本发明专利技术提供一种能够容易地抑制判定精度的降低的基板处理装置的制造工艺判定装置等。制造工艺判定装置(20)具备：工艺日志获取部(21)，其获取基板处理装置(10)的工艺日志数据；以及判定部(22)，其基于工艺日志数据来制作输入数据，基于输入数据来进行与基板处理装置的制造工艺有关的判定。判定部具备多个学习模型(25)，所述多个学习模型(25)分别被输入输入数据，分别输出与制造工艺有关的判定结果，所述多个学习模型是通过使用互不相同的教师数据进行机器学习而生成的。判定部能够切换要使用多个学习模型中的哪个学习模型来进行判定。定。定。
【技术实现步骤摘要】
【国外来华专利技术】基板处理装置的制造工艺判定装置、基板处理系统、基板处理装置的制造工艺判定方法、学习模型组、学习模型组的生成方法以及程序
[0001]本专利技术涉及一种进行与基板处理装置的制造工艺有关的判定的基板处理装置的制造工艺判定装置、具备该基板处理装置的制造工艺判定装置的基板处理系统、基板处理装置的制造工艺判定方法、学习模型组、学习模型组的生成方法以及程序。特别地，本专利技术涉及一种能够容易地抑制判定精度的降低的基板处理装置的制造工艺判定装置、基板处理系统、基板处理装置的制造工艺判定方法、学习模型组、学习模型组的生成方法以及程序。
技术介绍
[0002]以往，作为进行与半导体制造装置等基板处理装置的制造工艺有关的判定的装置，例如提出了专利文献1～3所记载的装置。
[0003]专利文献1所记载的装置是使用通过进行机器学习而生成的学习模型(神经网络)来判定(预测)基板的膜厚分布(具体地说，蚀刻深度)的装置。
[0004]专利文献2所记载的装置是使用通过进行机器学习而生成的学习模型(神经网络)来预测基板的蚀刻深度、进而判定(检测)蚀刻的终点的装置。
[0005]专利文献3所记载的装置是使用通过进行机器学习而生成的学习模型(支持向量机)来判定(预知)基板处理装置的故障(具体地说，异常发生部位和直到发生故障为止的预测时间)的装置。
[0006]在如专利文献1～3所记载的具备学习模型的判定装置中，在初始状态中(例如，基板处理装置出厂前)，通过使用规定的教师数据进行机器学习来生成学习模型。之后，在经过初始状态后(例如，基板处理装置出厂后)，通常使用或追加新的教师数据来使学习模型再次进行机器学习(再学习)，以提高判定精度。
[0007]然而，在经过初始状态后使学习模型再次进行学习时，例如在新使用或追加的教师数据不适当的情况下，与使用初始状态的学习模型(再学习前的学习模型)时相比判定精度有时会降低。由于即使判定精度降低也无法使已经再次学习完的学习模型复原，因此需要重复进行再学习直到获得期望的判定精度为止，需要极多的劳力和时间。
[0008]另外，也存在随着基板处理装置的运行条件的变更等而再学习前的学习模型的判定精度和再学习后的学习模型的判定精度的优劣发生变化的情况。即，对于某个运行条件，使用再学习前的学习模型会使判定精度更高，对于其它的运行条件，使用再学习完成的学习模型会使判定精度更高。
[0009]然而，在这种情况下也是，由于即使再学习完成的学习模型的判定精度降低也无法使再学习已完成的学习模型复原，因此需要重复进行再学习直到获得期望的判定精度为止，需要极多的劳力和时间。
[0010]在专利文献1～3中没有公开任何解决如上所述的学习模型的再学习中的问题的手段。
[0011]此外，如专利文献4所示，虽然不是使用学习模型，但是在对基板执行蚀刻处理的基板处理装置中，作为判定(检测)对基板进行的蚀刻的终点的装置，已知一种具备分光器的判定装置。具体地说，如专利文献4所记载的判定装置是如下的装置：将在基板处理装置所具备的腔室内产生的光引导至设置于腔室外的分光器，通过该分光器来测定具有规定波长的光的强度，由此判定(检测)对基板进行的蚀刻的终点。例如，在专利文献4所记载的判定装置中，在将SF6气体用作处理气体来对Si基板进行蚀刻的情况下，判定(检测)具有作为Si的反应生成物的SiF的发光波长的光的强度成为基准值以下的时间点来作为蚀刻的终点。
[0012]与上述同样地，在对基板执行成膜处理的基板处理装置中，在判定(检测)对通过成膜处理而附着于腔室内的膜组成物进行的蚀刻的终点时，也使用了具备分光器的判定装置。在这种判定装置中，例如在将C4F8气体用作处理气体来对膜组成物进行蚀刻的情况下，判定(检测)具有F的发光波长的光的强度成为基准值以上的时间点来作为蚀刻的终点。
[0013]现有技术文献
[0014]专利文献
[0015]专利文献1：日本特表2009
‑
534854号公报
[0016]专利文献2：日本特开2017
‑
195365号公报
[0017]专利文献3：日本特开2018
‑
178157号公报
[0018]专利文献4：日本特许第4101280号公报
技术实现思路
[0019]专利技术要解决的问题
[0020]本专利技术是为了解决上述现有技术的问题点而完成的，其课题在于提供一种能够容易地抑制判定精度的降低的基板处理装置的制造工艺判定装置、基板处理系统、基板处理装置的制造工艺判定方法、学习模型组、学习模型组的生成方法以及程序。
[0021]用于解决问题的方案
[0022]为了解决所述课题，本专利技术提供一种基板处理装置的制造工艺判定装置，进行与基板处理装置的制造工艺有关的判定，基板处理装置的制造工艺判定装置具备：工艺日志获取部，其获取所述基板处理装置的工艺日志数据；以及判定部，其基于所述工艺日志数据来制作输入数据，基于所述输入数据来进行与所述基板处理装置的制造工艺有关的判定，其中，所述判定部具备多个学习模型，所述多个学习模型分别被输入所述输入数据，分别输出与所述制造工艺有关的判定结果，所述多个学习模型是通过使用互不相同的教师数据进行机器学习而生成的，所述判定部能够切换要使用所述多个学习模型中的哪个学习模型来进行判定。
[0023]根据本专利技术，进行与基板处理装置的制造工艺有关的判定的判定部具备多个学习模型，这些多个学习模型是通过使用互不相同的教师数据进行机器学习而生成的。而且，判定部能够切换要使用多个学习模型中的哪个学习模型来进行判定。因此，例如在变更了基板处理装置的运行条件时等适当的定时分别评价多个学习模型的判定精度，通过切换为使用判定精度最高的学习模型，能够容易地抑制判定精度的降低。
[0024]在本专利技术中，也能够手动进行对多个学习模型的判定精度的评价、针对判定部的
用于切换学习模型的切换指示。然而，自动地进行这些更为有效，是优选的。
[0025]因而，优选的是，所述判定部使用判定精度评价用数据来分别评价所述多个学习模型的判定精度，使用判定精度最高的学习模型来进行之后的判定。
[0026]根据上述优选的结构，判定部对多个学习模型的判定精度分别自动地进行评价，自动切换为判定精度最高的学习模型，因此能够有效地抑制判定精度的降低。
[0027]在上述优选的结构中，对学习模型的判定精度进行评价的定时可以根据时间等预先设定，也可以手动进行指示。
[0028]在本专利技术中，如果如上述优选的结构那样设为对多个学习模型的判定精度分别进行评价，使用判定精度最高的学习模型来进行之后的判定，则虽然能够抑制判定精度的降低，但是要花费准备判定精度评价用数据的劳力和时间。为了节省该劳力和时间，优选将多个学习模型的判定结果的多数投票设为最终的判定结果。
[0029]因而，优选的是，所述判定部输出所述多个学习模型的判定结果的多数投票来作为最终的判定结果。
[本文档来自技高网...
【技术保护点】
【技术特征摘要】
【国外来华专利技术】1.一种基板处理装置的制造工艺判定装置，进行与基板处理装置的制造工艺有关的判定，所述基板处理装置的制造工艺判定装置的特征在于，具备：工艺日志获取部，其获取所述基板处理装置的工艺日志数据；以及判定部，其基于所述工艺日志数据来制作输入数据，基于所述输入数据来进行与所述基板处理装置的制造工艺有关的判定，其中，所述判定部具备多个学习模型，所述多个学习模型分别被输入所述输入数据，分别输出与所述制造工艺有关的判定结果，所述多个学习模型是通过使用互不相同的教师数据进行机器学习而生成的，所述判定部能够切换要使用所述多个学习模型中的哪个学习模型来进行判定。2.根据权利要求1所述的基板处理装置的制造工艺判定装置，其特征在于，所述判定部使用判定精度评价用数据来分别评价所述多个学习模型的判定精度，使用判定精度最高的学习模型来进行之后的判定。3.根据权利要求1所述的基板处理装置的制造工艺判定装置，其特征在于，所述判定部输出所述多个学习模型的判定结果的多数投票来作为最终的判定结果。4.根据权利要求1至3中的任一项所述的基板处理装置的制造工艺判定装置，其特征在于，在所述多个学习模型中包括如下两种学习模型：通过仅使用在所述基板处理装置的初始状态下获得的教师数据进行机器学习而生成的学习模型；以及通过使用包含在经过所述基板处理装置的初始状态后获得的教师数据的教师数据进行机器学习而生成的学习模型。5.一种基板处理系统，其特征...
【专利技术属性】
技术研发人员：花田克司，藤原佑挥，
申请(专利权)人：SPP科技股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。