[go: up one dir, main page]

TWI895368B - 解析裝置、解析方法及解析程式 - Google Patents

解析裝置、解析方法及解析程式

Info

Publication number
TWI895368B
TWI895368B TW110107202A TW110107202A TWI895368B TW I895368 B TWI895368 B TW I895368B TW 110107202 A TW110107202 A TW 110107202A TW 110107202 A TW110107202 A TW 110107202A TW I895368 B TWI895368 B TW I895368B
Authority
TW
Taiwan
Prior art keywords
series data
time series
data
processing
learning
Prior art date
Application number
TW110107202A
Other languages
English (en)
Other versions
TW202138943A (zh
Inventor
田中康基
永井龍
Original Assignee
日商東京威力科創股份有限公司
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Priority claimed from JP2020151905A external-priority patent/JP7467292B2/ja
Application filed by 日商東京威力科創股份有限公司 filed Critical 日商東京威力科創股份有限公司
Publication of TW202138943A publication Critical patent/TW202138943A/zh
Application granted granted Critical
Publication of TWI895368B publication Critical patent/TWI895368B/zh

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
    • G01N21/71—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light thermally excited
    • G01N21/73—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light thermally excited using plasma burners or torches
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/041—Abduction

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Pure & Applied Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Chemical & Material Sciences (AREA)
  • Operations Research (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Analytical Chemistry (AREA)
  • Evolutionary Biology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Plasma & Fusion (AREA)
  • Biochemistry (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computational Linguistics (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Drying Of Semiconductors (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本發明之目的在於提供一種解析裝置、解析方法以及解析程式，其根據時間序列資料群，對製造程序的處理空間的條件進行定量評價。為了達成上述目的，本發明之解析裝置，包含：學習部，其利用伴隨著在處理空間的對象物的處理所測定到的時間序列資料群進行機器學習，以算出各測定項目之間的表示對應時間範圍的時間序列資料之相關性的值；以及評價部，其根據利用伴隨著在處理空間的已知條件下的對象物的處理所測定到的時間序列資料群而由該學習部進行機器學習所算出的表示該相關性的值，對處理空間的未知條件進行評價。

Description

解析裝置、解析方法及解析程式
本發明係關於一種解析裝置、解析方法以及解析程式。
一般而言，當在製造程序的處理空間中條件發生變化時，會對在該處理空間中對象物受到處理時的結果產物的品質造成影響。因此，在針對對象物進行處理時，掌握處理空間的條件，對於維持結果產物的品質而言，尤為重要。
另一方面，在製造程序中，伴隨對象物的處理，會取得各種資料組（複數種類的時間序列資料的資料組，以下稱為時間序列資料群）。另外，在所取得之時間序列資料群中，亦包含與處理空間的條件存在相關關係的時間序列資料。 [先前技術文獻] [專利文獻]
[專利文獻1]日本特開2010-219263號公報
[發明所欲解決的問題]
本發明提供一種解析裝置、解析方法以及解析程式，其根據時間序列資料群，對製造程序中的處理空間的條件進行定量評價。 [解決問題的手段]
本發明一實施態樣之解析裝置，例如，具有以下的構造。亦即，具有：學習部，其利用伴隨著在處理空間的對象物的處理所測定到的時間序列資料群進行機器學習，以算出各測定項目之間的表示對應時間範圍的時間序列資料之相關性的值；以及評價部，其根據利用伴隨著在處理空間的已知條件下的對象物的處理所測定到的時間序列資料群而由該學習部進行機器學習所算出的表示該相關性的值，對處理空間的未知條件進行評價。 [發明的功效]
若根據本發明，便可提供一種解析裝置、解析方法以及解析程式，其根據時間序列資料群，對製造程序中的處理空間的條件進行定量評價。
以下，針對各實施態樣一邊參照所附圖式一邊進行說明。另外，在本說明書以及圖式中，針對實質上具有相同功能構造的構成要件，會附上相同的符號，並省略重複說明。
[第1實施態樣] ＜條件調整系統的系統構造＞ 首先，針對條件調整系統的系統構造進行說明。圖1，係表示條件調整系統的系統構造的一例的第1圖。如圖1所示的，條件調整系統100，具有：半導體製造程序，其為製造程序的一例；時間序列資料取得裝置140_1～140_n；解析裝置160；以及控制裝置170。
在半導體製造程序中，係在既定的處理空間120中，針對對象物（處理前晶圓110）進行處理，並生成結果產物（處理後晶圓130）。另外，在此所謂的處理前晶圓110，係指在處理空間120中進行處理之前的晶圓（基板），處理後晶圓130，係指在處理空間120中進行過處理之後的晶圓（基板）。
時間序列資料取得裝置140_1～140_n，各自在處理空間120中伴隨處理前晶圓110的處理測定時間序列資料。時間序列資料取得裝置140_1～140_n，係針對彼此相異的種類的測定項目實行測定者。另外，時間序列資料取得裝置140_1～140_n各自測定的測定項目的數量可為1個，亦可為複數個。
時間序列資料取得裝置140_1～140_n所測定到的時間序列資料群，作為學習用資料，儲存於解析裝置160的學習用資料儲存部163。
於解析裝置160，安裝了解析程式，藉由執行該程式，解析裝置160，發揮作為學習部161以及評價部162的功能。
學習部161，用時間序列資料取得裝置140_1～140_n所測定到的時間序列資料群，亦即用處理前晶圓110在 ・處理空間120為正常條件，且 ・用標準配方（預定的特定配方） 的情況下受到處理時所測定到的時間序列資料群（第1學習用資料）進行機器學習。藉此，學習部161，生成用以對處理空間120的條件進行定量評價的"第1評價用資料"。
另外，學習部161，用在處理空間120的複數個已知條件（其中均為正常條件）下對處理前晶圓110進行處理時的各個時間序列資料群進行機器學習，生成第1評價用資料。另外，學習部161，將所生成的各個第1評價用資料，作為表示對應條件的資訊，儲存於評價用資料儲存部164。
評價部162，用時間序列資料取得裝置140_1～140_n所測定到的時間序列資料群，亦即處理前晶圓110在 ・處理空間120為未知條件，且 ・用標準配方 的情況下受到處理時所測定到的時間序列資料群（第2學習用資料）進行機器學習，生成"第2評價用資料"。
另外，評價部162，將「第2評價用資料」與「評價用資料儲存部164所儲存的各個第1評價用資料」作比較，判定第2評價用資料與第1評價用資料的其中哪一個類似。藉此，評價部162，對處理空間120的未知條件進行評價。再者，評價部162，將所評價的條件通知控制裝置170。
控制裝置170，根據解析裝置160的評價部162所評價的條件，調整處理空間120的條件。
＜半導體製造程序的處理空間＞ 接著，針對半導體製造程序的既定處理空間120進行說明。圖2，係表示半導體製造程序的一例的圖式。如圖2所示的，半導體製造程序200，具有複數個處理室，其作為處理空間的一例。在圖2的例子中，半導體製造程序200，具有符號121（名稱＝"處理室A"）～符號123（名稱＝"處理室C"）的處理室，並在各個處理室中對處理前晶圓進行處理。
半導體製造程序200，於每個處理室均具有上述的時間序列資料取得裝置140_1～140_n，並在各個處理室中測定時間序列資料群。因此，例如，將「用在處理室A中測定到的時間序列資料群所生成的第1評價用資料」與「用在處理室B中測定到的時間序列資料群所生成的第2評價用資料」作比較，便可對處理室B的條件進行評價。
然而，以下，為了簡化說明，係針對「用就同一處理室所生成的第1以及第2評價用資料，對條件進行評價」的例子進行說明。另外，以下，係以處理室A為評價條件的對象處理室，進行說明。
＜解析裝置的硬體構造＞ 接著，針對解析裝置160的硬體構造進行說明。圖3，係表示解析裝置的硬體構造的一例的圖式。如圖3所示的，解析裝置160，具有：CPU（Central Processing Unit，中央處理單元）301、ROM（Read Only Memory，唯讀記憶體）302、RAM（Random Access Memory，隨機存取記憶體）303。另外，解析裝置160，具有GPU（Graphics Processing Unit，圖形處理單元）304。另外，CPU301、GPU304等處理器（處理電路，Processing Circuit，Processing Circuitry）與ROM302、RAM303等記憶體，形成所謂的電腦。
再者，解析裝置160，具有：輔助記憶裝置305、顯示裝置306、操作裝置307、I/F（Interface，介面）裝置308、驅動裝置309。另外，解析裝置160的各硬體，透過匯流排310互相連接。
CPU301，係執行輔助記憶裝置305所安裝的各種程式（例如解析程式等）的運算裝置。
ROM302，為非揮發性記憶體，發揮作為主記憶裝置的功能。ROM302，儲存為了CPU301執行輔助記憶裝置305安裝的各種程式所必要的各種程式、資料等。具體而言，ROM302儲存BIOS（Basic Input/Output System，基本輸入輸出系統）或EFI（Extensible Firmware Interface，可延伸韌體介面）等啟動程式。
RAM303，為DRAM（Dynamic Random Access Memory，動態隨機存取記憶體）或SRAM（Static Random Access Memory，靜態隨機存取記憶體）等揮發性記憶體，發揮作為主記憶裝置的功能。RAM303，在由CPU301執行輔助記憶裝置305所安裝的各種程式時展開，提供作業區域。
GPU304，係影像處理用的運算裝置，在本實施態樣中，當CPU301執行解析程式時，其針對時間序列資料群，實行平行處理的高速運算。另外，GPU304，搭載了內部記憶體（GPU記憶體），暫時地保持針對各種時間序列資料群實行平行處理時所必要的資訊。
輔助記憶裝置305，儲存各種程式，或CPU301執行各種程式時所使用的各種資料等。例如，學習用資料儲存部163、評價用資料儲存部164，在輔助記憶裝置305中實現。
顯示裝置306，係顯示解析裝置160的內部狀態的顯示裝置。操作裝置307，係解析裝置160的管理者對解析裝置160輸入各種指示時所使用的輸入裝置。I/F裝置308，係與圖中未顯示的網路連接而用以實行通信的連接裝置。
驅動裝置309係用以設置記錄媒體320的裝置。在此所謂記錄媒體320，包含CD-ROM、軟碟、磁光碟等光學地、電性地或磁性地記錄資訊的媒體。另外，記錄媒體320，亦可包含ROM、快閃記憶體等電性地記錄資訊的半導體記憶體等。
另外，輔助記憶裝置305所安裝的各種程式，例如，係藉由將所分配的記錄媒體320設置於驅動裝置309，並由驅動裝置309讀取該記錄媒體320所記錄的各種程式而安裝之。或者，輔助記憶裝置305所安裝的各種程式，亦可透過圖中未顯示的網路下載而安裝之。
＜學習用資料的具體例＞ 接著，針對學習部161或評價部162進行機器學習時從學習用資料儲存部163所讀取到的學習用資料進行說明。圖4，係表示學習用資料的一例的圖式。
如圖4所示的，學習用資料包含"裝置"、"批次編號"、"配方種類"、"時間序列資料群"，作為資訊項目。於"裝置"，儲存處理室名，於"批次編號"儲存各處理前晶圓的批次編號。
另外，於"配方種類"，儲存特定配方的名稱。如上所述的，學習用資料，由於係用標準配方進行處理時的時間序列資料群，故於"配方種類"，儲存"標準配方"。另外，於"時間序列資料群"，儲存所測定到的時間序列資料群。
其中，圖4（a），顯示出第1學習用資料的一例。如圖4（a）所示的，於第1學習用資料410_1、410_2、410_3、…，分別包含處理室A的條件為條件1、條件2、條件3、…時所測定到的時間序列資料群。
另一方面，圖4（b），顯示出第2學習用資料。如圖4（b）所示的，於第2學習用資料420，包含為了評價處理室A的未知條件所測定到的時間序列資料群。
＜時間序列資料群的具體例＞ 接著，針對時間序列資料取得裝置140_1～140_n所測定到的時間序列資料群的具體例進行說明。圖5，係表示時間序列資料群的一例的圖式。另外，在圖5的例子中，為了簡化說明，時間序列資料取得裝置140_1～140_n係各自測定1維資料，惟亦可1時間序列資料取得裝置測定2維資料（複數個種類的1維資料的資料組）。
圖5（a），顯示出由時間序列資料取得裝置140_1～140_n在同一時間範圍內測定到的時間序列資料所構成的時間序列資料群。
另一方面，圖5（b），顯示出由時間序列資料取得裝置140_1～140_n在對應時間範圍內測定到的時間序列資料所構成的時間序列資料群。如圖5（b）所示的，於機器學習所使用的學習用資料，除了由在同一時間範圍內測定到的時間序列資料所構成的時間序列資料群之外，亦可更包含由在對應時間範圍內測定到的時間序列資料所構成的時間序列資料群。
＜學習部的處理的具體例＞ 接著，針對解析裝置160的學習部161的處理的具體例進行說明。圖6，係表示學習部的處理的具體例的第1圖。如圖6所示的，學習部161，具有迴歸模型生成部610。
在此所謂的迴歸模型，係從複數個時間序列資料，將彼此之相關性網羅且高速地抽出的機器學習模型，其係將複數個時間序列資料之間之相關性以線性迴歸式或非線性迴歸式表示的模型。可列舉出交互相關模型，作為迴歸模型的一例。當為交互相關模型時，亦可包含考慮到複數個時間序列資料之間的時間差的時間延遲項。
另外，一般製造程序所適用的迴歸模型，係用來監視時間序列資料之相關性變化的時刻以及處所，以檢出在製造程序中所發生的異常。
相對於此，在本實施態樣之解析裝置160中，係將迴歸模型用於對處理空間的條件進行定量評價。
具體而言，迴歸模型生成部610，用儲存於學習用資料儲存部163的第1學習用資料所包含的時間序列資料群，針對迴歸模型進行機器學習。藉此，在迴歸模型生成部610中，算出各時間序列資料取得裝置140_1～140_n所測定到的測定項目之間的表示時間序列資料之相關性的強度的值（表示相關性的值的一例）。
圖6的例子，為了簡化說明，係顯示出「算出表示3個測定項目之間的同一時間範圍內的時間序列資料之相關性的強度的值」的態樣。具體而言，係顯示出將 ・時間序列資料取得裝置140_1所測定到的時間序列資料1、 ・時間序列資料取得裝置140_2所測定到的時間序列資料2、 ・時間序列資料取得裝置140_3所測定到的時間序列資料3， 輸入迴歸模型生成部610，以針對迴歸模型620進行機器學習，並算出表示時間序列資料之相關性的強度的值的態樣。
在迴歸模型620中，節點621，與時間序列資料取得裝置140_1對應；節點622，與時間序列資料取得裝置140_2對應。另外，節點623，與時間序列資料取得裝置140_3對應。
若根據圖6的例子，表示時間序列資料1與時間序列資料2之間之相關性的強度的值，為"F12"；表示時間序列資料1與時間序列資料3之間之相關性的強度的值，為"F13"。另外，表示時間序列資料2與時間序列資料3之間之相關性的強度的值，為"F23"。
另外，在迴歸模型生成部610中，例如，在處理室A中，用根據各條件分開儲存的第1學習用資料，依照每個條件，針對各個迴歸模型進行同樣的機器學習。
圖7，係表示學習部的處理的具體例的第2圖，其顯示出由迴歸模型生成部610生成第1評價用資料的態樣。如圖7所示的，於第1評價用資料，包含"第1節點"（第1測定項目）、"第2節點"（第2測定項目）、"相關性的強度"，作為資訊的項目。
於"第1節點"以及"第2節點"，儲存了在第1學習用資料所包含的時間序列資料群之中用來算出表示相關性的強度的值的時間序列資料。
於"相關性的強度"，儲存了表示"第1節點"所儲存的時間序列資料與"第2節點"所儲存的時間序列資料之間之相關性的強度的值。
另外，如圖7所示的，第1評價用資料，針對每個條件生成。在圖7的例子中，第1評價用資料710_1，係表示條件1的評價用資料；第1評價用資料710_2，係表示條件2的評價用資料。另外，第1評價用資料710_3，係表示條件3的評價用資料。
迴歸模型生成部610所生成的第1評價用資料710_1、710_2、710_3、…，作為表示各別相異條件的資訊，儲存於評價用資料儲存部164。
＜評價部的處理的具體例1＞ 接著，針對解析裝置160的評價部162的處理的具體例1進行說明。圖8，係表示評價部的處理的具體例的第1圖。如圖8所示的，評價部162，具有迴歸模型生成部801、相似度算出部802。
迴歸模型生成部801，用儲存於學習用資料儲存部163的第2學習用資料所包含的時間序列資料群，針對迴歸模型進行機器學習。藉此，迴歸模型生成部801，生成迴歸模型，並算出各時間序列資料取得裝置140_1～140_n所測定到的複數個時間序列資料之間的表示各測定項目之間之相關性的強度的值。
其結果，迴歸模型生成部801，生成第2評價用資料820。另外，如圖8所示的，第2評價用資料820，具有與第1評價用資料710_1、710_2、710_3、…等相同的資訊項目。
相似度算出部802，算出迴歸模型生成部801所生成的第2評價用資料820與評價用資料儲存部164所儲存的第1評價用資料710_1、710_2、710_3、….的相似度。
具體而言，相似度算出部802，比較"第1節點"以及"第2節點"的時間序列資料的測定項目在第1評價用資料與第2評價用資料之間均相同時的表示相關性的強度的值，以算出相似度。
例如，相似度算出部802，比較 ・表示第2評價用資料820的"第1節點"的時間序列資料的測定項目為"時間序列資料1"且"第2節點"的時間序列資料的測定項目為"時間序列資料2"時之相關性的強度的值"f12"，與 ・表示第1評價用資料710_1的"第1節點"的時間序列資料的測定項目為"時間序列資料1"且"第2節點"的時間序列資料的測定項目為"時間序列資料2"時之相關性的強度的值"F12"。
同樣地，相似度算出部802，比較 ・表示第2評價用資料820的"第1節點"的時間序列資料的測定項目為"時間序列資料1"且"第2節點"的時間序列資料的測定項目為"時間序列資料3"時之相關性的強度的值"f13"，與 ・表示第1評價用資料710_1的"第1節點"的時間序列資料的測定項目為"時間序列資料1"且"第2節點"的時間序列資料的測定項目為"時間序列資料3"時之相關性的強度的值"F13"。
在相似度算出部802中，針對第2評價用資料820內的全部組合，實行表示相關性的強度的值的比較，以分別算出其與第1評價用資料710_1、710_2、710_3、…的相似度。
另外，相似度算出部802，將被判定為所算出的相似度為最大的第1評價用資料，評價為測定第2學習用資料420所包含的時間序列資料群時的處理室A的條件。
例如，當與第1評價用資料710_1的相似度為最大時，在相似度算出部802中，便將測定第2學習用資料420所包含的時間序列資料群時的處理室A的條件，評價為"條件1"。
像這樣，在本實施態樣之解析裝置160中，取代個別地解析時間序列資料的特徵，而係算出表示時間序列資料之相關性的強度的值，並對條件進行評價。
藉此，若根據本實施態樣之解析裝置160，便可適當地掌握伴隨處理室的條件變化所導致的時間序列資料的細微變化。其結果，若根據本實施態樣之解析裝置160，便可根據時間序列資料群，確實地對處理室的條件進行評價。
＜評價部的處理的具體例2＞ 接著，針對解析裝置160的評價部162的處理的具體例2進行說明。圖9，係表示評價部的處理的具體例的第2圖。在圖9的情況下，相似度算出部802，分別將第1評價用資料以及第2評價用資料，針對第1節點的時間序列資料的各測定項目合計，之後，算出相似度，並對條件進行評價。
在圖9中，圖910_1，係針對第1評價用資料710_1的第1節點的每個測定項目合計的圖；橫軸，係表示第1節點的時間序列資料的測定項目；縱軸，係表示「表示相關性的強度的值」的合計值。
例如，與圖910_1的"時間序列資料1"對應的表示相關性的強度的值的合計值，係將 ・表示第1評價用資料710_1的"第1節點"的時間序列資料的測定項目為"時間序列資料1"且"第2節點"的時間序列資料的測定項目為"時間序列資料2"時之相關性的強度的值"F12"、 ・表示第1評價用資料710_1的"第1節點"的時間序列資料的測定項目為"時間序列資料1"且"第2節點"的時間序列資料的測定項目為"時間序列資料3"時之相關性的強度的值"F13"、…等合計的值。
同樣地，在圖9中，圖920，係針對第2評價用資料的第1節點的時間序列資料的每個測定項目合計的圖；橫軸，係表示第1節點的時間序列資料的測定項目；縱軸，係表示「表示相關性的強度的值」的合計值（表示相關性的值的另一例）。
例如，與圖920的"時間序列資料1"對應的表示相關性的強度的值的合計值，係將 ・表示第2評價用資料820的"第1節點"的時間序列資料的測定項目為"時間序列資料1"且"第2節點"的時間序列資料的測定項目為"時間序列資料2"時之相關性的強度的值"f12"、 ・表示第2評價用資料820的"第1節點"的時間序列資料的測定項目為"時間序列資料1"且"第2節點"的時間序列資料的測定項目為"時間序列資料3"時之相關性的強度的值"f13"、…等合計的值。
然後，在圖9的情況下，相似度算出部802，比較圖920與圖910_1、910_2、910_3、…，以算出相似度。另外，在圖9的情況下，相似度算出部802，將與所算出的相似度為最大的圖對應的條件，評價為測定第2學習用資料420所包含的時間序列資料群時的處理室A的條件。
例如，當與圖910_1的相似度為最大時，在相似度算出部802中，便將測定第2學習用資料420所包含的時間序列資料群時的處理室A的條件，評價為"條件1"。
像這樣，在本實施態樣之解析裝置160中，取代個別地解析時間序列資料的特徵，而係算出表示時間序列資料之相關性的強度的值的合計值，以評價條件。
藉此，若根據本實施態樣之解析裝置160，便可適當地掌握伴隨處理室的條件變化所導致的時間序列資料的細微變化。其結果，若根據本實施態樣之解析裝置160，便可根據時間序列資料群，確實地對處理室的條件進行評價。
＜條件調整處理的流程＞ 接著，針對條件調整系統100的條件調整處理的整體流程進行說明。另外，條件調整系統100的條件調整處理，包含如以下所述的2種調整方法的其中任一種，作為控制裝置170調整處理室的條件時的調整方法。 ・根據在處理前晶圓的處理中即時評價的條件，即時調整配方的方法。 ・在處理前晶圓的處理結束之後對條件進行評價，並利用清潔等調整為一定條件的方法。
因此，以下，針對包含各個調整方法在內的條件調整處理的流程進行說明。
（1）包含即時調整配方的方法在內的條件調整處理圖10A，係表示條件調整處理的流程的第1流程圖，其係表示包含根據所評價的條件即時調整配方的方法在內的條件調整處理的流程的流程圖。
在步驟S1001A中，時間序列資料取得裝置140_1～140_n，伴隨處理室A的處理前晶圓的處理測定時間序列資料群，並將其儲存於學習用資料儲存部163。另外，時間序列資料取得裝置140_1～140_n，將伴隨處理室A的複數個已知條件下的處理所測定到的時間序列資料群，儲存為第1學習用資料410_1、410_2、410_3、...。
在步驟S1002A中，解析裝置160的學習部161，用學習用資料儲存部163所儲存的第1學習用資料410_1、410_2、410_3、...，針對各個迴歸模型進行機器學習。另外，解析裝置160的學習部161，用針對各個迴歸模型進行機器學習時所算出的表示相關性的強度的值，生成第1評價用資料710_1、710_2、710_3、...。
在步驟S1003A中，時間序列資料取得裝置140_1～140_n，伴隨處理室A的處理前晶圓的處理測定（既定時間範圍的）時間序列資料群，並儲存於學習用資料儲存部163。另外，時間序列資料取得裝置140_1～140_n，將伴隨處理室A的未知條件下的處理所測定到的（既定時間範圍的）時間序列資料群，儲存為第2學習用資料420。
在步驟S1004A中，時間序列資料取得裝置140_1～140_n，判定是否經過既定的調整周期（例如1秒）。當在步驟S1004A中，判定並未經過既定的調整周期時（在步驟S1004A中為No時），便待機到經過既定的調整周期。另一方面，當在步驟S1004A中，判定經過既定的調整周期時（在步驟S1004A中為Yes時），便前進到步驟S1005A。
在步驟S1005A中，解析裝置160的評價部162，用學習用資料儲存部163所儲存的第2學習用資料420（從經過既定的調整周期的時點回溯既定時間範圍的資料），針對迴歸模型進行機器學習。另外，解析裝置160的評價部162，用針對迴歸模型進行機器學習時所算出的表示相關性的強度的值，生成（既定時間範圍的）第2評價用資料820。
在步驟S1006A中，解析裝置160的評價部162，在複數個第1評價用資料710_1、710_2、710_3、...之中，判定出與第2評價用資料820的相似度為最大的第1評價用資料。或者，解析裝置160的評價部162，在根據複數個第1評價用資料所算出的圖910_1、910_2、910_3、...之中，判定出與根據第2評價用資料820所算出的圖920的相似度為最大的圖。藉此，解析裝置160的評價部162，對處理室A的未知條件進行評價。
在步驟S1007A中，控制裝置170，用與所評價的條件對應的配方，實行處理前晶圓的處理。
在步驟S1008A中，判定處理前晶圓的處理是否結束，當判定並未結束時（在步驟S1008A中為No時），便回到步驟S1003A。另一方面，當在步驟S1008A中，判定結束時（在步驟S1008A中為Yes時），便結束條件調整處理。
（2）包含調整為一定條件的方法在內的條件調整處理圖10B，係表示條件調整處理的流程的第2流程圖，其係表示包含將所評價的條件利用清潔等調整為一定條件的方法在內的條件調整處理的流程的流程圖。
在步驟S1001B中，時間序列資料取得裝置140_1～140_n，伴隨處理室A的處理前晶圓的處理測定時間序列資料群，並將其儲存於學習用資料儲存部163。另外，時間序列資料取得裝置140_1～140_n，將伴隨處理室A的複數個已知條件下的處理所測定到的時間序列資料群，儲存為第1學習用資料410_1、410_2、410_3、...。
在步驟S1002B中，解析裝置160的學習部161，用學習用資料儲存部163所儲存的第1學習用資料410_1、410_2、410_3、...，針對各個迴歸模型進行機器學習。另外，解析裝置160的學習部161，用針對各個迴歸模型進行機器學習時所算出的表示相關性的強度的值，生成第1評價用資料710_1、710_2、710_3、...。
在步驟S1003B中，時間序列資料取得裝置140_1～140_n，伴隨處理室A的處理前晶圓的處理測定時間序列資料群，並將其儲存於學習用資料儲存部163。另外，時間序列資料取得裝置140_1～140_n，將伴隨處理室A的未知條件下的處理所測定到的時間序列資料群（到處理結束的時間序列資料群），儲存為第2學習用資料420。
在步驟S1004B中，解析裝置160的評價部162，用學習用資料儲存部163所儲存的第2學習用資料420，針對迴歸模型進行機器學習。另外，解析裝置160的評價部162，用針對迴歸模型進行機器學習時所算出的表示相關性的強度的值，生成第2評價用資料820。
在步驟S1005B中，解析裝置160的評價部162，在複數個第1評價用資料710_1、710_2、710_3、...之中，判定出與第2評價用資料的相似度為最大的第1評價用資料。或者，解析裝置160的評價部162，在根據複數個第1評價用資料所算出的圖910_1、910_2、910_3、...之中，判定出與根據第2評價用資料所算出的圖920的相似度為最大的圖。藉此，解析裝置160的評價部162，對處理室A的未知條件進行評價。
在步驟S1006B中，控制裝置170，利用清潔等調整為一定的條件。
＜總結＞ 由以上的說明可知，第1實施態樣之解析裝置， ・用伴隨處理室的處理前晶圓的處理所測定到的時間序列資料群進行機器學習，算出各測定項目之間的表示對應時間範圍的時間序列資料之相關性的強度的值。 ・根據用伴隨處理室的複數個已知條件下的處理前晶圓的處理所測定到的各個時間序列資料群進行機器學習所算出的表示相關性的強度的值，對處理室的未知條件進行評價。
藉此，若根據第1實施態樣之解析裝置，便可對半導體製造程序中的處理室的條件，根據時間序列資料群，進行定量評價。
[第2實施態樣] 在上述第1實施態樣中，並未述及時間序列資料取得裝置以及時間序列資料群的具體例。相對於此，在第2實施態樣中，係針對「時間序列資料取得裝置為發光分光分析裝置，時間序列資料群為OES（Optical Emission Spectroscopy，發射光譜）資料」的態樣進行說明。另外，OES資料，係包含了對應波長種類的數量的發光強度的時間序列資料的資料組。
在此，已知OES資料與處理室內所附著的堆積物的種類或堆積物的量相關。因此，藉由使用OES資料作為時間序列資料群，便可從處理室內所附著的堆積物的種類或堆積物的量的觀點，對處理室的條件進行評價。以下，針對第2實施態樣，以與上述第1實施態樣的相異點為中心進行說明。
＜條件調整系統的系統構造＞ 首先，針對條件調整系統的系統構造進行說明。圖11，係表示使用OES資料時的條件調整系統的系統構造的一例的圖式。與圖1的相異點，在於「配置了發光分光分析裝置1140，作為時間序列資料取得裝置」此點、「OES資料儲存於學習用資料儲存部163，作為時間序列資料群」此點，以及「用清潔配方調整為一定的條件」此點。
發光分光分析裝置1140，利用發光分光分析技術，伴隨處理室A的處理前晶圓110的處理，測定OES資料。OES資料，例如，係表示可見光的波長範圍所包含的各波長的各時間的發光強度的時間序列資料。
清潔配方，係清潔處理室A內時所使用的配方，其係從處理室A內所附著的堆積物的種類或堆積物的量的觀點，將處理室A的條件調整為一定條件的配方。
＜OES資料的具體例＞ 接著，針對發光分光分析裝置1140所測定到的OES資料的具體例進行說明。圖12，係表示OES資料的一例的圖式，其顯示出以1[nm]的刻度測定可見光的波長範圍（400[nm]～800[nm]）所包含的各波長時的發光強度資料群。另外，在圖12中，橫軸表示時間，縱軸表示各波長的發光強度。
在圖12的態樣中，例如，最上段的圖，顯示出波長＝400[nm]的各時間的發光強度資料；第2段的圖，顯示出波長＝401[nm]的各時間的發光強度資料。另外，圖12的第3段的圖，顯示出波長＝402[nm]的各時間的發光強度資料。
＜評價部的處理的具體例＞ 接著，針對使用OES資料時的評價部162的處理的具體例進行說明。圖13，係表示使用OES資料時的評價部的處理的具體例的圖式。
如圖13所示的，當使用OES資料作為時間序列資料群時，係於第1評價用資料710_1'、710_2'、710_3'、...的"第1節點"以及"第2節點"的時間序列資料，儲存各波長的發光強度資料。
另外，在第1評價用資料710_1'中，顯示出： ・表示波長＝400[nm]的各時間的發光強度資料與波長401[nm]的各時間的發光強度資料之相關性的強度的值為"F12"； ・表示波長＝400[nm]的各時間的發光強度資料與波長402[nm]的各時間的發光強度資料之相關性的強度的值為"F13"； ・表示波長＝401[nm]的各時間的發光強度資料與波長402[nm]的各時間的發光強度資料之相關性的強度的值為"F23"。
另外，如圖13所示的，當使用OES資料作為時間序列資料群時，圖910_1'、910_2'、910_3'、...的橫軸，為可見光的波長範圍（400[nm]～800[nm]）所包含的各波長。
同樣地，當使用OES資料作為時間序列資料群時，於第2評價用資料820'的"第1節點"以及"第2節點"的時間序列資料，儲存了各波長的發光強度資料。
另外，在第2評價用資料820'中，顯示出： ・表示波長＝400[nm]的各時間的發光強度資料與波長401[nm]的各時間的發光強度資料之相關性的強度的值為"f12"； ・表示波長＝400[nm]的各時間的發光強度資料與波長402[nm]的各時間的發光強度資料之相關性的強度的值為"f13"； ・表示波長＝401[nm]的各時間的發光強度資料與波長402[nm]的各時間的發光強度資料之相關性的強度的值為"f23"。
另外，當使用OES資料作為時間序列資料群時，圖920'的橫軸，為可見光的波長範圍（400[nm]～800[nm]）所包含的各波長。
在相似度算出部802中，利用與上述第1實施態樣同樣的算出方法算出相似度，並利用同樣的評價方法對條件進行評價。
然而，在上述第1實施態樣中雖未述及，惟亦可能會發生第2評價用資料820'與第1評價用資料710_1'、710_2'、710_3'、...的其中任一個的相似度均很低的情況。或者，亦可能會發生圖920'與圖910_1'、910_2'、910_3'、...的其中任一個的相似度均很低的情況。
在該等情況下，解析裝置160的評價部162，從處理室A內所附著的堆積物的種類或堆積物的量的觀點，判定處理室A的條件並非正常。亦即，解析裝置160的評價部162，不僅判定處理室A的條件是否該當預先規定的條件的其中任一個，亦可判定是否正常。
＜表示OES資料的各波長間之相關性的強度的值的合計值與各波長的發光強度的關係＞ 接著，針對表示OES資料的各波長間之相關性的強度的值的合計值與各波長的發光強度的關係，進行說明。圖14，係顯示出「表示OES資料的各波長間之相關性的強度的值的合計值」與「各波長的發光強度」的關係的圖式。
在圖14中，圖1410，顯示出表示各波長間之相關性的強度的值的合計值。另一方面，圖1420，顯示出各波長的最大發光強度。
從圖1410與圖1420的對比可知，在發光強度為峰值的波長處，表示各波長間之相關性的強度的值的合計值較低。
在此，學習部161，在對處理室A的條件進行評價時，係使用表示各波長間之相關性的強度的值的合計值較大的波長的發光強度資料。換言之，學習部161，係使用發光強度並非峰值的波長的發光強度資料對條件進行評價。此係與「使用OES資料對處理室的條件進行評價的一般評價方法，係使用發光強度為峰值的波長的發光強度資料」大幅相異之點。
亦即，本實施態樣之解析裝置160，在使用OES資料對處理室A的條件進行評價時，可用與以往相異的評價方法進行評價。
＜條件調整方法的具體例＞ 接著，針對條件調整方法的具體例進行說明。圖15，係表示使用OES資料對條件進行評價時的條件調整方法的具體例的圖式。如上所述的，當使用OES資料對條件進行評價時，控制裝置170，會用清潔配方調整為一定的條件。
此時，在控制裝置170中，參照圖15所示的條件調整參數決定表1500。如圖15所示的，於條件調整參數決定表1500，包含"現狀的條件"、"對應條件的配方"、"清潔配方"，作為資訊的項目。
於"現狀的條件"，儲存了解析裝置160的評價部162所輸出的表示處理室A的現狀的條件的資訊。
於"對應條件的配方"，儲存了在調整處理室A的條件時所使用的對應處理室A的現狀的條件的配方。
"清潔配方"，儲存了清潔處理室A內時所使用的既定的清潔配方。
控制裝置170，在用與所評價的現狀的條件對應的配方調整處理室A的條件之後，用既定的清潔配方清潔處理室A內，以將處理室A內調整為一定的條件。
然而，用清潔配方調整為一定條件的方法，不限於此。例如，用既定的清潔配方清潔處理室A內的處理，亦可兼作用對應條件的配方調整處理室A的條件的處理。
具體而言，亦可取代實行用對應條件的配方調整處理室A的條件的處理，而係調整用既定的清潔配方清潔處理室A內的處理的處理時間，以調整為一定的條件。
＜總結＞ 由以上的說明可知，第2實施態樣之解析裝置， ・用伴隨處理室的處理前晶圓的處理所測定到的OES資料進行機器學習，算出各波長間的表示對應時間範圍的發光強度資料之相關性的強度的值。 ・根據用伴隨處理室的複數個已知條件下的處理前晶圓的處理所測定到的各個OES資料進行機器學習所算出的表示相關性的強度的值，對處理室的未知條件進行評價。
藉此，若根據第2實施態樣之解析裝置，便可對半導體製造程序中的處理室的條件，根據OES資料，從處理室內所附著的堆積物的種類或堆積物的量的觀點，進行定量評價。
另外，在第2實施態樣中，係針對「時間序列資料取得裝置為發光分光分析裝置，時間序列資料群為OES資料」的態樣進行說明，惟時間序列資料取得裝置亦可為質量分析裝置（例如四極質量分析裝置）。此時，時間序列資料群，為與質量相關值（m/z值）的種類數對應的數量的檢出強度的時間序列資料（質量分析資料）的資料組。
[第3實施態樣] 在上述第2實施態樣中，係針對時間序列資料群為OES資料的態樣進行說明。然而，時間序列資料群不限於OES資料，例如，亦可為各種程序感測器所測定到的程序資料群（RF電源資料、壓力資料、溫度資料、...等）。
在此，已知程序資料與處理室內的各零件的消耗度（或者劣化度）存在相關。因此，藉由使用程序資料群作為時間序列資料群，便可從處理室內的各零件的消耗度（或者劣化度）的觀點，對處理室的條件進行評價。以下，針對第3實施態樣，以與上述第1或第2實施態樣的相異點為中心，進行說明。
＜條件調整系統的系統構造＞ 首先，針對條件調整系統的系統構造進行說明。圖16，係表示使用程序資料群時的條件調整系統的系統構造的一例的圖式。與圖1的相異點，在於「配置了程序資料取得裝置1640_1、1640_2、...1640_n，作為時間序列資料取得裝置」此點。另外還有「程序資料群儲存於學習用資料儲存部163，作為時間序列資料群」此點，以及「用聚焦環的位置資料等調整為一定的條件」此點。
程序資料取得裝置1640_1、1640_2、...1640_n，伴隨對應的處理室A的處理前晶圓110的處理測定程序資料群。於程序資料群，例如，包含各時間的RF電源資料、壓力資料、氣體流量資料、電流資料、GAP長度資料、溫度資料等。
聚焦環的位置資料等，係根據聚焦環（其作為處理室A內的零件的一例）的消耗度，變更聚焦環的高度方向的位置時的變更後的位置資料。聚焦環的位置資料等，係用以將處理室A內的條件調整為一定條件的資料。
＜程序資料群的具體例＞ 接著，針對程序資料取得裝置1640_1、1640_2、...1640_n所測定到的程序資料群的具體例進行說明。圖17，係表示程序資料群的一例的圖式。圖17的例子，顯示出「程序資料取得裝置1640_1測定RF電源資料，作為程序資料1；程序資料取得裝置1640_2測定壓力資料，作為程序資料2」的態樣。另外，圖17的例子，顯示出「程序資料取得裝置1640_3測定氣體流量資料，作為程序資料3」的態樣。
同樣地，圖17的例子，顯示出「程序資料取得裝置1640_n-2測定電流資料，作為程序資料n-2；程序資料取得裝置1640_n-1測定GAP長度資料，作為程序資料n-1」的態樣。另外，圖17的例子，顯示出「程序資料取得裝置1640_n測定溫度資料，作為程序資料n」的態樣。
＜評價部的處理的具體例＞ 接著，針對使用程序資料群時的評價部162的處理的具體例，進行說明。圖18，係表示使用程序資料群時的評價部的處理的具體例的圖式。
如圖18所示的，當使用程序資料群時作為時間序列資料群，於第1評價用資料710_1''、710_2''、710_3''、...的"第1節點"以及"第2節點"的時間序列資料，儲存了各測定項目的程序資料。
另外，在第1評價用資料710_1''中，顯示出： ・表示程序資料1與程序資料2之相關性的強度的值為"F12"； ・表示程序資料1與程序資料3之相關性的強度的值為"F13"； ・表示程序資料2與程序資料3之相關性的強度的值為"F23"。
另外，如圖18所示的，當使用程序資料群作為時間序列資料群時，圖910_1''、910_2''、910_3''、...的橫軸，為各測定項目。
同樣地，當使用程序資料群作為時間序列資料群時，於第2評價用資料820''的"第1節點"以及"第2節點"的時間序列資料，儲存了各測定項目的程序資料。
另外，在第2評價用資料820''中，顯示出： ・表示程序資料1與程序資料2之相關性的強度的值為"f12"； ・表示程序資料1與程序資料3之相關性的強度的值為"f13"； ・表示程序資料2與程序資料3之相關性的強度的值為"f23"。
另外，如圖18所示的，當使用程序資料群作為時間序列資料群時，圖920''的橫軸，為各測定項目。
在相似度算出部802中，利用與上述第1實施態樣同樣的算出方法算出相似度，並利用同樣的評價方法對條件進行評價。
然而，在上述第1實施態樣中雖未述及，惟亦可能會發生第2評價用資料820''與第1評價用資料710_1''、710_2''、710_3''、...的其中任一個的相似度均很低的情況。或者，亦可能會發生圖920''與圖910_1''、910_2''、910_3''、...的其中任一個的相似度均很低的情況。
在該等情況下，解析裝置160的評價部162，從處理室A內的各零件的消耗度的觀點，判定處理室A的條件並非正常。亦即，解析裝置160的評價部162，不僅判定處理室A的條件是否該當預先規定的條件的其中任一個，亦可判定是否正常。
＜條件調整方法的具體例＞ 接著，針對條件調整方法的具體例進行說明。圖19，係表示用程序資料群對條件進行評價時的條件調整方法的具體例的圖式。如上所述的，當用程序資料群對條件進行評價時，控制裝置170，係用聚焦環的位置資料等，調整成一定的條件。
此時，控制裝置170，參照圖19所示的條件調整參數決定表1900。如圖19所示的，於條件調整參數決定表1900，包含"現狀的條件"、"聚焦環位置"、"施加電壓"，作為資訊的項目。
於"現狀的條件"，儲存了解析裝置160的評價部162所輸出的表示處理室A的現狀的條件的資訊。
於"聚焦環位置"，儲存了對應所評價的條件（各零件的消耗度）變更聚焦環的高度方向的位置時的變更後的位置資料。
於"施加電壓"，儲存了「取代變更聚焦環的位置，而係施加電壓」時的施加電壓資料。
控制裝置170，在解析裝置160通知表示現狀的條件的資訊之後，參照條件調整參數決定表1900，在可變更聚焦環的位置時，決定聚焦環的位置資料。另外，控制裝置170，在無法變更聚焦環的位置時，決定施加電壓資料。再者，控制裝置170，用所決定的位置資料或電壓資料，將處理室A調整為一定的條件。
另外，若根據圖19的例子，例如，當現狀的條件＝"條件1"時，控制裝置170，決定聚焦環位置＝"位置1"，或施加電壓＝"DC1"。
＜總結＞ 由以上的說明可知，第3實施態樣之解析裝置， ・用伴隨處理室的處理前晶圓的處理所測定到的程序資料群進行機器學習，算出各測定項目之間的表示對應時間範圍的程序資料之相關性的強度的值。 ・根據用伴隨處理室的複數個已知的條件下的處理前晶圓的處理所測定到的各個程序資料群進行機器學習所算出的表示相關性的強度的值，對處理室的未知條件進行評價。
藉此，若根據第3實施態樣之解析裝置，便可對半導體製造程序中的處理室的條件，根據程序資料群，從處理室內的各零件的消耗度的觀點，進行定量評價。
[第4實施態樣] 在上述第2以及第3實施態樣中，係針對「當第2評價用資料相對於複數個第1評價用資料的其中任一個的相似度均很低時，便判定為處理室的條件並非正常」的態樣，進行說明。亦即，在上述第2以及第3實施態樣中，係針對「根據表示時間序列資料之相關性的強度的值，判定有無從正常條件的乖離」的態樣，進行說明。
然而，用以判定處理室的條件是否正常的值，不限於表示時間序列資料之相關性的強度的值。例如，亦可為藉由運行迴歸模型便可算出的既定的計算值。以下，針對第4實施態樣，以與上述第1至第3實施態樣的相異點為中心，進行說明。
＜條件調整系統的系統構造＞ 首先，針對條件調整系統的系統構造進行說明。圖20，係表示條件調整系統的系統構造的一例的第2圖。與圖1的相異點在於：「在條件調整系統2000的態樣中，解析裝置2010的學習部2011的功能，與學習部161的功能相異」此點，以及「評價部2012的功能，與評價部162的功能相異」此點。還有「在條件調整系統2000的態樣中，解析裝置2010不具有評價用資料儲存部」此點。
學習部2011，用學習用資料針對迴歸模型進行機器學習。
評價部2012，將在未知條件下所測定到的時間序列資料群（推論用資料），輸入由學習部161以學習用資料進行機器學習所生成的迴歸模型，進而算出既定的計算值。
另外，評價部2012，在第1節點與第2節點的組合之中，計算第1節點與第2節點具有既定相關性的組合數。上述的既定的計算值，係指在第1節點與第2節點具有既定相關性的組合之中，該既定相關性被破壞（表示相關性的強度的值在既定的閾值以下）的組合數。
在算出既定的計算值時，評價部2012，首先，用在正常條件下所測定到的時間序列資料群（學習用資料）進行機器學習，以取得由學習部2011所生成的迴歸模型。接著，評價部2012，將在未知條件下所測定到的時間序列資料群（推論用資料）輸入所取得的迴歸模型，以算出既定的計算值。藉此，若根據評價部2012，便可判定處理室A的條件是否正常（或者處理室A的異常程度）。
另外，根據評價部2012所輸出的表示條件的資訊[處理室A是否正常（或是處理室A的異常程度）]，例如，決定： ・處理室A是否需要維護、處理室A的零件是否需要維護、對處理室A造成影響的零件是否需要維護，或者， ・處理室A的維護時序、處理室A的零件的維護時序、對處理室A造成影響的零件的維護時序等。
＜學習部的處理的具體例＞ 接著，針對解析裝置2010的學習部2011的處理的具體例進行說明。圖21，係表示學習部的處理的具體例的第3圖。如圖21所示的，學習部2011，具有迴歸模型生成部2101。
迴歸模型生成部2101，用學習用資料儲存部163儲存的學習用資料所包含的時間序列資料群，針對迴歸模型進行機器學習。藉此，迴歸模型生成部2101，將各時間序列資料取得裝置140_1～140_n所測定到的測定項目之間的時間序列資料的關係，用符號2110所示的算式規定之。
具體而言，迴歸模型生成部2101，以「將第1節點的時間序列資料，輸入符號2110所示的算式，進而導出第2節點的時間序列資料」的方式，算出符號2110所示的算式的各參數。
在符號2110所示的算式中， ・t：時間、 ・m：自我相關（表示有無周期性的參數）、 ・n：交互相關（表示是否互相關連的參數）、 ・k：時間延遲； β、α、C，表示既定的係數。
在圖21中，學習結果2120，顯示出針對迴歸模型進行機器學習所算出的由符號2110所示的算式的各參數。具體而言，於學習結果2120，包含"第1節點"、"第2節點"、作為表示相關性的值的另一例的"自我相關"、"交互相關"、"時間延遲"，以作為資訊的項目。
在學習結果2120中，於"第1節點"以及"第2節點"，分別儲存了在學習用資料所包含的時間序列資料群之中，用以導出符號2110所示的算式的時間序列資料。
另外，在學習結果2120中，於"自我相關"、"交互相關"、"時間延遲"，儲存了以「將第1節點的時間序列資料輸入符號2110所示的算式，進而導出第2節點的時間序列資料」的方式所算出的各參數m、n、k。
另外，如圖21所示的，學習結果2120，相對於包含在正常條件下所測定到的時間序列資料群在內的學習用資料，僅生成1個。
＜評價部的處理的具體例＞ 接著，針對解析裝置2010的評價部2012的處理的具體例，進行說明。圖22，係表示評價部的處理的具體例的第3圖。如圖22所示的，評價部2012，具有迴歸模型運行部2210、計算值算出部2220。
迴歸模型運行部2210，從在處理室A的未知條件下所測定到的時間序列資料群（推論用資料）之中，抽出第1節點的時間序列資料（實測值2211）。另外，迴歸模型運行部2210，將所抽出的第1節點的時間序列資料，輸入符號2110所示的算式，以推論出第2節點的時間序列資料（推論值2212）。
此時，迴歸模型運行部2210，從學習結果2120讀取與輸入符號2110所示的算式的時間序列資料對應的各參數m、n、k，並設定於符號2110所示的算式，然後推論出第2節點的時間序列資料。
在圖22中，實測值2211，表示在處理室A的未知條件下所測定到的時間序列資料群（推論用資料）之中的輸入符號2110所示的算式的第1節點的時間序列資料。另外，推論值2212，表示輸入實測值2211所推論出的第2節點的時間序列資料。
另一方面，計算值算出部2220，具有差分算出部2221與計算部2222。
差分算出部2221，從在處理室A的未知條件下所測定到的時間序列資料群（推論用資料）之中，抽出第2節點的時間序列資料（實測值2223）。另外，差分算出部2221，從迴歸模型運行部2210，取得推論值2212。再者，差分算出部2221，算出實測值2223與推論值2212的差分。
計算部2222，計算差分算出部2221所算出的差分在既定閾值以上的第1節點的數量（亦即既定的計算值）。另外，計算部2222，將所計算出的既定的計算值，作為表示處理室A的條件的資訊[表示是否正常（或者異常程度）的資訊]輸出。
在圖22中，圖2230，其橫軸表示時間，其縱軸表示計算部2222所輸出的既定計算值。如圖2230所示的，當計算部2222所輸出的既定的計算值小於虛線所示的位準（異常判定位準）時，該既定的計算值，可謂係表示處理室A為正常條件的資訊。
另一方面，當計算部2222所輸出的計算值到達異常判定位準時，該既定的計算值，可謂係表示處理室A並非為正常條件的資訊。
另外，將計算部2222所輸出的既定的計算值與異常判定位準作對比，亦可掌握表示處理室A的條件的異常程度的資訊。或者，將計算部2222所輸出的既定的計算值用於預測到達異常判定位準的時序，亦可掌握用以預測處理室A的條件為異常的時序的資訊。
＜條件調整處理的流程＞ 接著，針對條件調整系統2000的條件調整處理的整體流程，進行說明。圖23，係表示條件調整處理的流程的第3流程圖。
在步驟S2301中，時間序列資料取得裝置140_1～140_n，在處理室A中伴隨處理前晶圓的處理測定時間序列資料群，並將其儲存於學習用資料儲存部163。另外，時間序列資料取得裝置140_1～140_n，將伴隨處理室A的正常條件下的處理所測定到的時間序列資料群，儲存為學習用資料。
在步驟S2302中，解析裝置2010的學習部2011，以學習用資料儲存部163所儲存的學習用資料，針對迴歸模型進行機器學習。
在步驟S2303中，時間序列資料取得裝置140_1～140_n，伴隨處理室A的處理前晶圓的處理測定時間序列資料群。另外，時間序列資料取得裝置140_1～140_n，伴隨處理室A的未知條件下的處理測定時間序列資料群（推論用資料）。
在步驟S2304中，解析裝置2010的評價部2012，將在步驟S2303中所測定到的時間序列資料群（推論用資料）輸入迴歸模型，以算出既定的計算值。
在步驟S2305中，解析裝置2010的評價部2012，以所算出的既定的計算值為表示處理室A的條件的資訊，輸出到控制裝置170。
在步驟S2306中，控制裝置170，根據表示條件的資訊，決定是否需要維護或維護時序等。
＜總結＞ 由以上的說明可知，第4實施態樣之解析裝置， ・用伴隨處理室的處理前晶圓的處理所測定到的時間序列資料群，針對迴歸模型進行機器學習，並算出各測定項目之間的表示對應時間範圍的時間序列資料之相關性的值的另一例，亦即自我相關、交互相關、時間延遲等。 ・將伴隨處理室的未知條件下的處理前晶圓的處理所測定到的時間序列資料群（推論用資料）輸入迴歸模型，以算出既定的計算值，並作為表示處理室的條件的資訊輸出。
藉此，若根據第4實施態樣之解析裝置，便可對半導體製造程序中的處理室的條件是否正常（或者異常程度），根據時間序列資料群，進行定量評價。
[第5實施態樣] 在上述第4實施態樣中，係針對「將伴隨處理前晶圓的處理所測定到的時間序列資料群輸入迴歸模型以算出既定的計算值，並輸出表示處理室的條件的資訊」的態樣，進行說明。
相對於此，在第5實施態樣中，係將時間序列資料群輸入迴歸模型以算出既定的計算值，同時監視既定的計算值的變化。藉此，在第5實施態樣中，掌握處理室的條件變化，以檢知蝕刻處理或清潔處理的終點。
＜終點檢知系統的系統構造＞ 首先，針對終點檢知系統的系統構造進行說明。圖24，係表示終點檢知系統的系統構造的一例的圖式。其與圖1所示的條件調整系統100的相異點在於：在終點檢知系統2400的態樣中，「解析裝置2410的功能不同」此點，以及「控制裝置2420的功能不同」此點。
如圖24所示的，解析裝置2410，發揮作為學習部2411以及終點檢知部2412的功能。另外，學習部2411以及終點檢知部2412，具有2種功能，利用其中任一種功能，實行終點檢知。
（i）學習部以及終點檢知部的第1功能的說明 學習部2411，用時間序列資料取得裝置140_1～140_n所測定到的時間序列資料群，亦即，用在 ・在處理空間120中蝕刻處理結束的時點，或 ・在處理空間120中清潔處理結束的時點 所測定到的時間序列資料群（學習用資料），針對迴歸模型進行機器學習。
終點檢知部2412，對由學習部2411以學習用資料進行機器學習所生成的迴歸模型，輸入： ・在處理空間120中，在蝕刻處理中所測定到的時間序列資料群（檢知用資料），或 ・在處理空間120中，在清潔處理中所測定到的時間序列資料群（檢知用資料） ，以算出"既定的計算值"。
然後，終點檢知部2412，檢知既定計算值變化到預定閾值以下的時點，作為蝕刻處理的終點或清潔處理的終點。另外，終點檢知部2412，將所檢知的蝕刻處理的終點或清潔處理的終點等的終點資訊，發送到控制裝置2420。
另外，終點檢知部2412，在第1節點與第2節點的組合之中，計算第1節點與第2節點具有既定相關性的組合的數量。上述的"既定的計算值"，係指在第1節點與第2節點具有既定相關性的組合之中，該既定相關性被破壞（表示相關性的強度的值在既定閾值以下）的組合數。
（ii）學習部以及終點檢知部的第2功能的說明 學習部2411，用時間序列資料取得裝置140_1～140_n所測定到的時間序列資料群，亦即，用在 ・在處理空間120中蝕刻處理開始的時點，或 ・在處理空間120中清潔處理開始的時點 所測定到的時間序列資料群（學習用資料），針對迴歸模型進行機器學習。
終點檢知部2412，對由學習部2411以學習用資料進行機器學習所生成的迴歸模型，輸入： ・在處理空間120中，在蝕刻處理中所測定到的時間序列資料群（檢知用資料），或 ・在處理空間120中，在清潔處理中所測定到的時間序列資料群（檢知用資料） ，以算出"既定的計算值"。
然後，終點檢知部2412，檢知既定計算值變化到預定閾值以上的時點，作為蝕刻處理的終點或清潔處理的終點。另外，終點檢知部2412，將所檢知的蝕刻處理的終點或清潔處理的終點等的終點資訊，發送到控制裝置2420。
（iii）控制裝置的功能的說明 控制裝置2420，根據解析裝置2410的終點檢知部2412所輸出的終點資訊，例如，調整蝕刻時間、蝕刻配方，或是清潔時間、清潔配方等。
＜學習部的處理的具體例＞ 接著，針對解析裝置2410的學習部2411的處理的具體例進行說明。圖25，係表示學習部的處理的具體例的第4圖。如圖25所示的，學習部2411，具有迴歸模型生成部2501。
迴歸模型生成部2501，用資料儲存部2413所儲存的時間序列資料群，針對迴歸模型進行機器學習。圖25，顯示出「使用在蝕刻處理結束時點或清潔處理結束時點所測定到的時間序列資料群，進行機器學習」的態樣。另外，於圖25雖並未顯示，惟亦可使用在蝕刻處理開始時點或清潔處理開始時點所測定到的時間序列資料群，進行機器學習。
藉此，迴歸模型生成部2501，用符號2110所示的算式，規定各時間序列資料取得裝置140_1～140_n所測定到的各測定項目之間的時間序列資料的關係。
另外，用符號2110所示的算式規定各測定項目之間的時間序列資料的關係的規定方法，已在上述第4實施態樣中用圖21說明，故在此省略說明。
另外，在圖25中，學習結果2520，顯示出針對迴歸模型進行機器學習所算出的符號2110所示的算式的各參數。另外，學習結果2520的詳細內容，亦已在上述第4實施態樣中用圖21說明，故在此省略說明。
＜終點檢知部的處理的具體例＞ 接著，針對解析裝置2410的終點檢知部的處理的具體例進行說明。圖26，係表示終點檢知部的處理的具體例的圖式。如圖26所示的，終點檢知部2412，具有迴歸模型運行部2610、計算值算出部2620。
迴歸模型運行部2610，從在蝕刻處理中或清潔處理中所測定到的時間序列資料群（檢知用資料）之中，抽出第1節點的時間序列資料（實測值2211）。另外，迴歸模型運行部2610，將所抽出的第1節點的時間序列資料，輸入符號2110所示的算式，以推論出第2節點的時間序列資料（推論值2212）。
此時，迴歸模型運行部2610，從學習結果2520讀取與輸入符號2110所示的算式的時間序列資料對應的各參數m、n、k，並設定於符號2110所示的算式，然後推論出第2節點的時間序列資料。
在圖26中，實測值2211，表示在蝕刻處理中或清潔處理中所測定到的時間序列資料群（檢知用資料）之中的輸入符號2110所示的算式的第1節點的時間序列資料。另外，推論值2212，表示輸入實測值2211所推論出的第2節點的時間序列資料。
另一方面，計算值算出部2620，具有差分算出部2621、計算部2622以及判定部2623。
差分算出部2621，從在蝕刻處理中或清潔處理中所測定到的時間序列資料群（檢知用資料）之中，抽出第2節點的時間序列資料（實測值2223）。另外，差分算出部2621，從迴歸模型運行部2610，取得推論值2212。再者，差分算出部2621，算出實測值2223與推論值2212的差分。
計算部2622，計算差分算出部2621所算出的差分在既定閾值以上的第1節點的數量（亦即既定的計算值）。
判定部2623，在使用蝕刻處理結束時點或清潔處理結束時點的時間序列資料群進行機器學習時， ・將計算部2622所計算出的既定計算值在預定閾值以下的時點，判定為蝕刻處理的終點或清潔處理的終點，並輸出終點資訊。
另外，判定部2623，在使用蝕刻處理開始時點或清潔處理開始時點的時間序列資料群進行機器學習時， ・將計算部2622所計算出的既定計算值在預定閾值以上的時點，判定為蝕刻處理的終點或清潔處理的終點，並輸出終點資訊。
＜終點檢知處理的流程＞ 接著，針對終點檢知系統2400的終點檢知處理的整體流程進行說明。圖27，係表示終點檢知處理的流程的流程圖。
在步驟S2701中，時間序列資料取得裝置140_1～140_n，儲存在 ・蝕刻處理（或清潔處理）結束時點，或 ・蝕刻處理（或清潔處理）開始時點 所測定到的時間序列資料群（學習用資料）。
在步驟S2702中，解析裝置2410的學習部2411，用資料儲存部2413所儲存的時間序列資料群（學習用資料），針對迴歸模型進行機器學習。
在步驟S2703中，時間序列資料取得裝置140_1～140_n，測定蝕刻處理中的時間序列資料群或清潔處理中的時間序列資料群（檢知用資料）。
在步驟S2704中，解析裝置2410的終點檢知部2412，將在步驟S2703中所測定到的時間序列資料群（檢知用資料）輸入迴歸模型，以算出既定的計算值。
在步驟S2705中，解析裝置2410的終點檢知部2412，判定所算出的既定計算值是否滿足預定條件。在此所謂的預定條件，分別係指： ・當使用在蝕刻處理（或清潔處理）結束時點所測定到的時間序列資料群進行機器學習時，在預定閾值以下的情況、 ・當使用在蝕刻處理（或清潔處理）開始時點所測定到的時間序列資料群進行機器學習時，在預定閾值以上的情況。
當在步驟S2705中判定並未滿足預定條件時（在步驟S2705中為No時），便回到步驟S2703。
另一方面，當在步驟S2705中判定滿足預定條件時（在步驟S2705中為Yes時），便前進到步驟S2706。
在步驟S2706中，解析裝置2410的終點檢知部2412，判定檢知到蝕刻處理的終點或清潔處理的終點，並輸出終點資訊。
＜總結＞ 由以上的說明可知，第5實施態樣之解析裝置， ・使用在蝕刻處理結束時點或清潔處理結束時點所測定到的時間序列資料群，針對迴歸模型進行機器學習，或 ・使用在蝕刻處理開始時點或清潔處理開始時點所測定到的時間序列資料群，針對迴歸模型進行機器學習。 ・根據將在蝕刻處理中或清潔處理中所測定到的時間序列資料群（檢知用資料）輸入進行機器學習的迴歸模型時的推論值，計算在各測定項目之間具有既定相關性的時間序列資料的組合數。 ・當計算值滿足預定條件時，便判定檢知到蝕刻處理的終點或清潔處理的終點，並輸出終點資訊。
藉此，若根據第5實施態樣之解析裝置，便可精度良好地判定蝕刻處理或清潔處理的終點。
[第6實施態樣] 在上述第5實施態樣中，並未述及時間序列資料取得裝置以及時間序列資料群的具體例，惟與上述第2以及第3實施態樣同樣，時間序列資料取得裝置，例如，亦可為： ・發光分光分析裝置、 ・四極質量分析裝置、 ・各種程序感測器。 另外，時間序列資料群，例如，亦可為： ・OES資料、 ・質量分析資料、 ・程序資料群。
另外，在上述第5實施態樣中，為了檢知蝕刻處理的終點或清潔處理的終點，係使用在蝕刻處理結束時點或清潔處理結束時點所測定到的時間序列資料群，針對迴歸模型進行機器學習。然而，為了檢知蝕刻處理的特定狀態或清潔處理的特定狀態，亦可使用在蝕刻處理的特定時點或清潔處理的特定時點所測定到的時間序列資料群，針對迴歸模型進行機器學習。
[其他實施態樣] 在上述各實施態樣中，係針對「學習部就迴歸模型進行機器學習」的態樣進行說明。然而，學習部進行機器學習的模型，不限於迴歸模型，只要是可算出時間序列資料的相關關係的模型，亦可為其他模型。
另外，在上述第2實施態樣中，係針對「以可見光的波長範圍所包含的各波長的發光強度資料為對象，生成第1學習用資料以及第2學習用資料」的態樣，進行說明。然而，用以生成第1學習用資料以及第2學習用資料的發光強度資料，亦可為特定波長的發光強度資料。另外，亦可為可見光的波長範圍外的波長的發光強度資料。
另外，在上述第4實施態樣中，係針對「計算部2222，計算差分算出部2221所算出的差分在既定閾值以上的第1節點的數量，以算出既定的計算值」的態樣，進行說明。然而，既定的計算值的計算方法不限於此。例如，亦可在差分算出部2221所算出的差分在既定閾值以上的第1節點之中，計算預定的第1節點的數量，以算出既定的計算值。
另外，在上述第2實施態樣中，係列舉OES資料（或質量分析資料），作為時間序列資料群的具體例；在上述第3實施態樣中，係列舉程序資料群，作為時間序列資料群的具體例；惟時間序列資料群不限於此。例如，亦可為表示電漿裝置所測定到的電漿物理量的時間序列資料群。
另外，在上述各實施態樣中，係將解析裝置與控制裝置設置成各別獨立的個體，惟亦可將解析裝置與控制裝置設置為一體。
另外，上述實施態樣所列舉的構造以及其與其他要件的組合等在此所示的構造，並未對本發明形成限定。關於該等特徵點，可在不超出本發明之發明精神的範圍內作出變更，並可因應其應用形態適當決定之。
100,100',100'':條件調整系統 110:處理前晶圓 120:處理空間 121~123:處理室 130:處理後晶圓 160:解析裝置 161:學習部 162:評價部 163:學習用資料儲存部 164:評價用資料儲存部 170:控制裝置 140_1~140_n:時間序列資料取得裝置 200:半導體製造程序 301:CPU 302:ROM 303:RAM 304:GPU 305:輔助記憶裝置 306:顯示裝置 307:操作裝置 308:I/F裝置 309:驅動裝置 310:匯流排 320:記錄媒體 410_1,410_2,410_3:第1學習用資料 420:第2學習用資料 610:迴歸模型生成部 620:迴歸模型 621～623:節點 710_1,710_2,710_3:第1評價用資料 710_1',710_2',710_3':第1評價用資料 710_1'',710_2'',710_3'':第1評價用資料 801:迴歸模型生成部 802:相似度算出部 820:第2評價用資料 820':第2評價用資料 820'':第2評價用資料 910_1,910_2,910_3:圖 910_1',910_2',910_3':圖 910_1'',910_2'',910_3'':圖 920:圖 920':圖 920'':圖 1140:發光分光分析裝置 1410:圖 1420:圖 1500:條件調整參數決定表 1640_1~1640_n:程序資料取得裝置 1900:條件調整參數決定表 2000:條件調整系統 2010:解析裝置 2011:學習部 2012:評價部 2101:迴歸模型生成部 2110:算式 2120:學習結果 2210:迴歸模型運行部 2211:實測值 2212:推論值 2220:計算值算出部 2221:差分算出部 2222:計算部 2223:實測值 2230:圖 2400:終點檢知系統 2410:解析裝置 2411:學習部 2412:終點檢知部 2413:資料儲存部 2420:控制裝置 2501:迴歸模型生成部 2520:學習結果 2610:迴歸模型運行部 2620:計算值算出部 2621:差分算出部 2622:計算部 2623:判定部 A~C:處理室 DC1~DC4:施加電壓 f12,f13,f23,F12,F13,F23:相關性的強度值 k:時間延遲 Lot1a~Lot3a,Lot1x~Lot3x:批次 m:自我相關 n:交互相關 S1001A~S1008A,S1001B~S1006B,S2301~S2306,S2701~S2706:步驟 U:第1節點 Y:第2節點
[圖1]係表示條件調整系統的系統構造的一例的第1圖。 [圖2]係表示半導體製造程序的一例的圖式。 [圖3]係表示解析裝置的硬體構造的一例的圖式。 [圖4] （a）、（b）係表示學習用資料的一例的圖式。 [圖5] （a）、（b）係表示時間序列資料群的一例的圖式。 [圖6]係表示學習部之處理的具體例的第1圖。 [圖7]係表示學習部之處理的具體例的第2圖。 [圖8]係表示評價部之處理的具體例的第1圖。 [圖9]係表示評價部之處理的具體例的第2圖。 [圖10A]係表示條件調整處理的流程的第1流程圖。 [圖10B]係表示條件調整處理的流程的第2流程圖。 [圖11]係表示使用OES資料時的條件調整系統的系統構造的一例的圖式。 [圖12]係表示OES資料的一例的圖式。 [圖13]係表示使用OES資料時的評價部之處理的具體例的圖式。 [圖14]係顯示出表示OES資料的各波長間之相關性的強度的值的合計值與各波長的發光強度的關係的圖式。 [圖15]係表示使用OES資料對條件進行評價時的條件調整方法的具體例的圖式。 [圖16]係表示使用程序資料群時的條件調整系統的系統構造的一例的圖式。 [圖17]係表示程序資料群的一例的圖式。 [圖18]係表示使用程序資料時的評價部之處理的具體例的圖式。 [圖19]係表示使用程序資料對條件進行評價時的條件調整方法的具體例的圖式。 [圖20]係表示條件調整系統的系統構造的一例的第2圖。 [圖21]係表示學習部之處理的具體例的第3圖。 [圖22]係表示評價部之處理的具體例的第3圖。 [圖23]係表示條件調整處理的流程的第3流程圖。 [圖24]係表示終點檢知系統的系統構造的一例的圖式。 [圖25]係表示學習部之處理的具體例的第4圖。 [圖26]係表示終點檢知部之處理的具體例的圖式。 [圖27]係表示終點檢知處理的流程的流程圖。
100:條件調整系統
110:處理前晶圓
120:處理空間
130:處理後晶圓
160:解析裝置
161:學習部
162:評價部
163:學習用資料儲存部
164:評價用資料儲存部
170:控制裝置
140_1~140_n:時間序列資料取得裝置

Claims (18)

  1. 一種解析裝置，包含： 學習部，其利用伴隨著在處理空間的對象物的處理所測定到的時間序列資料群進行機器學習，以算出各測定項目之間的表示對應時間範圍的時間序列資料之相關性的值；以及 評價部，其根據利用伴隨著在處理空間的已知條件下的對象物的處理所測定到之時間序列資料群而由該學習部進行機器學習所算出的表示該相關性的值，對處理空間的未知條件進行評價。
  2. 如請求項1之解析裝置，其中， 更包含：儲存部，其將利用伴隨著在處理空間的複數個已知條件下的對象物的處理所測定到的複數個時間序列資料群而由該學習部進行機器學習所算出的表示該相關性的值，儲存為表示對應條件的資訊； 該評價部，判定利用伴隨著在處理空間的未知條件下的對象物的處理所測定到的時間序列資料群而由該學習部進行機器學習所算出的表示相關性的值，是否與該儲存部所儲存的表示相關性的值的其中任一個相似，以對處理空間的未知條件進行評價。
  3. 如請求項2之解析裝置，其中， 該儲存部，將利用伴隨著在處理空間的正常且複數個已知條件下的特定配方的對象物的處理所測定到的複數個時間序列資料群而由該學習部進行機器學習所算出的表示該相關性的值，儲存為表示對應條件的資訊。
  4. 如請求項3之解析裝置，其中， 該儲存部，將利用伴隨著在處理空間內所附著的堆積物的種類或堆積物的量相異的複數個已知條件下的對象物的處理所測定到的複數個時間序列資料群而由該學習部進行機器學習所算出的表示該相關性的值，儲存為表示對應條件的資訊。
  5. 如請求項3之解析裝置，其中， 該儲存部，將利用伴隨著在處理空間內的各零件的消耗度相異的複數個已知條件下的對象物的處理所測定到的複數個時間序列資料群而由該學習部進行機器學習所算出的表示該相關性的值，儲存為表示對應條件的資訊。
  6. 如請求項4之解析裝置，其中， 該複數個時間序列資料群，為發光分光分析裝置所測定到的發射光譜資料或質量分析裝置所測定到的質量分析資料。
  7. 如請求項5之解析裝置，其中， 該複數個時間序列資料群，為程序資料取得裝置所測定到的程序資料群。
  8. 如請求項5之解析裝置，其中， 該複數個時間序列資料群，為電漿裝置所測定到的電漿物理量的時間序列資料群。
  9. 如請求項1至8項中任一項之解析裝置，其中， 表示該相關性的值，為各測定項目之間的表示對應時間範圍的時間序列資料之相關性的強度的值。
  10. 如請求項1至8項中任一項之解析裝置，其中， 表示該相關性的值，為將各測定項目之間的表示對應時間範圍的時間序列資料之相關性的強度的值針對每個測定項目合計的值。
  11. 如請求項1至8項中任一項之解析裝置，其中， 根據該評價部所評價的條件，決定用以變更處理空間的條件的條件調整參數。
  12. 如請求項1之解析裝置，其中， 於表示該相關性的值，包含以將第1測定項目的時間序列資料輸入既定算式進而導出第2測定項目的時間序列資料的方式所算出的表示自我相關、交互相關或時間延遲的參數。
  13. 如請求項1之解析裝置，其中， 根據該評價部所評價的條件，決定： 是否需要處理空間的維護、處理空間的零件的維護、對處理空間造成影響的零件的維護，或 處理空間的維護的時序、處理空間的零件的維護的時序、對處理空間造成影響的零件的維護的時序。
  14. 一種解析裝置，包含： 學習部，其用在處理空間的蝕刻處理或清潔處理的特定時點所測定到的時間序列資料群，針對迴歸模型進行機器學習；以及 終點檢知部，其根據將在處理空間的蝕刻處理中或清潔處理中所測定到的時間序列資料群輸入由該學習部進行機器學習的迴歸模型時的推論值，計算在各測定項目之間具有既定相關性的時間序列資料的組合數，當計算值滿足預定條件時，判定為蝕刻處理或清潔處理的終點。
  15. 如請求項14之解析裝置，其中， 當該學習部利用蝕刻處理或清潔處理的結束時點的時間序列資料群針對該迴歸模型進行機器學習時，該終點檢知部，在該計算值為預定閾值以下時，判定為蝕刻處理或清潔處理的終點。
  16. 如請求項14之解析裝置，其中， 當該學習部利用蝕刻處理或清潔處理的開始時點的時間序列資料群針對該迴歸模型進行機器學習時，該終點檢知部，在該計算值為預定閾值以上時，判定為蝕刻處理或清潔處理的終點。
  17. 一種解析方法，包含： 學習步驟，其利用伴隨著在處理空間的對象物的處理所測定到的時間序列資料群進行機器學習，以算出各測定項目之間的表示對應時間範圍的時間序列資料之相關性的值；以及 評價步驟，其根據利用伴隨著在處理空間的已知條件下的對象物的處理所測定到的時間序列資料群而在該學習步驟中進行機器學習所算出的表示該相關性的值，對處理空間的未知條件進行評價。
  18. 一種解析程式，其特徵為令電腦執行： 學習步驟，其利用伴隨著在處理空間的對象物的處理所測定到的時間序列資料群進行機器學習，以算出各測定項目之間的表示對應時間範圍的時間序列資料之相關性的值；以及 評價步驟，其根據利用伴隨著在處理空間的已知條件下的對象物的處理所測定到的時間序列資料群而在該學習步驟中進行機器學習所算出的表示該相關性的值，對處理空間的未知條件進行評價。
TW110107202A 2020-03-13 2021-03-02 解析裝置、解析方法及解析程式 TWI895368B (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
JP2020044349 2020-03-13
JP2020-044349 2020-03-13
JP2020151905A JP7467292B2 (ja) 2020-03-13 2020-09-10 解析装置、解析方法及び解析プログラム
JP2020-151905 2020-09-10

Publications (2)

Publication Number Publication Date
TW202138943A TW202138943A (zh) 2021-10-16
TWI895368B true TWI895368B (zh) 2025-09-01

Family

ID=77617346

Family Applications (1)

Application Number Title Priority Date Filing Date
TW110107202A TWI895368B (zh) 2020-03-13 2021-03-02 解析裝置、解析方法及解析程式

Country Status (2)

Country Link
CN (1) CN113390856B (zh)
TW (1) TWI895368B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US12106984B2 (en) * 2021-11-23 2024-10-01 Applied Materials, Inc. Accelerating preventative maintenance recovery and recipe optimizing using machine-learning based algorithm

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6092017A (en) * 1997-09-03 2000-07-18 Matsushita Electric Industrial Co., Ltd. Parameter estimation apparatus
WO2009034967A1 (ja) * 2007-09-11 2009-03-19 Tokyo Electron Limited 情報処理装置、情報処理方法、及びプログラム
JP2010219263A (ja) * 2009-03-17 2010-09-30 Hitachi High-Technologies Corp エッチング装置、分析装置、エッチング処理方法、およびエッチング処理プログラム
CN101408766B (zh) * 2007-09-28 2012-11-28 洛克威尔自动控制技术股份有限公司 工业自动化系统以及在工业工厂内收集数据的方法和系统
JP2014022621A (ja) * 2012-07-20 2014-02-03 Hitachi High-Technologies Corp 分析方法、分析装置、及びエッチング処理システム
CN105608758A (zh) * 2015-12-17 2016-05-25 山东鲁能软件技术有限公司 一种基于算法组态和分布式流计算的大数据分析平台装置及方法
JP2017017067A (ja) * 2015-06-26 2017-01-19 株式会社日立ハイテクノロジーズ プラズマ処理装置およびそのデータ解析装置
US20170178874A1 (en) * 2015-12-17 2017-06-22 Hitachi High-Technologies Corporation Plasma processing apparatus and operating method of plasma processing apparatus
US20170315960A1 (en) * 2014-11-19 2017-11-02 Nec Corporation Factor analysis apparatus, factor analysis method and recording medium, and factor analysis system
CN108496123A (zh) * 2016-03-31 2018-09-04 菲博罗有限公司 对机器进行振动诊断监测的方法
US20190228516A1 (en) * 2017-03-03 2019-07-25 Fujitsu Limited Data generation method and data generation device
US20190302750A1 (en) * 2018-03-29 2019-10-03 Seoul National University R&Db Foundation Equipment diagnosis system and method based on deep learning
US20190385020A1 (en) * 2017-03-03 2019-12-19 Fujitsu Limited Data generation apparatus, data generation method, and non-transitory computer-readable storage medium for storing program
WO2020050072A1 (ja) * 2018-09-03 2020-03-12 株式会社Ｐｒｅｆｅｒｒｅｄ Ｎｅｔｗｏｒｋｓ 学習装置、推論装置及び学習済みモデル

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8954184B2 (en) * 2011-01-19 2015-02-10 Tokyo Electron Limited Tool performance by linking spectroscopic information with tool operational parameters and material measurement information
JP5896891B2 (ja) * 2012-12-17 2016-03-30 三菱重工業株式会社 パラメータ推定装置、パラメータ推定方法、蓄電システム及びプログラム
JP6604212B2 (ja) * 2016-01-18 2019-11-13 富士通株式会社 データ処理装置、データ処理方法およびデータ処理プログラム
US11455203B2 (en) * 2016-09-14 2022-09-27 Nec Corporation Abnormality detection support device, abnormality detection support method, and program
CN110390425A (zh) * 2019-06-20 2019-10-29 阿里巴巴集团控股有限公司 预测方法以及装置

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6092017A (en) * 1997-09-03 2000-07-18 Matsushita Electric Industrial Co., Ltd. Parameter estimation apparatus
WO2009034967A1 (ja) * 2007-09-11 2009-03-19 Tokyo Electron Limited 情報処理装置、情報処理方法、及びプログラム
CN101408766B (zh) * 2007-09-28 2012-11-28 洛克威尔自动控制技术股份有限公司 工业自动化系统以及在工业工厂内收集数据的方法和系统
JP2010219263A (ja) * 2009-03-17 2010-09-30 Hitachi High-Technologies Corp エッチング装置、分析装置、エッチング処理方法、およびエッチング処理プログラム
JP2014022621A (ja) * 2012-07-20 2014-02-03 Hitachi High-Technologies Corp 分析方法、分析装置、及びエッチング処理システム
US20170315960A1 (en) * 2014-11-19 2017-11-02 Nec Corporation Factor analysis apparatus, factor analysis method and recording medium, and factor analysis system
JP2017017067A (ja) * 2015-06-26 2017-01-19 株式会社日立ハイテクノロジーズ プラズマ処理装置およびそのデータ解析装置
US20170178874A1 (en) * 2015-12-17 2017-06-22 Hitachi High-Technologies Corporation Plasma processing apparatus and operating method of plasma processing apparatus
CN105608758A (zh) * 2015-12-17 2016-05-25 山东鲁能软件技术有限公司 一种基于算法组态和分布式流计算的大数据分析平台装置及方法
CN108496123A (zh) * 2016-03-31 2018-09-04 菲博罗有限公司 对机器进行振动诊断监测的方法
US20190228516A1 (en) * 2017-03-03 2019-07-25 Fujitsu Limited Data generation method and data generation device
US20190385020A1 (en) * 2017-03-03 2019-12-19 Fujitsu Limited Data generation apparatus, data generation method, and non-transitory computer-readable storage medium for storing program
US20190302750A1 (en) * 2018-03-29 2019-10-03 Seoul National University R&Db Foundation Equipment diagnosis system and method based on deep learning
WO2020050072A1 (ja) * 2018-09-03 2020-03-12 株式会社Ｐｒｅｆｅｒｒｅｄ Ｎｅｔｗｏｒｋｓ 学習装置、推論装置及び学習済みモデル

Also Published As

Publication number Publication date
CN113390856A (zh) 2021-09-14
CN113390856B (zh) 2025-05-06
TW202138943A (zh) 2021-10-16

Similar Documents

Publication Publication Date Title
TWI384573B (zh) Etching apparatus, analyzing apparatus, etching processing method, and etching processing program
TWI857184B (zh) 預測裝置及預測方法
CN102474968B (zh) 预测刻蚀率均匀性以评测校正等离子体腔的方法和装置
US7695987B2 (en) Method for automatic determination of semiconductor plasma chamber matching and source of fault by comprehensive plasma monitoring
US9091595B2 (en) Analysis method, analysis device, and etching processing system
JP7467292B2 (ja) 解析装置、解析方法及び解析プログラム
US20100312374A1 (en) System and method for implementing a virtual metrology advanced process control platform
CN111860859A (zh) 学习方法、管理装置和记录介质
TWI546638B (zh) 電漿處理裝置及電漿處理方法以及解析方法
TW202136758A (zh) 異常偵測裝置及異常偵測方法
TWI895368B (zh) 解析裝置、解析方法及解析程式
JP7677730B2 (ja) 解析装置、解析方法、解析プログラム及びプラズマ処理制御システム
CN100426471C (zh) 处理装置用的多变量解析方法、处理装置的控制装置、处理装置的控制系统
US10734207B2 (en) Plasma processing apparatus and analysis method for analyzing plasma processing data
TWI647770B (zh) 晶圓的良率判斷方法以及晶圓合格測試的多變量偵測方法
US20220075358A1 (en) Analysis device, plasma process control system, and recording medium
TWI913307B (zh) 解析裝置、解析方法、解析程式及電漿處理控制系統
TW202331276A (zh) 用於多維動態部件平均測試之系統及方法
Wegener et al. Test development through defect and test escape level estimation for data converters
TW202226008A (zh) 控制樣本參數量測的系統及方法
CN113688895A (zh) 一种基于简化keca的陶瓷辊道窑烧成带异常检测方法及系统
US20250061336A1 (en) Information processing apparatus, information processing method, and computer program product
CN121524820A (zh) 一种加湿器雾化模块的可靠性评估方法与系统
Healy et al. Mathematical modelling of test limits and guardbands