TWI895961B

TWI895961B - 異常檢測裝置及異常檢測方法

Info

Publication number: TWI895961B
Application number: TW113103436A
Authority: TW
Inventors: 森靖英; 普拉尚特庫馬爾夏爾馬; 濱本真生; 大森健史
Original assignee: 日商日立全球先端科技股份有限公司
Priority date: 2023-02-21
Filing date: 2024-01-30
Publication date: 2025-09-01
Also published as: WO2024176347A1; JP7625133B2; CN118830054A; JPWO2024176347A1; US20250364334A1; KR20240131986A; TW202435111A

Abstract

一種異常檢測裝置，對透過處理裝置進行樣品的處理而獲得的處理結果的異常的有無進行判定，具有：加工形狀預測部(41)，其使用一處理結果預測模型，對透過處理裝置所為的處理的評價值進行預測，處理結果預測模型，為使處理裝置的控制參數值及對在透過處理裝置所為的處理中在處理裝置內發生的現象進行觀測而獲得的觀測參數值為解釋變數，使透過處理裝置所為的處理的評價值為反應變數者；以及第1異常檢測部(43)，其基於作為判定對象的處理的評價值與作為判定對象的處理的一預測評價值的差異，檢測透過處理裝置所為的處理結果的異常，預測評價值，為將用於作為判定對象的處理的控制參數值，及將在作為判定對象的處理中所觀測出的觀測參數值輸入至處理結果預測模型從而預測者。

Description

異常檢測裝置及異常檢測方法

本發明，有關異常檢測裝置及異常檢測方法。

半導體程序中透過恰當的處理條件對半導體樣品進行處理，從而可實施期望的半導體加工。近年來，構成裝置的新材料被導入，同時裝置構造複雜化，半導體處理裝置的控制範圍擴大，追加了很多控制參數。程序多步驟化，使得實現了微細且複雜的加工。要使用半導體處理裝置而生產高性能的裝置，需要進行一程序開發，該程序開發，導出實現半導體樣品的目標的加工形狀的恰當的處理條件。

於專利文獻1，揭露以下內容：生成一預測模型，該預測模型，示出提供至半導體處理裝置加工條件與透過半導體處理裝置所得的加工結果的關係；使用預測模型，推定輸出加工結果的目標值的條件。 [先前技術文獻] [專利文獻]

[專利文獻1] 日本特開2019－40984號公報

[發明所欲解決之問題]

使用如示於專利文獻1的預測模型針對一加工條件所推定的加工形狀，與透過半導體處理裝置以該加工條件而實際對半導體樣品進行了加工的加工形狀，有時發生背離。此情況下，可能有2種原因。第1種情況，預測模型的精度不充分。此情況下，需要追加學習資料，謀求預測模型的精度提升。第2種情況，在透過半導體處理裝置所為的處理程序中產生一些異常，據此無法獲得期望的加工結果。

包含如後者的實驗結果的學習資料即使被使用於預測模型的學習(訓練)，不規則的學習資料，最後，學習可能會朝被當作例外的事態而無視的方向進行，故無問題。然而，為此，變得需要透過更多的學習資料進行預測模型的學習。

透過半導體處理裝置所為的處理試驗的重複，對程序開發的費用、期間，造成大的影響。為此，於半導體處理裝置發生處理異常的實驗結果，期望從學習資料進行排除。 [解決問題之技術手段]

為本發明的一實施方式之異常檢測裝置，為一種異常檢測裝置，對透過處理裝置進行樣品的處理而獲得的處理結果的異常的有無進行判定，具有：加工形狀預測部，其使用一處理結果預測模型，對透過處理裝置所為的處理的評價值進行預測，處理結果預測模型，為使處理裝置的控制參數值及對在透過處理裝置所為的處理中在處理裝置內發生的現象進行觀測而獲得的觀測參數值為解釋變數，使透過處理裝置所為的處理的評價值為反應變數者；以及第1異常檢測部，其基於作為判定對象的處理的評價值與作為判定對象的處理的一預測評價值的差異，檢測透過處理裝置所為的處理結果的異常，預測評價值，為將用於作為判定對象的處理的控制參數值，及將在作為判定對象的處理中所觀測出的觀測參數值輸入至處理結果預測模型從而預測者。 [對照先前技術之功效]

能以少的學習資料而學習(訓練)對處理裝置的處理進行預測的預測模型。其他課題與新穎的特徵，將由本說明書的記述及圖式而明白得知。

以下，針對本發明的優選的實施方式，參照圖式進行說明。

於圖1A，示出異常檢測系統的系統構成圖。在以下，結合將本系統用於半導體或包含半導體的半導體裝置的程序開發之例而進行說明。在程序開發，針對處理半導體樣品的半導體處理裝置，導出實現目標的加工形狀的恰當的處理條件，例如導出實現期望的加工形狀的恰當的處理條件。

處理裝置2，為對半導體樣品進行處理的裝置。處理裝置2的處理的內容，不限定。例如，包含微影裝置、成膜裝置、圖案加工裝置、離子植入裝置、洗淨裝置。微影裝置方面，包含曝光裝置、電子束描繪裝置、X射線描繪裝置。成膜裝置方面，包含CVD(Chemical Vapor Deposition)、PVD(Physical Vapor Deposition)、蒸鍍裝置、濺鍍裝置、熱氧化裝置。圖案加工裝置方面，包含濕式蝕刻裝置、乾式蝕刻裝置、電子束加工裝置、雷射加工裝置。離子植入裝置方面，包含電漿摻雜裝置、離子束摻雜裝置。洗淨裝置方面，包含液體洗淨裝置、超音波洗淨裝置。

在以下，處理裝置2方面，以進行半導體樣品的蝕刻加工的電漿處理裝置為例而說明。在電漿處理裝置，在反應器2a內使高頻的交變電磁場作用於處理氣體，生成電漿，進行樣品3的蝕刻加工。反應器2a內的蝕刻處理，被依在控制部2b所設定的加工配方而控制。

評價裝置5，為評價處理裝置2對樣品3所進行的處理的裝置。例如，為使用了電子顯微鏡的加工尺寸計測裝置，對透過處理裝置2所得的樣品3的加工尺寸進行計測。

觀測裝置4，為一裝置，該裝置，在透過處理裝置2所為的樣品3的加工中，對在反應器2a內發生的現象進行觀測。觀測的現象不限定，可依在處理裝置2的處理中作用於樣品3的現象而酌情選擇。此處，說明一例，該例中，觀測裝置4方面，使用對在反應器2a內的電漿的發光進行觀測的分光光度計。

處理裝置2的控制部2b，依加工配方資料，進行樣品3的處理(此處，蝕刻處理)。觀測裝置4，於處理裝置2的處理期間，對反應器2a內的電漿的發光狀態進行觀測，取得觀測資料。透過處理裝置2所為的處理結束後，評價裝置5，對樣品3的加工尺寸進行計測，取得實驗結果資料。加工配方資料，和所取得的觀測資料及實驗結果資料，作成為可從異常檢測裝置1存取，用於對透過處理裝置所得的處理結果進行預測的處理結果預測模型的作成、後述的處理結果的異常的檢測、判定。

使用者，從終端7經由網路6，或從異常檢測裝置1的輸出入裝置直接，對異常檢測裝置1進行存取，執行異常檢測處理。

於圖1B，示出異常檢測裝置1的硬體構成。異常檢測裝置1，為資訊處理裝置(計算機)，具有如下的構成。異常檢測裝置1，具備處理器(CPU)11、記憶體12、儲存裝置13、輸入裝置14、輸出裝置15、通訊裝置16，此等透過匯流排17而結合。透過為鍵盤、指向裝置的輸入裝置14，和透過為輸出裝置15的顯示器，實現GUI(Graphical User Interface：圖形使用者介面)，使用者可經由GUI而互動地利用裝置。通訊裝置16，為供於和網路6連接用的介面。亦可經由網路6，使裝置所安裝的GUI顯示於終端7。

儲存裝置13，通常以HDD(Hard Disk Drive：硬碟機)、SSD(Solid State Drive：固態硬碟機)等構成，記憶異常檢測裝置1所執行的程式、程式當作處理對象的資料或程式進行了處理的結果的資料。記憶體12，以RAM(Random Access Memory：隨機存取記憶體)構成，依處理器11的命令，暫時地記憶程式、程式的執行所需的資料等。處理器11，執行從儲存裝置13裝載於記憶體12的程式，從而作用為提供既定的功能的功能部(功能塊)。

另外，異常檢測裝置1，不須以1台資訊處理裝置而實現，以複數台資訊處理裝置而實現亦可。此外，亦可將異常檢測裝置1的一部分功能，或將所有的功能，作為雲端上的應用程式而實現。

於圖1C，示出儲存於儲存裝置13的資料及程式。資料方面，包含加工配方資料21、觀測資料22、實驗結果資料23、預測結果資料24、通常貢獻度資料25、知識資料26；程式方面，包含加工形狀預測程式31、預測說明程式32、形狀異常檢測程式33、貢獻度異常檢測程式34、統合判定程式35、知識連結程式36；詳細內容，後述之。

於圖8，示出異常檢測裝置1實施的異常檢測的整體流程。步驟S01～S03，為處理結果預測模型的學習(訓練)程序。另外，在本實施例，透過處理裝置所為的處理方面，由於以透過電漿處理裝置所為的蝕刻加工為例進行說明，故在以下，將處理結果預測模型，配合舉例而稱為加工形狀預測模型。於本程序，使用正常情況資料，進行加工形狀預測模型的生成及通常貢獻度的算出。此處，貢獻度，指加工形狀預測模型中的各解釋變數對於預測結果(反應變數)之貢獻的大小。此外，步驟S04～S07，為透過處理裝置所為的處理結果的異常檢測程序。於本程序，進行依任意的加工配方而獲得的加工結果的異常判定。以下，針對個別的程序進行說明。

(1)學習(訓練)程序針對整體流程(圖8參照)的步驟S01～S03的處理進行說明。將本程序中的異常檢測裝置1的功能方塊圖，示於圖2A。加工形狀預測部41，為處理器11執行加工形狀預測程式31從而發揮功能的功能部；預測說明部42，為處理器11執行預測說明程式32從而發揮功能的功能部。

異常檢測裝置1，讀取加工配方資料21、觀測資料22、實驗結果資料23(S01)。另外，在學習程序所使用的資料，當作在透過處理裝置2所為的樣品的加工被正常地進行的情況下的資料。此處，樣品的加工為正常，當作指以下情況：作為後述的實驗結果資料而取得的評價值，可從處理後的樣品而取得。本實施例的情況下，評價值為樣品的加工尺寸。

於圖3，示出加工配方資料21的資料結構例。實驗編號，為唯一地指定處理裝置2的處理(實驗)的號碼；特徵量名，為處理裝置2的控制參數；值，為該實驗中對該控制參數所設定之值。

於圖4，示出觀測資料22的資料結構例。實驗編號，使用和加工配方資料21共通的號碼。特徵量名，為在該實驗編號的實驗中，透過觀測裝置4所取得的觀測資料的觀測參數；值，為在該實驗中所觀測出的該觀測參數的值。在本實施例，示出一例，於該例中，觀測參數值，為在處理裝置2內所產生的電漿的既定的波段下的發光強度。

於圖5，示出實驗結果資料23的資料結構例。實驗編號，使用和加工配方資料21共通的號碼。實驗結果，示出針對透過該實驗編號的實驗所獲得的加工結果由評價裝置5所取得的評價值。此處，評價值方面，採用透過處理裝置2所處理的樣品3的形狀參數的值，具體而言，示出採用加工深度之例。

接著，加工形狀預測部41，透過所讀取的加工配方資料21、觀測資料22、實驗結果資料23，進行加工形狀預測模型的學習(訓練)(S02)。在步驟S02進行學習的加工形狀預測模型，為一模型，該模型，使反應變數為作為實驗結果資料23而取得的形狀參數值，使解釋變數為作為加工配方資料21而取得的控制參數值及作為觀測資料22而取得的觀測參數值。使所讀取的正常情況資料為學習資料，加工形狀預測部41執行監督式學習(supervised Learning)。本步驟的加工形狀預測模型，由於包含觀測參數值作為該解釋變數，使得可使實驗中的處理裝置2的處理狀態反映於反應變數的推論。

再者，對學習完的加工形狀預測模型輸入加工配方資料21、觀測資料22的值，獲得預測結果資料24。於圖6，示出預測結果資料24的資料結構例。實驗編號，使用和加工配方資料21共通的號碼。於特徵量名，包含加工配方資料21的控制參數及觀測資料22的觀測參數；於值，示出該實驗中的加工配方資料21的控制參數值及觀測資料22的觀測參數值。預測結果，登錄將該實驗編號的控制參數值與觀測參數值代入於學習完的加工形狀預測模型而獲得的形狀參數值。加工形狀預測模型所算出的形狀參數值，為在實驗結果資料23所定義的評價值的預測值(預測評價值)，在此例中，為加工深度。

接著，算出學習完的加工形狀預測模型中的各解釋變數的貢獻度(S03)。預測說明部42，對學習完的加工形狀預測模型依怎樣的根據進行了該預測進行解釋。為AI模型的加工形狀預測模型由於內容物為黑盒子(black box)，故僅如此無法得知得到預測的理由。為此，活用對AI模型依怎樣的根據進行了該預測進行解釋的XAI (Explainable AI)技術，預測說明部42，算出表示各解釋變數對於預測結果(反應變數)之貢獻的貢獻度，作為通常貢獻度資料25而累積。由於為正常情況資料中的解釋變數的貢獻度，故稱為通常貢獻度。進行如此的算出的工具方面，已知有SHAP(Shapley Additive explanations：薛普利加法解釋)如此之工具。於圖7，示出通常貢獻度資料25的資料結構例。實驗編號，使用和加工配方資料21共通的號碼。於特徵量名，包含為加工形狀預測模型的解釋變數之控制參數及觀測參數；於貢獻度，登錄各解釋變數對於該實驗中的預測結果(預測結果資料24)之貢獻度。

另外，對於加工形狀預測模型，例如進行追加學習等而使模型被更新的情況下，變成透過預測說明部42所算出的通常貢獻度資料25的值亦被變更。為此，透過加工形狀預測部41使得加工形狀預測模型被更新的情況下，預測說明部42再度重新算出各實驗中的解釋變數的貢獻度，將通常貢獻度資料25更新。

(2)處理結果的異常檢測程序針對整體流程(圖8參照)的步驟S04～S07的處理進行說明。將本程序中的異常檢測裝置1的功能方塊圖，示於圖2B。形狀異常檢測部43，為處理器11執行形狀異常檢測程式33從而發揮功能的功能部；貢獻度異常檢測部44，為處理器11執行貢獻度異常檢測程式34從而發揮功能的功能部；統合判定部45，為處理器11執行統合判定程式35從而發揮功能的功能部；知識連結部46，為處理器11執行知識連結程式36從而發揮功能的功能部。

形狀異常檢測部43，算出驗證資料的形狀異常分數(S04)。將步驟S04的詳細示於圖9。

異常檢測裝置1，讀取為驗證資料的加工配方資料51、觀測資料52、實驗結果資料53(S11)。此等資料，相當於加工配方資料21(圖3參照)、觀測資料22(圖4參照)、實驗結果資料23(圖5參照)的一實驗份的資料。

接著，加工形狀預測部41，將所讀取的加工配方資料51及觀測資料52，輸入至學習完的加工形狀預測模型，獲得預測結果資料54(S12)。預測結果資料54，相當於預測結果資料24(圖6參照)的一實驗份的資料。

接著，形狀異常檢測部43，算出實驗結果資料53與預測結果資料54的差異(S13)，從差異的程度，算出形狀異常分數(S14)。形狀異常分數的算出方法，例如定義為實驗結果資料53與預測結果資料54的差異越大，則形狀異常分數越大，惟不限定。

再度返回整體流程(圖8)的說明。接著，貢獻度異常檢測部44，算出驗證資料的貢獻度異常分數(S05)。將步驟S05的詳細示於圖10。

首先，預測說明部42，算出學習完的加工形狀預測模型中的各解釋變數的貢獻度，獲得貢獻度資料55(S21)。貢獻度資料55，相當於通常貢獻度資料25(圖7參照)的一實驗份的資料。

接著，貢獻度異常檢測部44，將儲存於通常貢獻度資料25中的正常情況資料的貢獻度資料與貢獻度資料55進行比較(S22)，從通常貢獻度資料型樣與貢獻度資料型樣的差異的程度，算出貢獻度異常分數(S23)。貢獻度異常分數的算出方法，例如定義為儲存於通常貢獻度資料25中的正常情況資料的貢獻度資料型樣與貢獻度資料55的模式的差異越大，則貢獻度異常分數越大，惟不限定。

再度返回整體流程(圖8)的說明。接著，統合判定部45，將形狀異常分數與貢獻度異常分數進行統合而進行異常判定(S06)。例如，在統合判定部45，以形狀異常分數與貢獻度異常分數的組合，透過以下方式進行判斷。形狀異常分數判斷為正常、貢獻度異常分數判斷為正常的情況下，處理結果判斷為正常。形狀異常分數判斷為正常、貢獻度異常分數判斷為異常的情況下，處理結果判斷為正常。此情況表示判斷為，由於透過處理裝置所為的加工被正確地進行，故發現了新的貢獻度型樣。形狀異常分數判斷為異常、貢獻度異常分數判斷為正常的情況下，處理結果判斷為正常。此情況表示判斷為，雖貢獻度型樣和迄今為止的學習資料為同樣，由於透過處理裝置所為的加工未被如期待般進行，故預測模型的精度不充分。形狀異常分數判斷為異常、貢獻度異常分數判斷為異常的情況下，處理結果判斷為異常。此理由在於，處理裝置的異常帶來形狀異常及貢獻度異常的可能性高。

在統合判定部45判定為正常的實驗結果，例如可作為新的學習資料而用於加工形狀預測模型的更新。另一方面，統合判定部45判斷為異常的實驗結果方面，知識連結部46，可示出基於知識資料下的資訊(S07)。於圖11，示出知識資料26的資料結構例。知識的內容，可為任意，此處採用和觀測資料22的觀測參數關聯的知識。圖11之例，儲存在觀測到既定波段的電漿發光的情況下成為候補的原因物質名。

例如，在圖11之例，針對發光光譜270～300nm的波段的觀測資料判定到貢獻度異常的情況下，將有可能和當作候補物質的SiCl、Si等有關係之旨，向使用者進行提示。據此，使用者，變得容易對在處理裝置所發生的異常的原因進行檢討。

形狀異常檢測部43及貢獻度異常檢測部44的異常檢測結果、統合判定部45的判定結果及知識連結部46所抽出的知識，被作為提示資訊56顯示於GUI。

於圖12，示出執行圖8的處理的GUI之例。計畫指定部61，例如指定一計畫名稱，該計畫名稱，指定供於決定處理裝置2的處理條件用的加工形狀預測模型的作成。加工配方資料21、觀測資料22、實驗結果資料23，鏈接於計畫名稱。資料指定部62，指定正常情況資料ID (資料ID相當於實驗編號)與驗證資料ID(資料ID相當於實驗編號)。例如，在本計畫，最初作成暫定的加工形狀預測模型，之後基於暫定的加工形狀預測模型而判定實驗結果的正常/異常，判定是否採用為學習資料，透過判定為正常的學習資料而更新暫定的加工形狀預測模型。據此，能以更少的學習資料而生成精度高的加工形狀預測模型。在此例中，示出一例，於該例中，將加工配方資料21、觀測資料22、實驗結果資料23的實驗編號1～50用於暫定的加工形狀預測模型的生成，使實驗編號51為和是否追加為學習資料有關的判定對象。

於形狀異常分數顯示部63，顯示步驟S04(圖8參照)的處理結果；於貢獻度異常分數顯示部64，顯示步驟S05的處理結果；於統合判定顯示部65，顯示步驟S06的處理結果；於知識顯示部66，顯示在步驟S07所抽出的知識。

在形狀異常分數顯示部63、貢獻度異常分數顯示部64，顯示正常情況與驗證資料個別的異常分數值與閾值。閾值，可為使用者所設定者，亦可為統計地自動設定者。例如，將閾值，可定義為對正常情況，亦即可定義為對加工形狀預測模型的學習資料中的異常分數的平均值加上變異數的2倍之值。閾值，亦可作成為依加工形狀預測模型的精度提升而變更值。

於知識顯示部66，將觀測資料的貢獻度之中檢測出異常值的觀測參數(此處，為發光光譜的波長)可識別地顯示，同時將在步驟S07所抽出的知識進行顯示。

以上，作為本實施例，雖說明了將揭露的技術應用於加工形狀預測模型的作成程序之例，惟不限於此。例如，亦可在加工形狀預測模型的學習完畢後，在基於本模型而進行了條件設定的半導體樣品的量產加工中，針對是否發生透過處理裝置所為的處理異常而算出貢獻度異常分數，從而進行監控。

此外，所說明的實施例的實施方式方面，包括將對包含半導體處理裝置的產線進行運用管理的應用程式在平台(platform)上進行執行的半導體裝置製造系統。半導體處理裝置，經由網路而連接於平台，接受來自平台的控制。此情況下，使異常檢測裝置1為平台上的應用程式，予以執行處理，從而可在半導體裝置製造系統，實施本實施例。

1:異常檢測裝置 2:處理裝置 2a:反應器 2b:控制部 3:樣品 4:觀測裝置 5:評價裝置 6:網路 7:終端 11:處理器(CPU) 12:記憶體 13:儲存裝置 14:輸入裝置 15:輸出裝置 16:通訊裝置 17:匯流排 21:加工配方資料 22:觀測資料 23:實驗結果資料 24:預測結果資料 25:通常貢獻度資料 26:知識資料 31:加工形狀預測程式 32:預測說明程式 33:形狀異常檢測程式 34:貢獻度異常檢測程式 35:統合判定程式 36:知識連結程式 41:加工形狀預測部 42:預測說明部 43:形狀異常檢測部 44:貢獻度異常檢測部 45:統合判定部 46:知識連結部 51:加工配方資料 52:觀測資料 53:實驗結果資料 54:預測結果資料 55:貢獻度資料 56:提示資訊 61:計畫指定部 62:資料指定部 63:形狀異常分數顯示部 64:貢獻度異常分數顯示部 65:統合判定顯示部 66:知識顯示部

[圖1A]為異常檢測系統的系統構成圖。 [圖1B]為異常檢測裝置的硬體構成圖。 [圖1C]為針對儲存於儲存裝置的資料及程式進行繪示的圖。 [圖2A]為學習(訓練)程序中的異常檢測裝置的功能方塊圖。 [圖2B]為異常檢測程序中的異常檢測裝置的功能方塊圖。 [圖3]為加工配方資料的資料結構例。 [圖4]為觀測資料的資料結構例。 [圖5]為實驗結果資料的資料結構例。 [圖6]為預測結果資料的資料結構例。 [圖7]為通常貢獻度資料的資料結構例。 [圖8]為異常檢測的整體流程圖。 [圖9]為驗證資料的形狀異常分數算出流程。 [圖10]為驗證資料的貢獻度異常分數算出流程。 [圖11]為知識資料的資料結構例。 [圖12]為GUI之例。

25:通常貢獻度資料

26:知識資料

41:加工形狀預測部

42:預測說明部

43:形狀異常檢測部

44:貢獻度異常檢測部

45:統合判定部

46:知識連結部

51:加工配方資料

52:觀測資料

53:實驗結果資料

54:預測結果資料

55:貢獻度資料

56:提示資訊

Claims

一種異常檢測裝置，對透過處理裝置進行樣品的處理而獲得的處理結果的異常的有無進行判定，具有：加工形狀預測部，其使用一處理結果預測模型，對透過前述處理裝置所為的處理的評價值進行預測，前述處理結果預測模型，為使前述處理裝置的控制參數值及對在透過前述處理裝置所為的處理中在前述處理裝置內發生的現象進行觀測而獲得的觀測參數值為解釋變數，使透過前述處理裝置所為的處理的評價值為反應變數者；以及第1異常檢測部，其基於作為判定對象的處理的評價值與作為前述判定對象的處理的一預測評價值的差異，檢測透過前述處理裝置所為的處理結果的異常，前述預測評價值，為將用於作為前述判定對象的處理的控制參數值，及將在作為前述判定對象的處理中所觀測出的觀測參數值輸入至前述處理結果預測模型從而預測者。
如請求項1的異常檢測裝置，其中，具有：預測說明部，其針對作為前述判定對象的處理，算出對於前述預測評價值之解釋變數每個的貢獻度；以及第2異常檢測部，其基於透過前述預測說明部所算出的作為前述判定對象的處理中的解釋變數的貢獻度型樣，檢測透過前述處理裝置所為的處理結果的異常。
如請求項2的異常檢測裝置，其中，具有：統合判定部，其將前述第1異常檢測部的異常檢測結果與前述第2異常檢測部的異常檢測結果進行統合，針對作為前述判定對象的處理結果的異常的有無進行判定。
如請求項3的異常檢測裝置，其中，前述處理結果預測模型，基於透過前述處理裝置進行樣品的處理而獲得的複數個實驗結果而進行訓練，具有一儲存裝置，前述儲存裝置，儲存作為前述處理結果預測模型的學習資料而使用的在前述實驗的處理所使用的控制參數值，儲存在前述實驗的處理所觀測出的觀測參數值，及儲存在前述實驗的處理的評價值，前述第1異常檢測部，將其中一差異與另一差異進行比較，從而檢測透過前述處理裝置所為的處理結果的異常，前述其中一差異，為作為前述判定對象的處理的評價值與預測評價值的差異，前述另一差異，為在前述實驗的處理的評價值，與將在前述實驗的處理所使用的控制參數值及在前述實驗的處理所觀測出的觀測參數值輸入至前述處理結果預測模型從而預測的在前述實驗的處理的預測評價值的差異。
如請求項4的異常檢測裝置，其中，前述預測說明部，針對在前述實驗的處理，算出對於前述預測評價值之解釋變數每個的貢獻度，將透過前述預測說明部所算出的在前述實驗的處理中的解釋變數的貢獻度型樣，儲存於前述儲存裝置，前述第2異常檢測部，將作為前述判定對象的處理中的解釋變數的貢獻度型樣，與在前述實驗的處理中的解釋變數的貢獻度型樣進行比較，從而檢測透過前述處理裝置所為的處理結果的異常。
如請求項5的異常檢測裝置，其中，前述加工形狀預測部，使用儲存於前述儲存裝置的前述學習資料，而進行前述處理結果預測模型的訓練。
如請求項6的異常檢測裝置，其中，在前述統合判定部判定為在作為前述判定對象的處理結果方面無異常的情況下，前述加工形狀預測部，使用作為前述判定對象的處理的評價值、用於作為前述判定對象的處理的控制參數值及在作為前述判定對象的處理中所觀測出的觀測參數值，進行前述處理結果預測模型的訓練，前述統合判定部，在前述第1異常檢測部與前述第2異常檢測部皆檢測出異常的情況下，判定為在作為前述判定對象的處理結果方面存在異常，在前述第1異常檢測部及前述第2異常檢測部中的至少任一方未檢測出異常的情況下，判定為在作為前述判定對象的處理結果方面無異常。
如請求項7的異常檢測裝置，其中，具有：知識連結部，其在前述統合判定部判定為在作為前述判定對象的處理結果方面有異常的情況下，針對透過前述第2異常檢測部檢測出異常的觀測參數值，和知識資料進行核對，抽出關聯的知識。
如請求項8的異常檢測裝置，其中，將前述第1異常檢測部及前述第2異常檢測部的異常檢測結果、前述統合判定部的判定結果及以前述知識連結部所抽出的知識，顯示於顯示裝置。
如請求項1～9中的任一項的異常檢測裝置，其中，前述處理裝置，為對前述樣品進行蝕刻加工的電漿處理裝置，使對在透過前述處理裝置所為的處理中在前述處理裝置內產生的電漿的發光進行觀測而獲得的既定的波段下的前述電漿的發光強度為觀測參數值，使透過前述蝕刻加工所獲得的前述樣品的加工尺寸為透過前述處理裝置所為的處理的評價值。
一種異常檢測方法，使用了對透過處理裝置進行樣品的處理而獲得的處理結果的異常的有無進行判定的異常檢測裝置，前述異常檢測裝置，具備加工形狀預測部與第1異常檢測部，前述加工形狀預測部，使用一處理結果預測模型，對透過前述處理裝置所為的處理的評價值進行預測，前述處理結果預測模型，為使前述處理裝置的控制參數值及對在透過前述處理裝置所為的處理中在前述處理裝置內發生的現象進行觀測而獲得的觀測參數值為解釋變數，使透過前述處理裝置所為的處理的評價值為反應變數者，前述第1異常檢測部，基於作為判定對象的處理的評價值與作為前述判定對象的處理的一預測評價值的差異，檢測透過前述處理裝置所為的處理結果的異常，前述預測評價值，為將用於作為前述判定對象的處理的控制參數值，及將在作為前述判定對象的處理中所觀測出的觀測參數值輸入至前述處理結果預測模型從而預測者。
如請求項11的異常檢測方法，其中，前述異常檢測裝置，進一步具備預測說明部與第2異常檢測部，前述預測說明部，針對作為前述判定對象的處理，算出對於前述預測評價值之解釋變數每個的貢獻度，前述第2異常檢測部，基於透過前述預測說明部所算出的作為前述判定對象的處理中的解釋變數的貢獻度型樣，檢測透過前述處理裝置所為的處理結果的異常。
如請求項12的異常檢測方法，其中，前述異常檢測裝置，進一步具備統合判定部，前述統合判定部，將前述第1異常檢測部的異常檢測結果與前述第2異常檢測部的異常檢測結果進行統合，針對作為前述判定對象的處理結果的異常的有無進行判定。
如請求項13的異常檢測方法，其中，在前述統合判定部判定為在作為前述判定對象的處理結果方面無異常的情況下，前述加工形狀預測部，使用作為前述判定對象的處理的評價值、用於作為前述判定對象的處理的控制參數值及在作為前述判定對象的處理中所觀測出的觀測參數值，進行前述處理結果預測模型的訓練，前述統合判定部，在前述第1異常檢測部與前述第2異常檢測部皆檢測出異常的情況下，判定為在作為前述判定對象的處理結果方面存在異常，在前述第1異常檢測部及前述第2異常檢測部中的至少任一方未檢測出異常的情況下，判定為在作為前述判定對象的處理結果方面無異常。
如請求項11～14中的任一項的異常檢測方法，其中，前述處理裝置，為對前述樣品進行蝕刻加工的電漿處理裝置，使對在透過前述處理裝置所為的處理中在前述處理裝置內產生的電漿的發光進行觀測而獲得的既定的波段下的前述電漿的發光強度為觀測參數值，使透過前述蝕刻加工所獲得的前述樣品的加工尺寸為透過前述處理裝置所為的處理的評價值。