预测装置、预测方法、记录有预测程序的记录介质及控制装置与流程

1.本发明涉及预测装置、预测方法、记录有预测程序的记录介质及控制装置。


背景技术：

2.专利文献1中记载有“通过对炉周向温度分布进行操作而使得在半导体制造过程的氧化工序中形成于晶圆面上的氧化膜厚实现均匀化的控制方式”。
3.专利文献1：日本特开昭61-120427


技术实现要素：

4.在本发明的第1方式中，提供一种预测装置。上述预测装置可以具有数据获取部，该数据获取部获取表示控制对象的设定值的设定值数据、以及表示对上述控制对象进行控制而得到的成果的物理量的物理量数据。上述预测装置可以具有预测部，该预测部利用上述设定值数据以及上述物理量数据，对基于用于上述控制对象的控制的设定值而预测上述成果的多个物理量的多个预测值进行计算。上述预测装置可以具有评价部，该评价部基于预先规定的基准而对上述多个预测值进行评价。上述预测装置可以具有输出部，该输出部将根据上述评价的结果而推荐的设定值输出。
5.上述预测部可以利用将上述设定值数据以及上述物理量数据作为学习数据并通过对上述控制对象的设定值和上述成果的物理量的关系进行机器学习而生成的学习模型，对上述多个预测值进行计算。
6.上述预测装置还可以具有学习部，该学习部生成上述学习模型。
7.上述预测装置还可以具有特征量提取部，该特征量提取部从上述设定值数据以及上述物理量数据提取上述设定值的变化率以及上述物理量的变化率。上述学习部可以生成以上述设定值的变化率为输入、以上述物理量的变化率为输出的上述学习模型。
8.上述学习部可以通过高斯过程回归而生成上述学习模型。
9.上述预测部可以进一步基于利用通过上述机器学习而处理的概率模型获得的标准偏差，分别对表示上述多个预测值的可靠性的指标进行计算。
10.上述输出部可以进一步将上述多个预测值与上述指标一起分别输出。
11.上述预测装置还可以具有设定调整部，该设定调整部为了检索使得上述多个预测值全部都满足上述预先规定的基准的设定值而对设定值进行调整。上述输出部可以将上述检索出的设定值作为上述推荐的设定值而输出。
12.上述控制对象可以是用于调整对晶圆进行热处理的炉内的温度的加热器，上述成果的物理量可以是在上述晶圆成膜处的膜厚。
13.上述预测部可以分别预测在配置于上述炉内的多个晶圆分别成膜处的膜厚。
14.在本发明的第2方式中，提供一种预测方法。上述预测方法可以具有如下步骤，即，获取表示控制对象的设定值的设定值数据、以及表示对上述控制对象进行控制而得到的成果的物理量的物理量数据。上述预测方法可以具有如下步骤，即，利用上述设定值数据以及
上述物理量数据，对基于用于上述控制对象的控制的设定值而预测上述成果的多个物理量的多个预测值进行计算。上述预测装置可以具有如下步骤，即，基于预先规定的基准而对上述多个预测值进行评价。上述预测装置可以具有如下步骤，即，将根据上述评价的结果而推荐的设定值输出。
15.在本发明的第3方式中，提供一种对预测程序进行记录的记录介质。上述预测程序可以由计算机执行。上述预测程序可以使上述计算机作为数据获取部而起作用，该数据获取部获取表示控制对象的设定值的设定值数据、以及表示对上述控制对象进行控制而得到的成果的物理量的物理量数据。上述预测程序可以使上述计算机作为预测部而起作用，该预测部利用上述设定值数据以及上述物理量数据，对基于用于上述控制对象的控制的设定值而预测上述成果的多个物理量的多个预测值进行计算。上述预测程序可以使上述计算机作为评价部而起作用，该评价部基于预先规定的基准而对上述多个预测值进行评价。上述预测程序可以使上述计算机作为输出部而起作用，该输出部将根据上述评价的结果而推荐的设定值输出。
16.在本发明的第4方式中，提供一种控制装置。上述控制装置可以具有数据获取部，该数据获取部获取表示控制对象的设定值的设定值数据、以及表示对上述控制对象进行控制而得到的成果的物理量的物理量数据。上述控制装置可以具有预测部，该预测部利用上述设定值数据以及上述物理量数据，对基于用于上述控制对象的控制的设定值预测上述成果的多个物理量的多个预测值进行计算。上述控制装置可以具有评价部，该评价部基于预先规定的基准而对上述多个预测值进行评价。上述预测装置可以具有输出部，该输出部将根据上述评价的结果而推荐的设定值输出。上述控制装置可以具有控制部，该控制部根据上述推荐的设定值而对上述控制对象进行控制。
17.此外，上述发明的概要并未举出本发明的全部必要特征。另外，上述特征组的子组成要素也能够构成发明。
附图说明
18.图1将本实施方式所涉及的预测装置100的框图的一个例子与设置有控制对象20的设备10一起示出。
19.图2表示作为设备10的具体例的扩散炉200的结构图的一个例子。
20.图3表示扩散炉200的维护流程的一个例子。
21.图4表示本实施方式所涉及的预测装置100生成学习模型的流程的一个例子。
22.图5表示高斯过程回归的示意图的一个例子。
23.图6表示本实施方式所涉及的预测装置100对物理量进行预测的流程的一个例子。
24.图7表示本实施方式所涉及的预测装置100的预测结果的一个例子。
25.图8表示本实施方式所涉及的预测装置100的输出的一个例子。
26.图9将本实施方式所涉及的控制装置900的框图的一个例子与设置有控制对象20的设备10一起示出。
27.图10表示可以使本发明的多个方式全部或一部分实现具体化的计算机9900的例子。
具体实施方式
28.下面，通过发明的实施方式对本发明进行说明，下面的实施方式不对权利要求书所涉及的发明进行限定。另外，实施方式中说明的特征的所有组合对于发明的解决方法来说并非必不可少。
29.图1将本实施方式所涉及的预测装置100的框图的一个例子与设置有控制对象20的设备10一起示出。
30.设备10是设置有控制对象20的设施、装置等。可以针对设备10设置1个或多个控制对象20。例如，设备10可以是电子元件、设备、电子电路制造业、金属产品制造业、钢铁业、石油产品、煤炭产品制造业、化学工业、纤维工业、木制品制造业以及调料制造业等各种行业的各种制造过程中使用的各种制造装置。在这种设备10中，对原材料进行加工而制造各种产品。在本实施方式中，将设备10是在对硅等的晶圆(wafer)进行热处理而成膜时使用的扩散炉的情况作为一个例子进行说明。后文中对此进行叙述。
31.控制对象20是成为控制的对象的仪器。例如，控制对象20是在设备10的制造过程中对温度、压力、ph、速度以及流量等至少1个物理量进行调整的加热器、阀、泵、风扇、电机以及开关等致动器。在本实施方式中，将控制对象20是用于对扩散炉内的温度(简记作“炉温”)进行调整的加热器的情况作为一个例子进行说明。
32.本实施方式所涉及的预测装置100在利用这种设备10执行的制造过程中预测基于设定值对控制对象20进行控制而得到的成果(deliverable)的多个物理量。而且，本实施方式所涉及的预测装置100将根据对预测多个物理量的多个预测值进行评价的结果而推荐的设定值输出。
33.预测装置100可以是pc(个人计算机)、平板型计算机、智能手机、工作站、服务器计算机或者通用计算机等计算机，也可以是连接有多个计算机的计算机系统。另外，这种计算机系统也是广义的计算机。另外，可以利用在计算机内能够执行的1种或多种虚拟计算机环境而安装预测装置100。取而代之地，预测装置100可以是设计用于预测物理量的专用计算机，也可以是通过专用电路而实现的专用硬件。另外，在预测装置100能够与互联网连接的情况下，预测装置100可以通过云计算而实现。
34.预测装置100具有数据获取部110、特征量提取部120、学习部130、学习模型保存部140、设定调整部150、预测部160、评价部170以及输出部180。此外，上述模块分别是在功能上分离的功能模块，也可以不与实际的设备结构一致。即，在本图中，作为1个模块而示出的，但也可以不由1个设备构成。另外，在本图中，作为不同的模块而示出的，但也可以不由不同的设备构成。
35.数据获取部110获取表示控制对象20的设定值的设定值数据、以及表示对控制对象20进行控制而得到的成果的物理量的物理量数据。例如，数据获取部110可以经由网络从设备10获取这种设定值数据以及物理量数据。然而，并不限定于此。数据获取部110可以经由操作者获取这种设定值数据以及物理量数据，也可以经由各种存储器设备获取。数据获取部110在学习阶段将获取的设定值数据以及物理量数据向特征量提取部120供给。另一方面，数据获取部110在预测阶段将获取的设定值数据向特征量提取部120以及设定调整部150供给，将获取的物理量数据向预测部160供给。
36.特征量提取部120从设定值数据以及物理量数据提取设定值的变化率以及物理量
的变化率。例如，特征量提取部120在学习阶段基于由从数据获取部110供给的设定值数据表示的多个设定值以及由物理量数据表示的多个物理量，分别提取设定值的变化率以及物理量的变化率。而且，特征量提取部120将提取出的设定值的变化率以及物理量的变化率向学习部130供给。另一方面，特征量提取部120在预测阶段基于由从数据获取部110供给的设定值数据表示的设定值、即设备10中针对控制对象20实际设定的设定值、以及由后述的设定调整部150调整的调整后的设定值而提取设定值的变化率。而且，特征量提取部120将提取出的设定值的变化率向预测部160供给。
37.学习部130生成学习模型。例如，学习部130在学习阶段将从特征量提取部120供给的设定值的变化率以及物理量的变化率作为学习数据，生成以设定值的变化率为输入且以物理量的变化率为输出的学习模型。此时，学习部130可以通过高斯过程回归而生成学习模型。后文中对此进行叙述。然而，并不限定于此。学习部130也可以通过线性回归、elastic net、支持向量机、随机森林以及神经网络等其他各种学习算法而生成学习模型。学习部130将生成的学习模型向学习模型保存部140供给。
38.学习模型保存部140保存学习模型。例如，学习模型保存部140在学习阶段保存由学习部130生成的学习模型。而且，学习模型保存部140在预测阶段将保存的学习模型向预测部160供给。此外，在上述说明中，作为一个例子而示出了学习模型保存部140保存由预测装置100内部的学习部130生成的学习模型的情况。然而，并不限定于此。学习模型保存部140可以保存在预测装置100的外部生成的学习模型。即，可以取代预测装置100的内部、或者在此基础上在预测装置100的外部具有学习部130。
39.设定调整部150调整应当对控制对象20设定的设定值。设定调整部150在预测阶段将从数据获取部110供给的设定值数据设为初始值并对至少1个设定值进行变更，由此调整设定值。设定调整部150将调整后的设定值向特征量提取部120供给。特别地，设定调整部150依次变更从数据获取部110供给的设定数据中的至少1个设定值，由此为了检索使得后述的多个预测值全部都满足预先规定的基准的设定值而调整设定值。
40.预测部160利用设定值数据以及物理量数据，对基于用于控制对象20的控制的设定值而预测成果的多个物理量的多个预测值进行计算。例如，预测部160在预测阶段将从特征量提取部120供给的设定值的变化率输入至从学习模型保存部140供给的学习模型。而且，预测部160基于从数据获取部110供给的物理量数据以及由学习模型输出的物理量的变化率而预测成果的多个物理量。这样，预测部160可以利用将设定值数据以及物理量数据作为学习数据并通过对控制对象20的设定值和成果的物理量的关系进行机器学习而生成的学习模型，对多个预测值进行计算。此时，预测部160可以进一步基于利用通过机器学习处理的概率模型获得的标准偏差，分别对表示多个预测值的可靠性的指标进行计算。后文中对此进行叙述。预测部160将计算出的多个预测值、以及表示多个预测值的可靠性的指标向评价部170供给。
41.评价部170基于预先规定的基准而对多个预测值进行评价。例如，评价部170在预测阶段判定从预测部160供给的多个预测值是否处于预先规定的基准的范围内，根据该判定结果而评价多个预测值。而且，在预测值的评价结束的情况下，评价部170将该主旨向设定调整部150通知。与此相应地，设定调整部150对设定值进行重新调整。而且，特征量提取部120基于重新调整后的设定值而提取设定值的变化率。而且，预测部160基于重新调整后
的设定值而对多个预测值进行计算。而且，评价部170对基于重新调整后的设定值的多个预测值进行评价。由此，设定调整部150与特征量提取部120、预测部160以及评价部170协作而检索多个预测值全部都满足预先规定的基准的设定值。此时，评价部170将多个预测值全部都满足预先规定的基准的设定值作为设定值的候补而存储。而且，在针对设定值的所有模式而评价结束的情况下，评价部170将存储完毕的设定值的候补中的至少1个设定值向输出部180供给。此时，评价部170可以将与该设定值对应的多个预测值、以及表示多个预测值的可靠性的指标一并向输出部180供给。
42.输出部180将根据评价的结果而推荐的设定值输出。例如，输出部180在预测阶段将从评价部170供给的设定值作为推荐的设定值而输出。即，输出部180可以将作为多个预测值全部都满足预先规定的基准的设定值而检索出的设定值，作为推荐的设定值而输出。此时，输出部180可以进一步将与该设定值对应的多个预测值分别与表示该多个预测值的可靠性的指标一并输出。
43.图2表示作为设备10的具体例的扩散炉200的结构图的一个例子。扩散炉200是作为半导体制造过程的一环而在晶圆的成膜工序中使用的横置型的热处理系统。在这种扩散炉200中，利用在管的附近设置的多个加热器将炉内加热。另外，将多个晶圆(本图中为7个晶圆)均匀地配置于由管包围的炉内的晶舟(boat)上。另外，从炉内部注入过程气体(例如氧气等)。由此，对晶圆表面实施氧化而成膜出氧化膜。在本图中，作为一个例子，示出了以使得由对应的热电偶显示的测定值变为针对各加热器设定的设定值的方式，对设置用于炉口(前部)、用于炉中央(中央)、以及用于炉内(后部)的3个加热器进行反馈控制而调整炉温的情况。
44.在这种扩散炉200中，为了均匀地控制在多个晶圆分别成膜出的膜厚，例如需要将炉口温度tf、炉中央温度tc、炉内温度tr以及成膜时间t这4个参数作为炉温设定而调整。关于这种炉温设定，在实际使得晶圆成膜的成膜工序中需要调整，在此基础上，在定期地维护扩散炉200时也需要调整。
45.图3表示扩散炉200的维护流程的一个例子。在步骤s310中，实施管的清洗以及扩散炉200的重新组装。例如，作业者从管拆下热电偶等并对管进行清洗。而且，作业者在对管进行清洗之后对热电偶等结构进行重新组装。
46.在步骤s320中，对炉温进行调整。例如，作业者针对设置用于炉口、用于炉中央、以及用于炉内的3个加热器，分别设定炉口温度tf、炉中央温度tc以及炉内温度tr，以使得整个炉内的温度平稳的方式对炉温进行调整。
47.在步骤s330中，配置晶圆。例如，作业者将多个晶圆从炉内至炉口均匀地配置于管内的晶舟上。
48.在步骤s340中，实施成膜。例如，作业者从炉内注入过程气体，在设定的成膜时间t的期间，使多个晶圆在炉内等待，由此分别在多个晶圆的表面成膜出氧化膜。
49.在步骤s350中，实施膜厚测定。例如，作业者在经过了成膜时间t之后将所有晶圆从炉内取出。而且，作业者分别测定在取出的所有晶圆成膜的氧化膜的膜厚。
50.在步骤s360中，判定膜厚是否处于基准范围内。例如，作业者判定步骤s350中测定出的所有膜厚是否处于预先规定的基准范围内。在步骤s360中判定为处于基准范围内的情况下(yes的情况下)，作业者结束维护流程。另一方面，在步骤s360中判定为未处于基准范
围内的情况下(no的情况下)，作业者使处理进入步骤s370。
51.在步骤s370中，实施炉温设定调整。例如，作业者基于步骤s350中测定出的膜厚而调整炉温设定。而且，作业者使处理返回至步骤s330而继续执行维护流程。即，直至步骤s360中所有膜厚都处于基准范围内为止，作业者反复执行步骤s330至步骤s370的处理。
52.此时，用于使得在所有晶圆成膜出的膜厚处于基准范围内的炉温设定的调整量，是根据作业者以往的经验、直觉而决定的。在该情况下，如果对应当使得在一部分晶圆成膜出的膜厚处于基准范围内的一部分设定值进行变更，则由此产生判断在其他晶圆成膜出的膜厚是否处于基准范围外等、反复多次对炉温设定进行重新调整的无用的工序。另外，关于炉温设定，如上所述，存在炉口温度tf、炉中央温度tc、炉内温度tr以及成膜时间t等多个参数，作业者难以考虑现状的膜厚测定值而判断将哪个参数调整为何种程度则能够使得在所有晶圆成膜出的膜厚处于基准范围内。
53.因此，作为一个例子，本实施方式所涉及的预测装置100对这种扩散炉200的炉温设定调整作业进行辅助。即，作为一个例子，本实施方式所涉及的预测装置100在这种扩散炉200执行的成膜工序中，在基于设定值而控制炉温的情况下，预测在多个晶圆分别成膜出的膜厚。而且，预测装置100将根据对针对多个晶圆分别预测出的膜厚进行了评价的结果而推荐的炉温设定输出。
54.图4表示本实施方式所涉及的预测装置100生成学习模型的流程的一个例子。本实施方式所涉及的预测装置100例如通过本流程而生成学习模型。此外，如上所述，在预测装置100使用在外部生成的学习模型的情况下，可以省略本流程。
55.在步骤s410中，预测装置100获取学习数据。例如，数据获取部110经由网络而从设备10获取表示控制对象20的设定值的设定值数据、以及表示对控制对象20进行控制而得到的成果的物理量的物理量数据。作为一个例子，数据获取部110每当实施扩散炉200的维护时获取表示炉温设定的设定值数据、以及表示在多个晶圆分别成膜出的膜厚的测定值的物理量数据。
56.这里，如上所述，炉温设定中可以包含炉口温度tf、炉中央温度tc、炉内温度tr以及成膜时间t。另外，膜厚例如可以包含在炉内的7个位置a～g配置的各晶圆成膜出的膜厚wa～wg。即，作为第1次维护时的设定值数据，数据获取部110可以获取第1次维护时设定的炉口温度tf1、炉中央温度tc1、炉内温度tr1以及成膜时间t1。另外，作为第1次维护时的物理量数据，数据获取部110可以获取在第1次维护时测定出的在配置于位置a～g的各晶圆成膜出的膜厚wa1～wg1。同样地，作为第2次维护时的设定值数据，数据获取部110可以获取第2次维护时设定的炉口温度tf2、炉中央温度tc2、炉内温度tr2以及成膜时间t2。另外，作为第2次维护时的物理量数据，数据获取部110可以获取在第2次维护时测定出的在配置于位置a～g的各晶圆成膜出的膜厚wa2～wg2。数据获取部110将由此获取的多次维护时的设定值数据以及物理量数据向特征量提取部120供给。
57.在步骤s420中，预测装置100提取特征量。例如，特征量提取部120从设定值数据以及物理量数据提取设定值的变化率以及物理量的变化率。作为一个例子，特征量提取部120利用步骤s410中获取的多次维护时的设定值数据以及物理量数据而提取炉温设定变化率以及膜厚变化率。例如，特征量提取部120利用第1次维护时设定的“炉口温度tf1”除第2次维护时设定的“炉口温度tf2”而计算出“炉口温度变化率rtf21”。同样地，特征量提取部120
利用第1次维护时设定的“炉中央温度tc1”除第2次维护时设定的“炉中央温度tc2”而计算出“炉中央温度变化率rtc21”。同样地，特征量提取部120利用第1次维护时设定的“炉内温度tr1”除第2次维护时设定的“炉内温度tr2”而计算出“炉内温度变化率rtr21”。同样地，特征量提取部120利用第1次维护时设定的“成膜时间t1”除第2次维护时设定的“成膜时间t2”而计算出“成膜时间变化率rt21”。特征量提取部120将由此计算出的炉口温度变化率rtf21、炉中央温度变化率rtc21、炉内温度变化率rtr21以及成膜时间变化率rt21作为第2次和第1次维护之间的炉温设定变化率rt21而提取。特征量提取部120通过执行同样的处理而提取第3次和第1次维护之间的炉温设定变化率rt31、第4次和第1次维护之间的炉温设定变化率rt41。特征量提取部120由此将多次维护之间的炉温设定变化率rt作为设定值的变化率而提取。
58.另外，特征量提取部120利用在第1次维护时测定出的在配置于位置a的晶圆成膜出的“膜厚wa1”除在第2次维护时测定出的在配置于位置a的晶圆成膜出的“膜厚wa2”而针对位置a计算出“膜厚变化率rwa21”。特征量提取部120通过执行同样的处理而针对位置b～g计算出“膜厚变化率rwb21”、“膜厚变化率rwc21”、“膜厚变化率rwd21”、“膜厚变化率rwe21”、“膜厚变化率rwf21”以及“膜厚变化率rwg21”。特征量提取部120将由此计算出的“膜厚变化率rwa21”、“膜厚变化率rwb21”、“膜厚变化率rwc21”、“膜厚变化率rwd21”、“膜厚变化率rwe21”、“膜厚变化率rwf21”、以及“膜厚变化率rwg21”作为第2次和第1次维护之间的膜厚变化率rw21而提取。特征量提取部120通过执行同样的处理而提取出第3次与第1次维护之间的膜厚变化率rw31、第4次与第1次维护之间的膜厚变化率rw41。特征量提取部120由此将多次维护之间的膜厚变化率rw作为物理量的变化率而提取。特征量提取部120将提取出的设定值的变化率以及物理量的变化率向学习部130供给。
59.在步骤s430中，预测装置100生成学习模型。例如，学习部130生成学习模型。作为一个例子，学习部130将步骤s420中提取出的设定值的变化率以及物理量的变化率作为学习数据，生成以设定值的变化率为输入、以物理量的变化率为输出的学习模型。即，在本实施方式中，学习部130生成以炉温设定变化率rt为输入、以膜厚变化率rw为输出的学习模型。即，学习部130通过学习而生成在使得炉温设定中的哪个参数以何种程度变化的情况下预测在配置于哪个位置的晶圆成膜出的膜厚以何种程度变化的模型。学习部130将生成的学习模型向学习模型保存部140供给。
60.在步骤s440中，预测装置100保存学习模型。例如，学习模型保存部140保存学习模型。作为一个例子，学习模型保存部140保存步骤s430中生成的学习模型。由此，本实施方式所涉及的预测装置100使生成学习模型的流程结束。
61.此外，学习部130可以在生成学习模型时通过高斯过程回归而生成学习模型。这里，高斯过程回归是对从输入变量x向作为输出变量的实数值y的函数y＝f(x)进行推定的模型之一。高斯过程回归的特征之一是其非线性，在通过线性回归无法完美地拟合的情况下特别有效。另外，高斯过程回归的另1个特征为利用贝叶斯推定这一点。在高斯过程回归中推定的函数并非1个函数，作为函数的分布而获得。由此，通过利用高斯过程回归而能够表述推定的不确定性(不可靠性)。对此进行详细说明。
62.图5表示高斯过程回归的示意图的一个例子。本实施方式所涉及的预测装置100可以通过执行图4的流程而例如通过高斯过程回归生成学习模型。如上所述，这种高斯过程回
归是对从输入变量x向作为输出变量的实数值y的函数y＝f(x)进行推定的模型之一，该函数f(x)由下式表示。这里，n表示正态分布(normal distribution)，μ表示平均值，σ表示标准偏差。即，高斯过程回归中推定的函数f(x)代表遵循由平均值μ以及方差σ＾2表示的正态分布n。
63.【数学式1】
64.f(x)＝n(μ，σ2)
65.在本图中，横轴表示输入变量x，纵轴表示实数值y。另外，在本图中，圆点表示数据点。而且，在本图中，由实线描画的曲线表示上述数学式的平均值μ。另外，在本图中，将该曲线的上下方覆盖的带状的区域表示上述数学式中的标准偏差σ。这种带状的区域的纵轴方向的宽度代表函数的不确定性。即，在本图中，带状的区域的纵轴方向的宽度较小的部分代表预测可靠性较高，纵轴方向的宽度较大的部分代表预测可靠性较低。本实施方式所涉及的预测装置100利用通过这种高斯过程回归生成的学习模型而计算出多个预测值，因此能够一并计算出表示多个预测值的可靠性的指标。
66.图6表示本实施方式所涉及的预测装置100预测物理量的流程的一个例子。在本流程中，如上所述，控制对象20是用于调整对晶圆进行热处理的扩散炉内的温度的加热器，作为一个例子而对成果的物理量为在晶圆成膜出的膜厚的情况进行说明。
67.在步骤s610中，预测装置100获取预测所需的数据。例如，数据获取部110经由网络而从设备10获取表示控制对象20的设定值的设定值数据、以及表示对控制对象20进行控制而得到的成果的物理量的物理量数据。作为一个例子，数据获取部110获取表示当前维护时的炉温设定的设定值数据、以及表示在多个晶圆分别成膜出的膜厚的测定值的测定值数据。
68.这里，数据获取部110例如可以将当前维护时设定的炉口温度tf、炉中央温度tc、炉内温度tr以及成膜时间t作为当前维护时的设定值数据t而获取。另外，数据获取部110可以将在当前维护时测定出的在配置于位置a～g的各晶圆成膜出的膜厚wa～wg作为当前维护时的物理量数据w而获取。此外，这里获取的膜厚wa～wg的至少1个设为处于预先规定的基准范围外。数据获取部110将由此获取的设定值数据t向特征量提取部120以及设定调整部150供给。另外，数据获取部110将由此获取的物理量数据w向预测部160供给。
69.在步骤s620中，预测装置100对设定值进行调整。例如，设定调整部150将步骤s610中获取的设定值数据t作为初始值对至少1个设定值进行变更，由此调整设定值。作为一个例子，设定调整部150通过将当前维护时设定的炉口温度tf、炉中央温度tc以及炉内温度tr的至少1个炉温1度1度地提高/降低、或者将成膜时间t1秒1秒地延长/缩短而调整设定值t。设定调整部150将调整后的设定值t
′
向特征量提取部120供给。
70.在步骤s630中，预测装置100提取特征量。例如，特征量提取部120从设定值数据t提取设定值的变化率(调整率)。作为一个例子，特征量提取部120基于步骤s610中获取的设定值数据t、以及步骤s620中调整的调整后的设定值t
′
，提取设定值的变化率。例如，特征量提取部120利用调整前的“炉口温度tf”除调整后的“炉口温度tf
′”
而计算出“炉口温度调整率rtf”。同样地，特征量提取部120利用调整前的“炉中央温度tc”除调整后的“炉中央温度tc
′”
而计算出“炉中央温度调整率rtc”。同样地，特征量提取部120利用调整前的“炉内温度tr”除调整后的“炉内温度tr
′”
而计算出“炉内温度调整率rtr”。同样地，特征量提取部120
利用调整前的“成膜时间t”除调整后的“成膜时间t
′”
而计算出“成膜时间调整率rt”。特征量提取部120将由此计算出的炉口温度调整率rtf、炉中央温度调整率rtc、炉内温度调整率rtr以及成膜时间调整率rt作为设定值的变化率而提取。特征量提取部120将提取出的设定值的变化率向预测部160供给。
71.在步骤s640中，预测装置100对成果的物理量进行预测。例如，预测部160利用设定值数据以及物理量数据，对基于用于控制对象20的控制的设定值而预测成果的多个物理量的多个预测值进行计算。作为一个例子，预测部160从学习模型保存部140读取学习模型。而且，预测部160将步骤s630中提取出的设定值的变化率输入至该学习模型。由此，学习模型将与该设定值的变化率相应的物理量的变化率输出。即，在根据炉口温度调整率rtf、炉中央温度调整率rtc、炉内温度调整率rtr以及成膜时间调整率rt使炉温设定变化的情况下，学习模型将表示在配置于位置a～g的晶圆分别成膜出的膜厚以何种程度变化的膜厚变化率rwa～rwg输出。而且，预测部160将步骤s610中获取的膜厚wa～wg作为初始值并分别乘以该膜厚变化率rwa～rwg，由此在通过调整后的炉温设定而对控制对象20进行控制的情况下，计算出预测有可能在配置于位置a～g的晶圆成膜出的膜厚的多个预测值wa
′
～wg
′
。即，预测部160分别预测在配置于炉内的多个晶圆分别成膜出的膜厚。这样，预测部160可以利用将设定值数据以及物理量数据作为学习数据并通过对控制对象20的设定值和成果物的物理量的关系进行机器学习而生成的学习模型，计算出多个预测值。
72.另外，预测部160可以进一步基于利用通过机器学习处理的概率模型而获得的标准偏差，分别计算出表示多个预测值wa
′
～wg
′
的可靠性的指标。这里，如上所述，学习模型可以通过高斯过程回归而生成。因此，预测部160能够基于这种高斯过程回归遵循的高斯分布的标准偏差而分别计算出表示多个预测值wa
′
～wg
′
的可靠性的指标。这里，预测部160例如可以作为表示多个预测值wa
′
～wg
′
的可靠性的指标而计算出使得与学习模型输出的多个膜厚变化率rwa～rwg对应的标准偏差σ分别放大1.96倍之后的值。此外，这是因为，通常95％可信区间由平均值μ
±
1.96σ表示。预测部160将计算出的多个预测值wan
′
～wgn
′
、以及表示多个预测值wa
′
～wg
′
的可靠性的指标向评价部170供给。
73.在步骤s650中，预测装置100判定多个预测值是否处于基准范围内。例如，评价部170判定步骤s640中预测出的多个预测值wa
′
～wg
′
是否全部都处于预先规定的基准范围内。由此，评价部170基于预先规定的基准而对多个预测值进行评价。在步骤s650中判定为多个预测值wa
′
～wg
′
全部都处于基准范围内的情况下(yes的情况下)，预测装置100使处理进入步骤s660。
74.在步骤s660中，预测装置100对满足基准的设定值进行存储。例如，评价部170将步骤s650中判定为多个预测值wa
′
～wg
′
全部都处于基准范围内的调整后的炉口温度tf
′
、炉中央温度tc
′
、炉内温度tr
′
以及成膜时间t
′
作为设定值的候补而存储。此时，评价部170可以一并对多个预测值wa
′
～wg
′
、以及表示多个预测值wa
′
～wg
′
的可靠性的指标进行存储。而且，评价部170将预测值的评价结束的主旨向设定调整部150通知。
75.另一方面，在步骤s650中判定为多个预测值wa
′
～wg
′
的至少1个处于基准范围外的情况下(no的情况下)，预测装置100使处理进入步骤670。即，在步骤s650中判定为多个预测值wa
′
～wg
′
的至少1个处于基准范围外的情况下，评价部170不对与该多个预测值wa
′
～wg
′
对应的设定值t
′
进行存储，将预测值的评价结束的主旨向设定调整部150通知。
76.在步骤s670中，预测装置100判定所有模式的评价是否已完毕。例如，设定调整部150使炉口温度tf、炉中央温度tc以及炉内温度tr的至少1个炉温进一步1度1度地提高/降低、或者使成膜时间t进一步1秒1秒地延长/缩短，由此针对能够调整的所有模式而调整设定值。而且，设定调整部150针对调整后的设定值t
′
的所有模式根据是否从评价部170通知了预测值的评价已结束的主旨而判定所有模式的评价是否已完毕。
77.在步骤s670中判定为所有模式的评价未完毕的情况下(no的情况下)，预测装置100使处理返回至步骤s620，反复执行步骤s620至步骤s670的处理。与此相应地，设定调整部150对设定值进行重新调整。而且，特征量提取部120基于重新调整后的设定值而提取设定值的变化率。而且，预测部160基于重新调整后的设定值而对多个预测值进行计算。而且，评价部170评价基于重新调整后的设定值的多个预测值。由此，设定调整部150与特征量提取部120、预测部160以及评价部170协作而检索使得多个预测值全部都满足预先规定的基准的设定值。
78.另一方面，在步骤s670中判定为所有模式的评价已完毕的情况下(yes的情况下)，预测装置100使处理进入步骤s680。
79.在步骤s680中，预测装置100将推荐的设定值输出。例如，输出部180将根据评价的结果而推荐的设定值输出。作为一个例子，评价部170将步骤660中存储的设定值的候补的至少1个向输出部180供给。此时，评价部170可以一并将对应的多个预测值wa
′
～wg
′
、以及表示多个预测值wa
′
～wg
′
的可靠性的指标向输出部180供给。而且，输出部180将从评价部170供给的设定值作为推荐的设定值而输出。即，输出部180可以将作为使得多个预测值全部都满足预先规定的基准的设定值检索出的设定值作为推荐的设定值而输出。此时，输出部180可以进一步将与推荐的设定值对应的多个预测值与表示该多个预测值的可靠性的指标一起分别输出。
80.图7表示本实施方式所涉及的预测装置100的预测结果的一个例子。在本图中，横轴表示晶圆位置，左侧表示炉口，右侧表示炉内。另外，在本图中，纵轴表示在配置于各位置的晶圆成膜出的膜厚。而且，在本图中，白圈的数据点表示实际测定在配置于各位置的晶圆成膜出的膜厚所得的膜厚的实际测定值、即膜厚wa～wg。另外，在本图中，黑圈的数据点表示有可能在配置于各位置的晶圆成膜出的膜厚的预测值、即多个预测值wa
′
～wg
′
。
81.如本图中的白圈所示，可知在配置于炉口附近(位置a以及位置b)的晶圆成膜出的膜厚的实际测定值低于下限值。因此，本实施方式所涉及的预测装置100在将炉温设定从设定值t调整为设定值t
′
的情况下，预测有可能在配置于各位置的晶圆成膜出的膜厚的变化率。即，在从设定值t调整为设定值t
′
的情况下，预测装置100预测本图中由白圈表示的数据以何种程度变化。由此，本实施方式所涉及的预测装置100能够如本图的黑圈所示那样，预测有可能在配置于各位置的晶圆成膜出的膜厚的预测值wa
′
～wg
′
。
82.图8表示本实施方式所涉及的预测装置100的输出的一个例子。作为当前维护时的炉温设定，分别设定为炉口温度tf＝954.7度、炉中央温度tc＝939.3度、炉内温度tr＝950.3度、以及成膜时间t＝3分27秒。基于这种炉温设定对加热器进行控制的结果，如图7的白圈所示，能够获得在配置于炉口附近的晶圆成膜出的膜厚的实际测定值低于下限值的结果。因此，本实施方式所涉及的预测装置100根据图6的流程而预测调整了设定值的情况下的多个预测值，将推荐的设定值输出。在本图中，示出了预测装置100将炉口温度tf
′
＝
1026.5度、炉中央温度tc
′
＝939.3度、炉内温度＝945.1度、以及成膜时间t
′
＝3分57秒作为推荐的炉温设定而输出的情况。此时，预测装置100能够进一步在基于该推荐的炉温设定对加热器进行控制的情况下，如本图的黑圈那样一并将预测有可能在配置于各位置的晶圆成膜出的膜厚的多个预测值输出。另外，预测装置100能够如本图的斜线部那样，一并将与多个预测值对应的指标(95％可信区间)输出。
83.当前，例如图7的白圈所示，在配置于炉口附近的晶圆成膜出的膜厚的实际测定值低于下限值的情况下，考虑使炉口温度的设定值升高。然而，不仅是炉口附近的晶圆，炉口温度的升高对于在配置于炉中央附近(例如位置c、位置d以及位置e)、炉内附近(例如位置f以及位置g)的晶圆成膜出的膜厚也有可能造成影响。因此，为了使在配置于所有位置的晶圆成膜出的膜厚处于基准范围内，难以判断只要以何种程度调整哪个参数即可。由此，作业者需要反复多次对炉温设定进行重新调整。
84.与此相对，本实施方式所涉及的预测装置100预测基于设定值对控制对象20进行控制而得到的成果的多个物理量。而且，本实施方式所涉及的预测装置100将根据对预测多个物理量的多个预测值进行评价的结果而推荐的设定值输出。由此，根据本实施方式所涉及的预测装置100，能够抑制作业者调整设定值的负荷。例如，控制对象20是用于调整对晶圆进行热处理的炉内的温度的加热器，在成果的物理量为在晶圆成膜出的膜厚的情况下，本实施方式所涉及的预测装置100能够分别预测在配置于扩散炉200内的多个晶圆分别成膜出的膜厚。由此，根据本实施方式所涉及的预测装置100，能够大幅缩短扩散炉200的维护时间，与此相应地，能够提高扩散炉200的半导体制造过程的运转率。
85.另外，本实施方式所涉及的预测装置100利用将设定值数据以及物理量数据作为学习数据并通过对控制对象20的设定值和成果物的物理量的关系进行机器学习而生成的学习模型，计算出多个预测值。由此，根据本实施方式所涉及的预测装置100，能够基于客观依据而计算出多个预测值。
86.另外，本实施方式所涉及的预测装置100通过机器学习而生成这种学习模型。由此，根据本实施方式所涉及的预测装置100，能够利用一体的装置实现学习功能和预测功能。
87.此时，本实施方式所涉及的预测装置100生成以设定值的变化率为输入、以物理量的变化率为输出的学习模型。由此，根据本实施方式所涉及的预测装置100，能够学习设定值和物理量的相对的关系。
88.另外，本实施方式所涉及的预测装置100通过高斯过程回归而生成学习模型。由此，根据本实施方式所涉及的预测装置100，能够基于高斯过程回归遵循的高斯分布的标准偏差等，利用通过机器学习处理的概率模型而获得的标准偏差，分别计算出表示多个预测值的可靠性的指标。
89.另外，本实施方式所涉及的预测装置100在推荐的设定值的基础上，将根据该设定值对控制对象20进行控制的情况下的多个预测值、以及表示该多个预测值的可靠性的指标分别输出。由此，根据本实施方式所涉及的预测装置100，作为根据推荐的设定值对控制对象20进行控制的结果，能够使作业者知晓预测获得何种程度的物理量的成果、以及该预测的可靠程度如何。因此，例如，随着学习数据增加而学习模型的预测精度提高，预测值的可靠性显示为较高，因此作业者能够一边确认以何种程度提高了学习模型的预测精度一边实
施作业。
90.另外，本实施方式所涉及的预测装置100检索使得多个预测值全部都满足预先规定的基准的设定值，将该检索出的设定值作为推荐的设定值而输出。由此，根据本实施方式所涉及的预测装置100，能够取代当前作业者进行的反复试验。
91.图9将本实施方式所涉及的控制装置900的框图的一个例子与设置有控制对象20的设备10一起示出。在图9中，对具有与图1相同的功能以及结构的部件标注相同的标号，并且除了下面的不同点以外而省略说明。在上述预测装置100的基础上，本实施方式所涉及的控制装置900还具有根据推荐的设定值而对控制对象20进行控制的功能。即，本实施方式所涉及的控制装置900对控制对象20赋予基于推荐的设定值的操作量(mv：manipulated variable)。在上述预测装置100所具有的功能部的基础上，本实施方式所涉及的控制装置900还具有控制部910。
92.控制部910根据推荐的设定值而对控制对象20进行控制。例如，作为推荐的设定值，在输出炉口温度tf
′
＝1026.5度、炉中央温度tc
′
＝939.3度、炉内温度＝945.1度以及成膜时间t
′
＝3分57秒的情况下，控制部910根据该设定值而对扩散炉200的3个加热器进行反馈控制。由此，根据本实施方式所涉及的控制装置900，能够根据推荐的设定值而实际对控制对象20进行控制，能够作为一体的装置而实现预测功能和控制功能。此外，控制装置900的预测装置100具有的功能部可以在局部由外部的装置(例如，在控制装置900能够与互联网连接的情况下为云计算)实现。即，可以通过云计算实现学习模型的生成功能(例如学习部130)，控制装置900下载在云端生成的学习模型，利用该下载的学习模型进行物理量的预测、评价，根据与评价结果相应的设定值对控制对象20进行控制。并且，还可以通过云计算而实现物理量的预测功能、评价功能(例如特征量提取部120～输出部180)，控制装置900获取从云端输出的推荐设定值，根据该获取的推荐设定值而对控制对象20进行控制。
93.此外，可以以各种方式对上述实施方式进行变更或应用。例如，在能够获取维护前后的设置于扩散炉200的热电偶的位置的错位、过程气体的流量变化量等数据的情况下，预测装置100还可以作为设定值的变化率而施加这种数据的变化率。
94.另外，在上述说明中，作为一个例子而示出了在扩散炉200的维护时应用本实施方式所涉及的预测技术的情况，但在制造过程时也可以应用本实施方式所涉及的预测技术。通常，在制造过程中，利用维护时调整的炉温设定而实施成膜作业。然而，粒子等在制造过程中蓄积于管内，从而相对于调整后的炉温设定的膜厚的生长度减弱、膜厚逐渐低于预先规定的基准范围的可能性提高。特别地，在即将实施定期维护之前，膜厚低于基准范围的下限值的可能性进一步提高，产生产品的成品率降低的现象。
95.因此，可以将本实施方式所涉及的预测技术应用于制造过程中的炉温设定调整作业。在制造过程中，能够通过定期地实施本实施方式所涉及的预测技术的炉温设定调整作业而更新为补充了膜厚生长度的降低的炉温设定。此外，可以取代定期地实施、或者在此基础上，利用事件触发器(例如，在检测到膜厚生长度的降低的情况下、或者产品的成品率低于预先规定的阈值的情况下)实施这种制造过程中的炉温设定调整作业。
96.另外，在上述说明中，作为一个例子而示出了将本实施方式所涉及的预测技术应用于在扩散炉200中在晶圆成膜出的膜厚的预测的情况。然而，并不限定于此。本实施方式所涉及的预测技术可以应用于每次目标值都改变的例子、根据用户的经验对控制对象20赋
予设定值的例子等。
97.例如，可以利用本实施方式所涉及的预测技术在使用从外部空气取入的空气将清洁室内的温度、湿度控制为恒定水平时，提出根据外部空气的温度、湿度变化的状况应当使lpg气体升温至何种程度、应当使冷却水冷却至何种程度等目标设定。
98.另外，例如，可以利用本实施方式所涉及的预测技术在仪器的校准时学习传感器的偏置量、当前的仪器的状况等，利用推荐的参数设定调整量而实施校准。作为一个例子，可以在对设置于工厂的监视照相机进行校准时，利用本实施方式所涉及的预测技术而预测焦点、镜头的畸变等，利用根据该预测结果推荐的设定调整量而对监视照相机的内部参数进行调整。
99.另外，在上述说明中，仅示出了预测装置100将多个预测值的指标用于输出的情况，但并不限定于此。预测装置100也可以将多个预测值的指标用作设定值t
′
的评价基准。即，在作为设定值的候补而存储了多个使得多个预测值全部都满足预先规定的基准的设定值的情况下，评价部170可以基于该指标而选择一个设定值。此时，评价部170例如可以在多个预测值的指标超过预先规定的阈值的情况下，从应当推荐的设定值的候补中排除与该多个预测值对应的设定值。另外，评价部170可以基于多个预测值以及该多个预测值的指标而使得设定值实现评分化，作为应当推荐的设定值而选择评分最高的设定值。在该情况下，评价部170可以利用预测值越接近指定值则评分越高，并且指标越小则评分越高的函数。
100.可以参照流程图及框图而对本发明的各种实施方式进行记载，这里，模块可以表示(1)执行操作的过程的阶段、或者(2)具有执行操作的作用的装置的部分。特定的阶段以及部分可以利用专用电路、与计算机可读介质上储存的计算机可读指令一起供给的可编程电路、和/或与计算机可读介质上储存的计算机可读指令一起供给的处理器而安装。专用电路可以包含数字和/或模拟硬件电路，也可以包含集成电路(ic)和/或分立电路。可编程电路可以包含逻辑and、逻辑or、逻辑xor、逻辑nand、逻辑nor、以及其他逻辑操作、触发电路、寄存器、现场可编程门阵列(fpga)、可编程逻辑阵列(pla)等之类的存储器要素等的可再构成的硬件电路。
101.计算机可读介质可以包含能够对利用适当的设备执行的指令进行储存的任意有形的设备，其结果，具有此处储存的指令的计算机可读介质具有包含能够为了制作用于执行流程图或框图中指定的操作的手段的能够执行的指令的产品。作为计算机可读介质的例子，可以包含电子存储介质、磁存储介质、光存储介质、电磁存储介质、半导体存储介质等。作为计算机可读介质的更具体的例子，可以包含floppy(注册商标)软盘、软盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦可编程只读存储器(eprom或闪存)、电可擦可编程只读存储器(eeprom)、静态随机存取存储器(sram)、光盘只读存储器(cd-rom)、数字化多用途光盘(dvd)、蓝光(rtm)盘、记忆棒、集成电路卡等。
102.计算机可读指令可以包含汇编指令、指令集架构(isa)指令、机器指令、依赖于机器的指令、微码、固件指令、状态设定数据、或者包含smalltalk(注册商标)、java(注册商标)、c++等之类的面向对象编程语言、以及“c”编程语言或同样的编程语言之类的现有的程序性编程语言在内的1种或多种编程语言的任意组合记述的源代码或对象代码的任一种。
103.可以经由本地或局域网(lan)、互联网等之类的广域网(wan)而对通用计算机、特殊目的的计算机或者其他可编程的数据处理装置的处理器或可编程电路提供计算机可读
指令，为了制作用于执行流程图或框图中指定的操作的手段而执行计算机可读指令。作为处理器的例子，包含计算机处理器、处理单元、微处理器、数字信号处理器、控制器、微控制器等。
104.图6表示可以将本发明的多个方式全部或一部分实现具体化的计算机9900的例子。计算机9900中安装的程序能够使计算机9900作为与本发明的实施方式所涉及的装置相关联的操作或该装置的1个或多个部分起作用，或者能够执行该操作或该1个或多个部分，和/或能够使计算机9900执行本发明的实施方式所涉及的过程或该过程的阶段。这种程序可以为了使计算机9900执行与本说明书中记载的流程图及框图的模块中的几个或全部相关联的特定操作而由cpu9912执行。
105.本实施方式所涉及的计算机9900包含cpu9912、ram9914、图形控制器9916以及显示设备9918，上述部件通过主控制器9910而相互连接。另外，计算机9900包含通信接口9922、硬盘驱动器9924、dvd-rom驱动器9926、以及ic卡驱动器之类的输入/输出单元，上述部件经由输入/输出控制器9920而与主控制器9910连接。另外，计算机包含rom9930以及键盘9942之类的传统的输入/输出单元，上述部件经由输入/输出芯片9940而与输入/输出控制器9920连接。
106.cpu9912根据rom9930及ram9914内储存的程序而执行动作，由此对各单元进行控制。图形控制器9916获取向ram9914内提供的、在帧缓冲区等或其本身中由cpu9912生成的图像数据并在显示设备9918上对图像数据进行显示。
107.通信接口9922经由网络而与其他电子设备通信。硬盘驱动器9924对由计算机9900内的cpu9912使用的程序以及数据进行储存。dvd-rom驱动器9926从dvd-rom9901读取程序或数据，经由ram9914而将程序或数据提供给硬盘驱动器9924。ic卡驱动器从ic卡读取程序以及数据、和/或将程序以及数据写入至ic卡。
108.rom9930在其中对激活时由计算机9900执行的启动程序等、和/或依赖于计算机9900的硬件的程序进行储存。另外，输入/输出芯片9940使得各种输入/输出单元经由并行端口、串行端口、键盘端口、鼠标端口等而与输入/输出控制器9920连接。
109.程序由dvd-rom9901或ic卡之类的计算机可读介质提供。从计算机可读介质读取程序、并将其安装于还作为计算机可读介质的例子的硬盘驱动器9924、ram9914、或rom9930而由cpu9912执行。上述程序内记述的信息处理由计算机9900读取，并使得程序和上述各种类型的硬件资源之间进行协作。可以通过使用计算机9900实现信息的操作或处理而构成装置或方法。
110.例如，在计算机9900以及外部设备之间执行通信的情况下，cpu9912可以执行ram9914中加载的通信程序，基于通信程序中记述的处理而对通信接口9922发出通信处理的指令。通信接口9922在cpu9912的控制下读取向ram9914、硬盘驱动器9924、dvd-rom9901、或者ic卡之类的记录介质内提供的发送缓冲处理区域中储存的发送数据，将读取的发送数据发送至网络、或者将从网络接收到的接收数据写入至向记录介质上提供的接收缓冲处理区域等。
111.另外，cpu9912可以将硬盘驱动器9924、dvd-rom驱动器9926(dvd-rom9901)、ic卡等之类的外部记录介质中储存的文件或数据库的全部或所需的部分读取至ram9914，针对ram9914上的数据执行各种类型的处理。cpu9912接下来将处理后的数据回写至外部记录介
质。
112.各种类型的程序、数据、表以及数据库之类的各种类型的信息可以储存于记录介质并接受信息处理。cpu9912可以针对从ram9914读取的数据而执行本公开的任意位置记载的由程序的指令序列指定的各种类型的操作、信息处理、条件判断、条件分支、无条件分支、信息的检索/置换等在内的各种类型的处理，针对ram9914而回写结果。另外，cpu9912可以检索记录介质内的文件、数据库等中的信息。例如，在分别具有与第2属性的属性值相关联的第1属性的属性值的多个条目储存于记录介质内的情况下，cpu9912可以从该多条记录中检索指定了第1属性的属性值的与条件一致的条目，读取该条目内储存的第2属性的属性值，获取与满足由此预先规定的条件的第1属性相关联的第2属性的属性值。
113.以上说明的程序或软件模块可以储存于计算机9900上或计算机9900附近的计算机可读介质。另外，向与专用通信网络或互联网连接的服务器系统内提供的硬盘或ram之类的记录介质可以用作计算机可读介质，由此经由网络而将程序提供给计算机9900。
114.以上利用实施方式对本发明进行了说明，本发明的技术范围并不限定于上述实施方式中记载的范围。本领域技术人员能够理解，可以对上述实施方式施加多种变更或改良。根据权利要求书的记载明确可知，施加了这种变更或改良的方式也可以包含于本发明的技术范围内。
115.关于权利要求书、说明书以及附图中示出的装置、系统、程序以及方法中的动作、次序、步骤以及阶段等各处理的执行顺序，应当注意是，只要并没有特别明确地表示为“更提前”、“提前”等，另外，未在后续的处理中使用在前的处理的输出，则能够以任意顺序实现。关于权利要求书、说明书以及附图中的动作流程，即使为了方便而使用“首先、”、“接下来、”等进行了说明，也不意味着必须按照该顺序实施。
116.标号的说明
117.10
ꢀꢀꢀꢀꢀꢀ
设备
118.20
ꢀꢀꢀꢀꢀꢀ
控制对象
119.100
ꢀꢀꢀꢀꢀ
预测装置
120.110
ꢀꢀꢀꢀꢀ
数据获取部
121.120
ꢀꢀꢀꢀꢀ
特征量提取部
122.130
ꢀꢀꢀꢀꢀ
学习部
123.140
ꢀꢀꢀꢀꢀ
学习模型保存部
124.150
ꢀꢀꢀꢀꢀ
设定调整部
125.160
ꢀꢀꢀꢀꢀ
预测部
126.170
ꢀꢀꢀꢀꢀ
评价部
127.180
ꢀꢀꢀꢀꢀ
输出部
128.200
ꢀꢀꢀꢀꢀ
扩散炉
129.900
ꢀꢀꢀꢀꢀ
控制装置
130.910
ꢀꢀꢀꢀꢀ
控制部
131.9900
ꢀꢀꢀꢀ
计算机
132.9901
ꢀꢀꢀꢀ
dvd-rom
133.9910
ꢀꢀꢀꢀ
主控制器
134.9912
ꢀꢀꢀꢀ
cpu
135.9914
ꢀꢀꢀꢀ
ram
136.9916
ꢀꢀꢀꢀ
图形控制器
137.9918
ꢀꢀꢀꢀ
显示设备
138.9920
ꢀꢀꢀꢀ
输入/输出控制器
139.9922
ꢀꢀꢀꢀ
通信接口
140.9924
ꢀꢀꢀꢀ
硬盘驱动器
141.9926
ꢀꢀꢀꢀ
dvd驱动器
142.9930
ꢀꢀꢀꢀ
rom
143.9940
ꢀꢀꢀꢀ
输入/输出芯片
144.9942
ꢀꢀꢀꢀ
键盘