JP7428667B2 - 機械学習方法、消耗品管理装置、及びコンピュータ可読媒体 - Google Patents

Description

本開示は、機械学習方法、消耗品管理装置、及びコンピュータ可読媒体に関する。

半導体集積回路の微細化、高集積化につれて、半導体露光装置においては解像力の向上が要請されている。半導体露光装置を以下、単に「露光装置」という。このため露光用光源から出力される光の短波長化が進められている。露光用光源には、従来の水銀ランプに代わってガスレーザ装置が用いられている。現在、露光用のガスレーザ装置としては、波長２４８ｎｍの紫外線を出力するＫｒＦエキシマレーザ装置ならびに、波長１９３ｎｍの紫外線を出力するＡｒＦエキシマレーザ装置が用いられている。

現在の露光技術としては、露光装置側の投影レンズとウエハ間の間隙を液体で満たして、当該間隙の屈折率を変えることによって、露光用光源の見かけの波長を短波長化する液浸露光が実用化されている。ＡｒＦエキシマレーザ装置を露光用光源として用いて液浸露光が行われた場合は、ウエハには等価における波長１３４ｎｍの紫外光が照射される。この技術をＡｒＦ液浸露光という。ＡｒＦ液浸露光はＡｒＦ液浸リソグラフィとも呼ばれる。

ＫｒＦ、ＡｒＦエキシマレーザ装置の自然発振におけるスペクトル線幅は約３５０～４００ｐｍと広いため、露光装置側の投影レンズによってウエハ上に縮小投影されるレーザ光（紫外線光）の色収差が発生して解像力が低下する。そこで色収差が無視できる程度となるまでガスレーザ装置から出力されるレーザ光のスペクトル線幅を狭帯域化する必要がある。スペクトル線幅はスペクトル幅とも呼ばれる。このためガスレーザ装置のレーザ共振器内には狭帯域化素子を有する狭帯域化部（Line Narrow Module）が設けられ、この狭帯域化部によりスペクトル幅の狭帯域化が実現されている。なお、狭帯域化素子はエタロンやグレーティング等であってもよい。このようにスペクトル幅が狭帯域化されたレーザ装置を狭帯域化レーザ装置という。

特開平８－３２０２９６号公報 米国特許出願公開第２０１８／０２４６４９４号明細書 米国特許第６２１９３６７号明細書 米国特許第６６９７６９５号明細書

概要

本開示の１つの観点に係る機械学習方法は、レーザ装置の消耗品の寿命を予測するための学習モデルを作成する機械学習方法であって、消耗品の使用が開始されてから交換されるまでの期間中の異なる発振パルス数に対応して記録された消耗品の寿命関連パラメータのデータを含む第１の寿命関連情報を取得することと、第１の寿命関連情報を発振パルス数に応じて消耗品の劣化度を表す複数段階のレベルに分割し、第１の寿命関連情報と劣化度を表すレベルとを対応付けた訓練データを作成することと、訓練データを用いて機械学習を行うことにより、寿命関連パラメータのデータから消耗品の劣化度を予測する学習モデルを作成することと、作成された学習モデルを保存することと、を含む機械学習方法である。

本開示の他の１つの観点に係る消耗品管理装置は、本開示の１つの観点に係る機械学習方法を実施することによって作成された学習モデルを保存しておく学習モデル保存部と、レーザ装置における交換予定の消耗品についての寿命予測処理の要求信号を受信して、交換予定の消耗品に関する現在の第２の寿命関連情報を取得する情報取得部と、交換予定の消耗品の学習モデルと第２の寿命関連情報とに基づいて、交換予定の消耗品の寿命と余寿命とを計算する寿命予測部と、計算によって得られた交換予定の消耗品の寿命と余寿命との情報を外部装置に通知する情報出力部と、を含むレーザ装置の消耗品管理装置である。

本開示の他の１つの観点に係るプログラムが記録された非一過性のコンピュータ可読媒体は、プロセッサにより実行された場合に、プロセッサに、レーザ装置の消耗品の寿命を予測するための学習モデルを作成する機械学習の機能を実現させるプログラムであり、プロセッサに、消耗品の使用が開始されてから交換されるまでの期間中の異なる発振パルス数に対応して記録された消耗品の寿命関連パラメータのデータを含む第１の寿命関連情報を取得する機能と、第１の寿命関連情報を発振パルス数に応じて消耗品の劣化度を表す複数段階のレベルに分割し、第１の寿命関連情報と劣化度を表すレベルとを対応付けた訓練データを作成する機能と、訓練データを用いて機械学習を行うことにより、寿命関連パラメータのデータから消耗品の劣化度を予測する学習モデルを作成する機能と、作成された学習モデルを保存する機能と、を実現させるための命令を含む前記プログラムが記録された非一過性のコンピュータ可読媒体である。

本開示のいくつかの実施形態を、単なる例として、添付の図面を参照して以下に説明する。
図１は、例示的なレーザ装置の構成を概略的に示す図である。 図２は、半導体工場のレーザ管理システムの構成例を概略的に示す図である。 図３は、典型的なレーザチャンバのガス圧と発振パルス数の関係を表すグラフである。 図４は、実施形態１に係る半導体工場のレーザ管理システムの構成を示す図である。 図５は、消耗品管理サーバの機能を示すブロック図である。 図６は、データ取得部における処理内容の例を示すフローチャートである。 図７は、学習モデル作成部における処理内容の例を示すフローチャートである。 図８は、レーザチャンバの発振パルス数Ｎｐとガス圧Ｐの関係を示す寿命関連情報のデータの一例を示すグラフである。 図９は、図７のステップＳ４８の処理内容の例を示すフローチャートである。 図１０は、ニューラルネットワークモデルの例を示す模式図である。 図１１は、学習モデルを作成する際のニューラルネットワークのモデルの例である。 図１２は、消耗品の寿命予測部における処理内容の例を示すフローチャートである。 図１３は、図１２のステップＳ７０の処理内容の例を示すフローチャートである。 図１４は、作成した学習モデルを使用してレーザチャンバの寿命及び余寿命を計算する例を示すグラフである。 図１５は、劣化度毎の確率Ｌｖ（１）～Ｌｖ（１０）の例を示す図表である。 図１６は、学習済みのニューラルネットワークモデルによって消耗品の寿命を予測する処理の例を示す図である。 図１７は、データ出力部における処理内容の例を示すフローチャートである。 図１８は、レーザチャンバの寿命関連情報の例を示す図表である。 図１９は、レーザチャンバの寿命関連情報の例を示す図表である。 図２０は、レーザチャンバの寿命関連情報の例を示す図表である。 図２１は、モニタモジュールの寿命関連情報の例を示す図表である。 図２２は、狭帯域化モジュールの寿命関連情報の例を示す図表である。 図２３は、実施形態２に係る消耗品管理サーバの機能を示すブロック図である。 図２４は、データ取得部における処理内容の例を示すフローチャートである。 図２５は、消耗品の寿命予測部における処理内容の例を示すフローチャートである。 図２６は、レーザ制御パラメータ変更部における処理内容の例を示すフローチャートである。 図２７は、図２６のステップＳ２１２に適用されるサブルーチンの例を示すフローチャートである。 図２８は、寿命延命の発振パルス数とレーザ装置の制御パラメータの関係のグラフの概念図である。 図２９は、データ出力部における処理内容の例を示すフローチャートである。 図３０は、実施形態３に係るレーザ管理システムの構成例を示す図である。 図３１は、ファイルＡの各バーションのレーザチャンバの寿命関連ログデータの構成を示す概念図である。 図３２は、各バージョンのレーザチャンバの学習モデルを保存したファイルＡｍの例を示す概念図である。 図３３にファイルＡｎに含まれるログデータの例を示す図表である。 図３４は、エタロン分光器を用いるスペクトル検出器の構成例を概略的に示す図である。 図３５は、スペクトル波形と全エネルギの９５％を含む幅の関係を示す図である。 図３６は、レーザ装置がダブルチャンバシステムの構成の例を示す図である。

実施形態

－目次－
１．用語の説明
２．レーザ装置の説明
２．１ 構成
２．２ 動作
２．３ レーザ装置の主要な消耗品のメインテナンス
２．４ その他
３．半導体工場のレーザ管理システムの例
３．１ 構成
３．２ 動作
４．課題
５．実施形態１
５．１ 構成
５．２ 動作
５．２．１ 消耗品管理サーバにおける機械学習の動作の概要
５．２．２ 消耗品管理サーバにおける消耗品の寿命予測の動作の概要
５．２．３ データ取得部の処理例
５．２．４ 学習モデル作成部の処理例
５．２．５ レーザチャンバの寿命予測に用いる学習モデルの作成例
５．２．６ ニューラルネットワークモデルの例
５．２．７ ニューラルネットワークモデルの学習モード
５．２．８ 消耗品の寿命予測部の処理例
５．２．９ 学習モデルを使って消耗品の寿命を計算する処理の例
５．２．１０ ニューラルネットワークモデルの寿命予測モード
５．２．１１ その他
５．２．１２ データ出力部の処理例
５．３ レーザチャンバの寿命関連情報
５．４ モニタモジュールの寿命関連情報の例
５．５ 狭帯域化モジュールの寿命関連情報の例
５．６ 作用・効果
５．７ その他
６．実施形態２
６．１ 構成
６．２ 動作
６．２．１ データ取得部の処理例
６．２．２ 消耗品の寿命予測部の処理例
６．２．３ レーザ制御パラメータ変更部の処理例
６．２．４ データ出力部の処理例
６．３ 作用・効果
７．実施形態３
７．１ 構成
７．２ 動作
７．２．１ 学習モデルの作成と保存
７．２．２ 予測寿命の推奨メインテナンス日の計算
７．３ 作用・効果
７．４ その他
８．消耗品のバーションに応じた学習データの収集と学習モデルの作成
８．１ 概要
８．２ 作用・効果
８．３ その他
９．スペクトル検出器の例
１０．レーザ装置の他の形態
１０．１ 構成
１０．２ 動作
１０．３ マスターオシレータの動作
１０．４ パワーオシレータの動作
１０．５ 消耗品の寿命予測の処理
１１．変形例
１２．プログラムを記録したコンピュータ可読媒体について
以下、本開示の実施形態について、図面を参照しながら詳しく説明する。以下に説明される実施形態は、本開示のいくつかの例を示すものであって、本開示の内容を限定するものではない。また、各実施形態で説明される構成及び動作の全てが本開示の構成及び動作として必須であるとは限らない。なお、同一の構成要素には同一の参照符号を付して、重複する説明を省略する。

１．用語の説明
「消耗品」は、定期的なメインテナンスが必要になる部品やモジュールなどの物品を包括的に表す用語として用いる。交換部品及び交換モジュールは「消耗品」の概念に含まれる。モジュールは、部品の一形態と理解してもよい。本明細書では「消耗品」という用語を「交換モジュール又は交換部品」と同義に用いる場合がある。メインテナンスには、消耗品の交換が含まれる。「交換」の概念には、消耗品を新しいものに置き換えることの他、消耗品を洗浄するなどして部品の機能の維持及び／又は回復を図り、同じ消耗品を再配置することも含まれる。

「バースト運転」とは、露光に合わせて狭帯域化したパルスレーザ光を連続して発振するバースト期間と、ステージの移動に合わせて発振休止する発振休止期間とを交互に繰り返す運転のことを意味する。

２．レーザ装置の説明
２．１ 構成
図１に、例示的なレーザ装置の構成を概略的に示す。レーザ装置１０は、例えば、ＫｒＦエキシマレーザ装置であって、レーザ制御部９０と、レーザチャンバ１００と、インバータ１０２と、出力結合ミラー１０４と、狭帯域化モジュール（ＬＮＭ：Line Narrow Module）１０６と、モニタモジュール１０８と、充電器１１０と、パルスパワーモジュール（ＰＰＭ）１１２と、ガス供給装置１１４と、ガス排気装置１１６と、出射口シャッタ１１８と、を含む。

レーザチャンバ１００は、第１ウインドウ１２１と、第２ウインドウ１２２と、クロスフローファン（ＣＦＦ）１２３と、ＣＦＦ１２３を回転させるモータ１２４と、１対の電極１２５、１２６と、電気絶縁物１２７と、圧力センサ１２８と、図示しない熱交換器と、を含む。

インバータ１０２は、モータ１２４の電源供給装置である。インバータ１０２は、モータ１２４に供給する電力の周波数を特定する指令信号をレーザ制御部９０から受信する。

ＰＰＭ１１２は、レーザチャンバ１００の電気絶縁物１２７中のフィードスルーを介して電極１２５と接続される。ＰＰＭ１１２は、半導体スイッチ１２９と、いずれも図示しない、充電コンデンサと、パルストランスと、パルス圧縮回路と、を含む。

出力結合ミラー１０４は部分反射ミラーであって、狭帯域化モジュール１０６と光共振器を構成するように配置される。レーザチャンバ１００は、この光共振器の光路上に配置される。

狭帯域化モジュール１０６は、第１プリズム１３１及び第２プリズム１３２を用いたビームエキスパンダと、回転ステージ１３４と、グレーティング１３６と、を含む。第１プリズム１３１及び第２プリズム１３２は、レーザチャンバ１００の第２ウインドウ１２２から出射された光のビームをＹ軸方向に拡大し、グレーティング１３６に入射するように配置される。

ここで、グレーティング１３６はレーザ光の入射角と回折角とが一致するようにリトロー配置される。第２プリズム１３２は、回転ステージ１３４が回転したときに、レーザ光のグレーティング１３６への入射角と回折角とが変化するように回転ステージ１３４上に配置される。

モニタモジュール１０８は、第１ビームスプリッタ１４１及び第２ビームスプリッタ１４２と、パルスエネルギ検出器１４４と、スペクトル検出器１４６と、を含む。第１ビームスプリッタ１４１は、出力結合ミラー１０４から出力されたレーザ光の光路上に配置され、レーザ光の一部が反射されて第２ビームスプリッタ１４２に入射するように配置される。

パルスエネルギ検出器１４４は、第２ビームスプリッタ１４２を透過したレーザ光が入射するように配置される。パルスエネルギ検出器１４４は、例えば、紫外線の光強度を計測するフォトダイオードであってもよい。第２ビームスプリッタ１４２は、レーザ光の一部が反射されてスペクトル検出器１４６に入射するように配置される。

スペクトル検出器１４６は、例えば、エタロンによって生成された干渉縞をイメージセンサで計測するモニタエタロン計測装置である。生成された干渉縞に基づいて、レーザ光の中心波長とスペクトル線幅とが計測される。

ＫｒＦエキシマレーザ装置の場合におけるガス供給装置１１４は、不活性なレーザガスの供給源である不活性ガス供給源１５２と、ハロゲンを含むレーザガスの供給源であるハロゲンガス供給源１５３の各々と配管を介して接続される。不活性なレーザガスとは、ＫｒガスとＮｅガスの混合ガスである。ハロゲンを含むレーザガスとは、Ｆ_２ガスとＫｒガスとＮｅガスの混合ガスである。ガス供給装置１１４は、レーザチャンバ１００と配管を介して接続される。

ガス供給装置１１４は、不活性なレーザガス又はハロゲンを含むレーザガスをそれぞれレーザチャンバ１００に所定量供給するための、図示しない自動バルブ及びマスフローコントローラをそれぞれ含む。

ガス排気装置１１６は、レーザチャンバ１００と配管を介して接続される。ガス排気装置１１６は、ハロゲンを除去する図示しないハロゲンフィルタ及び排気ポンプを含み、ハロゲンを除去したレーザガスが外部に排気されるように構成される。

出射口シャッタ１１８は、レーザ装置１０から外部に出力されるレーザ光の光路上に配置される。

出射口シャッタ１１８を介してレーザ装置１０から出力されたレーザ光が露光装置１４に入射するようにレーザ装置１０が配置される。

２．２ 動作
レーザ装置１０の動作について説明する。レーザ制御部９０は、ガス排気装置１１６を介してレーザチャンバ１００内にあるガスを排気した後、ガス供給装置１１４を介してレーザチャンバ１００内に不活性なレーザガスとハロゲンを含むレーザガスとを所望のガス組成及び全ガス圧となるように充填する。

レーザ制御部９０は、インバータ１０２を介してモータ１２４を所定の回転数で回転させてＣＦＦ１２３を回転させる。これにより、電極１２５、１２６間にレーザガスが流れる。

レーザ制御部９０は、露光装置１４の露光制御部５０から目標パルスエネルギＥｔを受信し、パルスエネルギがＥｔとなるように充電電圧Ｖｈｖのデータを充電器１１０に送信する。

充電器１１０は、ＰＰＭ１１２の充電コンデンサが充電電圧Ｖｈｖとなるように充電する。露光装置１４から発光トリガ信号Ｔｒ１が出力されると、発光トリガ信号Ｔｒ１に同期してレーザ制御部９０からトリガ信号Ｔｒ２がＰＰＭ１１２の半導体スイッチ１２９に入力される。この半導体スイッチ１２９が動作するとＰＰＭ１１２の磁気圧縮回路によって電流パルスが圧縮され、高電圧が電極１２５、１２６間に印加される。その結果、電極１２５、１２６間で放電が発生し、放電空間においてレーザガスが励起される。

放電空間の励起されたレーザガスが基底状態となるときに、エキシマ光が発生する。このエキシマ光は出力結合ミラー１０４と狭帯域化モジュール１０６との間を往復して増幅されることによって、レーザ発振する。その結果、出力結合ミラー１０４から狭帯域化されたパルスレーザ光が出力される。

出力結合ミラー１０４から出力されたパルスレーザ光はモニタモジュール１０８に入射する。モニタモジュール１０８では第１ビームスプリッタ１４１によってレーザ光の一部がサンプルされ、第２ビームスプリッタ１４２に入射する。第２のビームスプリッタ１４２は入射したレーザ光の一部を透過してパルスエネルギ検出器１４４に入射し、他の一部を反射してスペクトル検出器１４６に入射させる。

レーザ装置１０から出力されるパルスレーザ光のパルスエネルギＥがパルスエネルギ検出器１４４によって計測され、計測されたパルスエネルギＥのデータがパルスエネルギ検出器１４４からレーザ制御部９０に送信される。

また、スペクトル検出器１４６によって中心波長λとスペクトル線幅Δλとが計測され、計測された中心波長λとスペクトル線幅Δλとのデータがスペクトル検出器１４６からレーザ制御部９０に送信される。

レーザ制御部９０は、露光装置１４から目標パルスエネルギＥｔと目標波長λｔのデータを受信する。レーザ制御部９０は、パルスエネルギ検出器１４４によって計測されたパルスエネルギＥと目標パルスエネルギＥｔとを基に、パルスエネルギの制御を行う。パルスエネルギの制御は、パルスエネルギ検出器１４４によって計測されたパルスエネルギＥと目標パルスエネルギの差ΔＥ＝Ｅ－Ｅｔが０に近づくように充電電圧Ｖｈｖを制御することを含む。

レーザ制御部９０は、スペクトル検出器１４６によって計測された中心波長λと目標波長λｔとを基に、波長の制御を行う。波長の制御は、スペクトル検出器１４６によって計測された中心波長λと目標波長λｔとの差δλ＝λ－λｔが０に近づくように回転ステージ１３４の回転角を制御することを含む。

以上のようにレーザ制御部９０は、露光装置１４から目標パルスエネルギＥｔと目標波長λｔとを受信して、発光トリガ信号Ｔｒ１が入力される毎に、発光トリガ信号Ｔｒ１に同期してレーザ装置１０にパルスレーザ光を出力させる。

レーザ装置１０は放電を繰り返すと、電極１２５、１２６が消耗し、レーザガス中のハロゲンガスが消費されると共に、不純物ガスが生成される。レーザチャンバ１００内のハロゲンガス濃度の低下や不純物ガスの増加は、パルスレーザ光のパルスエネルギの低下やパルスエネルギの安定性に悪影響を及ぼす。レーザ制御部９０は、これらの悪影響を抑制するために例えば、以下のガス制御を実行する。

［１］ハロゲン注入制御
ハロゲン注入制御とは、レーザ発振中に、レーザチャンバ１００内で主に放電によって消費された分のハロゲンガスを、レーザチャンバ１００内のハロゲンガスよりも高い濃度にハロゲンを含むガスを注入することによってレーザチャンバ１００に補充するガス制御である。

［２］部分ガス交換制御
部分ガス交換制御とは、レーザ発振中に、レーザチャンバ１００内の不純物ガスの濃度の増加を抑制するように、レーザチャンバ１００内のレーザガスの一部を新しいレーザガスに交換するガス制御である。

［３］ガス圧制御
ガス圧制御とは、レーザ装置１０から出力されるパルスレーザ光のパルスエネルギの低下に対して、レーザチャンバ１００内にレーザガスを注入してレーザガスのガス圧Ｐｃｈを変化させることによって、パルスエネルギを制御するガス制御である。パルスエネルギの制御は、通常、充電電圧Ｖｈｖを制御することで行われるが、レーザ装置１０から出力されるパルスレーザ光のパルスエネルギの低下を、充電電圧Ｖｈｖの制御範囲では補うことが不可能な場合に、ガス圧制御が実行される。

レーザチャンバ１００からレーザガスを排気する場合に、レーザ制御部９０はガス排気装置１１６を制御する。レーザチャンバ１００から排気されたレーザガスは図示しないハロゲンフィルタによってハロゲンガスが除去され、レーザ装置１０の外部に排気される。

レーザ制御部９０は、発振パルス数、充電電圧Ｖｈｖ、レーザチャンバ１００内のガス圧Ｐｃｈ、レーザ光のパルスエネルギＥ、スペクトル線幅Δλ等の各パラメータのデータを、図示しないローカルネットワークを介してレーザ装置用管理システム２０６（図２参照）に送信する。

２．３ レーザ装置の主要な消耗品のメインテナンス
フィールドサービスエンジニア（ＦＳＥ）が行う主要な消耗品の交換作業は、レーザチャンバ１００と、狭帯域化モジュール１０６と、モニタモジュール１０８との交換作業である。

これらの主要な消耗品の交換時期は、一般的には、時間で管理するのではなく、レーザ装置１０の発振パルス数で管理している。これらの主要な消耗品の交換作業には、３時間から１０時間の交換時間を要することがある。これらの主要な消耗品の中で、交換時間が最も長い消耗品はレーザチャンバ１００である。

２．４ その他
図１に示す例では、レーザ装置１０として、ＫｒＦエキシマレーザ装置の例を示したが、この例に限定されることなく、他のレーザ装置に適用してもよい。例えば、レーザ装置１０は、ＡｒＦエキシマレーザ装置やＸｅＣｌエキシマレーザ装置であってもよい。

図１に示す例では、レーザ装置１０のガス制御は、ハロゲン注入制御と、部分ガス交換制御と、ガス圧制御とを実施する場合を示したが、この例に限定されることなく、例えば、必ずしもガス圧制御を実施しなくてもよい。

３．半導体工場のレーザ管理システムの例
３．１ 構成
図２に、半導体工場のレーザ管理システムの構成例を概略的に示す。レーザ管理システム２００は、複数のレーザ装置１０と、レーザ装置用管理システム２０６と、半導体工場管理システム２０８と、を含む。

レーザ装置用管理システム２０６及び半導体工場管理システム２０８の各々は、コンピュータを用いて構成される。レーザ装置用管理システム２０６及び半導体工場管理システム２０８の各々は、複数のコンピュータを用いて構成されるコンピュータシステムであってもよい。半導体工場管理システム２０８は、ネットワーク２１０を介して、レーザ装置用管理システム２０６と接続される。

レーザ装置用管理システム２０６及び半導体工場管理システム２０８の各々は、コンピュータを用いて構成される。

ネットワーク２１０は、有線若しくは無線又はこれらの組み合わせによる情報伝達が可能な通信回線である。ネットワーク２１０は、ワイドエリアネットワークであってもよいし、ローカルエリアネットワークであってもよい。

複数のレーザ装置１０の各々を識別するために、ここではレーザ装置識別符号＃１，＃２，・・・＃ｋ，・・・＃ｗを用いる。ｗは半導体工場内のレーザ管理システム２００に含まれるレーザ装置の数である。ｗは１以上の整数である。ｋは１以上ｗ以下の範囲の整数である。以下、説明の便宜上、レーザ装置＃ｋと表記する場合がある。なお、レーザ装置＃１～＃ｗは同一の装置構成であってもよいし、複数のレーザ装置＃１～＃ｗの一部又は全部は、互いに異なる形態であってもよい。

レーザ装置＃１～＃ｗとレーザ装置用管理システム２０６との各々は、ローカルエリアネットワーク２１３に接続される。図２において、ローカルエリアネットワーク２１３を「ＬＡＮ」と表示する。

３．２ 動作
レーザ装置用管理システム２０６は、それぞれのレーザ装置＃１～＃ｗの主要な消耗品の交換時期を、主にレーザ発振したパルス数（発振パルス数）Ｎｐで管理する。

レーザ装置用管理システム２０６は、メインテナンスの管理情報を表示端末に表示してもよいし、ネットワーク２１０を介して半導体工場管理システム２０８に送信してもよい。

レーザ装置用管理システム２０６によってレーザ装置＃１～＃ｗを管理する管理ラインは、それぞれの管理ラインが独立しており、各レーザ装置＃１～＃ｗから出力されたメインテナンス管理の情報に基づいて、半導体工場の管理者が各レーザ装置＃１～＃ｗの主要な消耗品の交換時期を決定する。

図３に、典型的なレーザチャンバのガス圧と発振パルス数の関係を表すグラフを示す。エキシマレーザ装置は放電を繰り返すと、電極が消耗し、レーザガス中のハロゲンガスが消費されるとともに、不純物ガスが生成する。レーザチャンバ１００内のハロゲンガス濃度の低下や不純物ガスの増加は、パルスレーザ光のパルスエネルギの低下やパルスエネルギ安定性に悪影響を及ぼす。

そこで、エキシマレーザ装置の性能を維持するために、状況に応じて、ハロゲン注入制御、部分ガス交換制御、ガス圧制御、又は全ガス交換を行う。図３においてレーザチャンバ１００の交換タイミングを上向き矢印で示す。レーザチャンバ１００を交換した後の動作は次の通りである。

［ステップ１］レーザチャンバ１００を交換した直後のガス圧Ｐは、初期ガス圧Ｐｃｈでレーザ性能が維持される。

［ステップ２］レーザ発振を継続すると、放電電極の消耗や不純物ガスの発生により、レーザ性能を維持するために、ガス圧制御によってガス圧が上昇する。図３において太線で示すグラフは、このステップ２におけるガス圧の推移を表す。

［ステップ３］しかし、やがてガス圧制御によっても、レーザ性能が維持できなくなると、レーザ発振を停止し、全ガス交換を行う。図３において全ガス交換のタイミングを下向き矢印で示す。

［ステップ４］全ガス交換後に調整発振を行う。レーザ性能を回復させるために、ガス圧制御を行う。レーザ性能が回復したときのガス圧を「全ガス交換後の初期ガス圧」といい、Ｐｉｎｉとする。

［ステップ５］その後、ステップ２からステップ４を複数回繰り返す。全ガス交換後の初期ガス圧Ｐｉｎｉは、発振パルス数の増加に伴い次第に大きくなっていく。図３におい細線で示すグラフは初期ガス圧Ｐｉｎｉの推移を表す。

［ステップ６］やがて、ガス圧Ｐが最大許容ガス圧Ｐｍａｘに到達したときにレーザチャンバ寿命Ｎｃｈｌｉｆｅとなる。

図３に示す例では、簡単のためにレーザチャンバ１００の寿命について、レーザ装置１０の発振パルス数Ｎｐに対するガス圧の変化から寿命に到達するまでの経緯を説明した。しかし、他のレーザ性能、例えば、パルスエネルギ安定性、及びスペクトル線幅等の性能も満足する必要がある。したがって、単純には、レーザチャンバ１００の寿命を予測することはできないことがある。

４．課題
［課題１］レーザ装置の主要な消耗品の寿命を判断する指標の１つとして、発振パルス数が用いられる。消耗品毎に標準寿命としての発振パルス数の値が定められている場合がある。しかし、消耗品の個体差があるために、寿命に到達する発振パルス数は一定ではなく、ばらつきがある。消耗品の寿命が標準寿命より長い場合であっても、標準寿命の時期に、定期メインテナンスとして消耗品の交換を行う場合がある。また、消耗品の寿命が標準寿命より短い場合には、計画的な消耗品交換ができず、生産ラインを停止させることがある。

［課題２］現状ではＦＳＥが、図３のような発振パルス数に対するガス圧の推移とその他の寿命に関連するパラメータのログデータを見て、経験的に各レーザチャンバの寿命を予測して対応している。レーザチャンバに限らず、他の消耗品についても同様であり、消耗品毎に寿命に関連するパラメータのログデータからＦＳＥが経験的に寿命を予測している。そのため、消耗品の寿命の予測及び消耗品の交換までの対応は、ＦＳＥ個人の能力に依存する場合がある。

５．実施形態１
５．１ 構成
図４は、実施形態１に係る半導体工場のレーザ管理システム３００の構成を示す図である。図２との相違点を説明する。図４に示す半導体工場のレーザ管理システム３００は、図２のレーザ管理システム２００の構成に、消耗品管理サーバ３１０を追加した構成となっている。消耗品管理サーバ３１０はネットワーク２１０を介して、レーザ装置用管理システム２０６及び半導体工場管理システム２０８と接続される。

消耗品管理サーバ３１０は、レーザ装置用管理システム２０６及び半導体工場管理システム２０８の各々に対してデータや信号の送受信が可能な構成である。

図５は、消耗品管理サーバ３１０の機能を示すブロック図である。消耗品管理サーバ３１０は、データ取得部３２０と、消耗品の寿命関連情報保存部３３０と、機械学習による学習モデル作成部３４０と、学習モデル保存部３５０と、消耗品の寿命予測部３６０と、データ出力部３７０と、を含む。

消耗品の寿命関連情報は、ファイルＡ、ファイルＢ及びファイルＣを含む。ファイルＡは、レーザチャンバ１００の寿命関連ログデータが保存されるファイルである。ファイルＢは、モニタモジュール１０８の寿命関連ログデータが保存されるファイルである。ファイルＣは、狭帯域化モジュール１０６の寿命関連のログデータが保存されるファイルである。

消耗品の寿命関連情報保存部３３０は、ファイルＡを記憶しておく記憶部３３２と、ファイルＢを記憶しておく記憶部３３４と、ファイルＣを記憶しておく記憶部３３６と、を含む。

学習モデル作成部３４０は、機械学習によって学習モデルを作成する処理部である。消耗品の学習モデル保存部３５０は、学習モデル作成部３４０によって作成された学習モデルを保存する。消耗品の学習モデル保存部３５０は、ファイルＡｍを記憶しておく記憶部３５２と、ファイルＢｍを記憶しておく記憶部３５４と、ファイルＣｍを記憶しておく記憶部３５６と、を含む。

ファイルＡｍは、レーザチャンバ１００の寿命を予測する処理を行う第１学習モデルが保存されるファイルである。ファイルＢｍは、モニタモジュール１０８の寿命を予測する処理を行う第２学習モデルが保存されるファイルである。ファイルＣｍは、狭帯域化モジュール１０６の寿命を予測する処理を行う第３学習モデルが保存されるファイルである。

記憶部３３２、３３４、３３６、３５２、３５４、３５６は、ハードディスク装置及び／又は半導体メモリ等の記憶デバイスを用いて構成される。記憶部３３２、３３４、３３６、３５２、３５４、３５６は、それぞれ別々の記憶装置を用いて構成されてもよいし、１つ又は複数の記憶装置における記憶領域の一部として構成されてもよい。

本開示において、レーザ制御部９０、露光制御部５０、レーザ装置用管理システム２０６、半導体工場管理システム２０８、及び消耗品管理サーバ３１０の各々は、１台又は複数台のコンピュータのハードウェア及びソフトウェアの組み合わせによって実現することが可能である。ソフトウェアはプログラムと同義である。

コンピュータは、例えば、ＣＰＵ（Central Processing Unit）及びメモリを含んで構成され得る。プログラマブルコントローラはコンピュータの概念に含まれる。コンピュータはＧＰＵ（Graphics Processing Unit）を含んでもよい。コンピュータに含まれるＣＰＵやＧＰＵはプロセッサの一例である。

また、レーザ制御部９０、露光制御部５０、レーザ装置用管理システム２０６、半導体工場管理システム２０８及び消耗品管理サーバ３１０などの各種の制御装置や処理装置の機能の一部又は全部は、ＦＰＧＡ（Field Programmable Gate Array）やＡＳＩＣ（Application Specific Integrated Circuit）に代表される集積回路を用いて実現してもよい。

また、複数の制御装置や処理装置の機能を１台の装置で実現することも可能である。さらに本開示において、複数の制御装置や処理装置は、ローカルエリアネットワークやインターネット回線といった通信ネットワークを介して互いに接続されてもよい。分散コンピューティング環境において、プログラムユニットは、ローカル及びリモート両方のメモリストレージデバイスに保存されてもよい。

５．２ 動作
５．２．１ 消耗品管理サーバにおける機械学習の動作の概要
図５に示す消耗品管理サーバ３１０は、レーザ装置１０の消耗品の寿命を予測する処理に用いる学習モデルを作成するための機械学習を行う機能と、作成した学習モデルを用いて消耗品の寿命を予測する処理を行う機能と、を備える。消耗品管理サーバ３１０は本開示における「消耗品管理装置」の一例である。まず、消耗品管理サーバ３１０において消耗品の寿命の予測に用いる学習モデルを作成するための機械学習方法を説明する。

データ取得部３２０は、各レーザ装置１０で消耗品が交換された場合に、レーザ装置用管理システム２０６から、交換された消耗品の使用期間中の全期間にわたって発振パルス数と対応付けて継続的に記録された寿命関連パラメータの全データを含む寿命関連情報を取得する。データ取得部３２０は、レーザ装置用管理システム２０６から取得したデータを、消耗品の寿命関連情報保存部３３０に書き込む。

データ取得部３２０は、交換された消耗品の種類に応じて書き込むファイルを特定してデータを書き込む。交換された消耗品がレーザチャンバ１００である場合、データ取得部３２０はファイルＡにレーザチャンバ１００の寿命関連情報である寿命関連ログデータを書き込む。交換された消耗品がモニタモジュール１０８である場合、データ取得部３２０はファイルＢにモニタモジュール１０８の寿命関連情報の寿命関連ログデータを書き込む。交換された消耗品が狭帯域化モジュール１０６である場合、データ取得部３２０はファイルＣに狭帯域化モジュール１０６の寿命関連情報である寿命関連ログデータを書き込む。ファイルＡ、ファイルＢ、及びファイルＣの各々に書き込まれるログデータは本開示における「第１の寿命関連情報」の一例である。データ取得部３２０は本開示における「情報取得部」の一例である。

学習モデル作成部３４０は、消耗品の寿命関連情報保存部３３０に、交換された消耗品に関する新しい寿命関連情報のデータが保存されると、この新しく保存された寿命関連情報のデータを取得する。また、学習モデル作成部３４０は、交換された消耗品に対応した学習モデルを消耗品の学習モデル保存部３５０から呼び出す。

例えば、交換された消耗品がレーザチャンバ１００である場合、学習モデル作成部３４０はファイルＡｍを呼び出す。交換された消耗品がモニタモジュール１０８である場合、学習モデル作成部３４０はファイルＢｍを呼び出す。交換された消耗品が狭帯域化モジュール１０６である場合、学習モデル作成部３４０はファイルＣｍを呼び出す。

学習モデル作成部３４０は、交換された消耗品の使用開始から交換までの期間中に記録された寿命関連パラメータのデータに基づいて機械学習を行い、新しい学習モデルを作成する。具体的な機械学習方法の内容については後述する。学習モデル作成部３４０によって作成された新しい学習モデルは、消耗品の学習モデル保存部３５０に保存される。機械学習の実施によって新しい学習モデルが作成されると、学習モデル保存部３５０のファイルが更新され、学習モデル保存部３５０に最新の学習モデルのファイルが書き込まれる。

５．２．２ 消耗品管理サーバにおける消耗品の寿命予測の動作の概要
次に、消耗品管理サーバ３１０における消耗品の寿命予測の動作を説明する。データ取得部３２０は、外部装置から交換予定の消耗品の寿命予測処理の要求信号を受信することができる。ここでの外部装置は、半導体工場管理システム２０８であってもよいし、図示しない端末装置などであってもよい。「交換予定の消耗品」とは、レーザ装置１０に現在搭載されている使用中の消耗品であって、今後交換する予定が検討される候補対象の消耗品である。

データ取得部３２０は交換予定の消耗品の寿命予測処理の要求を受けると、レーザ装置用管理システム２０６から、交換予定の消耗品の現在の寿命関連情報のデータと、１日当りの発振予定パルス数Ｎｄａｙのデータと、を取得する。

データ取得部３２０は、交換予定の消耗品の現在の寿命関連情報のデータと、１日当りの発振予定パルス数Ｎｄａｙのデータとを、消耗品の寿命予測部３６０に送信する。

消耗品の寿命予測部３６０は、交換予定の消耗品の現在の寿命関連情報のデータと、１日当りの発振予定パルス数Ｎｄａｙのデータとを取得し、交換予定の消耗品に対応した学習モデルを消耗品の学習モデル保存部３５０から呼び出す。

ここで、消耗品の寿命予測部３６０は、交換予定の消耗品の種類を特定して、消耗品の学習モデル保存部３５０から該当する消耗品のファイルを特定して読み込めばよい。例えば、交換予定の消耗品がレーザチャンバ１００である場合、消耗品の寿命予測部３６０は消耗品の学習モデル保存部３５０からファイルＡｍを読み込む。交換予定の消耗品がモニタモジュール１０８である場合、消耗品の寿命予測部３６０は消耗品の学習モデル保存部３５０からファイルＢｍを読み込む。交換予定の消耗品が狭帯域化モジュール１０６である場合、消耗品の寿命予測部３６０は消耗品の学習モデル保存部３５０からファイルＣｍを読み込む。

消耗品の寿命予測部３６０は、現在の寿命関連情報のデータに基づいて学習モデルを使用することによって消耗品の寿命を予測する。

消耗品の寿命予測部３６０は、予測された交換予定の消耗品の寿命Ｎｌｉｆｅと余命Ｎｒｅの発振パルス数のデータと、推奨メインテナンス日Ｄｒｅｃとを計算し、これらのデータをデータ出力部３７０に送信する。

推奨メインテナンス日Ｄｒｅｃは、例えば、次式を用いて計算することができる。

Ｄｒｅｃ＝Ｄｐｒｅ＋Ｎｒｅ／Ｎｄａｙ
Ｄｐｒｅ：消耗品の現在の寿命関連データの取得日
データ出力部３７０は、予測された交換予定の消耗品の寿命Ｎｌｉｆｅと余命Ｎｒｅの発振パルス数のデータと、推奨メインテナンス日Ｄｒｅｃを表すデータを、ネットワーク２１０を介してレーザ装置用管理システム２０６に送信する。データ出力部３７０は本開示における「情報出力部」の一例である。

レーザ装置用管理システム２０６は、予測された交換予定の消耗品の寿命Ｎｌｉｆｅと余命Ｎｒｅの発振パルス数と推奨メインテナンス日Ｄｒｅｃの情報を半導体工場管理システム２０８やオペレータやフィールドサービスにディスプレーやメール等で通知してもよい。

この通知は、レーザ装置の消耗品管理サーバ３１０からネットワーク２１０を介して、半導体工場管理システム２０８やオペレータやフィールドサービスにディスプレーやメール等で通知してもよい。

５．２．３ データ取得部の処理例
図６は、データ取得部３２０における処理内容の例を示すフローチャートである。図６のフローチャートに示す処理及び動作は、例えば、データ取得部３２０として機能するプロセッサがプログラムを実行することによって実現される。

ステップＳ１２において、データ取得部３２０は消耗品が交換されたか否かを判定する。ステップＳ１２の判定結果がＹｅｓ判定である場合、データ取得部３２０はステップＳ１４に進む。ステップＳ１４及びステップＳ１６は学習モデルを作成する場合の処理フローである。

ステップＳ１４において、データ取得部３２０は交換された消耗品の使用期間中の全寿命関連情報を受信する。すなわち、レーザ装置の消耗品の交換が行われると、データ取得部３２０はレーザ装置用管理システム２０６から、その交換された消耗品の使用期間中の全寿命関連情報を受信する。

次に、ステップＳ１６において、データ取得部３２０は交換された消耗品の使用期間中の全寿命関連情報を寿命関連情報保存部３３０に書き込む。すなわち、データ取得部３２０は、交換された消耗品に対応したファイルにデータを書き込む。ここでは、交換された消耗品はレーザチャンバ１００、モニタモジュール１０８、又は狭帯域化モジュール１０６であり、データ取得部３２０は消耗品の種類に応じてファイルＡ、ファイルＢ、又はファイルＣにデータを書き込む。

ステップＳ１６の後、データ取得部３２０はステップＳ３０に進む。ステップＳ３０において、データ取得部３２０は情報の受信を停止するか否かを判定する。ステップＳ３０の判定結果がＮｏ判定である場合、データ取得部３２０はステップＳ１２に戻る。

ステップＳ１２の判定結果がＮｏ判定である場合、データ取得部３２０はステップＳ２０に進む。ステップＳ２０において、データ取得部３２０は交換予定の消耗品の寿命を計算するか否かを判定する。例えば、図示しない入力装置からユーザによって、交換予定の消耗品についての寿命予測の要求が入力された場合に、ステップＳ２０の判定結果がＹｅｓ判定となる。

ステップＳ２０の判定結果がＹｅｓ判定である場合、データ取得部３２０はステップＳ２２に進む。ステップＳ２２、ステップＳ２４及びステップＳ２６は交換予定の消耗品の予測寿命を計算する場合の処理フローである。消耗品の予測寿命を計算することは、消耗品の寿命を予測することを意味する。

ステップＳ２２において、データ取得部３２０はレーザ装置用管理システム２０６から交換予定の消耗品の現在の寿命関連情報を受信する。

ステップＳ２４において、データ取得部３２０はレーザ装置用管理システム２０６からレーザ装置の稼動関連情報を受信する。レーザ装置の稼動関連情報とは、１日当りの発振予定パルス数Ｎｄａｙである。具体的には、過去の稼動データから把握される１日当りの発振予定パルス数であってよい。若しくは、半導体工場管理システム２０８から今後の稼動予定情報を取得して、１日当りの発振予定パルス数を計算してもよい。

その後、ステップＳ２６において、データ取得部３２０は消耗品の寿命予測部３６０に現在の寿命関連情報とレーザ装置の稼動関連情報を送信する。

ステップＳ２６の後、データ取得部３２０はステップＳ３０に進む。また、ステップＳ２０の判定結果がＮｏ判定である場合、データ取得部３２０はステップＳ２２～ステップＳ２６をスキップしてステップＳ３０に進む。

ステップＳ３０の判定結果がＹｅｓ判定である場合、データ取得部３２０は図６のフローチャートを終了する。

５．２．４ 学習モデル作成部の処理例
図７は、学習モデル作成部３４０における処理内容の例を示すフローチャートである。図７のフローチャートに示す処理及び動作は、例えば、学習モデル作成部３４０として機能するプロセッサがプログラムを実行することによって実現される。

ステップＳ４２において、学習モデル作成部３４０は消耗品の寿命関連情報保存部３３０に新しいデータが書き込まれたか否かを判定する。ステップＳ４２の判定結果がＮｏ判定である場合、学習モデル作成部３４０はステップＳ４２を繰り返す。ステップＳ４２の判定結果がＹｅｓ判定である場合、学習モデル作成部３４０はステップＳ４４に進む。

ステップＳ４４において、学習モデル作成部３４０は交換された消耗品の使用期間中の全寿命関連情報を取得する。学習モデル作成部３４０は、交換された消耗品（レーザチャンバ１００、モニタモジュール１０８、又は狭帯域化モジュール１０６）に対応したファイル（ファイルＡ、ファイルＢ、又はファイルＣ）に書き込まれたデータを取得する。

ステップＳ４６において、学習モデル作成部３４０は交換された消耗品の学習モデルを呼び出す。すなわち、学習モデル作成部３４０は、交換された消耗品に対応したファイル（ファイルＡｍ、ファイルＢｍ、又はファイルＣｍ）に保存された学習モデルを呼び出す。

ステップＳ４８において、学習モデル作成部３４０は学習モデルの作成サブルーチンの処理を実行する。学習モデル作成部３４０は、交換された消耗品に対応した学習モデルと寿命関連情報とに基づいて機械学習を行い、新しい学習モデルを作成する。

ステップＳ５０において、学習モデル作成部３４０は新しく作成された学習モデルを消耗品の学習モデル保存部３５０に保存する。学習モデル作成部３４０は、新しく作成された学習モデルを交換された消耗品に対応したファイル（ファイルＡｍ、ファイルＢｍ、又はファイルＣｍ）に保存する。次回からは、この新しい学習モデルを使用するように、学習モデル保存部３５０には最新の学習モデルが保存される。

ステップＳ５２において、学習モデル作成部３４０は学習モデルの作成を中止するか否かを判定する。ステップＳ５２の判定結果がＮｏ判定である場合、学習モデル作成部３４０はステップＳ４２に戻り、ステップＳ４２からステップＳ５２を繰り返す。ステップＳ５２の判定結果がＹｅｓ判定である場合、学習モデル作成部３４０は図７のフローチャートを終了する。

なお、図７のフローチャートにおいて、各消耗品の学習モデルを最初に作成するときは、学習モデル保存部３５０に保存されているそれぞれの初期の学習モデルのパラメータは、学習前の任意の値に設定されたものであってよい。後述する機械学習を実施することによって、学習モデルのパラメータが適切な値に変更され、消耗品の寿命予測の処理機能を獲得した学習モデルが作成されることになる。

もちろん、初期の学習モデルは、予め本実施形態の機械学習方法と同様の方法を実施して重みのパラメータがある程度調整された暫定的な学習モデルであってもよい。

５．２．５ レーザチャンバの寿命予測に用いる学習モデルの作成例
ここでは、レーザチャンバ１００の寿命予測に用いる学習モデルの作成例を説明する。図８は、レーザチャンバ１００の発振パルス数Ｎｐとガス圧Ｐの関係を示す寿命関連情報のデータの一例である。消耗品の使用開始から交換までの１サイクルの期間を消耗品毎の寿命とし、寿命の中で消耗品の劣化度を段階的に定義する。図８には、レーザチャンバ１００の寿命までの発振パルス数から劣化度を定義した例を示す。ここでは寿命関連情報の一例としての発振パルス数の観点から１０段階で劣化度を表すレベルを定義している。すなわち、図８に示す例では、レーザチャンバ１００の使用開始から交換までの１サイクルの全期間の発振パルス数のログデータ（全寿命関連情報の一例）を１０分割して劣化度１から劣化度１０とし、発振パルス数と劣化度を対応付けたデータのセットを作成する。

こうして作成された発振パルス数と劣化度を対応付けたデータは、機械学習のための訓練データとして用いられる。訓練データは学習用データと同義である。すなわち、寿命関連パラメータのデータが学習モデルへの入力データであり、劣化度を表すレベルがその入力に対する正解ラベル（教師データ）に相当する。学習モデル作成部３４０は、作成された教師ありデータを用いて機械学習を行い、発振パルス数の入力に対して劣化度の予測（寿命の予測）を出力する学習モデルを作成する。なお、ここでは、１０段階の劣化度を定義する例を示しているが、劣化度の段階数は１０段階に限らず、２以上の適宜の段階とすることができる。

レーザチャンバ１００に限らず、モニタモジュール１０８や狭帯域化モジュール１０６など他の消耗品についても同様に、消耗品毎にその消耗品の使用開始から交換までの１サイクルの全期間における寿命関連情報のデータを複数段階の劣化度のレベルに分割し、寿命関連パラメータのデータと劣化度を示すレベルとを対応付けた訓練データを作成する。

そして、消耗品の種類毎に、それぞれの訓練データを用いて機械学習を行い、それぞれの学習モデルを作成する。

図９は、図７のステップＳ４８の処理内容の例を示すフローチャートである。すなわち、図９は、学習モデルの作成サブルーチンの例を示す。

図９のステップＳ１０２において、学習モデル作成部３４０は交換された消耗品の使用期間中の全寿命関連情報を劣化度のレベルによってＳｍａｘ段階に分割する。Ｓｍａｘは、例えば、図８で例示したように、Ｓｍａｘ＝１０であってよい。

図９のステップＳ１０４において、学習モデル作成部３４０はＳｍａｘ段階に分割された各段階の寿命関連情報のデータＤ（ｓ）を作成する。ここでｓは、劣化度のレベルを表す整数である。ｓは１からＳｍａｘまでの値をとり得る。図８の例では、１０段階に分割されたレーザチャンバ１００の発振パルス数の各段階の寿命関連情報のデータＤ（ｓ）を作成する。例えば、消耗品の各段階の発振パルス数の平均値におけるデータをＤ（ｓ）としてもよい。

次に、ステップＳ１０６において、学習モデル作成部３４０は劣化度のレベルを表す変数ｓの値を初期値の「１」に設定する。その後、ステップＳ１０８において、学習モデル作成部３４０はＤ（ｓ）のデータを、図７のステップＳ４６で呼び出した学習モデルに入力する。

次に、図９のステップＳ１１０において、学習モデル作成部３４０は、データＤ（ｓ）の入力に対する学習モデルの出力がレベルｓとなるように学習モデルのパラメータを変更する。

学習モデルは、例えば、ニューラルネットワークモデルであってよい。学習モデル作成部３４０は、教師ありデータを用いた機械学習によってこの学習モデルのパラメータを変更し、新しい学習モデルを作成する。

ステップＳ１１２において、学習モデル作成部３４０は変数ｓがＳｍａｘ以上であるか否かを判定する。ステップＳ１１２の判定結果がＮｏ判定である場合、学習モデル作成部３４０はステップＳ１１４に進み、変数ｓの値をインクリメントしてステップＳ１０８に戻る。ステップＳ１１２の判定結果がＹｅｓ判定である場合、学習モデル作成部３４０は図９のフローチャートを終了して、図７のフローチャートに復帰する。つまり、ステップＳ１１２の判定結果がＹｅｓ判定になると、学習モデルは、今回の交換された消耗品の結果を反映した新しい学習モデルに更新される。

学習モデル作成部３４０は本開示における「訓練データ作成部」及び「学習モデル作成部」の一例である。

５．２．６ ニューラルネットワークモデルの例
図１０は、ニューラルネットワークモデルの例を示す模式図である。図１０において円はニューロンを表し、矢印の付いた直線は信号の流れを表す。図１０の左から入力層４０２のニューロンＮ_１１、Ｎ_１２、Ｎ_１３、隠れ層４０４のニューロンＮ_２１、及び出力層４０６のニューロンＮ_３１である。層構造を有するニューラルネットワークの層番号をｉ、ニューロン番号をｊとして、ニューロンＮ_ｉｊから出力される信号の強さをＸ_ｉｊとし、信号Ｘ_ｉｊと表記する。ｉ層と（ｉ＋１）層との間のニューロン同士の結合の重みをＷ_ｉｊとする。

入力層４０２のニューロンＮ_１１、Ｎ_１２、Ｎ_１３は、それぞれ信号の強さがＸ_１１、Ｘ_１２、Ｘ_１３の信号を出力する。隠れ層４０４のニューロンＮ_２１は、入力される信号Ｘ_１１、Ｘ_１２、Ｘ_１３の重み付き信号和（Ｗ_１１×Ｘ_１１＋Ｗ_１２×Ｘ_１２＋Ｗ_１３×Ｘ_１３）が閾値よりも大きい場合に、信号Ｘ_２１を出力する。ここでの閾値をｂ_２１とすると、ニューロンＮ_２１はＷ_１１×Ｘ_１１＋Ｗ_１２×Ｘ_１２＋Ｗ_１３×Ｘ_１３－ｂ_２１＞０の場合に、信号Ｘ_２１を出力する。「－ｂ_２１」をニューロンＮ_２１のバイアスという。

ニューラルネットワークモデルのパラメータは、ニューロン間の結合の重みとバイアスを含む。

５．２．７ ニューラルネットワークモデルの学習モード
図１１は、学習モデルを作成する際のニューラルネットワークのモデルの例である。ニューラルネットワークモデル４００は、入力層４０２と、隠れ層４０４と、出力層４０６と、を含む。

入力層４０２はｎ個のニューロンＮ_１１～Ｎ_１ｎを含み、それぞれのニューロンＮ_１１～Ｎ_１ｎに、交換した消耗品の寿命関連情報の中で劣化度ｓの時のログデータが入力される。

隠れ層４０４は、ｍ個のニューロンＮ_２１～Ｎ_２ｍを含み、隠れ層４０４におけるそれぞれの１個のニューロンに対して入力層４０２のニューロンＮ_１１～Ｎ_１ｎから出力された信号が入力される。これらの入力信号それぞれに異なる重みのパラメータＷ１が設定可能である。ここで、重みのパラメータＷ１とは、隠れ層４０４の各ニューロンＮ_２１～Ｎ_２ｍに入力される信号に対するそれぞれの重みをまとめて「重みのパラメータＷ１」と表記する。

出力層４０６は、ｐ個のニューロンＮ_３１～Ｎ_３ｐを含み、出力層４０６のそれぞれの１個のニューロンに対して隠れ層４０４のニューロンＮ_２１～Ｎ_２ｍから出力された信号が入力される。出力層４０６のニューロンの個数ｐは、劣化度のレベルの段階数（Ｓｍａｘ）と同数であってよい。これらの入力信号それぞれに異なる重みのパラメータＷ２が設定可能である。ここで、重みのパラメータＷ２は、出力層４０６の各ニューロンＮ_３１～Ｎ_３ｐに入力される信号に対するそれぞれの重みをまとめ「重みのパラメータＷ２」と表記する。

出力層４０６のニューロンＮ_３１～Ｎ_３ｐからは、劣化度Ｌｖ（１）～Ｌｖ（ｓ）～Ｌｖ（Ｓｍａｘ）の確率が出力される。ここでの劣化度の確率とは、各劣化度のレベルに該当する確からしさを示すスコアを意味する。

劣化度ｓが１からＳｍａｘのＳｍａｘ段階に定義されている場合、交換した消耗品の寿命関連情報（ログデータ）Ｄ１（ｓ）、Ｄ２（ｓ）・・・Ｄｎ（ｓ）を入力層４０２にそれぞれ入力する。

それぞれの劣化度ｓの入力に対して、出力層４０６からの出力がＬｖ（ｓ）の確率は１に近づき、その他の劣化度の確率は０に近づく結果となるように、ニューロン間のそれぞれの重みとバイアスを調整する。

以上のようにして、教師あり機械学習によって学習モデルが作成される。

５．２．８ 消耗品の寿命予測部の処理例
図１２は、消耗品の寿命予測部３６０における処理内容の例を示すフローチャートである。図１２のフローチャートに示す処理及び動作は、例えば、消耗品の寿命予測部３６０として機能するプロセッサがプログラムを実行することによって実現される。

図１２のステップＳ６２において、消耗品の寿命予測部３６０は交換予定の消耗品の現在の寿命関連情報を受信したか否かを判定する。ステップＳ６２の判定結果がＮｏ判定である場合、消耗品の寿命予測部３６０はステップＳ６２を繰り返す。ステップＳ６２の判定結果がＹｅｓ判定である場合、消耗品の寿命予測部３６０はステップＳ６４に進む。

ステップＳ６４において、消耗品の寿命予測部３６０は交換予定の消耗品の現在の寿命関連情報を取得する。ステップＳ６４にて取得する現在の寿命関連情報は本開示における「第２の寿命関連情報」の一例である。

ステップＳ６６において、消耗品の寿命予測部３６０はレーザ装置の稼動関連情報を取得する。次に、ステップＳ６８において、消耗品の寿命予測部３６０は交換予定の消耗品の学習モデルを呼び出す。ここでは交換予定の消耗品（レーザチャンバ、モニタモジュール、又は狭帯域化モジュール）に対応したファイル（ファイルＡｍ、ファイルＢｍ、又はファイルＣｍ）に保存された学習モデルを呼び出す。

そして、ステップＳ７０において、消耗品の寿命予測部３６０は学習モデルを使って寿命計算を行う。すなわち、消耗品の寿命予測部３６０は、交換予定の消耗品の現在の寿命関連情報に基づき、学習モデルを使って寿命と、余寿命と、推奨メインテナンス日と、を計算する。

ステップＳ７２において、消耗品の寿命予測部３６０は交換予定の消耗品の寿命と、余寿命と、推奨メインテナンス日のデータをデータ出力部３７０に送信する。

ステップＳ７４において、消耗品の寿命予測部３６０は消耗品の予測寿命の計算を中止するか否かを判定する。ステップＳ７４の判定結果がＮｏ判定である場合、消耗品の寿命予測部３６０はステップＳ６２に戻り、ステップＳ６２からステップＳ７４を繰り返す。ステップＳ７４の判定結果がＹｅｓ判定である場合、消耗品の寿命予測部３６０は図１２のフローチャートを終了する。

図１３は、学習モデルを使って寿命計算を行う処理のサブルーチンの例を示すフローチャートである。すなわち、図１３は、図１２のステップＳ７０の処理内容の例を示すフローチャートである。

図１３のステップＳ１３２において、消耗品の寿命予測部３６０は交換予定の消耗品の現在の寿命関連情報を学習モデルに入力する。

ステップＳ１３４において、消耗品の寿命予測部３６０は学習モデルから各劣化度Ｌｖ（１）～Ｌｖ（Ｓｍａｘ）の確率を出力する。

ステップＳ１３６において、消耗品の寿命予測部３６０は劣化度の確率分布から現在の消耗品の劣化度ｓを判定する。劣化度ｓの判定方法の第１例として、例えば、確率が一番高い劣化度を抽出してもよい。また劣化度ｓの判定方法の第２例として、劣化度の確率分布から近似曲線を求めて、一番高い確率分布の劣化度ｓを求めてもよい。この第２例の場合は劣化度ｓは整数ではなく、少数点以下の数値まで求める。この第２例の場合は第１例の場合に比べて一層高精度に、消耗品の寿命と余寿命を予測することができる。

ステップＳ１３８において、消耗品の寿命予測部３６０はステップＳ１３６で求めた劣化度からさらに消耗品の寿命Ｎｃｈｅｓを計算する。消耗品の寿命Ｎｃｈｅｓは現在の発振パルス数Ｎｃｈを用いて、Ｎｃｈｅｓ＝Ｎｃｈ・Ｓｍａｘ／ｓから計算される。なお、式中の「・」は乗算を表す。

ステップＳ１４０において、消耗品の寿命予測部３６０はステップＳ１３６で求めた劣化度からさらに消耗品の余寿命Ｎｃｈｒｅを計算する。消耗品の余寿命Ｎｃｈｒｅは現在の発振パルス数Ｎｃｈを用いて、Ｎｃｈｒｅ＝Ｎｃｈｅｓ－Ｎｃｈから計算される。

ステップＳ１４２において、消耗品の寿命予測部３６０は消耗品の推奨メインテナンス日Ｄｒｅｃを計算する。推奨メインテナンス日Ｄｒｅｃは、Ｄｒｅｃ＝Ｄｐｒｅ＋Ｎｃｈｒｅ／Ｎｄａｙから計算される。

ステップＳ１４２の後、消耗品の寿命予測部３６０は図１３のフローチャートを終了し、図１２のフローチャートに復帰する。

５．２．９ 学習モデルを使って消耗品の寿命を計算する処理の例
図１４は、作成した学習モデルを使用してレーザチャンバ１００の寿命及び余寿命を計算する例を示す。現在運転中のレーザチャンバ１００の予測寿命を計算する場合に、消耗品の寿命予測部３６０は現在のレーザチャンバ１００の寿命関連情報を取得する。ここでは、現在のレーザチャンバの発振パルス数Ｎｃｈのデータを取得する。

次に、作成された学習モデルに、現在のレーザチャンバ１００の寿命関連情報を入力すると、複数段階の各劣化度である確率Ｌｖ（１）～Ｌｖ（１０）が計算される。図１５に、劣化度毎の確率Ｌｖ（１）～Ｌｖ（１０）の例を示す。この例では劣化度７の確率Ｌｖ（７）が一番高いと判定される。

そして、現在運転中のレーザチャンバ１００の予測寿命Ｎｃｈｅｓは以下の式１で求められる。

Ｎｃｈｅｓ＝Ｎｃｈ・１０／７ （式１）
余寿命Ｎｃｈｒｅは、以下の式２で求められる。

Ｎｃｈｒｅ＝Ｎｃｈｅｓ－Ｎｃｈ＝Ｎｃｈ・３／７ （式２）
５．２．１０ ニューラルネットワークモデルの寿命予測モード
図１６は、学習済みのニューラルネットワークモデル４００によって消耗品の寿命を予測する処理の例である。ニューラルネットワークモデル４００のネットワーク構造は、図１１と同じ構成である。図１６において、ニューロン間の重みパラメータＷ１及びＷ２は、図１１で説明した学習モードによって適正化された値が設定されている。

現在の消耗品について寿命予測を行う場合、現在の消耗品の寿命関連情報(ログデータ)Ｄ１，Ｄ２・・・Ｄｎを入力層４０２にそれぞれ入力する。その結果、出力層４０６からの劣化度Ｌｖ（１）～Ｌｖ（Ｓｍａｘ）のそれぞれの確率が出力される（図１５参照）。

５．２．１１ その他
図１１及び図１６ではニューラルネットワークモデル４００の隠れ層４０４が１層であるの場合の例を示したが、これに限定されることなく、隠れ層４０４が複数層あってもよい。

本実施形態では、教師あり学習による機械学習の例を示したがこの例に限定されることなく、教師なし学習による機械学習を行ってもよい。例えば、入力データを次元削減して、それらのデータセットにある特徴を似たものどうしにクラスタリングすることができる。この結果を使って、何らかの基準を設けてそれを最適にするような出力の割り当てを行うことで、出力の予測を実現することできる。

５．２．１２ データ出力部の処理例
図１７は、データ出力部３７０における処理内容の例を示すフローチャートである。図１７のフローチャートに示す処理及び動作は、例えば、データ出力部３７０として機能するプロセッサがプログラムを実行することによって実現される。

ステップＳ８２において、データ出力部３７０は交換予定の消耗品の寿命データを受信したか否かを判定する。ステップＳ８２の判定結果がＮｏ判定である場合、データ出力部３７０はステップＳ８２を繰り返す。ステップＳ８２の判定結果がＹｅｓ判定である場合、データ出力部３７０はステップＳ８４に進む。

ステップＳ８４において、データ出力部３７０は交換予定の消耗品の寿命と、余寿命と、推奨メインテナンス日の各データを読み込む。

ステップＳ８６において、データ出力部３７０は交換予定の消耗品の寿命と、余寿命と、推奨メインテナンス日の各データを送信する。データの送信先は、レーザ装置用管理システム２０６及び／又は半導体工場管理システム２０８であってよい。また、データの送信先は、ネットワーク２１０に接続されている図示せぬ端末装置などであってもよい。

ステップＳ８８において、データ出力部３７０はデータの送信を中止するか否かを判定する。ステップＳ８８の判定結果がＮｏ判定である場合、データ出力部３７０はステップＳ８２に戻り、ステップＳ８２からステップＳ８８を繰り返す。ステップＳ８８の判定結果がＹｅｓ判定である場合、データ出力部３７０は図１７のフローチャートを終了する。

５．３ レーザチャンバの寿命関連情報
図１８から図２０に、レーザチャンバ１００の寿命関連情報の例を示す。レーザチャンバ１００の寿命関連情報は、例えば、電極劣化パラメータと、パルスエネルギ安定性パラメータと、ガス制御パラメータと、運転負荷パラメータと、レーザ共振器の光学素子による劣化パラメータと、を含む。なお、図２０に示す図表の「ＯＣ」の表記は出力結合ミラーを表す。

これらの寿命関連のパラメータのうちで、レーザチャンバ１００の寿命予測を精度よく行うために少なくとも必要な寿命関連パラメータは、電極劣化パラメータと、パルスエネルギ安定性パラメータと、ガス制御パラメータと、である。好ましくは、さらに、運転負荷パラメータを使用することによって、寿命予測の精度が改善する可能性がある。運転負荷が高い場合、レーザチャンバ１００の寿命が短くなる場合があるためである。

さらに、好ましくは、レーザ共振器の損失の指標となる狭帯域化モジュール１０６の劣化パラメータやレーザチャンバ１００のウインドウの劣化パラメータを使用することによって、寿命予測の精度が一層改善する可能性がある。

電極劣化パラメータは、少なくとも放電回数を含む。放電回数は、概ねレーザチャンバ１００の交換後からの発振パルス数Ｎｐと等しい値である。電極劣化パラメータとして、好ましくは、投入エネルギの積算値をさらに追加してもよい。

図１に示すようなシングルチャンバ方式のレーザ装置の場合、スペクトル線幅と放電幅の間に相関があるので、電極劣化パラメータの１つとしてスペクトル線幅を使用してもよい。

パルスエネルギ安定性パラメータは、少なくともパルスエネルギのばらつき、を含む。さらに、パルスエネルギ安定性パラメータとして、パルスエネルギの積算値（露光量）のばらつきを追加してもよい。

ガス制御パラメータについては、充電電圧が所定の範囲となるようにレーザチャンバ１００のガス圧を制御する場合は、レーザチャンバ１００の圧力と、全ガス交換して調整発振後のレーザチャンバ１００の圧力と、を少なくとも含む。

レーザチャンバ１００の圧力が一定制御で、充電電圧を制御する場合は、ガス制御パラメータとして、レーザチャンバ１００の充電電圧と、全ガス交換して調整発振後の充電電圧と、を少なくとも含む。好ましくは、レーザチャンバ１００を交換してからのハロゲンを含むガスの注入量の積算値、又は、レーザガスの注入の積算値を追加してもよい。これにより、寿命予測精度が一層改善する可能性がある。

また、好ましくは、単位発振パルス当りのハロゲンガスを含むガスの注入量、又は、レーザガスの注入量を追加してもよい。

運転負荷パラメータは、レーザ装置１０から出力されるレーザ光の平均出力、又は、目標パルスエネルギがほとんど変化しない場合は、バースト運転のデューティで代用してもよい。

特に、露光運転中の運転負荷パラメータを使用するのがよい。半導体を作る工場では、メモリ素子を作成する場合には運転負荷が高く、ロジック関連の素子を作成する場合には運転負荷が低くなることがある。

レーザ共振器の光学素子による劣化パラメータは、ウインドウの劣化パラメータと狭帯域化モジュール１０６の劣化パラメータと出力結合ミラー１０４の劣化パラメータと、を含み、それぞれの光学素子の交換後の発振パルス数を少なくとも含む。レーザ装置１０から出力されるパルスレーザ光のパルスエネルギが大きく変わる場合は、２光吸収による光学素子の劣化のパラメータである、パルスエネルギの積算値やパルスエネルギの二乗の積算値を使用してもよい。

５．４ モニタモジュールの寿命関連情報の例
図２１は、モニタモジュール１０８の寿命関連情報の例を示す。モニタモジュール１０８の寿命は、光学素子の劣化と光センサの劣化とで決まることが多い。モニタモジュール１０８の寿命関連情報は、モニタモジュール１０８の中に配置された光学素子の劣化パラメータと、光センサの劣化パラメータと、の少なくとも１つを含む。

モニタモジュール１０８の光学素子の劣化パラメータは、モニタモジュール１０８の交換後の発振パルス数を少なくとも含む。レーザ装置１０から出力されるパルスレーザ光のパルスエネルギが大きく変わる場合は、２光吸収による光学素子の劣化のパラメータである、パルスエネルギの積算値やパルスエネルギの二乗の積算値を使用してもよい。

光センサの劣化パラメータは、光センサとしてのイメージセンサの検出光強度と、スペクトル線幅と、パルスエネルギとその積算値と、を含む。

モニタモジュール１０８の寿命予測を行うために少なくとも必要な劣化パラメータは、イメージセンサの検出光強度である。イメージセンサに入射する光強度は、スペクトル線幅と、パルスエネルギによって変化するので、補助的にスペクトル線幅とパルスエネルギの値を使用してもよい。パルスエネルギの積算値は、イメージセンサに露光される光量に近い値となるのでこの値を使用してもよい。

［その他］
図２１に示す例では、モニタモジュール１０８のパルスエネルギ検出器１４４に含まれる光センサは、例えば、フォトダイオードや焦電素子である。これらセンサの劣化も、モニタモジュール１０８を交換してからのパルスエネルギの積算値で評価可能となる。目標パルスエネルギが大きく変化しない場合は、モニタモジュール交換後の発振パルス数で代用できる。

５．５ 狭帯域化モジュールの寿命関連情報の例
図２２は、狭帯域化モジュール１０６の寿命関連情報の例を示す。狭帯域化モジュール１０６の寿命は、光学素子の劣化と波長アクチュエータの劣化とで決まることが多い。狭帯域化モジュール１０６の寿命関連情報は、狭帯域化モジュール１０６の中に配置された光学素子（複数のプリズムとグレーティング）の劣化パラメータと、波長アクチュエータの劣化パラメータと、波面の劣化のパラメータと、の少なくとも１つを含む。

狭帯域化モジュール１０６の寿命予測にとって少なくとも必要な劣化パラメータは、狭帯域化モジュール１０６の光学素子の劣化パラメータである。好ましくは、波長アクチュエータの劣化パラメータと、波面の劣化のパラメータを追加してもよい。

狭帯域化モジュール１０６の光学素子の劣化パラメータは、狭帯域化モジュール１０６の交換後の発振パルス数を少なくとも含む。レーザ装置１０から出力されるパルスレーザ光のパルスエネルギが大きく変わる場合は、２光吸収による光学素子の劣化のパラメータである、パルスエネルギの積算値やパルスエネルギの二乗の積算値を使用してもよい。

波長アクチュエータの劣化パラメータは、波長安定性を含む。

波長アクチュエータが劣化して動作が悪化すると、波長制御が不安定となるため、波長安定性を使用することによって、寿命を評価できる可能性がある。

波面の劣化のパラメータは、スペクトル線幅を含む。レーザ装置から出力されるパルスレーザ光のスペクトル線幅は、狭帯域化モジュール１０６の波面が歪むことによって太くなるので、スペクトル線幅を使用することによって、寿命を評価できる可能性がある。例えば、プリズムに合成石英を使用している場合、コンパクションによって、プリズムの透過波面が歪みスペクトル線幅が太くなる場合がある。

５．６ 作用・効果
実施形態１に係る消耗品管理サーバ３１０によれば、レーザ装置１０における交換予定の消耗品の各々に対して、その消耗品の寿命関連情報に基づいて、対応する学習モデルを使用することによって、交換予定の消耗品の各々の寿命を予測できる。

また、実施形態１の構成によれば、交換予定の消耗品の寿命の予測結果に合わせた交換日程を予め計画することができる。その結果、標準寿命に合わせて消耗品を交換するのではなく、実際の使用状況に応じて予測された寿命に合わせて消耗品を交換できるので、以下の効果がある。

［効果１］消耗品の寿命分を可能な限り有効に使用することができるため、コストが低減できる。

［効果２］未計画な消耗品の交換による生産ラインの停止を抑制することができる。

さらに、実施形態１の構成によれば、機械学習によって学習された学習モデルを用いて消耗品の予測寿命を計算するので、ＦＳＥ等の属人的な要素が排除される。

５．７ その他
実施形態１では、半導体工場の露光装置用ＫｒＦエキシマレーザの場合の例を示したが、これに限定されることなく、例えば、フラットパネルのアニール用エキシマレーザや加工用のエキシマレーザに適用してもよい。これらの場合は、狭帯域化モジュール１０６の代わりに、リアミラーが配置され、モニタモジュール１０８のスペクトル検出器１４６はなくてもよい。

６．実施形態２
６．１ 構成
図２３は、実施形態２に係る消耗品管理サーバ３１２の機能を示すブロック図である。図５で説明した消耗品管理サーバ３１０に代えて、図２３に示す消耗品管理サーバ３１２を適用してもよい。図２３に示す消耗品管理サーバ３１２について、図５で説明した構成との相違点を説明する。

図２３に示す消耗品管理サーバ３１２は、図５のデータ取得部３２０と、消耗品の寿命予測部３６０と、データ出力部３７０とに代えて、データ取得部３２２と、消耗品の寿命予測部３６２と、データ出力部３７２と、を含む。また、消耗品管理サーバ３１２には、レーザ制御パラメータ変更部３８０が追加されている。

データ取得部３２２は、データ取得部３２０と同様の機能を果たすことに加え、ネットワーク２１０を介してユーザの消耗品のメインテナンス希望日の情報を取得する。

消耗品の寿命予測部３６２は、消耗品の寿命予測部３６０と同様の機能を果たすことに加え、寿命の予測結果をレーザ制御パラメータ変更部３８０に送る処理を行う。

レーザ制御パラメータ変更部３８０は、消耗品の寿命予測部３６２からの予測結果に基づき、レーザ装置１０の制御パラメータを変更する処理を行う。レーザ制御パラメータ変更部３８０は、メインテナンス希望日とレーザ装置１０の稼動予定データを基に計算される発振パルス数と余寿命の発振パルス数とを比較して、余寿命の発振パルス数の方が小さい場合に、メインテナンス希望日まで消耗品の寿命延長可能なようにレーザ装置１０の制御パラメータを変更する処理を行う。

データ出力部３７２は、データ出力部３７０と同様の機能を果たすことに加え、レーザ制御パラメータ変更部３８０にて作成されたレーザ装置１０の制御パラメータを、該当するレーザ装置１０にネットワーク２１０を介して提供する機能を果たす。

６．２ 動作
６．２．１ データ取得部の処理例
図２４は、データ取得部３２２における処理内容の例を示すフローチャートである。図２４において、図６と共通するステップには同一のステップ番号を付し、重複する説明は省略する。図６との相違点を説明する。

図２４のフローチャートは、作成した学習モデルを用いて交換予定の消耗品の予測寿命を計算するフローにおいて、ステップＳ２５とステップＳ２７とが追加されている。

ステップＳ２４の後、データ取得部３２２はステップＳ２５に進む。ステップＳ２５において、データ取得部３２２は交換予定の消耗品についてのユーザのメインテナンス希望日の情報を取得する。ユーザは、図示しない端末装置などから所望のメインテナンス希望日を入力することができる。「メインテナンス希望日」は、消耗品の交換作業を含むメインテナンス作業の実施希望日を意味する。ステップＳ２５の後、データ取得部３２２はステップＳ２６に進む。

ステップＳ２６の後、データ取得部３２２は、ステップＳ２７に進む。ステップＳ２７において、データ取得部３２２は交換予定の消耗品についてのユーザのメインテナンス希望日の情報をレーザ制御パラメータ変更部３８０に送信する。ステップＳ２７の後、データ取得部３２２はステップＳ３０に進む。その他の処理内容は、図６のフローチャートと同様である。

６．２．２ 消耗品の寿命予測部の処理例
図２５は、消耗品の寿命予測部３６２における処理内容の例を示すフローチャートである。図２５において、図１３と共通するステップには同一のステップ番号を付し、重複する説明は省略する。図１３との相違点を説明する。

図２５のフローチャートは、ステップＳ７２とステップＳ７４の間にステップＳ７３を含む。ステップＳ７３において、消耗品の寿命予測部３６２は交換予定の消耗品の寿命と、余寿命と、推奨メインテナンス日と、レーザ装置の稼動関連情報と、をレーザ制御パラメータ変更部３８０に送信する。

ステップＳ７３の後、消耗品の寿命予測部３６２はステップＳ７４に進む。その他の処理内容は、図１３のフローチャートと同様である。

６．２．３ レーザ制御パラメータ変更部の処理例
図２６は、レーザ制御パラメータ変更部３８０における処理内容の例を示すフローチャートである。図２６のフローチャートに示す処理及び動作は、例えば、レーザ制御パラメータ変更部３８０として機能するプロセッサがプログラムを実行することによって実現される。

ステップＳ２０２において、レーザ制御パラメータ変更部３８０はユーザのメインテナンス希望日Ｄｕの情報を取得する。

ステップＳ２０４において、レーザ制御パラメータ変更部３８０はレーザ装置の稼動予定情報を取得する。稼動予定情報は、例えば、１日当りにレーザ装置から出力される発信パルス数Ｎｄａｙの情報であってよい。Ｎｄａｙのデータは本開示における「稼動予定データ」の一例である。

ステップＳ２０６において、レーザ制御パラメータ変更部３８０はユーザのメインテナンス希望日までの発振パルス数Ｎｃｈｕを計算する。Ｎｃｈｕは、次式によって計算することができる。

Ｎｃｈｕ＝（Ｄｕ－Ｄｐｒｅ）・Ｎｄａｙ
次に、ステップＳ２０８において、レーザ制御パラメータ変更部３８０は交換予定の消耗品の余寿命Ｎｃｈｒｅのデータを取得する。

そして、ステップＳ２１０において、レーザ制御パラメータ変更部３８０はＮｃｈｕ＞Ｎｃｈｒｅを満たすか否かを判定する。すなわち、レーザ制御パラメータ変更部３８０はユーザのメインテナンス希望日まで、交換予定の消耗品を延命させる必要があるか否かを判定する。

ステップＳ２１０の判定結果がＹｅｓ判定である場合、レーザ制御パラメータ変更部３８０はステップＳ２１２に進む。ステップＳ２１２において、レーザ制御パラメータ変更部３８０は寿命延命のためのレーザ装置の制御パラメータを計算する。ステップＳ２１２の処理内容の具体例は後述する（図２７）。

ステップＳ２１２の後、ステップＳ２１４において、レーザ制御パラメータ変更部３８０はステップＳ２１２で求めたレーザ装置の制御パラメータの変更データをデータ出力部３７２に送信する。

その後、ステップＳ２１６において、レーザ制御パラメータ変更部３８０は寿命延命のためのレーザ制御パラメータの変更を中止するか否かを判定する。ステップＳ２１６の判定結果がＮｏ判定である場合、レーザ制御パラメータ変更部３８０はステップＳ２０２に戻り、ステップＳ２０２からステップＳ２１６を繰り返す。ステップＳ２１６の判定結果がＹｅｓ判定である場合、レーザ制御パラメータ変更部３８０は図２６のフローチャートを終了する。また、ステップＳ２１０の判定結果がＮｏ判定である場合、レーザ制御パラメータ変更部３８０はステップＳ２１２～ステップＳ２１４をスキップしてステップＳ２１６に進む。

図２７は、図２６のステップＳ２１２に適用されるサブルーチンの例を示すフローチャートである。

図２７のステップＳ２２２において、レーザ制御パラメータ変更部３８０は寿命延命の発振パルス数Ｎｐｅｘを計算する。Ｎｐｅｘは、図２６のステップＳ２０６で求めたＮｃｈｕから余寿命Ｎｃｈｒｅを減算した値（Ｎｐｅｘ＝Ｎｃｈｕ－Ｎｃｈｒｅ）であってよい。

ステップＳ２２４において、レーザ制御パラメータ変更部３８０は寿命延命の発振パルス数Ｎｐｅｘとレーザ装置１０の制御パラメータとの関係データを呼び出す。そして、ステップＳ２２６において、レーザ制御パラメータ変更部３８０は呼び出した関係データを基に、寿命延命の発振パルス数Ｎｐｅｘを満たすレーザ装置１０の制御パラメータ値Ｙｐを求める。

次に、ステップＳ２２８において、レーザ制御パラメータ変更部３８０はステップＳ２２６にて求めた制御パラメータ値Ｙｐが予め定められている上限値Ｙｍａｘを超えているか否かを判定する。

ステップＳ２２８の判定結果がＮｏ判定である場合、レーザ制御パラメータ変更部３８０はステップＳ２３０に進む。ステップＳ２３０において、レーザ制御パラメータ変更部３８０はレーザ装置１０の制御パラメータの変更のフラグ（Ｆ＝１）を立てる。フラグＦ＝１は、寿命延命のためのレーザ装置１０の制御パラメータの変更を実施することを表す。

一方、ステップＳ２２８の判定結果がＹｅｓ判定である場合、レーザ制御パラメータ変更部３８０はステップＳ２３２に進む。ステップＳ２３２において、レーザ制御パラメータ変更部３８０はレーザ装置１０の制御パラメータの変更のフラグを下げる（Ｆ＝０）。フラグＦ＝０は、寿命延命のためのレーザ装置１０の制御パラメータの変更を実施しない（不実施とする）ことを表す。

ステップＳ２３０又はステップＳ２３２の後、レーザ制御パラメータ変更部３８０は図２７のフローチャートを終了し、図２６のフローチャートに復帰する。

図２８に、寿命延命の発振パルス数とレーザ装置の制御パラメータの関係のグラフの概念図を示す。図２８の横軸は寿命延命の発振パルス数Ｎｐｅｘを表し、縦軸は寿命延命のためのレーザ装置１０の制御パラメータ値Ｙを表す。図２８に示すグラフの関係は、予めレーザ装置メーカの工場内で計測して、関係データをメモリ等に記憶しておいてもよい。

具体例としては、レーザチャンバ１００の寿命の延命が可能なレーザ装置１０の制御パラメータとしては、レーザガスの単位発振パルス数のレーザガスの消費量（交換量）がある。レーザガスの単位発振パルス数のレーザガスの消費量を増加させることによって延命可能となる。

図２８のように、現状の標準値Ｙ０の単位発振パルス数のレーザガスの消費量を寿命延命の発振パルス数Ｎｐｅｘからパラメータ変更するＹｐを求めて、レーザ装置１０の制御パラメータをＹ０からＹｐに変更することで、寿命を延命することができる。

しかし、単位発振パルス数当りのレーザガスの交換量Ｙを増加させても、無限に増加させることはできない。図２８におけるＹｍａｘは、例えば、単位発振パルス当りのレーザガスの交換量の最大値であって、寿命延命効果がほとんどなくなる値である。

モニタモジュール１０８の寿命延命の例としては、例えば、スペクトル計測器に搭載されているイメージセンサからのアナログ信号の増幅器のゲインのパラメータを調節することで、延命してもよい。

狭帯域化モジュール１０６の寿命延命の例としては、例えば、波長アクチュエータの劣化によってメインテナンスが必要な場合の寿命延命可能なパラメータとして、波長のフィードバックの制御パラメータの制御ゲインを変更してもよい。

６．２．４ データ出力部の処理例
図２９は、データ出力部３７２における処理内容の例を示すフローチャートである。図２９において、図１７と共通するステップには同一のステップ番号を付し、重複する説明は省略する。図１７との相違点を説明する。図２９のフローチャートは、ステップＳ８６の後にステップＳ９０～Ｓ９８を含む。

ステップＳ９０において、データ出力部３７２はフラグＦの値を確認し、制御パラメータの変更を実施するか否かを判定する。すなわち、データ出力部３７２は寿命延命のためのレーザ装置１０の制御パラメータの変更のフラグがＦ＝１であるか否かを判定する。ステップＳ９０の判定結果がＹｅｓ判定である場合、データ出力部３７２はステップＳ９２に進む。

ステップＳ９２において、データ出力部３７２はレーザ装置１０の制御パラメータの変更値を読み込む。図２８で説明した例の場合、データ出力部３７２は、変更値としての制御パラメータ値Ｙｐを読み込む。

そして、ステップＳ９４において、データ出力部３７２はレーザ装置用管理システム２０６を介してレーザ装置１０に制御パラメータの変更値を送信する。ステップＳ９４の後、データ出力部３７２はステップＳ９８に進む。

ステップＳ９０の判定結果がＮｏ判定である場合、データ出力部３７２はステップＳ９６に進む。ステップＳ９６において、データ出力部３７２はメインテナンス希望日まで寿命延命することは不可能であることをレーザ装置用管理システム２０６及び／又は半導体工場管理システム２０８に通知する。

ステップＳ９６の後、データ出力部３７２はステップＳ９８に進む。ステップＳ９８は、図１７におけるステップＳ８８と同様の処理である。ステップＳ９８において、データ出力部３７２はデータの送信を中止するか否かを判定する。ステップＳ９８の判定結果がＮｏ判定である場合、データ出力部３７２はステップＳ８２に戻る。

ステップＳ９８の判定結果がＹｅｓ判定である場合、データ出力部３７２は図２９のフローチャートを終了する。

６．３ 作用・効果
実施形態２は実施形態１と同様の効果が得られることに加え、ユーザが指定するメインテナンス希望日まで交換予定の消耗品の寿命を延命させることが可能になる。これにより、装置のダウンタイムを抑制することができる。

７．実施形態３
７．１ 構成
図３０は、実施形態３に係るレーザ管理システムの構成例を示す図である。図３０には、消耗品管理サーバ３１０がレーザ装置メーカに配置された場合の例を示す。消耗品管理サーバ３１０は、レーザ装置１０が配置された半導体工場外のレーザ装置メーカの工場やレーザ装置メーカのサービス拠点に配置され、インターネット回線２１１に接続される。

複数の半導体工場ＳＦ１、ＳＦ２、・・・ＳＦＺのレーザ管理システムもインターネット回線２１１で接続される。それぞれの半導体工場ＳＦ１、ＳＦ２、・・・ＳＦＺには図２と同様のレーザ管理システム２００があり、ネットワーク２１０で接続される。

レーザ装置メーカに配置された消耗品管理サーバ３１０は、各半導体工場のそれぞれのレーザ装置用管理システム２０６や半導体工場管理システム２０８とデータやコマンドの送受信が行える構成である。

７．２ 動作
７．２．１ 学習モデルの作成と保存
図３０に示す複数の半導体工場のうち、いずれかの半導体工場に配置されたレーザ装置１０の消耗品のメインテナンス（交換）が行われた場合毎に、その半導体工場内に配置されたレーザ装置用管理システム２０６は、インターネット回線２１１を通じて、レーザ装置メーカに配置された消耗品管理サーバ３１０に全寿命間の消耗品のログデータを送信する。

消耗品管理サーバ３１０は、図５と同様のステップで、学習モデルを作成し、学習モデルを保存する。

７．２．２ 予測寿命の推奨メインテナンス日の計算
各半導体工場のレーザ装置用管理システム２０６又は半導体工場管理システム２０８から、あるレーザ装置１０の予測寿命と推奨メインテナンス日の計算の要求があった場合に、その半導体工場内に配置されたレーザ装置用管理システム２０６は、インターネット回線２１１を通じて、レーザ装置メーカ内に配置されたレーザ装置の消耗品管理サーバ３１０に消耗品のログデータを送信する。

消耗品管理サーバ３１０は図５と同様のステップで以下の計算を行う。

消耗品管理サーバ３１０はその消耗品に対応する学習モデルを呼び出し、消耗品の予測寿命発振パルス数を計算する。

そして、余寿命の発振パルス数と、レーザ装置の稼動情報に基づいて推奨メインテナンス日を計算し、インターネット回線２１１を通じて、レーザ装置用管理システム２０６と半導体工場管理システム２０８にデータを送信する。

７．３ 作用・効果
実施形態３によれば、消耗品管理サーバ３１０は複数の半導体工場で収集された複数のレーザ装置の消耗品の寿命関連情報を取得できる。その結果、大量のデータを使用して、学習モデルを作成可能なため、寿命の予測精度が改善する。

７．４ その他
この例では、消耗品管理サーバ３１０が学習データの収集と、学習モデルの作成と、学習モデルから消耗品の予測寿命発振パルス数、余寿命、推奨メインテナンス日の計算を行っているが、この例に限定されることはない。例えば、消耗品管理サーバ３１０が作成した学習モデルをレーザ装置用管理システム２０６に提供し、レーザ装置用管理システム２０６において予測寿命発振パルス数、余寿命、推奨メインテナンス日の計算を行ってもよい。

すなわち、消耗品管理サーバ３１０が学習用データの収集と、学習モデルの作成と保存を行う。そして、レーザ装置用管理システム２０６は、あるレーザ装置のある消耗品の寿命の評価の要求があったときに、現在のレーザ装置の現在の消耗品の寿命関連情報を受信する。さらに、レーザ装置用管理システム２０６は、インターネット回線２１１を通じて、消耗品管理サーバ３１０からその消耗品の学習モデルを受信する。そして、レーザ装置用管理システム２０６は、受信した学習モデルから消耗品の予測寿命発振パルス数、余寿命、及び推奨メインテナンス日の計算を行ってもよい。

８．消耗品のバーションに応じた学習データの収集と学習モデルの作成
８．１ 概要
図３１は、ファイルＡの各バーションのレーザチャンバ１００の寿命関連ログデータの構成を示す。例えば、技術開発の進展と共に、レーザチャンバ１００の寿命が改善される。具体例としては、レーザチャンバ１００の電極材料を変更した改造により、電極寿命が延びて、レーザチャンバ１００の寿命が大きく改善される（例えば、寿命が２０％以上改善される）場合がある。

そこで、寿命の改善が見込まれる改造が行われた場合は、消耗品のバーションを変更し、寿命関連ログデータをバージョン毎に分類して別のファイルとして保存することが好ましい。

ファイルＡの中には、レーザチャンバ１００のバージョン毎にログデータが保存される。ファイルＡ１はバージョンＶｅｒ．Ａ１のレーザチャンバ１００の寿命関連ログデータのファイルである。ファイルＡ２はバージョンＶｅｒ．Ａ２のレーザチャンバ１００の寿命関連ログデータのファイルである。以下、同様に、ファイルＡｎはバージョンＶｅｒ．Ａｎのレーザチャンバ１００の寿命関連ログデータのファイルである。

それぞれのファイルＡ１、Ａ２、・・・Ａｎ毎のログデータを用いて、バージョン毎に機械学習によって学習モデルを作成し、ファイルＡｍにそれぞれ図３２のように保存する。

図３２は、各バージョンのレーザチャンバ１００の学習モデルを保存したファイルＡｍの例を示す。ファイルＡｍの中には、レーザチャンバ１００のバージョン毎に学習モデルが保存される。ファイルＡｍ１はバージョンＶｅｒ．Ａ１のレーザチャンバ１００の学習モデルを保存したファイルである。ファイルＡｍ２はバージョンＶｅｒ．Ａ２のレーザチャンバ１００の学習モデルを保存したファイルである。以下、同様に、ファイルＡｍｎはバージョンＶｅｒ．Ａｎのレーザチャンバ１００の学習モデルを保存したファイルである。

図３３にファイルＡｎの例を示す。このファイルＡｎには、レーザチャンバ１００のハードウェアとソフトウェアのバーションが記載されており、このバーションにより、ファイルを分類して保存場所を特定する。ここで、ソフトウェアのバーションについては、レーザチャンバ１００の場合は、パルスエネルギ制御やガス制御ソフト変更によってチャンバ寿命に改善がある場合に、バージョンを変更してもよい。

８．２ 作用・効果
図３１から図３３で説明したように、消耗品のハードウェア又はソフトウェアの変更によって消耗品の寿命が改善された場合においても、バージョン毎にデータを細かく分類して、バージョン毎に機械学習を行うことにより、それぞれのバージョンに適した学習モデルを作成することができる。こうして作成された学習モデルを用いて寿命予測を行うことにより、予測精度が改善する。

８．３ その他
レーザチャンバ１００の場合を例示したが、この例に限定されることなく、モニタモジュール１０８や狭帯域化モジュール１０６の場合にも適用してもよい。

９．スペクトル検出器の例
図３４は、エタロン分光器を用いるスペクトル検出器の構成例を概略的に示す図である。図３４に示すエタロン分光器６０６Ａは、エキシマレーザ光のスペクトルを計測するスペクトル検出器１４６に適用できる。エタロン分光器６０６Ａは本開示における「分光器」の一例である。

図３４に示すように、エタロン分光器６０６Ａは、拡散素子６１０と、エタロン６１２と、集光レンズ６１４と、イメージセンサ６１６とを備える。イメージセンサ６１６の例としては、１次元又は２次元のフォトダイオードアレイでもよい。

レーザ光は、まず、拡散素子６１０に入射する。拡散素子６１０は、表面に多数の凹凸を有する透過型の光学素子であってよい。拡散素子６１０は、拡散素子６１０に入射したレーザ光を散乱光として透過させる。この散乱光はエタロン６１２に入射する。エタロン６１２は、所定の反射率を有する２枚の部分反射ミラーを含むエアギャップエタロンであってよい。このエアギャップエタロンにおいては、２枚の部分反射ミラーが、所定距離のエアギャップを有して対向し、スペーサを介して貼り合わせられた構成である。

エタロン６１２に入射した光の入射角度θに応じて、２枚の部分反射ミラーの間で往復せずにエタロン６１２を透過する光と、２枚の部分反射ミラーの間で１回往復した後でエタロン６１２を透過する光と、の光路差が生じる。この光路差が波長の整数倍である場合に、エタロン６１２に入射した光は、高い透過率でエタロン６１２を透過する。

エタロン６１２を透過した光は、集光レンズ６１４に入射する。集光レンズ６１４を透過したレーザ光は、集光レンズ６１４から集光レンズ６１４の焦点距離ｆに相当する位置に配置されたイメージセンサ６１６に入射する。すなわち、集光レンズ６１４によって集光された透過光は、集光レンズ６１４の焦点面上に干渉縞を形成する。

イメージセンサ６１６は、集光レンズ６１４の焦点面に配置されている。イメージセンサ６１６は、集光レンズ６１４を透過した光を受光し、干渉縞を検出する。この干渉縞の半径の２乗は、レーザ光の波長と比例関係にある。そのため、検出した干渉縞からレーザ光全体のスペクトル線幅（スペクトルプロファイル）と中心波長とを検出する。

スペクトル線幅と中心波長は、検出した干渉縞から図示せぬ情報処理装置によって求めてもよいし、レーザ制御部９０で算出してもよい。

干渉縞の半径ｒと波長λの関係は、次の（式３）で近似される。

波長λ＝λｃ＋α・ｒ^２ （式３）
α：比例定数
ｒ：干渉縞の半径、
λｃ：干渉縞の中央の光強度が最大となった時の波長
式３から、図３５に示すように、光強度と波長との関係を示すスペクトル波形に変換した後、スペクトル線幅Δλを計算してもよい。スペクトル線幅Δλは、全エネルギの９５％を含む幅（Ｅ９５）であってよい。

１０．レーザ装置の他の形態
１０．１ 構成
図３６は、レーザ装置がダブルチャンバシステムで構成される場合の例を示す。図１で説明したレーザ装置１０に代えて、図３６に示すレーザ装置７１０を適用してもよい。レーザ装置７１０は、ＡｒＦエキシマレーザ装置の例である。図３６において、図１に示した構成と同一又は類似する要素には同一の参照符号を付す。

レーザ装置７１０は、マスターオシレータ（ＭＯ）７１２と、ビームステアリングユニット７１４と、パワーオシレータ（ＰＯ）７１６と、光学パルスストレッチャ（ＯＰＳ：Optical Pulse Stretcher）７１８と、モニタモジュール７６０と、出射口シャッタ１１８と、レーザ制御部９０と、ガス供給装置１１４と、ガス排気装置１１６と、を含む。

マスターオシレータ７１２は、レーザチャンバ１００と、充電器１１０と、ＰＰＭ１１２と、出力結合ミラー１０４と、狭帯域化モジュール１０６と、を含む。マスターオシレータ７１２の構成は図１のレーザ装置１０と同様である。

ビームステアリングユニット７１４は、高反射ミラー７２１、７２２と、エネルギモニタ７３０と、を含む。

高反射ミラー７２１及び７２２は、マスターオシレータ７１２から出力されたパルスレーザ光が、エネルギモニタ７３０を介してパワーオシレータ７１６の光共振器に入射するように配置される。エネルギモニタ７３０は、高反射ミラー７２１と高反射ミラー７２２の光路上であって、マスターオシレータ７１２から出力されたパルスレーザ光のパルスエネルギを検出するように配置される。エネルギモニタ７３０は、ビームスプリッタ７３２と光強度検出器７３４を含む。光強度検出器７３４は、フォトダイオード又は焦電素子であってもよい。

パワーオシレータ７１６は、マスターオシレータ７１２の構成と概ね同様の構成のレーザチャンバ８００と、光共振器８０１と、充電器８１０と、を含む。なお、レーザチャンバ８００は、マスターオシレータ７１２のレーザチャンバ１００と比べて電極８２５、８２６の構成が異なる場合がある。

光共振器８０１は、部分反射ミラー８０６と、出力結合ミラー８０４と、を含む。部分反射ミラー８０６の反射率は、例えば８０％～９０％である。出力結合ミラー８０４の反射率は例えば１０％～２０％である。レーザチャンバ８００は、光共振器８０１の光路上に配置される。

光学パルスストレッチャ７１８と、モニタモジュール７６０と、出射口シャッタ１１８とは、パワーオシレータ７１６から出力されたパルスレーザ光の光路上に配置される。

光学パルスストレッチャ７１８は、パワーオシレータ７１６とモニタモジュール７６０との間の光路上に配置される。光学パルスストレッチャ７１８は、ビームスプリッタ７４０と、４つの凹面ミラー７４１、７４２、７４３、７４４と、を含む。

４つの凹面ミラー７４１、７４２、７４３、７４４は、ビームスプリッタ７４０によって一部反射したレーザビームが再びビームスプリッタ７４０に転写結像して一部反射されるように配置される。

モニタモジュール７６０は、光学パルスストレッチャ７１８と出射口シャッタ１１８との間の光路上に配置される。モニタモジュール７６０の構成は、図１のモニタモジュール１０８と同様の構成であってよい。

ガス供給装置１１４は、レーザチャンバ１００及びレーザチャンバ８００に接続され、図示しないそれぞれのバルブによって、レーザチャンバ１００及びレーザチャンバ８００にそれぞれレーザガスを供給可能な構成である。ガス供給装置１１４は、ＡｒガスとＮｅガスとを含む混合ガスボンベ８５２と接続される。混合ガスボンベ８５２は不活性ガス供給源に相当する。また、ガス供給装置１１４はハロゲンガスであるＦ_２ガスとＡｒガスとＮｅガスとを含む混合ガスボンベ８５３と接続される。混合ガスボンベ８５３はハロゲンガス供給源に相当する。

ガス排気装置１１６は、レーザチャンバ１００及びレーザチャンバ８００に接続され、図示しないそれぞれのバルブによって、レーザチャンバ１００及びレーザチャンバ８００からそれぞれレーザガスを排気する構成である。

レーザ制御部９０は、半導体工場内の図示しないＬＡＮに接続され、レーザ装置用管理システム２０６とデータの送受信が行える構成である。

１０．２ 動作
レーザ制御部９０は、露光装置１４の露光制御部５０から発光トリガ信号Ｔｒ１を受信するとマスターオシレータ７１２をレーザ発振させる。これによって、スペクトル線幅が狭いパルスレーザ光がマスターオシレータ７１２から出力される。

マスターオシレータ７１２から出力されたパルスレーザ光は、高反射ミラー７２１と、エネルギモニタ７３０と高反射ミラー７２２とを介して、パワーオシレータ７１６の光共振器８０１内にシード光として入射する。

レーザ制御部９０は、このシード光が光共振器８０１に入射するのと同期して、レーザチャンバ８００の電極８２５、８２６間で放電するように、ＰＰＭ８１２の半導体スイッチ８２９のＯＮタイミングを制御する。

シード光は、パワーオシレータ７１６の光共振器８０１内で増幅発振して、出力結合ミラー８０４からシード光のスペクトル波形に近いパルスレーザ光が増幅されて出力される。

パワーオシレータ７１６によって増幅されたパルスレーザ光は、光学パルスストレッチャ７１８によって、パルス幅が伸張される。光学パルスストレッチャ７１８から出力されたパルスレーザ光は、モニタモジュール７６０によってパルスエネルギとスペクトル線幅が測定される。

モニタモジュール７６０から出力されたパルスレーザ光は、出射口シャッタ１１８を介して露光装置１４に入射する。

１０．３ マスターオシレータの動作
レーザ制御部９０は、エネルギモニタ７３０によって検出されたパルスエネルギがパワーオシレータ７１６において増幅発振したパルスレーザ光のＡＳＥ（Amplified Spontaneous Emission）が十分抑制可能な所定のパルスエネルギとなるように、充電器１１０の充電電圧を制御する。

レーザ制御部９０は、モニタモジュール７６０で計測された波長に基づいて、狭帯域化モジュール１０６の選択波長を制御する。マスターオシレータ７１２のガス制御は、図１と同様のガス圧制御、ハロゲン注入制御、及び部分ガス交換制御を行う。

１０．４ パワーオシレータの動作
レーザ制御部９０は、パワーオシレータ７１６において増幅発振したパルスレーザ光のパルスエネルギが目標パルスエネルギＥｔとなるように、充電器８１０の充電電圧を制御する。

パワーオシレータ７１６のガス制御は、図１と同様のガス圧制御、ハロゲン注入制御、及び部分ガス交換制御を行う。

１０．５ 消耗品の寿命予測の処理
ダブルチャンバシステムのレーザ装置７１０における消耗品は、図１のシングルチャンバシステムのレーザ装置１０に対して、レーザチャンバ８００が追加される。このレーザチャンバ８００の寿命関連情報は、図１８から図２０と同様のレーザチャンバの寿命関連情報を使用してもよい。

ただし、マスターオシレータ７１２のレーザチャンバ１００のパルスエネルギの項目は、エネルギモニタ７３０で検出されたパルスエネルギＥｍｏに基づいて行う。一方、パワーオシレータ７１６のレーザチャンバ８００のパルスエネルギの項目は、モニタモジュール７６０で検出されたパルスエネルギＥに基づいて行う。

さらに、ダブルチャンバシステムの消耗品としてビームステアリングユニット７１４と、光学パルスストレッチャ７１８と、を追加してもよい。

ビームステアリングユニット７１４の高反射ミラー７２１及び高反射ミラー７２２の寿命関連情報は、少なくとも交換後の発振パルス数を使用すればよい。さらに好ましくは、エネルギモニタ７３０で検出されたパルスエネルギＥｍｏに基づいて、Ｅｍｏの積算値又はＥｍｏの二乗の積算値を使用してもよい。

ビームステアリングユニット７１４のエネルギモニタ７３０の寿命関連情報は、少なくとも交換後の発振パルス数を使用すればよい。さらに好ましくは、マスターオシレータ７１２で検出されたパルスエネルギＥｍｏに基づいて、Ｅｍｏの積算値を使用してもよい。

光学パルスストレッチャ７１８のビームスプリッタ７４０と凹面ミラー７４１～７４４の寿命関連情報は、少なくとも交換後の発振パルス数を使用すればよい。さらに好ましくは、モニタモジュール７６０で検出されたパルスエネルギＥに基づいて、Ｅの積算値又はＥの二乗の積算値を使用してもよい。

これらの消耗品の寿命関連情報は、レーザ制御部９０から図示しないレーザ装置用管理システム２０６に送信される。

［その他］
図３６ではダブルチャンバシステムの例を示したが、この例に限定されることなく、マスターオシレータがエキシマレーザの増幅領域でパルスレーザ光を出力する固体レーザ装置であってもよい。

１１．変形例
実施形態１から実施形態３の各実施形態で説明した消耗品管理サーバ３１０、３１２における機械学習による学習モデルの作成機能と、作成した学習モデルを用いて消耗品の寿命予測の処理を行う機能とは、それぞれ別々の装置（サーバなど）で実現してもよい。

１２．プログラムを記録したコンピュータ可読媒体について
上述の各実施形態で説明した消耗品管理サーバ３１０、３１２として、コンピュータを機能させるための命令を含むプログラムを光ディスクや磁気ディスクその他のコンピュータ可読媒体（有体物たる非一過性の情報記憶媒体）に記録し、この情報記憶媒体を通じてプログラムを提供することが可能である。このプログラムをコンピュータに組み込み、プロセッサがプログラムの命令を実行することにより、コンピュータに消耗品管理サーバ３１０、３１２の機能を実現させることができる。

上記の説明は、制限ではなく単なる例示を意図している。したがって、添付の特許請求の範囲を逸脱することなく本開示の実施形態に変更を加えることができることは、当業者には明らかであろう。

本明細書及び添付の特許請求の範囲全体で使用される用語は、「限定的でない」用語と解釈されるべきである。例えば、「含む」又は「含まれる」という用語は、「含まれるものとして記載されたものに限定されない」と解釈されるべきである。「有する」という用語は、「有するものとして記載されたものに限定されない」と解釈されるべきである。また、本明細書、及び添付の特許請求の範囲に記載される不定冠詞「１つの」は、「少なくとも１つ」又は「１又はそれ以上」を意味すると解釈されるべきである。また、「Ａ、Ｂ及びＣの少なくとも１つ」という用語は、「Ａ」「Ｂ」「Ｃ」「Ａ＋Ｂ」「Ａ＋Ｃ」「Ｂ＋Ｃ」又は「Ａ＋Ｂ＋Ｃ」と解釈されるべきである。さらに、それらと「Ａ」「Ｂ」「Ｃ」以外のものとの組み合わせも含むと解釈されるべきである。

Claims (20)

1. レーザ装置の消耗品の劣化度を予測する処理をコンピュータに実行させる学習モデルを作成する機械学習方法であって、
   前記消耗品の使用が開始されてから交換されるまでの期間中の異なる発振パルス数に対応して記録された前記消耗品の寿命に関連する前記発振パルス数以外のパラメータである寿命関連パラメータのログデータを含む第１の寿命関連情報を取得することと、
   前記第１の寿命関連情報を前記発振パルス数に応じて、前記発振パルス数の増加によって劣化が進む前記消耗品の前記劣化度を表す複数段階のレベルに分割し、前記第１の寿命関連情報と前記劣化度を表す前記レベルとを対応付けた訓練データを作成することと、
   前記訓練データを用いて機械学習を行うことにより、前記寿命関連パラメータのログデータから前記消耗品の劣化度を予測する前記学習モデルを作成することと、
   前記作成された前記学習モデルを保存することと、
   を含む機械学習方法。
2. 請求項１に記載の機械学習方法であって、
   前記消耗品は、レーザチャンバであり、
   前記レーザチャンバの前記第１の寿命関連情報に含まれる前記寿命関連パラメータは、電極劣化パラメータと、パルスエネルギ安定性パラメータと、ガス制御パラメータと、を含み、
   前記電極劣化パラメータは、前記レーザチャンバ内のレーザガスを励起させる放電を発生させる放電電極の寿命に関係するパラメータであって、少なくとも放電回数を含み、
   前記パルスエネルギ安定性パラメータは、前記レーザ装置から出力されるパルスレーザ光のパルスエネルギの安定性に関係するパラメータであって、少なくとも前記パルスエネルギのばらつきを含み、
   前記ガス制御パラメータは、前記レーザチャンバ内の前記レーザガスの制御に関係するパラメータであって、少なくともレーザチャンバの圧力、又は、前記放電電極に印加される電圧となる充電コンデンサの充電電圧を含む、
   機械学習方法。
3. 請求項２に記載の機械学習方法であって、
   前記レーザチャンバの前記第１の寿命関連情報に含まれる前記寿命関連パラメータは、さらに、運転負荷パラメータを含み、
   前記運転負荷パラメータは、前記レーザ装置の運転において前記レーザ装置にかかる負荷の大きさに関係するパラメータであって、少なくとも前記レーザ装置から出力される前記パルスレーザ光の平均出力、又は、バースト運転のデューティを含む、
   機械学習方法。
4. 請求項２に記載の機械学習方法であって、
   前記レーザチャンバの前記第１の寿命関連情報に含まれる前記寿命関連パラメータは、さらに、レーザ共振器の光学素子の劣化パラメータを含み、
   前記レーザ共振器の光学素子の劣化パラメータは、前記光学素子の劣化に関係するパラメータであって、少なくとも前記光学素子の交換後のパルスエネルギの積算値を含む、
   機械学習方法。
5. 請求項１に記載の機械学習方法であって、
   前記消耗品は、モニタモジュールであり、
   前記モニタモジュールの前記第１の寿命関連情報に含まれる前記寿命関連パラメータは、前記モニタモジュールの光学素子の劣化パラメータを含み、
   前記モニタモジュールの光学素子の劣化パラメータは、前記光学素子の劣化に関係するパラメータであって、少なくとも前記モニタモジュールの交換後のパルスエネルギの積算値を含む、
   機械学習方法。
6. 請求項１に記載の機械学習方法であって、
   前記消耗品は、モニタモジュールであり、
   前記モニタモジュールの前記第１の寿命関連情報に含まれる前記寿命関連パラメータは、前記モニタモジュールのイメージセンサの劣化パラメータを含み、
   前記モニタモジュールのイメージセンサの劣化パラメータは、前記イメージセンサの劣化に関係するパラメータであって、少なくとも前記イメージセンサの検出光強度を含む、
   機械学習方法。
7. 請求項１に記載の機械学習方法であって、
   前記消耗品は、狭帯域化モジュールであり、
   前記狭帯域化モジュールの前記第１の寿命関連情報に含まれる前記寿命関連パラメータは、前記狭帯域化モジュールの光学素子の劣化パラメータを含み、
   前記狭帯域化モジュールの光学素子の劣化パラメータは、前記光学素子の劣化に関係するパラメータであって、少なくとも前記狭帯域化モジュールの交換後のパルスエネルギの積算値を含む、
   機械学習方法。
8. 請求項７に記載の機械学習方法であって、
   前記狭帯域化モジュールの前記第１の寿命関連情報に含まれる前記寿命関連パラメータは、さらに、波長アクチュエータの劣化パラメータを含み、
   前記波長アクチュエータの劣化パラメータは、前記波長アクチュエータの劣化に関係するパラメータであって、少なくとも前記レーザ装置から出力されるパルスレーザ光の波長安定性を含む、
   機械学習方法。
9. 請求項７に記載の機械学習方法であって、
   前記狭帯域化モジュールの前記第１の寿命関連情報に含まれる前記寿命関連パラメータは、さらに、波面の劣化パラメータを含み、
   前記波面の劣化パラメータは、前記レーザ装置から出力されるパルスレーザ光の波面の歪みに関係するパラメータであって、少なくとも前記レーザ装置から出力されるパルスレーザ光のスペクトル線幅を含む、
   機械学習方法。
10. 請求項１に記載の機械学習方法であって、
    前記第１の寿命関連情報は、前記消耗品のバージョンに対応して前記ログデータが前記バージョン毎に分類された情報であり、
    前記作成された前記学習モデルは、前記消耗品のバージョンに対応した学習モデルとして保存される機械学習方法。
11. 請求項１に記載の機械学習方法であって、
    前記学習モデルは、ニューラルネットワークモデルである機械学習方法。
12. 請求項１に記載の機械学習方法を実施することによって作成された前記学習モデルを保存しておく学習モデル保存部と、
    前記レーザ装置における交換予定の消耗品についての寿命予測処理の要求信号を受信して、前記交換予定の消耗品に関する前記寿命関連パラメータの現在のログデータを含む第２の寿命関連情報を取得する情報取得部と、
    前記交換予定の消耗品の前記学習モデルと前記第２の寿命関連情報とに基づいて、前記交換予定の消耗品の寿命と余寿命とを計算する寿命予測部と、
    前記計算によって得られた前記交換予定の消耗品の寿命と余寿命との情報を外部装置に通知する情報出力部と、
    を含む消耗品管理装置。
13. 請求項１２に記載の消耗品管理装置であって、さらに、
    前記情報取得部は、前記レーザ装置の稼動予定データを受信し、
    前記寿命予測部は、前記稼動予定データと前記余寿命とから推奨メインテナンス日を計算し、
    前記情報出力部は、前記推奨メインテナンス日の情報を前記外部装置に通知する
    消耗品管理装置。
14. 請求項１３に記載の消耗品管理装置であって、さらに、
    前記レーザ装置の制御パラメータを変更するレーザ制御パラメータ変更部を含み、
    前記情報取得部は、前記レーザ装置における前記交換予定の消耗品のメインテナンス希望日の情報を受信し、
    前記レーザ制御パラメータ変更部は、前記メインテナンス希望日から計算される発振パルス数と前記余寿命の発振パルス数とを比較し、前記余寿命の発振パルス数の方が小さい場合に前記メインテナンス希望日まで寿命延長可能なように前記レーザ装置の制御パラメータを変更し、前記変更された前記制御パラメータを前記レーザ装置に提供する
    消耗品管理装置。
15. 請求項１２に記載の消耗品管理装置であって、
    前記学習モデルに前記第２の寿命関連情報が入力され、前記学習モデルから前記第２の寿命関連情報に対応する前記レベルの確からしさを示すスコアが得られ、
    前記寿命予測部は、前記第２の寿命関連情報に含まれる現在の発振パルス数と前記スコアとを基に、前記交換予定の消耗品の寿命と余寿命とを計算する消耗品管理装置。
16. 請求項１２に記載の消耗品管理装置であって、さらに、
    前記消耗品の使用が開始されてから交換されるまでの期間中の異なる発振パルス数に対応して記録された前記消耗品に関連する前記発振パルス数以外のパラメータである寿命関連パラメータのログデータを含む第１の寿命関連情報を取得する情報取得部と、
    前記第１の寿命関連情報を前記発振パルス数に応じて、前記発振パルス数の増加によって劣化が進む前記消耗品の劣化度を表す複数段階のレベルに分割し、前記第１の寿命関連情報と前記劣化度を表す前記レベルとを対応付けた訓練データを作成する訓練データ作成部と、
    前記訓練データを用いて機械学習を行うことにより、前記寿命関連パラメータのログデータから前記消耗品の劣化度を予測する前記学習モデルを作成する学習モデル作成部と、
    前記作成された前記学習モデルを保存する学習モデル保存部と、
    を含む消耗品管理装置。
17. プログラムが記録された非一過性のコンピュータ可読媒体であって、
    前記プログラムは、プロセッサにより実行された場合に、前記プロセッサに、レーザ装置の消耗品の劣化度を予測する処理をコンピュータに実行させる学習モデルを作成する機械学習の機能を実現させるプログラムであり、
    前記プロセッサに、前記消耗品の使用が開始されてから交換されるまでの期間中の異なる発振パルス数に対応して記録された前記消耗品の寿命に関連する前記発振パルス数以外のパラメータである寿命関連パラメータのログデータを含む第１の寿命関連情報を取得する機能と、
    前記第１の寿命関連情報を前記発振パルス数に応じて、前記発振パルス数の増加によって劣化が進む前記消耗品の前記劣化度を表す複数段階のレベルに分割し、前記第１の寿命関連情報と前記レベルとを対応付けた訓練データを作成する機能と、
    前記訓練データを用いて機械学習を行うことにより、前記寿命関連パラメータのログデータから前記消耗品の劣化度を予測する前記学習モデルを作成する機能と、
    前記作成された前記学習モデルを保存する機能と、
    を実現させるための命令を含む前記プログラムが記録された非一過性のコンピュータ可読媒体。
18. 請求項１７に記載のコンピュータ可読媒体に記録されたプログラムを実行することによって作成された前記学習モデルを保存する機能と、
    前記レーザ装置における交換予定の消耗品についての寿命予測処理の要求信号を受信する機能と、
    前記要求信号の受信に応じて、前記交換予定の消耗品に関する前記寿命関連パラメータの現在のログデータを含む第２の寿命関連情報を取得する機能と、
    前記交換予定の消耗品の前記学習モデルと前記第２の寿命関連情報とに基づいて、前記交換予定の消耗品の寿命と余寿命とを計算する機能と、
    前記計算によって得られた前記交換予定の消耗品の寿命と余寿命との情報を外部装置に通知する機能と、
    をコンピュータに実現させるためのプログラムが記録された非一過性のコンピュータ可読媒体。
19. 請求項１８に記載のコンピュータ可読媒体であって、さらに、
    前記プログラムは、
    前記レーザ装置の稼動予定データを受信する機能と、
    前記稼動予定データと前記余寿命とから推奨メインテナンス日を計算する機能と、
    前記推奨メインテナンス日の情報を前記外部装置に通知する機能と、
    をコンピュータに実現させる命令を含むコンピュータ可読媒体。
20. 請求項１９に記載のコンピュータ可読媒体であって、さらに、
    前記プログラムは、
    前記レーザ装置における前記交換予定の消耗品のメインテナンス希望日の情報を受信する機能と、
    前記メインテナンス希望日から計算される発振パルス数と前記余寿命の発振パルス数とを比較し、前記余寿命の発振パルス数の方が小さい場合に前記メインテナンス希望日まで寿命延長可能なように前記レーザ装置の制御パラメータを変更する機能と、
    前記変更された前記制御パラメータを前記レーザ装置に提供する機能と、
    をコンピュータに実現させるための命令を含むコンピュータ可読媒体。

Images