特許 7662335 マスフローコントローラの流量推定

(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】2025-04-07

(45)【発行日】2025-04-15

(54)【発明の名称】マスフローコントローラの流量推定

(51)【国際特許分類】

   G05D 7/06 20060101AFI20250408BHJP

【ＦＩ】

G05D7/06 Z

【請求項の数】 18

【外国語出願】

(21)【出願番号】P 2020211417

(22)【出願日】2020-12-21

(65)【公開番号】P2021105992

(43)【公開日】2021-07-26

【審査請求日】2023-11-16

(31)【優先権主張番号】62/953,803

(32)【優先日】2019-12-26

(33)【優先権主張国・地域又は機関】US

(73)【特許権者】

【識別番号】000127961

【氏名又は名称】株式会社堀場エステック

(74)【代理人】

【識別番号】100121441

【弁理士】

【氏名又は名称】西村 竜平

(74)【代理人】

【識別番号】100154704

【弁理士】

【氏名又は名称】齊藤 真大

(74)【代理人】

【識別番号】100129702

【弁理士】

【氏名又は名称】上村 喜永

(74)【代理人】

【識別番号】100206151

【弁理士】

【氏名又は名称】中村 惇志

(72)【発明者】

【氏名】コチアディフェロー エドワード

(72)【発明者】

【氏名】ロウリー パトリック

【審査官】田中 成彦

(56)【参考文献】

【文献】国際公開第２０１９／１１０８５１（ＷＯ，Ａ１）

【文献】特開２０１８－０９７７５９（ＪＰ，Ａ）

【文献】特開２０１５－０４４６８０（ＪＰ，Ａ）

【文献】特開２０１４－１１５１６４（ＪＰ，Ａ）

【文献】米国特許出願公開第２００５／００８１６４３（ＵＳ，Ａ１）

【文献】国際公開第２０１０／１４２９９９（ＷＯ，Ａ２）

【文献】特表２０１９－５１２８０２（ＪＰ，Ａ）

【文献】特開２０１８－１５１７７１（ＪＰ，Ａ）

【文献】特開２０１８－１４７３８５（ＪＰ，Ａ）

【文献】特開２００７－１６３４７８（ＪＰ，Ａ）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ０５Ｄ ７／００ － ７／０６

Ｇ０１Ｆ １／００ － １／９０

(57)【特許請求の範囲】

【請求項1】

流路を有するブロック本体と、
前記ブロック本体の前記流路内の少なくとも一部に設けられたバルブと、
前記バルブの開閉の程度を測定するバルブ位置センサと、
前記流路を流れる流体の温度を検出するように構成された第１温度センサと、
前記流路における前記バルブの上流側に配置された第１圧力センサと、
前記流路における前記バルブの下流側に配置された第２圧力センサとを備えたマスフローコントローラと、
プロセッサとを備え、
前記プロセッサが、
前記バルブ位置センサからバルブ位置データを受信し、
前記第１温度センサから第１温度データを受信し、
前記第１圧力センサから、前記流路内の前記流体に対する第１圧力データを受信し、
前記第２圧力センサから、前記流路内の前記流体に対する第２圧力データを受信し、
前記バルブ位置データと、前記第１温度データと、前記第１圧力データと、前記第２圧力データに、訓練済み機械学習モデルを少なくとも部分的に適用することにより、前記流路内の前記流体の流量を推定し、
前記訓練済み機械学習モデルが、訓練用バルブ位置データと、訓練用第１温度データと、訓練用第１圧力データと、訓練用第２圧力データと、訓練用流量データとを含む訓練データセットを用いて訓練されたものであり、少なくとも前記流路内の前記流体の流動様式に基づいて前記流量を推定するものであり、
前記流路にリストリクタが設けられておらず、かつ前記流路を流れる流体が複数の潜在的な流動様式を有するものである、マスフローコントローラ。

【請求項2】

前記訓練済み機械学習モデルが、少なくとも１つのスカラー値を出力するように構成された回帰モデルである請求項１に記載のマスフローコントローラ。

【請求項3】

前記プロセッサがさらに、前記訓練済み機械学習モデルにおいて、前記バルブ位置データと、前記第１温度データと、前記第１圧力データと、前記第２圧力データから、正規化されたバルブ位置データと、正規化された第１温度データと、正規化された第１圧力データと、正規化された第２圧力データとを決定し、
前記正規化されたバルブ位置データと、前記正規化された第１温度データと、前記正規化された第１圧力データと、前記正規化された第２圧力データに、多項式回帰を少なくとも部分的に適用して、前記流路内の前記流体の流量を推定するように構成されている請求項２に記載のマスフローコントローラ。

【請求項4】

多項式回帰の１又は複数の係数を記憶するメモリをさらに備え、
前記プロセッサが、前記１又は複数の係数に少なくとも部分的に基づいて前記流体の流量を推定するように構成された、請求項３に記載のマスフローコントローラ。

【請求項5】

前記ブロック本体内であって、前記流路における前記バルブの下流側に設けられた第２温度センサをさらに含み、
前記第１温度センサが、前記流路における前記バルブの上流側に配置され、
前記プロセッサが、
前記第２温度センサから第２温度データを受信し、
前記第２温度データに前記訓練済み機械学習モデルを少なくとも部分的に適用することにより、前記流路内の前記流体の流量を推定するようにさらに構成された、請求項１に記載のマスフローコントローラ。

【請求項6】

前記プロセッサが、
前記訓練済み機械学習モデルにおいて、正規化された第２温度データを決定し、
前記第２温度データに多項式回帰を少なくとも部分的に適用することにより、前記流路内の前記流体の流量を決定するようにさらに構成された、請求項５に記載のマスフローコントローラ。

【請求項7】

前記訓練済み機械学習モデルが、カスケードフォワードニューラルネットワーク又は畳み込みニューラルネットワークである請求項１に記載のマスフローコントローラ。

【請求項8】

前記訓練済み機械学習モデルが、前記流路内の前記流体の流動様式を識別するように構成されている請求項１に記載のマスフローコントローラ。

【請求項9】

前記プロセッサがさらに、前記推定した流量に少なくとも部分的に基づいて、前記バルブに含まれるアクチュエータに駆動信号を送信するように構成され、
前記アクチュエータが、前記駆動信号の受信に応じて、前記バルブの位置を変更するように構成された、請求項１に記載のマスフローコントローラ。

【請求項10】

前記プロセッサがさらに、前記第１圧力センサと前記第２圧力センサの少なくとも一方の校正後の経過時間に少なくとも部分的に基づいて前記流量を推定するように構成された、請求項１に記載のマスフローコントローラ。

【請求項11】

前記第１温度センサが前記ブロック本体の壁内に配置されている請求項１に記載のマスフローコントローラ。

【請求項12】

流体が流れる流路にリストリクタが設けられておらず、かつ前記流路を流れる流体が複数の潜在的な流動様式を有するマスフローコントローラの使用方法であって、
バルブの開閉の程度を測定するバルブ位置センサにおいて、ブロック本体を通り抜ける前記流路内の少なくとも一部に設けられたバルブのバルブ位置データを測定するステップと、
第１温度センサにおいて、前記流路内を流れる流体の第１温度データを測定するステップと、
前記流路における前記バルブの上流側に配置された第１圧力センサにおいて、前記流体の第１圧力データを測定するステップと、
前記流路における前記バルブの下流側に配置された第２圧力センサにおいて、前記流体の第２圧力データを測定するステップと、
プロセッサにおいて、
前記バルブ位置データと、前記第１温度データと、前記第１圧力データと、前記第２圧力データを受信し、かつ
前記バルブ位置データと、前記第１温度データと、前記第１圧力データと、前記第２圧力データに、訓練済み機械学習モデルを少なくとも部分的に適用することにより、前記流路内の前記流体の流量を推定するステップと、
前記訓練済み機械学習モデルが、訓練用バルブ位置データと、訓練用第１温度データと、訓練用第１圧力データと、訓練用第２圧力データと、訓練用流量データとを含む訓練データセットを用いて訓練されるステップと、
前記訓練済み機械学習モデルが、少なくとも前記流路内の前記流体の流動様式に基づいて前記流量を推定するステップと、を含むマスフローコントローラの使用方法。

【請求項13】

前記訓練済み機械学習モデルが、少なくとも１つのスカラー値を出力するように構成された回帰モデルである、請求項１２に記載の使用方法。

【請求項14】

前記流路内の前記流体の流量を推定するステップが、
前記訓練済み機械学習モデルにおいて、前記バルブ位置データと、前記第１温度データと、前記第１圧力データと、前記第２圧力データから、正規化されたバルブ位置データと、正規化された第１温度データと、正規化された第１圧力データと、正規化された第２圧力データとを決定するステップと、
前記正規化されたバルブ位置データと、前記正規化された第１温度データと、前記正規化された第１圧力データと、前記正規化された第２圧力データとに多項式回帰を適用するステップとを含む、請求項１３に記載の使用方法。

【請求項15】

第２温度センサにおいて、前記流路内を流れる前記流体の第２温度データを測定するステップと、
前記プロセッサにおいて、前記第２温度データに前記訓練済み機械学習モデルを少なくとも部分的に適用することにより、前記流路内の前記流体の流量を推定するステップとをさらに含む、請求項１２に記載の使用方法。

【請求項16】

前記第１温度センサが、前記流路における前記バルブの上流側に配置され、
前記第２温度センサが、前記流路における前記バルブの下流側に配置されている、請求項１５に記載の使用方法。

【請求項17】

前記推定した流量に少なくとも部分的に基づいて、前記バルブに含まれるアクチュエータに駆動信号を送信するステップと、
前記アクチュエータを介して、前記駆動信号の受信に応じて、前記バルブの位置を変更するステップを更に含む、請求項１２に記載の使用方法。

【請求項18】

流路を有するブロック本体と、
前記ブロック本体の前記流路内の少なくとも一部に設けられたバルブと、
前記バルブの開閉の程度を測定するバルブ位置センサと、
前記流路を流れる流体の温度を検知するように構成された第１温度センサと、
前記流路における前記バルブの上流側に配置された第１圧力センサと、
前記流路における前記バルブの下流側に配置された第２圧力センサと、
１又は複数の多項式回帰係数を記憶するメモリと、
プロセッサとを備え、
前記プロセッサが、
前記バルブ位置センサからバルブ位置データを受信し、
前記第１温度センサから第１温度データを受信し、
前記第１圧力センサから前記流路内の前記流体の第１圧力データを受信し、
前記第２圧力センサから前記流路内の前記流体の第２圧力データを受信し、
訓練済み機械学習モデルにおいて、前記バルブ位置データと、前記第１温度データと、前記第１圧力データと、前記第２圧力データから、正規化されたバルブ位置データと、正規化された第１温度データと、正規化された第１圧力データと、正規化された第２圧力データとを決定し、
前記正規化されたバルブ位置データと、前記正規化された第１温度データと、前記正規化された第１圧力データと、前記正規化された第２圧力データに、１又は複数の多項式回帰係数を有する多項式回帰を少なくとも部分的に適用して、さらに、少なくとも前記流路内の前記流体の流動様式に基づいて、前記流路内の前記流体の流量を決定するように構成されており、
前記流路にリストリクタが設けられておらず、かつ前記流路を流れる流体が複数の潜在的な流動様式を有するマスフローコントローラ。

【発明の詳細な説明】

【背景技術】

【0001】

マスフローコントローラは、マスフローコントローラを流れる流体の流量を高い精度で決定することが望ましい半導体デバイス製造などの用途で頻繁に使用され、通常、流量は、直接測定されるのではなく、流体及びバルブの測定された特性に基づいて演算される。しかしながら、そのような測定された特性と流量との関係は複雑な場合がある。例えば、層流状態と乱流状態との間の遷移が発生するパラメータ空間の領域が存在してもよい。したがって、マスフローコントローラにおける流体の流量を、従来の方法を用いて正確に推定することが困難な場合がある。

【発明の概要】

【0002】

本開示の一態様によれば、流路を有するブロック本体を含むマスフローコントローラが提供される。前記マスフローコントローラは、前記ブロック本体の流路内の、少なくとも一部に設けられたバルブをさらに含んでもよい。前記マスフローコントローラは、バルブ位置センサと、前記流路内を流れる流体の温度を検出するように構成された第１温度センサ、前記流路における前記バルブの上流側に配置された第１圧力センサ及び前記流路における前記バルブの下流側に配置された第２圧力センサをさらに含んでもよい。前記マスフローコントローラは、前記バルブ位置センサからバルブ位置データを受信し、前記第１温度センサから第１温度データを受信するように構成されたプロセッサ（又は演算装置、processor）をさらに含んでもよい。前記プロセッサは、前記第１圧力センサから前記流路内の前記流体の第１の圧力データを受信し、第２の圧力センサから前記流路内の前記流体の第２圧力データを受信するようにさらに構成されてもよい。前記プロセッサは、前記バルブ位置データと、前記第１温度データと、前記第１圧力データと、前記第２圧力データに、訓練済み機械学習モデルを少なくとも部分的に適用することにより、前記流路内の前記流体の流量を推定（あるいは算出、estimate）するようにさらに構成されてもよい。

【0003】

この概要は、以下の詳細な説明にさらに記載されている複数の概念の選択を簡略化した形で紹介するためのものである。この概要は、特許請求の範囲に記載された対象の主要な特徴又は本質的な特徴を特定することを意図したものではなく、また、請求の範囲に記載された対象の範囲を限定するために使用されることを意図したものでもない。さらに、請求の範囲に記載された対象は、本開示のいずれかの部分に記載された任意の又は全ての欠点を解決する実施形態に限定されるものではない。

【図面の簡単な説明】

【0004】

【図1】バルブ及びリストリクタを有する従来のマスフローコントローラを示す図。

【図2】本開示の一実施形態に係る、バルブ及びリストリクタを有するマスフローコントローラの一例を示す図。

【図3】図２の実施形態に係る、訓練済み機械学習モデルが実行された場合の、マスフローコントローラのプロセッサを示す模式図。

【図4】図２の実施形態に係る、訓練済み機械学習モデルの一例を示す模式図。

【図5】図２の実施形態に係る、訓練済み機械学習モデルの訓練過程を示す模式図。

【図6】図２の実施形態に係る、マスフローコントローラの校正時の配置の一例を示す図。

【図7A】図２のマスフローコントローラで実施され得る方法の一例を示すフローチャート。

【図7B】いくつかの実施形態で図７Ａの方法に追加して実施され得るステップを示す図。

【図7C】いくつかの実施形態で図７Ａの方法に追加して実施され得るステップを示す図。

【図7D】いくつかの実施形態で図７Ａの方法に追加して実施され得るステップを示す図。

【図7E】いくつかの実施形態で図７Ａの方法に追加して実施され得るステップを示す図。

【図8】図２のマスフローコントローラで使用される方法が実行され得る演算環境の一例を示す模式図。

【発明を実施するための形態】

【0005】

従来のマスフローコントローラ１１０の構成の一例を図１に示す。図１のマスフローコントローラ１１０は、流路１１４を形成するブロック本体１１２を含む。図１の例では、マスフローコントローラ１１０内の流体は、流路１１４に沿って左から右へと流れる。従来のマスフローコントローラ１１０は、マスフローコントローラ１１０を流れる流体の流量を制御するように開閉されるように構成されたバルブ１１６をさらに含む。バルブ１１６は、アクチュエータ１３４によって開閉されてもよい。さらに、マスフローコントローラ１１０は、流体の流量を減少させるように構成されたリストリクタ１１８を含む。例えば、リストリクタ１１８は、流量に上限を課すように構成されてもよい。図１の例では、リストリクタ１１８は、バルブ１１６の下流側にある。

【0006】

図１の従来のマスフローコントローラ１１０は、第１圧力センサ１２０、第２圧力センサ１２２及び第３圧力センサ１２４をさらに含む。第１圧力センサ１２０は、流路１１４上のバルブ１１６の上流側に配置されている。第２圧力センサ１２２は、バルブ１１６とリストリクタ１１８との間に配置され、第３圧力センサ１２４は、リストリクタ１１８の下流側に配置される。第１圧力センサ１２０、第２圧力センサ１２２及び第３圧力センサ１２４は、それぞれの圧力測定値を、プロセッサ１３０にそれぞれ送信してもよい。

【0007】

プロセッサ１３０は、第１圧力センサ１２０、第２圧力センサ１２２、及び第３圧力センサ１２４から受信した圧力測定値に基づいて、流体の流量推定値を演算するように構成されている。流量を決定するための１つの従来の方法によれば、プロセッサ１３０は、圧力測定値を、所定の係数を有する多項式の回帰式に入力してもよい。

【0008】

しかしながら、図１に示されたマスフローコントローラ１１０の従来の構成は、特定の次世代半導体製造プロセスのような、例えば非常に高い精度を要する、いくつかの用途において、性能に悪影響を及ぼす可能性のある潜在的な欠点を有している。マスフローコントローラ１１０のリストリクタ１１８は、マスフローコントローラ１１０に、ボリューム及びデッドスペースを追加し、ここに流体が閉じ込められる可能性がある。さらに、流体は、リストリクタ１１８及びリストリクタ１１８を収容する流路１１４に追加されたボリュームを通過しなければならないので、流量を高速で変化させる場合に、リストリクタ１１８は、マスフローコントローラ１１０の応答時間を短縮する可能性がある。また、リストリクタ１１８をマスフローコントローラ１１０に導入することは、マスフローコントローラ１１０の製造の複雑さ及びコストを増大させ、マスフローコントローラの動作中における、経年劣化、故障及び／又は性能低下の更なるリスクをもたらす可能性がある。

【0009】

図１のマスフローコントローラ１１０に代わり、本開示の１つの実施形態に係る、マスフローコントローラ１０が図２に示されている。図２のマスフローコントローラ１０は、流路１４を有するブロック本体１２を含み、流路１４は、ブロック本体１２を通り抜ける。図２の例では、図１と同様に、流路１４は、左から右へと流れるように示されている。マスフローコントローラ１０は、ブロック本体１２の流路１４内の、少なくとも一部に設けられたバルブ１６をさらに含む。バルブ１６は、流路１４に沿った流体の流れを制御するように開閉されてもよい。しかしながら、図１の従来のマスフローコントローラ１１０とは異なり、一例である図２のマスフローコントローラ１０は、リストリクタ１１８を含まない。したがって、リストリクタを使用することで生じる上述の問題は回避され得る。

【0010】

図２のマスフローコントローラ１０は、バルブ１６の開閉の程度を測定するように構成されたバルブ位置センサ２０をさらに含んでもよい。バルブ位置センサ２０は、例えば、全閉状態と全開状態との間の範囲内でバルブ位置を測定してもよい。

【0011】

マスフローコントローラ１０は、流路１４におけるバルブ１６の上流側に配置された第１圧力センサ２６をさらに含んでもよい。さらに、マスフローコントローラ１０は、流路１４におけるバルブ１６の下流側に配置された第２の圧力センサ２８をさらに含んでもよい。したがって、第１圧力センサ２６及び第２圧力センサ２８は、バルブ１６を横切って発生する圧力差を測定するように構成されてもよい。いくつかの実施形態では、共通のマニホールドを共有する複数のマスフローコントローラは、下流側にある共通の第２圧力センサ２８を共有してもよい。

【0012】

マスフローコントローラ１０は、流路１４内を流れる流体の温度を検出するように構成された第１温度センサ２２をさらに含んでもよい。図２に示すように、第１温度センサ２２は、流路１４におけるバルブ１６の上流側に配置されてもよい。いくつかの実施形態では、マスフローコントローラ１０は、第２温度センサ２４をさらに含んでもよい。第２温度センサ２４は、流路１４におけるバルブ１６の下流側に配置されてもよい。したがって、第１温度センサ２２及び第２温度センサ２４は、バルブ１６を横切って発生する温度差を測定するように構成されてもよい。第１温度センサ２２及び第２温度センサ２４は、それぞれ、少なくとも部分的にブロック本体１２内に配置されてもよい。

【0013】

図２のマスフローコントローラ１０は、プロセッサ３０をさらに含む。さらに、マスフローコントローラ１０は、プロセッサ３０に動作可能に結合されたメモリ３２を含んでもよい。いくつかの実施形態では、プロセッサ３０及びメモリ３２は、マスフローコントローラ１０に物理的に組み込まてもよい。あるいは、プロセッサ３０及び／又はメモリ３２は、有線信号及び／又は無線信号を介して、マスフローコントローラ１０の構成要素と通信するように構成された別個の物理的コンピューティングデバイスに含まれてもよい。プロセッサ３０及びメモリ３２の機能は、いくつかの実施形態では、通信可能に接続された複数のコンピューティングデバイスの間で分散されてもよく、このコンピューティングデバイスは、１つ以上のクライアントコンピューティングデバイス及び／又は１つ以上のサーバコンピューティングデバイスを含んでもよい。

【0014】

マスフローコントローラ１０に含まれる各センサは、図３に示すように、その測定値をプロセッサ３０に送信するように構成されてもよい。プロセッサ３０は、バルブ位置センサ２０からバルブ位置データ４０を受信するように構成されてもよい。さらに、プロセッサ３０は、第１温度センサ２２から第１温度データ４２を受信するように構成されてもよい。マスフローコントローラ１０が第２温度センサ２４を含む実施形態では、プロセッサ３０は、第２温度センサ２４から第２温度データ４４を受信するようにさらに構成されてもよい。さらに、プロセッサ３０は、流路１４内の流体について、第１圧力センサ２６から第１圧力データ４６を受信し、第２圧力センサ２８から第２圧力データ４８を受信するようにさらに構成されてもよい。

【0015】

プロセッサ３０は、流路１４内の流体の流量を推定するようにさらに構成されてもよい。マスフローコントローラ１０は、図１のマスフローコントローラ１１０のリストリクタ１１８を含まないので、図２のマスフローコントローラ１０を流れる流体は、複数の潜在的な流動様式（ｆｌｏｗ ｒｅｇｉｍｅ）を有していてもよい。したがって、図２のマスフローコントローラ１０を流れる流体の流動状態（ｄｙｎａｍｉｃｓ）は、図１のマスフローコントローラ１１０の場合より複雑であってもよい。多項式回帰のみを用いてマスフローコントローラ１０を流れる流体の流量をモデル化すると、不正確な流量推定値が得られる可能性がある。

【0016】

流量推定に多項式回帰のみを使用する代わりに、プロセッサ３０は、バルブ位置データ４０、第１温度データ４２、第１圧力データ４６及び第２圧力データ４８に訓練済み機械学習モデル５０を少なくとも部分的に適用することによって、流路１４内の流体の流量を推定するように構成されてもよい。マスフローコントローラ１０が第２温度センサ２４を含む実施形態では、プロセッサ３０は、訓練済み機械学習モデル５０を第２温度データ４４に少なくとも部分的に適用することによって、流路１４内の流体の流量を推定するようにさらに構成されてもよい。

【0017】

図４の例に示すように、訓練済み機械学習モデル５０は、入力層５３、１つ以上の隠れ層５５及び出力層５７を含むディープニューラルネットワークであってもよい。例えば、訓練済み機械学習モデル５０は、カスケードフォワードニューラルネットワークであってもよい。別の例として、訓練済み機械学習モデル５０は、畳み込みニューラルネットワークであってもよい。他のタイプの機械学習モデルが代替的に使用されてもよい。図４に示すように、入力層５３、出力層５７及び１つ以上の隠れ層５５は、それぞれ１つ以上のニューロン５１を含む。訓練済み機械学習モデル５０の各ニューロン５１は、他の層のニューロンとの接続を有してもよく、異なる層のニューロンのペア間の各接続は、関連付けられた重みを有してもよい。さらに、各ニューロン５１は、それぞれのバイアス値を有していてもよい。さらに、訓練済み機械学習モデル５０の各ニューロン５１は、それぞれの伝達関数を有していてもよい。訓練済み機械学習モデル５０のニューロン５１に対する伝達関数は、例えば、線形伝達関数であってもよいし、対数シグモイド伝達関数であってもよい。伝達関数は、各ニューロンへの入力信号の総和が与えられた場合に、ニューロンが信号を出力するか、するならばどの程度の信号を出力するかを決定する。

【0018】

図３に戻ると、訓練済み機械学習モデル５０は、少なくとも１つのスカラー値を出力するように構成された回帰モデルであってもよい。いくつかの実施形態では、スカラー値は、推定流量５２であってもよい。他の実施形態では、スカラー値は、プロセッサ３０が推定流量５２を生成するような、更なる処理を適用可能な中間値であってもよい。例えば、訓練済み機械学習モデル５０において、プロセッサ３０は、バルブ位置データ４０、第１温度データ４２、第１圧力データ４６及び第２圧力データ４８から、正規化されたバルブ位置データ６０、正規化された第１温度データ６２、正規化された第１圧力データ６６及び正規化された第２圧力データ６８を決定するように構成されてもよい。マスフローコントローラ１０が第２温度センサ２４を含む実施形態では、プロセッサ３０は、正規化された第２温度データ６４を決定するようにさらに構成されてもよい。正規化されたバルブ位置データ６０、正規化された第１温度データ６２、正規化された第２温度データ６４、正規化された第１圧力データ６６及び正規化された第２圧力データ６８は、それぞれ、正規化されたデータに対して実行される演算結果が、不適切な単位（ｍｉｓｍａｔｃｈｅｄ ｕｎｉｔｓ）を有する項を含む式とならないような無次元量として表現されてもよい。一例では、値は、０と１との間の値となるように正規化されてもよい。

【0019】

訓練済み機械学習モデル５０が正規化されたデータを生成するように構成されている実施形態では、プロセッサ３０は、正規化されたバルブ位置データ６０、正規化された第１温度データ６２、正規化された第１圧力データ６６及び正規化された第２圧力データ６８に多項式回帰５８を少なくとも部分的に適用して、流路１４内の流体の流量を推定するようにさらに構成されてもよい。プロセッサ３０が正規化された第２温度データ６４を生成するようにさらに構成される実施形態では、プロセッサ３０は、流量を推定する場合に、多項式回帰５８を、正規化された第２温度データ６４に適用するようにさらに構成されてもよい。

【0020】

いくつかの実施形態では、メモリ３２は、多項式回帰５８の１つ以上の多項式回帰係数７２を記憶してもよい。そのような実施形態では、プロセッサ３０は、１つ以上の多項式回帰係数７２に少なくとも部分的に基づいて流体の流量を推定するようにさらに構成されてもよい。例えば、１つ以上の多項式回帰係数７２は、テイラー級数展開の係数であってもよい。さらに、又は代替的に、訓練済み機械学習モデル５０が畳み込みニューラルネットワークとして構成されている場合、メモリ３２は、ニューラルネットワーク係数を記憶してもよい。

【0021】

いくつかの実施形態では、訓練済み機械学習モデル５０は、流路１４内の流体の流動様式７４（層流又は乱流のような）を識別するように構成されてもよい。流動様式７４は、予め定められた複数の流動様式７４の中から選択されてもよい。そのような実施形態において、プロセッサ３０は、複数の流動様式７４に対応する多項式回帰係数７２の複数の潜在的なセットから、選択した流動様式７４に対応する１つ以上の多項式回帰係数７２を選択するようにさらに構成されてもよい。したがって、そのような実施形態では、訓練済み機械学習モデル５０は、正規化されたセンサデータに対応する１つ以上のスカラー値を出力するように構成された回帰モデルではなく、流動様式７４の分類を出力するように構成された分類モデルであってもよい。

【0022】

いくつかの実施形態では、第１圧力センサ２６及び／又は第２圧力センサ２８の校正後の経過時間５６が、訓練済み機械学習モデル５０の追加入力として使用されてもよい。したがって、プロセッサ３０は、第１圧力センサ２６及び第２圧力センサ２８の少なくとも一方の校正後の経過時間５６に少なくとも部分的に基づいて流量を推定するようにさらに構成されてもよい。例えば、いくつかのタイプの圧力センサは、校正後、同じ方向に（より高い圧力測定値又はより低い圧力測定値に向かって）ドリフトする傾向がある。そのような圧力センサが第１圧力センサ２６及び／又は第２圧力センサ２８として使用される場合、訓練済み機械学習モデル５０は、第１圧力センサ２６及び第２圧力センサ２８の少なくとも一方又は両方の校正後の経過時間５６に少なくとも部分的に基づいて、第１圧力データ４６及び／又は第２圧力データ４８を調整するように構成されてもよい。

【0023】

図２に示すように、バルブ１６は、バルブ１６の位置を変更するように構成されたアクチュエータ３４をさらに含んでもよい。図３に戻ると、プロセッサ３０は、推定流量５２に少なくとも部分的に基づいて駆動信号５４をアクチュエータ３４に送信するように構成されてもよい。アクチュエータ３４は、駆動信号５４の受信に応じて、バルブ１６の位置を変更するように構成されてもよい。このように、プロセッサ３０は、推定流量５２に基づいてバルブ１６の位置を制御するように構成されてもよい。

【0024】

ここで、図５に目を向けると、訓練済み機械学習モデル５０の訓練過程が描かれている。訓練済み機械学習モデル５０は、訓練用バルブ位置データ８０、訓練用第１温度データ８２、訓練用第１圧力データ８６、訓練用第２圧力データ８８及び訓練用流量データ９０を含む訓練データセット７６を用いて訓練されてもよい。マスフローコントローラ１０が第２温度センサ２４を含む実施形態では、訓練データセット７６は、訓練用第２温度データ８４をさらに含んでもよい。プロセッサ３０は、まだ訓練されていない訓練前機械学習モデル（予備的な機械学習モデル、preliminary machine learning model）７０から出発して、訓練済み機械学習モデル５０を訓練するように構成されてもよい。訓練前機械学習モデル７０は、例えば、ランダムに選択された重みで初期化されてもよい。別の例として、初期重みは正規分布であってもよい（正規分布に従ってもよい）。

【0025】

プロセッサ３０は、訓練用バルブ位置データ８０、訓練用第１温度データ８２、訓練用第１圧力データ８６及び訓練用第２圧力データ８８を、訓練前機械学習モデル７０の入力層への例示的な入力として使用するように構成されてもよい。また、マスフローコントローラ１０が第２温度センサ２４を含む実施形態において、訓練用第２温度データ８４を例示的な入力として使用してもよい。訓練用バルブ位置データ８０、訓練用第１温度データ８２、訓練用第２温度データ８４、訓練用第１圧力データ８６及び訓練用第２圧力データ８８は、訓練前機械学習モデル７０の入力層７３に含まれる各ニューロン７１で受信されてもよい。入力層７３に含まれる各ニューロン７１は、訓練前機械学習モデル７０の隠れ層７５に出力値を送信してもよく、隠れ層７５に含まれる各ニューロン７１は、別の隠れ層７５に出力値を送信してもよいし、出力層７７に出力値を送信してもよい。

【0026】

訓練済み機械学習モデル５０が、第１圧力センサ２６及び／又は第２圧力センサ２８の校正後の経過時間を入力として使用するように構成されている実施形態では、訓練データセット７６は、第１圧力センサ２６及び／又は第２圧力センサ２８の校正後の複数の訓練時間９４をさらに含んでもよい。いくつかの実施形態では、入力層７３に含まれる１つ以上のニューロン７１に校正後の複数の訓練時間９４を直接入力するのではなく、プロセッサ３０は、訓練用第１圧力データ８６及び／又は訓練用第２圧力データ８８を訓練前機械学習モデル７０に入力する前に、校正後の訓練時間９４に基づく所定の補正関数を使用して、訓練用第１圧力データ８６及び／又は訓練用第２圧力データ８８を修正するように構成されていてもよい。例えば、補正関数は、校正後の訓練時間９４の関数として線形であってもよい。

【0027】

訓練用流量データ９０は、プロセッサ３０が訓練前機械学習モデル７０の出力を比較するようにさらに構成された例示的な出力データとして使用されてもよい。一例では、訓練前機械学習モデル７０の出力を、訓練用流量データ９０に一致させるように誤差逆伝播法（バック・プロパゲーション）が使用されてもよい。そのような実施形態では、訓練前機械学習モデル７０の出力と訓練用流量データ９０とを比較する誤差関数、例えば平均二乗誤差関数が使用されてもよい。さらに、誤差逆伝播法を用いて訓練前機械学習モデル７０を訓練する際に、予め設定された学習率を用いてもよい。他の実施形態では、プロセッサ３０は、ベイズ正規化誤差逆伝播法を使用するように構成されてもよい。訓練済み機械学習モデル５０が、正規化されたバルブ位置データ６０、正規化された第１温度データ６２、正規化された第１圧力データ６６及び正規化された第２圧力データ６８を出力するように構成されている実施形態では、プロセッサ３０は、多項式回帰５８を訓練前機械学習モデル７０の出力値に適用して、推定流量５２を生成するようにさらに構成されてもよい。

【0028】

あるいは、訓練済み機械学習モデル５０が流動様式７４を出力するように構成された実施形態では、プロセッサ３０は、訓練データセット７６に含まれる例示的な入力に、１つ以上の多項式回帰係数７２を含む多項式回帰５８を適用して、推定流量５２を生成するようにさらに構成されてもよい。そのような実施形態では、プロセッサ３０は、識別された流動様式７４に対応する１つ以上の多項式回帰係数７２を選択してもよい。プロセッサ３０は、推定流量５２を訓練用流量データ９０と比較し、その比較結果に基づいて、訓練前機械学習モデル７０に含まれる１つ以上のニューロン７１のニューロン重みを修正するようにさらに構成されてもよい。

【0029】

このように、プロセッサ３０は、訓練データセット７６に含まれる複数の例示的な入力及び出力を用いて訓練前機械学習モデル７０を訓練することにより、訓練済み機械学習モデル５０を生成するように構成されてもよい。図５は、マスフローコントローラ１０のプロセッサ３０で起こる訓練済み機械学習モデル５０の訓練を示しているが、訓練済み機械学習モデル５０は、１つ以上の追加のコンピューティングデバイスに含まれる１つ以上の他のプロセッサで代わりに生成されてもよい。訓練済み機械学習モデル５０が１つ以上の他のコンピューティングデバイスで訓練される実施形態では、訓練済み機械学習モデル５０は、訓練後に１つ以上の他のコンピューティングデバイスからマスフローコントローラ１０のメモリ３２にロードされてもよい。

【0030】

複数のマスフローコントローラ１０が製造された場合、同じ訓練済み機械学習モデル５０及び多項式回帰係数７２が各マスフローコントローラ１０に使用された場合、それらのマスフローコントローラ１０の推定流量５２が不正確になるような小さな違いがマスフローコントローラ１０間に存在することがある。そのため、マスフローコントローラ１０が製造された後、そのマスフローコントローラ１０の多項式回帰係数７２が校正されてもよい。あるいは、訓練前機械学習モデル７０の出力層７７に対して追加の訓練を行ってもよい。このように、マスフローコントローラ１０の製造者は、個々のマスフローコントローラ１０の構成要素間の相違を考慮してもよい。

【0031】

図６は、マスフローコントローラ１０の校正時の配置の例を示す。図６の例では、マスフローコントローラ１０は、既に校正された上流側のマスフローコントローラ１０Ａと下流側のマスフローコントローラ１０Ｂとの間に配置されている。多項式回帰係数７２又は出力層７７を校正することは、例えば、流量が既知の流体をマスフローコントローラ１０の流路１４に流すことを含んでもよい。この流体は、流路１４の上流端に配置された上流側のマスフローコントローラ１０Ａによって、マスフローコントローラ１０を通して流してもよい。また、流路１４内の流体の圧力は、流路１４の下流端に配置された下流側のマスフローコントローラ１０Ｂによって設定されてもよい。また、上流側のマスフローコントローラ１０Ａ及び下流側のマスフローコントローラ１０Ｂにおいて、マスフローコントローラ１０の上流側及び下流側のそれぞれの圧力及び／又は温度を測定してもよい。このように、流体の流量及びバルブ１６を横切る圧力差が測定されてもよい。そして、推定流量５２、第１圧力データ４６及び第２圧力データ４８は、既知の流量及び圧力差の値と一致するように調整されてもよい。

【0032】

図７Ａは、マスフローコントローラで使用するための例示的な方法２００のフローチャートを示す。方法２００は、図２のマスフローコントローラ１０で使用されてもよいし、代替的にいくつかの他のマスフローコントローラで使用されてもよい。ステップ２０２において、方法２００は、バルブ位置センサにより、マスフローコントローラのブロック本体を通過する流路内に少なくとも部分的に配置されるバルブのバルブ位置データを測定するステップを含んでもよい。ステップ２０４において、方法２００は、第１温度センサにおいて、流路内を流れる流体の第１温度データを測定するステップをさらに含んでもよい。ステップ２０６において、方法２００は、流路におけるバルブの上流側に配置された第１圧力センサにおいて、流体に対する第１圧力データを測定するステップをさらに含んでもよい。ステップ２０８において、方法２００は、流路におけるバルブの下流側に位置する第２圧力センサにおいて、流体の第２圧力データを測定するステップをさらに含んでもよい。

【0033】

ステップ２１０において、方法２００は、バルブ位置データ、第１温度データ、第１圧力データ及び第２圧力データをプロセッサで受信するステップをさらに含んでもよい。プロセッサは、マスフローコントローラに物理的に組み込まれていてもよいし、バルブ位置センサ、第１温度センサ、第１圧力センサ及び第２圧力センサと通信可能に接続された別の物理デバイス内に配置されていてもよい。

【0034】

ステップ２１２において、方法２００は、バルブ位置データ、第１温度データ、第１圧力データ及び第２圧力データに訓練済み機械学習モデルを少なくとも部分的に適用することで、流路内の流体の流量を推定するステップをさらに含んでもよい。いくつかの実施形態では、流量の推定は、第１圧力センサ及び第２圧力センサの少なくとも１つの校正後の経過時間にさらに基づいてもよい。いくつかの実施形態では、訓練済み機械学習モデルは、少なくとも１つのスカラー値を出力するように構成された回帰モデルであってもよい。例えば、少なくとも１つのスカラー値は、推定流量であってもよい。他の実施形態では、訓練済み機械学習モデルは、分類モデルであってもよい。

【0035】

図７Ｂは、方法２００のさらなるステップを示しており、これは訓練済み機械学習モデルが１つ以上のスカラー値を出力するように構成された回帰モデルである場合に流体の流量を推定するように実行され得る。方法２００はステップ２４１を含んでもよく、これは訓練済み機械学習モデルにおいて、正規化されたバルブ位置データと、正規化された第１温度データと、正規化された第１圧力データと、正規化された第２圧力データとを、バルブ位置データと、第１温度データと、第１圧力データと、第２圧力データとから決定するステップである。方法２００は、ステップ２１６において、正規化されたバルブ位置データと、正規化された第１温度データと、正規化された第１圧力データと、正規化された第２圧力データとに、多項式回帰を適用するステップをさらに含んでもよい。バルブ位置データと、第１温度データと、第１圧力データと、第２圧力データの正規化は、不適切な単位を有する最適な多項式（ｂｅｓｔ－ｆｉｔ ｐｏｌｙｎｏｍｉａｌ）の項を含まない多項式回帰の入力として使用できるようにする。

【0036】

図７Ｃは、訓練済み機械学習モデルが分類モデルである場合に実行され得る方法２００の追加のステップを示す。ステップ２１８において、訓練済み機械学習モデルは、流路内の流体の流動様式を識別するように構成されてもよい。流動様式は、複数の流動様式から選択されてもよい。ステップ２２０において、方法２００は、バルブ位置データと、第１温度データと、第１圧力データと、第２圧力データとに、多項式回帰を適用するステップをさらに含んでもよい。多項式回帰は、識別された流動様式に少なくとも部分的に基づいて選択された１つ以上の多項式回帰係数を有してもよい。

【0037】

図７Ｄは、いくつかの実施形態において実行され得る方法２００のさらなるステップを示す。ステップ２２２において、方法２００は、流路内を流れる流体の第２温度データを第２温度センサで測定するステップをさらに含んでもよい。第１温度センサは、流路におけるバルブの上流側に配置されてもよく、第２温度センサは、流路におけるバルブの下流側に配置されてもよい。このように、第１温度センサ及び第２温度センサは、バルブを横切る温度差を測定してもよい。ステップ２２４において、方法２００は、プロセッサにより、訓練済み機械学習モデルを第２温度データに少なくとも部分的に適用することによって、流路内の流体の流量を推定するステップをさらに含んでもよい。図７Ｂに示すステップが実行される実施形態では、正規化された第２温度データは、訓練済み機械学習モデルでさらに決定されてもよい。そのような実施形態では、多項式回帰が正規化された第２温度データにさらに適用されてもよい。あるいは、図７Ｃのステップが実行される実施形態では、多項式回帰が第２温度データにさらに適用されてもよい。

【0038】

図７Ｅは、方法２００を実行する際に実行され得る追加のステップを示す。ステップ２２６において、方法２００は、推定流量に少なくとも部分的に基づいて、バルブ内に含まれるアクチュエータに駆動信号を送信するステップをさらに含んでもよい。ステップ２２８において、方法２００は、アクチュエータを介して、駆動信号の受信に応じてバルブの位置を変更するステップをさらに含んでもよい。このように、バルブの位置は、推定流量に基づいて調整されてもよい。

【0039】

上述のシステム及び方法を用いることで、マスフローコントローラが別個のリストリクタを含む場合よりも、リストリクタとして調節可能なバルブを使用する場合に、マスフローコントローラを流れる流体の流量を正確に推定することができる。別個のリストリクタを含まないことにより、マスフローコントローラを製造するためのコスト及び複雑さを低減することができる。さらに、リストリクタとしてバルブを使用することで、流体の流量への調整を、従来のマスフローコントローラで行う場合よりも迅速に行うことができる。流量を推定する場合、多項式回帰に加えて又はこれに代えて、訓練済み機械学習モデルを使用することにより、この単純化されたマスフローコントローラ構成に潜在する、複雑な流動状態（ｆｌｕｉｄ ｄｙｎａｍｉｃｓ）をモデル化することができる。

【0040】

いくつかの実施形態では、本開示に記載された方法及びプロセスは、１つ又は複数のコンピューティングデバイスのコンピューティングシステムに関連付けられていてもよい。特に、そのような方法及びプロセスは、コンピュータ・アプリケーション・プログラム又はサービス、アプリケーション・プログラミング・インターフェース（ＡＰＩ）、ライブラリ及び／又は他のコンピュータ・プログラム製品として実施されてもよい。

【0041】

図８は、上述の方法及びプロセスのうちの１つ又は複数を実施することができるコンピューティングシステム３００の非限定的な実施形態を模式的に示す。コンピューティングシステム３００は、簡略化された形態で示されている。コンピューティングシステム３００は、図２に示された上述のマスフローコントローラ１０を具現してもよい。コンピューティングシステム３００は、１つ又は複数のパーソナルコンピュータ、サーバコンピュータ、タブレットコンピュータ、家庭用コンピュータ、ネットワークコンピューティングデバイス、ゲームデバイス、モバイルコンピューティングデバイス、モバイル通信デバイス（例えば、スマートフォン）及び／又は他のコンピューティングデバイス、ならびにスマートリストウォッチ及びヘッドマウント拡張現実デバイスのようなウェアラブルコンピューティングデバイスの形態をとってもよい。

【0042】

コンピューティングシステム３００は、論理プロセッサ３０２、揮発性メモリ３０４及び不揮発性記憶装置３０６を含む。コンピューティングシステム３００は、必要に応じてディスプレイサブシステム３０８、入力サブシステム３１０、通信サブシステム３１２及び／又は図８に示されていない他の構成要素を含んでもよい。

【0043】

論理プロセッサ３０２は、命令を実行するように構成された１つ以上の物理デバイスを含む。例えば、論理プロセッサは、１つ以上のアプリケーション、プログラム、ルーチン、ライブラリ、オブジェクト、コンポーネント、データ構造又は他の論理構成の一部である命令を実行するように構成されてもよい。そのような命令は、タスクを実行するように、データ型を実施）するように、１つ以上の構成要素の状態を変換するように、技術的効果を達成するように、又は所望の結果に到達するように実装されてもよい。

【0044】

論理プロセッサは、ソフトウェア命令を実行するように構成された１つ以上の物理プロセッサ（ハードウェア）を含んでもよい。加えて、又はこれに代えて、論理プロセッサは、ハードウェア実施ロジック又はファームウェア命令を実行するように構成された１つ以上のハードウェアロジック回路又はファームウェアデバイスを含んでもよい。論理プロセッサ３０２のプロセッサは、シングルコア又はマルチコアであってもよく、そこで実行される命令は、シーケンシャル処理、パラレル処理及び／又は分散処理に用いられるように構成されてもよい。論理プロセッサの個々の構成要素は、必要に応じて２つ以上の別個のデバイス間で分散されてもよく、このデバイスは、遠隔に配置されてもよく、及び／又は協調処理のために構成されてもよい。論理プロセッサの態様は、クラウドコンピューティング構成で構成され、遠隔からアクセス可能なネットワーク化されたコンピューティングデバイスによって仮想化及び実行されてもよい。そのような場合、これらの仮想化された態様は、様々な異なるマシンの異なる物理的論理プロセッサ上で実行されることが理解されるであろう。

【0045】

不揮発性記憶装置３０６は、論理プロセッサによって、本開示に記載された方法及びプロセスを実施する命令を実行可能と認識するように構成された１つ又は複数の物理デバイスを含む。そのような方法及びプロセスが実行されるとき、不揮発性記憶装置３０６の状態は、例えば、異なるデータを保持するように変換されてもよい。

【0046】

不揮発性記憶装置３０６は、取り外し可能及び／又は内蔵された物理デバイスを含んでもよい。不揮発性記憶装置３０６は、光メモリ（例えば、ＣＤ、ＤＶＤ、ＨＤ－ＤＶＤ、ブルーレイディスクなど）、半導体メモリ（例えば、ＲＯＭ、ＥＰＲＯＭ、ＥＥＥＰＲＯＭ、ＦＬＡＳＨメモリなど）及び／又は磁気メモリ（例えば、ハードディスクドライブ、フロッピーディスクドライブ、テープドライブ、ＭＲＡＭなど）又は他の大容量メモリ技術を含んでもよい。不揮発性記憶装置３０６は、不揮発性、動的、静的、読み取り／書き込み、読み取り専用、シーケンシャルアクセス、アドレス指定可能、ファイル指定可能及び／又は内容指定可能な装置を含むことができる。不揮発性記憶装置３０６は、たとえ消費電力がカットされた場合でも命令を保持するように構成されていることが理解されるであろう。

【0047】

揮発性メモリ３０４は、ランダムアクセスメモリを含む物理デバイスを含んでもよい。揮発性メモリ３０４は、通常、情報をソフトウェア命令の処理中に一時的に記憶するように論理プロセッサ３０２によって利用される。揮発性メモリ３０４は、消費電力がカットされた場合に、命令を記憶し続けないことが理解されるであろう。

【0048】

論理プロセッサ３０２、揮発性メモリ３０４及び不揮発性記憶装置３０６の態様は、１つ以上のハードウェア・ロジック・コンポーネントに一緒に組み込まれてもよい。そのようなハードウェア・ロジック・コンポーネントは、例えば、フィールド・プログラマブル・ゲート・アレイ（ＦＰＧＡｓ）、特定プログラム及び用途向けＩＣ（ＰＡＳＩＣ／ＡＳＩＣｓ）、特定プログラム及び用途向け標準製品（ＰＳＳＰ／ＡＳＳＰｓ）、システムオンチップ（ＳＯＣ）及びコンプレックス・プログラマブル・ロジック・デバイス（ＣＰＬＤｓ）を含んでもよい。

【0049】

「モジュール」、「プログラム」及び「エンジン」という用語は、コンピューティングシステム３００の一側面を説明するために使用されてもよく、このコンピューティングシステム３００は、典型的にはプロセッサによってソフトウェアで実装され、揮発性メモリの一部を使用して特定の機能を実行する。そしてこの機能は、機能を実行するためにプロセッサを特別に構成する変形処理が含まる。したがって、モジュール、プログラム又はエンジンは、揮発性メモリ３０４の一部を使用して、不揮発性記憶装置３０６によって保持された命令を実行する論理プロセッサ３０２を介してインスタンス化されてもよい。異なるモジュール、プログラム及び／又はエンジンは、同じアプリケーション、サービス、コードブロック、オブジェクト、ライブラリ、ルーチン、ＡＰＩ、関数などからインスタンス化されてもよいことが理解されるであろう。同様に、同じモジュール、プログラム及び／又はエンジンは、異なるアプリケーション、サービス、コードブロック、オブジェクト、ルーチン、ＡＰＩ、関数などからインスタンス化されてもよい。モジュール」、「プログラム」及び「エンジン」という用語は、実行可能ファイル、データファイル、ライブラリ、ドライバ、スクリプト、データベースレコードなどの個々の又はグループを包含してもよい。

【0050】

表示サブシステム３０８を含む場合、この表示サブシステム３０８は、不揮発性記憶装置３０６によって保持されたデータの視覚的表現を提示するために使用されてもよい。視覚的表現は、グラフィカル・ユーザ・インターフェース（ＧＵＩ）の形態をとってもよい。本開示に記載された方法及びプロセスが、不揮発性記憶装置によって保持されるデータを変化させ、それによって不揮発性記憶装置の状態を変換するのと同様に、表示サブシステム３０８の状態も、保持される（ｕｎｄｅｒｌｙｉｎｇ）データの変化を視覚的に表現するように変換されてもよい。表示サブシステム３０８は、実質的に（ｖｉｒｔｕａｌｌｙ）任意のタイプの技術を利用する１つ以上の表示デバイスを含んでもよい。そのような表示デバイスは、共有エンクロージャ内で論理プロセッサ３０２、揮発性メモリ３０４及び／又は不揮メモリ３０６と結合されてもよいし、そのような表示デバイスは周辺表示デバイスであってもよい。

【0051】

入力サブシステム３１０を含む場合、入力サブシステム３１０は、キーボード、マウス、タッチスクリーン又はゲームコントローラなどの１つ以上のユーザ入力デバイスで構成されてもよいし、それらが結合されてもよい。いくつかの実施形態では、入力サブシステムは、選択されたナチュラル・ユーザ・インターフェース（ＮＵＩ）構成要素で構成されてもよいし、結合されてもよい。そのような構成要素は、統合されていてもよいし、周辺機器であってもよく、入力動作の伝達及び／又は処理は、オンボード又はオフボードで処理されてもよい。 例示的なＮＵＩ構成要素は、発話及び／又は音声認識に用いるマイク；マシンビジョン及び／又はジェスチャー認識に用いる赤外線、カラー、立体視及び／又は深度カメラ；動き検出及び／又は意図認識に用いるヘッドトラッカー、アイトラッカー、加速度計及び／又はジャイロスコープ；ならびに脳活動の評価に用いる電場感知構成要素；及び／又は他の任意の適切なセンサを含んでもよい。

【0052】

通信サブシステム３１２を含む場合、通信サブシステム３１２は、本開示に記載された様々なコンピューティングデバイスが互いに、他のデバイスと通信可能に接続するように構成されてもよい。通信サブシステム３１２は、１つ以上の異なる通信プロトコルと互換性のある有線及び／又は無線通信デバイスを含んでもよい。非限定的な例として、通信サブシステムは、無線電話ネットワークを介して通信するように構成されてもよいし、Ｗｉ－Ｆｉ接続を介したＨＤＭＩなどの有線又は無線のローカル又は広域ネットワークを介して通信するように構成されてもよい。いくつかの実施形態では、通信サブシステムは、コンピューティングシステム３００が、インターネットなどのネットワークを介して他のデバイスにメッセージを送信及び／又は受信することを可能にしてもよい。

【0053】

本開示に記載された構成及び／又はアプローチは、本質的に例示的なものであり、多数の変形が可能であるため、これらの特定の実施形態又は例は、限定的な意味で考慮されるべきではないことが理解されるであろう。本開示に記載された特定のルーチン又は方法は、任意の処理戦略のうちの１つ又は複数を表すことができる。そのように、図示及び／又は記載された様々な行為は、図示及び／又は記載された順序で、他の順序で、並列に又は省略して実行されてもよい。同様に、上述した処理の順序を変更してもよい。

【0054】

本開示の主旨は、本開示に開示された様々なプロセス、システム及び構成、ならびに他の特徴、機能、行為及び／又は特性の、新規かつ非自明なすべての組み合わせ及び部分的な組み合わせ、ならびにそれらの任意及びすべての等価物を含む。

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7A】

【図7B】

【図7C】

【図7D】

【図7E】

【図8】