特許 7594383 制御装置、インプリント装置および物品製造方法

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】

(24)【登録日】2024-11-26

(45)【発行日】2024-12-04

(54)【発明の名称】制御装置、インプリント装置および物品製造方法

(51)【国際特許分類】

   H01L 21/027 20060101AFI20241127BHJP

   B29C 59/02 20060101ALI20241127BHJP

   G05D 15/01 20060101ALI20241127BHJP

【ＦＩ】

H01L21/30 502D

B29C59/02 Z

G05D15/01

【請求項の数】 21

(21)【出願番号】P 2020144872

(22)【出願日】2020-08-28

(65)【公開番号】P2022039715

(43)【公開日】2022-03-10

【審査請求日】2023-08-14

(73)【特許権者】

【識別番号】000001007

【氏名又は名称】キヤノン株式会社

(74)【代理人】

【識別番号】110003281

【氏名又は名称】弁理士法人大塚国際特許事務所

(72)【発明者】

【氏名】縄田 亮

(72)【発明者】

【氏名】関口 浩之

(72)【発明者】

【氏名】芝山 卓

(72)【発明者】

【氏名】鬼沢 雄馬

【審査官】田中 秀直

(56)【参考文献】

【文献】特開２０１３－０２１１５５（ＪＰ，Ａ）

【文献】特開２００３－１０８２３６（ＪＰ，Ａ）

【文献】特開２０１０－１２３９５７（ＪＰ，Ａ）

【文献】特開２００２－３６７２３９（ＪＰ，Ａ）

【文献】特開２０１９－０７１４０５（ＪＰ，Ａ）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｈ０１Ｌ ２１／０２７

Ｂ２９Ｃ ５９／０２

Ｇ０５Ｄ １５／０１

(57)【特許請求の範囲】

【請求項1】

処理対象物に物体を押し当てることによって前記処理対象物の処理を行うための制御装置であって、
前記処理対象物を処理するために必要な力の目標値である力目標値と前記物体を駆動するために必要な駆動力の目標値である目標駆動力との和に基づいて操作量を求める補償器と、
前記物体に対して力を加える駆動部と、
前記物体に対して加えられる外乱力の推定値を前記物体の状態に関する情報に基づいて推定する推定部と、
前記推定値に基づいて、前記外乱力の影響が低減されるように、前記操作量を補正することによって前記駆動部に与える指令値を生成する補正部と、
前記情報に基づいて前記推定値を得るために前記推定部によって使用される複数のパラメータ値を決定する処理を実行する決定部と、
を備えることを特徴とする制御装置。

【請求項2】

前記外乱力は、前記物体に対して直接的または間接的に接続された部材を介して前記物体に加えられる、
ことを特徴とする請求項１に記載の制御装置。

【請求項3】

前記複数のパラメータ値は、前記部材の剛性および減衰を示すパラメータ値を含む、
ことを特徴とする請求項２に記載の制御装置。

【請求項4】

前記情報を計測するための計測部を更に備える、
ことを特徴とする請求項１乃至３のいずれか１項に記載の制御装置。

【請求項5】

前記外乱力を取得する取得部を更に備え、
前記決定部は、前記取得部によって得られた前記外乱力に基づいて、機械学習を通して前記複数のパラメータ値を決定する、
ことを特徴とする請求項１乃至４のいずれか１項に記載の制御装置。

【請求項6】

前記取得部は、前記物体の位置を指令する位置指令値に前記物体の位置の計測値が一致するように前記位置指令値と前記計測値との差分に基づいて前記駆動部を動作させる位置フィードバック制御において、前記差分と前記計測値とに基づいて前記外乱力を取得する、
ことを特徴とする請求項５に記載の制御装置。

【請求項7】

前記機械学習は、教師無し学習である、
ことを特徴とする請求項５又は６に記載の制御装置。

【請求項8】

前記教師無し学習では、損失関数として、二乗和誤差、平均二乗和誤差、平均絶対誤差および平均二乗対数誤差の１つが用いられる、
ことを特徴とする請求項７に記載の制御装置。

【請求項9】

前記機械学習は、強化学習である、
ことを特徴とする請求項５又は６に記載の制御装置。

【請求項10】

前記強化学習では、報酬として、二乗和誤差、平均二乗和誤差、平均絶対誤差および平均二乗対数誤差の１つの逆数が用いられる、
ことを特徴とする請求項９に記載の制御装置。

【請求項11】

基板の上のインプリント材に型を接触させ該インプリント材を硬化させることによって該インプリント材の硬化物からなるパターンを形成するインプリント装置に組み込まれている、
ことを特徴とする請求項１乃至１０のいずれか１項に記載の制御装置。

【請求項12】

前記型を保持する型保持部に加えられる力を前記物体に加えられる力として制御する、
ことを特徴とする請求項１１に記載の制御装置。

【請求項13】

前記物体を制御対象として位置フィードバック制御を行う第１モードと、前記物体を制御対象として力フィードバック制御を行う第２モードとを制御する制御部を更に備え、
前記制御部は、前記第１モードで前記物体を前記処理対象物に近づけ、その後、前記第２モードで前記物体を制御し、
前記補償器は、前記第２モードにおいて前記操作量を発生する、
ことを特徴とする請求項１乃至１２のいずれか１項に記載の制御装置。

【請求項14】

基板の上のインプリント材に型を押し付けて該インプリント材を硬化させることによって該インプリント材の硬化物からなるパターンを形成するインプリント装置であって、
前記型を保持する型保持部と、
前記インプリント材を処理するために必要な力の目標値である力目標値と前記型保持部を駆動するために必要な駆動力の目標値である目標駆動力との和に基づいて操作量を求める補償器と、
前記型保持部に力を加える駆動部と、
前記型保持部に対して加えられる外乱力の推定値を前記型保持部の状態に関する情報に基づいて推定する推定部と、
前記推定値に基づいて、前記外乱力の影響が低減されるように、前記操作量を補正することによって前記駆動部に与える指令値を生成する補正部と、
前記情報に基づいて前記推定値を得るために前記推定部によって使用される複数のパラメータ値を決定する処理を実行する決定部と、
を備えることを特徴とするインプリント装置。

【請求項15】

前記外乱力は、前記型保持部に対して直接的または間接的に接続された部材を介して前記型保持部に加えられる、
ことを特徴とする請求項１４に記載のインプリント装置。

【請求項16】

前記複数のパラメータ値は、前記部材の剛性および減衰を示すパラメータ値を含む、
ことを特徴とする請求項１５に記載のインプリント装置。

【請求項17】

前記情報を計測するための計測器を更に備える、
ことを特徴とする請求項１４乃至１６のいずれか１項に記載のインプリント装置。

【請求項18】

前記外乱力を取得する取得部を更に備え、
前記決定部は、前記取得部によって得られた前記外乱力に基づいて、機械学習を通して前記複数のパラメータ値を決定する、
ことを特徴とする請求項１４乃至１７のいずれか１項に記載のインプリント装置。

【請求項19】

前記取得部は、前記型保持部の位置を指令する位置指令値に前記型保持部の位置の計測値が一致するように前記位置指令値と前記計測値との差分に基づいて前記駆動部を動作させる位置フィードバック制御において、前記差分と前記計測値とに基づいて前記外乱力を取得する、
ことを特徴とする請求項１８に記載のインプリント装置。

【請求項20】

前記型保持部を制御対象として位置フィードバック制御を行う第１モードと、前記型保持部を制御対象として力フィードバック制御を行う第２モードとを制御する制御部を更に備え、
前記制御部は、前記第１モードで前記型保持部を前記インプリント材に近づけ、その後、前記第２モードで前記型保持部を制御し、
前記補償器は、前記第２モードにおいて前記操作量を発生する、
ことを特徴とする請求項１４乃至１９のいずれか１項に記載のインプリント装置。

【請求項21】

請求項１４乃至２０のいずれか１項に記載のインプリント装置により基板の上にパターンを形成する工程と、
前記工程で前記パターンを形成された前記基板を加工する工程と、
を含むことを特徴とする物品製造方法。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、制御装置、インプリント装置および物品製造方法に関する。

【背景技術】

【0002】

半導体デバイスまたはＭＥＭＳなどの物品を製造する製造装置には、物品の性能および／または歩留まりを高めるために、高精度な制御が要求される。そのためには、製造装置内の制御対象物を高精度に制御する必要があり、制御対象物に対して所望の制御力を正確に加える必要がある。しかし、制御対象物には、多くの場合、電力および／または流体を供給するための実装部および／またはガイド等が不随するために、制御対象物に外乱力が加えられ、制御対象物に所望の制御力を加えられないという課題がある。この課題を解決する方法として、特許文献１では、システムからの出力に基づいて該システムへの外乱入力を推定するフィードバック補正部（外乱オブザーバ）を有するアクティブ除振装置が記載されている。該フィードバック補正部は、該システムの出力に基づいて入力を推定するノミナルモデルを含む。

【先行技術文献】

【特許文献】

【0003】

【文献】特開２００３－１０８２３６号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

しかしながら、特許文献１の除振装置は、ノミナルモデルを決定する手段を有しないので、除振装置の状態が変化した場合および除振装置が配置された環境が変化した場合に、ノミナルモデルをその変化に追随させることができない。

【0005】

本発明は、制御精度の向上または維持に有利な技術を提供することを目的とする。

【課題を解決するための手段】

【0006】

本発明の１つの側面は、処理対象物に物体を押し当てることによって前記処理対象物の処理を行うための制御装置に係り、前記制御装置は、前記処理対象物を処理するために必要な力の目標値である力目標値と前記物体を駆動するために必要な駆動力の目標値である目標駆動力との和に基づいて操作量を求める補償器と、前記物体に対して力を加える駆動部と、前記物体に対して加えられる外乱力の推定値を前記物体の状態に関する情報に基づいて推定する推定部と、前記推定値に基づいて、前記外乱力の影響が低減されるように、前記操作量を補正することによって前記駆動部に与える指令値を生成する補正部と、前記情報に基づいて前記推定値を得るために前記推定部によって使用される複数のパラメータ値を決定する処理を実行する決定部と、を備える。

【発明の効果】

【0007】

本発明によれ、制御精度の向上または維持に有利な技術が提供される。

【図面の簡単な説明】

【0008】

【図1】第１実施形態における制御装置の構成を示す概略図。

【図2】第１実施形態における力フィードバック制御系の構成を示すブロック線図。

【図3】第１実施形態における外乱力補正を行った力フィードバック制御系の構成を示すブロック線図。

【図4】３要素モデルを用いた外乱推定モデルを示す概略図。

【図5】状態空間を示す概略図。

【図6】３個の３要素モデルを用いた外乱推定モデルを示す概略図。

【図7】第１実施形態における位置フィードバック制御系の構成を示すブロック線図。

【図8】第１実施形態に係る機械学習方法を示すフローチャート。

【図9】第２実施形態における外乱力補正を行った力フィードバック制御系の構成を示すブロック線図。

【図10】ニューラルネットワークを示す概略図。

【図11】第５実施形態のインプリント装置の構成を示す概略図。

【図12】第５実施形態のインプリント装置におけるインプリント処理を示すフローチャート。

【図13】図３を具体的なデバイスで説明した図。

【図14】図７を具体的なデバイスで説明した図。

【図15】第４実施形態における最適化手法を説明する図。

【図16】第４実施形態における最適化手法を説明する図。

【図17】物品製造方法を説明する図。

【発明を実施するための形態】

【0009】

以下、添付図面を参照して実施形態を詳しく説明する。なお、以下の実施形態は特許請求の範囲に係る発明を限定するものではない。実施形態には複数の特徴が記載されているが、これらの複数の特徴の全てが発明に必須のものとは限らず、また、複数の特徴は任意に組み合わせられてもよい。さらに、添付図面においては、同一若しくは同様の構成に同一の参照番号を付し、重複した説明は省略する。

【0010】

図１には、第１実施形態の制御装置１１００の構成が示されている。ここで、図１（ａ）は、加工部１０１０と被加工物１００１とが接触する前の状態を示し、図１（ｂ）は、加工部１０１０と被加工物１００１とが接触した状態を示している。制御装置１１００は、例えば、被加工物（処理対象物）１００１に対して加工部（物体）１０１０を所望の力で押し当てることによって被加工物１００１の加工（処理）を行うように構成されうる。制御装置１１００は、加工部（物体）１０１０に加えられる力を制御する。以下、加工部１０１０の駆動方向をＸ軸として説明する。

【0011】

制御装置１１００は、例えば、加工部１０１０と、加工部１０１０を所定方向（Ｘ軸方向）へ駆動するための駆動部１０１５と、加工部１０１０の変位を計測する計測部１０２５と、駆動部１０１５に操作量（指令値）を出力する制御部１０３５とを備えうる。更に、制御装置１１００は、加工に必要なエネルギー（例えば、電力）および流体（気体および／または液体）を加工部１０１０に供給するための実装部（部材）１０５０を備えうる。実装部１０５０は、加工部１０１０に対して直接的または間接的に接続され、加工部１０１０には、実装部１０５０を介して外乱力が加えられうる。駆動部１０１５は、加工部１０１０に対してＸ軸方向の力を加えるように構成されうる。駆動部１０１５は、例えば、リニアアクチュエータ等のアクチュエータを含みうる。計測部１０２５は、例えば、リニアエンコーダ等が考えられる。制御部１０３５は、例えば、ＦＰＧＡ（Ｆｉｅｌｄ Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙの略。）などのＰＬＤ（Ｐｒｏｇｒａｍｍａｂｌｅ Ｌｏｇｉｃ Ｄｅｖｉｃｅの略。）、又は、ＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔの略。）、又は、プログラムが組み込まれた汎用又は専用のコンピュータ、又は、これらの全部または一部の組み合わせによって構成されうる。

【0012】

制御部１０３５は、加工部１０１０を制御対象として位置フィードバック制御を行うモードと、加工部１０１０を制御対象として力フィードバック制御を行うモードとを有しうる。制御部１０３５は、加工部１０１０を被加工物１００１の近傍まで移動させる場合は、加工部１０１０を位置フィードバック制御し、被加工物１００１を加工部１０１０で加工する場合は、加工部１０１０を力フィードバック制御しうる。

【0013】

図２には、力フィードバック制御を行っているときの制御装置１１００の構成をおよび動作を示すブロック線図が示されている。ここで、図２（ａ）は、加工部１０１０に対して実装部１０５０による外乱力Ｆｄが加わらない場合を示しており、図２（ｂ）は、加工部１０１０に対して実装部１０５０による外乱力Ｆｄが加わる場合を示している。まず、図２（ａ）について説明を行う。Ｆｒは加工部１０１０に加えられる力の目標値（以下、力目標値）を示し、Ｇｃは制御補償器、Ｋｉは電流ゲイン、Ｋｔは駆動部１０１５の推力定数を示している。Ｇ０は加工部１０１０の力から変位への伝達関数、Ｘ０は加工部１０１０の変位（計測部１０２５による位置の計測値）を示している。駆動部１０１５が出力する出力Ｆは、加工部１０１０を駆動するために必要な駆動力Ｆ０と、被加工物１００１を加工するために必要な加工力Ｆａの和である。

【0014】

力目標値Ｆｒの通りに加工力Ｆａを制御するためには、加工力Ｆａをフィードバックする必要がある。しかし、第１実施形態の制御装置１１００では、加工の都合上、加工力Ｆａを直接的に計測することができない。そこで、図２（ａ）では、操作電圧Ｖｃに推力定数Ｋｔと電流ゲインＫｉを乗じた出力Ｆをフィードバックしている。操作電圧Ｖｃは、操作量あるいは指令値として理解されうる。出力Ｆは、加工力Ｆａと駆動力Ｆ０とを加算したものなので、力目標値Ｆｒに駆動力Ｆ０の目標値を足し込む必要がある。そこで、図２（ａ）では、力目標値Ｆｒに目標駆動力Ｆ０ｒを足し込んでいる。目標駆動力Ｆ０ｒは、図２（ａ）のように加工部１０１０の変位Ｘ０に１／Ｇ０を乗じて求めてもよいし、予め変位Ｘ０に応じたテーブルとして用意しておいてもよい。これにより、加工力Ｆａを力目標値Ｆｒ通りに制御することができる。

【0015】

しかしながら、実際には、図１に示す実装部１０５０の影響により、図２（ｂ）のように加工部１０１０に対して外乱力Ｆｄが加わるので、加工力Ｆａは、Ｆａ´＝Ｆａ＋Ｆｄとなり、力目標値Ｆｒの通りの加工力Ｆａで被加工物１００１を加工することができない。第１実施形態の場合、外乱力Ｆｄは、加工部１０１０の変位および速度に依存するので、図２（ｂ）に示すように、加工部１０１０の変位から外乱力Ｆｄへの伝達関数をＧｄ、加工部１０１０の変位をＸ０とすると、外乱力ＦｄはＦｄ＝Ｇｄ×Ｘ０として表される。

【0016】

そこで、第１実施形態では、図３に示すように、外乱オブザーバとして外乱推定部（推定部）Ｇｄｅを用いる。外乱推定部Ｇｄｅは、加工部１０１０に対して加えられる外乱力Ｆｄの推定値である推定外乱力Ｆｄｅを加工部１０１０の状態に関する情報に基づいて推定する。外乱推定部Ｇｄｅは、例えば、計測部１０２５により計測された加工部１０１０の変位Ｘ０に基づいて、加工部１０１０に加わる推定外乱力Ｆｄｅを推定することができる。操作電圧Ｖｃから推定外乱力Ｆｄｅに相当する電圧を差し引くことで、加工部１０１０が力目標値Ｆｒ通りの加工力Ｆａを出力することができる。外乱推定部１３０５は、加工部１０１０の状態に関する情報に基づいて推定外乱値Ｆｄｅを得るために、予め決定された複数のパラメータ値を使用する。該複数のパラメータ値は、決定部１３５０によって決定される。なお、図３に付された符号３０１～３０７は、以下で説明される図１３に示された構成要素との対応関係を示す。

【0017】

図１３には、図３に対応する制御装置１１００の物理的な構成例が示されている。制御部１０３５は、目標値発生部１３０１、補償器１３０２、補正部１３０３、動剛性乗算部１３０４、外乱推定部１３０５を含みうる。目標値発生部１３０１は、力目標値Ｆｒを発生する。補償器１３０２は、力目標値Ｆｒと目標駆動力Ｆ０ｒとの和から操作電圧Ｖｃを求める。補償器１３０２は、図３における制御補償器Ｇｃ（３０１）、電流ゲインＫｉ（３０２）、推力定数Ｋｔ（３０３）で構成されるブロックに対応し、そのゲインは、Ｇｃ／（１＋ＧｃＫｔＫｉ）である。補正部１３０３は、図３における１／Ｋｉ（３０４）、１／Ｋｔ（３０５）、演算器（減算器）３０６で構成されるブロックに対応する。動剛性乗算部１３０４は、図３における１／Ｇ０（３０７）に対応する。補正部１３０３は、推定外乱力Ｆｄｅに基づいて、外乱力Ｆｄの影響が低減されるように、駆動部１０１５に与える操作量（指令値）を補正する。外乱推定部１３０５は、図３における外乱推定部Ｇｄｅ（３０６）に対応する。

【0018】

次に、外乱推定部Ｇｄｅ（３０６）について説明する。外乱推定部Ｇｄｅは、図２（ｂ）および図３に示される外乱の伝達関数Ｇｄをモデル化したものである。外乱の伝達関数Ｇｄは、図１に示される実装部１０５０により生じる外乱を表現するものである。実装部１０５０により生じる外乱は、加工部１０１０の変位および速度により発生するので、バネ（剛性）およびダンパ（減衰）を用いた３要素モデルでモデル化することができる。したがって、外乱推定部Ｇｄｅも３要素モデルでモデル化することができる。図４には、１個の３要素モデルを用いた外乱推定モデルが示されている。加工部１０１０の変位をＸ０とし、バネＫ２の変位Ｘ１とする場合、推定外乱力Ｆｄｅは、数１、数２で表される。

【0019】

【数1】

【0020】

【数2】

【0021】

数１、数２は、それぞれ数３、数４のように変形することができる。

【0022】

【数3】

【0023】

【数4】

【0024】

数３は状態方程式、数４は出力方程式を表しているので、図４に示される外乱推定モデルは、図５に示される状態空間として表すことができる。図５の状態行列Ａ、入力行列Ｂ、出力行列Ｃ、直達行列Ｄは、数５乃至８で表される。

【0025】

【数5】

【0026】

【数6】

【0027】

【数7】

【0028】

【数8】

【0029】

よって、外乱推定部Ｇｄｅは、図５に示される状態空間で表すことができ、外乱推定部Ｇｄｅに加工部１０１０の変位Ｘ０を入力すると、推定外乱力Ｆｄｅを得ることができる。

【0030】

また、数１および数２で表される微分方程式を解くと、数９で示すように推定外乱力Ｆｄｅを時間ｔの関数として表すことができる。数９のＴは、図４に示す外乱推定モデルおよび外乱推定部Ｇｄｅの時定数であり、数１０で表される。

【0031】

【数9】

【0032】

【数10】

【0033】

実装部１０５０が、時定数が互いに異なる複数の要素からなる場合、複数個の３要素モデルを組み合わせる必要がある。第１実施形態では、図６ように３個の３要素モデルを組み合わせた外乱推定モデルを用いる。図６に示される外乱推定モデルの場合、外乱推定部Ｇｄｅの状態行列Ａ、入力行列Ｂ、出力行列Ｃ、直達行列Ｄは、数１１乃至１４で表される。

【0034】

【数11】

【0035】

【数12】

【0036】

【数13】

【0037】

【数14】

【0038】

また、加工部１０１０に加わる外乱力Ｆｄは、加工部１０１０を位置フィードバック制御した状態において、加工部１０１０の変位Ｘ０と、その時に駆動部１０１５が出力する出力Ｆから算出することができる。図７には、加工部１０１０を位置フィードバック制御した状態における制御装置１１００の構成をおよび動作を示すブロック線図が示されている。図７に示された制御装置１１００は、外乱力Ｆｄを取得する取得部１４５０含む。Ｘｒは、加工部１０１０の変位目標値（位置指令値）を表している。加工部１０１０を位置フィードバック制御している場合、駆動部１０１５が出力する出力Ｆは、Ｆ＝Ｆ０－Ｆｄであり、外乱Ｆｄが加わっても加工部１０１０には駆動力Ｆ０が加えられるので、変位目標値Ｘｒ通りに加工部１０１０を位置決めすることができる。そこで、出力Ｆ（＝Ｆ０－Ｆｄ）から駆動力Ｆ０を差し引き、その結果に－１を乗じれば、外乱力Ｆｄを求めることができる。駆動力Ｆ０は、加工部１０１０の変位Ｘ０に１／Ｇ０を乗じて求めることができる。

【0039】

外乱力Ｆｄの取得の際に、取得部１４５０は、加工部１０１０の位置を指令する変位目標量Ｘｒに加工部１０１０の変位Ｘ０（計測値）が一致するように変位目標量Ｘｒと変位Ｘ０との差分に基づいて駆動部１０１５を動作させる位置フィードバック制御を行う。そして、この位置フィードバック制御において、取得部１４５０は、変位目標量Ｘｒと変位Ｘ０との差分と変位Ｘ０（計測値）とに基づいて外乱力Ｆｄを取得する。図７の例では、変位目標量Ｘｒと変位Ｘ０との差分に基づいてＦが演算され、変位Ｘ０（計測値）に基づいてＦ０が演算され、ＦとＦ０とからＦｄが演算される。なお、図７に付された符号７０１～７０８は、以下で説明される図１４に示された構成要素との対応関係を示す。

【0040】

図１４には、図７に対応する制御装置１１００の物理的な構成例が示されている。制御部１０３５は、目標値発生部１４０１、補償器１４０２、動剛性乗算部１４０３、演算器１４０４、１４０５、１４０６を含みうる。目標値発生部１４０１は、変位目標値Ｘｒ（位置指令値）を発生する。演算器１４０６は、変位目標値Ｘｒと変位Ｘ０との差分（変位偏差）を演算する。補償器１４０２は、変位目標値Ｘｒと変位Ｘ０との差分（変位偏差）から駆動力Ｆ（＝Ｆ０－Ｆｄ）を求める。補償器１４０２は、図７における制御補償器Ｇｃ（７０１）、電流ゲインＫｉ（７０２）、推力定数Ｋｔ（７０３）で構成されるブロックに対応し、そのゲインは、ＧｃＫｔＫｉである。演算器１４０４は、図７における演算器７０６に対応する。図７において、演算器７０６には、制御補償器Ｇｃ（７０１）、電流ゲインＫｉ（７０４）、推力定数Ｋｔ（７０５）で構成されるブロックによって計算された駆動力Ｆ（＝Ｆ０－Ｆｄ）が入力される。演算器１４０５は、図７における演算器７０７に対応する。動剛性乗算部１４０３は、図７における１／Ｇ０（７０８）に対応する。補償器１４０２、動剛性乗算部１４０３、演算器１４０４、１４０５、１４０６は、外乱力Ｆｄを取得する取得部１４５０を構成する。図１３に示された決定部１３５０は、取得部１４５０によって得られた外乱力Ｆｄに基づいて、機械学習を通して、外乱推定部１３０５によって使用される複数のパラメータ値を決定する。ここで、該複数のパラメータ値は、加工部１０１０の状態に関する情報に基づいて推定外乱値Ｆｄｅを得るために使用される。

【0041】

ところで、外乱推定部１３０５によって生成される推定外乱力Ｆｄｅが外乱力Ｆｄを正しく推定した値になるためには、外乱推定部Ｇｄｅの複数のパラメータ値が正しく決定される必要がある。外乱推定モデルが図６に示される３個の３要素モデルの場合、バネおよびダンパ要素の合計数は９個であり、９個のパラメータ値を机上計算で決定することは非常に困難である。そこで、第１実施形態では、決定部１３５０は、外乱推定部Ｇｄｅの複数のパラメータ値を機械学習によって決定する。機械学習の方法としては、例えば、教師無し学習を用いることができる。機械学習を行う機能は、例えば、制御部１０３５に組み込まれうる。

【0042】

まず、制御部１０３５は、機械学習を行うために、訓練に用いるデータの取得を行う。データとしては、加工部１０１０を位置フィードバック制御し、様々な変位Ｘ０における外乱力Ｆｄを加工部１０１０の変位Ｘ０と共に収集する。収集された変位Ｘ０のデータを変位データｄａｔａ＿Ｘ０、収集された外乱力Ｆｄのデータを外乱力データｄａｔａ＿Ｆｄとする。制御部１０３５は、変位Ｘ０を外乱推定部Ｇｄｅに入力し、外乱推定部Ｇｄｅから出力される推定外乱力Ｆｄｅを推定外乱力データｄａｔａ＿Ｆｄｅとして収集する。制御部１０３５は、このようにして収集されたデータを訓練データとして用いる。

【0043】

教師無し学習では、推定外乱力Ｆｄｅを外乱力Ｆｄにできるだけ一致させたい。そこで、制御部１０３５は、推定外乱力Ｆｄｅと外乱力Ｆｄの二乗和誤差を求める関数を損失関数Ｌとし、損失関数Ｌを最小にするように外乱推定部Ｇｄｅの複数のパラメータ値を最適化するように構成されうる。損失関数Ｌを数１５に示す。数１５において、ｉは訓練データのデータ番号、ｎは訓練データの総数である。

【0044】

【数15】

【0045】

損失関数としては、二乗和誤差の他に、例えば、平均二乗和誤差、平均絶対誤差、または、平均二乗対数誤差などを求める関数が採用されてもよい。

【0046】

次に、機械学習における最適化の方法について例示的に説明する。機械学習における最適化の方法としては、例えば勾配法を用いることができる。図８（ａ）には、勾配法の手順が例示されている。まず、工程ＳＳ１において、制御部１０３５は、収集した訓練データの中から学習用の訓練データを選択する。学習用の訓練データは、収集された訓練データの中からランダムに選択されてもよいし、学習したい特徴が良く現れた訓練データが選択されてもよい。次に、工程ＳＳＳ２において、制御部１０３５は、損失関数の値を減らすために、各パラメータ値の勾配を求める。各パラメータ値の勾配は、損失関数の値をＬとした場合、例えば、数１６で表されうる。

【0047】

【数16】

【0048】

続いて、工程ＳＳ３では、制御部１０３５は、各パラメータ値を勾配の方向に微小量だけ更新する。各パラメータ値の更新は、例えば、数１７に従って行うことができる。数１７のηは学習率を表しており、１回の学習でどれだけパラメータ値を更新するかを決めるパラメータである。一般的に学習率ηは、０．００１～０．１程度でありうる。

【0049】

【数17】

【0050】

工程ＳＳ４では、制御部１０３５は、更新したパラメータ値における損失関数Ｌを計算する。工程ＳＳ５では、制御部１０３５は、終了条件が満たされているか否かを判定し、終了条件が満たされていれば学習を終了し、満たされていなければ工程ＳＳ１ｍに戻り、学習を継続する。

【0051】

図８（ｂ）には、図８（ａ）に示された勾配法の手順の一部を変更した手順が他の例として示されている。図８（ｂ）に示された勾配法の手順では、数１８に示されるように、記憶された損失関数Ｌｏｌｄに対する損失関数Ｌの変化量ΔＬが計算され、変化量ΔＬが閾値以下であるか否かを判定する工程ＳＳ６が追加されている。変化量ΔＬが閾値以下でなければ工程ＳＳ３に戻ってパラメータ値が更新され、工程ＳＳ４で損失関数Ｌが計算される。図８（ｂ）の手順は、一度勾配を求めて進むべき方向を決めたら、勾配の方向にパラメータ値を変更し続け、損失関数Ｌの低下が止まったら、新たに勾配を求めてパラメータ値の更新を行う方法である。この方法は、図８（ａ）に示される手順に比べて、損失関数Ｌを最小にする最適解をより早く求めることができる。

【0052】

【数18】

【0053】

学習率ηは、学習の進み具合に応じて徐々に小さくされてもよい。これによりパラメータ値が最適解から離れている場合は、パラメータ値を大きく変更し、パラメータ値が最適解に近づいてきた場合は、パラメータ値が細かく変更されるので、最適解により早くかつより正確に到達することができる。

【0054】

第１実施形態では、機械学習における最適化の方法として勾配法が用いられたが、他の最適化の方法が採用されてもよい。

【0055】

外乱推定部Ｇｄｅのパラメータ値を決定するための処理は、制御装置１１００の稼働中（被加工物１００１の加工中）に実行されてもおいし、非稼働時間に専用の駆動プロファイルに従って加工部１０１０を駆動することによって実行されてもよい。非稼働時に外乱推定部Ｇｄｅのパラメータ値を決定する場合は、例えば、定期的、任意のタイミングで、または所定条件を満たす場合に、外乱推定部Ｇｄｅのパラメータ値を決定する処理が実行されうる。例えば、外乱力Ｆｄに対する推定外乱力Ｆｄｅの誤差がある比率（例えば、５％）を超えた場合は、外乱推定部Ｇｄｅのパラメータ値が更新あるいは再決定されうる。

【0056】

図９には、第２実施形態における外乱力補正を行った力フィードバック制御系の構成を示すブロック線図が示されている。第２実施形態では、第１実施形態における外乱推定部Ｇｄｅに代えて、ニューラルネットワークで構成された外乱推定部Ｇｄｅｎが使用されうる。外乱推定部Ｇｄｅｎは、図１０に例示されるように、入力層と、複数の中間層と、出力層とを含みうる。中間層の総数や、各層のノード数は適切に設定されうる。外乱推定部Ｇｄｅｎのパラメータ値の最適化は、例えば、第１実施形態における外乱推定部Ｇｄｅのパラメータ値の決定方法と同様の方法でなされうる。ニューラルネットワークで構成された外乱推定部Ｇｄｅｎを用いることによって、３要素モデルを用いた外乱推定部Ｇｄｅよりも、高精度に外乱を推定することができる。

【0057】

第３実施形態では、第１実施形態における外乱推定部Ｇｄｅのパラメータ値が強化学習を用いて決定される。強化学習では、学習時の目標となる報酬として様々な形式の値を用いることが可能であるが、一例として、「行動評価関数Ｑ^π（ｓ、ａ）」による学習例を示す。行動評価関数Ｑ^π（ｓ、ａ）は、数１９で示されうる。

【0058】

【数19】

【0059】

数１９において、ｔは時刻、ｓは状態、ａは行動、πは方策、Ｅ_π｛ ｝は方策πの元での期待値、ｒは報酬、γは将来報酬の割引率、ｋは将来報酬までの時刻を表している。

【0060】

行動する主体（エージェント）、ここでは制御部１０３５は、数１９における行動評価関数Ｑ^π（ｓ、ａ）を最大化するように行動する。その際、「過去の経験上の最適行動」と、更なる報酬獲得を目指した「新規行動の探索」とを、所定の方策πに従って、選択しながら実施する。その際、将来の報酬を考慮した期待値の式になっているため、短期的には報酬が減少するが、長期的には大きな報酬が得られるという状況に対処することができる。これにより、行動評価関数Ｑ^π（ｓ、ａ）を最大化する状態と行動を学習することができる。

【0061】

数１９に示す行動評価関数Ｑ^π（ｓ、ａ）における報酬は、数２０に示されるように、数１５の評価関数の逆数として定義されうる。

【0062】

【数20】

【0063】

数２０は、外乱推定部Ｇｄｅにより推定された外乱力Ｆｄｅが、実機の外乱力Ｆｄに近ければ報酬ｒが大きくなることを期待する式である。

【0064】

行動ａは、例えば、以下のように定義されうる。行動ａの数は、パラメータ値の数９×２＝１８となる。

【0065】

【数21】

【0066】

ここで、ｊは学習回数を表している。行動ａは、外乱推定部Ｇｄｅの最適なパラメータ値を探索するために、外乱推定モデルのバネ定数、減衰係数を微小量ΔＫ、ΔＣずつ増加或いは減少させるような行動である。ΔＫ、ΔＣの大きさは、初期状態のバネ定数、減衰係数にある比率を掛けたものとすることができ、その比率は、例えば０．１％～１０％程度の範囲内でありうる。なお、外乱推定部Ｇｄｅの最適なパラメータ値を探索可能な行動であれば、行動ａに限定されるものではなく、別の行動を定義しても良い。

【0067】

方策πは、以下のように定義されうる。

【0068】

方策π：ランダムに行動ａ_ｉを選択し、行動評価関数Ｑ^π（ｓ、ａ）が増加すれば、外乱推定部Ｇｄｅのパラメータ値を更新する。

【0069】

ここで、将来報酬を考慮せず、将来報酬までの時刻ｋを０、将来報酬の割引率γを０．０１とし、行動評価関数Ｑ^π（ｓ、ａ）を報酬ｒと等価としてもよい。

【0070】

ランダムに選択された行動ａ_ｊｈ（ｈは１～１８のいずれか）によって、外乱推定部Ｇｄｅのパラメータ値が変更される。このときの行動評価関数Ｑ^π（ｓ、ａ）が初期状態ｓ_０の行動評価関数Ｑ^π（ｓ、ａ）に対して増加している場合、ｔ＝１の状態ｓ_１の外乱推定部Ｇｄｅのパラメータ値が更新される。一方、このときの行動評価関数Ｑ^π（ｓ、ａ）が初期状態ｓ_０の行動評価関数Ｑ^π（ｓ、ａ）に対して増加していない場合、ｔ＝１の状態ｓ_１の外乱推定部Ｇｄｅのパラメータ値は更新されない。このように、行動評価関数Ｑ^π（ｓ、ａ）が前回の行動評価関数Ｑ^π（ｓ、ａ）よりも良い場合に外乱推定部Ｇｄｅのパラメータを変更する。これにより、方策πの元で時刻ｔが進むことで、行動評価関数Ｑ^π（ｓ、ａ）が増加するように外乱推定部Ｇｄｅのパラメータ値を最適化することができる。ここで、時刻ｔは、学習回数（ｅｐｏｃｈ）と等価であるため、時刻ｔが１つ進むことを、「１回学習する」と言うことができる。

【0071】

方策πの定義は、上記の例に限定されない。探索済みの状態へ移行する行動を選択しないなどの任意の条件が追加されてもよい。将来報酬までの時刻ｋを１以上の値とし、累積情報を元に行動評価関数Ｑ^π（ｓ、ａ）が最大化されてもよい。この場合、最適化までの学習回数は増加するが、局所解にはまらずに、外乱推定部Ｇｄｅのパラメータ値の決定が可能となる。

【0072】

第４実施形態は、第１実施形態における外乱推定部Ｇｄｅのパラメータ値が、機械学習ではなく、最適化手法を用いて決定される。図１５には、最適化手法によってＫ１１を最適化する例が示されている。制御部１０３５は、Ｋ１１をΔＫ１１だけ大きくした場合の損失関数ＬｐとＫ１１をΔＫ１１だけ小さくした場合の損失関数Ｌｍを計算するそして、制御部１０３５は、ＬｐとＬｍとを比較し、より損失関数Ｌを小さくできる方向にＫ１１を変化させていく。ここでは、Ｌｐがより小さい場合を例に説明する。

【0073】

まず、制御部１０３５は、Ｌ＿ｏｌｄにＬｐを代入する。次に、Ｋ１１を更にΔＫ１１だけ大きくした場合の損失関数Ｌを計算する。ＬとＬ＿ｏｌｄを比較しＬが小さければ、Ｌ＿ｏｌｄにＬを代入し、更にＫ１１をΔＫ１１だけ大きくし、損失関数Ｌを計算し、ＬとＬ＿ｏｌｄを比較するというループを損失関数Ｌが小さくならなくなるまで続ける。制御部１０３５は、ＬがＬ＿ｏｌｄより大きい場合はループを抜けて、Ｌ＿Ｋ１１にＬ＿ｏｌｄを代入し、Ｋ１１にＫ１１＿ｏｌｄを代入する。そして最後にＫ１１とＬ＿Ｋ１１を出力する。

【0074】

次に、複数のパラメータのパラメータ値を最適化する方法について図１６を用いて説明する。図１６の例では、パラメータＫ１１、Ｋ１２、Ｃ１２のパラメータ値が最適化されるが、より多くのパラメータのパラメータ値が同時に最適化されてもよいよく、第４実施形態のように幾つかのパラメータを対象としてそれらのパラメータ値が最適化されてもよい。

【0075】

図１６の例では、制御部１０３５は、まず、現状のＫ１１、Ｋ１２、Ｃ１２をそれぞれ、Ｋ１１＿ｏｌｄ、Ｋ１２＿ｏｌｄ、Ｃ１２＿ｏｌｄに代入する。次に、制御部１０３５は、Ｋ１１、Ｋ１２、Ｃ１２をそれぞれ最適化し、最適化したＫ１１、Ｋ１２、Ｃ１２とそれぞれの損失関数Ｌ＿Ｋ１１、Ｌ＿Ｋ１２、Ｌ＿Ｃ１２を出力する。更に制御部１０３５は、Ｌ＿Ｋ１１、Ｌ＿Ｋ１２、Ｌ＿Ｃ１２を比較し、最も損失関数Ｌを小さくすることができるパラメータのパラメータ値を変更する。例えば、Ｌ＿Ｋ１１が一番小さい場合は、制御部１０３５はＫ１１を変更し、更にＬにＬ＿Ｋ１１を代入する。次に、制御部１０３５は、ＬとＬ＿ｏｌｄとを比較し、ＬがＬ＿ｏｌｄより小さければ、Ｌ＿ｏｌｄにＬを代入し、更にＫ１１、Ｋ１２、Ｃ１２をそれぞれ最適化する。Ｌ＿Ｋ１１、Ｌ＿Ｋ１２、Ｌ＿Ｃ１２を比較し、最も損失関数Ｌを小さくすることができるパラメータのパラメータ値を変更し、Ｌを更新するというループを損失関数Ｌが小さくならなくなるまで続ける。ＬがＬ＿ｏｌｄより大きい場合は、制御部１０３５は、ループを抜けて、Ｋ１１にＫ１１＿ｏｌｄ、Ｋ１２にＫ１２＿ｏｌｄ、Ｃ１２にＣ１２＿ｏｌｄを代入する。そして、制御部１０３５は、最後にＫ１１、Ｋ１２、Ｃ１２を出力する。以上のようにして、外乱推定部Ｇｄｅのパラメータのパラメータ値は、機械学習ではなく、最適化手法を用いて決定されてもよい。

【0076】

第５実施形態は、第１実施形態の外乱推定部Ｇｄｅあるいは制御装置１１００がインプリント装置に適用された例を提供する。図１１には、第５実施形態におけるインプリント装置１００の構成が模式的に示されている。図１１（ａ）は、型１０と基板１の上のインプリント材６０とが接触する前の状態を示し、図１１（ｂ）は、型１０と基板１の上のインプリント材６０とが接触した状態を示している。以下、基板１の表面に平行な面において互いに直交する２つの軸をＸ軸およびＹ軸をとし、Ｘ軸およびＹ軸に垂直な軸をＺ軸として説明する。

【0077】

インプリント装置１００は、基板１を保持する基板操作部２３と、インプリント材６０を供給する供給部１８と、型１０を保持する型操作部２４と、光源１６と、アライメントスコープ２１と、制御部３５と、を備えうる。インプリント装置１００は、基板１の上に供給されたインプリント材６０を型１０と接触させ、インプリント材６０に硬化用のエネルギーを与えることにより、型１０の凹凸パターンが転写された硬化物のパターンを形成する。図１１のインプリント装置１００は、半導体デバイスなどの物品を製造するために使用されうる。

【0078】

基板操作部２３は、基板チャック２と、θステージ３（回転駆動部）と、ＸＹステージ４（ＸＹ駆動部）と、を備えうる。基板チャック２は、真空吸着力または静電吸着力によって基板１を保持する。図１１において、基板１は、基板チャック２によって保持されている。θステージ３は、基板１のθ方向（Ｚ軸回りの回転方向）の位置を補正し、基板１のＸ方向とＹ方向の位置決めするためのＸＹステージ４上に配置される。ＸＹステージ４は、リニアモータ１９によりＸ方向及びＹ方向に駆動されうる。θステージ３及びＸＹステージ４は、基板チャック２を保持し、基板チャック２によって保持された基板１を移動させる。ＸＹステージ４は、ベース５上に載置される。リニアエンコーダ６は、ベース５上に、Ｘ方向及びＹ方向に取り付けられ、ＸＹステージ４の位置を計測する。支柱８は、ベース５上に屹立し、天板９を支えている。

【0079】

基板１としては、例えば、単結晶シリコン基板またはＳＯＩ（Ｓｉｌｉｃｏｎ Ｏｎ Ｉｎｓｕｌａｔｏｒ）基板などが用いられる。また、基板１としては、ガラス、セラミックス、金属、半導体、樹脂などが用いられてもよく、必要に応じて、母材の表面の上に母材とは別の材料からなる部材あるいは層が形成されていてもよい。具体的には、基板は、シリコンウエハ、化合物半導体ウエハまたは石英ガラスなどを含みうる。基板１は、複数のショット領域を有してもよく、ショット領域には供給部１８によってインプリント材６０が供給されうる。インプリント装置１００は、ショット領域毎にインプリント材のパターンを形成するインプリント処理を繰り返すことで、基板１の全面にパターンを形成することができる。

【0080】

インプリント材６０としては、硬化用のエネルギーが与えられることにより硬化する硬化性組成物（未硬化状態の樹脂と呼ぶこともある）が用いられる。硬化用のエネルギーとしては、電磁波等が用いられうる。電磁波は、例えば、その波長が１０ｎｍ以上１ｍｍ以下の範囲から選択される光、例えば、紫外線等でありうる。硬化性組成物は、光の照射により硬化する組成物でありうる。これらのうち、光の照射により硬化する光硬化性組成物は、少なくとも重合性化合物と光重合開始剤とを含有し、必要に応じて非重合性化合物または溶剤を更に含有してもよい。非重合性化合物は、増感剤、水素供与体、内添型離型剤、界面活性剤、酸化防止剤、ポリマー成分などの群から選択される少なくとも一種である。本実施形態では、一例として、紫外線によって硬化する性質を持つ光硬化性組成物をインプリント材６０として用いる。インプリント材６０は、供給部１８により、液滴状、或いは複数の液滴が繋がってできた島状または膜状となって基板１上に配置されうる。インプリント材の粘度（２５℃における粘度）は、例えば、１ｍＰａ・ｓ以上１００ｍＰａ・ｓ以下でありうる。また、インプリント材６０は、スピンコーターやスリットコーターによって基板上に膜状に付与されてもよい。

【0081】

供給部１８（ディスペンサ）は、基板１上にインプリント材６０を供給する。供給部１８は、例えば、吐出ノズル（不図示）を有しており、吐出ノズルから基板１上にインプリント材６０を供給する。なお、本実施形態において、供給部１８は、一例として基板１の表面に液状のインプリント材６０を滴下することにより基板１上にインプリント材を供給する。供給部１８によって供給されるインプリント材の量は、必要となるインプリント材の厚さや形成するパターン密度などによって決められても良い。また、供給部１８はインプリント装置１００に必ずしも設けられていなくてもよく、インプリント装置１００外に設けられた供給部によってインプリント材を基板１上に供給してもよい。

【0082】

型１０は、基板上のインプリント材を成形するための型である。型は、モールド、テンプレートまたは原版とも呼ばれうる。型１０は、例えば、外周部が矩形で、基板１に対向する面に基板１上に供給されたインプリント材６０に転写される凹凸状のパターンが３次元形状に形成されたパターン領域Ｐを備える。パターン領域Ｐは、メサ部とも呼ばれる。パターン領域Ｐは、型１０のパターン領域Ｐ以外（パターン領域Ｐを囲む領域）が基板１に接触しないように数十μｍ～数百μｍの凸部に形成されている。型１０は、基板上のインプリント材を硬化させるための光（紫外線）を透過する材料、例えば、石英などで構成されている。

【0083】

型操作部２４は、型チャック（型保持部）１１と、型ステージ２２と、リニアアクチュエータ１５（型駆動部）とを含みうる。型チャック１１は、真空吸着力または静電吸着力などによって型１０を保持する。型チャック１１は、型ステージ２２によって保持される。型ステージ２２は、型１０のＺ位置の調整機能、及び、型１０の傾きを補正するためのチルト機能を有する。リニアアクチュエータ１５は、型チャック１１によって保持された型１０をＺ軸方向に駆動して、型１０を基板１上のインプリント材６０に接触させ、引き離す。リニアアクチュエータ１５は、例えばエアシリンダまたはリニアモータである。なお、型チャック１１及び型ステージ２２は、第１光源１６から照射される光を型１０へと通過させる開口（不図示）をそれぞれ有する。

【0084】

光源１６は、基板１上のインプリント材６０を硬化させる処理において、インプリント材６０を硬化させる光（紫外線）を、コリメータレンズ１７ａを介して基板１に照射する。光源１６は、例えば、ｉ線（３６５ｎｍ）を発生する光源でありうるが、他の波長の光を発生してもよい。ビームスプリッタ２０は、光源１６かと型操作部２４との間の光路に配置され、アライメントスコープ２１により型１０の接触状態を観察するために使用される光とインプリント材６０を硬化させる光とを分離する。アライメントスコープ２１は、ビームスプリッタ２０を介して型１０のパターン領域Ｐを撮像する。

【0085】

制御部３５は、インプリント装置１００を構成する各部の動作、及び調整等を制御する。制御部３５は、例えば、コンピュータなどで構成され、インプリント装置１００を構成する各部に通信路を介して接続され、プログラムなどにしたがって各部の制御を実行しうる。制御部３５は、インプリント装置１００内に設けてもよいし、インプリント装置１００とは別の場所に設置し遠隔で制御しても良い。

【0086】

次に、上記のように構成されたインプリント装置１００によるインプリント処理について説明する。図１２は、第５実施形態に係るインプリント装置１００におけるインプリント処理を示すフローチャートである。各ステップは、制御部３５によるインプリント装置１００の各部の制御により実行されうる。まず、インプリントに必要な各種パラメータの設定を行う（ステップＳ０）。その後、インプリント装置１００のＸＹステージ４を駆動し、基板１が載置された基板チャック２をＸ方向及びＹ方向に移動させ、インプリント処理の対象となるショット領域（以下、対象ショット領域）を供給部１８の下に配置する（ステップＳ１）。そして、所定量の未硬化のインプリント材６０を基板１上に供給する（ステップＳ２）。

【0087】

次に、対象ショット領域が型１０のパターン領域Ｐと対向する位置に配置されるように、再び、ＸＹステージ４を駆動して基板チャック２を移動させ、θステージ３を駆動して基板１のθ方向位置を補正する（ステップＳ３）。続いて、リニアアクチュエータ１５を駆動することにより、型ステージ２２を－Ｚ方向に移動させ、型１０を基板１上の未硬化のインプリント材６０と接触させる（接触工程、ステップＳ４）。ステップＳ４では、型ステージ２２を移動させる代わりに基板チャック２をＺ方向に移動させてもよいし、型ステージ２２と基板チャック２をそれぞれ移動させてもよい。制御部３５は、型１０と基板１上の未硬化のインプリント材６０とを接触させた際に生じる接触力が最適であるか判断する（ステップＳ５）。

【0088】

接触力が最適でない場合（ステップＳ５、ＮＯ）、型ステージ２２は、型１０のインプリント材６０との接触力が所定値となるように、型チャック１１の傾きを変化させる。また、リニアアクチュエータ１５により押し付け量を変えることにより、型１０をインプリント材に押し付ける力が調整される（ステップＳ６）。

【0089】

接触力が最適である場合（ステップＳ５、ＹＥＳ）、型１０及び基板１に形成されたアライメントマークＡＭをアライメントスコープ２１で検出し、検出された計測結果を基に位置合わせを行う。計測結果から型１０と基板１の相対的なずれを求め、ＸＹステージ４及びθステージ３を駆動し、型１０と基板１との位置合わせを行う（ステップＳ７）。

【0090】

型１０と基板１の位置合わせを行った後、光源１６により基板１上のインプリント材６０に光（紫外線）の照射（本露光）を行い、インプリント材６０を硬化させる（ステップＳ８）。本露光の照射領域は、ショット領域の全面である。所定時間の光（紫外線）の照射が終わると、リニアアクチュエータ１５を駆動することにより、型ステージ２２を＋Ｚ方向に上昇させ、基板１上の硬化したインプリント材６０から型１０を引き離す離型工程（ステップＳ９）が行われる。ステップＳ９では、型ステージ２２を移動させる代わりに基板チャック２をＺ方向に移動させてもよいし、型ステージ２２と基板チャック２をそれぞれ移動させてもよい。

【0091】

その後、基板１上の全てのショット領域へのパターン形成が終了したか判断する（ステップＳ１０２）。インプリント材のパターンを形成するショット領域が残っている場合には、次の対象ショット領域へのインプリント材６０の供給を行うために、ＸＹステージ４を駆動し、基板１を移動させる（ステップＳ１）。これら一連の処理を、基板１上の全てのショット領域へのパターン形成が終了するまで繰り返す。全てのショット領域へのパターン形成が終了すると、ＸＹステージ４を駆動して基板１を所定の位置に移動させ（ステップＳ１１３）、１枚の基板１に対するインプリント処理を終了する。

【0092】

ステップＳ６において、型１０をインプリント材に押し付ける力が調整されるが、型操作部２４には、電力および流体を供給するための実装部５０が繋がっていて、実装部５０が型操作部２４に外乱力を加える。そこで、第５実施形態では、制御部３５は、外乱推定部Ｇｄｅを有し、型操作部２４の位置計測器（不図示）により計測された型ステージ２２の変位Ｚ０を外乱推定部Ｇｄｅに供給する。そして、外乱推定部Ｇｄｅによって推定外乱Ｆｄｅを求め、推定外乱力Ｇｄｅに基づいて操作電圧Ｖｃが補正されうる。外乱推定部Ｇｄｅは、複数の３要素モデルであり、外乱推定部Ｇｄｅのパラメータ値の決定には、第１実施形態と同様に、教師無し学習の機械学習が用いられうる。

【0093】

第６実施形態では、第２実施形態の外乱推定部Ｇｄｅｎがインプリント装置に適用される。外乱推定部Ｇｄｅｎは、ニューラルネットワークで構成され、外乱推定部Ｇｄｅｎのパラメータ値の決定には、第２実施形態と同様に、教師無し学習の機械学習が用いられうる。

【0094】

第７実施形態では、第３実施形態の外乱推定部Ｇｄｅがインプリント装置に適用される。外乱推定部Ｇｄｅは、複数の３要素モデルであり、外乱推定部Ｇｄｅのパラメータ値の決定には、第３実施形態と同様に、強化学習を用いられうる。

【0095】

第１乃至第７実施形態では、加工部１０１０または型操作部２４に加わる外乱を外乱推定部により推定し、これに基づいて操作量が補正されうる。しかし、インプリント装置の場合、様々な外乱要因が複雑に影響し合っているため、実装部５０による外乱力に基づく補正だけでは、オーバーレイ精度を向上できない場合がある。そこで、第８実施形態では、基板の上のインプリント材と型とを接触させる接触工程における外乱力を推定するために、重ね合わせ検査装置の計測結果基づいて計算される外乱力データｄａｔａ＿Ｆｄｉｍｐを用いて外乱推定部のパラメータ値が決定される。外乱推定部としては、例えば、ニューラルネットワークが使用されうる。外乱推定部への入力としては、インプリント処理中の型チャック１１の変位Ｚ０に加えて、型チャック１１を駆動するリニアアクチュエータ１５への操作電圧Ｖｃｉｍｐを用いることができる。外乱推定部は、変位Ｚ０と操作電圧Ｖｃｉｍｐとに基づいて、推定外乱力Ｆｄｅｉｍｐを出力しうる。外乱力データｄａｔａ＿Ｆｄｉｍｐは、ショット領域毎に出力される値なので、推定外乱力Ｆｄｅｉｍｐについても各ショット領域について接触工程時の推定外乱力Ｆｄｅｉｍｐを収集し、推定外乱力データｄａｔａ＿Ｆｄｅｉｍｐとすることができる。接触工程時の外乱力データｄａｔａ＿Ｆｄｉｍｐと推定外乱力データｄａｔａ＿Ｆｄｅｉｍｐを訓練データとして、第２実施形態と同様に、教師無し学習の機械学習を用いて、外乱推定部パラメータ値を決定することができる。これにより、オーバーレイ精度に影響を及ぼすインプリント時の外乱を外乱推定部によって推定し、該外乱に基づいて操作量を補正することによってオーバーレイ精度を向上させることができる。

【0096】

第９実施形態では、第８実施形態の外乱推定部のパラメータ値の決定のために、第３実施形態と同様に強化学習が用いられる。

【0097】

以下、第１０実施形態として物品製造方法を説明する。インプリント装置を用いて形成した硬化物のパターンは、各種物品の少なくとも一部に恒久的に、或いは各種物品を製造する際に一時的に、用いられる。物品とは、電気回路素子、光学素子、ＭＥＭＳ、記録素子、センサ、或いは、型等である。電気回路素子としては、ＤＲＡＭ、ＳＲＡＭ、フラッシュメモリ、ＭＲＡＭのような、揮発性或いは不揮発性の半導体メモリや、ＬＳＩ、ＣＣＤ、イメージセンサ、ＦＰＧＡのような半導体素子等が挙げられる。型としては、インプリント用のモールド等が挙げられる。

【0098】

硬化物のパターンは、上記物品の少なくとも一部の構成部材として、そのまま用いられるか、或いは、レジストマスクとして一時的に用いられる。基板の加工工程においてエッチング又はイオン注入等が行われた後、レジストマスクは除去される。

【0099】

次に、上記のインプリント装置によって基板にパターンを形成し、該パターンが形成された基板を処理し、該処理が行われた基板から物品を製造する物品製造方法について説明する。図１７（ａ）に示すように、絶縁体等の被加工材２ｚが表面に形成されたシリコンウエハ等の基板１ｚを用意し、続いて、インクジェット法等により、被加工材２ｚの表面にインプリント材３ｚを付与する。ここでは、複数の液滴状になったインプリント材３ｚが基板上に付与された様子を示している。

【0100】

図１７（ｂ）に示すように、インプリント用の型４ｚを、その凹凸パターンが形成された側を基板上のインプリント材３ｚに向け、対向させる。図１７（ｃ）に示すように、インプリント材３ｚが付与された基板１ｚと型４ｚとを接触させ、圧力を加える。インプリント材３ｚは型４ｚと被加工材２ｚとの隙間に充填される。この状態で硬化用のエネルギーとして光を型４ｚを介して照射すると、インプリント材３ｚは硬化する。

【0101】

図１７（ｄ）に示すように、インプリント材３ｚを硬化させた後、型４ｚと基板１ｚを引き離すと、基板１ｚ上にインプリント材３ｚの硬化物のパターンが形成される。この硬化物のパターンは、型の凹部が硬化物の凸部に、型の凸部が硬化物の凹部に対応した形状になっており、即ち、インプリント材３ｚに型４ｚの凹凸パターンが転写されたことになる。

【0102】

図１７（ｅ）に示すように、硬化物のパターンを耐エッチングマスクとしてエッチングを行うと、被加工材２ｚの表面のうち、硬化物が無いか或いは薄く残存した部分が除去され、溝５ｚとなる。図１７（ｆ）に示すように、硬化物のパターンを除去すると、被加工材２ｚの表面に溝５ｚが形成された物品を得ることができる。ここでは硬化物のパターンを除去したが、加工後も除去せずに、例えば、半導体素子等に含まれる層間絶縁用の膜、つまり、物品の構成部材として利用してもよい。

【0103】

発明は上記実施形態に制限されるものではなく、発明の精神及び範囲から離脱することなく、様々な変更及び変形が可能である。従って、発明の範囲を公にするために請求項を添付する。

【符号の説明】

【0104】

１０１０：加工部、１００１：被加工物、１０１５：駆動部、１３０３：補正部、１３０５：外乱推定部

【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】