[发明专利]机器学习方法、机器学习装置、机器学习程序、通信方法及成膜装置

权利要求书

1.一种机器学习方法，是机器学习装置决定成膜装置对作为基材的工件进行成膜的成膜条件的方法，其特征在于，

所述成膜装置包含用于使腔室成为真空的真空排气系统、对所述腔室进行加热及冷却的加热冷却系统、使目标蒸发的蒸发源系统、用于载置工件的工作台系统、将工艺气体导入到所述腔室的工艺气体系统、以及蚀刻系统，

所述机器学习方法包括以下步骤：

获取状态变量，该状态变量包含关于成膜的性能评价的至少1个物理量、以及至少1个成膜条件；

根据所述状态变量，计算对所述至少1个成膜条件的决定结果的回报；

根据所述回报，更新用于根据所述状态变量决定所述至少1个成膜条件的函数；以及，

通过反复进行所述函数的更新，从而决定获得所述回报最多的成膜条件；其中，

所述至少1个成膜条件是关于所述真空排气系统的第1参数、关于所述加热冷却系统的第2参数、关于所述蒸发源系统的第3参数、关于所述工作台系统的第4参数、以及关于所述工艺气体系统的第5参数中的至少1个，

所述至少1个物理量是关于皮膜的膜质特性、机械特性、以及物理特性中的至少1个。

2.根据权利要求1所述的机器学习方法，其特征在于：

所述第1参数是排气速度、极限压力、残留气体种类、残留气体分压、以及P·Q特性中的至少1个。

3.根据权利要求1所述的机器学习方法，其特征在于：

所述第2参数是构成所述加热冷却系统的加热器的加热器温度、所述工件的温度亦即工件温度、所述加热器的升温速度、所述工件的升温速度、所述加热器的输出、所述加热器的温度精度、所述工件的温度精度、所述加热器温度及所述工件温度的响应特性、所述加热器的温度分布、以及所述工件的温度分布中的至少1个。

4.根据权利要求1所述的机器学习方法，其特征在于：

所述第3参数是所述目标的组成、所述目标的厚度、所述目标的制造方法、电弧放电电压、电弧放电电流、蒸发源磁场、蒸发源线圈电流、以及引弧特性中的至少1个。

5.根据权利要求1所述的机器学习方法，其特征在于：

所述第4参数是对所述工件的偏置电压、对所述工件的偏置电流、异常放电次数、异常放电的时间变化、所述偏置电压的波形、所述偏置电流的波形、所述工件的转速、所述工件的形状、所述工件的搭载量、所述工件的搭载方法、以及所述工件的材质中的至少1个。

6.根据权利要求1所述的机器学习方法，其特征在于：

所述第5参数是所述工艺气体的流量、所述工艺气体的种类、以及所述工艺气体的压力中的至少1个。

7.根据权利要求1所述的机器学习方法，其特征在于：

所述至少1个成膜条件还包含关于所述蚀刻系统的第6参数。

8.根据权利要求7所述的机器学习方法，其特征在于：

所述第6参数是用于加热所述蚀刻系统的灯丝的加热电流、用于加热所述灯丝的加热电压、所述灯丝的直径、所述灯丝的放电电流、以及所述灯丝的放电电压中的至少1个。

9.根据权利要求1所述的机器学习方法，其特征在于：

对所述基材形成的皮膜是对作为所述基材的切削工具形成的皮膜、用于装饰所述基材的装饰皮膜、用于保护所述基材的保护用皮膜、以及用于提高作为所述基材的滑动构件的硬度的滑动皮膜中的任意1个。

10.根据权利要求1至9中任一项所述的机器学习方法，其特征在于：

所述函数利用深层强化学习实时被更新。