学习方法、管理装置和记录介质与流程

本公开涉及一种学习方法、管理装置和管理程序。

背景技术：

为了抑制等离子体处理装置随时间变动，提出进行装置参数的调整的apc(advancedprocesscontrol：先进过程控制)/aec(advancedequipmentcontrol：先进设备控制)。为了自动地进行这样的装置参数的调整，提出对等离子体处理装置的各种传感器的数据进行机器学习的提案。

现有技术文献

专利文献

专利文献1：日本特表2014-514727号公报

专利文献2：日本特表2017-536584号公报

技术实现要素：

发明要解决的问题

本公开提供一种能够高精度且高效地生成回归方程的学习方法、管理装置和管理程序。

用于解决问题的方案

基于本公开的一个方式的学习方法对等离子体处理装置的腔室内的发光数据进行预处理。学习方法设定用于生成回归方程的机器学习的约束，所述回归方程表示等离子体处理装置的蚀刻速率与发光数据之间的关系。学习方法从被进行预处理后的发光数据中选择学习对象的波长。学习方法接受对与发光数据不同的其它传感器的数据的选择。学习方法将选择出的波长、接受到的其它传感器的数据、以及蚀刻速率作为学习数据，基于所设定的约束来进行机器学习，生成回归方程。学习方法输出所生成的回归方程。

发明的效果

根据本公开，能够高精度且高效地生成回归方程。

附图说明

图1是表示本公开的一个实施方式中的处理系统的一例的框图。

图2是表示半批量的蚀刻速率的变化的一例的图。

图3是表示发光数据的一例的图。

图4是表示发光数据随时间变化的一例的图。

图5是表示本公开的一个实施方式中的信息处理装置的一例的框图。

图6是表示本实施方式中的学习处理的一例的流程图。

图7是表示本实施方式中的预处理的一例的流程图。

图8是表示本实施方式中的设定处理的一例的流程图。

图9是表示本实施方式中的选择和接受处理的一例的流程图。

图10是表示本实施方式中的生成处理的一例的流程图。

图11是表示本实施方式中的回归方程与实测值的比较的一例的图。

图12是表示本实施方式中的回归方程的选择出的波长的一例的说明图。

图13是表示本实施方式中的回归方程与实测值的比较的其它一例的图。

图14是表示本实施方式中的回归方程的选择出的波长的其它一例的说明图。

图15是表示由刚流过的制程粒子引起的发光平衡的变化的一例的图。

具体实施方式

下面，基于附图来详细地说明公开的学习方法、管理装置和管理程序的实施方式。此外，公开技术不受下面的实施方式限定。

在对等离子体处理装置的各种传感器的数据进行机器学习的情况下，考虑生成将蚀刻处理结果与等离子体处理装置的腔室内的发光数据相关联的回归方程(等离子体状态估计模型)。回归方程通过递归学习，以提高精度的算法进行学习。例如，能够举出主成分回归、偏最小二乘法等。它们能够递归地搜索使代价最小化的方程构造、系数来作为最优解。另外，发光数据一般被用于蚀刻的终点检测，通过oes(opticalemissionsensor：光学发射传感器)来获取。另一方面，在想要将发光数据利用于腔室的状况估计的情况下，使用能够定量地测定原子密度的辐射测量法、以电子温度估计为目的的双谱线强度比较法之类的方法。

另外，回归方程的生成一般大多采用以下两种方法中的任一个方法。第一个方法为：基于与蚀刻处理和发光有关的模型的观点选定参照波长来实验性地进行加权，从而确定回归方程的回归系数。第二个方法为：不选定参照波长，而根据过去的大量的处理数据数学性地自动地进行加权，从而确定回归方程的回归系数。

在第一个方法中，能够以比较少的数据数量来构建回归方程，但就根据单一激发态粒子、单一波长得到的回归方程的估计精度而言，大多情况下对于某个物理现象是良好的，但是对于各种物理现象不满足期待值。另外，在第二个方法中，具有对于各种物理现象能够得到高的估计精度的可能性，但需要比较多的数据数量以进行依赖于过去的数据的确定，在数据的质量和数量不充分的情况下，有时会过学习。并且，具有一般会完成对于人而言难以理解的回归方程的倾向，因此对模型的可靠性存有疑问。因此，期待高精度且高效地生成回归方程。

[处理系统1的结构]

图1是表示本公开的一个实施方式中的处理系统的一例的框图。如图1所示，处理系统1具有多个管理装置10、多个等离子体处理装置20、以及信息处理装置100。此外，在图1中，虽然设为管理装置10a、10b、10c、以及等离子体处理装置20a、20b、20c，但在不进行区别的情况下仅称为管理装置10和等离子体处理装置20。

管理装置10分别管理等离子体处理装置20。管理装置10管理所连接的等离子体处理装置20的状态，从等离子体处理装置20接收发光数据和各种传感器的数据等信息。管理装置10将获取到的各种信息发送至信息处理装置100。另外，管理装置10基于从信息处理装置100接收到的回归方程和从等离子体处理装置20接收到的各种信息来估计蚀刻速率。管理装置10基于估计出的蚀刻速率来控制等离子体处理装置20。

等离子体处理装置20对处理对象的基板(下面称作晶圆。)进行等离子体处理。等离子体处理装置20将等离子体处理中的发光数据和各种传感器的数据等信息发送至管理装置10。另外，等离子体处理装置20接受管理装置10的控制。

信息处理装置100从管理装置10接收发光数据和各种传感器的数据等信息。信息处理装置100基于接收到的各种信息来生成回归方程。信息处理装置100将生成的回归方程发送至管理装置10。

[蚀刻速率和发光数据]

在此，对蚀刻速率和发光数据进行说明。图2是表示半批量的蚀刻速率的变化的一例的图。图2所示的曲线图30表示对半批量即10张晶圆进行处理的情况下的蚀刻速率的变化的校正前实测值和校正后实测值。如图2所示，在校正前实测值的曲线图中，晶圆数量每次增加，蚀刻速率都会下降。这是由腔室内的污垢导致的，每处理半批量或1批量，通过利用清洁气体进行清洁能够复原。另一方面，在校正后实测值的曲线图中，通过在半批量的期间对处理气体进行调整、例如使处理气体的流量增加，来抑制蚀刻速率的下降。在本实施方式中，使用管理装置10的回归方程来进行这样的控制。

图3是表示发光数据的一例的图。图3所示的曲线图31表示对某个晶圆进行了等离子体处理的情况下的每个波长的发光强度。在曲线图31的例子中，可知在660nm附近出现发光强度的峰值。这样的峰值表示检测到了特征物质。

图4是表示发光数据随时间变化的一例的图。图4所示的曲线图32表示晶圆no.1～no.66的各波长(1201个波长)的随时间变化。曲线图32通过左端的用标度表示的分类(颜色分类等)来表示每1张晶圆的发光强度的时间积分值的变动率。也就是说，曲线图32是将图3的曲线图31排列66个而成的。在曲线图32的例子中，可知从超过晶圆no.20时开始，发光强度下降并出现随时间变化。即，根据曲线图30和曲线图32可知：蚀刻速率的下降与发光强度的下降之间具有相关性。

[信息处理装置100的结构]

图5是表示本公开的一个实施方式中的信息处理装置的一例的框图。如图5所示，信息处理装置100具有通信部110、显示部111、操作部112、存储部120、以及控制部130。此外，可以设为，信息处理装置100除了具有图5所示的功能部以外，还具有计算机所具有的已知的各种功能部、例如各种输入设备、声音输出设备等功能部。

通信部110例如由nic(networkinterfacecard：网络接口卡)等实现。通信部110为经由网络与管理装置10以有线或无线的方式连接、并掌管与管理装置10之间的信息的通信的通信接口。通信部110从管理装置10接收发光数据和各种传感器的数据等信息。通信部110将接收到的发光数据和各种传感器的数据等信息输出至控制部130。另外，通信部110将由控制部130输入的回归方程发送至管理装置10。

显示部111为用于显示各种信息的显示设备。显示部111例如由作为显示设备的液晶显示器等来实现。显示部111显示由控制部130输入的显示画面等各种画面。

操作部112为从信息处理装置100的用户接受各种操作的输入设备。操作部112例如由作为输入设备的键盘、鼠标等来实现。操作部112将由用户输入的操作作为操作信息输出至控制部130。操作部112接受来自用户的学习数据用的蚀刻速率的输入。操作部112将接受到的蚀刻速率输出至控制部130。此外，也可以为，操作部112由作为输入设备的触摸面板等来实现，还可以为，使显示部111的显示设备与操作部112的输入设备一体化。

存储部120例如由ram(randomaccessmemory：随机存取存储器)、闪存等半导体存储器元件、硬盘、光盘等存储装置来实现。存储部120具有学习数据存储部121和回归方程存储部122。另外，存储部120存储用于控制部130中的处理的信息。

学习数据存储部121存储用于生成回归方程的学习数据。学习数据存储部121例如存储发光数据、各种传感器的数据和蚀刻速率等信息来作为学习数据。

回归方程存储部122存储机器学习的结果、所生成的回归方程、也就是等离子体状态估计模型。在本实施方式中，通过将回归方程限制为线性多项式，来设为人能够解释的模型。回归方程使用下述的式(1)所示的形式。

e/r＝aoes#1+boes#2+…+z…(1)

在此，e/r表示蚀刻速率，a～z表示回归系数，oes#x表示发光数据的波长。

控制部130例如通过由cpu(centralprocessingunit：中央处理单元)、mpu(microprocessingunit：微处理单元)、gpu(graphicsprocessingunit：图形处理单元)等将ram作为作业区域来执行内部的存储装置中存储的程序来实现。另外，也可以为，控制部130例如由asic(applicationspecificintegratedcircuit：专用集成电路)、fpga(fieldprogrammablegatearray：现场可编程门阵列)等集成电路来实现。

控制部130具有预处理部131、设定部132、选择部133、接受部134、以及生成部135，实现或执行下面说明的信息处理的功能或作用。此外，控制部130的内部结构不限于图5所示的结构，只要为进行后述的信息处理的结构，可以为其它结构。

预处理部131将从管理装置10接收到的发光数据和各种传感器的数据等信息、以及输入来的学习数据用的蚀刻速率的信息作为学习数据存储于学习数据存储部121。预处理部131参照学习数据存储部121来对发光数据进行平滑化处理。作为平滑化处理，预处理部131在时间轴方向上实施移动平均平滑化处理，以在时间尺度上将发光的波动平均化。

预处理部131在平滑化处理之后进行传感器仪器误差的调整。预处理部131例如将an设为回归系数、将tn设为传感器值(发光比)，使用下述的式(2)来进行利用单位发光比gn和整体发光比gtotal的增益调整、以及整体的偏移调整ototal。另外，基于传感器间的单位的无量纲化、波长间的发光强度差的无效化、用于样本数量依赖性的重新缩放的观点，预处理部131应用z-score。

【数1】

y＝gtotal(g0a0t0+…+gnantn)+ototal…(2)

另外，预处理部131向用户呈现用于辐射测量法的标准化波长候选，并接受选择。标准化波长候选为针对每种稀有气体分配1个波长的候选。预处理部131例如将he、ar、kr、xe等作为标准化波长候选来呈现。预处理部131通过以选择出的标准化波长分割发光数据，来执行从发光强度向发光比的转换。预处理部131将被转换为发光比的发光数据存储于学习数据存储部121。当预处理完成时，预处理部131向设定部132输出设定指示。

设定部132当被预处理部131输入设定指示时，设定用于生成回归方程的机器学习中的约束。设定部132选择变量增加代价的权重作为约束。如下述的式(3)所示，设定部132利用最小化问题的正则化项(λ||x||1)的系数对变量增加代价的权重进行调整。此外，λ的范围为0＜λ＜1。另外，式(3)的“ax-b”表示想要通过回归方程最小化的估计误差。

【数2】

接着，设定部132设定作为机器学习的目标设定的目标一致率作为约束。目标一致率(fitness)是在回归残差最小时接近1的已标准化的非线性目标一致率，例如定义为下述的式(4)。此外，目标一致率(fitness)的范围为0＜fitness＜1。

【数3】

另外，设定部132设定作为机器学习的目标设定的最大搜索次数作为约束。这是因为也存在以下情况：虽然通过机器学习会递归地解决最小化问题，但目标不一致。此外，最大搜索次数(iterationmax)的范围为1<iterationmax<10000。设定部132当设定约束时将设定的约束信息输出至生成部135，并且向选择部133输出选择指示。

选择部133当被设定部132输入选择指示时，参照学习数据存储部121，从被转换为发光比的发光数据中提取具有发光的峰值的波长。选择部133从提取出的波长中去掉发光比的平均值为低发光侧的第一阈值以下、或发光比的平均值为高发光侧的第二阈值以上的波长。第一阈值例如能够设为噪声级别。另外，第二阈值例如能够设为动态范围的上限值。也就是说，选择部133去掉s/n(signal/noise：信号/噪声)比差的波长、饱和而变得处理灵敏度失真的波长。选择部133例如从1201个波长中选择具有发光的峰值且发光比为规定的范围内的波长来作为学习对象的波长。选择部133当选择学习对象的波长时，将选择出的波长信息输出至生成部135，并且向接受部134输出接受指示。此外，也可以是，选择部133在学习对象的波长的选择中，从提取出的具有发光的峰值的波长中删除不适合预先准备的能够解释的波长的列表的、不能解释的激发态粒子不明的波长。

接受部134当被选择部133输入接受指示时，对于oes以外的其它传感器信号，向用户呈现候选的传感器列表并接受选择。作为候选的传感器，例如能够举出用于表现离子碰撞速度、离子数、电子密度、鞘层厚度信息的vpp、current、rfmag、rfphase等传感器。另外，接受部134对于候选的传感器生成使用1个传感器的平方值的非线性项、使用2个传感器间的乘法值的干扰项、使用2个传感器间的除法值的标准化项之类的复合传感器。接受部134通过使用复合传感器，能够将用户的见解投入至机器学习中。接受部134将接受到的其它传感器信号、复合传感器作为追加传感器信息输出至生成部135。

从设定部132向生成部135输入约束信息，从选择部133向生成部135输入波长信息，从接受部134向生成部135输入追加传感器信息。生成部135从学习数据存储部121获取蚀刻速率，并使用获取到的蚀刻速率、被输入的约束信息、波长信息和追加传感器信息，来对机器学习的稀疏模型进行初始化，进行初次的机器学习。生成部135评价进行机器学习后的稀疏模型。稀疏模型的评价使用下述的式(5)～式(10)。

【数4】

ax＝b…(5)

【数5】

【数6】

【数7】

【数8】

【数9】

稀疏建模中的联立方程式为式(5)、(6)。矩阵a表示已预处理的传感器信号值(发光比)，矩阵x表示回归系数，矩阵b表示蚀刻速率。另外，将元素数量增加的代价设为岭回归的最小化问题(l0正则化)，通过式(7)来定义。其中，在式(7)中，定义为式(8)的非零元素数量。另外，将增大回归系数的代价设为lasso的最小化问题(l1正则化)，通过式(9)来定义。其中，在式(9)中，定义为式(10)。

另外，上述的稀疏模型是以考虑了解离激发(日语：解離性励起)(局部热平衡状态)的碰撞辐射模型为前提、将确定用于根据多个能级的粒数平衡捕捉等离子体状态的一系列的系统作为数学目标进行模型构建而成的。它们能够通过粒数收支的联立方程式来实现。

辐射测量法成立是以日冕模型(仅为由电子碰撞激发和放射引起的损失)为前提的，但认为实际的处理等离子体介于日冕状态与局部热平衡状态(通过电离、再结合、激发、退激发维持的均衡)之间，从而不充分。另一方面，在基于双谱线强度比较法的电子温度估计中，采用同一激发态粒子(稀有气体)的两个波长间发光比就足够，但为了讨论离子能量而需要意识到电子能量分布，能够认为各能级的电子能量分布函数(eedf)的累计值有助于离子蚀刻。

原本，应按能级来评价粒数收支，但这需要高精度的oes和大量的验证时间。相对于此，在本实施方式的机器学习中，能够跳过这些过程，根据oes的发光平衡以递归的方式大致确定等离子体状态。

生成部135判定目标一致率是否满足规定值作为评价的结果。生成部135在判定为目标一致率不满足规定值的情况下，基于搜索算法更新稀疏模型，进行递归学习。此外，作为搜索算法，例如使用遗传编程法。生成部135当更新稀疏模型时，返回稀疏模型的评价。

生成部135在判定为目标一致率满足规定值的情况下，生成基于回归系数矩阵x的回归方程，并将生成的回归方程存储于回归方程存储部122。另外，生成部135将生成的回归方程输出至通信部110，经由通信部110将回归方程发送至管理装置10。

[学习方法]

接着，对本实施方式的信息处理装置100的动作进行说明。图6是表示本实施方式中的学习处理的一例的流程图。

信息处理装置100的预处理部131将从管理装置10接收到的发光数据和各种传感器的数据等信息、以及被输入的蚀刻速率的信息作为学习数据存储于学习数据存储部121。当学习数据的准备完成时，预处理部131执行预处理(步骤s1)。

在此，使用图7来说明预处理。图7是表示本实施方式中的预处理的一例的流程图。

预处理部131参照学习数据存储部121，对发光数据进行平滑化处理(步骤s11)。预处理部131在平滑化处理后进行传感器仪器误差的调整(步骤s12)。预处理部131向用户呈现用于辐射测量法的标准化波长候选，并接受选择。预处理部131执行向选择出的标准化波长的发光比的转换(步骤s13)。预处理部131将被转换为发光比的发光数据存储于学习数据存储部121。当预处理完成时，预处理部131向设定部132输出设定指示，返回原来的处理。

返回图6的说明。设定部132当被预处理部131输入设定指示时，执行设定处理(步骤s2)。在此，使用图8来说明设定处理。图8是表示本实施方式中的设定处理的一例的流程图。

设定部132选择变量増加代价的权重来作为生成回归方程的机器学习中的约束(步骤s21)。设定部132设定目标一致率来作为约束(步骤s22)。设定部132设定最大搜索次数来作为约束(步骤s23)。设定部132当设定约束时，将设定的约束信息输出至生成部135，并且向选择部133输出选择指示，返回原来的处理。

返回图6的说明。选择部133当被设定部132输入选择指示时，执行选择和接受处理(步骤s3)。在此，使用图9来说明选择和接受处理。图9是表示本实施方式中的选择和接受处理的一例的流程图。

选择部133参照学习数据存储部121，从被转换为发光比的发光数据中提取具有发光的峰值的波长(步骤s31)。选择部133从提取出的波长中去掉发光比的平均值为低发光强度的波长(低发光侧的第一阈值以下)、以及发光比的平均值为高发光强度的波长(高发光侧的第二阈值以上)(步骤s32)。选择部133选择没有被去掉的波长作为学习对象的波长。选择部133当选择学习对象的波长时，将选择出的波长信息输出至生成部135，并且向接受部134输出接受指示。

接受部134当被选择部133输入接受指示时，对于oes以外的其它传感器信号，向用户呈现候选的传感器列表并接受选择，追加为其它传感器信号(步骤s33)。另外，接受部134基于用户的指示，从候选的传感器生成复合传感器(步骤s34)。接受部134将接受到的其它传感器信号、复合传感器作为追加传感器信息输出至生成部135，返回原来的处理。

返回图6的说明。生成部135当被接受部134输入追加传感器信息时，执行生成处理(步骤s4)。在此，使用图10来说明生成处理。图10是表示本实施方式中的生成处理的一例的流程图。

生成部135从学习数据存储部121获取蚀刻速率，使用获取到的蚀刻速率、以及被输入的约束信息、波长信息和追加传感器信息来对机器学习的稀疏模型进行初始化，进行初次的机器学习(步骤s41)。生成部135评价进行机器学习后的稀疏模型(步骤s42)。生成部135判定目标一致率是否满足规定值作为评价的结果(步骤s43)。生成部135在判定为目标一致率不满足规定值的情况下(步骤s43：“否”)，基于搜索算法来更新稀疏模型，进行递归学习(步骤s44)，返回步骤s42。生成部135在判定为目标一致率满足规定值的情况下(步骤s43：“是”)，返回原来的处理。

返回图6的说明。生成部135生成基于回归系数矩阵x的回归方程，并将生成的回归方程存储于回归方程存储部122。另外，生成部135将生成的回归方程输出至通信部110，经由通信部110将回归方程发送到管理装置10(步骤s5)。由此，信息处理装置100能够高精度且高效地生成回归方程。另外，生成的回归方程能够设为容易理解的形式。

[回归方程(估计模型)的例子]

图11是表示本实施方式中的回归方程与实测值之间的比较的一例的图。在图11的曲线图40中，当比较实测值(目标：goal)和基于回归方程得到的估计值(估计：estimation)时，估计值为大致接近实测值的值。与曲线图40对应的回归方程41表示发光数据的33个波长中的#2、#7、#22有助于蚀刻速率。此外，在表42中示出回归方程41的约束等的详情。

图12是表示本实施方式中的回归方程的选择出的波长的一例的说明图。图12的曲线图43表示基于波长#2的蚀刻速率的估计结果。另外，曲线图44表示波长#2的发光比。曲线图45表示基于波长#7的蚀刻速率的估计结果。另外，曲线图46表示波长#7的发光比。曲线图47表示基于波长#22的蚀刻速率的估计结果。另外，曲线图48表示波长#22的发光比。当参照曲线图43～48时，在曲线图40的事例中，能够通过波长#2的oh自由基表现出大部分，但无法表现出一部分的变动。因此，除了根据波长#2的发光比来表现电子温度变动以外，还根据波长#7、#22的he发光比来表现电子温度变动，由此成为曲线图40所示的估计值。即，回归方程41可以说是电子温度和电子密度模型。

图13是表示本实施方式中的回归方程与实测值之间的比较的其它一例的图。在图13的曲线图50中，当比较实测值(goal)和基于回归方程的估计值(estimation)时，估计值为大致接近实测值的值。与曲线图50对应的回归方程51表示发光数据的33个波长中的#11、#12、#26、#29有助于蚀刻速率。此外，在表52中示出回归方程51的回归统计值等的详情。

图14是表示本实施方式中的回归方程的选择出的波长的其它一例的说明图。图14的曲线图53表示基于波长#11的蚀刻速率的估计结果。另外，曲线图54表示波长#11的发光比。曲线图55表示基于波长#26的蚀刻速率的估计结果。另外，曲线图56表示波长#26的发光比。曲线图57表示基于波长#12的蚀刻速率的估计结果。另外，曲线图58表示波长#12的发光比。曲线图59表示基于波长#29的蚀刻速率的估计结果。另外，曲线图60表示波长#29的发光比。当参照曲线图53～60时，在曲线图50的事例中，通过波长#11、#26的2种o来表现o自由基和o离子，通过波长#12、#29的2种h来表现副产物和电子温度，由此成为曲线图50所示的估计值。即，回归方程51可以说是综合的蚀刻模型。

[变形例]

在上述的实施方式中，作为回归方程的利用例，举出了管理装置10基于工艺过程中的发光数据来控制等离子体处理装置20的方式，但也可以是，基于工艺过程中的发光数据来进行工艺的异常检测。图15是表示由刚流过的制程粒子引起的发光平衡的变化的一例的图。在变形例中，机器学习图15所示那样的、模拟地再现某异常情形时的发光变化量(多个激发态粒子平衡)来生成模型(回归方程)。管理装置10或等离子体处理装置20在使用生成的模型判定为工艺过程中的发光数据符合异常情形的情况下进行异常检测。

以上，根据本实施方式，信息处理装置100对等离子体处理装置20的腔室内的发光数据进行预处理。另外，信息处理装置100设定用于生成回归方程的机器学习的约束，所述回归方程表现等离子体处理装置20的蚀刻速率与发光数据之间的关系。另外，信息处理装置100从被进行预处理后的发光数据中选择学习对象的波长。另外，信息处理装置100接受对与发光数据不同的其它传感器的数据的选择。另外，信息处理装置100将选择出的波长、接受到的其它传感器的数据、以及蚀刻速率作为学习数据，基于设定的约束进行机器学习，生成回归方程。另外，信息处理装置100输出生成的回归方程。其结果，能够高精度且高效地生成回归方程。

另外，根据本实施方式，预处理为针对发光数据进行的平滑化处理、传感器仪器误差的调整处理、以及辐射测量法中的向标准化波长的发光比的转换处理中的一个或多个处理。其结果，能够从发光数据中去除噪声等。

另外，根据本实施方式，约束为变量増加代价、目标一致率以及最大搜索次数中的一个或多个约束。其结果，能够缩短机器学习的学习时间。

另外，根据本实施方式，信息处理装置100从发光数据中提取具有发光的峰值的波长，并选择从提取出的波长中去掉发光强度的平均值为第一阈值以下或为第二阈值以上的波长后的波长。其结果，能够去除s/n比差的波长、饱和而变得处理灵敏度失真的波长。

另外，根据本实施方式，信息处理装置100生成基于其它传感器的数据的非线性项、干扰项、以及标准化项中的一项或多项，并接受对生成的项的选择。其结果，能够将用户的见解反映至回归方程中。

另外，根据本实施方式，回归方程为线性多项式。其结果，人们能够理解所生成的回归方程。

另外，根据本实施方式，信息处理装置100使用稀疏建模来进行机器学习。其结果，能够基于少数的波长来生成回归方程。

另外，根据本实施方式，稀疏建模使用遗传编程法。其结果，能够提取回归方程的波长的组合。

另外，根据本实施方式，稀疏建模根据元素的数量或回归系数来增大代价。其结果，能够缩短机器学习的学习时间。

应认为，本次公开的实施方式的所有点均是例示性的，而非限制性的。可以不脱离所附的权利要求书及其主旨地以各种方式对上述的实施方式进行省略、置换、变更。

另外，在上述的实施方式中，管理装置10进行了工艺控制、异常检测，但除此以外也可以进行如下之类的利用：根据发光数据的变化量来估计腔室内的沉积物量，实施清洁直至基于沉积物的变化为规定值以下为止。另外，也可以是，管理装置10基于蚀刻速率等通知聚焦环等各种部件的更换时期。