習させてもよい。
前記基板処理装置は、基板に対する相対位置が経時変化するノズルから基板へと処理液を供給することにより前記処理を実行し、
前記処理条件は、前記基板に対する前記ノズルの相対位置が時間の経過に伴って変化する変動条件を含み、
前記変動条件を圧縮した圧縮データを生成する圧縮部を、さらに備え、
前記学習モデル生成部は、前記圧縮部により前記変動条件から圧縮された前記圧縮データを前記学習モデルに機械学習させてもよい。
【0194】
第８項に記載の学習装置によれば、変動条件の次元数が小さくなるので、学習モデルの汎化性を向上させることができる。
【0195】
（第９項）本発明の他の態様に係る情報処理装置は、
第１項～第７項のいずれかに記載の学習装置で生成された前記学習モデルを用いて前記基板処理装置を管理する情報処理装置であって、
前記学習装置から前記学習モデルを取得する取得部と、
仮の処理条件を前記学習モデルに与えて前記学習モデルにより予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、前記基板処理装置を駆動するための処理条件に決定する処理条件決定部と、を備える。
第１項～第７項のいずれかに記載の学習装置で生成された前記学習モデルを用いて前記基板処理装置を管理する情報処理装置であって、
前記学習装置から前記学習モデルを取得する取得部と、
仮の処理条件を前記学習モデルに与えて前記学習モデルにより予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、前記基板処理装置を駆動するための処理条件に決定する処理条件決定部と、を備える。
【0196】
第９項に記載の情報処理装置によれば、事前学習された学習モデルに仮の処理条件を与えて学習モデルにより予測される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、複雑なプロセスを経て得られる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。
【0197】
（第１０項） 本発明のさらに他の態様に係る基板処理装置は、第９項に記載の情報処理装置を備える。
【0198】
第１０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複数の処理条件を提示することが可能になる。
【0199】
（第１１項）本発明のさらに他の態様に係る学習方法は、
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とを含む第１データセットを取得するステップと、
前記基板処理装置に前記処理を実行させるための事前処理条件を生成するステップと、
第２データセットを学習モデルに機械学習させる事前学習ステップと、
前記事前学習ステップにおいて機械学習された学習済の前記学習モデルに前記第１データセットを機械学習させる学習モデル生成ステップと、を備え、
前記第２データセットは、前記事前処理条件に基づいて予め定められた予測アルゴリズムにより予測される事前処理結果と前記事前処理条件とを含む。
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とを含む第１データセットを取得するステップと、
前記基板処理装置に前記処理を実行させるための事前処理条件を生成するステップと、
第２データセットを学習モデルに機械学習させる事前学習ステップと、
前記事前学習ステップにおいて機械学習された学習済の前記学習モデルに前記第１データセットを機械学習させる学習モデル生成ステップと、を備え、
前記第２データセットは、前記事前処理条件に基づいて予め定められた予測アルゴリズムにより予測される事前処理結果と前記事前処理条件とを含む。
【0200】
第１１項に記載の学習方法によれば、事前知識が与えられた事前学習済の学習モデルが実験データを学習するので、実験データだけを学習した予測アルゴリズムに比較して、精度を向上させることができる。また、実験データの数は、予測アルゴリズムを生成するために必要な数でよいので、学習モデルを機械学習させるための実験データを生成するコストを抑制することができる。
【0201】
（第１２項） 本発明のさらに他の態様に係る処理条件決定方法は、請求項１０に記載の学習方法を実行する学習装置により生成された前記学習モデルを用いて前記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、
前記学習装置から前記学習モデルを取得する取得ステップと、
仮の処理条件を前記学習モデルに与えて前記学習モデルにより予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、前記基板処理装置を駆動するための処理条件に決定する処理条件決定ステップと、を備える。
前記学習装置から前記学習モデルを取得する取得ステップと、
仮の処理条件を前記学習モデルに与えて前記学習モデルにより予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、前記基板処理装置を駆動するための処理条件に決定する処理条件決定ステップと、を備える。
【0202】
第１２項に記載の処理条件決定方法によれば、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ができる。
【符号の説明】
【0203】
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，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，２２１…データ取得部，２２２…第１圧縮部，２２３…予測アルゴリズム生成部，２２４…事前処理条件生成部，２２４ａ…仮変動条件生成部，２２４ｃ…事前変動条件決定部，２２４ｅ…第２圧縮部，２２４ｇ…事前固定条件生成部，２２５…予測器生成部，２２５ａ…事前処理結果予測部，２２５ｃ…事前学習部，２２５ｅ…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，ＳＣ…スピンチャック，ＳＬ…基準線，ＳＭ…スピンモータ，Ｗ…基板，ＷＵ…基板処理ユニット，２００Ａ…学習装置，２２４Ａ…事前処理条件生成部，２３２…処理量予測部，２４１…生成用変動条件決定部，２４２…変換部，２４３…回数分類部，２４４…分類部，２４５…変動条件選定部，２４６…固定条件決定部，２４７…事前処理条件決定部
【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】
【図17】
【図18】
【図19】
【図20】
【図21】
【図22】
【図23】
【図24】