带电粒子照射装置、系统、方法以及程序

1.本发明涉及例如照射离子等带电粒子的装置等。


背景技术：

2.近年来在各种领域中，照射离子等带电粒子的技术正在普及。作为一例，有静电的除静电装置。除静电装置是指利用电晕放电等对带电物照射带正电或带负电的离子从而中和带电电荷的装置(例如专利文献1)。除静电装置在以电子器件、液晶或半导体等为首的各种产品的制造工序中被利用，有助于对象产品的成品率提高等。另外，照射带电粒子的技术除了在除静电装置以外，还在半导体工艺、薄膜工艺等各种场合被利用。
3.现有技术文献
4.专利文献
5.专利文献1：日本特开2009-205815号公报


技术实现要素：

6.发明所要解决的技术课题
7.然而，以往在利用照射带电粒子的技术的这种装置中，带电粒子的照射时间等参数在装置运行过程中是被固定的。因此，例如在运行过程中即使在对象物的带电状态、环境发生了变化的情况下也无法应对，其结果是有可能无法使对象物恰当转变到作为目标的带电状态。据此，例如有可能产生成品率降低等。
8.本发明是为了解决上述技术课题而做出的，其目的在于提供一种即使在装置运行过程中也能够尽快适应带电物、环境等的变化并自适应地照射带电粒子的带电粒子照射装置。
9.用于解决技术课题的技术方案
10.上述技术课题能够利用具有以下结构的带电粒子照射装置等来解决。
11.即，本发明的带电粒子照射装置对带电物以预定的照射时间照射带电粒子，该带电粒子照射装置具备：照射前状态检测部，检测照射带电粒子之前的带电物的带电状态即照射前带电状态；照射时间生成部，基于过去的带电粒子的照射时间和该照射后的带电物的带电状态，生成带电粒子向所述带电物的照射时间；照射部，基于由所述照射时间生成部生成的所述照射时间，对处于所述照射前带电状态的所述带电物照射带电粒子；照射后状态检测部，检测被照射所述带电粒子之后的所述带电物的带电状态即照射后带电状态；机器学习部，使预定的机器学习模型学习所述照射前带电状态、所述照射后带电状态及由所述照射时间生成部生成的所述照射时间的对应关系；以及结束判定部，使所述照射前状态检测部、所述照射时间生成部、所述照射部、所述照射后状态检测部及所述学习部重复工作，直到所述机器学习模型满足预定的学习结束条件为止。
12.根据这样的结构，一边逐次进行学习一边以对机器学习足够的次数照射带电粒子，从而能够迅速且自适应地生成推定照射时间的学习完毕模型。即，能够提供一种能够尽
快适应带电物、环境等的变化并自适应地照射带电粒子的带电粒子照射装置。据此，对于例如带电粒子的照射作业，能够期望提高效率、成品率。
13.所述带电粒子照射装置可以还具备：推定部，基于所述照射前带电状态、作为目标的照射后带电状态及由所述学习部学习而得到的所述机器学习模型，生成带电粒子的推定照射时间；推定照射部，基于所述推定照射时间对带电物照射带电粒子；以及切换部，在所述结束判定部中所述学习结束条件已被满足的情况下，使用所述推定照射部代替所述照射部对带电物照射带电粒子。
14.在所述照射时间生成部中，可以通过基于过去的带电粒子的照射时间和该照射后的带电物的带电状态而进行近似处理来计算带电粒子向所述带电物的照射时间。
15.可以通过向作为目标的带电状态进行一阶近似或直线近似来进行所述近似处理。
16.可以使用使关于所述照射时间的近似处理结果带有偏差而得到的值来进行所述近似处理。
17.所述学习结束条件可以是作为所述机器学习模型的输出的照射时间与前照射后带电状态成为目标状态或其接近状态时的所述照射时间之误差为预定值或预定比例以下。
18.所述带电粒子照射装置可以还具备：变化检测部，检测所述带电物或环境的变化；以及工作开始判定部，在所述变化检测部中检测到预定变化的情况下，使所述照射前状态检测部、所述照射时间生成部、所述照射部、所述照射后状态检测部、所述学习部及所述结束判定部工作。
19.所述带电物的所述带电状态可以是所述带电物的电位。
20.所述带电粒子照射装置可以在判定为所述照射后带电状态相对于所述照射前带电状态为预定比例以上的情况下进行预定的错误处理。
21.所述错误处理可以包括装置停止处理，该装置停止处理是在判定为所述照射后带电状态相对于所述照射前带电状态为预定比例以上的情况下，与该比例相应地加上点数，在所述点数变为预定值以上的情况下，使所述带电粒子照射装置停止。
22.所述错误处理可以包括如下处理：在判定为所述照射后带电状态相对于所述照射前带电状态为预定比例以上的情况下，将判定出的各个所述带电状态从所述机器学习部中的机器学习的对象中排除。
23.所述机器学习模型可以为利用树结构的学习模型。
24.本发明能够被认为是除静电装置。即，本发明的除静电装置为对带电物以预定的照射时间照射带电粒子的除静电装置，该除静电装置具备：照射前状态检测部，检测照射带电粒子之前的带电物的带电状态即照射前带电状态；照射时间生成部，基于过去的带电粒子的照射时间和该照射后的带电物的带电状态，生成带电粒子向所述带电物的照射时间；照射部，基于由所述照射时间生成部生成的所述照射时间，对处于所述照射前带电状态的所述带电物照射带电粒子；照射后状态检测部，检测被照射所述带电粒子之后的所述带电物的带电状态即照射后带电状态；机器学习部，使预定的机器学习模型学习所述照射前带电状态、所述照射后带电状态及由所述照射时间生成部生成的所述照射时间的对应关系；以及结束判定部，使所述照射前状态检测部、所述照射时间生成部、所述照射部、所述照射后状态检测部及所述学习部重复工作，直到所述机器学习模型满足预定的学习结束条件为止。
25.本发明能够被认为是带电粒子照射系统。即，本发明的带电粒子照射系统为对带电物以预定的照射时间照射带电粒子的带电粒子照射系统，该带电粒子照射系统具备：照射前状态检测部，检测照射带电粒子之前的带电物的带电状态即照射前带电状态；照射时间生成部，基于过去的带电粒子的照射时间和该照射后的带电物的带电状态，生成带电粒子向所述带电物的照射时间；照射部，基于由所述照射时间生成部生成的所述照射时间，对处于所述照射前带电状态的所述带电物照射带电粒子；照射后状态检测部，检测被照射所述带电粒子之后的所述带电物的带电状态即照射后带电状态；机器学习部，使预定的机器学习模型学习所述照射前带电状态、所述照射后带电状态及由所述照射时间生成部生成的所述照射时间的对应关系；以及结束判定部，使所述照射前状态检测部、所述照射时间生成部、所述照射部、所述照射后状态检测部及所述学习部重复工作，直到所述机器学习模型满足预定的学习结束条件为止。
26.本发明也能够被认为是带电粒子照射方法。即，本发明的带电粒子照射方法为对带电物以预定的照射时间照射带电粒子的带电粒子照射方法，具备：照射前状态检测步骤，检测照射带电粒子之前的带电物的带电状态即照射前带电状态；照射时间生成步骤，基于过去的带电粒子的照射时间和该照射后的带电物的带电状态，生成带电粒子向所述带电物的照射时间；照射步骤，基于由所述照射时间生成步骤生成的所述照射时间，对处于所述照射前带电状态的所述带电物照射带电粒子；照射后状态检测步骤，检测被照射所述带电粒子之后的所述带电物的带电状态即照射后带电状态；机器学习步骤，使预定的机器学习模型学习所述照射前带电状态、所述照射后带电状态及由所述照射时间生成步骤生成的所述照射时间的对应关系；结束判定步骤，使所述照射前状态检测步骤、所述照射时间生成步骤、所述照射步骤、所述照射后状态检测步骤及所述学习步骤重复工作，直到所述机器学习模型满足预定的学习结束条件为止。
27.本发明能够被认为是计算机程序。即，本发明的计算机程序使计算机作为带电粒子照射装置而发挥功能，该带电粒子照射装置对带电物以预定的照射时间照射带电粒子，该带电粒子照射装置具备：照射前状态检测部，检测照射带电粒子之前的带电物的带电状态即照射前带电状态；照射时间生成部，基于过去的带电粒子的照射时间和该照射后的带电物的带电状态，生成带电粒子向所述带电物的照射时间；照射部，基于由所述照射时间生成部生成的所述照射时间，对处于所述照射前带电状态的所述带电物照射带电粒子；照射后状态检测部，检测被照射所述带电粒子之后的所述带电物的带电状态即照射后带电状态；机器学习部，使预定的机器学习模型学习所述照射前带电状态、所述照射后带电状态及由所述照射时间生成部生成的所述照射时间的对应关系；以及结束判定部，使所述照射前状态检测部、所述照射时间生成部、所述照射部、所述照射后状态检测部及所述学习部重复工作，直到所述机器学习模型满足预定的学习结束条件为止。
28.发明效果
29.根据本发明，能够提供一种即使在装置运行过程中也能够尽快适应带电物、环境等的变化并自适应地照射带电粒子的带电粒子照射装置。
附图说明
30.图1为除静电装置的框图。
31.图2为关于除静电装置的工作的总流程图。
32.图3为自适应学习的详细流程图。
33.图4为关于学习处理的详细流程图。
34.图5为对近似计算进行说明的概念图。
35.图6为误差率运算处理的详细流程图。
36.图7为示出自适应学习处理的过程的一例的说明图。
37.图8为基于学习完毕模型的除静电处理的流程图。
38.图9为示出到学习收敛为止的数据数量的说明图。
39.图10为示出最初要学习的输入数据与到学习收敛为止的数据数量的关系的说明图。
40.图11为示出初始电位的切换与误差率的转变的关系的说明图。
41.附图标记
42.1：控制部；2：电源控制单元；3：大功率电源；4：异常输出部；5：压缩空气喷嘴；6：电晕放电电极；7：表面电位计；8：表面电位计；9：除静电对象物；100：除静电装置
具体实施方式
43.以下参照所附的图1～图11对本发明的一个优选实施方式详细进行说明。
44.(1.第1实施方式)
45.在本实施方式中，作为带电粒子照射装置的一例，以消除对象物的静电等的除静电装置100为例来说明。
46.(1.1除静电装置的结构)
47.参照图1对本实施方式的除静电装置100的结构进行说明。图1为除静电装置100的框图。根据该图可知，除静电装置100利用来自压缩空气喷嘴5的压缩空气对除静电对象物9喷出并照射在电晕放电电极(针电极)6产生的正或负的带电粒子、即离子，从而对除静电对象物9进行电中和而除静电。此外，利用带式输送机等以恒定速度或间歇地搬运除静电对象物并依次实施除静电处理。
48.除静电装置100包括控制部1、电源控制单元2、高压电源3、异常输出物4、压缩空气喷嘴5、电晕放电电极6、初始电位测量用的表面电位计7以及除静电处理后的残留电位测量用的表面电位计8。
49.控制部1由cpu等构成，执行实现后述工作的程序。控制部1依据来自表面电位计7、8的传感器输出，生成关于向电源控制单元2提供的施加电压的信息，例如电压的占空比等。另外，控制部1在根据表面电位计7、8的输出检测到预定异常的情况下，向异常输出部4进行输出。
50.电源控制单元2与来自控制部1的指令相应地控制高压电源3。高压电源3与控制部1中生成的施加电压相应地向电晕放电电极6进行电压施加。在电晕放电电极6的附近设置有压缩空气喷嘴5，来自该压缩空气喷嘴6的压缩空气被喷出至除静电对象物9，由此在电晕放电电极(针电极)6产生的正或负的带电粒子被提供给除静电对象物9。
51.此外，除静电装置100的结构不限于本实施方式的记载。因此，例如可以经由网络而连接各个结构，或是将多个结构分离或合并为预定装置等。另外，也可以在其它装置等执
行控制部1中进行的工作的一部分、例如机器学习处理等。
52.(1.2除静电装置的工作)
53.接下来，参照图2～图8对除静电装置100的工作进行说明。
54.图2为关于除静电装置100的工作的总流程图。根据该图可知，当处理开始时，除静电装置100进行待机的处理，直到在除静电装置100的带电粒子照射区域中确切地检测到除静电对象物9(s1否)。在该状态下，当在带电粒子照射区域中检测到除静电对象物9时(s1是)，进行是否需要自适应学习的判定处理(s2)。
55.是否需要自适应学习的判定处理(s2)为判定除静电对象物9、环境是否有变化的处理，在本实施方式中，该处理是测量除静电对象物9的电位并判定该初始电位是否为已经学习完毕的初始电位或其接近值的处理。
56.在是否需要自适应学习的判定处理的结果是判定为不需要自适应学习的情况下(s3否)，进行基于现有的学习完毕模型的带电粒子的照射处理(s7)。另一方面，在判定为需要自适应学习的情况下(s3是)，在进行了后述的自适应学习之后(s5)，进行基于获得的学习完毕模型的带电粒子的照射处理(s7)。在这些处理之后，再次重复一系列处理(s1～s7)。
57.(1.2.1自适应学习处理)
58.参照图3～图7对自适应学习(s5)的详情进行说明。
59.图3为自适应学习的详细流程图。根据该图可知，当处理开始时，除静电装置100进行待机的处理，直到在除静电装置100的带电粒子照射区域中确切地检测到除静电对象物9(s51否)。在该状态下，当在带电粒子照射区域中检测到除静电对象物9时(s51是)，进行使用表面电位计7检测除静电对象物9的初始电位的处理(s52)。
60.在检测了该初始电位之后，进行如下处理(s53)：第一次，以预定的适当照射时间向除静电对象物9照射带电粒子，之后，以基于近似计算(s68)计算出的照射时间向除静电对象物9照射带电粒子。在该照射处理之后，进行使用表面电位计8检测残留电位的处理(s55)。
61.在残留电位的检测处理之后，判定残留电位是否为正常值(s57)。更详细而言，在残留电位为初始电位的20％以上的情况下(s57否)，判定为不是正常值。
62.在残留电位不是正常值的情况下(s57否)，进行暗示机械性异常等异常的可能性的注意点数的加法处理(s64)。更详细而言，在残留电位为初始电位的20％以上且小于35％的情况下，对注意点数加上1。在残留电位为初始电位的35％以上且小于50％的情况下，对注意点数加上2。在残留电位为初始电位的50％以上的情况下，对注意点数加上3。
63.之后，判定注意点数是否为预定值以上、例如5点以上(s65)。在注意点数不是预定值以上的情况下(s65否)，不进行学习处理等，再次返回到开始状态(s51)进行一系列处理。另一方面，在注意点数为预定值以上的情况下(s65是)，作为是异常状态而进行停止控制除静电装置100的处理，另外，向异常输出部4发送错误信号，异常输出部4将表示异常的意思输出到例如显示装置、语音输出装置等未图示的连接设备(s66)。
64.另一方面，在残留电位为正常值的情况下(s57是)，进行用于得到学习完毕模型的学习处理(s59)，该学习完毕模型将初始电位及残留电位作为输入而输出带电粒子的推定照射时间。
65.参照图4对在除静电装置100中进行的学习处理的详情进行说明。
66.图4为关于在控制部1中进行的学习处理(s59)的详细流程图。根据该图可知，当学习处理开始时，进行从控制部1的存储部读取学习模型的参数的处理(s591)。在此，在本实施方式中，采用学习树(参照日本特开2016-173686为例)作为机器学习算法。
67.在使用学习树进行学习处理时，输入的数据与按照分支条件而分层地划分出的各个状态空间对应起来被累积。作为推定输出，通过对与学习后各个状态空间中包含的各个数据对应的输出值或输出矢量取算术平均来计算。根据这样的结构，学习树适合于逐次学习(在线学习)。
68.当读取层数、维数或分割数等学习模型的参数的处理结束时，进行向学习模型输入初始电位和残留电位的处理(s592)。当进行这些输入时，进行如下处理：基于初始电位和残留电位，从起始节点到末端节点确定对应的节点并确定路径，使该路径上的各个节点关联起来存储输入输出的数据集(ss593)。之后，学习处理结束。
69.返回至图3，当学习处理(s59)完成时，判定残留电位是否为目标电位(0[v])或足够接近目标电位(s60)。在判定为残留电位不为目标电位或未足够接近目标电位的情况下(s60否)，执行利用预定的近似计算来计算下一个时间步长中使用的照射时间的处理(s68)。
[0070]
图5为对近似计算进行说明的概念图。根据该图可知，除静电装置100在处理开始时，以适当决定的照射时间t_1进行带电粒子的照射(s53)。当假设该照射的结果是，预定的电位v
resid
_1被测量为残留电位(s55)时，利用一阶近似来计算从该残留电位v
resid
_1变为目标电位0[v]的近似照射时间t
app
_1。
[0071]
控制部1将对该近似照射时间t
app
_1加上约
±
20％的偏差而得到的t_2计算为下一个时间步长中的照射时间(s68)。通过重复这样的处理(s51～s60、s68)，如后述那样能够用少的学习对象数据数量来使学习迅速收敛。
[0072]
在重复包括以上的学习处理(s59)和近似计算处理(s68)的一系列处理最后(s60否)，在残留电位达到与目标值一致或足够接近目标值的状态的情况下(s60是)，接下来进行误差率运算处理(s62)。
[0073]
图6为误差率运算处理(s62)的详细流程图。根据该图可知，当处理开始时，进行读取最新的学习完毕模型的处理(s621)。在读取处理之后，进行对学习完毕模型输入初始电位和目标(残留)电位的处理(s622)，进行由与该初始电位和目标电位对应的一系列节点构成的路径的确定处理(s624)。
[0074]
之后，控制部1进行从路径上的一系列节点中确定用于输出的输出节点的处理(s625)，进行照射时间的推定处理(s627)。基于该推定照射时间和残留电位为目标值时的正确照射时间，计算误差率[％]。即，误差率通过(推定照射时间－正确照射时间)/正确照射时间
×
100来计算。在计算误差率之后，处理结束。
[0075]
返回至图3，在误差率为预定值以上、例如大于10％的情况下(s63否)，再次进行重复包括学习处理(s59)和近似计算处理(s68)的一系列处理的处理。另一方面，在误差率为预定值以下(s63是)、例如10％以下的情况下，处理结束。
[0076]
图7为示出以上描述的一系列自适应学习处理的过程的一例的说明图。在该图的例子中，目的在于使初始电位为20[v]的除静电对象物9转变到目标电位0[v]。
[0077]
首先，在时间步长1中，除静电装置100以适当的照射时间(＝0.274[s])对除静电
对象物9进行照射。因为此时的残留电位为0.8[v]，所以基于该残留电位进行利用最小二乘法的一阶近似，计算近似照射时间(＝0.3[s])。使用此时的初始电位、残留电位、照射时间的值对学习模型进行机器学习，之后当设初始电位为20[v]、设目标(残留)电位为0[v]来使学习完毕模型进行推定处理时，推定照射时间被计算为0.274。
[0078]
接下来，在时间步长2中，除静电装置100以对步长1的近似照射时间(＝0.3)加上约
±
20％的偏差值、即在该例中加上20％的值(＝0.06)而得到的新照射时间(＝0.36[s])对除静电对象物9进行照射。因为此时的残留电位为－0.5[v]，所以基于该残留电位进行利用最小二乘法的一阶近似，计算近似照射时间(＝0.28[s])。使用此时的初始电位、残留电位、照射时间的值对学习模型进行机器学习，之后当设初始电位为20[v]、设目标电位为0[v]来使学习完毕模型进行推定处理时，推定照射时间被计算为0.337。
[0079]
进而，在时间步长3中，除静电装置100以对步长2的近似照射时间(＝0.28)加上约－14％的值(＝－0.04)而得到的新照射时间(＝0.24[s])对除静电对象物9进行照射。因为此时的残留电位为0[v]，所以判定为已达到目标电位。使用此时的初始电位、残留电位、照射时间的值对学习模型进行机器学习，之后当设初始电位为20[v]、设目标电位为0[v]来使学习完毕模型进行推定处理时，推定照射时间被计算为0.25。根据(0.25－0.24)/0.24
×
100，此时的误差率被计算为4.2％，即在时间步长3中学习收敛。
[0080]
根据上述结构，因为利用近似计算结果来收集学习数据，所以能够使搜索效率提高，据此能够期待迅速的学习收敛。
[0081]
另外，根据上述结构，因为基于在近似处理过程中以带有预定偏差的方式取得的数据来进行学习，所以使搜索效率进一步提高，据此能够期待更为迅速的学习收敛。
[0082]
(1.2.2基于学习完毕模型的除静电处理)
[0083]
参照图8对基于学习完毕模型的带电粒子的照射处理(s7)进行说明。图8为基于学习完毕模型的除静电处理的流程图。
[0084]
当处理开始时，进行学习完毕模型的读取处理(s71)。在该读取处理之后，进行除静电对象物9的初始电位的测量处理(s72)。在测量处理之后，进行将测量出的初始电位和目标电位输入到学习完毕模型的处理(s73)。据此，确定由对应的一系列节点构成的路径(s74)。
[0085]
进行从构成该路径的一系列节点中确定生成输出的输出节点的处理(s75)，根据该输出节点进行照射时间的推定处理(s77)。之后，进行基于该推定照射时间的带电粒子的照射处理(s79)，处理结束。
[0086]
根据上述结构，能够提供一种即使在装置运行过程中也能够尽快适应带电物、环境等的变化并自适应地照射带电粒子的带电粒子照射装置。
[0087]
(1.3实验结果)
[0088]
接下来，参照图9～图11对使用本实施方式的除静电装置100的各种实验结果进行说明。
[0089]
图9为示出到学习收敛为止的数据数量的说明图。图9中以如下方式示出：仅利用通常的线性近似时的学习模型中的学习收敛为止的数据数量和使线性近似结果带有
±
20％的偏差时的学习模型中的学习收敛为止的数据数量被分成使初始电位多次变化来学习的情况和将初始电位固定为20[v]来学习的情况来示出。
[0090]
根据该图可知，在使初始电位多次变化时，在仅使用线性近似的情况下到学习收敛为止需要99个数据，与此相对，在使线性近似结果带有
±
20％的偏差的情况下只需要42个数据。同样地，在仅设初始电位为20[v]的情况下也是，在仅使用线性近似的情况下到学习收敛为止需要43个数据，与此相对，在使线性近似结果带有
±
20％的偏差的情况下只需要14个数据。
[0091]
即，确认了在所有情况下，相比于仅进行通常的线性近似的情况，在使线性近似结果带有
±
20％的偏差的情况下，学习会以较少的数据数量而收敛。
[0092]
此外，偏差的值不限于
±
20％，能够调整为约
±
10％、
±
5％。
[0093]
图10为示出将目标电位设为0[v]时的、最初要学习的输入数据与直到学习收敛为止的数据数量的关系的说明图。根据该图可知，当设初始电位为20[v]时，在学习处理的最初学习残留电位变到15[v]的数据的情况下到收敛为止的数据数量为26个，在学习处理的最初学习残留电位变到10[v]的数据的情况下到收敛为止的数据数量为14个，在学习处理的最初学习残留电位变到5[v]的数据的情况下到收敛为止的数据数量为12个，在学习处理的最初学习残留电位变到1[v]的数据的情况下到收敛为止的数据数量为3个。
[0094]
即，根据该结果确认了，从学习最初开始就学习与目标电位相近的残留电位的数据时，到学习收敛为止的数据数量较少，即学习迅速收敛。
[0095]
图11为示出初始电位的切换与误差率的转变的关系的说明图。根据该图可知，当最初进行学习以使初始电位20[v]成为目标电位0[v]时，随着学习的进行，误差率降低。接下来，当在时间步长28附近将初始电位切换成10[v]时，虽然误差率暂先变大至约40％，但随着学习进行而误差率再次降低。进而，当在时间步长65附近将初始电位切换成5[v]时，虽然误差率暂先变大至约65％，但随着学习的进行而误差率急剧降低。
[0096]
即，根据该结果确认了，即使在除静电装置100的工作过程中除静电对象物9的电位产生了变化的情况下，也进行使得误差率快速变小的学习。另外，通过进行一次学习而在之后的追加学习时也能够期待迅速的学习。
[0097]
(2.变形例)
[0098]
在上述实施方式中利用学习树作为机器学习模型，但本发明不限于这样的结构。因此，也可以利用例如神经网络、支持向量机(svm)等其它学习模型。
[0099]
在上述实施方式中利用一阶近似作为近似处理的例子，但本发明不限于这样的结构。因此，也可以利用例如指数函数等来进行近似。
[0100]
工业适用性
[0101]
本发明至少能够利用于制造带电粒子照射装置等的产业中。