CN108695199A - 异常检测系统、半导体器件制造系统和方法 - Google Patents
异常检测系统、半导体器件制造系统和方法 Download PDFInfo
- Publication number
- CN108695199A CN108695199A CN201810241513.XA CN201810241513A CN108695199A CN 108695199 A CN108695199 A CN 108695199A CN 201810241513 A CN201810241513 A CN 201810241513A CN 108695199 A CN108695199 A CN 108695199A
- Authority
- CN
- China
- Prior art keywords
- algorithm
- detection
- unit
- generation
- manufacturing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 338
- 230000005856 abnormality Effects 0.000 title claims abstract description 137
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 115
- 239000004065 semiconductor Substances 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 251
- 238000003860 storage Methods 0.000 claims abstract description 63
- 238000012545 processing Methods 0.000 claims description 40
- 238000004891 communication Methods 0.000 claims description 34
- 230000002159 abnormal effect Effects 0.000 claims description 23
- 238000010923 batch production Methods 0.000 claims description 12
- 238000007689 inspection Methods 0.000 claims description 12
- 238000013473 artificial intelligence Methods 0.000 claims description 11
- 239000004020 conductor Substances 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000012360 testing method Methods 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000000052 comparative effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 239000000047 product Substances 0.000 description 4
- 239000013589 supplement Substances 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000005530 etching Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 208000002693 Multiple Abnormalities Diseases 0.000 description 1
- 206010062575 Muscle contracture Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005229 chemical vapour deposition Methods 0.000 description 1
- 208000006111 contracture Diseases 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000000116 mitigating effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000000491 multivariate analysis Methods 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 238000005268 plasma chemical vapour deposition Methods 0.000 description 1
- 238000001020 plasma etching Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000007634 remodeling Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
- H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
- H01L21/67005—Apparatus not specifically provided for elsewhere
- H01L21/67242—Apparatus for monitoring, sorting or marking
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/4184—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by fault tolerance, reliability of production system
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
- H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
- H01L21/67005—Apparatus not specifically provided for elsewhere
- H01L21/67242—Apparatus for monitoring, sorting or marking
- H01L21/67253—Process monitoring, e.g. flow or thickness monitoring
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32204—Performance assurance; assure certain level of non-defective products
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/45—Nc applications
- G05B2219/45031—Manufacturing semiconductor wafers
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Manufacturing & Machinery (AREA)
- Automation & Control Theory (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Power Engineering (AREA)
- Computer Hardware Design (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Human Computer Interaction (AREA)
- Testing And Monitoring For Control Systems (AREA)
- General Factory Administration (AREA)
Abstract
本申请涉及异常检测系统、半导体器件制造系统和方法。为了提供一种能够减少工程师的工作负荷的异常检测系统。算法存储单元在其中存储与检测目标的标识信息对应的检测算法。异常检测单元使用算法存储单元中的对应的检测算法检测从检测目标的监测器信号获得的检测对象信号中的异常。检测目标标识单元确定与检测目标的标识信息对应的检测算法是否存储在算法存储单元中，并且当其未被存储在其中时发出生成请求。算法生成单元根据生成请求使用对应的检测目标信号生成检测算法。
Description
相关申请的交叉引用
于2017年4月6日提交的日本专利申请2017-075650的公开内容在此通过引用整体并入，包括说明书、附图和摘要。
技术领域
本发明涉及异常检测系统、半导体器件制造系统以及半导体器件制造方法，并且特别涉及检测制造装置等的异常的技术。
背景技术
例如，日本未审专利申请公开No.2006-278547公开了能够避免错误检测处理装置中的异常的异常检测系统。在所述异常检测系统中，异常检测服务器使用具有多个参数的基本算法或者临时算法来检测处理装置的异常，所述临时算法排除了根据维护工作而临时变化的参数。
发明内容
近年来，随着第四次工业革命，诸如人工智能(AI)和物联网(IoT)的技术越来越多地应用于制造系统，以提高制造效率。通过使用这样的制造系统，使得例如可以使用各种传感器实时监测制造装置的处理状态，并基于该监测结果迅速地检测制造装置的异常。
为了检测异常，例如，如日本未审专利申请公开No.2006-278547中所公开的，可行的是预先将多个检测算法登记在存储装置中，选择任何一种检测算法，并基于所选择的检测算法对检测目标的异常进行检测。然而，对于这种方案，在针对新的检测目标需要新的检测算法的情况下，工程师通常需要在使用与批量生产线隔离的制造装置重复产品原型的同时确定检测算法，并且将检测算法登记在存储装置中。
已经根据上述问题做出下面描述的实施例，并且从以下描述和附图中，其他问题和新颖特征将变得明显。
根据一个实施例的异常检测系统包括算法存储单元、异常检测单元、检测目标标识单元和算法生成单元。算法存储单元在其中存储与检测目标的标识信息对应的检测算法。异常检测单元使用在算法存储单元中相应的检测算法检测从检测目标的监测器信号中获得的检测目标信号中的异常。检测目标标识单元确定与检测目标的标识信息对应的检测算法是否存储在算法存储单元中，并且当其未被存储在其中时发出生成请求。算法生成单元根据生成请求使用相应的目标信号生成检测算法。
这个实施例使得可以减轻工程师的工作负荷。
附图说明
图1是示出根据本发明第一实施例的异常检测系统的主要部分的示例性配置的示意图；
图2是示出图1所示的检测目标标识单元的处理细节的例子的流程图；
图3是示出图1所示的异常检测单元的处理细节的例子的流程图；
图4是示出图1所示的算法生成单元的处理细节的例子的流程图；
图5是图4的补充图；
图6是示出根据本发明第二实施例的异常检测系统的主要部分的示例性配置的示意图；
图7是示出图6所示的异常检测系统中的数据标识单元所传送的分组的主要部分的示例性结构的图；
图8是图7的补充图；
图9是示出基于图7和图8的分组的具体例子的图；
图10是示出根据本发明第三实施例的半导体器件制造系统的主要部分的示例性配置的示意图；
图11A是示意性地示出使用图10所示的制造系统的半导体器件制造方法的例子的时序图；
图11B是图11A之后的时序图；以及
图12是示出根据本发明的比较例子的异常检测系统的主要部分的示例性配置的示意图。
具体实施方式
尽管本发明将在下文中根据需要在单独的部分或实施例中进行描述，但它们彼此不是无关的，除非另有明确说明，否则其中一个可以是对另一个的一部分或全部的改型、细化或补充解释。当在以下实施例中提到数字(包括数量、数值、量和范围)时，除非另有明确规定或原则上明显限于具体数目，否则其不限于具体数目，而是可以大于或小于具体数目。
此外，不用说，在下面的实施例中的组件(包括元件步骤)可能不一定是必需的，除非另有明确说明或原则上明显不必要。类似地，在下面的实施例中，当涉及组件的形状、位置关系等时，除非另有明确说明或原则上明显不适用，否则基本上包括与该形状近似或相似的形状。这同样适用于上述的数值和范围。
以下，将参照附图说明本发明的实施例。应当指出的是，在附图中类似的组件由相同的附图标记表示，并且可以不再重复其说明。
第一实施例
[异常检测系统的配置]
图1是示出根据本发明第一实施例的异常检测系统的主要部分的示例性配置的示意图。图1所示的异常检测系统(异常检测装置)包括信号输入单元IIF、目标信号选择单元SS、异常检测单元EDT、检测目标标识单元TGR、算法生成单元ALG和算法存储单元ADB。此处假设检测半导体器件制造系统中的制造装置的异常的情况作为异常检测系统的例子。但是，应该注意的是，本发明不限于这种情况，异常检测系统可用作检测各种生产系统中的各种生产装置的异常的系统。
信号输入单元IIF从检测目标接收监测器信号MS、执行预定的信号处理、并将所得的信号发送到目标信号选择单元SS。监测器信号MS表示例如制造装置的处理状态，其是来自制造装置中提供的或添加到制造装置的各种传感器的传感器信号。各种传感器可以是任何传感器，诸如例如监测气体的流量的流量传感器、监测腔室中的压力的压力传感器、监测等离子体的RF功率的功率传感器以及用于监测刻蚀进程的EPD(终点检测器)。
在半导体器件制造系统中，可以使用被称为SECS(SEMI设备通信标准)的通信协议在装置之间传送传感器信号。作为SECS的物理接口，可以使用RS232或以太网(Ethernet，注册商标)。信号输入单元IIF起到例如SECS的通信接口的作用。在这种情况下，例如，信号输入单元IIF使用SECS接收从传感器发送的传感器信号。信号输入单元IIF还可以包括例如模数转换电路。在这种情况下，信号输入单元IIF直接从传感器接收模拟信号作为监测器信号MS而不使用SECS，将模拟信号转换成数字信号，并将数字信号发送到目标信号选择单元SS。
目标信号选择单元SS从经由信号输入单元IIF接收的监测器信号MS中确定检测目标信号TS作为检测目标，并且将检测目标信号TS存储在检测目标信号缓冲器SBF中。目标信号选择单元SS将存储在检测目标信号缓冲器SBF中的检测目标信号TS发送到异常检测单元EDT和算法生成单元ALG。例如，在传感器持续工作的情况下，监测器信号MS可以包括不必要部分(例如，其中制造装置没有进行任何实际操作的空闲部分)的信号。目标信号选择单元SS从监测器信号MS中确定其中制造装置实质上处于操作中的检测目标部分，并且提取该部分的信号作为检测目标信号TS。具体而言，例如，当监测器信号MS呈现在空闲部分中的0V时，目标信号选择单元SS将检测目标部分指定为其中监测器信号MS的电压电平为0.1V或更高的部分。
算法存储单元ADB在其中存储与检测目标的标识信息DI对应的多个检测算法AL[1]至AL[n]。这里，多个检测算法AL[1]至AL[n]统称为检测算法AL。异常检测单元EDT使用与存储在算法存储单元ADB中的标识信息DI相对应的检测算法AL来检测检测目标信号TS的异常，并且发送输出信号OUT作为检测结果。当检测到异常时，可以基于输出信号OUT来激活监测器等上的警报显示、到另一控制设备的异常通知、通知检测到异常的照明等。
检测算法AL可以包括基于AI的算法、基于统计学方法的算法等。基于AI的算法可以使用例如已经学习了检测目标信号TS的特征的神经网络的模型。该模型允许通过接收检测目标信号TS并将所学习的特征反映在所接收的信号上来生成例如期望值信号(即，理想的检测目标信号)。异常检测单元EDT基于检测目标信号TS和期望值信号之间的差是否在可接受范围内来确定检测目标信号TS中的异常的存在。另一方面，基于统计学方法的算法使用反映检测目标信号TS的各种统计值的正态分布模型、多变量分析模型等。异常检测单元EDT基于检测目标信号TS的变化等是否在使用这些模型在统计上(逻辑上)被认为是正常的范围内来确定检测目标信号TS中的异常的存在。
检测目标标识单元TGR接收检测目标的标识信息DI，并且确定与标识信息DI对应的检测算法AL是否存储在算法存储单元ADB中。当检测算法AL存储在算法存储单元ADB中时，检测目标标识单元TGR将选择信息SI发送到异常检测单元EDT。选择信息SI用于标识与标识信息DI对应的检测算法AL。异常检测单元EDT基于选择信息SI从算法存储单元ADB获得与标识信息DI对应的检测算法AL，并将检测算法AL存储在检测算法缓冲器ABF中，由此基于检测算法AL执行异常检测。
另一方面，在与标识信息DI对应的检测算法AL未存储在算法存储单元ADB中时，检测目标标识单元TGR将不支持通知NN发送到异常检测单元EDT，并发出生成请求GR到算法生成单元ALG。算法生成单元ALG例如包含标识信息DI。当接收到不支持通知NN时，异常检测单元EDT不检测检测目标信号TS中的异常。
算法生成单元ALG使用来自目标信号选择单元SS的检测目标信号TS，来生成与包括在生成请求GR中的标识信息DI对应的检测算法AL。当检测算法AL的生成完成时，算法生成单元ALG发出生成完成通知ED并将生成的检测算法AL存储在算法存储单元ADB中。例如，工程师认识到：通过经由电子邮件等接收生成完成通知ED，基于异常检测单元EDT的检测算法AL的异常检测成为可能。
例如，在半导体器件制造系统中，管理装置可以使用SECS将包含配方ID的标识信息DI发送到制造装置等。配方ID是用于标识制造装置的制造条件的ID。配方ID用于标识详细的工艺条件，例如，所使用的气体的类型、气体的流量、处理时间等。除了配方ID之外，标识信息DI还包括多个条件参数，诸如关于待处理的半导体器件(产品)的信息、关于制造装置的信息等。
例如，检测目标标识单元TGR通过以预定方法适当地组合标识信息DI中的多个条件参数来指定检测算法AL，并且发送选择信息SI。在这种情况下，检测目标标识单元TGR基本上在包括在预定组合中的多个条件参数中的任何一个的值改变时发出生成请求GR。然而，组合不限于多个条件参数的AND(与)条件，而是可以使用其它条件，诸如OR(或)条件和DON’T CARE(无关)条件等，并且即使当任何值改变时，也可以不总是发出生成请求GR。检测算法AL和配方ID通常一一对应，但根据条件设置，单个检测算法AL可以对应于多个配方ID。
在图1中，信号输入单元IIF通过专用电路、通过由CPU(中央处理单元)执行的程序处理或由它们的组合来实现。目标信号选择单元SS、异常检测单元EDT、检测目标标识单元TGR和算法生成单元ALG主要通过CPU执行的程序处理来实现。检测目标信号缓冲器SBF和检测算法缓冲器ABF中的每个由RAM(随机存取存储器)配置。算法存储单元ADB由诸如非易失性存储器和HDD(硬盘驱动器)的存储装置来配置。然而，应该注意，每个单元的实现不限于上述示例，而是可以是硬件、软件以及硬件和软件的组合中的任何一种。
此外，异常检测系统(异常检测装置)可以通过例如具有包括安装在其上的CPU的微型计算机的单个组件(例如，电路板)来配置。即，可以将图1所示的各个单元安装在单个微型计算机上，或者将算法存储单元ADB隔离并将其安装在微型计算机的外部组件(例如，闪存)上。此外，异常检测系统可以以一对一的方式提供给制造装置，或者可以仅将一个异常检测系统提供给多个制造装置。例如，在以一对一的方式提供的情况下，异常检测系统可以包含在制造装置中，或作为制造装置的外部组件来安装。
[每个单元的详细操作]
图2是示出图1所示的检测目标标识单元的处理细节的例子的流程图。在图2中，检测目标标识单元TGR只要处于使能状态即重复以下处理(步骤S101)。检测目标标识单元TGR首先继续等待检测目标的标识信息DI的更新(步骤S102)。除非由管理装置更新标识信息DI，否则制造装置基于当前设置的标识信息DI来执行顺序输入的半导体器件(半导体晶片)的处理。结果，每当处理每个半导体晶片时，在监测器信号MS中产生检测目标部分。目标信号选择单元SS提取检测目标部分的监测器信号MS作为检测目标信号TS，并在每次处理每个半导体晶片时发送提取的检测目标信号TS。
如果在步骤S102中标识信息DI被更新，则检测目标标识单元TGR确定与标识信息DI对应的检测算法AL是否已经存储在算法存储单元ADB中(步骤S103)。如果已经存储在算法存储单元ADB中，则检测目标标识单元TGR将与更新的标识信息DI对应的选择信息SI发送到异常检测单元EDT(步骤S104)。另一方面，如果未被存储在算法存储单元ADB中，则检测目标标识单元TGR将不支持通知NN发送到异常检测单元EDT(步骤S105)，并发出生成请求GR到算法生成单元ALG(步骤S106)。
图3是示出图1所示的异常检测单元的处理细节的例子的流程图。在图3中，异常检测单元EDT只要处于使能状态，就重复以下的处理(步骤S201)。如果异常检测单元EDT从检测目标标识单元TGR接收不支持通知NN(步骤S202)，异常检测单元EDT首先验证不支持标志并返回到步骤S201(步骤S203)。另一方面，如果异常检测单元EDT从检测目标标识单元TGR接收选择信息SI(步骤S204)，则异常检测单元EDT使不支持标志无效(步骤S205)，在检测算法缓冲器ABF上从算法存储单元ADB复制由选择信息SI指定的检测算法AL，然后返回到步骤S201(步骤S206)。
随后，如果不支持标志有效，则异常检测单元EDT返回到步骤S201，或者如果不支持标志无效(步骤S207)，则进入步骤S208。在步骤S208处，在处理不支持通知NN(步骤S202)和选择信息SI(步骤S204)的更新的同时，异常检测单元EDT等待从目标信号选择单元SS接收检测目标信号TS。如果异常检测单元EDT接收到检测目标信号TS，则基于检测算法缓冲器ABF中的检测算法AL，确定检测目标信号TS中的异常的存在(步骤S209)。如果异常检测单元EDT在步骤S209检测到异常(步骤S210)，则它发送包含异常检测结果的输出信号OUT(步骤S211)。
图4是示出图1所示的算法生成单元的处理细节的例子的流程图。图5是图4的补充图。在图4中，算法生成单元ALG只要处于启用状态就重复以下的处理(步骤S301)。算法生成单元ALG首先继续等待来自检测目标标识单元TGR的生成请求GR(步骤S302)。如果算法生成单元ALG接收到生成请求GR，则算法生成单元ALG从目标信号选择单元SS接收检测目标信号TS(步骤S303)，并生成反映检测目标信号TS的检测算法AL(步骤S304)。重复步骤S303和S304，直到检测算法AL的生成完成(步骤S305)。
例如，当基于作为AI类型的深度学习执行异常检测时，生成神经网络的网络结构、权重、偏置值等作为检测算法AL。深度学习包括在将检测目标信号TS顺序地输入到神经网络的同时重复以下的学习处理：计算由神经网络估计的值与期望值之间的差值作为损失值，并将损失值反馈给权重和偏置从而使损失值更小。因此可以基于损失值的收敛来确定检测算法AL的生成是否完成。
例如，图5示出了学习次数和损失值之间的关系的例子，其中针对损失值提供用于确定检测算法AL的生成是否完成的阈值Lth。当损失值不大于阈值Lth时，算法生成单元ALG确定完成了检测算法AL的生成。应该注意的是，当使用基于统计方法的检测算法AL时，算法生成单元ALG例如可以通过确定检测目标信号TS的接收次数(即，参数)是否已达到预定数量来确定检测算法AL的生成是否完成。
当检测算法AL的生成完成时，算法生成单元ALG将生成的检测算法AL存储在算法存储单元ADB中(步骤S306)。此时，例如，检测算法AL在算法存储单元ADB中被存储为与包括在生成请求GR中的标识信息DI链接。此外，算法生成单元ALG发出生成完成通知ED(步骤S307)。
[第一实施例的主要效果]
图12是示出根据本发明的比较例子的异常检测系统的主要部分的示例性配置的示意图。如图12所示，在根据比较例子的异常检测系统中，使用布置在制造系统中的异常检测服务器进行异常检测。即，来自制造系统内的多个制造装置的每个监测器信号经由通信网络汇集到异常检测服务器，在其中执行异常检测。异常检测服务器包括在其中存储多个检测算法AL'[1]、AL'[2]的数据存储装置MEM和CPU。CPU包括通过程序处理实现的异常检测单元EDT'。异常检测单元EDT'在适当地选择多个检测算法AL'[1]、AL'[2]中的任一项的同时检测监测器信号中的异常。
现在假设使用了根据比较例子的异常检测系统并且出现新的检测目标(例如，制造装置和产品的组合)的情况。在这种情况下，工程师顺序地将原型半导体器件(半导体晶片)输入到检测目标的制造装置，并且同时在输入时段期间下载监测器信号到例如他自己的PC(个人计算机)。工程师可以生成新检测算法来检测监测器信号中的异常，并使用PC将其登记在数据存储装置MEM中。
然而，在这种情况下，工程师的工作负荷可能更重。此外，输入这种原型半导体器件通常需要与用于输入批量生产的半导体器件的批量生产线的批量处理过程不同的过程，并且因此可能导致检测目标的制造装置与批量生产线(换句话说，制造装置的专用)隔离一段时间的状况。这可能会降低制造效率。
此外，例如，当检测算法AL'[1]、AL'[2]是基于AI的检测算法时，从图5可以看出，工程师很难明确识别应该输入多少原型半导体器件(半导体晶片)来生成检测算法。结果，在试错法的基础上执行检测算法的生成，这可能导致由于原型半导体器件的过度输入而造成的成本增加以及由试错法的基础上的重复输入而造成的时间损失。
另一方面，使用图1所示的异常检测系统，在出现新的检测目标时，例如，通过将原型半导体器件输入到检测目标的制造装置中，由算法生成单元ALG自动生成检测算法AL，并且检测算法AL自动存储在算法存储单元ADB中。这使得可以减轻工程师的工作负荷。此外，图1所示的异常检测系统被配置为使得：可以输入针对其已经生成了检测算法AL的原型半导体器件和批量生产的半导体器件而不区分彼此。例如，异常检测单元EDT可以根据选择信息SI和不支持通知NN来切换是否执行异常检测。结果，如图12所示，不会造成制造装置的专用，并且因此可以抑制制造效率的降低。
此外，由于图1所示的异常检测系统在完成检测算法AL的生成时发出生成完成通知ED，所以当生成检测算法时，例如，可以通过将原型半导体器件混合到批量生产的半导体器件中来继续输入原型半导体器件，直到生成完成通知ED被发出为止。如果发出生成完成通知ED，则可以手动停止原型半导体器件的输入，并且可以通过使用管理装置的自动处理来停止原型半导体器件的输入。这也可以减少上述的成本损失和时间损失。
应该注意，图1所示的异常检测系统可以作为异常检测装置与制造装置一对一地链接。在这样的情况下，如图12所示，与将信号汇集到异常检测服务器的情况相比，能够更迅速地进行异常检测。
第二实施例
[异常检测系统的配置(应用例子)]
图6是示出根据本发明第二实施例的异常检测系统的主要部分的示例性配置的示意图。图6所示的异常检测系统(异常检测装置)包括异常检测执行装置DEVE、算法生成装置DEVG以及将它们耦合的通信网络NW。异常检测执行装置DEVE例如由包括微型计算机的单个装置(例如，布线板)配置，并且算法生成装置DEVG由另一装置配置。算法生成装置DEVG可以是例如诸如PC的计算机系统。
除算法生成单元ALG之外，异常检测执行装置DEVE包括图1所示的示例性配置中的那些组件，并且还包括数据标识单元DR1。另一方面，算法生成装置DEVG包括图1所示的示例性配置中的算法生成单元ALG，并且还包括数据标识单元DR2。每个数据标识单元DR1、DR2起到通信网络NW的接口的作用，并经由通信网络NW彼此通信。通信网络NW可以是例如以太网(Ethernet，注册商标)网络。
数据标识单元DR1从通信网络NW接收标识信息DI，并将其发送到检测目标标识单元TGR。此外，数据标识单元DR1将来自检测目标标识单元TGR、目标信号选择单元SS和异常检测单元EDT的生成请求GR、检测目标信号TS和输出信号OUT发送到通信网络NW。此外，数据标识单元DR1从通信网络NW(算法生成装置DEVG)接收检测算法(检测参数)AL，并将其存储在算法存储单元ADB中。
数据标识单元DR2从通信网络NW(异常检测执行装置DEVE)接收生成请求GR和检测目标信号TS，并将它们发送到算法生成单元ALG。数据标识单元DR2还经由通信网络NW将由算法生成单元ALG生成的检测算法(检测参数)AL和生成完成通知ED发送到异常检测执行装置DEVE等。应该注意，可以提供多个算法生成单元ALG，其可以并行地生成不同的检测算法AL。
[通信格式的结构]
图7是示出图6所示的异常检测系统中的数据标识单元所传送的分组的主要部分的示例性结构的图，并且图8是图7的补充图。如图7所示，由数据标识单元DR1、DR2传送的每个分组包含分组类型TYP、大小SZ和有效载荷PLD的三种要素。分组类型TYP在其中存储图8中所示的任何一个数字。检测目标信号TS、输出信号(检测结果)OUT、检测目标的标识信息DI、检测算法的生成请求GR和检测算法(检测参数)AL通过该数字彼此区分。大小SZ在其中存储有效载荷PLD的数据大小。例如，在有效载荷PLD的数据大小是8字节的情况下，值“8”被存储在大小SZ中。有效载荷PLD在其中存储与分组类型TYP对应的数据。
图9是示出基于图7和图8的分组的具体例子的图。为了发送检测目标信号TS到通信网络NW，数据标识单元DR1生成并发送分组PK1。分组PK1在分组类型TYP中存储“1”，在大小SZ中存储“80”，并且在有效载荷PLD中存储待作为检测目标信号TS的“1、2、7、10......”的80字节数据。数据标识单元DR2接收分组PK1，并且将有效载荷PLD的数据发送到算法生成单元ALG。
为了将输出信号(检测结果)OUT发送到通信网络NW，数据标识单元DR1生成并发送分组PK2。分组PK2在分组类型TYP中存储“2”，在大小SZ中存储“2”，以及在有效载荷PLD中存储表示未检测到异常的“OK”字符代码。分组PK2可以由例如监测系统的SCADA(监督控制和数据采集)(未示出)来接收。
数据标识单元DR1经由通信网络NW接收包含标识信息DI的分组PK3，标识信息DI由例如管理生产过程的MES(制造执行系统)(未示出)来生成。分组PK3在分组类型TYP中存储“3”，在大小SZ中存储“7”，以及在有效载荷PLD中存储“配方1”的字符代码作为标识信息DI。如参考图1所述，标识信息DI还可以包括各种条件参数，但是为了便于解释，这里假定标识信息DI是配方ID。数据标识单元DR1将有效载荷PLD的数据发送到检测目标标识单元TGR。
为了将生成请求GR发送到通信网络NW，数据标识单元DR1生成并发送分组PK4。分组PK4在分组类型TYP中存储“4”，在大小SZ中存储“7”，并且在有效载荷PLD中存储“配方1”的字符代码作为与生成请求GR对应的标识信息DI。数据标识单元DR2接收分组PK4，并将链接到标识信息DI的生成请求GR发出到算法生成单元ALG。应该注意的是，在提供多个算法生成单元ALG的情况下，数据标识单元DR2可以具有不同的算法生成单元ALG以当它在预定时段内接收到包含不同标识信息DI的分组PK4时并行生成检测算法。
为了将由算法生成单元ALG生成的检测算法(检测参数)AL发送到通信网络NW，数据标识单元DR2生成并发送分组PK5。分组PK5包含两对的大小SZ和有效载荷PLD。分组类型TYP在其中存储“5”。第一对的大小SZ在其中存储“7”，并且第一对的有效载荷PLD在其中存储作为与所生成的检测算法AL对应的标识信息DI的“配方1”的字符代码。
第二对的大小SZ在其中存储“XX”，并且第二对的有效载荷PLD在其中存储生成的检测算法AL的检测参数(例如，神经网络的网络结构、权重或偏置值)。数据标识单元DR1接收分组PK5，将检测算法(检测参数)AL链接到标识信息DI，并将其登记在算法存储单元ADB中。在分组PK5中，例如，可以使用其中删除了第二对中的大小SZ和有效载荷PLD的分组作为图1所示的生成完成通知ED。
[第二实施例的主要效果]
通过使用根据第二实施例的异常检测系统，可以获得与第一实施例相同的效果。此外，在第二实施例中，通过分离异常检测执行装置DEVE和算法生成装置DEVG以实现图1所示的异常检测系统，可以获得适合于实际实践的配置。例如，可以将具有高计算能力的PC用作假设深度学习等的算法生成装置DEVG，并且可以使用具有小尺寸和低功耗的微型计算机作为异常检测执行装置DEVE。
因此，通过将与异常检测相关联地持续进行操作的低功耗异常检测执行装置DEVE和仅在未知的检测目标出现时操作的算法生成装置DEVG组合，能够降低整个系统的功耗。此外，可以减少在未知检测目标出现时计算检测参数所需的时间。此外，通过使用小型微型计算机而不是像PC那样的大型计算机来构成异常检测执行装置DEVE，能够增加在有限的安装空间内安装异常检测执行装置DEVE的可能性。应该注意的是，通信格式不限于如图7和图8所示的格式，而是也可以使用SECS实现类似的功能。
第三实施例
[半导体器件制造系统的配置]
图10是示出根据本发明第三实施例的半导体器件制造系统的主要部分的示例性配置的示意图。图10所示的制造系统包括多个异常检测执行装置DEVEa、DEVEb、多个制造装置(检测目标装置)MEa、MEb、算法生成装置DEVG、MES(制造执行系统)、SCADA(监督控制和数据采集)以及将它们耦合的通信网络NW。
每个异常检测执行装置DEVEa、DEVEb包括与图6所示的异常检测执行装置DEVE相同的配置并且执行相同的操作。算法生成装置DEVG还包括与图6所示的异常检测执行装置DEVG相同的配置并且执行相同的操作。然而，应该注意，算法生成装置DEVG包括多个(在本实施例中为两个)算法生成单元ALG[1]、ALG[2]，如参考第二实施例所描述的。
SCADA是用于整个制造系统的监测装置。MES是用于生产过程的管理装置，其在输入半导体器件(半导体晶片)到制造装置MEa、MEb时将包括指示制造装置MEa、MEb的制造条件的配方ID的标识信息DI发送到通信网络NW。制造装置MEa、MEb中的每一个在基于来自MES的配方ID的制造条件下处理半导体晶片，并且输出指示处理状态的监测器信号MS。这里的制造装置MEa、MEb分别将监测器信号MS输出到异常检测执行装置DEVEa、DEVEb。制造装置MEa、MEb的例子包括例如执行与膜形成工艺相关联的工艺处理的等离子体CVD(化学气相沉积)装置、执行与图案化工艺相关联的工艺处理的曝光装置以及执行与刻蚀工艺相关联的工艺处理的等离子体刻蚀装置。
[半导体器件制造方法]
图11A是示意性地示出使用图10所示的制造系统的半导体器件制造方法的例子的时序图，并且图11B是图11A之后的时序图。在图11A的步骤S401，MES向通信网络NW发送分组PK31。分组PK31通知制造装置MEa和异常检测执行装置DEVEa“配方1”的标识信息DI。这里，尽管标识信息DI实际上包含多个条件参数，但为了便于说明，与第二实施方式相同，在此将其假设为配方ID。在本例的异常检测执行装置DEVEa中，对应于“配方1”的检测算法AL已经存储在算法存储单元ADB中。在这种情况下，分组PK31表示使用批量生产的半导体晶片的开始顺序。
制造装置MEa使用“配方1”处理顺序输入的批量生产的半导体晶片，并在处理期间输出监测器信号MS。每当处理每个顺序输入的半导体晶片时，异常检测执行装置DEVEa从监测器信号MS顺序提取检测目标信号TS1、TS2。异常检测执行装置DEVEa基于与“配方1”对应的检测算法AL，确定检测目标信号TS1、TS2中的异常的存在，由此检测制造装置MEa的异常。结果，异常检测执行装置DEVEa在确定检测目标信号TS1是正常时发送表示检测结果“OK”的分组PK21到SCADA，并在确定检测目标信号TS2是异常时发送表示检测结果“NG”的分组PK22到SCADA。
在步骤S402，MES然后将分组PK32发送到通信网络NW。分组PK32通知制造装置MEa和异常检测执行装置DEVEa“配方2”的标识信息DI。在本例的异常检测执行装置DEVEa中，与“配方2”对应的检测算法AL未被存储在算法存储单元ADB中。在这种情况下，分组PK32表示使用原型半导体晶片的开始顺序。
异常检测执行装置DEVEa接收“配方2”的标识信息DI，并将表示与“配方2”对应的检测算法AL的生成请求GR的分组PK41发送给算法生成装置DEVG。因此，算法生成装置DEVG开始生成与“配方2”相对应的检测算法AL，并等待生成所需的检测目标信号。
制造装置MEa使用“配方2”处理输入原型半导体晶片，并在处理期间输出监测器信号MS。异常检测执行装置DEVEa从监测器信号MS中提取检测目标信号TS3。异常检测执行装置DEVEa不检测检测目标信号TS3中的异常，而是将包含检测目标信号TS3的分组PK11发送到算法生成装置DEVG。算法生成装置DEVG生成反映检测目标信号TS3的检测算法AL。这里假设检测算法AL已经单独使用检测目标信号TS3生成。
当对应于“配方2”的检测算法AL生成时，算法生成装置DEVG例如发送分组PK51到MES。如参考图9所述，分组PK51使用分组PK5作为生成完成通知ED。MES通过接收分组PK51来识别出现在可输入与“配方2”对应的批量生产的半导体晶片。此外，算法生成装置DEVG发送包含“配方2”的分组PK52和检测算法(检测参数)到异常检测执行装置DEVEa。异常检测执行装置DEVEa根据分组PK52将与“配方2”相对应的检测算法AL存储在算法存储单元ADB中。
在图11B的步骤S403，MES向通信网络NW发送分组PK33。分组PK33向制造装置MEa和异常检测执行装置DEVEa通知“配方3”的标识信息DI。在本例的异常检测执行装置DEVEa中，与步骤S402的情况相同，与“配方3”对应的检测算法AL未被存储在算法存储单元ADB中。在这种情况下，如在步骤S402中那样，分组PK33表示使用原型半导体晶片的开始顺序。
异常检测执行装置DEVEa将表示与“配方3”对应的检测算法AL的生成请求GR的分组PK42发送给算法生成装置DEVG。算法生成装置DEVG根据分组PK42开始生成与“配方3”对应的检测算法AL，并且等待生成所需的检测目标信号。此时，如果算法生成装置DEVG中的算法生成单元ALG[1]正在生成与上述步骤S402相关联的检测算法AL，则算法生成单元ALG[2]开始生成与“配方3”对应的检测算法AL[2]。
制造装置MEa使用“配方3”处理输入的原型半导体晶片，并且异常检测执行装置DEVEa从与处理相关联的监测器信号MS中提取检测目标信号TS4。异常检测执行装置DEVEa不检测检测目标信号TS4中的异常，而是将包含检测目标信号TS4的分组PK12发送到算法生成装置DEVG。算法生成装置DEVG生成反映检测目标信号TS4的检测算法AL。在该示例中，检测算法AL的生成未完成，并且算法生成装置DEVG继续等待与“配方3”相关联的检测目标信号。
在步骤S404，MES向通信网络NW发送分组PK34。分组PK34通知制造装置MEa和异常检测执行装置DEVEa“配方2”的标识信息DI。在异常检测执行装置DEVEa中，与上述步骤S402相关联地将与“配方2”对应的检测算法AL存储在算法存储单元ADB中。因此，分组PK34表示使用批量生产的半导体晶片的开始顺序。
制造装置MEa使用“配方2”处理输入的批量生产的半导体晶片，并且异常检测执行装置DEVEa从与处理相关联的监测器信号MS中提取检测目标信号TS5。异常检测执行装置DEVEa基于与“配方2”对应的检测算法AL，通过确定检测目标信号TS5中的异常的存在来检测制造装置MEa的异常。结果，异常检测执行装置DEVEa在确定检测目标信号TS5正常的情况下，将表示“OK”的检测结果的分组PK23发送给SCADA。
随后在步骤S405，执行与步骤S401中相同的处理。换句话说，与分组PK31的情况一样，分组PK35对“配方1”执行相同的处理，并且发送类似于上述分组PK21的分组PK24作为检测结果。另外，虽然未图示，但在后续发送与步骤S403的分组PK33相似的分组时，算法生成装置DEVG基于后续的检测目标信号，恢复生成与“配方3”对应的检测算法AL。
[第三实施例的主要效果]
使用根据第三实施例的异常检测系统可以获得与第一实施例和第二实施例中描述的效果相同的效果。特别是如图11A和图11B所示，例如，在步骤S401和步骤S405之间(即，批量生产线的批量处理之间)，可以如步骤S402和S403中那样生成检测算法AL，而不需要将制造装置MEa与批量生产线隔离。而且，如步骤S402、S404所示，在其生成完成时可以使用检测算法AL快速开始批量生产。这使得可以提高制造效率。
另外，如图10所示，通过一对一地设置制造装置MEa、MEb和异常检测执行装置DEVEa、DEVEb，可以迅速地检测异常。换句话说，如图12中所示，通过不将来自制造装置MEA、MEB中的监测器信号MS聚集到耦合到通信网络NW的异常检测服务器，而是在制造装置MEA、MEb中的每一个上分别进行异常检测，可以分散处理负荷和通信负荷(即资源)，并且因此使得可以迅速地检测异常。应该注意，异常检测执行装置DEVEa、DEVEb如上所述例如通过例如小型布线板来配置，其可以被并入在制造装置MEa、MEb中或者作为制造装置Mea、MEb的外部组件被安装。
尽管以上参照实施例具体描述了由发明人完成的本发明，但本发明不限于这些实施例，而可以在不脱离本发明范围的情况下做出各种修改。例如，为了更好地理解而详细描述本发明实施例，但本发明不限于包括上述所有配置。可以用一个实施例的配置来替换另一实施例的配置的一部分，或将一个实施例的配置添加到另一实施例的配置。也可以添加、删除或替换每个实施例的配置的一部分。
Claims (18)
1.一种异常检测系统，被输入检测目标的标识信息和从所述检测目标的监测器信号获得的检测目标信号，并检测所述检测目标信号的异常，所述异常检测系统包括：
算法存储单元，其中存储与所述标识信息对应的检测算法；
异常检测单元，其使用存储在所述算法存储单元中的与所述标识信息对应的所述检测算法来检测所述检测目标信号中的所述异常；
检测目标标识单元，其确定与所述标识信息对应的所述检测算法是否存储在所述算法存储单元中，并且当所述检测算法未被存储在所述算法存储单元中时发出生成请求；以及
算法生成单元，其根据所述生成请求使用所述检测目标信号来生成与所述标识信息对应的所述检测算法。
2.根据权利要求1所述的异常检测系统，
其中，所述算法生成单元在所述检测算法的生成完成时发出生成完成通知。
3.根据权利要求1所述的异常检测系统，
其中，当所述检测算法的生成完成时，所述算法生成单元将生成的所述检测算法存储在所述算法存储单元中。
4.根据权利要求1所述的异常检测系统，
其中，当与所述标识信息对应的所述检测算法存储在所述算法存储单元中时，所述检测目标标识单元将标识与所述标识信息对应的所述检测算法的选择信息发送到所述异常检测单元，并且当所述检测算法未被存储在所述算法存储单元中时将不支持通知发送到所述异常检测单元，以及
其中，所述异常检测单元在接收到所述不支持通知时不检测所述检测目标信号中的所述异常。
5.根据权利要求1所述的异常检测系统，
其中，所述异常检测单元和所述检测目标标识单元被安装在微型计算机上。
6.根据权利要求1所述的异常检测系统，
其中，所述检测算法是基于AI(人工智能)的算法。
7.根据权利要求6所述的异常检测系统，
其中，所述算法存储单元、所述异常检测单元和所述检测目标标识单元被安装在包括微型计算机的第一装置上，
其中，所述算法生成单元被安装在与所述第一装置不同的第二装置上，以及
其中，所述第一装置和所述第二装置经由通信网络耦合。
8.一种半导体器件制造系统，包括经由通信网络耦合的制造装置、异常检测装置和管理装置，
其中，所述管理装置将包含表示所述制造装置的制造条件的配方ID的标识信息发送到所述通信网络，
其中，所述制造装置基于来自所述管理装置的所述配方ID在所述制造条件下处理半导体器件，并输出表示所述处理的状态的监测器信号，以及
其中，所述异常检测装置包括：
目标信号选择单元，其从所述监测器信号中指定要检测的检测目标信号；
算法存储单元，其中存储与所述标识信息对应的检测算法；
异常检测单元，其使用存储在所述算法存储单元中的与所述标识信息对应的所述检测算法来检测所述检测目标信号中的异常；
检测目标标识单元，其确定与所述标识信息对应的所述检测算法是否存储在所述算法存储单元中，并且当所述检测算法未被存储在所述算法存储单元中时发出生成请求；以及
算法生成单元，其根据所述生成请求使用所述检测目标信号来生成与所述标识信息对应的所述检测算法，并将生成的所述检测算法存储在所述算法存储单元中。
9.根据权利要求8所述的半导体器件制造系统，
其中，所述算法生成单元在所述检测算法的生成完成时发出生成完成通知。
10.根据权利要求8所述的半导体器件制造系统，
其中，当所述检测算法的生成完成时，所述算法生成单元将生成的所述检测算法存储在所述算法存储单元中。
11.根据权利要求8所述的半导体器件制造系统，
其中，当所述检测算法存储在所述算法存储单元中时，所述检测目标标识单元将标识与所述标识信息对应的所述检测算法的选择信息发送到所述异常检测单元，并且当所述检测算法未被存储在所述算法存储单元中时将不支持通知发送到所述异常检测单元，以及
其中，所述异常检测单元在接收到所述不支持通知时不检测所述检测目标信号中的所述异常。
12.根据权利要求8所述的半导体器件制造系统，
其中，所述检测算法是基于AI(人工智能)的算法。
13.根据权利要求12所述的半导体器件制造系统，
其中，所述算法存储单元、所述异常检测单元和所述检测目标标识单元被安装在包括所述微型计算机的第一装置上，以及
其中，所述算法生成单元被安装在第二装置上，所述第二装置经由所述通信网络耦合到所述第一装置。
14.根据权利要求13所述的半导体器件制造系统，
其中，所述半导体器件制造系统包括多个制造装置，以及
其中，所述第一装置被提供给所述多个制造装置中的每一个制造装置。
15.一种半导体器件制造方法，其使用经由通信网络耦合的制造装置、异常检测装置和管理装置，
其中，所述管理装置将包含表示所述制造装置的制造条件的配方ID的标识信息发送到所述通信网络，
其中，所述制造装置基于来自所述管理装置的所述配方ID在所述制造条件下处理半导体器件，并输出表示所述处理的状态的监测器信号，
其中，所述异常检测装置包括：
目标信号选择单元，其从所述监测器信号中指定要检测的检测目标信号；
算法存储单元，其中存储与所述标识信息对应的检测算法；
异常检测单元，其使用存储在所述算法存储单元中的与所述标识信息对应的所述检测算法来检测所述检测目标信号中的异常；
检测目标标识单元，其确定与所述标识信息对应的所述检测算法是否存储在所述算法存储单元中，并且当所述检测算法未被存储在所述算法存储单元中时发出生成请求；以及
算法生成单元，其根据所述生成请求使用所述检测目标信号来生成与所述标识信息对应的所述检测算法，当所述检测算法的生成完成时发出生成完成通知，并且将生成的所述检测算法存储在所述算法存储单元中，以及
其中，所述制造方法包括：
第一步骤，所述制造装置使用第一配方ID处理批量生产的所述半导体器件；
第二步骤，所述异常检测装置检测与所述第一步骤相关的批量生产的所述半导体器件；
第三步骤，所述制造装置使用第二配方ID处理批量生产的所述半导体器件；
第四步骤，所述异常检测装置响应于包含所述第二配方ID的所述标识信息发出所述生成请求，并且根据所述生成请求生成与所述标识信息对应的所述检测算法；
第五步骤，所述异常检测装置发出与所述第四步骤相关的所述生成完成通知，然后所述制造装置使用所述第二配方ID处理批量生产的所述半导体器件，以及
第六步骤，所述异常检测装置检测与所述第五步骤相关的所述制造装置的异常。
16.根据权利要求15所述的半导体器件制造方法，
其中，当所述检测算法存储在所述算法存储单元中时，所述检测目标标识单元将标识与所述标识信息对应的所述检测算法的选择信息发送到所述异常检测单元，并且当所述检测算法未被存储在所述算法存储单元中时将不支持通知发送到所述异常检测单元，以及
其中，所述异常检测单元在接收到所述不支持通知时不检测所述检测目标信号中的所述异常。
17.根据权利要求15所述的半导体器件制造方法，在所述第四步骤和所述第五步骤之间还包括：
第七步骤，所述制造装置使用与所述第二配方ID不同的配方ID处理批量生产的所述半导体器件。
18.根据权利要求15所述的半导体器件制造方法，
其中所述检测算法是基于AI(人工智能)的算法。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2017075650A JP6795444B2 (ja) | 2017-04-06 | 2017-04-06 | 異常検知システム、半導体装置の製造システムおよび製造方法 |
| JP2017-075650 | 2017-04-06 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108695199A true CN108695199A (zh) | 2018-10-23 |
| CN108695199B CN108695199B (zh) | 2023-11-07 |
Family
ID=63711602
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810241513.XA Active CN108695199B (zh) | 2017-04-06 | 2018-03-22 | 异常检测系统、半导体器件制造系统和方法 |
Country Status (3)
| Country | Link |
|---|---|
| US (2) | US10409260B2 (zh) |
| JP (1) | JP6795444B2 (zh) |
| CN (1) | CN108695199B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111578983A (zh) * | 2019-02-15 | 2020-08-25 | 瑞萨电子株式会社 | 异常检测装置、异常检测系统以及异常检测方法 |
| CN112230113A (zh) * | 2019-06-28 | 2021-01-15 | 瑞萨电子株式会社 | 异常检测系统和异常检测程序 |
| CN113780753A (zh) * | 2021-08-20 | 2021-12-10 | 深圳市广和通无线股份有限公司 | 数据处理方法、装置、计算机设备以及存储介质 |
| CN114548885A (zh) * | 2022-04-27 | 2022-05-27 | 广州粤芯半导体技术有限公司 | 晶圆制造的配方数据收集方法和装置 |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3553740A1 (en) * | 2018-04-13 | 2019-10-16 | Koninklijke Philips N.V. | Automatic slice selection in medical imaging |
| JP7204584B2 (ja) | 2019-06-14 | 2023-01-16 | ルネサスエレクトロニクス株式会社 | 異常検知システム、異常検知装置および異常検知方法 |
| CN112188534B (zh) | 2019-07-05 | 2023-11-03 | 中兴通讯股份有限公司 | 一种异常检测方法和装置 |
| JP6932160B2 (ja) * | 2019-07-22 | 2021-09-08 | 株式会社安川電機 | 機械学習方法及び産業用機器のパラメータ又は産業用機器により制御される機器の内部状態の推定方法 |
| US11556117B2 (en) * | 2019-10-21 | 2023-01-17 | Applied Materials, Inc. | Real-time anomaly detection and classification during semiconductor processing |
| JP6979094B2 (ja) * | 2020-02-19 | 2021-12-08 | Ｓｐｐテクノロジーズ株式会社 | コンピュータプログラム、半導体製造装置、基板昇降装置及び半導体製造方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006278547A (ja) * | 2005-03-28 | 2006-10-12 | Toshiba Corp | 異常検知システム、異常検知方法、異常検知プログラム及び半導体装置の製造方法 |
| US20080004823A1 (en) * | 2006-06-20 | 2008-01-03 | Hiroshi Matsushita | Defect detection system, defect detection method, and defect detection program |
| JP2010199476A (ja) * | 2009-02-27 | 2010-09-09 | Hitachi Kokusai Electric Inc | 基板処理システム |
| US20100312522A1 (en) * | 2009-06-04 | 2010-12-09 | Honeywell International Inc. | Method and system for identifying systemic failures and root causes of incidents |
| CN106408792A (zh) * | 2016-09-22 | 2017-02-15 | 深圳怡化电脑股份有限公司 | 一种数据处理的方法及装置 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4008899B2 (ja) * | 2003-09-08 | 2007-11-14 | 株式会社東芝 | 半導体装置の製造システムおよび半導体装置の製造方法 |
| US7403865B2 (en) * | 2004-12-28 | 2008-07-22 | Asml Netherlands B.V. | System and method for fault indication on a substrate in maskless applications |
| US8000922B2 (en) * | 2008-05-29 | 2011-08-16 | Kla-Tencor Corp. | Methods and systems for generating information to be used for selecting values for one or more parameters of a detection algorithm |
| WO2010082322A1 (ja) * | 2009-01-14 | 2010-07-22 | 株式会社日立製作所 | 装置異常監視方法及びシステム |
| JP6116466B2 (ja) * | 2013-11-28 | 2017-04-19 | 株式会社日立製作所 | プラントの診断装置及び診断方法 |
| KR102238648B1 (ko) * | 2014-06-03 | 2021-04-09 | 삼성전자주식회사 | 반도체 공정 관리 시스템, 이를 포함하는 반도체 제조 시스템 및 반도체 제조 방법 |
| MY187669A (en) * | 2014-08-27 | 2021-10-08 | Toshiba Kk | Monitor control system and data collection apparatus |
-
2017
- 2017-04-06 JP JP2017075650A patent/JP6795444B2/ja active Active
-
2018
- 2018-02-13 US US15/895,419 patent/US10409260B2/en active Active
- 2018-03-22 CN CN201810241513.XA patent/CN108695199B/zh active Active
-
2019
- 2019-07-25 US US16/522,354 patent/US20190346820A1/en not_active Abandoned
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006278547A (ja) * | 2005-03-28 | 2006-10-12 | Toshiba Corp | 異常検知システム、異常検知方法、異常検知プログラム及び半導体装置の製造方法 |
| US20080004823A1 (en) * | 2006-06-20 | 2008-01-03 | Hiroshi Matsushita | Defect detection system, defect detection method, and defect detection program |
| JP2010199476A (ja) * | 2009-02-27 | 2010-09-09 | Hitachi Kokusai Electric Inc | 基板処理システム |
| US20100312522A1 (en) * | 2009-06-04 | 2010-12-09 | Honeywell International Inc. | Method and system for identifying systemic failures and root causes of incidents |
| CN106408792A (zh) * | 2016-09-22 | 2017-02-15 | 深圳怡化电脑股份有限公司 | 一种数据处理的方法及装置 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111578983A (zh) * | 2019-02-15 | 2020-08-25 | 瑞萨电子株式会社 | 异常检测装置、异常检测系统以及异常检测方法 |
| CN112230113A (zh) * | 2019-06-28 | 2021-01-15 | 瑞萨电子株式会社 | 异常检测系统和异常检测程序 |
| CN113780753A (zh) * | 2021-08-20 | 2021-12-10 | 深圳市广和通无线股份有限公司 | 数据处理方法、装置、计算机设备以及存储介质 |
| CN114548885A (zh) * | 2022-04-27 | 2022-05-27 | 广州粤芯半导体技术有限公司 | 晶圆制造的配方数据收集方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP6795444B2 (ja) | 2020-12-02 |
| JP2018180705A (ja) | 2018-11-15 |
| US20180292806A1 (en) | 2018-10-11 |
| US10409260B2 (en) | 2019-09-10 |
| CN108695199B (zh) | 2023-11-07 |
| US20190346820A1 (en) | 2019-11-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108695199A (zh) | 异常检测系统、半导体器件制造系统和方法 | |
| CN101213552B (zh) | 带有统计可重复的响应时间的多功能半导体制造控制器 | |
| CN107436595B (zh) | 机械学习装置、故障预测装置、机械系统及机械学习方法 | |
| CN114253224B (zh) | 将容器编排系统与操作技术设备集成 | |
| CN114253569A (zh) | 使用容器编排系统来更新操作技术设备 | |
| US7363195B2 (en) | Methods of configuring a sensor network | |
| CN114296405A (zh) | 使用容器编排系统和操作技术设备实现无服务器功能 | |
| JP2019036313A (ja) | 高パフォーマンス制御サーバシステム | |
| CN111612142B (zh) | 一种基于bp神经网络的大功率led寿命预测方法 | |
| JP2017211713A (ja) | 生産システム | |
| US8504186B2 (en) | Method for automatic generation of throughput models for semiconductor tools | |
| KR20040094831A (ko) | 프로세스 도구 데이터 마이닝을 이용한 엔드-오브-라인데이터 마이닝의 상관 | |
| JP2023106444A (ja) | 情報処理システム、情報処理方法及び情報処理装置 | |
| Hung et al. | Development of an AVM system implementation framework | |
| CN110446990B (zh) | 启用互联网协议(ip)的智能换能器 | |
| CN114019946B (zh) | 工控终端的监控数据处理方法及装置 | |
| US11874320B2 (en) | Digital twins (DT) for circuit board reliability prediction | |
| CN115510635A (zh) | 空间环境监测方法、装置、设备和计算机可读存储介质 | |
| WO2018224649A1 (en) | Method and distributed control system for carrying out an automated industrial process | |
| Ferrari et al. | Improving classification capability of industrial-grade ATE by means of cloud architecture | |
| KR20210081438A (ko) | 무선 전자 제어 시스템 | |
| EP2921918A1 (en) | Smart field device for use in automation and control systems | |
| WO2022209047A1 (ja) | 情報管理方法および情報管理システム | |
| CN110388970B (zh) | 在灵活公共网关硬件上集成有线和无线储罐计量系统的方法 | |
| TW202247005A (zh) | 可開發之巨量資料分析平台及其運作方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |