JP7685882B2 - 基板処理装置及び情報処理システム - Google Patents

Description

本発明は、基板処理装置及び情報処理システムに関する。

基板処理装置（例えば研磨装置）の洗浄性能は、例えば研磨、洗浄、乾燥の処理を終えて装置から排出された基板（具体的にはウェハ）を専用の欠陥検査装置で測定することで評価されている（例えば、特許文献１参照）。欠陥検査はコスト(主に時間)を要するため、製造現場では、基板処理（例えば、研磨、洗浄、乾燥）後に全数検査を行うことは困難であり、抜き取り検査を実施している。

特開２００２－２５７５３３号公報

しかし、検査されなかった基板（具体的にはウェハ）で洗浄不足などにより、不良品が発生する可能性もある。

本発明は、上記問題に鑑みてなされたものであり、欠陥検査装置で検査することなく基板処理後の基板が不良品であるか否かを推定することを可能とする基板処理装置及び情報処理システムを提供することを目的とする。

本発明の一態様に係る基板処理装置は、基板の研磨中及び／または洗浄中及び／または乾燥中において対象の物理量を検出する少なくとも一つのセンサと、学習済みの機械学習モデルに対して、前記センサによって検出された研磨中及び／または洗浄中及び／または乾燥中のセンサ値を処理ステップ毎に特徴量に変換する変換部と、前記特徴量を含む対象データを学習済みの機械学習モデルに入力することによって、対象の基板中の欠陥の数、欠陥のサイズ、欠陥の位置のうち少なくとも一つの予測値を出力する推論部と、を備え、前記学習済みの機械学習モデルは、対象の生産ラインもしくは当該対象の生産ラインと同種の生産ラインにおいてセンサによって検出された研磨中及び／または洗浄中のセンサ値が処理ステップ毎に変換された特徴量を含む入力データとし且つ基板中の欠陥の数、欠陥のサイズ、欠陥の位置を少なくとも一つを出力データとする学習データセットを用いた学習されたものである。

この構成によれば、欠陥検査装置で検査することなく基板処理後の基板の欠陥の数、欠陥のサイズ、欠陥の位置のうち少なくとも一つの予測値が得られるので、欠陥検査装置で検査することなく基板処理後の基板が不良品であるか否かを推定することができる。

また、上記基板処理装置において、前記機械学習モデルの学習時の入力データには、更に基板処理装置に含まれるユニット毎に計数された当該ユニットに滞在する滞在時間が含まれており、当該基板処理装置に含まれるユニット毎に、当該ユニットに滞在する滞在時間を計数するユニット滞在時間計数部を更に備え、前記学習済みの機械学習モデルに入力される前記対象データには、更に前記ユニット滞在時間計数部によってユニット毎に計数された当該ユニットに滞在する滞在時間が含まれてもよい。

また、上記基板処理装置において、前記機械学習モデルの学習時の入力データには、更に研磨または洗浄に用いられる部材の位置が変換された第２特徴量が含まれており、前記変換部は、研磨または洗浄に用いられる部材の位置を第２特徴量に変換し、前記学習済みの機械学習モデルに入力される前記対象データには、更に前記変換部によって変換された部材毎の第２特徴量が含まれてもよい。

また、上記基板処理装置において、前記機械学習モデルの学習時の入力データには、基板処理装置に含まれるユニットに対する指令値を含むレシピ情報が更に含まれており、前記学習済みの機械学習モデルに入力される前記対象データには、更に当該基板処理装置に含まれるユニットに対する指令値を含むレシピ情報が更に含まれてもよい。

また、上記基板処理装置において、予め決められた回帰分析アルゴリズムに従って、複数のセンサ値それぞれについて、欠陥の数、欠陥のサイズ、基板中の欠陥の位置のいずれか一つとの間で相関を表す相関パラメータを出力する回帰分析部と、機械学習モデルの入力データに含まれる特徴量の基になるセンサ値を出力するセンサを少なくとも一つ受け付ける受付部と、前記受け付けたセンサのセンサ値が変換された特徴量で再度、前記機械学習モデルを学習させる学習部と、を備え、前記推論部は、前記学習部によって再学習後の機械学習モデルを用いて、前記予測値を出力してもよい。

本発明の別の態様に係る情報処理システムは、学習済みの機械学習モデルに対して、基板処理装置が備えるセンサによって検出された、基板の研磨中及び／または洗浄中及び／または乾燥中のセンサ値を処理ステップ毎に特徴量に変換する変換部と、前記特徴量を含む対象データを入力することによって、基板中の欠陥の数、欠陥のサイズ、基板中の欠陥の位置のうち少なくとも一つの予測値を出力する推論部と、を備え、前記学習済みの機械学習モデルは、対象の生産ラインもしくは当該対象の生産ラインと同種の生産ラインにおいてセンサによって検出された研磨中及び／または洗浄中のセンサ値が処理ステップ毎に変換された特徴量を含む入力データとし且つ基板中の欠陥の数、欠陥のサイズ、欠陥の位置を少なくとも一つを出力データする学習データセットを用いた学習されたものである。

本発明の一態様によれば、欠陥検査装置で検査することなく基板処理後の基板の欠陥の数、欠陥のサイズ、欠陥の位置のうち少なくとも一つの予測値が得られるので、欠陥検査装置で検査することなく基板処理後の基板が不良品であるか否かを推定することができる。

本実施形態に係る基板処理装置の概略構成の一例を示す図である。 本実施形態に係る制御部の概略構成の一例を示すブロック図の一例である。 本実施形態に係る各ユニットにおける滞在時間の例を示すグラフである。 機械学習モデルに入力される入力データに含まれる特徴量のデータ構造の一例である。 機械学習モデルに入力される入力データに含まれるユニット毎の滞在時間のデータ構造の一例である。 機械学習モデルの学習工程の一例を説明するための模式図である。 機械学習モデルの推論工程の一例を説明するための模式図である。 欠陥の数の実測値と欠陥の数の予測値とを比較するグラフの一例である。 機械学習モデルの学習工程の変形例１を説明するための模式図である。 機械学習モデルの推論工程の変形例１を説明するための模式図である。 機械学習モデルの学習工程の変形例２を説明するための模式図である。 機械学習モデルの推論工程の変形例２を説明するための模式図である。 機械学習モデルの学習工程の変形例３を説明するための模式図である。 機械学習モデルの推論工程の変形例３を説明するための模式図である。 本実施形態の変形例１に係る概略構成図である。 本実施形態の変形例２に係る概略構成図である。 本実施形態の変形例３に係る概略構成図である。 本実施形態の変形例４に係る概略構成図である。

以下、各実施形態について、図面を参照しながら説明する。但し、必要以上に詳細な説明は省略する場合がある。例えば、既によく知られた事項の詳細説明や実質的に同一の構成に対する重複説明を省略する場合がある。これは、以下の説明が不必要に冗長になるのを避け、当業者の理解を容易にするためである。本実施形態では、基板処理装置の一例として、基板Ｗの表面を平坦に化学機械研磨（ＣＭＰ: Chemical Mechanical Polishing）する研磨装置について説明する。

図１は、本実施形態に係る基板処理装置の概略構成の一例を示す図である。図１に示すように、基板処理装置１は、シリコンウェハ（以下、単にウェハともいう）等の基板Ｗの表面を平坦に化学機械研磨（ＣＭＰ: Chemical Mechanical Polishing）する研磨装置である。

図１に示すように基板処理装置１は例えば、矩形箱状のハウジング２を備える。ハウジング２は、平面視で略長方形に形成されている。ハウジング２は、その中央に長手方向に延在する基板搬送路３を備える。基板搬送路３の長手方向の一端部には、ロード／アンロード部１０が配設されている。基板搬送路３の幅方向、すなわち平面視で長手方向と直交する方向の一方側には、研磨部２０が配設され、他方側には、洗浄部３０が配設されている。基板搬送路３には、基板Ｗを搬送する基板搬送部４０が設けられている。また、基板処理装置１は、ロード／アンロード部１０、研磨部２０、洗浄部３０及び基板搬送部４０の動作を統括的に制御する制御部５０を備える。

ロード／アンロード部１０は、基板Ｗを収容するフロントロード部１１を備える。フロントロード部１１は、ハウジング２の長手方向の一方側の側面に複数設けられている。複数のフロントロード部１１は、ハウジング２の幅方向に配列されている。フロントロード部１１は、例えば、オープンカセット、ＳＭＩＦ（Standard Manufacturing Interface）ポッド又はＦＯＵＰ（Front Opening Unified Pod）が搭載されている。ＳＭＩＦ及びＦＯＵＰは、いずれも内部に基板Ｗのカセットが収納され、隔壁で覆われている密閉容器であり、外部空間とは独立した環境を保つことができる。

また、ロード／アンロード部１０は、フロントロード部１１から基板Ｗを出し入れする二台の搬送ロボット１２と、各搬送ロボット１２をフロントロード部１１の並びに沿って走行させる走行機構１３とを備える。各搬送ロボット１２は、上下に二つのハンドを備えており、基板Ｗの処理前と基板Ｗの処理後とこれら二つのバンドを使い分けている。例えば、各搬送ロボット１２は、フロントロード部１１に基板Ｗを戻す場合には、上側のハンドを使用し、フロントロード部１１から処理前の基板Ｗを取り出す場合には、下側のハンドを使用する。

研磨部２０は、基板Ｗを研磨する複数の研磨装置２１（２１Ａ、２１Ｂ、２１Ｃ、２１Ｄ）を備える。複数の研磨装置２１は、基板搬送路３の長手方向に配列されている。研磨装置２１は、研磨面を有する研磨パッド２２を回転させる研磨テーブル２３と、基板Ｗを保持し、かつ、基板Ｗを研磨テーブル２３上の研磨パッド２２に押圧しながら研磨するためのトップリング２４と、研磨パッド２２に研磨液、ドレッシング液等を供給するための研磨液供給ノズル２５と、研磨パッド２２の研磨面のドレッシングを行うためのドレッサ２６と、純水等の液体と窒素ガス等の気体の混合流体又は純水等の液体を霧状にして研磨面に噴射するアトマイザ２７とを備える。

研磨装置２１は、研磨液供給ノズル２５から研磨液を研磨パッド２２上に供給しながら、トップリング２４により基板Ｗを研磨パッド２２に押し付け、トップリング２４と研磨テーブル２３とを相対的に移動させることにより、基板Ｗを研磨して基板Ｗの表面を平坦にする。また、トップリング２４は、同心円状に配置されている複数の加減圧エリア（例えばエアバッグ）を備えている。トップリング２４は、これら複数の加減圧エリア内の圧力を調整することにより、研磨パッド２２への基板Ｗの押し付け具合を調整する。

ドレッサ２６は、研磨パッド２２に接触する先端の回転部にダイヤモンド粒子やセラミック粒子等の硬質な粒子が固定され、当該回転部を回転させつつ揺動させることにより、研磨パッド２２の研磨面全体を均一にドレッシングし、平坦な研磨面を形成する。

アトマイザ２７は、研磨パッド２２の研磨面に残留する研磨屑、砥粒等を高圧の流体により洗い流すことにより、研磨面の浄化及びドレッサ２６による研磨面の目立て作業、すなわち研磨面の再生を実行する。

洗浄部３０は、基板Ｗを洗浄する複数の洗浄装置３１（３１Ａ、３１Ｂ）と、洗浄した基板Ｗを乾燥させる基板乾燥装置３２とを備える。複数の洗浄装置３１及び基板乾燥装置３２は、基板搬送路３の長手方向に配列されている。洗浄装置３１Ａと洗浄装置３１Ｂとの間には、第１搬送室３３が設けられている。第１搬送室３３には、基板搬送部４０、洗浄装置３１Ａ及び洗浄装置３１Ｂの間で基板Ｗを搬送する搬送ロボット３５が設けられている。

搬送ロボット３５は、上下に二つのハンドを備えており、基板Ｗの洗浄装置３１Ａにおける洗浄前と基板Ｗの洗浄装置３１Ａにおける洗浄後で、これら二つのバンドを使い分けている。例えば、搬送ロボット３５は、後述する仮置き台（ウェハステーションともいう）４７から洗浄前の基板Ｗを取り出して洗浄装置３１Ａに搬送する場合には、下側のハンドを使用し、洗浄後に洗浄装置３１Ａから基板Ｗを取り出して洗浄装置３１に搬送する場合には、上側のハンドを使用する。

また、洗浄装置３１Ｂと基板乾燥装置３２との間には、第２搬送室３４が設けられている。第２搬送室３４には、洗浄装置３１Ｂと基板乾燥装置３２との間で基板Ｗを搬送する搬送ロボット３６が設けられている。

洗浄装置３１は、ロールスポンジ（以下、ロールともいう）型の洗浄モジュールを備え、この洗浄モジュールを使用して基板Ｗを洗浄する。なお、洗浄装置３１Ａ及び洗浄装置３１Ｂは、同一のタイプであってもよいし、異なるタイプの洗浄モジュールであってもよい。また、洗浄装置３１Ａ及び洗浄装置３１Ｂは、ロールスポンジ型の洗浄モジュールの代わりに、例えば、ペンシルスポンジ（以下、ペンともいう）型の洗浄モジュール、二流体ジェット型の洗浄モジュールを備えていてもよい。ここで二流体ジェット型の洗浄モジュールの場合、二流体は例えば窒素（Ｎ２）と純水との混合である。

基板乾燥装置３２は、例えば、窒素ガス（Ｎ２）乾燥や、イソプロピルアルコール（ＩＰＡ：Iso-Propyl Alcohol）を使用したロタゴニ乾燥を実行する乾燥モジュールを備える。基板Ｗは、ロタゴニ乾燥が実行された後、基板乾燥装置３２とロード／アンロード部１０との間の隔壁に設けられたシャッタ１ａが開かれ、搬送ロボット１２によって基板乾燥装置３２から搬出される。

基板搬送部４０は、リフター４１と、第１リニアトランスポータ４２と、第２リニアトランスポータ４３と、スイングトランスポータ４４とを備える。基板搬送路３には、ロード／アンロード部１０側から順番に第１搬送位置ＴＰ１、第２搬送位置ＴＰ２、第３搬送位置ＴＰ３、第４搬送位置ＴＰ４、第５搬送位置ＴＰ５、第６搬送位置ＴＰ６、第７搬送位置ＴＰ７が設定されている。

リフター４１は、第１搬送位置ＴＰ１において基板Ｗを上下に搬送する機構である。リフター４１は、第１搬送位置ＴＰ１においてロード／アンロード部１０の搬送ロボット１２から基板Ｗを受け取る。そして、リフター４１は、搬送ロボット１２から受け取った基板Ｗを第１リニアトランスポータ４２に受け渡す。第１搬送位置ＴＰ１とロード／アンロード部１０との間の隔壁には、シャッタ１ｂが設けられており、基板Ｗの搬送時にはシャッタ１ｂが開かれて搬送ロボット１２からリフター４１に基板Ｗが受け渡される。

第１リニアトランスポータ４２は、第１搬送位置ＴＰ１、第２搬送位置ＴＰ２、第３搬送位置ＴＰ３及び第４搬送位置ＴＰ４のうちの二つの間で基板Ｗを搬送する機構である。第１リニアトランスポータ４２は、複数の搬送ハンド４５（４５Ａ、４５Ｂ、４５Ｃ、４５Ｄ）と、各搬送ハンド４５を複数の高さで水平方向に移動させるリニアガイド機構４６とを備える。

搬送ハンド４５Ａは、リニアガイド機構４６によって、第１搬送位置ＴＰ１から第４搬送位置ＴＰ４の間を移動する。搬送ハンド４５Ａは、リフター４１から基板Ｗを受け取り、当該基板Ｗを第２リニアトランスポータ４３に受け渡すためのパスハンドである。

搬送ハンド４５Ｂは、リニアガイド機構４６によって、第１搬送位置ＴＰ１と第２搬送位置ＴＰ２との間を移動する。搬送ハンド４５Ｂは、第１搬送位置ＴＰ１でリフター４１から基板Ｗを受け取り、第２搬送位置ＴＰ２で研磨装置２１Ａに基板Ｗを受け渡す。搬送ハンド４５Ｂには、昇降駆動部が設けられており、基板Ｗを研磨装置２１Ａのトップリング２４に受け渡すときは上昇し、トップリング２４に基板Ｗを受け渡した後は下降する。なお、搬送ハンド４５Ｃ及び搬送ハンド４５Ｄにも、同様の昇降駆動部が設けられている。

搬送ハンド４５Ｃは、リニアガイド機構４６によって、第１搬送位置ＴＰ１と第３搬送位置ＴＰ３との間を移動する。搬送ハンド４５Ｃは、第１搬送位置ＴＰ１でリフター４１から基板Ｗを受け取り、第３搬送位置ＴＰ３で研磨装置２１Ｂに基板Ｗを受け渡す。また、搬送ハンド４５Ｃは、第２搬送位置ＴＰ２で研磨装置２１Ａのトップリング２４から基板Ｗを受け取り、第３搬送位置ＴＰ３で研磨装置２１Ｂに基板Ｗを受け渡すアクセスハンドとしても機能する。

搬送ハンド４５Ｄは、リニアガイド機構４６によって、第２搬送位置ＴＰ２と第４搬送位置ＴＰ４との間を移動する。搬送ハンド４５Ｄは、第２搬送位置ＴＰ２又は第３搬送位置ＴＰ３で、研磨装置２１Ａ又は研磨装置２１Ｂのトップリング２４から基板Ｗを受け取り、第４搬送位置ＴＰ４でスイングトランスポータ４４に基板Ｗを受け渡すためのアクセスハンドとして機能する。

スイングトランスポータ４４は、第４搬送位置ＴＰ４と第５搬送位置ＴＰ５との間を移動可能なハンドを有しており、第１リニアトランスポータ４２から第２リニアトランスポータ４３へ基板Ｗを受け渡す。また、スイングトランスポータ４４は、研磨部２０で研磨された基板Ｗを洗浄部３０に受け渡す。スイングトランスポータ４４の側方には、基板Ｗの仮置き台４７が設けられている。スイングトランスポータ４４は、第４搬送位置ＴＰ４又は第５搬送位置ＴＰ５で受け取った基板Ｗを上下反転して仮置き台４７に載置する。仮置き台４７に載置された基板Ｗは、洗浄部３０の搬送ロボット３５によって第１搬送室３３に搬送される。

第２リニアトランスポータ４３は、第５搬送位置ＴＰ５、第６搬送位置ＴＰ６及び第７搬送位置ＴＰ７のうちの二つの間で基板Ｗを搬送する機構である。第２リニアトランスポータ４３は、複数の搬送ハンド４８（４８Ａ、４８Ｂ、４８Ｃ）と、各搬送ハンド４５を複数の高さで水平方向に移動させるリニアガイド機構４９とを備える。搬送ハンド４８Ａは、リニアガイド機構４９によって、第５搬送位置ＴＰ５から第６搬送位置ＴＰ６の間を移動する。搬送ハンド４５Ａは、スイングトランスポータ４４から基板Ｗを受け取り、当該基板Ｗを研磨装置２１Ｃに受け渡すアクセスハンドとして機能する。

搬送ハンド４８Ｂは、第６搬送位置ＴＰ６と第７搬送位置ＴＰ７との間を移動する。搬送ハンド４８Ｂは、研磨装置２１Ｃから基板Ｗを受け取り、当該基板Ｗを研磨装置２１Ｄに受け渡すためのアクセスハンドとして機能する。搬送ハンド４８Ｃは、第７搬送位置ＴＰ７と第５搬送位置ＴＰ５との間を移動する。搬送ハンド４８Ｃは、第６搬送位置ＴＰ６又は第７搬送位置ＴＰ７において研磨装置２１Ｃ又は研磨装置２１Ｄのトップリング２４から基板Ｗを受け取り、第５搬送位置ＴＰ５でスイングトランスポータ４４に基板Ｗを受け渡すためのアクセスハンドとして機能する。なお、説明は省略するが、搬送ハンド４８の基板Ｗの受け渡し時の動作は、上述した第１リニアトランスポータ４２の動作と同様である。

基板処理装置１は、基板（例えばウェハ）の研磨中及び／または洗浄中及び／または乾燥中において対象の物理量を検出する少なくとも一つのセンサ（図示せず）を備える。対象の物理量は例えば、研磨中の場合、以下の通りである。
・研磨テーブル２３の回転数及び／またはトルク
・トップリング２４の回転数及び／またはトルク
・トップリング２４のエアバッグ圧力
・ドレッサ２６の回転数及び／または荷重
・スラリ/水の流量
・アトマイザ２７の流量
・アトマイザ２７における窒素（Ｎ２）の流量

対象の物理量は例えば、洗浄中の場合、以下の通りである。
・ロール回転数及び／またはトルク及び／または荷重
・ペン回転数及び／またはトルク及び／または荷重
・薬液/水の流量
・ウェハ回転数
・窒素（Ｎ２）の流量

対象の物理量は例えば、乾燥中の場合、以下の通りである。
・窒素（Ｎ２）の流量
・イソプロピルアルコール（ＩＰＡ）の流量

基板処理装置１は、上記のセンサの一例として、テーブル回転数及び／またはトルクを検出するセンサ、トップリング回転数及び／またはトルクを検出するセンサ、トップリングエアバッグ圧力を検出するセンサ、ドレッサ回転数及び／または荷重を検出するセンサ、スラリ/水の流量を検出するセンサ、スラリ/水の流量を検出するセンサを備えてもよい。
また基板処理装置１は、洗浄装置３１のロール回転数及び／またはトルク及び／または荷重を検出するセンサ、洗浄装置３１のペン回転数及び／またはトルク及び／または荷重検出するセンサ、洗浄装置３１の薬液/水の流量を検出するセンサ、洗浄装置３１のウェハ回転数を検出するセンサを備えてもよい。
また基板処理装置１は、窒素（Ｎ２）の流量を検出するセンサ、イソプロピルアルコール（ＩＰＡ）の流量を検出するセンサを備えてもよい。

以下、ロード／アンロード部１０、研磨部２０、洗浄部３０及び基板搬送部４０を構成する部材それぞれをユニットと称する。

図２は、本実施形態に係る制御部の概略構成の一例を示すブロック図である。図２に示すように、制御部５０は、ユニット制御部５１と、プロセッサ６と、記憶部７とを備える。
ユニット制御部５１は、ロード／アンロード部１０、研磨部２０、洗浄部３０及び基板搬送部４０の各ユニットの動作を統括的に制御する。

記憶部７には、学習済みの機械学習モデル７１が記憶されている。この学習済みの機械学習モデル７１は、対象の生産ラインもしくは当該対象の生産ラインと同種の生産ラインにおいてセンサによって検出された研磨中及び／または洗浄中のセンサ値が処理ステップ毎に変換された特徴量を含む入力データとし且つ基板中の欠陥の数、欠陥のサイズ、欠陥の位置を少なくとも一つを出力データする学習データセットを用いた学習されたものである。本実施形態では、一例として、学習データセットの出力データは、基板中の欠陥の数であるものとして説明する。ここで、特徴量は、センサの時系列値の平均、最大、最小、合計、中央値、標準偏差、分散、尖度もしくは歪度、またはセンサ値の微分値の時系列データの平均、最大、最小、合計、中央値、標準偏差、分散、尖度もしくは歪度である。

プロセッサ６は、記憶部７から所定のプログラムを読み出して実行することによって、ユニット滞在時間計数部６１、変換部６２、学習部６３、推論部６４、回帰分析部６５、受付部６６として機能する。

変換部６２は、学習済みの機械学習モデルに対して、前記センサによって検出された研磨中及び／または洗浄中及び／または乾燥中のセンサ値を処理ステップ毎に特徴量に変換する。

学習部６３は、対象の生産ラインもしくは当該対象の生産ラインと同種の生産ラインにおいてセンサによって検出された研磨中及び／または洗浄中のセンサ値が処理ステップ毎に変換された特徴量を含む入力データとし且つ基板中の欠陥の数、欠陥のサイズ、基板中の欠陥の位置を少なくとも一つを出力データする学習データセットを用いて、機械学習モデル７１を学習させる。

推論部６４は、前記特徴量を含む対象データを学習済みの機械学習モデルに入力することによって、対象の基板中の欠陥の数、欠陥のサイズ、欠陥の位置のうち少なくとも一つの予測値を出力する。

回帰分析部６５は、予め決められた回帰分析アルゴリズムに従って、複数のセンサ値それぞれについて、欠陥の数、欠陥のサイズ、基板中の欠陥の位置のいずれか一つとの間で相関を表す相関パラメータ（例えば相関係数）を出力する。ここで、この回帰分析アルゴリズムは、ラッソ（least absolute shrinkage and selection operator:LASSO）回帰、リッジ（Ridge）回帰、サポートベクター回帰（Support Vector Regression:SVR）、ランダムフォレスト回帰（random forest Regression:RFR）、またはLight GBMであってもよい。回帰分析部６５は、この相関パラメータ（例えば相関係数）を表示装置８に表示してもよい。これにより、基板処理装置１の作業員もしくはユーザは、相関パラメータ（例えば相関係数）を確認することができる。

受付部６６は、例えば、前記出力された相関パラメータ（例えば相関係数）を確認した作業員もしくはユーザから、機械学習モデルの入力データに含まれる特徴量の基になるセンサ値を出力するセンサを少なくとも一つ受け付ける。この際、作業員もしくはユーザは例えば、相関が高い特徴量の基になるセンサ値を出力するセンサをユーザが入力もしくは選択する。そして、学習部６３は、前記受け付けたセンサのセンサ値が変換された特徴量で再度、前機械学習モデル７１を学習させる。推論部６４は、学習部６３によって再学習後の機械学習モデルを用いて、前記予測値を出力する。この構成によれば、受付部６６が、作業員もしくはユーザは例えば、相関が高い特徴量の基になるセンサ値を出力するセンサを受け付けることで、機械学習モデル７１の再学習後の予測精度を向上させることができる。

本実施形態では一例として、前記機械学習モデルの学習時の入力データには、更に基板処理装置に含まれるユニット毎に計数された当該ユニットに滞在する滞在時間が含まれている。このことを前提にして、ユニット滞在時間計数部６１は、当該基板処理装置１に含まれるユニット毎に、当該ユニットに滞在する滞在時間を計数する。本実施形態では一例として、前記学習済みの機械学習モデルに入力される前記対象データには、更に前記ユニット滞在時間計数部によってユニット毎に計数された当該ユニットに滞在する滞在時間が含まれる。

本実施形態では一例として、前記機械学習モデルの学習時の入力データには、更に研磨または洗浄に用いられる部材の位置が変換された第２特徴量が含まれている。このことを前提にして、変換部６２は、研磨または洗浄に用いられる部材の位置を第２特徴量に変換する。この場合、前記学習済みの機械学習モデルに入力される前記対象データには、更に変換部６２によって変換された部材毎の第２特徴量が含まれている。

本実施形態では一例として、前記機械学習モデルの学習時の入力データには、基板処理装置に含まれるユニットに対する指令値を含むレシピ情報が更に含まれている。この指令値は、上述した対象の物理量（例えば研磨テーブル２３の回転数など）の設定値であり、対象の物理量の設定値それぞれは処理ステップ毎に１つの値である。このことを前提として、前記学習済みの機械学習モデルに入力される前記対象データには、更に当該基板処理装置に含まれるユニットに対する指令値を含むレシピ情報が更に含まれる。

続いて図３を用いて、各ユニットにおける基板の滞在時間を説明する。図３は、本実施形態に係る各ユニットにおける滞在時間の例を示すグラフである。図３のグラフにおいて、縦軸は処理ステップ番号であり、横軸は時間である。図３は、以下の処理における各ユニットの滞在時間を表している。すなわち、搬送ロボット１２が基板をリフター４１に渡し、その後に第１リニアトランスポータ４２の搬送ハンド４５Ａがリフター４１から基板を取り出し、搬送ハンド４５Ａが第２搬送位置ＴＰ２で研磨装置２１Ａに基板Ｗを受け渡す。そして研磨装置２１Ａでの研磨後、第１リニアトランスポータ４２の搬送ハンド４５Ｄは研磨装置２１Ａから基板を受け取り、第四搬送位置ＴＰ４でスイングトランスポータ４４に基板Ｗを受け渡し、スイングトランスポータ４４は受け取った基板を上下反転して仮置き台４７に載置する。その後、搬送ロボット３５の下側のハンドが基板Ｗを受け取り、洗浄装置３１Ａに搬送する。そして洗浄装置３１Ａでの洗浄後、搬送ロボット３５の上側のハンドが洗浄装置３１Ａから基板Ｗを取り出し、洗浄装置３１Ｂに搬送する。そして洗浄装置３１Ｂでの洗浄後、搬送ロボット３６のハンドが洗浄装置３１Ｂから基板Ｗを取り出し、基板乾燥装置３２に搬送する。そして基板乾燥装置３２での乾燥後、搬送ロボット１２が基板乾燥装置３２から基板を取り出す。

図３において、TRBDsは研磨工程前における搬送ロボット１２のハンドにおける基板の滞在時間であり、TLFTはリフター４１における基板の滞在時間であり、TLTP1は第１リニアトランスポータ４２の搬送ハンド４５Ａにおける基板の滞在時間であり、TPoliAは、研磨装置２１Ａにおける基板の滞在時間である。この研磨装置２１Ａにおける基板の滞在時間TPoliAには、研磨工程の時間だけでなく待機時間も含まれている。この待機時間も、更に機械学習モデルの学習及び推論の入力データとして用いてもよい。TLTP3は、第１リニアトランスポータ４２の搬送ハンド４５Ｄにおける基板の滞在時間であり、TSTPはスイングトランスポータ４４における基板の滞在時間であり、TWS1は仮置き台における基板の滞在時間であり、TRB1Lは搬送ロボット３５の下側のハンドにおける基板の滞在時間であり、TCL1Aは洗浄装置３１Ａにおける基板の滞在時間であり、TRB1LUは搬送ロボット３５の上側のハンドにおける基板の滞在時間であり、TCL3Aは洗浄装置３１Ｂにおける基板の滞在時間であり、TRB3は搬送ロボット３６のハンドにおける基板の滞在時間であり、TCL4Aは基板乾燥装置３２における基板の滞在時間であり、TRBDeは乾燥後の搬送ロボット１２のハンドにおける基板の滞在時間である。

図３に示すように、研磨工程には、複数の処理ステップがあり、第１洗浄工程にも複数の処理ステップがあり、第２洗浄工程にも複数の処理ステップがあり、乾燥工程にも複数の処理ステップある。これらのそれぞれに処理ステップには、処理ステップが識別できるように、処理ステップ番号が割り当てられている。ここで、これらの処理ステップが１～Ｎ番目（すなわち処理ステップ番号が１～Ｎ、Ｎは自然数）まであるとして以下説明する。

続いて図４及び図５を用いて、機械学習モデルに入力される入力データに含まれる特徴量のデータ構造の一例について説明する。ここで基板処理装置１において、センサＤ１～センサＤＭまでのＭ個（Ｍは自然数）のセンサがあるものとして説明する。図４は、機械学習モデルに入力される入力データに含まれる特徴量のデータ構造の一例である。図４に示すように、センサＤ１の値の特徴量は、処理ステップ１～Ｎまでの特徴量をそれぞれ要素としてもつ配列（またはベクトル）で表される。同様に、センサＤ２の値の特徴量は、処理ステップ１～Ｎまでの特徴量をそれぞれ要素としてもつ配列（またはベクトル）で表され、センサＤＭの値の特徴量は、処理ステップ１～Ｎまでの特徴量をそれぞれ要素としてもつ配列（またはベクトル）で表される。このように、機械学習モデルに入力される入力データに含まれるセンサＤｉ（ｉは１からＭまでの整数）の値の特徴量は、処理ステップ１～Ｎまでの特徴量をそれぞれ要素としてもつ配列（またはベクトル）で表される。

ここで、上述した基板処理装置１が備える部材それぞれを、部材Ｕ１～ＵＬ（Ｌは自然数）と称するものとして説明する。プロセッサ６は例えば、基板処理装置１が備える部材１～Ｌの位置を、時系列で記憶部７に記憶する。この部材Ｕ１～ＵＬの位置は、ユニット制御部５１が部材Ｕ１～ＵＬに対する動作を指令する指令信号から予め決められた換算式で算出されてもよいし、指令信号と位置の既知の対応関係から決定されてもよいし、センサで検知された位置であってもよい。図４に示すように、部材Ｕ１の位置の特徴量は、処理ステップ１～Ｎまでの特徴量をそれぞれ要素としてもつ配列（またはベクトル）で表される。同様に、部材Ｕ２の位置の特徴量は、処理ステップ１～Ｎまでの特徴量をそれぞれ要素としてもつ配列（またはベクトル）で表される。同様に、部材ＵＬの位置の特徴量は、処理ステップ１～Ｎまでの特徴量をそれぞれ要素としてもつ配列（またはベクトル）で表される。このように、機械学習モデルに入力される入力データに含まれる部材Ｕｊ（ｊは１からＬまでの整数）の位置の特徴量は、処理ステップ１～Ｎまでの特徴量をそれぞれ要素としてもつ配列（またはベクトル）で表される。

図５は、機械学習モデルに入力される入力データに含まれるユニット毎の滞在時間のデータ構造の一例である。図５に示すように、機械学習モデルに入力される入力データに含まれるユニット毎の滞在時間は、上記のユニット毎の基板の滞在時間それぞれを要素としてもつ配列（またはベクトル）で表される。

続いて図６Ａ及び図６Ｂを用いて機械学習モデル７１の学習工程と推論工程の一例を説明する。図６Ａは、機械学習モデルの学習工程の一例を説明するための模式図である。図６Ｂは、機械学習モデルの推論工程の一例を説明するための模式図である。図６Ａに示すように、学習工程では、図４で上述した、処理ステップ毎の特徴量の配列１つ以上、レシピ情報、及びユニット毎の滞在時間の配列が入力データとし基板の欠陥の数を出力データとする学習データセットを用いて機械学習モデル７１が学習する。図６Ｂに示すように、推論工程では、対象の基板について処理ステップ毎の特徴量の配列１つ以上、レシピ情報、及びユニット毎の滞在時間の配列が機械学習モデル７１に入力されると、対象の基板の欠陥の数が出力される。ここでこの推論工程での特徴量は、学習工程での特徴量と同種のものである。

なお、処理ステップ毎の特徴量の配列１つ以上、レシピ情報、及びユニット毎の滞在時間の配列を、機械学習の入力データとしたが、いずれか一つであってもよいし、いずれか二つの組み合わせであってもよい。

図７は、欠陥の数の実測値と欠陥の数の予測値とを比較するグラフの一例である。図７において、縦軸が欠陥の数の予測値で、横軸が欠陥の数の実測値であり、研磨装置２１Ａ、２１Ｂ、２１Ｃ、２１Ｄ毎に、プロットの濃淡を変えてプロットされている。プロット群が破線Ｌ１に近づいて分布すればするほど、欠陥の数の予測精度が高い。図７に示すように、いずれの研磨装置でもプロット群が破線Ｌ１に近づいて分布しており、いずれの研磨装置でも欠陥の数の予測精度が高いことが示されている。

以上、本実施形態に係る基板処理装置１は、基板の研磨中及び／または洗浄中及び／または乾燥中において対象の物理量 を検出する少なくとも一つのセンサと、学習済みの機械学習モデルに対して、前記センサによって検出された研磨中及び／または洗浄中及び／または乾燥中のセンサ値を処理ステップ毎に特徴量に変換する変換部６２と、前記特徴量を含む対象データを学習済みの機械学習モデル７１に入力することによって、基板中の欠陥の数の予測値を出力する推論部６４と、を備える。この学習済みの機械学習モデル７１は、対象の生産ラインもしくは当該対象の生産ラインと同種の生産ラインにおいてセンサによって検出された研磨中及び／または洗浄中のセンサ値が処理ステップ毎に変換された特徴量を含む入力データとし且つ基板中の欠陥の数を出力データする学習データセットを用いた学習されたものである。

この構成によれば、欠陥検査装置で検査することなく基板処理後の基板の欠陥の数、欠陥のサイズ、欠陥の位置のうち少なくとも一つの予測値が得られるので、欠陥検査装置で検査することなく基板処理後の基板が不良品であるか否かを推定することができる。

＜機械学習モデルの変形例１＞
続いて図８Ａ及び図８Ｂを用いて機械学習モデル７１の学習工程と推論工程の変形例１を説明する。図８Ａは、機械学習モデルの学習工程の変形例１を説明するための模式図である。図８Ｂは、機械学習モデルの推論工程の変形例１を説明するための模式図である。図８Ａに示すように、学習工程では、図４で上述した、処理ステップ毎の特徴量の配列１つ以上、レシピ情報、及びユニット毎の滞在時間の配列が入力データとし基板の欠陥の数及び基板の欠陥のサイズを出力データとする学習データセットを用いて機械学習モデル７１が学習する。図８Ｂに示すように、推論工程では、対象の基板について処理ステップ毎の特徴量の配列１つ以上、レシピ情報、及びユニット毎の滞在時間の配列が機械学習モデル７１に入力されると、対象の基板の欠陥の数及び対象の基板の欠陥のサイズが出力される。この推論工程での特徴量は、学習工程での特徴量と同種のものである。

＜機械学習モデルの変形例２＞
続いて図９Ａ及び図９Ｂを用いて機械学習モデル７１の学習工程と推論工程の変形例２を説明する。図９Ａは、機械学習モデルの学習工程の変形例２を説明するための模式図である。図８Ｂは、機械学習モデルの推論工程の変形例２を説明するための模式図である。図９Ａに示すように、学習工程では、図４で上述した、処理ステップ毎の特徴量の配列１つ以上、レシピ情報、及びユニット毎の滞在時間の配列が入力データとし基板の欠陥の数及び基板の欠陥の位置を出力データとする学習データセットを用いて機械学習モデル７１が学習する。図９Ｂに示すように、推論工程では、対象の基板について処理ステップ毎の特徴量の配列１つ以上、レシピ情報、及びユニット毎の滞在時間の配列が機械学習モデル７１に入力されると、対象の基板の欠陥の数及び対象の基板の欠陥の位置が出力される。ここでこの推論工程での特徴量は、学習工程での特徴量と同種のものである。

＜機械学習モデルの変形例３＞
続いて図１０Ａ及び図１０Ｂを用いて機械学習モデル７１の学習工程と推論工程の変形例３を説明する。図１０Ａは、機械学習モデルの学習工程の変形例３を説明するための模式図である。図１０Ｂは、機械学習モデルの推論工程の変形例３を説明するための模式図である。図１０Ａに示すように、学習工程では、図４で上述した、処理ステップ毎の特徴量の配列１つ以上、レシピ情報、及びユニット毎の滞在時間の配列が入力データとし基板の欠陥の数、基板の欠陥のサイズ及び基板の欠陥の位置を出力データとする学習データセットを用いて機械学習モデル７１が学習する。図９Ｂに示すように、推論工程では、対象の基板について処理ステップ毎の特徴量の配列１つ以上、レシピ情報、及びユニット毎の滞在時間の配列が機械学習モデル７１に入力されると、対象の基板中の欠陥の数、対象の基板中の欠陥のサイズ及び対象の基板中の欠陥の位置が出力される。ここでこの推論工程での特徴量は、学習工程での特徴量と同種のものである。

なお、変形例１～３の出力データの組み合わせだけに限らず、推論部６４は、対象の基板中の欠陥の数、欠陥のサイズ、欠陥の位置のうちの一つ、もしくはいずれか２つを出力してもよい。このように、推論部６４は、前記特徴量を含む対象データを学習済みの機械学習モデルに入力することによって、対象の基板中の欠陥の数、欠陥のサイズ、欠陥の位置のうち少なくとも一つの予測値を出力してもよい。

本実施形態では、基板処理装置１がプロセッサ６と記憶部７を備えたが、これに限ったものではない。
＜本実施形態の変形例１＞
図１１Ａは、本実施形態の変形例１に係る概略構成図である。図１１Ａに示すように、基板処理装置１と情報交換可能に接続している情報処理システムＳ１を備え、情報処理システムＳ１はプロセッサ６と機械学習モデル７１が記憶された記憶部７を有し、このプロセッサ６は、記憶部７からプログラムを読み出して実行することによって、ユニット滞在時間計数部６１、変換部６２、学習部６３、推論部６４、回帰分析部６５、受付部６６として機能してもよい。

＜本実施形態の変形例２＞
図１１Ｂは、本実施形態の変形例２に係る概略構成図である。図１１Ｂに示すように、基板処理装置１と通信回路網ＣＮを介して情報交換可能に接続している情報処理システムＳ１を備え、情報処理システムＳ１はプロセッサ６と機械学習モデル７１が記憶された記憶部７を有し、このプロセッサ６は、記憶部７から所定のプログラムを読み出して実行することによって、ユニット滞在時間計数部６１、変換部６２、学習部６３、推論部６４、回帰分析部６５、受付部６６として機能してもよい。

＜本実施形態の変形例３＞
図１２Ａは、本実施形態の変形例３に係る概略構成図である。図１２Ａに示すように、基板処理装置１と通信回路網ＣＮを介して情報交換可能に接続しているサーバ７０を備え、基板処理装置１はプロセッサ６と所定のプログラムが記憶された記憶部７ａを有し、サーバ７０は機械学習モデル７１が記憶された記憶部７ｂを有してもよい。この場合、基板処理装置１のプロセッサ６は、記憶部７ａから所定のプログラムを読み出して実行することによって、ユニット滞在時間計数部６１、変換部６２、学習部６３、推論部６４、回帰分析部６５、受付部６６として機能し、推論部６４は、サーバ７０の学習済みの機械学習モデル７１に前記特徴量を含む対象データに入力することによって、対象の基板中の欠陥の数、欠陥のサイズ、欠陥の位置のうち少なくとも一つの予測値を出力してもよい。

＜本実施形態の変形例４＞
図１２Ａは、本実施形態の変形例３に係る概略構成図である。図１２Ａに示すように、基板処理装置１と情報処理システムＳ３を備える構成であってもよく、情報処理システムＳ３は、基板処理装置１と情報交換可能に接続している情報処理装置６０と、情報処理装置６０と通信回路網ＣＮを介して情報交換可能に接続しているサーバ７０を有してもよい。この場合、情報処理装置６０はプロセッサ６と所定のプログラムが記憶された記憶部７ａを有し、サーバ７０は機械学習モデル７１が記憶された記憶部７ｂを有してもよい。ここで情報処理装置６０のプロセッサ６は、記憶部７ａから所定のプログラムを読み出して実行することによって、ユニット滞在時間計数部６１、変換部６２、学習部６３、推論部６４、回帰分析部６５、受付部６６として機能し、推論部６４は、サーバ７０の学習済みの機械学習モデル７１に前記特徴量を含む対象データに入力することによって、対象の基板中の欠陥の数、欠陥のサイズ、欠陥の位置のうち少なくとも一つの予測値を出力してもよい。

このように情報処理システムＳ１、Ｓ２、Ｓ３は、学習済みの機械学習モデルに対して、学習済みの機械学習モデルに対して、基板処理装置１が備えるセンサによって検出された、基板の研磨中及び／または洗浄中及び／または乾燥中のセンサ値を処理ステップ毎に特徴量に変換する変換部６２と、前記特徴量を含む対象データを入力することによって、基板中の欠陥の数、欠陥のサイズ、基板中の欠陥の位置のうち少なくとも一つの予測値を出力する推論部６４と、を備えてもよい。ここでこの学習済みの機械学習モデルは、対象の生産ラインもしくは当該対象の生産ラインと同種の生産ラインにおいてセンサによって検出された研磨中及び／または洗浄中のセンサ値が処理ステップ毎に変換された特徴量を含む入力データとし且つ基板中の欠陥の数、欠陥のサイズ、欠陥の位置を少なくとも一つを出力データする学習データセットを用いた学習されたものである。

この構成によれば、欠陥検査装置で検査することなく基板処理後の基板の欠陥の数、欠陥のサイズ、欠陥の位置のうち少なくとも一つの予測値が得られるので、欠陥検査装置で検査することなく基板処理後の基板が不良品であるか否かを推定することができる。

なお、上述した実施形態で説明した情報処理システムＳ１、Ｓ２、Ｓ３またはプロセッサ６の少なくとも一部の機能は、ハードウェアで構成してもよいし、ソフトウェアで構成してもよい。ソフトウェアで構成する場合には、情報処理システムＳ１、Ｓ２、Ｓ３またはプロセッサ６の少なくとも一部の機能を実現するプログラムをコンピュータ読み取り可能な記録媒体に収納し、コンピュータに読み込ませて実行させてもよい。記録媒体は、磁気ディスクや光ディスク等の着脱可能なものに限定されず、ハードディスク装置やメモリなどの固定型の記録媒体でもよい。

また、情報処理システムＳ１、Ｓ２、Ｓ３またはプロセッサ６の少なくとも一部の機能を実現するプログラムを、インターネット等の通信回線（無線通信も含む）を介して頒布してもよい。さらに、同プログラムを暗号化したり、変調をかけたり、圧縮した状態で、インターネット等の有線回線や無線回線を介して、あるいは記録媒体に収納して頒布してもよい。

さらに、一つまたは複数の情報機器によって情報処理システムＳ１、Ｓ２、Ｓ３を機能させてもよい。複数の情報機器を用いる場合、そのうちの１つをコンピュータとし、当該コンピュータが所定のプログラムを実行することにより情報処理システムＳ１、Ｓ２、Ｓ３の少なくとも１つの手段として機能が実現されてもよい。

以上、本発明は上記実施形態そのままに限定されるものではなく、実施段階ではその要旨を逸脱しない範囲で構成要素を変形して具体化できる。また、上記実施形態に開示されている複数の構成要素の適宜な組み合わせにより、種々の発明を形成できる。例えば、実施形態に示される全構成要素から幾つかの構成要素を削除してもよい。更に、異なる実施形態にわたる構成要素を適宜組み合わせてもよい。

１ 基板処理装置
５０ 制御部
５１ ユニット制御部
６ プロセッサ
６１ ユニット滞在時間計数部
６２ 変換部
６３ 学習部
６４ 推論部
６５ 回帰分析部
６６ 受付部
７ 記憶部
７１ 機械学習モデル
８ 表示装置
Ｓ１、Ｓ２、Ｓ３ 情報処理システム

Claims (5)

1. 基板の研磨中及び／または洗浄中及び／または乾燥中において対象の物理量を検出する少なくとも一つのセンサと、
   学習済みの機械学習モデルに対して、前記センサによって検出された研磨中及び／または洗浄中及び／または乾燥中のセンサ値を処理ステップ毎に特徴量に変換する変換部と、
   前記特徴量を含む対象データを学習済みの機械学習モデルに入力することによって、対象の基板中の欠陥の数、欠陥のサイズ、欠陥の位置のうち少なくとも一つの予測値を出力する推論部と、
   を備え、
   前記学習済みの機械学習モデルは、対象の生産ラインもしくは当該対象の生産ラインと同種の生産ラインにおいてセンサによって検出された研磨中及び／または洗浄中のセンサ値が処理ステップ毎に変換された特徴量を含む入力データとし且つ基板中の欠陥の数、欠陥のサイズ、欠陥の位置を少なくとも一つを出力データとする学習データセットを用いた学習されたものであり、
   前記機械学習モデルの学習時の入力データには、更に基板処理装置に含まれるユニット毎に計数された当該ユニットに滞在する滞在時間が含まれており、
   当該基板処理装置に含まれるユニット毎に、当該ユニットに滞在する滞在時間を計数するユニット滞在時間計数部を更に備え、
   前記学習済みの機械学習モデルに入力される前記対象データには、更に前記ユニット滞在時間計数部によってユニット毎に計数された当該ユニットに滞在する滞在時間が含まれる基板処理装置。
2. 基板の研磨中及び／または洗浄中及び／または乾燥中において対象の物理量を検出する少なくとも一つのセンサと、
   学習済みの機械学習モデルに対して、前記センサによって検出された研磨中及び／または洗浄中及び／または乾燥中のセンサ値を処理ステップ毎に特徴量に変換する変換部と、
   前記特徴量を含む対象データを学習済みの機械学習モデルに入力することによって、対象の基板中の欠陥の数、欠陥のサイズ、欠陥の位置のうち少なくとも一つの予測値を出力する推論部と、
   予め決められた回帰分析アルゴリズムに従って、複数のセンサ値それぞれについて、欠陥の数、欠陥のサイズ、基板中の欠陥の位置のいずれか一つとの間で相関を表す相関パラメータを出力する回帰分析部と、
   機械学習モデルの入力データに含まれる特徴量の基になるセンサ値を出力するセンサを少なくとも一つ受け付ける受付部と、
   前記受け付けたセンサのセンサ値が変換された特徴量で再度、前記機械学習モデルを学習させる学習部と、
   を備え、
   前記学習済みの機械学習モデルは、対象の生産ラインもしくは当該対象の生産ラインと同種の生産ラインにおいてセンサによって検出された研磨中及び／または洗浄中のセンサ値が処理ステップ毎に変換された特徴量を含む入力データとし且つ基板中の欠陥の数、欠陥のサイズ、欠陥の位置を少なくとも一つを出力データとする学習データセットを用いた学習されたものであり、
   前記推論部は、前記学習部によって再学習後の機械学習モデルを用いて、前記予測値を出力する基板処理装置。
3. 前記機械学習モデルの学習時の入力データには、更に基板処理装置に含まれるユニット毎に計数された当該ユニットに滞在する滞在時間が含まれており、
   当該基板処理装置に含まれるユニット毎に、当該ユニットに滞在する滞在時間を計数するユニット滞在時間計数部を更に備え、
   前記学習済みの機械学習モデルに入力される前記対象データには、更に前記ユニット滞在時間計数部によってユニット毎に計数された当該ユニットに滞在する滞在時間が含まれる
   請求項２に記載の基板処理装置。
4. 前記機械学習モデルの学習時の入力データには、更に研磨または洗浄に用いられる部材の位置が変換された第２特徴量が含まれており、
   前記変換部は、研磨または洗浄に用いられる部材の位置を第２特徴量に変換し、
   前記学習済みの機械学習モデルに入力される前記対象データには、更に前記変換部によって変換された部材毎の第２特徴量が含まれている
   請求項１から３のいずれか一項に記載の基板処理装置。
5. 前記機械学習モデルの学習時の入力データには、基板処理装置に含まれるユニットに対する指令値を含むレシピ情報が更に含まれており、
   前記学習済みの機械学習モデルに入力される前記対象データには、更に当該基板処理装置に含まれるユニットに対する指令値を含むレシピ情報が更に含まれる
   請求項１から４のいずれか一項に記載の基板処理装置。