信息处理方法以及信息处理装置与流程

1.本公开涉及信息处理方法以及信息处理装置。


背景技术：

2.在半导体装置的制造工艺中，存在切换多个处理气体，对基板反复层叠几乎为单分子层的薄的单位膜的原子层沉积法(ald：atomic layer deposition)。另外，存在对在基板上成膜的膜反复进行几乎为单分子层的薄的单位膜的蚀刻的ale(atomic layer etching：原子层蚀刻)。在ald以及ale中，通过对一张基板反复执行同样的处理来进行规定的工艺处理。
3.专利文献1：日本特开2012-209593号公报


技术实现要素：

4.本公开提供能够提高在反复处理时测定出的时间序列数据组的特征量提取的精度的信息处理方法以及信息处理装置。
5.根据本公开的一方式的信息处理方法获取在对基板的周期处理中测定出的时间序列数据组。信息处理方法针对获取到的时间序列数据组所包含的每个时间序列数据，计算周期处理的各周期的统计值。信息处理方法生成基于计算出的统计值的统计数据。信息处理方法将生成的统计数据或者时间序列数据分割为规定的区间。信息处理方法基于分割后的统计数据或者时间序列数据，针对每个区间计算代表值。
6.根据本公开，能够提高在反复处理时测定出的时间序列数据组的特征量提取的精度。
附图说明
7.图1是表示本公开的一个实施方式中的信息处理系统的一个例子的框图。
8.图2是表示本公开的一个实施方式中的信息处理装置的硬件结构的一个例子的框图。
9.图3是表示本公开的一个实施方式中的信息处理装置的功能结构的一个例子的功能框图。
10.图4是表示时间序列数据的一个例子的图。
11.图5是表示放大时间序列数据的一部分的一个例子的图。
12.图6是表示来自时间序列数据的统计值的计算的一个例子的图。
13.图7是表示通过贝叶斯优化设定的区间的一个例子的图。
14.图8是表示区间的代表值和测量数据的关系的一个例子的图。
15.图9是表示根据时间序列数据求出统计数据的区间的代表值的情况下的一个例子的图。
16.图10是表示工艺的异常检测中的与以往的比较的一个例子的图。
17.图11是表示本实施方式中的特征量提取处理的一个例子的流程图。
18.图12是表示本实施方式中的预测处理的一个例子的流程图。
具体实施方式
19.以下，基于附图，详细对公开的信息处理方法以及信息处理装置的实施方式进行说明。此外，并不是通过以下的实施方式限定公开技术。
20.在ald以及ale等进行反复处理的工艺中，由于在短时间内反复数百次投入处理气体、基于热量等能量投入的反应以及处理气体的吹扫的周期，所以表示工艺的变动(tick)的时间序列数据变得极多。因此，时间序列数据由于具有类似的倾向的周期被极其细致地反复，因此即使保持原样地参照时间序列数据，也难以提取有助于工艺的不良、完成情况等重要的特性的部分。例如，在专利文献1中，在反复执行子配方时，通过使用子配方的执行次数中的特定次数的数据，从时间序列数据提取特征量。然而，提取的特征量并不是针对反复处理整体的特征量。因此，在反复数百次同样的周期的情况下，难以提取准确地反映处理状况的特征量。另外，对于数百次反复进行的处理，难以判断使用第几次的处理数据。也就是说，由于特征量提取的精度较低，因此要求渊博的知识和时间以进行与工艺相关的设定。因此，期待提高在反复处理时测定出的时间序列数据组的特征量提取的精度。
21.[信息处理系统1的结构]
[0022]
图1是表示本公开的一个实施方式中的信息处理系统的一个例子的框图。图1所示的信息处理系统1具有：基板处理装置10、结果数据获取装置20以及信息处理装置100。此外，基板处理装置10、结果数据获取装置20以及信息处理装置100也可以分别为多个。
[0023]
基板处理装置10例如是构成为对处理对象的基板(半导体晶圆，以下称为晶圆)进行ald(atomic layer deposition：原子层沉积)或者ale(atomic layer etching：原子层蚀刻)的工艺的成膜装置或者蚀刻装置。基板处理装置10进行对晶圆的工艺处理，并将在该处理中测定出的时间序列数据组发送到信息处理装置100。
[0024]
结果数据获取装置20对在基板处理装置10中结束处理的基板进行规定的检查(例如成膜速度)，获取结果数据。结果数据获取装置20将获取到的结果数据作为模型创建用数据发送到信息处理装置100。
[0025]
信息处理装置100从基板处理装置10接收时间序列数据组，从结果数据获取装置20接收结果数据。信息处理装置100基于接收到的时间序列数据组等各种信息来提取特征量，并且生成用于输出与工艺的结果相关的预测结果的模型。另外，信息处理装置100从基板处理装置10接收新的时间序列数据组，并基于接收到的新的时间序列数据组，输出与基板处理装置10中的工艺的结果相关的预测结果。预测结果例如列举出工艺的异常检测信息、晶圆、基板处理装置中的各种预测信息等。
[0026]
[信息处理装置100的硬件结构]
[0027]
图2是表示本公开的一个实施方式中的信息处理装置的硬件结构的一个例子的框图。如图2所示，信息处理装置100具有：cpu(central processing unit：中央处理器)101、rom(read only memory：只读存储器)102以及ram(random access memory：随机存取存储器)103。此外，cpu101等处理器(处理电路、processing circuit、processing circuitry)和rom102、ram103等存储器形成所谓的计算机。
[0028]
并且，信息处理装置100具有：辅助存储装置104、显示装置105、操作装置106、i/f(interface：接口)装置107以及驱动装置108。此外，信息处理装置100的各硬件经由总线109相互连接。
[0029]
cpu101是执行安装于辅助存储装置104的各种程序(例如，预测程序等)的运算设备。
[0030]
rom102是非易失性存储器，作为主存储装置发挥功能。rom102储存cpu101执行安装于辅助存储装置104的各种程序所需的各种程序、数据等。具体而言，rom102储存bios(basic input/output system：基本输入输出系统)、efi(extensible firmware interface：可扩展固件接口)等引导程序等。
[0031]
ram103是dram(dynamic random access memory：动态随机存取存储器)、sram(static random access memory：静态随机存取存储器)等易失性存储器，作为主存储装置发挥功能。ram103提供由cpu101执行安装于辅助存储装置104的各种程序时展开的作业区域。
[0032]
辅助存储装置104储存各种程序、由cpu101执行各种程序时所使用的各种数据等。例如，后述的时间序列数据组存储部在辅助存储装置104中实现。
[0033]
显示装置105是显示信息处理装置100的内部状态的显示设备。操作装置106是信息处理装置100的管理者对信息处理装置100输入各种指示时所使用的输入设备。i/f装置107是与未图示的网络连接，并用于进行通信的连接设备。
[0034]
驱动装置108是用于设置记录介质110的设备。此处所谓的记录介质110包含像cd-rom、软盘、光磁盘等那样光学、电或者磁记录信息的介质。另外，记录介质110也可以包含像rom、闪存等那样电记录信息的半导体存储器等。
[0035]
此外，安装于辅助存储装置104的各种程序例如通过被分配的记录介质110设置于驱动装置108，记录于该记录介质110的各种程序由驱动装置108读出来安装。或者，安装于辅助存储装置104的各种程序也可以经由未图示的网络下载来安装。
[0036]
[信息处理装置100的功能结构]
[0037]
图3是表示本公开的一个实施方式中的信息处理装置的功能结构的一个例子的功能框图。信息处理装置100具有存储部220和控制部230。
[0038]
存储部220例如通过ram103、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220具有时间序列数据组存储部221和结果数据存储部222。另外，存储部220存储控制部230中的处理所使用的信息。
[0039]
时间序列数据组存储部221存储在对基板处理装置10中的多个晶圆进行周期处理的工艺中测定出的每个时间序列数据组。时间序列数据组存储部221例如存储基板处理装置10的高频电源的电压(rf vpp)等信息，作为时间序列数据组所包含的时间序列数据。图4是表示时间序列数据的一个例子的图。作为时间序列数据的一个例子，图4所示的图表150是将与工艺的时间经过、即周期处理相应的高频电源的电压图表化的图。
[0040]
图5是表示放大时间序列数据的一部分的一个例子的图。图5所示的图表151是放大图4的图表150的一部分的图表。如图表151所示，可知高频电源的电压反复具有峰值的周期。此外，与各晶圆对应的每个时间序列数据组与晶圆no.建立对应地存储于时间序列数据组存储部221。
[0041]
返回到图3的说明。结果数据存储部222存储与对各晶圆的工艺的结果相关的结果数据。作为结果数据，例如，能够使用与膜厚等工艺完成的晶圆的完成情况相关的测量数据等各种测量数据。结果数据存储从操作装置106或者i/f装置107输入的数据。
[0042]
存储部220除此之外还存储统计数据、区间的信息、模型等。统计数据是将针对每个时间序列数据计算出的周期处理的各周期的统计值按时间序列排列的数据。也就是说，通过统计数据容易掌握时间序列数据整体的倾向。区间的信息是用于将统计数据或者时间序列数据分割为规定的区间的信息。在区间的分割中，通过调整分割的方法，能够准确地掌握工艺的特征。另外，通过使用基于适当地分割后的区间的统计数据或者时间序列数据的代表值，能够提高模型的精度。模型是基于统计数据或者时间序列数据进行多变量分析或者机器学习而生成的模型。在模型的生成中，也可以使用结果数据。模型例如使用基于数据的正态分布的3σ的马氏距离而生成。例如，在异常检测的情况下，能够使用若马氏距离连续超过阈值则检测出异常的模型。另外，模型也可以使用利用pls(partial least squares：偏最小二乘法)回归而生成的线性回归模型等其它模型。
[0043]
控制部230例如通过由cpu101、mpu(micro processing unit：微处理器)、gpu(graphics processing unit：图形处理器)等将ram103作为作业区域执行存储于内部的存储装置的程序来实现。另外，控制部230例如也可以通过asic(application specific integrated circuit：专用集成电路)、fpga(field programmable gate array：现场可编程逻辑门阵列)等集成电路来实现。
[0044]
控制部230具有：获取部231、第一计算部232、第一生成部233、分割部234、第二计算部235、第二生成部236以及预测部237，实现或者执行以下说明的信息处理的功能、作用。此外，控制部230的内部结构并不限于图3所示的结构，只要是进行后述的信息处理的结构，则也可以是其它结构。
[0045]
在特征量提取处理的情况下，获取部231从基板处理装置10获取与各晶圆对应的每个时间序列数据组。另外，获取部231也可以从结果数据获取装置20获取检查数据等基板的工艺处理的结果数据。并且，在预测处理的情况下，获取部231从基板处理装置10获取与被预测对象的新的晶圆对应的时间序列数据组。获取部231将获取到的时间序列数据组存储于时间序列数据组存储部221，将获取到的结果数据存储于结果数据存储部222。
[0046]
第一计算部232参照时间序列数据组存储部221，针对时间序列数据组所包含的每个时间序列数据，计算周期处理的各周期的统计值。统计值例如能够使用平均值、最小值、最大值、方差以及斜率这样的值。第一计算部232将计算出的每个时间序列数据的统计值的集合输出到第一生成部233。此外，在特征量提取处理中，对于多个晶圆的时间序列数据组的每一个，同样地计算每个时间序列数据的统计值。另外，在以下的说明中，在对多个晶圆的时间序列数据组内的各时间序列数据、或者一个晶圆的时间序列数据组内的各时间序列数据进行各处理部中的处理的情况下，对于一个时间序列数据进行代表地说明，对于其它时间序列数据省略说明。此处，使用图6对统计值的计算进行说明。
[0047]
图6是表示来自时间序列数据的统计值的计算的一个例子的图。如图6所示，第一计算部232例如从时间序列数据的图表150提取特定的周期152。第一计算部232针对提取出的周期152，例如计算最大值152a、中值152b、平均值152c、最小值152d这样的值作为统计值。
[0048]
另外，第一计算部232也可以针对时间序列数据所包含的每个周期，去除从统计值的计算排除的数据。排除的数据例如可以设为周期内的步骤的切换部分等数据。例如，第一计算部232也可以针对周期152，在步骤的切换定时仅取出第二个步骤区间152-2，排除其它数据，计算统计值。
[0049]
返回到图3的说明。若从第一计算部232输入每个时间序列数据的统计值的集合，则第一生成部233针对每个时间序列数据，基于统计值的集合生成统计数据。第一生成部233例如通过将统计值按时间序列排列，从而生成与时间序列数据对应的统计数据。第一生成部233将生成的统计数据输出到分割部234。此外，第一生成部233也可以与第一计算部232统合。
[0050]
若从第一生成部233输入统计数据，则分割部234将所输入的统计数据分割为一个以上的区间。此外，在想要避免由于重复统计处理而导致的精度的降低的情况下，分割部234也可以参照时间序列数据组存储部221，将时间序列数据组所包含的时间序列数据分割为一个以上的区间。在特征量提取处理的情况下，分割部234基于预先决定的区间的分割的方法，将统计数据或者时间序列数据分割为区间。另外，在从第二生成部236指示变更区间的分割的方法的情况下，分割部234例如变更分割的比例、分割数等而将统计数据或者时间序列数据分割为区间。分割部234例如将统计数据或者时间序列数据在工艺的前半分割为两个区间，在中期分割为一个区间，在后半分割为两个区间。该情况下，例如，区间i1设为工艺的开头1周期，区间i2设为从开头侧第2周期到第10周期。区间i3设为从开头侧第11周期到末尾侧第11周期。也就是说，区间i3是包含构成工艺的数百周期的大部分的区间。区间i4设为从末尾侧第2周期到第10周期，区间i5设为最末尾1周期。在这样的区间的分割中，通过调整分割的方法，能够准确地掌握工艺的特征。在预测处理的情况下，分割部234基于存储于存储部220的区间的信息，将统计数据或者时间序列数据分割为区间。分割部234将分割后的统计数据或者时间序列数据输出到第二计算部235。
[0051]
此外，分割部234在使用通过贝叶斯优化预先求出的区间作为用于分割统计数据或者时间序列数据的区间的信息的情况下，参照时间序列数据组存储部221以及结果数据存储部222，预先计算该区间。此处，使用图7以及图8对基于贝叶斯优化的区间的设定进行说明。
[0052]
图7是表示通过贝叶斯优化设定的区间的一个例子的图。如图7所示，时间序列数据组170分别与晶圆no.相同的测量数据组171建立对应。即，将时间序列数据170a、170b、170c、170d、
···
和测量数据171a、171b、171c、171d、
···
分别建立对应。时间序列数据组170以及测量数据组171还使用多个晶圆的数据组例如三个至数十个晶圆的数据组。分割部234将时间序列数据组170作为说明函数，将测量数据组171作为目标函数进行贝叶斯优化。
[0053]
分割部234例如将提取的周期的范围(区间)作为参数，进行贝叶斯优化。分割部234与后述的第二计算部235同样地计算区间的代表值。分割部234例如使用决定系数r2来判定计算出的区间的代表值与测量数据的关系。此外，决定系数r2取0～1的范围。
[0054]
图8是表示区间的代表值与测量数据的关系的一个例子的图。在图8所示的图表173的例子中，假设决定系数r2是0.7955。该情况下，分割部234例如使上述的参数变化进行搜索，直到决定系数r2成为0.8以上为止，或者直到满足预先设定的次数、计算时间为止。
即，分割部234设定规定的区间，以使得模型的预测误差变少。此外，区间的代表值与测量数据的关系除了决定系数r2之外，还可以使用rmse(root mean square error：均方根误差)、pls。
[0055]
分割部234能够求出贝叶斯优化的结果例如图7所示的区间172，作为用于分割统计数据或者时间序列数据的区间信息。分割部234将计算出的区间172存储于存储部220。也就是说，在区间172的例子中，与上述的区间i1～i5相比较，能够将模型中的预测对象从五个减少至一个。即，通过使用贝叶斯优化，能够缩短搜索时间。此外，分割部234也可以代替贝叶斯优化而使用其它参数搜索方法求出用于分割统计数据或者时间序列数据的区间。
[0056]
返回到图3的说明。若从分割部234输入分割后的统计数据或者时间序列数据，则第二计算部235基于分割后的统计数据或者时间序列数据，针对每个区间计算代表值(摘要)。第二计算部235例如计算平均值、最小值、最大值、方差以及斜率这样的值作为每个区间的代表值。例如，第二计算部235在统计数据或者时间序列数据被分割为上述的区间i1～i5的情况下，针对每个区间i1～i5计算平均值作为代表值。第二计算部235将计算出的每个区间的代表值在特征量提取处理中输出到第二生成部236，在预测处理中输出到预测部237。
[0057]
此处，使用图9对根据时间序列数据求出统计数据的区间的代表值的情况进行说明。图9是表示根据时间序列数据求出统计数据的区间的代表值的情况的一个例子的图。如图9所示，信息处理装置100根据时间序列数据的图表150计算基于各周期的统计值的统计数据190。接下来，信息处理装置100例如针对与上述的区间i1～i5对应的区间181～185，计算代表值191～195。在图9的例子中，在统计数据190中，代表值191成为比其它代表值192～195低的值。这表示代表值191的区间181即、工艺的开头1周期的高频电源的电压较低，等离子体的上升较差。即，统计数据190的晶圆在等离子体的上升异常的工艺中被处理，因此成为产品不良，因此在这样的情况下，检测异常。
[0058]
返回到图3的说明。第二生成部236在特征量提取处理中从第二计算部235输入每个区间的代表值。第二生成部236根据基于统计数据或者时间序列数据的每个区间的代表值，进行多变量分析来生成模型。模型例如是预测函数f(x)。此外，预测函数f(x)例如是使用了马氏距离、pls回归等的函数。另外，第二生成部236在使用结果数据的情况下，参照结果数据存储部222，根据基于统计数据或者时间序列数据的每个区间的代表值和结果数据，进行多变量分析来生成模型。第二生成部236将作为特征量的每个区间的代表值作为x输入到所生成的模型、即预测函数f(x)，求出y＝f(x)。y表示预测结果。第二生成部236对于预测结果，例如使用rmse等评价函数，判定预测精度是否是阈值以上。第二生成部236在判定为预测精度不是阈值以上的情况下，对分割部234指示变更区间的分割的方法。第二生成部236在判定为预测精度是阈值以上的情况下，将区间的信息以及模型存储于存储部220。
[0059]
预测部237在预测处理中从第二计算部235输入每个区间的代表值。预测部237将作为特征量的每个区间的代表值作为x输入到存储于存储部220的特征量的提取时所使用的模型即预测函数f(x)，求出预测结果即、y＝f(x)。预测部237判定预测结果是否是阈值以上。预测部237在判定为预测结果是阈值以上的情况下，输出预测结果，执行预先设定的动作，例如基板处理装置10中的配方的设定值的变更、对基板处理装置10的警报的通知、对操作人员的邮件发送等。预测部237在判定为预测结果不是阈值以上的情况下，输出预测结
果，不执行预先设定的动作。
[0060]
对于预测结果，根据使用的模型而列举出工艺的异常检测信息、与工艺的结果相关的预测信息、基板处理装置10的维护时期的预测信息、基板处理装置10的设定值的修正信息以及工艺的设定值的修正信息这样的信息。另外，作为预测结果，也可以输出对工艺的异常进行分类的信息。此外，预测结果能够使用于存储于存储部220并用于统计处理等其它处理，或者发送到基板处理装置10并用于设定值的修正这样的各种用途。
[0061]
此处，使用图10对预测结果的一个例子进行说明。图10是表示工艺的异常检测中的与以往的比较的一个例子的图。如图10所示，例如，在使用工艺的异常检测信息作为预测结果的情况下，与从现有的时间序列数据整体生成的摘要196相比，在本实施方式中生成的预测结果亦即摘要197的第二个和第七个晶圆从总体偏离，能够检测出产生异常。
[0062]
[特征量提取方法]
[0063]
接下来，对本实施方式的信息处理装置100的动作进行说明。首先，使用图11对特征量提取处理进行说明。图11是表示本实施方式中的特征量提取处理的一个例子的流程图。此外，在图11中，将对统计数据进行区间分割的情况作为一个例子进行说明。
[0064]
信息处理装置100的获取部231从基板处理装置10获取与各晶圆对应每个时间序列数据组(步骤s1)。此外，获取部231在使用结果数据的情况下，从结果数据获取装置20获取针对各晶圆的结果数据。获取部231将获取到的时间序列数据组存储于时间序列数据组存储部221，将获取到的结果数据存储于结果数据存储部222。
[0065]
第一计算部232参照时间序列数据组存储部221，针对时间序列数据组所包含的每个时间序列数据，计算周期处理的各周期的统计值(步骤s2)。第一计算部232将计算出的每个时间序列数据的统计值的集合输出到第一生成部233。
[0066]
若从第一计算部232输入每个时间序列数据的统计值的集合，则第一生成部233针对每个时间序列数据，基于统计值的集合生成统计数据(步骤s3)。第一生成部233将生成的统计数据输出到分割部234。
[0067]
若从第一生成部233输入统计数据，则分割部234将所输入的统计数据分割为一个以上的区间(步骤s4)。分割部234将分割后的统计数据输出到第二计算部235。
[0068]
若从分割部234输入分割后的统计数据，则第二计算部235基于分割后的统计数据来计算每个区间的代表值(步骤s5)。第二计算部235将计算出的每个区间的代表值输出到第二生成部236。
[0069]
若从第二计算部235输入每个区间的代表值，则第二生成部236基于每个区间的代表值，进行多变量分析来生成模型(预测函数f(x))(步骤s6)。此外，第二生成部236在使用结果数据的情况下，参照结果数据存储部222，基于每个区间的代表值和结果数据，进行多变量分析来生成模型。第二生成部236向生成的模型(f(x))输入每个区间的代表值(特征量x)来求出预测结果。也就是说，求出y＝f(x)(步骤s7)。
[0070]
第二生成部236对于预测结果，例如使用rmse等评价函数，判定预测精度是否是阈值以上(步骤s8)。第二生成部236在判定为预测精度不是阈值以上的情况下(步骤s8：否)，返回到步骤s4，从区间分割开始重新进行。第二生成部236在判定为预测精度是阈值以上的情况下(步骤s8：是)，将区间的信息以及模型存储于存储部220，结束特征量提取处理。由此，信息处理装置100能够提高在反复处理时测定出的时间序列数据组的特征量提取的精
度。
[0071]
[预测方法]
[0072]
接下来，使用图12对预测处理进行说明。图12是表示本实施方式中的预测处理的一个例子的流程图。此外，在图12中，将对统计数据进行区间分割的情况作为一个例子进行说明。
[0073]
信息处理装置100的获取部231从基板处理装置10获取与晶圆对应的时间序列数据组(步骤s11)。获取部231将获取到的时间序列数据组存储于时间序列数据组存储部221。
[0074]
第一计算部232参照时间序列数据组存储部221，针对时间序列数据组所包含的每个时间序列数据，通过与特征量的提取时相同的方法计算周期处理的各周期的统计值(步骤s12)。第一计算部232将计算出的每个时间序列数据的统计值的集合输出到第一生成部233。
[0075]
若从第一计算部232输入每个时间序列数据的统计值的集合，则第一生成部233针对每个时间序列数据，基于统计值的集合生成统计数据(步骤s13)。第一生成部233将生成的统计数据输出到分割部234。
[0076]
分割部234将输入的统计数据分割为与特征量的提取时相同的区间(步骤s14)。分割部234将分割后的统计数据输出到第二计算部235。
[0077]
若从分割部234输入分割后的统计数据，则第二计算部235基于分割后的统计数据，通过与特征量的提取时相同的方法计算每个区间的代表值(步骤s15)。第二计算部235将计算出的每个区间的代表值(特征量x)输出到预测部237。
[0078]
若从第二计算部235输入每个区间的代表值，则预测部237向在特征量的提取时使用的模型输入每个区间的代表值来求出预测结果(步骤s16)。也就是说，将特征量x代入y＝f(x)。预测部237判定预测结果是否是阈值以上(步骤s17)。预测部237在判定为预测结果是阈值以上的情况下(步骤s17：是)，执行预先设定的动作(步骤s18)，并结束预测处理。此外，作为预先设定的动作，列举出基板处理装置10中的配方的设定值的变更、对基板处理装置10的警报的通知、对操作人员的邮件发送等。另一方面，预测部237在判定为预测结果不是阈值以上的情况下(步骤s17：否)，不特别执行动作而结束预测处理。由此，信息处理装置100能够提高在反复处理时测定出的时间序列数据组的特征量提取的精度，使用预测结果进行异常检测、预测等。
[0079]
以上，根据本实施方式，信息处理装置100获取对基板在周期处理中测定出的时间序列数据组。另外，信息处理装置100针对获取到的时间序列数据组所包含的每个时间序列数据，计算周期处理的各周期的统计值。另外，信息处理装置100生成基于计算出的统计值的统计数据。另外，信息处理装置100将生成的统计数据或者时间序列数据分割为规定的区间。另外，信息处理装置100基于分割后的统计数据或者时间序列数据，针对每个区间计算代表值。计算出的代表值表示对基板的周期处理中的工艺的特征。其结果，能够提高在反复处理时测定出的时间序列数据组的特征量提取的精度。
[0080]
另外，根据本实施方式，信息处理装置100还获取与对基板的工艺的结果相关的结果数据。另外，信息处理装置100基于计算出的每个区间的代表值和结果数据来生成模型。其结果，能够生成提高在反复处理时测定出的时间序列数据组的特征量提取的精度的模型。
[0081]
另外，根据本实施方式，信息处理装置100设定规定的区间，以使得模型的预测误差减少。其结果，能够进一步提高时间序列数据组的特征量提取的精度。
[0082]
另外，根据本实施方式，信息处理装置100将统计数据或者时间序列数据至少分割为前半、中期以及后半的各区间。其结果，能够高精度地提取时间序列数据的开头、最末尾中的特征量。
[0083]
另外，根据本实施方式，信息处理装置100通过贝叶斯优化求出区间。其结果，能够不依赖于以往的见解而求出区间。
[0084]
另外，根据本实施方式，信息处理装置100使用多变量分析或者神经网络中的至少一个。其结果，能够进一步提高时间序列数据组的特征量提取的精度。
[0085]
另外，根据本实施方式，统计值是各个周期中的平均值、最小值、最大值、方差以及斜率中的任意一个。其结果，由于能够根据时间序列数据的特性提取特征量，因此能够进一步提高精度。
[0086]
另外，根据本实施方式，代表值是规定的区间中的平均值、最小值、最大值、方差以及斜率中的任意一个。其结果，由于能够根据时间序列数据的特性提取特征量，因此能够进一步提高精度。
[0087]
另外，根据本实施方式，信息处理装置100获取在对新的基板的周期处理中测定出的时间序列数据组。另外，信息处理装置100针对获取到的时间序列数据组所包含的每个时间序列数据，计算周期处理的各周期的统计值。另外，信息处理装置100生成基于计算出的统计值的统计数据。另外，信息处理装置100将生成的统计数据或者时间序列数据分割为规定的区间。另外，信息处理装置100基于分割后的统计数据或者时间序列数据，针对每个区间计算代表值。另外，信息处理装置100将计算出的每个区间的代表值输入到模型，输出预测结果。其结果，能够更高精度地预测。
[0088]
另外，根据本实施方式，预测结果是工艺的异常检测信息、与工艺的结果相关的预测信息、基板处理装置10的维护时期的预测信息、基板处理装置10的设定值的修正信息以及工艺的设定值的修正信息中的一个或者多个。其结果，能够检测工艺中的异常。另外，能够容易地建立晶圆的处理计划。另外，能够容易地知晓基板处理装置10的维护时期。另外，能够修正基板处理装置10、工艺的设定值。
[0089]
应认为本次公开的实施方式在所有方面是例示的，并非限制性的。上述的实施方式也可以不脱离附加的权利要求书及其主旨而以各种形态省略、置换、变更。
[0090]
另外，在上述的实施方式中，作为时间序列数据的一个例子，列举了基板处理装置10的高频电源的电压，但并不限定于此。例如，也可以将处理气体的流量、腔室内的压力等与对晶圆的完成情况相关的信息设为时间序列数据。
[0091]
另外，在上述的实施方式中，使用多变量分析生成模型，但并不限定于此。例如，如果是异常检测，则也可以将多个统计数据、测量数据以及异常或正常信息的组作为训练数据，通过cnn(convolutional neural network：卷积神经网络)等机器学习生成学习完毕模型，并将生成的学习完毕模型用作模型，来检测异常。还可以组合基于着眼于一个测量数据的趋势图的异常检测。
[0092]
另外，在上述的实施方式中，对于分割统计数据的规定的区间，说明了预先设定的情况和通过贝叶斯优化求出的情况，但并不限定于此。例如，也可以在各种工艺中，将统计
数据和通过贝叶斯优化求出的区间的组作为训练数据并通过cnn等机器学习生成学习完毕模型，使用生成的学习完毕模型来决定新的工艺的统计数据中的规定的区间。
[0093]
另外，在上述的实施方式中，在从基板处理装置10获取时间序列数据的信息处理装置100中进行特征量提取处理以及预测处理等数据处理，但并不限定于此。例如，也可以在基板处理装置10的控制部进行上述的特征量提取处理以及预测处理等各种数据处理。
[0094]
另外，在上述的实施方式中，作为基板处理装置10中的处理对象的基板，将半导体晶圆作为一个例子进行了说明，但并不限定于此。例如，也可以从将fpd(flat panel display：平板显示器)等的基板作为处理对象的基板处理装置获取时间序列数据。
[0095]
并且，在各装置中进行的各种处理功能也可以在cpu(或者mpu、mcu(micro controller unit：微控制单元)等微型计算机)上执行其全部或者任意的一部分。另外，当然各种处理功能也可以在由cpu(或者mpu、mcu等微型计算机)解析执行的程序上、或者基于布线逻辑的硬件上执行其全部或者任意的一部分。
[0096]
附图标记说明
[0097]1…
信息处理系统；10
…
基板处理装置；20
…
结果数据获取装置；100
…
信息处理装置；220
…
存储部；221
…
时间序列数据组存储部；222
…
结果数据存储部；230
…
控制部；231
…
获取部；232
…
第一计算部；233
…
第一生成部；234
…
分割部；235
…
第二计算部；236
…
第二生成部；237
…
预测部。