【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、最適のプロセス出力値のセットと、前の繰り返し期間中に生成された実際のプロセス出力値のセットとの両方に従ってプロセスを繰り返し制御するために少なくとも１つの人工ニューラルネットワークを用いる制御装置及び方法に関する。

【０００２】

【従来の技術】高品質の製品を繰り返して製造する際には、製造プロセスの精密な制御が要求される。 周知のプレーナ・プロセスによる半導体の製造もこの例外ではない。 プレーナ・プロセスによる半導体の製造において行われるステップの中には、エピタキシャル層成長のステップが含まれ、このステップにおいては、原子層を半導体のウエハ上に成長させるために、ウエハに化学気相反応蒸着法（ＣＶＤ）による処理が行われる。

【０００３】シリコン半導体デバイスの場合、ＣＶＤプロセスは一般に、ウエハを反応器内で加熱し、一方で水素と四塩化シリコンとを反応させ、又は代わりにシラン（水素化ケイ素）を分解させてシリコン原子をウエハ（ウエーファ）表面上に堆積させるステップによって行われる。

【０００４】高品質の半導体デバイスを得るためには、
ＣＶＤによってウエハ上に成長する原子の各層の厚さがウエハ表面全体にわたって均一である必要がある。 層厚制御についての従来の手法においては、まず少量のバッチのウエハを作り層厚の均一性について計測する。 不均一性が見出された場合にこれを補正するためにプロセスの調整が行われる。 調整後、別のバッチのウエハが作られ、その後再び層厚が計測される。 望む層厚均一性の度合によって、これらのステップが数多くの回数行われる。

【０００５】上記のＣＶＤプロセスを含む製造プロセスの更に精密な制御を行うためには、人工ニューラルネットワークが用いられて来ている。 これら人工ニューラルネットワークは、その多くが簡単な非線形合算ノードとして機能するような複数の簡単な計算要素が、人間の脳の動きを真似するように、変動する強度で一体に接続されて構成される。

【０００６】或る一般的な人工ニューラルネットワークの例においては、複数のこれらノードが２つ以上の層に配置され、第１の層のノードは一般に、各々が、入力信号のうちの個々の信号を受信してこの信号を第２の層のノードのうちの個々のノードに分配する機能を行う。

【０００７】第２の層のノードは各々、もし層の数が２
つだけの場合にはネットワークの出力として、又第３のノード層がある場合にはその層のノードの入力として受信されるように、前の層のノードから供給された入力信号を変形するための非線形合算ノードとして機能する。
次に続く各層のノードは、そこで受信された信号を変形し、最後の層のノードは、ネットワーク出力信号のうちの個々の出力信号を生成する。

【０００８】人工ニューラルネットワーク内の各ノード（第１の層のノードを除く）は、次の３種類の機能、すなわち（１）入来する各入力信号に個々のスケーリングファクタ（接続重みと称する）を乗じる機能、（２）その結果として得られる重み付けされた信号を合算する機能、及び（３）合算による和を、Ｓ字状、又は双曲線正接関数のような非線形関係に基づいて和を変形する機能、を行う。

【０００９】人工ニューラルネットワークは、トレーニングされる。 すなわち、第２及びそれ以降の層内のノードの接続重みが、ネットワークが制御対象プロセスの逆モデルとして作用するように、過去のデータに従って調整される。 言い替えれば、人工ニューラルネットワークは、プロセスの実際の出力値を変形して、望むプロセス値のセットに最も密接に近似する出力値を生成するようにプロセスを制御するためのプロセス駆動信号を生成する。

【００１０】

【発明が解決しようとする課題】人工ニューラルネットワークを用いる今日の制御方式の大抵は、次の欠点を有する。 すなわち、ニューラルネットワークに戻される実際のプロセス出力信号の帰還量が、僅かしかないという欠点である。 その結果、プロセス制御の精度が減少することとなり、これは明確な不利益点となる。 更に、人工ニューラルネットワークを用いる今日の制御方式の大部分は、実際のプロセス値とそのプロセスの予測値との間の差に応答しない。

【００１１】実際問題としては、プロセス特性と予測値又は推定値との間に、概して差が存在する。 これらの差は、予測値誤差、プロセスドリフト、未知パラメータ又は除外パラメータの影響を説明できなかったこと、又はその他の理由から生じる。

【００１２】したがって、１次及び２次統計が符号を変えないような条件下で予測値と実際のプロセスとの間の差に強い人工ニューラルネットワーク制御システムが求められている。

【００１３】

【課題を解決するための手段】簡単には、本発明の一実施例によれば、ベクトルｔ _dの形を有し値が固定又は緩やかに変動する最適の又は望むプロセス出力値のセットと、前の観測時間長さｒ−１の間に実際に生成されたプロセス出力値のセット（すなわちベクトル）ｔ _r-1とに従って、或る時点ｒにおいてプロセス駆動信号ベクトルｃ _rを生成することによってプロセスを繰り返し制御するための、プロセス出力値間の差を利用して制御するプロセス制御装置（以下、差動プロセス制御装置）が提供される。

【００１４】本発明のプロセス制御装置は、最適プロセス出力値ベクトル成分ｔ _dを表す値のセットをその入力部において供給される第１の人工ニューラルネットワークからなる。 第２の人工ニューラルネットワークは、前の観測時間長さｒ−１の間に制御対象のプロセスによって生成された実際のプロセス出力値を表すベクトルｔ
_r-1を供給される。 （２つの人工ニューラルネットワークを用いる代わりに、単一のネットワークを用いてベクトルｔ _d及びｔ _r-1を順次に処理するようにもできる。）

【００１５】第１及び第２の人工ニューラルネットワークは各々、供給された入力値をトレーニングデータに基づくモデル特性に従って変形して、望む出力値のセットを得るようにプロセスを制御するためのプロセス駆動信号を生成することによって、制御対象プロセスを逆にモデリングする機能を行う。

【００１６】第１の合算増幅器は、第１及び第２の人工ニューラルネットワーク出力信号間の差を計算して、差動制御ベクトルΔｃ _rを生成する。 第２の合算増幅器は、差動制御ベクトルΔｃ _rと、前の観測時間長さｒ−
１の間に第２の合算増幅器によって生成されたプロセス駆動制御ベクトルｃ _r-1とを合算して、プロセスを駆動する制御ベクトルｃ _rを生成する。

【００１７】

【実施例】図１に、或るバッチの半導体のウエハ１４上に原子層をエピタキシャルに成長させる作業を行う従来の技術のＣＶＤ反応器１２を制御するための、本発明に基づく差動プロセス制御装置１０のブロック図を示す。
下に述べる本発明の詳細説明から判るように、反応器１
２は、図１の差動プロセス制御装置（以下簡単に、制御装置）１０によって制御することが可能な広範囲にわたる種々のプロセス装置の単なる一例に過ぎない。

【００１８】制御装置１０がＣＶＤ反応器１２を制御する手法を理解するためには、ＣＶＤシステムについての簡単な概観が有用である。 本実施例においてＣＶＤシステムすなわち反応器１２は一般に、ガラス製ベルジャー状の密閉の容器１８内に設けたサセプタ１６からなる。

【００１９】サセプタ１６は一般に、垂直軸２０の周りに回転可能な加熱された多面体の形状を取る。 実用時には、サセプタ１６はグラファイト又は類似の材質から作られる。 これに加えて、一般に赤外線ランプの形状の、
付加加熱手段（図示しない）が容器１８の周囲に配置されサセプタ１６を更に加熱する。

【００２０】サセプタ１６の各面上にはウエハ１４のセットのうちの個々のウエハを保持する保持部（ポケット）が設置される。 本実施例においては、サセプタ１６
の各面には、上部、中間、及び下部に合計３個のウエハ（ウエーファ）１４ａ、１４ｂ、及び１４ｃがそれぞれ保持される。 サセプタ１６の全長によっては、これより大きい又は小さい数のウエハを収容することとなる。

【００２１】サセプタ１６が軸の周りに回転すると、各サセプタ面上のウエハ１４ａ、１４ｂ、及び１４ｃは、
容器１８の上端部に設けられた直径方向に対向する１対のノズル２３及び２４の各々を通して容器１８内に導入された反応性物質含有ガスに曝される。

【００２２】ノズル２３及び２４は各々、垂直及び水平の両方の弧を描いて回転可能とされ、これら垂直及び水平の弧によって、サセプタ１６の互いに続く多面の１つに各々が正接する垂直及び水平の湾曲面が走査されるように構成される。 反応性物質含有ガスがウエハ１４ａ、
１４ｂ、及び１４ｃの各々に触れると、原子（一般にシリコン）の層が各ウエハ上に蒸着する。

【００２３】高品質のウエハを作るには通常、個々のウエハ全面にわたってだけでなくサセプタ１６の各面上のウエハ１４ａ、１４ｂ、及び１４ｃの全部にわたっての蒸着の均一性が決定的に重要である。 したがって、蒸着の変動を最小化するようにＣＶＤ反応器１２を制御することが望ましい。 実際面において層厚変動に大きな影響を与えるパラメータは、垂直及び水平方向のノズル角度と、ノズル２３及び２４の各々を通しての反応性物質含有ガスの流量である。

【００２４】ノズル２３及び２４の各々を通しての反応性物質含有ガスの流量は、これらノズルに個々に付随する１対の制御弁（図示しない）の各々の開口度によって定まる。 これらのパラメータを制御して層厚変動を最小化するために、ＣＶＤ反応器１２は、互いに連続する時間長さ（ｒ，ｒ＋１，ｒ＋２，．．．）において生成される制御ベクトルｃ _rに応答する。 この制御ベクトルｃ
_rは、次の３個の成分ｃ ¹ 、ｃ ² 、及びｃ ³を有する。

【００２５】ｃ ¹ ＝［（ノズル２４をセットする制御弁−ノズル２３をセットする制御弁）×１０］／［１／２
（ノズル２４をセットする制御弁−ノズル２３をセットする制御弁）］ ｃ ² ＝ノズル２３及び２４の水平面からの角度 ｃ ³ ＝ノズル２３及び２４の垂直面からの角度

【００２６】概して、制御装置１０は、２つのベクトル、すなわち望むプロセス出力値のセットを表すベクトルｔ _d及び実際のプロセス出力値のセットを表すベクトルｔ _rに従って制御ベクトルｃ _rを生成するように作動する。 本実施例においては、ベクトルｔ _dは望む層厚値のセットを表し、ベクトルｔ _rは時点ｒにおける実際のウエハ厚さを表す。

【００２７】ベクトルｔ _d及びｔ _rは一般に各々、３個のウエハ１４ａ、１４ｂ、及び１４ｃの各々に付随する５個の厚さ計測値、すなわち合計で１５個の値を含む。
ウエハ１４ａ、１４ｂ及び１４ｃの各々について、ウエハの中心及び中心から東西南北に当たる４箇所の点の各々における厚さが計測される。 ウエハ厚さ値は、非破壊標本採取（サンプリング）技術を用いて手作業で得られるし、自動計測技術を用いて得ることも可能である。

【００２８】ベクトルｔ _dは一般に、外部ソース（図示しない）によって生成され、制御装置１０に供給されて、このベクトルを処理するためにこのベクトルを平均値ｔ' _dに正規化する作用を行う処理要素２２へ入力される。 直ちに正規化されるベクトルｔ _dと異なり、ＣＶＤ
反応器１２によって生成されるベクトルｔ _rは制御装置１０に入力され、記憶及び送付要素４８において受信される。

【００２９】記憶及び送付要素４８は、処理要素において受信される実際のプロセス出力値が前の時間長さｒ−
１の間に生成されたプロセス出力値を有効に表すように、予め定められた時間だけ処理要素２２におけるベクトルｔ _rの受信を遅らせる作用をする。 この理由から、
記憶及び送付要素２４によって処理要素２２に供給されるベクトルには、ｔ _r-1の符号を付け、このベクトルの正規化された値に対してはｔ' _r-1の符号を付ける。

【００３０】処理要素２２にベクトルｔ _d及びｔ _r-1を平均値に正規化させる目的は、本プロセスにおいて関心対象である層厚の均一性を表すために信号を変形することにある。 （尚、平均層厚の実際値は、他のプロセスパラメータによって制御できる。）ベクトルｔ _d及びｔ
_r-1の正規化は、望ましいが不可欠ではない。 したがって、処理要素２２を制御装置１０から省略することもできる。

【００３１】実際には、処理要素２２によって出力されたベクトルｔ' _r-1は、ゲート２６においてサンプリングされ、ベクトルｔ' _dと比較される。 もしこれら２つのベクトル間の差が予めセットされた許容値以内に来る場合、これは実際のウエハ厚さが望むウエハ厚さに緊密に対応していることを意味し、したがって信号発生器２８
がＣＶＤ反応器１２を定常状態に維持するように制御ベクトルｃ _rを固定レベルで生成し、これにより反応器１
２は、ほぼ均一な厚さを有するウエハ１４ａ、１４ｂ、
及び１４ｃを製造し続ける。

【００３２】尚、ゲート２６及び信号発生器２８は、制御装置１０の運用には有用であるが、運用上不可欠というものではない。 制御装置１０の残りの部分についての下記説明から判るように、ゲート２６及び信号発生器２
８がなくてもベクトルｔ' _dがベクトルｔ' _r-1に対応する場合は、制御装置１０はＣＶＤ反応器１２を定常状態に維持することとなる。

【００３３】したがって、ゲート２６及び信号発生器２
８は、有用ではあるが制御装置１０の運用に有害な影響を与えることなく制御装置１０から省略できる。 しかし、あれば他のパラメータの変化による望ましくない変動を検知してプロセスを制御された状態に戻す助けとなる。

【００３４】もしベクトルｔ' _dがベクトルｔ' _r-1に緊密に対応しない場合、ベクトルｔ' _r-1は逆転された後、第３の合算増幅器３０においてベクトルｔ' _dと合算される。 第３の合算増幅器３０は、両ベクトル間のベクトル差を計算する。 次に、スケーリング増幅器３２が第３の合算増幅器３０によって出力された出力ベクトル値に対して定数ｋによってスケーリング処理を行う。

【００３５】定数ｋの値は、必ずということではないが一般に、「１」の値に等しくセットされる。 実際のプロセス特性と逆転モデル特性との間に大きな差が予期される場合には、ｋの値を０.５ 以下に取るのが適切である。 スケーリング増幅器３２の出力信号は、第４の合算増幅器３４の第１の非逆転入力部に入力される。 第４の合算増幅器３４の第２の非逆転入力部には、処理要素２
２によって生成されたベクトルｔ' _r-1が供給される。

【００３６】第４の合算増幅器３４は、その入力部に供給されたこれら２つの入力を合算して、ベクトルｔ' _dによって変動する出力信号を生出する。 （実際には、ｋ＝
１の場合、第４の合算増幅器３４の出力信号は、ベクトル信号ｔ' _dに正確に対応する。 ）

【００３７】第４の合算増幅器３４の出力信号は、第１
の人工ニューラルネットワーク３６に入力され、又処理要素２２によって生成されたベクトルｔ' _r-1が第２の人工ニューラルネットワーク３８に入力される。

【００３８】人工ニューラルネットワーク３６及び３８
は各々、前方供給、誤差後方伝播形式のもので、両方共、構造及び動作について同一である。 （制御装置１０
が２つの人工ニューラルネットワーク３６及び３８からなるように説明したが、実際には、これらネットワークのうちの１つだけを用いてベクトル信号ｔ' _dとベクトルｔ' _r-1とを順次に処理するようにもできる。 ）これらの人工ニューラルネットワークは同一であるので、以下の詳細説明は第１の人工ニューラルネットワーク３６についてだけ行う。

【００３９】図２において、この人工ニューラルネットワーク（以下又単に、ネットワーク）３６は、複数のノード ４０ ₁ 、４０ ₂ 、４０ ₃ 、． ． ． ４０ _n-2 、４０ _n-1 、
及び４０ _nからなる。 ここに、ｎはベクトルｔ _d 、
ｔ _r-1 、及びｃ _rの成分の数に依る整数である。 ネットワーク３６は又、ノード４０ ₁ 〜４０ _nの各々に一定のレベル信号、一般に「−１」を供給するバイアス信号発生器４０を有する。

【００４０】ネットワーク３６内のノード４０ ₁ 〜４０ _n
は、図２中に層１、２、及び３としてそれぞれ示すように、３つの別個の層に配列されている。 層１は、１５個のノード４０ ₁ 〜４０ ₁₅を有し、この層の各ノードが、
第４の合算増幅器３４によってこのネットワーク３６に供給される入力信号の１５個の成分のうちから個々に１
個の成分を供給されるので、入力層と名付けられる。 実際には、もしこのネットワーク３６に供給される入力信号の成分の数が１５より大きいか小さいかする場合、層１のノードの数も図２の１５よりも大きく又は小さくなる。

【００４１】層３は３個のノード４０ _n-2 、４０ _n-1 、及び４０ _nを有する。 この層の各ノードが、制御装置１０
によって生出されるベクトルｃ _rの成分の個々の成分となる信号を生成するので、この層は出力層と名付けられる。

【００４２】層２は４個のノード４０ ₁₆ 〜４０ ₁₉を有する。 この層の各ノードが、外部の入力を受信するわけでも外部へ出力信号を供給するわけでもないことから、この層は、「隠された」層と名付けられる。 その代わりに、層２のノード４０ ₁₆ 〜４０ ₁₉の各々には、層１のノード４０ ₁ー４０ ₁₅の各ノードの出力信号が供給される。 同様に、外部への出力信号を生成する代わりにノード４０ ₁₆ 〜４０ ₁₉の各々からは、その出力信号がノード４０ _n-2 、４０ _n-1 、及び４０ _nの個々のノードに供給される。

【００４３】層１のノード４０ ₁ 〜４０ ₁₅は単に、受信された入力信号の各々を層２のノード４０ ₁₆ 〜４０ ₁₉の個々のノードに分配する機能を行う。 ノード４０ ₁₆ 〜４
０ ₁₉並びにノード４０ _n-2 、４０ _n-1 、及び４０ _nは、そこへ供給された信号に対して適切なスケーリング処理を行い、次に信号を合算した後に、非線形関係、例えば双曲線正接関数（ｔａｎｈ）に基づいて和の変形を行う。

【００４４】ネットワーク３６は、実験、又は操業データ、あるいはその両方から得られたトレーニングデータセットに従ってトレーニングされ、その結果としてネットワークは、ＣＶＤ反応器１２のモデルの役をする。 言い替えれば、ノード ４０ ₁ 〜４０ _nの間の接続重みが、
ネットワーク３６に提供されたトレーニングデータに基づいて調整され、これにより、ネットワークに供給される入力信号を生出するようにＣＶＤ反応器１２を駆動するための制御ベクトルｃ _rが、ネットワークによって生成される。

【００４５】このトレーニング法においては、誤差信号（すなわち、実際のプロセス出力と、予測されるニューラルネットワ−ク出力との間の差）が、接続重みを修正するためにニューラルネットワ−クを通して逆伝播される。 このようなトレーニング手法は、技術上周知である。

【００４６】本発明の代替実現例として、人工ニューラルネットワ−ク３６を、各々が同じ第１及び第２層を有するが出力層としては、別個の成分ｃ _rを生成する単一ノードの出力層を有するような、３個の別個のサブネットワーク（図示しない）、から構成するようにしてもよい。 この手法の利点は、各サブネットワークが、より小さなトレーニングセットを用いてより容易にトレーニングできるということである。 又、欠点は、ネットワーク３６の全体がより大きくなることである。

【００４７】どのマッピング手順においても同様であるが、或る与えられた入力が常に或る与えられた出力にマッピングされるような１対１又は多数対１のマッピングをデータセット（トレーニング及びテスト）に持たせることが望ましい。 このことは、人工ニューラルネットワ−クのトレーニングにおいても同様に真実である。

【００４８】本発明のアルゴリズムは、もし第１次及び第２次統計値が符号を変えなければ、予測値とプロセス値との間の差に強い。 これは、次の繰り返しについての制御パラメータを予測するために、出力値の代わりに予測出力値の差が用いられるからである。

【００４９】図１において、第１の人工ニューラルネットワ−ク３６によって生成された出力信号は、第１の合算増幅器４２の非逆転入力部に供給される。 第１の合算増幅器４２は更に別の非逆転入力部を有し、ここには第２の人工ニューラルネットワ−ク３８の出力信号が供給される。 第１の合算増幅器４２は、人工ニューラルネットワ−ク３６及び３８の出力信号間の差に従って出力信号を生成する。

【００５０】人工ニューラルネットワ−ク３６及び３８
は、入力ベクトルｔ' _d及びｔ' _r-1のうちのそれぞれ別個のベクトルに従って制御信号を生成するので、第１の合算増幅器４２の出力は、２つの制御信号間の差を表す。
この理由から、第１の合算増幅器４２の出力には、Δｃ
_rの符号が与えられる。

【００５１】このように人工ニューラルネットワ−ク３
６及び３８によって生成された制御信号間の差を表す、
第１の合算増幅器４２の出力信号は、第２の合算増幅器４４の非逆転入力部に入力される。 第２の合算増幅器４
４の出力は、制御信号ｃ _rとなる。 第２の合算増幅器４
４は第２の非逆転入力部を有し、ここには、記憶及び送付要素４８と同一の記憶及び送付要素４６によって遅らされた、第２の合算増幅器４４の出力が供給される。

【００５２】記憶及び送付要素４６は、第２の合算増幅器４４の第２の非逆転入力部に、前の時間長さｒ−１において第２の合算増幅器４４によって生成された制御ベクトル信号ｃ _rを有効に供給する。 このことから、第２
の合算増幅器４４の第２の非逆転入力部に供給された信号は、ｃ _r-1と名付けられる。 このようにして、第２の合算増幅器４４は、Δｃ _rとｃ _r-1との和に従ってその出力部において信号ｃ _rを生成する。

【００５３】運用に際して、制御装置１０は、前の時間長さｒ−１の間に生成された制御信号を表すｃ _r-1と、
人工ニューラルネットワ−ク３６及び３８の出力信号の間の差を表すΔｃ _rとの和に従って制御信号ｃ _rを生成するように作動する。 前に述べたように、人工ニューラルネットワ−ク３６及び３８は各々、望むプロセス出力値を表すベクトルｔ _dと、前の時間長さｒ−１の間に生成された実際のプロセス出力値を表すベクトルｔ _r-1との２つの入力ベクトルのうちのそれぞれ別個のベクトルに従って制御信号を生成する。

【００５４】したがって、制御装置１０は、実際のプロセス出力値及び望むプロセス出力値の両方に従ってＣＶ
Ｄ反応器１２を制御するように作動する。 これら実際のプロセス出力値及び望むプロセス出力値は、ＣＶＤ反応器１２の場合には、図１のウエハ１４ａ、１４ｂ、及び１４ｃについての実際の厚さ及び望む厚さであり、実際の厚さ値は、プロセス帰還値を表す。

【００５５】制御装置１０の動作方法をよりよく理解するためには、図３を参照するのが便利である。 図３は、
ＣＶＤ反応器１２への制御ベクトルｃ _r入力のスカラー表示とプロセス出力値（例えばウエハ１４ａ、１４ｂ、
及び１４ｃの層厚）のスカラー表示との間の関係を図式的に２本の曲線で表す。 このうち実線は、ｃ _rとプロセス自身のウエハ厚さとの間の、通常は未知の関係を表し、一方、破線は、ｃ _rとウエハ厚さとの間の、人工ニューラルネットワーク３６及び３８の各々によってモデリングされた、理想的関係を表す。

【００５６】図３に示すように、ＣＶＤ反応器１２への制御ベクトル入力の実際の値がｃ _{r- 1}である場合、実際のウエハ厚さベクトルは、望む厚さｔ _dでなくｔ _r-1に対応する。 破線で示すようにプロセスのモデルを用いると、ウエハ厚さを望むウエハ厚さ値ｔ _dにより近いウエハ厚さを達成するには、制御ベクトルの値をΔｃ _rだけ増加させる必要がある。

【００５７】以上、望むプロセス値と実際のプロセス値とを用いて少なくとも１つの、そして好ましくは１対の人工ニューラルネットワ−ク３６及び３８でプロセスを制御するための制御装置１０について説明して。

【００５８】上記実施例は、本発明の原理を単に説明するための一事例に過ぎない。 この技術分野の当業者であれば、これに対して種々の変形例を考え得るが、それらはいずれも本発明の技術的範囲に包含される。

【００５９】例えば、上記説明では、制御装置１０を、
個々のハードウエア要素２２〜４８から構成されるとしたが、これらの要素の機能は単一の汎用ディジタルコンピュータを用いて容易に包括的に実現することも可能である。 又、制御装置１０を、１対の人工ニューラルネットワ−ク３６及び３８によってハードウエア又はソフトウエア的に構成する代わりに、単一のニューラルネットワ−クを用い第４の合算増幅器３４とゲート２６との出力信号を順次に処理することも可能である。

【００６０】尚、特許請求の範囲に記載した参照番号は発明の容易な理解のためで、その技術的範囲を制限するよう解釈されるべきではない。

【００６１】

【発明の効果】以上述べたごとく、本発明によれば、実際のプロセス出力信号をニューラルネットワークに帰還するように構成したので、プロセス制御の精度が改善される。 又、予測値と実際のプロセスとの間の差に応答して作動する人工ニューラルネットワーク制御システムが得られるので更にプロセス制御の効率が向上する。

【図面の簡単な説明】

【図１】化学気相反応蒸着法（ＣＶＤ）システムを制御するための、本発明に基づく差動プロセス制御装置のブロック図である。

【図２】図１の制御装置内の１対のニューラルネットワークのうちの一方のネットワークの簡単化したブロック図である。

【図３】図１の制御装置についてのプロセス入力値と出力値との間の関係をスカラー的に表すグラフである。

【符号の説明】

１０ 差動プロセス制御装置 １２ 化学気相反応蒸着法（ＣＶＤ）反応器 １４、１４ａ、１４ｂ、１４ｃ ウエハ １６ サセプタ １８ 容器 ２０ 垂直軸 ２２ 処理要素 ２３、２４ ノズル ２２ 処理要素 ２６ ゲート ２８ 信号発生器 ３０ 第３の合算増幅器 ３２ スケーリング増幅器 ３４ 第４の合算増幅器 ３６ 第１の人工ニューラルネットワーク ３８ 第２の人工ニューラルネットワーク ４０ バイアス信号発生器 ４０ ₁ 〜４０ _nノード ４２ 第１の合算増幅器 ４４ 第２の合算増幅器 ４６、４８ 記憶及び送付要素