CN118830054A - 异常检测装置以及异常检测方法 - Google Patents

Abstract

是判定通过处理装置进行样品的处理而得到的处理结果有无异常的异常检测装置，具有：加工形状预测部(41)，使用处理结果预测模型来预测处理装置的处理的评价值，其中，该处理结果预测模型将处理装置的控制参数值以及在处理装置的处理中观测处理装置内产生的现象而得到的观测参数值作为说明变量，将处理装置的处理的评价值作为目标变量；以及第一异常检测部(43)，基于设为判定对象的处理的评价值与设为判定对象的处理的预测评价值的差异来检测处理装置的处理结果的异常，其中，该预测评价值是通过将在设为判定对象的处理中使用的控制参数值以及在设为判定对象的处理中观测到的观测参数值输入到处理结果预测模型而预测的。

Description

异常检测装置以及异常检测方法

技术领域

本发明涉及异常检测装置以及异常检测方法。

背景技术

通过在半导体工艺中以适合的处理条件对半导体样品进行处理，能够实施期望的半导体加工。近年来，构成器件的新材料被导入并且器件构造复杂化，半导体处理装置的控制范围扩大，追加了很多控制参数。工艺多步骤化，实现了精细且复杂的加工。为了使用半导体处理装置生产高性能的器件，需要进行导出实现半导体样品的目标的加工形状的适合的处理条件的工艺开发。

在专利文献1中公开了如下内容：生成表示对半导体处理装置赋予的加工条件与半导体处理装置的加工结果之间的关系的预测模型，使用预测模型来推定输出加工结果的目标值的条件。

在先技术文献

专利文献

专利文献1：日本特开2019-40984号公报

发明内容

-发明所要解决的课题-

使用专利文献1所示的预测模型，有时对某加工条件推定的加工形状与通过半导体处理装置在该加工条件下实际对半导体样品进行加工的加工形状背离。在这种情况下，考虑两种原因。第一是预测模型的精度不充分的情况。在该情况下，需要追加学习数据，实现预测模型的精度提高。第二是在半导体处理装置的处理工序中发生了某些异常，由此无法得到所希望的加工结果的情况。

认为即使将包含后者那样的实验结果的学习数据用于预测模型的学习(训练)，也会向不规则的学习数据最终作为例外的现象被忽略的方向推进学习，因此没有问题。然而，为此需要通过更多的学习数据来进行预测模型的学习。

半导体处理装置的处理试验的反复会对工艺开发的费用、期间造成很大的影响。因此，在半导体处理装置中产生处理异常的实验结果期望从学习数据排除。

-用于解决课题的手段-

本发明的一实施方式的异常检测装置是判定通过处理装置进行样品的处理而得到的处理结果有无异常的异常检测装置，具有：加工形状预测部，使用处理结果预测模型来预测处理装置的处理的评价值，其中，所述处理结果预测模型将处理装置的控制参数值以及在处理装置的处理中观测在处理装置内产生的现象而得到的观测参数值作为说明变量，将处理装置的处理的评价值作为目标变量；以及第一异常检测部，基于设为判定对象的处理的评价值与设为判定对象的处理的预测评价值的差异，来检测处理装置的处理结果的异常，其中，所述设为判定对象的处理的预测评价值是通过将在设为判定对象的处理中使用的控制参数值以及在设为判定对象的处理中观测到的观测参数值输入到处理结果预测模型而预测的。

-发明效果-

能够以较少的学习数据使预测处理装置的处理的预测模型进行学习(训练)。其他的课题和新的特征从本说明书的记述以及附图中变得明确。

附图说明

图1A是异常检测系统的系统结构图。

图1B是异常检测装置的硬件结构图。

图1C是表示存贮装置中保存的数据以及程序的图。

图2A是学习(训练)工序中的异常检测装置的功能框图。

图2B是异常检测工序中的异常检测装置的功能框图。

图3是加工配方数据的数据构造例。

图4是观测数据的数据构造例。

图5是实验结果数据的数据构造例。

图6是预测结果数据的数据构造例。

图7是通常贡献度数据的数据构造例。

图8是异常检测的整体流程图。

图9是验证数据的形状异常得分计算流程。

图10是验证数据的贡献度异常得分计算流程。

图11是知识数据的数据构造例。

图12是GUI的示例。

具体实施方式

以下，参照附图对本发明的优选实施方式进行说明。

图1A中示出异常检测系统的系统结构图。以下，按照将本系统用于半导体或者包含半导体的半导体器件的工艺开发的示例进行说明。在工艺开发中，针对处理半导体样品的半导体处理装置，导出实现目标、例如期望的加工形状的适合的处理条件。

处理装置2是对半导体样品进行处理的装置。处理装置2的处理的内容没有限定。例如，包含光刻装置、成膜装置、图案加工装置、离子注入装置、清洗装置。光刻装置包含曝光装置、电子束描绘装置、X射线描绘装置。成膜装置包含CVD(Chemical VaporDeposition：化学气相沉积)、PVD(Physical Vapor Deposition：物理气相沉积)、蒸镀装置、溅射装置、热氧化装置。图案加工装置包含湿式蚀刻装置、干式蚀刻装置、电子束加工装置、激光加工装置。离子注入装置包含等离子掺杂装置、离子束掺杂装置。清洗装置包含液体清洗装置、超声波清洗装置。

以下，作为处理装置2，以进行半导体样品的蚀刻加工的等离子处理装置为例进行说明。在等离子处理装置中，在反应器2a内使高频的交变电磁场作用于处理气体而生成等离子，进行样品3的蚀刻加工。反应器2a内的蚀刻处理按照在控制部2b设定的加工配方来控制。

评价装置5是评价处理装置2对样品3进行的处理的装置。例如，是使用了电子显微镜的加工尺寸测量装置，测量处理装置2对样品3的加工尺寸。

观测装置4是在处理装置2对样品3的加工中观测在反应器2a内产生的现象的装置。观测的现象没有限定，能够根据在处理装置2的处理中作用于样品3的现象适当选择。在此，作为观测装置4，说明使用观测反应器2a内的等离子的发光的分光光度计的示例。

处理装置2的控制部2b按照加工配方数据进行样品3的处理(在此为蚀刻处理)。观测装置4在处理装置2的处理期间内观测反应器2a内的等离子的发光状态，取得观测数据。在处理装置2的处理结束后，评价装置5测量样品3的加工尺寸，取得实验结果数据。加工配方数据、和所取得的观测数据以及实验结果数据能够从异常检测装置1访问，用于预测处理装置的处理结果的处理结果预测模型的制作、后述的处理结果的异常的检测、判定。

用户从终端7经由网络6或者从异常检测装置1的输入输出装置直接访问异常检测装置1，执行异常检测处理。

图1B示出异常检测装置1的硬件结构。异常检测装置1是信息处理装置(计算机)，具有如下结构。异常检测装置1具备处理器(CPU)11、存储器12、存贮装置13、输入装置14、输出装置15、通信装置16，它们通过总线17结合。通过键盘、作为指向设备的输入装置14和作为输出装置15的显示器来安装GUI(Graphical User Interface：图形用户界面)，用户能够经由GUI而交互地利用装置。通信装置16是用于与网络6连接的接口。也能够经由网络6使终端7显示装置所安装的GUI。

存贮装置13通常由HDD(Hard Disk Drive：硬盘驱动器)、SSD(Solid StateDrive：固态驱动器)等构成，存储异常检测装置1执行的程序、程序作为处理对象的数据、或者程序进行了处理的结果的数据。存储器12由RAM(Random Access Memory，随机存取存储器)构成，根据处理器11的命令，暂时存储程序、执行程序所需的数据等。处理器11通过执行从存贮装置13加载到存储器12的程序，作为提供给定的功能的功能部(功能块)发挥功能。

另外，异常检测装置1不需要由1台信息处理装置实现，也可以由多台信息处理装置实现。此外，也可以将异常检测装置1的一部分或者全部的功能作为云端上的应用来实现。

图1C示出保存在存贮装置13中的数据以及程序。详细情况均在后面叙述，但作为数据包含加工配方数据21、观测数据22、实验结果数据23、预测结果数据24、通常贡献度数据25、知识数据26，作为程序包含加工形状预测程序31、预测说明程序32、形状异常检测程序33、贡献度异常检测程序34、综合判定程序35、知识连结程序36。

图8表示异常检测装置1实施的异常检测的整体流程。步骤S01～S03是处理结果预测模型的学习(训练)工序。另外，在本实施例中，以利用等离子处理装置进行的蚀刻加工为例对处理装置的处理进行说明，因此以下将处理结果预测模型与示例一并称为加工形状预测模型。在本工序中，使用正常情形数据进行加工形状预测模型的生成以及通常贡献度的计算。在此，贡献度是指加工形状预测模型中的各说明变量对预测结果(目标变量)的贡献的大小。此外，步骤S04～S07是处理装置的处理结果的异常检测工序。在本工序中，进行按照任意的加工配方得到的加工结果的异常判定。以下，对各个工序进行说明。

(1)学习(训练)工序

对整体流程(参照图8)的步骤S01～S03的处理进行说明。图2A表示本工序中的异常检测装置1的功能框图。加工形状预测部41是通过处理器11执行加工形状预测程序31而发挥功能的功能部，预测说明部42是通过处理器11执行预测说明程序32而发挥功能的功能部。

异常检测装置1读入加工配方数据21、观测数据22、实验结果数据23(S01)。另外，在学习工序中使用的数据是针对正常进行了处理装置2对样品的加工的情形的数据。在此，样品的加工正常是指，能够从处理后的样品取得作为后述的实验结果数据而取得的评价值。在本实施例的情况下，评价值是样品的加工尺寸。

图3表示加工配方数据21的数据构造例。实验编号是唯一地确定处理装置2的处理(实验)的编号，特征量名是处理装置2的控制参数，值是在该实验中设定为该控制参数的值。

图4示出观测数据22的数据构造例。实验编号使用与加工配方数据21共通的编号。特征量名是在该实验编号的实验中由观测装置4取得的观测数据的观测参数，值是在该实验中观测到的该观测参数的值。在本实施例中，示出了观测参数值是在处理装置2内产生的等离子的给定的频带中的发光强度的示例。

图5示出实验结果数据23的数据构造例。实验编号使用与加工配方数据21共通的编号。实验结果表示对通过该实验编号的实验得到的加工结果由评价装置5取得的评价值。在此，作为评价值，设为由处理装置2处理的样品3的形状参数的值，具体而言示出了加工深度的示例。

接下来，加工形状预测部41根据读入的加工配方数据21、观测数据22、实验结果数据23进行加工形状预测模型的学习(训练)(S02)。在步骤S02中进行学习的加工形状预测模型是将目标变量设为作为实验结果数据23而取得的形状参数值、将说明变量设为作为加工配方数据21而取得的控制参数值以及作为观测数据22而取得的观测参数值的模型。将读入的正常情形数据作为学习数据，加工形状预测部41执行有监督学习。本步骤的加工形状预测模型通过包含观测参数值作为其说明变量，能够将实验中的处理装置2的处理状态反映到目标变量的推论中。

进而，向学习完毕的加工形状预测模型输入加工配方数据21、观测数据22的值，得到预测结果数据24。图6示出预测结果数据24的数据构造例。实验编号使用与加工配方数据21共通的编号。特征量名中包含加工配方数据21的控制参数以及观测数据22的观测参数，在值中示出该实验中的加工配方数据21的控制参数值以及观测数据22的观测参数值。预测结果登记将该实验编号的控制参数值和观测参数值代入学习完毕的加工形状预测模型而得到的形状参数值。加工形状预测模型计算出的形状参数值是在实验结果数据23中定义的评价值的预测值(预测评价值)，在该示例中是加工深度。

接下来，计算学习完毕的加工形状预测模型中的各说明变量的贡献度(S03)。预测说明部42解释学习完毕的加工形状预测模型以怎样的依据进行了该预测。由于作为AI模型的加工形状预测模型的内容是黑箱，因此无法直接获知得到预测的理由。因此，有效利用解释AI模型以怎样的依据进行了该预测的XAI(Explainable AI：可解释AI)技术，预测说明部42计算表示各说明变量对预测结果(目标变量)的贡献的贡献度，并作为通常贡献度数据25进行蓄积。由于是正常情形数据中的说明变量的贡献度，因此称为通常贡献度。作为进行这样的计算的工具，已知有SHAP(Shapley Additive explanations)这样的工具。图7示出通常贡献度数据25的数据构造例。实验编号使用与加工配方数据21共通的编号。特征量名中包含加工形状预测模型的说明变量即控制参数以及观测参数，对贡献度登记针对该实验中的预测结果(预测结果数据24)的各说明变量的贡献度。

另外，在对加工形状预测模型进行例如追加学习等而模型被更新的情况下，由预测说明部42计算出的通常贡献度数据25的值也变更。因此，在由加工形状预测部41更新加工形状预测模型的情况下，预测说明部42再次重新计算各实验中的说明变量的贡献度，更新通常贡献度数据25。

(2)处理结果的异常检测工序

对整体流程(参照图8)的步骤S04～S07的处理进行说明。图2B示出本工序中的异常检测装置1的功能框图。形状异常检测部43是通过处理器11执行形状异常检测程序33而发挥功能的功能部，贡献度异常检测部44是通过处理器11执行贡献度异常检测程序34而发挥功能的功能部，综合判定部45是通过处理器11执行综合判定程序35而发挥功能的功能部，知识连结部46是通过处理器11执行知识连结程序36而发挥功能的功能部。

形状异常检测部43计算验证数据的形状异常得分(S04)。图9示出步骤S04的详细情况。

异常检测装置1读入作为验证数据的加工配方数据51、观测数据52、实验结果数据53(S11)。它们相当于加工配方数据21(参照图3)、观测数据22(参照图4)、实验结果数据23(参照图5)的一个实验的量的数据。

接下来，加工形状预测部41将读入的加工配方数据51以及观测数据52输入到学习完毕的加工形状预测模型，得到预测结果数据54(S12)。预测结果数据54相当于预测结果数据24(参照图6)的一个实验的量的数据。

接下来，形状异常检测部43计算实验结果数据53与预测结果数据54的差异(S13)，根据差异的程度来计算形状异常得分(S14)。形状异常得分的计算方法没有限定，例如，定义成实验结果数据53与预测结果数据54的差异越大，则形状异常得分越大。

再次返回到整体流程(图8)的说明。接下来，贡献度异常检测部44计算验证数据的贡献度异常得分(S05)。图10示出步骤S05的详细情况。

首先，预测说明部42计算学习完毕的加工形状预测模型中的各说明变量的贡献度，得到贡献度数据55(S21)。贡献度数据55相当于通常贡献度数据25(参照图7)的一个实验的量的数据。

接下来，贡献度异常检测部44比较通常贡献度数据25中保存的正常情形数据的贡献度数据和贡献度数据55(S22)，根据通常贡献度数据模式和贡献度数据模式的差异程度计算贡献度异常得分(S23)。贡献度异常得分的计算方法没有限定，例如，通常贡献度数据25中保存的正常情形数据的贡献度数据模式与贡献度数据55的模式的差异越大，贡献度异常得分越大。

再次返回到整体流程(图8)的说明。接下来，综合判定部45综合形状异常得分和贡献度异常得分来进行异常判定(S06)。例如，在综合判定部45中，通过形状异常得分与贡献度异常得分的组合进行如下判断。在判断为形状异常得分正常、贡献度异常得分正常的情况下，判断为处理结果正常。在判断为形状异常得分正常、贡献度异常得分异常的情况下，将处理结果判断为正常。这是因为正确地进行了处理装置的加工，因此判断为发现了新的贡献度模式。在判断为形状异常得分异常、贡献度异常得分正常的情况下，判断为处理结果正常。这是因为，尽管贡献度模式与此前的学习数据相同，但由于没有如期待那样进行处理装置的加工，所以判断为预测模型的精度不充分。在判断为形状异常得分异常、贡献度异常得分异常的情况下，将处理结果判断为异常。这是因为处理装置的异常导致形状异常以及贡献度异常的可能性高。

由综合判定部45判定为正常的实验结果例如能够作为新的学习数据而用于加工形状预测模型的更新。另一方面，关于综合判定部45判断为异常的实验结果，知识连结部46也可以提示基于知识数据的信息(S07)。图11表示知识数据26的数据构造例。知识的内容是任意的，但设为与观测数据22的观测参数相关的知识。图11的示例保存观测到给定频带的等离子发光的情况成为候补的原因物质名。

例如，在图11的示例中，在对发光光谱270～300nm的频带的观测数据判定贡献度异常的情况下，向用户提示存在被设为候补物质的SiCl、Si等有关系的可能性。由此，用户容易研究在处理装置中产生的异常的原因。

形状异常检测部43以及贡献度异常检测部44的异常检测结果、综合判定部45的判定结果以及知识连结部46提取出的知识作为提示信息56显示于GUI。

图12表示执行图8的处理的GUI的示例。项目指定部61例如指定项目名称，其中该项目名称指定用于决定处理装置2的处理条件的加工形状预测模型的制作。加工配方数据21、观测数据22、实验结果数据23与项目名称链接。数据指定部62指定正常情形数据ID(数据ID相当于实验编号)和验证数据ID(数据ID相当于实验编号)。例如，在本项目中，最初制作暂定的加工形状预测模型，之后，基于暂定的加工形状预测模型来判定实验结果的正常/异常，判定是否采用作为学习数据，通过判定为正常的学习数据来更新暂定的加工形状预测模型。由此，能够以更少的学习数据生成高精度的加工形状预测模型。在该示例中，示出了如下示例：将加工配方数据21、观测数据22、实验结果数据23的实验编号1～50用于暂定的加工形状预测模型的生成中，关于是否追加实验编号51作为学习数据，设为判定对象。

在形状异常得分显示部63显示步骤S04(参照图8)的处理结果，在贡献度异常得分显示部64显示步骤S05的处理结果，在综合判定显示部65显示步骤S06的处理结果，在知识显示部66显示在步骤S07提取的知识。

在形状异常得分显示部63、贡献度异常得分显示部64中显示正常情形和验证数据各自的异常得分值和阈值。阈值可以由用户设定，也可以统计地自动设定。例如，能够将阈值定义为正常情形，即定义为对加工形状预测模型的学习数据中的异常得分的平均值加上方差的2倍而得到的值。阈值也可以根据加工形状预测模型的精度提高来变更值。

在知识显示部66能够识别地显示观测数据的贡献度中的检测出异常值的观测参数(在此为发光光谱的波长)，并且显示在步骤S07中提取出的知识。

以上，作为本实施例，说明了将公开的技术应用于加工形状预测模型的制作工序的示例，但不限于此。例如，在完成了加工形状预测模型的学习之后，在基于本模型进行了条件设定的半导体样品的量产加工中，也能够通过关于是否产生处理装置的处理异常而计算贡献度异常得分来进行监视。

此外，作为说明的实施例的实施方式，考虑在平台上执行对包含半导体处理装置的生产线进行运用管理的应用的半导体装置制造系统。半导体处理装置经由网络与平台连接，接受来自平台的控制。在这种情况下，通过使异常检测装置1作为平台上的应用执行处理，能够在半导体装置制造系统中实施本实施例。

-附图标记说明-

1：异常检测装置，2：处理装置，2a：反应器，2b：控制部，3：样品，4：观测装置，5：评价装置，6：网络，7：终端，11：处理器(CPU)，12：存储器，13：存贮装置，14：输入装置，15：输出装置，16：通信装置，17：总线，21：加工配方数据，22：观测数据，23：实验结果数据，24：预测结果数据，25：通常贡献度数据，26：知识数据，31：加工形状预测程序，32：预测说明程序，33：形状异常检测程序，34：贡献度异常检测程序，35：综合判定程序，36：知识连结程序，41：加工形状预测部，42：预测说明部，43：形状异常检测部，44：贡献度异常检测部，45：综合判定部，46：知识连结部，51：加工配方数据，52：观测数据，53：实验结果数据，54：预测结果数据，55：贡献度数据，56：提示信息，61：项目指定部，62：数据指定部，63：形状异常得分显示部，64：贡献度异常得分显示部，65：综合判定显示部，66：知识显示部。

Claims (15)

1.一种异常检测装置，判定通过处理装置进行样品的处理而得到的处理结果有无异常，其特征在于，

所述异常检测装置具有：

加工形状预测部，使用处理结果预测模型来预测所述处理装置的处理的评价值，其中，所述处理结果预测模型将所述处理装置的控制参数值以及在所述处理装置的处理中观测在所述处理装置内产生的现象而得到的观测参数值作为说明变量，将所述处理装置的处理的评价值作为目标变量；以及

第一异常检测部，基于设为判定对象的处理的评价值与所述设为判定对象的处理的预测评价值的差异来检测所述处理装置的处理结果的异常，其中，所述设为判定对象的处理的预测评价值是通过将在所述设为判定对象的处理中使用的控制参数值以及在所述设为判定对象的处理中观测到的观测参数值输入到所述处理结果预测模型而预测的。

2.根据权利要求1所述的异常检测装置，其特征在于，

所述异常检测装置具有：

预测说明部，关于所述设为判定对象的处理，计算每个说明变量对所述预测评价值的贡献度；以及

第二异常检测部，基于由所述预测说明部计算出的所述设为判定对象的处理中的说明变量的贡献度模式，来检测所述处理装置的处理结果的异常。

3.根据权利要求2所述的异常检测装置，其特征在于，

所述异常检测装置具有：综合判定部，综合所述第一异常检测部的异常检测结果和所述第二异常检测部的异常检测结果，来判定所述设为判定对象的处理结果有无异常。

4.根据权利要求3所述的异常检测装置，其特征在于，

所述处理结果预测模型基于通过所述处理装置进行样品的处理而得到的多个实验结果进行训练，

所述异常检测装置具有：存贮装置，保存作为所述处理结果预测模型的学习数据而使用的、在所述实验中的处理中使用的控制参数值、在所述实验中的处理中观测到的观测参数值以及所述实验中的处理的评价值，

所述第一异常检测部通过比较所述设为判定对象的处理的评价值与预测评价值的差异、和所述实验中的处理的评价值与所述实验中的处理的预测评价值的差异，来检测所述处理装置的处理结果的异常，其中，所述实验中的处理的预测评价值是通过将在所述实验中的处理中使用的控制参数值以及在所述实验中的处理中观测到的观测参数值输入到所述处理结果预测模型而预测的。

5.根据权利要求4所述的异常检测装置，其特征在于，

所述预测说明部关于所述实验中的处理，计算每个说明变量对所述预测评价值的贡献度，将由所述预测说明部计算出的所述实验中的处理中的说明变量的贡献度模式保存于所述存贮装置，

所述第二异常检测部通过比较所述设为判定对象的处理中的说明变量的贡献度模式和所述实验中的处理中的说明变量的贡献度模式，来检测所述处理装置的处理结果的异常。

6.根据权利要求5所述的异常检测装置，其特征在于，

所述加工形状预测部使用保存于所述存贮装置的所述学习数据，来进行所述处理结果预测模型的训练。

7.根据权利要求6所述的异常检测装置，其特征在于，

在所述综合判定部判定为所述设为判定对象的处理结果没有异常的情况下，所述加工形状预测部使用所述设为判定对象的处理的评价值、在所述设为判定对象的处理中使用的控制参数值和在所述设为判定对象的处理中观测的观测参数值，来进行所述处理结果预测模型的训练，

所述综合判定部在所述第一异常检测部和所述第二异常检测部均检测到异常的情况下，判定为所述设为判定对象的处理结果存在异常，在所述第一异常检测部以及所述第二异常检测部的至少任一方未检测到异常的情况下，判定为所述设为判定对象的处理结果没有异常。

8.根据权利要求7所述的异常检测装置，其特征在于，

所述异常检测装置具有：知识连结部，在所述综合判定部判定为所述设为判定对象的处理结果存在异常的情况下，关于由所述第二异常检测部检测出异常的观测参数值，与知识数据进行比对，提取相关的知识。

9.根据权利要求8所述的异常检测装置，其特征在于，

将所述第一异常检测部以及所述第二异常检测部的异常检测结果、所述综合判定部的判定结果以及由所述知识连结部提取出的知识显示于显示装置。

10.根据权利要求1～9中的任一项所述的异常检测装置，其特征在于，

所述处理装置是对所述样品进行蚀刻加工的等离子处理装置，

将在所述处理装置的处理中观测在所述处理装置内产生的等离子的发光而得到的给定的频带中的所述等离子的发光强度设为观测参数值，将所述蚀刻加工的所述样品的加工尺寸设为所述处理装置的处理的评价值。

11.一种异常检测方法，使用判定通过处理装置进行样品的处理而得到的处理结果有无异常的异常检测装置，其特征在于，

所述异常检测装置具备加工形状预测部和第一异常检测部，

所述加工形状预测部使用处理结果预测模型来预测所述处理装置的处理的评价值，其中，所述处理结果预测模型将所述处理装置的控制参数值以及在所述处理装置的处理中观测在所述处理装置内产生的现象而得到的观测参数值作为说明变量，将所述处理装置的处理的评价值作为目标变量，

所述第一异常检测部基于设为判定对象的处理的评价值与所述设为判定对象的处理的预测评价值的差异，来检测所述处理装置的处理结果的异常，其中，所述设为判定对象的处理的预测评价值是通过将在所述设为判定对象的处理中使用的控制参数值以及在所述设为判定对象的处理中观测到的观测参数值输入到所述处理结果预测模型而预测的。

12.根据权利要求11所述的异常检测方法，其特征在于，

所述异常检测装置还具备预测说明部和第二异常检测部，

所述预测说明部关于所述设为判定对象的处理，计算每个说明变量对所述预测评价值的贡献度，

所述第二异常检测部基于由所述预测说明部计算出的所述设为判定对象的处理中的说明变量的贡献度模式，来检测所述处理装置的处理结果的异常。

13.根据权利要求12所述的异常检测方法，其特征在于，

所述异常检测装置还具备综合判定部，

所述综合判定部综合所述第一异常检测部的异常检测结果和所述第二异常检测部的异常检测结果，来判定所述设为判定对象的处理结果有无异常。

14.根据权利要求13所述的异常检测方法，其特征在于，

在所述综合判定部判定为所述设为判定对象的处理结果没有异常的情况下，所述加工形状预测部使用所述设为判定对象的处理的评价值、在所述设为判定对象的处理中使用的控制参数值和在所述设为判定对象的处理中观测到的观测参数值，来进行所述处理结果预测模型的训练，

所述综合判定部在所述第一异常检测部和所述第二异常检测部均检测到异常的情况下，判定为所述设为判定对象的处理结果存在异常，在所述第一异常检测部以及所述第二异常检测部的至少任一方未检测到异常的情况下，判定为所述设为判定对象的处理结果没有异常。

15.根据权利要求11～14中的任一项所述的异常检测方法，其特征在于，

所述处理装置是对所述样品进行蚀刻加工的等离子处理装置，

将在所述处理装置的处理中观测在所述处理装置内产生的等离子的发光而的得到的给定的频带中的所述等离子的发光强度设为观测参数值，将所述蚀刻加工的所述样品的加工尺寸设为所述处理装置的处理的评价值。