CN114723213A - 空气传播污染物管理的方法 - Google Patents
空气传播污染物管理的方法 Download PDFInfo
- Publication number
- CN114723213A CN114723213A CN202210042413.0A CN202210042413A CN114723213A CN 114723213 A CN114723213 A CN 114723213A CN 202210042413 A CN202210042413 A CN 202210042413A CN 114723213 A CN114723213 A CN 114723213A
- Authority
- CN
- China
- Prior art keywords
- tool
- threshold
- fabrication tool
- contaminant
- fabrication
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 139
- 239000003344 environmental pollutant Substances 0.000 title claims description 13
- 231100000719 pollutant Toxicity 0.000 title claims description 13
- 238000004519 manufacturing process Methods 0.000 claims abstract description 258
- 239000000356 contaminant Substances 0.000 claims abstract description 136
- 230000008569 process Effects 0.000 claims abstract description 104
- 238000005070 sampling Methods 0.000 claims abstract description 97
- 238000004140 cleaning Methods 0.000 claims abstract description 60
- 238000009792 diffusion process Methods 0.000 claims abstract description 28
- 235000012431 wafers Nutrition 0.000 claims description 64
- 238000012545 processing Methods 0.000 claims description 36
- KFZMGEQAYNKOFK-UHFFFAOYSA-N Isopropanol Chemical compound CC(C)O KFZMGEQAYNKOFK-UHFFFAOYSA-N 0.000 claims description 17
- 238000001914 filtration Methods 0.000 claims description 14
- 238000007726 management method Methods 0.000 claims description 12
- CSCPPACGZOOCGX-UHFFFAOYSA-N Acetone Chemical compound CC(C)=O CSCPPACGZOOCGX-UHFFFAOYSA-N 0.000 claims description 10
- 239000012855 volatile organic compound Substances 0.000 claims description 3
- 239000002775 capsule Substances 0.000 claims description 2
- 230000001537 neural effect Effects 0.000 description 33
- 238000004891 communication Methods 0.000 description 28
- 230000009471 action Effects 0.000 description 27
- 238000011109 contamination Methods 0.000 description 23
- 238000009826 distribution Methods 0.000 description 22
- 238000005259 measurement Methods 0.000 description 22
- 238000012549 training Methods 0.000 description 19
- 239000004065 semiconductor Substances 0.000 description 18
- 238000004458 analytical method Methods 0.000 description 17
- 210000004027 cell Anatomy 0.000 description 17
- 230000007613 environmental effect Effects 0.000 description 17
- 239000011159 matrix material Substances 0.000 description 16
- 238000010801 machine learning Methods 0.000 description 15
- 230000015654 memory Effects 0.000 description 14
- 239000002253 acid Substances 0.000 description 12
- 239000000463 material Substances 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 239000012530 fluid Substances 0.000 description 11
- 238000007620 mathematical function Methods 0.000 description 11
- 239000000126 substance Substances 0.000 description 11
- 239000002904 solvent Substances 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 230000004044 response Effects 0.000 description 9
- 238000013473 artificial intelligence Methods 0.000 description 8
- 238000001514 detection method Methods 0.000 description 8
- 238000012546 transfer Methods 0.000 description 8
- 230000000007 visual effect Effects 0.000 description 7
- 230000004913 activation Effects 0.000 description 6
- 238000005530 etching Methods 0.000 description 6
- 230000008439 repair process Effects 0.000 description 6
- 238000012795 verification Methods 0.000 description 6
- 150000007513 acids Chemical class 0.000 description 5
- 238000005229 chemical vapour deposition Methods 0.000 description 5
- 150000001875 compounds Chemical class 0.000 description 5
- 238000000151 deposition Methods 0.000 description 5
- 230000008021 deposition Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 238000007747 plating Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 230000032258 transport Effects 0.000 description 5
- 239000013598 vector Substances 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000000231 atomic layer deposition Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 239000002245 particle Substances 0.000 description 4
- 230000003213 activating effect Effects 0.000 description 3
- 238000000137 annealing Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 239000006227 byproduct Substances 0.000 description 3
- 239000002994 raw material Substances 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000003749 cleanliness Effects 0.000 description 2
- 229910052802 copper Inorganic materials 0.000 description 2
- 239000010949 copper Substances 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000004518 low pressure chemical vapour deposition Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 229920002120 photoresistant polymer Polymers 0.000 description 2
- 238000005240 physical vapour deposition Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 239000003507 refrigerant Substances 0.000 description 2
- 230000001988 toxicity Effects 0.000 description 2
- 231100000419 toxicity Toxicity 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- ZAMOUSCENKQFHK-UHFFFAOYSA-N Chlorine atom Chemical compound [Cl] ZAMOUSCENKQFHK-UHFFFAOYSA-N 0.000 description 1
- PXGOKWXKJXAPGV-UHFFFAOYSA-N Fluorine Chemical compound FF PXGOKWXKJXAPGV-UHFFFAOYSA-N 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000003466 anti-cipated effect Effects 0.000 description 1
- 230000009227 antibody-mediated cytotoxicity Effects 0.000 description 1
- 239000002585 base Substances 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 150000001793 charged compounds Chemical class 0.000 description 1
- 239000013626 chemical specie Substances 0.000 description 1
- 229910052801 chlorine Inorganic materials 0.000 description 1
- 239000000460 chlorine Substances 0.000 description 1
- KYKAJFCTULSVSH-UHFFFAOYSA-N chloro(fluoro)methane Chemical compound F[C]Cl KYKAJFCTULSVSH-UHFFFAOYSA-N 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000009849 deactivation Effects 0.000 description 1
- 230000006837 decompression Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000005137 deposition process Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 229910052731 fluorine Inorganic materials 0.000 description 1
- 239000011737 fluorine Substances 0.000 description 1
- 238000004817 gas chromatography Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000012447 hatching Effects 0.000 description 1
- 231100001261 hazardous Toxicity 0.000 description 1
- 239000007943 implant Substances 0.000 description 1
- 238000001459 lithography Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000000116 mitigating effect Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000001020 plasma etching Methods 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000006722 reduction reaction Methods 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- TXEYQDLBPFQVAA-UHFFFAOYSA-N tetrafluoromethane Chemical compound FC(F)(F)F TXEYQDLBPFQVAA-UHFFFAOYSA-N 0.000 description 1
- 231100000331 toxic Toxicity 0.000 description 1
- 230000002588 toxic effect Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B08—CLEANING
- B08B—CLEANING IN GENERAL; PREVENTION OF FOULING IN GENERAL
- B08B15/00—Preventing escape of dirt or fumes from the area where they are produced; Collecting or removing dirt or fumes from that area
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- 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
- H01L21/67011—Apparatus for manufacture or treatment
- H01L21/67017—Apparatus for fluid treatment
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D46/00—Filters or filtering processes specially modified for separating dispersed particles from gases or vapours
- B01D46/42—Auxiliary equipment or operation thereof
- B01D46/44—Auxiliary equipment or operation thereof controlling filtration
- B01D46/442—Auxiliary equipment or operation thereof controlling filtration by measuring the concentration of particles
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B08—CLEANING
- B08B—CLEANING IN GENERAL; PREVENTION OF FOULING IN GENERAL
- B08B5/00—Cleaning by methods involving the use of air flow or gas flow
- B08B5/04—Cleaning by suction, with or without auxiliary action
-
- 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
- G05B15/00—Systems controlled by a computer
- G05B15/02—Systems controlled by a computer electric
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/252—Integrating or interfacing systems involving database management systems between a Database Management System and a front-end application
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0633—Workflow analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
- H01J49/00—Particle spectrometers or separator tubes
- H01J49/0027—Methods for using particle spectrometers
- H01J49/0036—Step by step routines describing the handling of the data generated during a measurement
-
- 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
- H01L21/677—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 for conveying, e.g. between different workstations
- H01L21/67703—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 for conveying, e.g. between different workstations between different workstations
- H01L21/67727—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 for conveying, e.g. between different workstations between different workstations using a general scheme of a conveying path within a factory
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D2279/00—Filters adapted for separating dispersed particles from gases or vapours specially modified for specific uses
- B01D2279/35—Filters adapted for separating dispersed particles from gases or vapours specially modified for specific uses for venting arrangements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
- H01J49/00—Particle spectrometers or separator tubes
- H01J49/26—Mass spectrometers or separator tubes
- H01J49/34—Dynamic spectrometers
- H01J49/40—Time-of-flight spectrometers
-
- 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
- H01L21/677—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 for conveying, e.g. between different workstations
- H01L21/67703—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 for conveying, e.g. between different workstations between different workstations
-
- 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
- H01L21/677—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 for conveying, e.g. between different workstations
- H01L21/67703—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 for conveying, e.g. between different workstations between different workstations
- H01L21/67724—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 for conveying, e.g. between different workstations between different workstations by means of a cart or a vehicule
-
- 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
- H01L21/677—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 for conveying, e.g. between different workstations
- H01L21/67739—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 for conveying, e.g. between different workstations into and out of processing chamber
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Databases & Information Systems (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Chemical & Material Sciences (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Power Engineering (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Computer Hardware Design (AREA)
- Manufacturing & Machinery (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Analytical Chemistry (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Automation & Control Theory (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Sampling And Sample Adjustment (AREA)
Abstract
一种空气传播污染物管理的方法包括:通过对清洁室的环境进行采样来产生污染物分布图;通过将污染物分布图与第一数据库中的至少一个扩散图像进行比较来选择清洁室的第一制作工具;将第一制作工具的参数与第二数据库中的工艺效用信息进行比较;以及当参数与工艺效用信息一致时,采取至少一项措施。所述一项措施可包括:将清洁工具移动到与污染物分布图的污染物浓度相关联的位置;接通清洁工具的风扇;停止向第一制作工具的舱式运送;以及终止通过第一制作工具进行的生成。
Description
技术领域
在本发明的实施例中阐述的技术大体来说涉及污染物管理,且更具体来说,涉及空气传播污染物管理的方法。
背景技术
半导体集成电路(integrated circuit,IC)行业已经历指数级增长。IC材料及设计的技术进步已催生出几代IC,其中每一代具有比前一代更小且更复杂的电路。在IC演进的过程中,在几何大小(即,可使用制作工艺形成的最小组件(或线))已减小的同时,功能密度(即,每芯片面积内连器件的数目)一般来说已增大。此种按比例缩小的工艺一般来说通过提高生产效率及降低相关联的成本来提供益处。此种按比例缩小也已增大处理及制造IC的复杂性。
其中制造IC的清洁室面临对于微粒及污染物(例如可能从制作工具或贴合到制作工具的附件泄漏的化学品)的越来越严格的容差。当制作更小及更复杂的电路时,具有相对低的微粒和/或污染物水平的清洁室可能与更高的良率相关联。
发明内容
本发明实施例提供一种空气传播污染物管理的方法,包括:通过对清洁室的环境进行采样来产生污染物分布图;通过将所述污染物分布图与第一数据库中的至少一个扩散图像进行比较来选择所述清洁室的第一制作工具;将所述第一制作工具的参数与第二数据库中的工艺效用信息进行比较;以及当所述参数与所述工艺效用信息一致时,采取以下措施中的至少一项措施:将清洁工具移动到与所述污染物分布图的污染物浓度相关联的位置;接通所述清洁工具的风扇;停止向所述第一制作工具的舱式运送;以及终止通过所述第一制作工具进行的生成。
本发明实施例提供一种空气传播污染物管理的方法,包括:通过利用采样系统对清洁室污染物进行采样来产生清洁室污染物数据;通过飞行时间质谱仪基于所述清洁室污染物数据产生第一图像;基于使用所述第一图像及至少一个其他清洁室扩散图像进行的预测来选择第一制作工具;以及通过由自动导引车辆控制器分派的自动导引车辆来降低所述第一制作工具附近的污染物浓度。
本发明实施例提供一种空气传播污染物管理的方法,包括:将晶片定位在制作工具中;检测污染物的高于第一阈值的峰值浓度水平;预计所述制作工具是所述污染物的来源;停止向所述制作工具输送另外的晶片;通过所述制作工具完成对所述晶片的处理;从所述制作工具移除所述晶片;通过修复所述制作工具来降低所述峰值浓度水平;以及当所述制作工具被修复且所述峰值浓度水平低于基线阈值时,恢复向所述制作工具输送所述另外的晶片,所述基线阈值低于所述第一阈值。
附图说明
结合附图阅读以下详细说明,会最好地理解本公开的各方面。应注意,根据本行业中的标准惯例,各种特征并非按比例绘制。事实上,为使论述清晰起见,可任意增大或减小各种特征的尺寸。
图1A到图1D是根据本公开实施例的污染物管理系统的视图。
图2A到图2H是根据本公开各个方面的污染物管理工艺的视图。
图3A到图3B是示出根据本公开各个方面的对晶片进行处理的方法的流程图。
图4A到图4B是示出根据本公开各个方面的污染物来源预计工艺的视图。
具体实施方式
以下公开内容提供用于实施所提供主题的不同特征的许多不同的实施例或实例。以下阐述组件及布置的具体实例以简化本公开。当然,这些仅为实例且不旨在进行限制。举例来说,在以下说明中将第一特征形成在第二特征之上或第二特征上可包括其中第一特征与第二特征被形成为直接接触的实施例,且还可包括其中第一特征与第二特征之间可形成有附加特征从而使得所述第一特征与所述第二特征可不直接接触的实施例。另外,本公开可在各种实例中重复使用参考编号和/或字母。此种重复使用是出于简洁及清晰的目的,而不是自身指示所论述的各种实施例和/或配置之间的关系。
此外,为易于说明,本文中可使用例如“位于…之下(beneath)”、“位于…下方(below)”“下部的(lower)”、“位于…上方(above)”、“上部的(upper)”等空间相对性用语来阐述如图中所示的一个元件或特征与另一(其他)元件或特征的关系。所述空间相对性用语旨在除图中所绘示的取向以外还囊括器件在使用或操作中的不同取向。装置可具有其他取向(旋转90度或处于其他取向),且本文中所使用的空间相对性描述语可同样相应地进行解释。
为了易于说明,本文中可使用例如“约”、“大致”、“实质上”等用语。此项技术中具有通常知识者将能够理解并推导出此些用语的含义。举例来说,“约”可指示20%、10%、5%及类似值的尺寸的变化,但适当时也可使用其他值。例如半导体鳍的最长尺寸等大的特征可具有小于5%的变化,而例如界面层的厚度等非常小的特征可具有高达50%的变化,且两种类型的变化均可通过用语“约”来表示。“实质上”一般来说比“约”严格,使得10%、5%或更小变化可能是适当的,而并不限于此。“实质上是平坦的”特征可能相对于直线具有处于10%或小于10%内的偏差。具有“实质上恒定的浓度”的材料可沿着一个或多个维度具有处于5%或小于5%内的浓度变化。同样,此项技术中具有通常知识者将能够基于行业知识、当前制作技术等来理解并推导出此些用语的适当含义。
半导体制作一般来说涉及通过实行材料层的多次沉积、刻蚀、退火和/或植入来形成电子电路,由此形成包括许多半导体器件及半导体器件之间的内连线的堆叠结构。尺寸按比例缩放(缩小)是一种用于在相同面积内装配更大数目的半导体器件的技术。然而,在先进技术节点中,尺寸按比例缩放越来越困难。随着尺寸的按比例缩小,清洁室污染物水平容差越来越严格,以确保足够的良率。
空气传播分子污染(airborne molecular contamination,AMC)在失控(out-of-control,OOC)及不符合规格(out-of-specification,OOS)事件中被过度表示。多种工具及方法可用于检测清洁室中的污染物水平的增加,但一般来说在许多方面中是不够的。气相色谱质谱仪(gas chromatography mass spectrometer,GC-MS)提供对大谱的污染物的在线全局监测,但一般来说是非常慢的,且可能每一处理区段处仅能够容置单个采样点。巡逻操作人员也可能携带或推动离线污染物采样器件,但这些器件可能仅检测污染物(例如酸、碱和/或氢氯氟烃(hydrochlorofluorocarbon,HCFC))的一小部分,且无法检测总挥发性有机化合物(total volatile organic compound,TVOC)。这样一来,对AMC的上升的检测及响应一般会以显著的延迟完成,此可增加OOC事件变成OOS事件的可能性,此可能导致在对引起AMC的上升的工具或工具附件进行识别、诊断及修复的同时停止生成。
在本公开的实施例中,采用飞行时间质谱仪(time-of-flight massspectrometer,TOF-MS),TOF-MS在定性和/或定量的基础上结合在几分钟内以十亿分(parts-per-billion,ppb)之几百份的精确度进行的制冷剂副产物(例如,氯氟烃、氢氟烃、全氟烃、或类似物)、异丙醇(isopropyl alcohol,IPA)、丙酮及一般TVOC检测来测量各种AMC参数,且可利用对化学物质的快速识别来反映突然泄漏事件。
可根据工具布局通过计算流体动力学(computational fluid dynamics,CFD)技术来计算污染物分布及峰值浓度水平位置,且将结果记录在数据库中。当清洁室中发生AMC泄漏时,由采样器阵列收集污染物且由TOF-MS对污染物进行分析,以产生AMC浓度分布图。可使用AMC浓度分布图与计算结果之间的比较来预计作为泄漏的来源的位置(或工具)。可进一步将预计的位置(或工具)与工具信息进行比较,以确保精确预计。工具信息可包括指示来自工具的酸和/或溶剂供应发送(supply send)的信号,可通过系统集成(systemintegration,SI)网络将所述信号存储在工厂侧监督控制及数据获取(supervisorycontrol and data acquisition,SCADA)中。工具信息可还包括来自故障检测系统的工具运行状态和/或来自电子蓝皮书(“electronic bluebook,e-Bluebook”)的工具实用信息。在综合比较及判断(例如通过人工智能(artificial intelligence,AI)/机器学习(machine learning,ML))之后,可识别及确认预计的AMC来源。如果预计的结果与包括刚才提及的工具信息的高级比较不一致,则可将下一个最可能的位置/工具作为泄漏的来源,且可重复相同的高级比较,直到找到匹配。
这样一来,可实现准实时检测及响应。可将所阐述的实施例部署在敏感的工艺区段(例如刻蚀、电化学镀覆(electrochemical plating,ECP)/晶种沉积、工作台(bench)、或类似区段)中,以用于局部监测。在一些实施例中,可将AMC实时信息集成到集中式系统(例如监督控制及数据获取(SCADA)系统)中,以自动产生等高线图及动画,且在AMC热区段中发出警报。
图1A是根据本公开各种实施例的具有AMC管理的系统100的示意图。系统100可被配置成对清洁室中的污染物水平进行监测,将自动清洁单元分派到污染物泄漏的来源,激活自动清洁单元以降低污染物水平,在工具是所述来源的情况下终止前开口式标准/通用舱(front opening unified/universal pod,FOUP)向工具的转移,且停止通过工具进行的生成。
系统100包括代工厂120、采样系统130、分析系统140及控制中心150,所述代工厂120、采样系统130、分析系统140及控制中心150在与制造IC器件相关的制造和/或服务中相互交互。系统100中的实体通过通信网络连接。在一些实施例中,通信网络是单个网络。在一些实施例中,通信网络是各种不同的网络(例如内联网及互联网)。通信网络包括有线通信信道和/或无线通信信道。在一些实施例中,通信网络包括短程资产跟踪硬件及软件,例如射频识别(radio-frequency identification,RFID)、蓝牙低能量(Bluetooth LowEnergy,BLE)、无线保真(wireless-fidelity,WiFi)、超宽带(ultra-wideband,UWB)或类似物。在一些实施例中,通信网络包括大范围资产跟踪硬件及软件,例如低功率广域网(low-power wide-area network,LPWAN)、长期演进(Long-Term Evolution,LTE)、第五代移动网络(5th generation mobile network,5G)、全球定位系统(Global Positioning System,GPS)或类似物。每一实体与其他实体中的一者或多者进行交互且向其他实体中的一者或多者提供服务和/或从其他实体中的所述一者或多者接收服务。在一些实施例中,代工厂120、采样系统130、分析系统140及控制中心150中的一者或多者由单个更大的公司拥有。在一些实施例中,代工厂120、采样系统130、分析系统140及控制中心150中的一者或多者共存于公共设施中且使用公共资源。
代工厂120包括晶片制作工具122(下文中被称为“制作工具122”),晶片制作工具122被配置成在半导体晶片上执行各种制造操作,从而制作IC器件。在各种实施例中,制作工具122包括晶片步进机(wafer stepper)、离子植入机、光致抗蚀剂涂布机、工艺腔室(例如化学气相沉积(chemical vapor deposition,CVD)腔室或低压CVD(low-pressure CVD,LPCVD)炉、化学机械平坦化(chemical-mechanical planarization,CMP)系统、等离子体刻蚀系统、晶片清洁系统或能够实行本文中所论述的一种或多种合适的制造工艺的其他制造设备)中的一者或多者。
制作工具122位于清洁室121中。清洁室121提供被设计成保持极低水平的微粒(例如灰尘、空气传播生物体或蒸发颗粒)的环境,所述环境可被量化为每立方米的颗粒的数目。随着IC特征大小的缩小,可接受的微粒的数目及大小相应减少。此外,清洁室121可对AMC(例如HCFC、酸、碱及其他化学物质)具有限制。因此,清洁室121可包括用于减轻微粒及污染物水平增加的许多设计特征,例如过滤单元、专用照明、温度及湿度控制、气锁、压力控制及类似物。
除上述之外,清洁室121还包括清洁工具123。清洁工具123被配置成移动到清洁室121中的位置,通过机载泵/风扇及过滤器局部地过滤空气以降低污染物水平,且在无人工干预的条件下返回电气充电站。在一些实施例中,清洁工具123是自动导引车辆(automatedguided vehicle,AGV)。参照图1D更详细地阐述清洁工具123。将参照图1B更详细地阐述清洁室121。
采样系统130在遍及清洁室121分布的大量位置处收集来自清洁室121的空气的样本。采样系统130可包括多通道采样系统(multi-channel sampling system)132,多通道采样系统132收集样本且与分析系统140的TOF-MS 142流体连通。在一些实施例中,多通道采样系统132包括多通道采样器、歧管管道采样器、旋转阀采样器或类似物。参照图1C更详细地阐述多通道采样系统132。
分析系统140在TOF-MS 142处从采样系统130接收空气的样本。TOF-MS 142可对样本中的化学品实行定性分析和/或定量分析。在一些实施例中,TOF-MS 142测量清洁室121的空气中的分子离子的质量及含量水平。举例来说,TOF-MS 142可以优于约0.05ppb(例如约0.02ppb)的精确度检测样本中的制冷剂副产物、IPA、丙酮和/或一般TVOC的浓度水平。对由TOF-MS 142进行的检测的处理可比约2分钟/样本快(例如约1分钟/样本),但也包括其他更慢或更快的检测处理时间,例如,由于检测各种化学浓度的相对简单性(更快)或复杂性(更慢)。
控制中心150从TOF-MS 142接收数据且将所述数据存储在数据库152中。AMC监督控制及数据获取(SCADA)151可从TOF-MS 142接收测量值(例如,浓度水平),且将测量值写入数据库152。在一些实施例中,AMC SCADA 151通过网络接收测量值,TOF-MS 142及AMCSCADA 151各自连接到所述网络。在一些实施例中,AMC SCADA 151是包括至少一台计算机的控制系统。AMC SCADA 151可例如通过系统集成网络存储与制作工具122中的每一者对应的酸和/或溶剂供应发送信息。在一些实施例中,AMC SCADA 151可进一步控制TOF-MS 142的操作,所述操作包括TOF-MS 142的激活/去激活(通电/断电)、由TOF-MS 142实行的测量的次序和/或类型以及TOF-MS 142的其他合适的操作参数。在一些实施例中,AMC SCADA151对从TOF-MS 142接收的测量值实行数据处理,所述数据处理可包括如上所述将测量值写入数据库152,且可还包括其他类型的数据处理(例如压缩/解压缩、降噪、平滑、滤波、峰值发现及类似处理)。在一些实施例中,AMC SCADA 151针对清洁室121或清洁室121的一个或多个区段实行视觉图形产生及显示。
数据库152可为本地的、基于云的或其任意组合。在一些实施例中,集成系统153(可为AMC SCADA 151的部分)可读取记录在数据库152中的测量值,且可基于测量值产生与清洁室121的布局相对应的等高线图(例如,全局图或区段图)。控制中心150的AGV控制器154可远程地控制清洁工具123(例如,通过网络设备155),以例如重新定位到污染物热点,激活车载风扇,将车载风扇去激活,以及返回充电站。在一些实施例中,网络设备155包括有线通信信道和/或无线通信信道中的至少一者,例如Wi-Fi、超宽带(UWB)、低功率广域网(LPWAN)、长期演进(LTE)、第五代移动网络(5G)、或类似物。参照图2A到图2D更深入地阐述与清洁工具123的控制相关的细节。
图1B是示出根据各种实施例的清洁室121的局部平面布置图的示意图。制作工具122包括分别布置在多个区段121A到121J中的各种制作工具122A到122J。在图1B中示出十个区段121A到121J,然而更少或更多的区段也可包括在清洁室121中。制作工具122可包括沉积(例如,CVD、物理气相沉积(physical vapor deposition,PVD)、原子层沉积(atomiclayer deposition,ALD))、镀覆(例如,无电镀铜)、光刻、刻蚀、清洁及平坦化(例如,CMP、研磨)工具、或者用于制造IC器件的其他合适工具中的任意者。每一区段121A到121J可包括一种或多种类型的工具(例如仅刻蚀工具、或者镀覆工具及平坦化工具)。过道1210(或走道)可在区段121A到121C与区段121D到121F之间延伸,且可邻接区段121H结束。一般来说,过道1210不具有制作工具122。区段中的某些区段(例如区段121G、121I、121J)可不邻接过道1210。清洁工具123(也可被称为自动导引车辆(AGV))遍及清洁室121位于各个区段121A到121J中。一些区段(例如区段121A)可具有多于一个的清洁工具123(例如两个清洁工具123)。某些其他区段(例如区段121I、121J)可不具有清洁工具123。一些区段(例如区段121G、121H)可共享清洁工具123。
图1C是示出根据各种实施例的区段121A的局部侧视图的示意图。制作工具122A及清洁工具123搁置在地板1200上,在一些实施例中,地板1200可为升高地板(raisedfloor)。与制作工具122A连通(例如,以流体、电、数据或其他方式连通)的工具附件1220可位于地板1200之下。在一些实施例中,工具附件1220是冷藏箱/冷冻箱,所述冷藏箱/冷冻箱可用于冷却制作工具122A的组件和/或制作工具122A所消耗的材料。
在一些实施例中,多通道采样系统132位于地板1200之下。采样歧管1310连接到多个采样端口1321、1322。采样端口1322可直接连接到工具附件1220的端口(例如,排气端口)。采样端口1321可连接到进气口1323。连接到进气口1323的每组一个采样端口1321可被统称为采样单元1325。在一些实施例中,单个采样端口1321可连接到多于一个的进气口1323。
在图1B中,一个或多个采样单元1325可位于区段121A到121J中的每一者中。区段121A到121J中的某些区段可包括密度高于区段121A到121J中的其他区段的采样单元1325。举例来说,区段121A可包括密度高于区段121B的采样单元1325。尽管区段121A到121J中的每一者被示出为具有采样单元1325中的至少一者,但在一些其他实施例中,区段121A到121J中的某些区段也可不具有采样单元1325。在一些实施例中,采样单元1325可以均匀的二维阵列布置。如图1B中所示,采样单元1325的布置在清洁室121之上和/或区段121A到121J中的每一者内可为非周期性的。举例来说,区段121A可具有比区段121B到121J高的密度,且在区段121A内,高密度采样区1327可包括比区段121A内的其他区高的密度。高密度采样区1327可与区段121A中对污染物更敏感、更容易释放污染物(例如“热点”)或包含更危险(例如对于良率、安全性或类似方面)的污染物的区域对应。可根据每一百平方米(m2)的采样单元1325的数目来测量采样单元1325的密度作为清洁室121的面积的比率。在一些实施例中,密度介于约1/m2到约50/m2(或约10/m2到约30/m2)的范围内。低于约1/m2时,对污染物泄漏的敏感度可能不足以识别泄漏污染物的制作工具122或工具附件1220。
图1D是根据各种实施例的AGV 123的示意性方块图。AGV 123的驱动系统123A被配置成在至少二维空间中移动AGV 123。驱动系统123A可包括一个或多个马达、一个或多个轮以及一个或多个轴。驱动系统123A从电力系统123B接收动力(power)(例如电力)。驱动系统123A还通过数据连接从控制系统123F接收数据(例如用于控制马达旋转速度、轮/轴旋转角度及类似参数的控制信号),数据连接可包括一个或多个电信号配线和/或光信号配线或者一个或多个无线网络IC。
AGV 123的过滤系统123C被配置成从清洁室121的空气移除污染物。过滤系统123C可包括一个或多个过滤器123C2,所述一个或多个过滤器123C2可包括化学过滤器、高效微粒空气(high-efficiency particulate air,HEPA)过滤器、其组合或类似物。过滤器123C2与一个或多个风扇123C1流体连通,所述一个或多个风扇123C1可为圆形风扇、鼓风机、排气风扇、或类似物。在一些实施例中,风扇123C1通过一个或多个导管123C3与过滤器123C2流体连通。在一些实施例中,风扇123C1通过过滤系统123C的壳体与过滤器123C2流体连通,且在过滤系统123C中不存在附加的导管123C3。电力系统123B向过滤系统123C提供动力,例如,驱动风扇123C1的旋转。在一些实施例中,过滤系统123C具有机载电力系统(未单独示出),所述机载电力系统可至少包括电力监测/调节IC。在此种实施例中,过滤系统123C可从电力系统123B接收交流(alternating current,AC)电力,且过滤系统123C的车载电力系统可将AC电力转换成直流(direct current,DC)电力以驱动风扇123C1。此种配置可提供AGV123的改善的模块化,使得可容易地从AGV 123移除过滤系统123C,使得AGV 123在清洁室121中用于其他目的。
可通过数据连接来连接AGV 123的过滤系统123C与控制系统123F。在一些实施例中,AGV 123的控制系统123F可通过数据连接来控制过滤系统123C的参数(例如,通电/断电、风扇速度或类似参数)。在一些实施例中,过滤系统123C通过数据连接向控制系统123F报告操作参数(例如过滤器条件/年龄)。
AGV 123的网络系统123D被配置成例如经由控制中心150的网络设备155向外部网络传送数据和/或从外部网络接收数据。在一些实施例中,网络系统123D包括无线网络设备(例如一个或多个IC及一条或多条天线),所述无线网络设备能够使用例如WiFi、第四代移动网络(4th generation mobile network,4G)/5G或其他合适的数据通信协议等协议通过网络实现数据通信。在一些实施例中,网络系统123D与网络设备155进行数据通信。网络系统123D还与控制系统123F进行数据通信,控制系统123F可经由网络系统123D从AGV控制器154接收命令。在一些实施例中,网络系统123D与控制系统123F之间的数据通信是通过一条或多条配线(例如电配线或光学配线)进行,或者是经由分别位于网络系统123D及控制系统123F中的两个或更多个通信IC(例如蓝牙、NFC或其他相似的IC)通过空气进行。参照图2A更深入地阐述AGV 123的命令及操作的细节。
在一些实施例中,AGV 123还包括传感器系统123E,传感器系统123E具有一个或多个传感器,所述一个或多个传感器被配置成至少向控制系统123F提供关于AGV 123进行操作的环境的信息。在一些实施例中,所述一个或多个传感器包括光学传感器(例如,摄像机、红外传感器或类似物)、振动传感器、空气品质传感器或其他合适的传感器中的至少一者。传感器可增强AGV 123进行导航、检测障碍物的能力,或者提供关于AGV 123的周围区域的空气品质的实时本地信息。
控制系统123F可包括微控制器单元(microcontroller unit,MCU)、计算机处理单元(computer processing unit,CPU)、图形处理单元(graphic processing unit,GPU)、输入/输出(input/output,I/O)IC、总线、存储器、数据存储体(例如,固态驱动器、硬盘驱动器等)及类似物。I/O IC及总线一般来说被配置成能够实现控制系统123F与驱动系统123A、电力系统123B、过滤系统123C、网络系统123D及传感器系统123E之间的单向或双向数据通信,驱动系统123A、电力系统123B、过滤系统123C、网络系统123D及传感器系统123E可被统称为“系统123A到123E”。举例来说,控制系统123F可通过一个或多个通用串行总线(universalserial bus,USB)、外围组件互连(peripheral component interconnect,PCI)和/或串行先进技术附件(serial advanced technology attachment,SATA)总线而与系统123A到123E进行通信(例如,向系统123A到123E传送数据和/或从系统123A到123E接收数据)。在一些实施例中,控制系统123F通过光学数据总线(例如经由光纤)而与系统123A到123E进行通信。在此种实施例中,在系统123A到123E中存在相似的总线,以使得能够实现与控制系统123F的数据通信。
图2A是示出根据各种实施例的用于管理清洁室121中的污染物的工艺20的示意图。工艺20包括操作200A到200G、220A到200D,参照图2B到图2D更详细地例示出其中的某些操作。将根据一个或多个实施例进一步阐述工艺20。应注意,可在各个方面的范围内重新布置或以其他方式修改工艺20的操作。还应注意,可在工艺20之前、期间及之后提供附加的工艺,且可仅在本文中简要阐述一些其他工艺。
在操作200A中,AMC在线检测系统(可为系统100)扫描清洁室121,此可包括扫描清洁室121的周围环境及扫描制作工具122。当扫描周围环境和/或制作工具122时,系统100可扫描化学化合物,所述化学化合物可包括污染物(例如,TVOC)和/或工艺化学品(例如,酸、碱、溶剂、或类似物)。
在一些实施例中,扫描制作工具122包括确定与制作工具122相关联的工艺化学品。在一些实施例中,将工艺化学品记录在数据库(例如数据库152)中。如图2A中所示,数据库152可包括一个或多个单独的数据库,例如图像数据库152A及工具数据库152B。工具数据库152B可存储来自一个或多个来源(例如记录制作工具122所使用的酸和/或溶剂的SCADA系统1521(例如,AMC SCADA 151))的信息。所述来源可还包括故障检测系统1522、工具实用信息日志1523(例如,电子蓝皮书)、工具化学信息记录1524、或类似物。
在一些实施例中,扫描周围环境包括一个或多个单独的操作,例如通过多通道采样系统132(如参照图1C所述)对周围环境进行采样,以及通过TOF-MS 142对从多通道采样系统132获得的样本进行分析。扫描周围环境的输出可包括以十亿分之几为单位的各种元素(例如,碳、氯、氟、及类似物)的水平或另一种合适的度量。
可以各种不同的方式实行对周围环境的扫描。在一些实施例中,参照图1B,多通道采样系统132可以特定次序从采样单元1325输出样本。举例来说,可按区段121A到121J将采样单元1325排序,使得多通道采样系统132在输出来自不同区段(例如区段121B)的样本之前,输出来自特定区段(例如区段121A)中的所有采样单元1325的样本。在一些实施例中,多通道采样系统132可基于优先列表来输出样本。举例来说,采样单元1325的第一子集可与污染物水平中的尖峰的高发生率相关联,采样单元1325的第二子集可与尖峰的中等发生率相关联,且采样单元1325的第三子集可与尖峰的低发生率相关联。这样一来,可在第二子集中的采样单元1325之前从第一子集中的采样单元1325提取样本,继而可在来自第三子集中的采样单元1325的样本之前提取第二子集中的采样单元1325中的样本。在一些实施例中,基于在对采样单元1325进行采样的几天、几个月或几年中收集的历史采样数据来产生优先列表。在一些实施例中,使用机器学习算法来产生优先列表,此可类似于参照图4A到图4B更详细阐述的工艺。一旦所有采样单元1325均已被采样,便可重新开始多通道采样系统132。
在一些实施例中,多通道采样系统132以随机次序或伪随机次序从采样单元1325输出样本,且随机次序或伪随机次序可与上述技术中的任意者相结合。举例来说,多通道采样系统132可随机对某个区段(例如,区段121A)中的采样单元1325进行采样,直到所述区段中的所有采样单元1325均已被采样,然后可移动到不同的区段(例如,区段121B)以随机对所述区段中的采样单元1325进行采样,直到不同区段中的所有采样单元1325均已被采样。在一些实施例中,可随机对采样单元1325的第一子集进行采样,然后可随机对第二子集进行采样,然后可随机对第三子集进行采样。
在一些实施例中,与图2A所示操作200B对应,针对各种AMC污染物产生实时污染物分布图。可针对每一AMC污染物产生一个分布图,和/或可产生包括与多个AMC污染物相关联的浓度水平信息的单个分布图。分布图可为图像档案,其中图像档案的每一像素与清洁室121中的物理位置(例如,单位面积的区)对应,且具有与一种或多种污染物的测量水平对应的颜色和/或亮度水平。刚刚阐述的类型的图像档案可被称为热图。在一些实施例中,通过位置将采样单元1325和/或制作工具122映射到图像档案的像素上。在一些实施例中,单个采样单元1325可对应于一个或多个像素,此可能取决于图像档案的分辨率(宽度*长度)。相似地,制作工具122可各自对应于许多像素。在一些实施例中,每一制作工具122被表示为图像档案中的一个或多个点来源(point source)。举例来说,制作工具122A可包括更容易泄漏的一个或多个区(从俯视图取向),例如输入/输出端口、排气端口、密封件或其他相似的区。在此种实例中,制作工具122A可在图像档案中表示为与更容易泄漏的区对应的一个或多个不同的点来源,每一点来源映射到图像档案的一个或多个像素。基于每一映射像素处的颜色和/或亮度水平,可在不对应于任意采样单元1325或制作工具122的像素处实行进一步的插值,使得图像档案中的每一像素可包含与测量水平或插值水平中的任一者对应的幅值(颜色和/或亮度水平)。
在操作200C中,将一个或多个实时污染物分布图与存储在数据库(例如图像数据库152A)中的AMC图像进行比较。在一些实施例中,存储在图像数据库152A中的AMC图像包括例如通过计算流体动力学(CFD)技术针对不同浓度及不同时间的不同化合物产生的AMC扩散图像。在一些实施例中,根据制作工具122的布局实行CFD计算,且将CFD计算存储在图像数据库152A中。在一些实施例中,当针对某个制作工具122(例如制作工具122A)实行CFD计算时,假设制作工具122A是污染物泄漏的来源,且通过CFD技术来计算污染物分布及峰值浓度水平位置。如图2A中所示,对于每一制作工具122,图像数据库152A可存储多个污染分布图像210A到210N,所述多个污染分布图像210A到210N可对应于使用各种条件(例如化合物、浓度、时间及类似物)针对制作工具122计算的污染物分布。可将峰值浓度水平位置存储在污染分布图像210A到210N中,或者可将峰值浓度水平位置存储为单独的档案(例如文本档案)。
图2B示出根据各种实施例的扩散图像210。所示扩散图像210包括七个行及五个列,但在各种实施例中可包括更多或更少的行和/或列。每一列包括七个区。举例来说,第一列包括区230A1到230A7,第二列包括区230B1到230B7,第三列包括区230C1到230C7,第四列包括区230D1到230D7,且第五列包括区230E1到230E7。可将制作工具222A1到222A6(可为制作工具122)映射到扩散图像210上。在一些实施例中,制作工具222A1到222A6在扩散图像210中不作为数据存在,这可由图2B中的虚线指示。制作工具222A1到222A6中的每一者对应于区230A1到230E7中的一者或多者。举例来说,制作工具222A1对应于六个区230A1到230A3、230B1到230B3,制作工具222A2对应于三个区230C1到230C3,制作工具222A3对应于六个区230D1到230D3、230E1到230E3,制作工具222A4对应于四个区230A5、230A6、230B5、230B6,制作工具222A5对应于两个区230C5、230C6,且制作工具222A6对应于四个区230D5、230D6、230E5、230E6。根据每一制作工具222A1到222A6的大小及每一区的大小而定,制作工具222A1到222A6中的每一者可对应于一个区或多于六个区。
图2C中示出分别与制作工具222A1到222A6相关联的污染分布图像210A到210F。每一污染分布图像210A到210F包括区230A1到230E7中的一者中的峰值浓度水平(通过阴影线(hatching)示出)。峰值浓度水平可对应于所述一种或多种化合物的峰值浓度。举例来说,与制作工具222A1对应的污染分布图像210A包括区230B3处的峰值浓度水平,与制作工具222A2对应的扩散图像210B包括区230D3处的峰值浓度水平,与制作工具222A3对应的扩散图像210C包括区230E3处的峰值浓度水平,与制作工具222A4对应的扩散图像210D包括区230B7处的峰值浓度水平,与制作工具222A5对应的扩散图像210E包括区230C7处的峰值浓度水平,且与制作工具222A6对应的扩散图像210F包括区230E7处的峰值浓度水平。
一般来说,峰值浓度水平仅存在于每一污染分布图像210A到210F的一个区中。在一些实施例中,每一污染分布图像210A到210F可包括与每一区230A1到230E7相关联的概率。概率可为假设制作工具222A1到222A6泄漏污染物的条件(化合物、浓度、时间)的特定区230A1到230E7中将出现峰值浓度水平的概率。在此种配置中,污染分布图像210A到210F中的阴影区可表示对于所述条件具有峰值浓度水平的最高概率的区。参照操作200D及图2C提供概率的进一步说明。
如前所述,在操作200C中,将一个或多个实时污染物分布图与存储在数据库(例如图像数据库152A)中的AMC图像进行比较,如图2C中所示。示出分布图240,分布图240在由星指示的位置241处具有峰值浓度水平。可如参照图1A到图1D所述那般确定分布图240。
参照图2D,为了确定哪个制作工具222A1到222A6最有可能是位置241处的峰值浓度水平的来源,可选择与分布图240最接近匹配的污染分布图像210A到210F。在一些实施例中,通过确定位置241所在的区230A1到230E7来实行选择。举例来说,在分布图240中,位置241可具有坐标241C,例如“(1343,384)”。使用区表230T,继续所述实例,可将对应于坐标241C的区230A1到230E7确定为区230D3(参见区表230T中的方框行)。还可通过在图像表210T中查找对应于位置241的区230A1到230E7(例如,区230D3)来实行对应于坐标241C的污染分布图像210A到210F的确定。使用图像表210T,且再次继续所述实例,可从图像表210T在对应于区230D3的行中选择扩散图像210B。这样一来,扩散图像210B可被选择为最接近匹配呈现污染物峰值浓度水平的位置241的坐标241C。
在操作200D中,再次参照图2A,已选择与分布图240最佳匹配的污染分布图像210A到210F,可将最高概率制作工具222A1到222A6设定成主要可疑物251(参见图2C、图2F),用于在分布图240中的位置241处引起峰值浓度水平。在一些实施例中,设定主要可疑物251可相对于与分布图240最佳匹配的污染分布图像210A到210F,基于制作工具222A1到222A6中的每一者的AMC泄漏概率。继续以上实例,且参照图2C,可产生对应于扩散图像210B的概率图250B。在一些实施例中,概率图250B可为或包括概率表250BT,如图2E中所示。在一些实施例中,概率表250BT中列出的百分比是由机器学习/人工智能工艺或逆方法(inversemethod)产生的预测/置信度得分,例如参照图4A到图4B所述。在此种实施例中,针对每一污染分布图像210A到210F列出的百分比总共可超过100%。相似地,每一制作工具222A1到222A6的所有污染分布图像210A到210F的总百分比可超过100%。如图2E中所示,在操作200D中,制作工具222A2具有与扩散图像210B相关联的最高百分比。这样一来,在操作200D中,将制作工具222A2设定为主要可疑物251。
参照图2B到图2E的对操作200C、200D的以上说明可对应于工艺20的简化实施例,其中针对分布图240识别单个污染物的单个峰值浓度水平,且将单个污染物的单个峰值浓度水平与污染分布图像210A到210F进行比较,以找到与分布图240中的峰值浓度水平最佳匹配的污染分布图像210A到210F。在一些实施例中,可使用机器学习/人工智能(ML/AI)工艺(例如参照图4A到图4B所述)来实行更复杂的比较,所述比较可结合更大及更多样的输入的集合,包括多个污染物和/或TVOC的峰值浓度水平及梯度/分布、来自工具数据库152B的信息以及其他合适的输入。ML/AI工艺可还被配置成识别源自两个或更多个制作工具222A1到222A6的至少两个同时且不同的污染物泄漏。参照图4A到图4B提供对ML/AI工艺的进一步说明。
参照图2C,在操作200D中将制作工具222A2识别及设定为主要可疑物251之后,在操作200E中实行高级验证。在一些实施例中,高级验证包括将主要可疑物251(例如,制作工具222A2)与各种工艺实用信息进行比较。在一些实施例中,将工艺实用信息存储在工具数据库152B中。工艺实用信息可包括来自一个或多个来源1521到1524的信息。
如图2C中所示,第一来源1521可包括由SCADA记录的关于一种或多种酸和/或溶剂的供应的信息,SCADA可为独立于AMC SCADA 151的工厂侧SCADA。在一些实施例中,高级验证是或包括判断在产生分布图240时酸和/或溶剂是否被发送到制作工具222A2。如果制作工具222A2在产生分布图240的(一部分或全部)期间未被供应酸/溶剂,则可设定第一失配旗标,指示制作工具222A2与分布图240之间的失配。如果在产生分布图240期间供应了酸/溶剂,则可设定第一匹配旗标(或者简单地没有旗标),指示制作工具222A2与分布图240之间的潜在匹配。
第二来源1522可包括来自故障检测系统的信息。在一些实施例中,高级验证是或包括将制作工具222A2与故障检测系统所产生的信息进行比较。举例来说,故障检测系统可指示制作工具222A1到222A6中的每一者的操作状态(例如,活动、停止、维护中、修复中或类似状态)。如果来自第二来源1522的工具数据库152B中的信息指示制作工具222A2在产生分布图240的时间的至少一部分(或全部)内不活动(例如,停止、维护中、修复中或类似状态),则可设定第二失配旗标,指示制作工具222A2与分布图240之间的失配。如果制作工具222A2在产生分布图240的时间的一部分(或全部)期间活动(如工具数据库152B所指示),则可设定第二匹配旗标(或简单地没有旗标),指示制作工具222A2与分布图240之间的潜在匹配。
第三来源1523可包括来自实用信息日志的信息,实用信息日志可被称为电子实用信息(例如,电子蓝皮书或“e-bluebook”)。在一些实施例中,高级验证是或包括将分布图240的污染物与产生分布图240时制作工具222A2使用的材料进行比较。如果对于制作工具222A2是泄漏的主要可疑物251的污染物与第三来源1523在工具数据库152B中列出的材料不相关联,则可设定第三失配旗标,指示制作工具222A2所使用的材料与制作工具222A2被怀疑泄漏的污染物之间的失配。如果污染物与工具数据库152B中列出的材料相关联,则可设定第三匹配旗标(或简单地没有旗标),指示制作工具222A2所使用的材料与分布图240的污染物之间的潜在匹配。
第四来源1524可包括来自工具化学品日志的信息。在一些实施例中,高级验证是或包括将制作工具222A2内所使用的化学品与产生分布图240时检测到的污染物进行比较。举例来说,工具化学品日志可记录某些制作工具222A1到222A6所使用的(例如用于化学气相沉积(CVD)工具、原子层沉积(ALD)/原子层刻蚀(atomic layer etching,ALE)工具、或类似工具的)气体前体。如果来自第四来源1524的工具数据库152B中的信息指示与产生分布图240时检测到的污染物不相关联的化学品,则可设定第四失配旗标,指示制作工具222A2与分布图240之间的失配。如果制作工具222A2被指示为使用与产生分布图240时检测到的污染物相关联的化学品,则可设定第四匹配旗标(或者简单地没有旗标),指示制作工具222A2与分布图240之间的潜在匹配。第一失配旗标到第四失配旗标可被统称为“失配旗标”,第一匹配旗标到第四匹配旗标可被统称为“匹配旗标”。
如图2F中所示,可将主要可疑物251与四个来源1521到1524进行比较。如果在比较之后未设定失配旗标,则制作工具222A2可被确认为污染物泄漏的来源,对应于决策框200F的“是”分支。如果在操作200E中设定失配旗标中的任意者,则工艺20可返回到对应于决策框200F的“否”分支的操作200A。可选地,工艺20可返回到操作200D,且可选择在概率表250BT中具有第二高百分比的制作工具222A1到222A6。继续先前实例,如果发现在操作200D中最初选择的制作工具222A2尚未被供应酸/溶剂(第一失配旗标设定)、是非活动的(第二失配旗标设定)、所使用的材料与检测到的污染物不一致(第三失配旗标设定)和/或所使用的化学品与检测到的污染物不一致(第四失配旗标设定),则在操作200F的“否”分支之后的操作200D的后续迭代中,可将制作工具222A1选择为主要可疑物251,因为制作工具222A1在与扩散图像210B相关联的行中具有第二高百分比。
一旦在操作200F中确认了主要可疑物251,便可采取一个或多个动作220A到220D来解决污染物泄漏,对应于图2A所示操作200G。在一些实施例中,在AGV控制器154(参见图1A)的控制下,基于峰值浓度水平采取动作220A到220D。动作220A到220D可对应于一个或多个阈值。在图2A中所示的配置中,第一阈值对应于第一动作220A,第二阈值对应于第二动作220B,第三阈值对应于第三动作220C,且第四阈值对应于第四动作220D。
在一些实施例中,第一阈值可为基线阈值。基线阈值可为浓度水平,低于所述浓度水平,AGV 123不应采取任意动作。在一些实施例中,基线阈值是介于约0.04ppb到约1ppm的范围内的固定浓度水平,但根据例如工艺节点或安全考虑,其他范围也可能是合适的。在一些实施例中,基线阈值是动态的,且可根据一个或多个工艺参数(例如环境温度、生成负荷(例如,同时运行的制作工具122的数目)、工艺节点(例如,对污染物具有比其他节点高的敏感度的某些节点)或其他合适的工艺参数)进行调整。在一些实施例中,基线阈值由AMCSCADA 151设定。当分布图240的峰值浓度水平低于第一阈值时,清洁室121的扫描(例如,分布图240的更新/产生)继续。只要峰值浓度水平低于第一阈值,一般来说便不会激活AGV123来有针对性地清洁空气,且AGV 123位于充电站处。在第一动作220A期间,可将AGV 123周期性地激活以用于检查或其他目的。
第二阈值可为警告(例如,“超出警告”)阈值。在一些实施例中,第二阈值是实质上等于第一阈值的浓度水平。当分布图240的峰值浓度水平高于第二阈值时,采取第二动作220B。在一些实施例中,第二动作220B包括由AGV控制器154将一个或多个命令从网络设备155传送到AGV 123的网络系统123D。所述命令可由控制系统123F接收,且可包括激活(例如,通电)命令和/或分派命令。
分派命令可包括位置,所述位置可为与目的地(例如制作工具122或制作工具122附近的航路点)对应的代码。在一些实施例中,控制系统123F可包括或可存取内部数据库(在AGV 123内部),且可查找用于导航到制作工具122或航路点的路线指令、坐标或其他相关信息。在一些实施例中,分派命令本身包括相关信息(例如制作工具122或航路点的坐标)或其路线指示,使得控制系统123F可不具有导航数据库和/或算法。在一些实施例中,对AGV123的位置进行跟踪,且AGV控制器154可向AGV 123发送连续的导航命令,以将AGV 123的运动朝向预期目的地(例如,制作工具122或航路点)引导。
在一些实施例中,在清洁室121中(例如在清洁室121的每一区段121A到121J中)存在一个或多个航路点站(waypoint station)。航路点站可包括用于将AGV 123导引到航路点站的广播系统。在一些实施例中,广播系统包括音频系统、视觉系统、电子系统或其他合适的广播系统。在一些实施例中,视觉系统可包括红外发射机(infrared transmitter)。AGV 123可接收与航路点站对应的代码,且可基于来自广播系统的信号自动朝向航路点站移动。举例来说,AGV 123可通过检测到信号(例如红外信号)的强度增加且在信号的强度比先前更强的方向上移动而朝向航路点站移动。
在一些实施例中,航路点站包括视觉标记(例如快速响应(Quick Response,QR)码或其他视觉图案),且AGV 123的传感器系统123E(例如,一个或多个摄像机)可用于检测视觉图案并朝向视觉图案导引AGV 123。在一些实施例中,可将广播系统与视觉标记结合使用,以朝向航路点站提供AGV 123的更快、更强健(robust)的导引。
一旦到达目的地,控制系统123F便可停止AGV 123的运动(例如,通过停止驱动系统123A),且可进一步控制驱动系统123A旋转AGV 123,以将风扇123C1及过滤器123C2向到适当的方向进行取向,以用于清洁AGV 123的位置的周围区域中的空气。在一些实施例中,基于分布图240(例如,通过确定污染物流的轮廓/梯度)来确定适当的方向。基于流的轮廓/梯度,控制系统123F可将过滤器123C2取向在流的上游方向,且将风扇123C1取向在流的下游方向。一旦到达目的地,且可选地一旦设定AGV 123的取向,便在未接通风扇123C1的条件下,可将AGV 123认为处于待机模式。而在第二动作220B中,一般来说不接通风扇123C1,因为峰值浓度水平尚未达到第三阈值或第四阈值。如果峰值浓度水平增加到超过第三阈值,便可在待机时短暂接通风扇123C1,以验证风扇123C1的功能,为第三动作220C中的清洁做准备。
第三阈值可为控制(例如,“失控”或“OOC”)阈值。在一些实施例中,控制阈值是介于约0.1ppb到约1ppm的范围内的固定浓度水平,但根据例如工艺节点或安全考虑,其他范围也可能是合适的。在一些实施例中,控制阈值是动态的,且可根据一个或多个工艺参数(例如环境温度、生成负荷(例如,同时运行的制作工具122的数目)、工艺节点(例如,对污染物具有比其他节点高的敏感度的某些节点)或其他合适的工艺参数)进行调整。一般来说,第三阈值高于第二阈值,而无论是固定的还是动态的。举例来说,第三阈值可比第二阈值高固定量,例如10ppb、1ppb、0.2ppb或另一合适的固定量。在一些实施例中,第三阈值比第二阈值高一定百分比(例如约100%、约50%、约20%或其他合适的百分比)。
当分布图240的峰值浓度水平超过第三阈值时,采取第三动作220C。在一些实施例中,第三动作220C包括将风扇123C1激活(例如,通电)。在一些实施例中,风扇123C1被配置成以一种或多种速度(例如,每分钟转数(revolution per minute)或“RPM”)旋转。在一些实施例中,风扇123C1的速度是在激活风扇123C1的同时或之后不久设定。在一些实施例中,风扇123C1的速度基于峰值浓度水平而动态变化。在一些实施例中,最初将风扇123C1的速度设定在最大水平处,以尽快降低峰值浓度水平。当下降到低于第三阈值时,可将风扇123C1的速度设定在低于最大水平的中间水平处,以将峰值浓度水平保持在第三阈值之下。在一些实施例中,风扇123C1可继续运行,直到峰值浓度水平降低到基线阈值。
图2G示出根据各种实施例的第三动作220C。曲线270示出峰值浓度水平,且曲线280示出风扇速度波形。在时间t1之前,峰值浓度水平低于第一阈值和/或第二阈值,第一阈值和/或第二阈值在图2G中可被统一标记为TB/W。在时间t1处,峰值浓度水平突增到第三阈值TC以上,同时保持在第四阈值TS以下。在这种情况下,一旦超过第三阈值TC,AGV控制器154便可命令AGV 123中的一者或多者移动到制作工具122或航路点,且在到达时或到达前不久立即接通风扇123C1。当风扇123C1接通时,在时间t2处将速度设定为最大速度SMAX。AGV 123被分派的时间t1与AGV 123到达且风扇123C1被接通的时间t2之间可能存在延迟,如图2G中所示。在一些实施例中,对于不太剧烈的尖峰,在峰值浓度水平超过第三阈值TC之前,AGV123可在制作工具122或航路点处待机,使得在时间t1与时间t2之间存在短得多的延迟,例如用于检测峰值浓度水平的时间加上从AGV控制器154传送信号到由控制系统123F激活风扇123C1的时间。
在时间t3处,峰值浓度水平下降到第三阈值TC以下。在一些实施例中,响应于峰值浓度水平下降到第三阈值TC以下,风扇速度降低到上部中间速度S2,上部中间速度S2低于最大速度SMAX。在时间t3与时间t4之间,峰值浓度水平继续下降,直到达到或低于第一阈值TB/W。在一些实施例中,响应于达到或低于第一阈值TB/W,风扇速度降低到下部中间速度S1,下部中间速度S1低于上部中间速度S2。在一些实施例中,可关断风扇123C1,使得风扇速度实质上为零,例如0RPM。通过将风扇速度保持在下部中间速度S1处,可将峰值浓度水平控制为小于或实质上等于第一阈值TB/W。
在前面对图2G的说明中,风扇速度是使用谨慎的速度S1、S2、SMAX来例示的。在一些实施例中,可精细地控制风扇速度,例如,按照通过脉宽调制(pulse width modulation,PWM)、模拟控制或另一种合适的技术设定的梯度。在此种实施例中,风扇速度可跟踪峰值浓度水平,且通过例如负反馈控制回路建立稳定的浓度水平。
在一些实施例中,参照图2H,在第三动作220C期间,系统100对峰值浓度水平的测量可集中在单个采样单元1325或一群组的采样单元1325上(例如在高密度采样区1327中),同时暂时排除通过系统100的剩余采样单元1325进行的采样。举例来说,如图2H中所示,峰值浓度水平的位置241可处于三个采样单元1325A到1325C附近。位置241也位于高密度采样区1327中。通过仅对例如位于与峰值浓度水平相关联的位置或制作工具122的周围区域中的单个采样单元1325(例如,采样单元1325B)或一小群组的采样单元1325(例如,采样单元1325A到1325C,或高密度采样区1327中的所有采样单元1325)进行采样,AGV控制器154可更快地响应峰值浓度水平的改变,而不必等待位置241远端的其他采样单元1325进行采样,每一采样单元1325可能花费1到2分钟的时间。此种集中的采样方案对于建立参照图2G阐述的负反馈回路可能是有利的。
在一些实施例中,第三动作220C还包括激活警报或通知,所述警报或通知可被路由到制造和/或工厂操作员。响应于可指示制作工具122被识别为污染物泄漏的来源及相关联的峰值浓度水平的警报或通知,操作者可实行泄漏的现场验证,关闭制作工具122,实行维护和/或修理,安排维护和/或修理,或者采取阻止污染物泄漏和/或修理污染物泄漏的另一合适的动作。
再次参照图2A,第四阈值可为规格(例如,“不符合规格”、“OOS”)阈值。第四阈值可被设定为可关断制作工具122以防止安全和/或良率事故的水平。举例来说,TVOC浓度或各别污染物浓度在特定浓度水平下可能有毒,或者在其他浓度水平下可能影响良率。第四阈值可被设定为远低于毒性水平或良率损害水平的水平,例如,毒性水平或良率损害水平的小于50%、小于20%、小于10%或小于1%。
当达到和/或超过第四阈值时,采取第四动作220D。在一些实施例中,第四动作220D包括采取措施来阻止使得峰值污染物水平高于第四阈值的泄漏。在一些实施例中,措施包括阻止FOUP到达制作工具122、停止通过制作工具122进行的生成或用于阻止泄漏的其他合适措施中的一者或多者。停止生成可包括将制作工具122置于待机/闲置模式,使得制作工具122保持通电,但不对半导体晶片实行生成工艺。停止生成可包括将制作工具122断电。停止生成可由SCADA(例如工厂侧SCADA)自动实行。在一些实施例中,第四动作220D包括产生警报和/或向操作者发送识别制作工具122及峰值浓度水平的通知,且操作者手动停止通过制作工具122进行的生成。
由于在同一采样单元1325处的采样事件之间的延迟,因此所测量的峰值浓度水平可能从低于第一阈值直接到高于第四阈值看起来迅速激增,使得附近采样单元1325对位置241的第一测量低于第一阈值,且附近采样单元1325的紧接着的第二测量高于第四阈值。这样一来,如果在采取第二动作220B或第三动作220C之前超过第四阈值,则在达到第四阈值之前,AGV 123可能尚未被分派到位置241。在这种情况下,当在第四动作220D中停止通过制作工具122进行的生成时,AGV控制器154可不响应于超过第四阈值的峰值浓度水平而分派AGV 123。相似地,如果AGV 123已在第三动作220C下清洁了位置241附近的空气,且超过了第四阈值,则在第四动作220D中,可将AGV 123召回,例如,到充电站。
图3A示出与根据各种实施例的用于制作IC器件的工艺30相关联的流程图。可将工艺30与参照图1A到图2H阐述的系统100及工艺20结合使用。将根据一个或多个实施例进一步阐述工艺30。应注意,可在各个方面的范围内重新布置或以其他方式修改工艺30的操作。还应注意,可在工艺30之前、期间及之后提供附加的工艺,且可仅在本文中简要阐述一些其他工艺。
在操作300中,将晶片定位在清洁室(例如,清洁室121,图1A、图1B)中的第一制作工具(例如,制作工具222A1,图2B)中。在一些实施例中,定位晶片包括将FOUP中的晶片输送到第一制作工具的端口。可将FOUP的门打开,且机械臂可拾取晶片并将晶片转移到第一制作工具的腔室中。机械臂或第二机械臂可将晶片定位在第一制作工具中的晶片台上,以用于进行处理,例如沉积、刻蚀、清洁、退火、或类似处理。
在操作310中,可检测清洁室中高于第一阈值的峰值污染物水平。在一些实施例中,基于分析系统(例如包括TOF-MS 142的分析系统140)的测量,通过AMC SCADA(例如AMCSCADA 151)检测峰值污染物水平。在一些实施例中,峰值污染物水平是位于位置241处的分布图240的峰值污染物水平。操作310中的第一阈值可对应于参照图2A阐述的警告阈值或控制阈值。
在操作320中,将第二制作工具(例如,制作工具222B,图2B)预计为峰值污染物水平的污染物的来源。可使用参照图2A到图2H阐述的工艺20的操作200A到200F来实行对第二制作工具的预计。
在操作330中,将AGV清洁器(例如AGV 123)分派到对应于第二制作工具的位置。可如针对图2A所示第二动作220B所阐述那般实行分派。在一些实施例中,AGV清洁器由AGV控制器(例如图1A中所示的AGV控制器154)分派。在一些实施例中,将AGV清洁器分派到接近峰值污染物水平的位置241的位置。举例来说,在一些实施例中,可将AGV清洁器分派到距位置241小于10米内、小于5米内或小于1米内的位置。这样一来,可独立于第二制作工具的位置来确定AGV清洁器被分派的位置。
在操作340中,第一制作工具完成对晶片的处理。在一些实施例中,在AGV清洁器清洁峰值污染物水平的位置241附近的空气时,实行第一制作工具对晶片的处理。在一些实施例中,通过第一制作工具对晶片的处理的一部分或全部,通过AGV清洁器的动作来降低峰值污染物水平。在一些实施例中,在第一制作工具完成对晶片的处理之前,AGV清洁器将峰值污染物水平降低到基线阈值以下。
在操作350中,在第一制作工具完成处理之后,从第一制作工具移除晶片。在一些实施例中,通过机械臂将晶片从第一制作工具内部转移到FOUP,所述FOUP可与将晶片输送到第一制作工具的FOUP相同或不同。
在操作360中,在一些实施例中,当峰值污染物水平下降到第二阈值以下时,可召回AGV清洁器,第二阈值可为基线阈值。举例来说,由于由AGV清洁器进行的清洁、由于停止第二制作工具或由于修理第二制作工具中的泄漏,因此峰值污染物水平可能下降到第二阈值以下。
图3B示出与根据各种实施例的用于制作IC器件的工艺31相关联的流程图。可将工艺31与参照图1A到图2H阐述的系统100及工艺20结合使用。将根据一个或多个实施例进一步阐述工艺31。应注意,可在各个方面的范围内重新布置或以其他方式修改工艺31的操作。还应注意,可在工艺31之前、期间及之后提供附加的工艺,且可仅在本文中简要阐述一些其他工艺。
在操作301中,将晶片定位在清洁室(例如,清洁室121,图1A、图1B)中的制作工具(例如,制作工具222A1,图2B)中。在一些实施例中,定位晶片包括将FOUP中的晶片输送到制作工具的端口。可将FOUP的门打开,且机械臂可拾取晶片并将晶片转移到制作工具的腔室中。机械臂或第二机械臂可将晶片定位在制作工具中的晶片台上,以用于进行处理,例如沉积、刻蚀、清洁、退火、或类似处理。
在操作311中,可检测清洁室中高于阈值的峰值污染物水平。在一些实施例中,基于分析系统(例如包括TOF-MS 142的分析系统140)的测量,由AMC SCADA(例如AMC SCADA151)检测峰值污染物水平。在一些实施例中,峰值污染物水平是位于位置241处的分布图240的峰值污染物水平。操作311中的阈值可与参照图2A阐述的规格阈值对应。
在操作321中,将制作工具预计为峰值污染物水平的污染物的来源。可使用参照图2A到图2H阐述的工艺20的操作200A到200F来实行对制作工具的预计。
在操作331中,停止向制作工具的FOUP式转移(FOUP transfer),此可对应于图2A所示第四动作220D。在一些实施例中,由SCADA系统(例如不同于AMC SCADA 151的工厂侧SCADA)停止FOUP式转移。
在操作341中,制作工具完成对晶片的处理。在一些实施例中,在操作331中停止FOUP式转移的同时,实行制作工具对晶片的处理。
在操作351中,在制作工具完成处理之后,从制作工具移除晶片。在一些实施例中,在操作331中停止FOUP式转移之前,将晶片从第一制作工具内部转移到FOUP,所述FOUP可为位于制作工具处的FOUP。
在操作361中,修复制作工具。在一些实施例中,在完成对位于制作工具中的所有进行中的晶片的处理之后,修复制作工具。在一些实施例中,在完成处理之前,将在处理中的晶片从制作工具移除,且临时存储(例如,在FOUP中),直到制作工具的修复完成。
在操作371中,在修复制作工具之后,恢复向制作工具的FOUP式转移。
图4A、图4B是示出根据各种实施例的对引起峰值污染物水平的制作工具122的预计的视图。图4A是系统3224的方块图,系统3224可为用于分别实行工艺20的操作200C、200D和/或工艺30、31的操作320、321的控制系统。控制系统3224可预测清洁室121的环境品质/安全参数,且可基于预测的参数来实行清洁室环境增强。在一些实施例中,控制系统3224利用机器学习来预计哪个制作工具122是引起清洁室121中的污染物泄漏的主要可疑物。
在一个实施例中,控制系统3224包括分析模型3302及训练模块3304。训练模块3304使用机器学习工艺来训练分析模型3302。在一些实施例中,机器学习工艺训练分析模型3302来选择制作工具122。尽管训练模块3304被示出为与分析模型3302分离,但实际上,训练模块3304可为分析模型3302的部分。
控制系统3224包括或存储训练集数据3306。训练集数据3306包括经模拟CFD数据3308、历史污染物条件数据3310及历史工艺结果数据3318。经模拟CFD数据3308包括与污染物的CFD相关的数据。历史污染物条件数据3310包括与其中测量污染物的环境(例如与清洁室121相关联的环境数据)相关的数据。历史工艺结果数据3318包括与清洁室121中由制作工具122进行的制作工艺之后的晶片品质相关的数据。如以下将更详细陈述,训练模块3304利用经模拟CFD数据3308、历史污染物条件数据3310及历史工艺结果数据3318来使用机器学习工艺训练分析模型3302。
在一个实施例中,经模拟CFD数据3308包括与制作工具122产生的污染物的计算流体动力学相关的数据。举例来说,在清洁室121的环境条件的影响下,通过模拟制作工具122的污染物泄漏,可产生污染物的流动动力学的数千或数百万次计算。经模拟CFD数据3308可包括与制作工具122相关联的污染分布图像210A到210N,此可针对每种污染物、每种环境条件(例如,环境温度、清洁室布局、生成进度、所使用的化学品/材料及类似物)、每种工艺步骤或其他合适的参数单独模拟。因此,经模拟CFD数据3308可包括对于制作工具122的大量污染物及操作条件的CFD数据。
在一个实施例中,历史污染物条件数据3310包括在清洁室121中处理晶片期间的各种环境条件或参数。因此,对于在经模拟CFD数据3308中具有数据的每一制作工具122,历史污染物条件数据3310可包括在对晶片的处理期间存在的环境条件或参数。举例来说,历史污染物条件数据3310可包括与温度、酸碱度(potential of hydrogen,PH)、湿度、光、适应时间、振动、静电放电(Electrostatic Discharge,ESD)、清洁度、生成进度和/或其他合适的环境条件参数相关的数据。历史污染物条件数据3310还包括在对晶片的处理期间由系统100测量的每一污染物或TVOC的分布图240。
在一个实施例中,历史工艺结果数据3318包括由清洁室121中的制作工具122实行的半导体制作工艺直接或间接产生的各种晶片品质参数。举例来说,半导体制作工艺可包括光致抗蚀剂涂布工艺、平坦化工艺、清洁工艺、沉积工艺、刻蚀工艺、退火工艺或其他合适的制作工艺中的一者或多者。在一些实施例中,历史工艺结果数据3318可包括各种晶片参数的测量值。测量值可包括层厚度、层均匀性、粗糙度、清洁度或其他合适的测量值。在一些实施例中,测量值包括电测试、晶片验收测试、光学测试或其他合适的测试的结果,测量值可包括通过/失败测量值、可靠性测量值、数据保持测量值或类似测量值。在一些实施例中,历史工艺结果数据3318与多个先前处理的半导体晶片相关。在一些实施例中,历史工艺结果数据3318与各别半导体晶片、各别系列的半导体晶片和/或各别批次的半导体晶片相关。
在一个实施例中,训练集数据3306将经模拟CFD数据3308和/或历史污染物条件数据3310与历史工艺结果数据3318相链接。换句话说,将经模拟CFD数据3308中的CFD计算和/或环境条件数据3310中的环境参数链接(例如,通过标记)到历史工艺结果数据3318中的测量值。如以下将更详细陈述,可将经标记的训练集数据用于机器学习工艺中,以训练分析模型3302来产生先前提及的各种预测。
在一个实施例中,控制系统3324包括处理资源3312、存储器资源3314及通信资源3316。处理资源3312可包括一个或多个控制器或处理器。处理资源3312被配置成执行软件指令、工艺数据、做出薄膜刻蚀控制决定、实行信号处理、从存储器读取数据、将数据写入存储器以及实行其他处理操作。处理资源3312可包括实体处理资源3312和/或虚拟处理资源3312。处理资源3312可包括基于云的处理资源,包括经由一个或多个云计算平台存取的处理器及服务器。
在一个实施例中,存储器资源3314可包括一个或多个计算机可读存储器。存储器资源3314被配置成存储与控制系统及其组件(包括但不限于分析模型3302)的功能相关联的软件指令。存储器资源3314可存储与控制系统3224及其组件的功能相关联的数据。数据可包括训练集数据3306、当前工艺条件数据以及与控制系统3224或其组件中的任意者的操作相关联的任意其他数据。存储器资源3314可包括实体存储器资源和/或虚拟存储器资源。存储器资源3314可包括经由一个或多个云计算平台存取的基于云的存储器资源。在一些实施例中,存储器资源3314包括数据库152。
在一个实施例中,通信资源3316可包括有线通信资源及无线通信资源,所述有线通信资源及无线通信资源可有利于经由例如有线网络、无线网络、互联网或内联网等一个或多个网络进行的通信。通信资源3316可使控制系统3224的组件能够彼此进行通信。
图4B是示出根据一个实施例的图4A所示分析模型3302的操作方面及训练方面的方块图。如前所述,训练集数据3306包括与多个先前处理的半导体晶片相关的数据。每一先前处理的半导体晶片在特定的环境条件下被处理且产生特定的处理结果。举例来说,将清洁室环境采样数据、清洁室原材料数据表、清洁室原材料寿命、清洁室管道布局、生成进度、设备副产物数据表、设备配方进度、设备管道老化数据、清洁室外部的工厂布局以及每日/每周/每月的气候预测格式化成各自的条件矩阵3352。条件矩阵3352包括多个数据向量3354。每一数据向量3354对应于一特定的参数。
图4B所示实例示出在训练工艺期间将被传递给分析模型3302的单个条件矩阵3352。在图4B所示实例中,条件矩阵3352包括九个数据向量3354,所述九个数据向量3354各自对应于半导体制作工艺的参数。对于不是以数字自然表示的条件类型(例如原材料名称),可为每一可能的材料指配一数字。
分析模型3302包括多个神经层3356a到3356e。每一神经层包括多个节点3358。每一节点3358也可被称为神经元。来自第一神经层3356a的每一节点3358从条件矩阵3352接收每一数据字段的数据值。因此,在图4B所示实例中,来自第一神经层3356a的每一节点3358接收36个数据值,因为条件矩阵3352具有36个数据标量(9*4=36)。每一神经元3358包括在图3B中标记为F(x)的相应的内部数学函数。第一神经层3356a的每一节点3358通过将内部数学函数F(x)应用于来自条件矩阵3352的数据字段3354的数据值来产生标量值。以下提供关于内部数学函数F(x)的更多细节。
第二神经层3356b的每一节点3358接收由第一神经层3356a的每一节点3358产生的标量值。因此,在图3B所示实例中,第二神经层3356b的每一节点接收四个标量值,因为在第一神经层3356a中存在四个节点3358。第二神经层3356b的每一节点3358通过将相应的内部数学函数F(x)应用于来自第一神经层3356a的标量值来产生标量值。
第三神经层3356c的每一节点3358接收由第二神经层3356b的每一节点3358产生的标量值。因此,在图3B所示实例中,第三神经层3356c的每一节点接收五个标量值,因为在第二神经层3356b中存在五个节点3358。第三神经层3356c的每一节点3358通过将相应的内部数学函数F(x)应用于来自第二神经层3356b的节点3358的标量值来产生标量值。
神经层3356d的每一节点3358接收由前一神经层(未示出)的每一节点3358产生的标量值。神经层3356d的每一节点3358通过将相应的内部数学函数F(x)应用于来自第二神经层3356b的节点3358的标量值来产生标量值。
最终神经层仅包括单个节点3358。最终神经层接收由前一神经层3356d的每一节点3358产生的标量值。最终神经层3356e的节点3358通过将数学函数F(x)应用于从神经层3356d的节点3358接收的标量值来产生数据值3368。
在图4B所示实例中,数据值3368对应于预计制作工具122,预计制作工具122对应于包括在条件矩阵3352中的值。预计制作工具122可表示为数据值3368中的置信水平(例如,百分比)。在一些实施例中,最终神经层3356e可产生对应于上述各种预测的数据值。最终神经层3356e将包括用于要产生的每一输出数据值的相应节点3358。
在机器学习工艺期间,分析模型将数据值3368中的预计的制作工具122与作为污染物泄漏的来源的实际制作工具122(如数据值3370所示)进行比较。如前所述,对于每组历史环境条件数据,训练集数据3306包括指示由制作工艺产生的半导体晶片的特性的历史工艺结果数据。因此,数据字段3370包括在条件矩阵3352中反映的制作工艺期间存在的实际污染物水平。分析模型3302将来自数据值3368的预计制作工具122与来自数据值3370的实际制作工具122进行比较。分析模型3302产生误差值3372,误差值3372指示来自数据值3368的预计制作工具122与来自数据值3370的实际制作工具122之间的误差或差异。误差值3372用于训练分析模型3302。在一些实施例中,误差值3372是置信水平(例如,百分比)的差异。
通过论述内部数学函数F(x),可更全面地理解分析模型3302的训练。尽管所有节点3358均被利用内部数学函数F(x)进行标记,但每一节点的数学函数F(x)是唯一的。在一个实例中,每一内部数学函数具有以下形式:
F(x)=x1*w1+x2*w2+…xn*w1+b。
在以上方程式中,每一值x1到xn对应于从前一神经层中的节点3358接收的数据值,或者,在第一神经层3356a的情况下,每一值x1到xn对应于来自反射器条件矩阵3352的数据字段3354的相应的数据值。因此,给定节点的n等于前一神经层中的节点的数目。值w1到wn是与来自前一层的对应节点相关联的标量加权值。分析模型3302选择加权值w1到wn的值。常数b是标量偏置值且也可乘以加权值。节点3358产生的值是基于加权值w1到wn。因此,每一节点3358具有n个加权值w1到wn。尽管以上未示出,但每一函数F(x)也可包括激活函数。将以上方程式中给出的和乘以激活函数。激活函数的实例可包括整流线性单位(rectified linear unit,ReLU)函数、西格玛(sigmoid)函数、双曲线张力函数或其他类型的激活函数。
在已计算误差值3372之后,分析模型3302调整各个神经层3356A到3356e的各个节点3358的加权值w1到wn。在分析模型3302调整加权值w1到wn之后,分析模型3302再次向输入神经层3356a提供反射器条件矩阵3352。由于分析模型3302的各个节点3358的加权值不同,因此预计反射率3368将不同于先前的迭代。分析模型3302通过对实际制作工具3370与预计制作工具3368进行比较而再次产生误差值3372。
分析模型3302再次调整与各个节点3358相关联的加权值w1到wn。分析模型3302再次处理条件矩阵3352且产生预计期满时间3368及相关联的误差值3372。训练工艺包括在迭代中调整加权值w1到wn,直到将误差值3372最小化。
图4B示出传递给分析模型3302的单个条件矩阵3352。实际上,训练工艺包括通过分析模型3302传递大量条件矩阵3352,为每一条件矩阵3352产生预计制作工具3368,以及针对每一预计制作工具产生相关联的误差值3372。训练工艺可还包括针对一批条件矩阵3352产生指示所有预计制作工具122的平均误差的聚集误差值。分析模型3302在处理每批条件矩阵3352之后调整加权值w1到wn。训练工艺继续,直到所有条件矩阵3352的平均误差小于选定的阈值容差。当平均误差小于选定的阈值容差时,分析模型3302训练完成,且分析模型被训练成基于环境条件和/或工艺条件精确地预计作为污染物泄漏的来源的制作工具122。然后,可使用分析模型3302预计泄漏且选择将引起泄漏的减少或泄漏的早期遏制的环境和/或工艺条件(例如,通过分派及激活AGV 123)。在经训练的模型3302的使用期间,将环境条件向量或矩阵提供给经训练的分析模型3302,环境条件向量或矩阵表示清洁室121和/或制作工具122的当前环境条件,且具有与条件矩阵3352相似的格式。经训练的分析模型3302然后可预计将由那些环境条件导致的泄漏。
已参照图4B阐述基于神经网络的分析模型3302的特定实例。然而,在不背离本公开的范围的条件下,可利用其他类型的基于神经网络的分析模型,或者除神经网络之外的其他类型的分析模型。此外,在不背离本公开的范围的条件下,神经网络可具有不同数目的神经层,所述不同数目的神经层具有不同数目的节点。
实施例可提供优点。通过利用本地TOF-MS 142,更快的响应时间(1分钟内)是可能的,从而使得实现在预计或检测到电子氟化液(Fluorinert Electronic Liquids,CxF)、IPA/丙酮和/或TVOC泄漏事件清单(event manifest)时更早及更快的响应。AMC对制造的影响可能会降至最低。对AMC情况的监测以准实时方式实行,包括对全局清洁室环境及对每一工艺区段的制作工具或附件,其中突出显示偏离基线、OOC或OOS的区域。可将警报发送给制造操作员及工厂操作员,以便采取进一步的动作,例如维护或修复。基于AI的图形识别程序将测量数据与图像数据库进行比较,且先进的AMC数据比较会验证被识别为污染物泄漏的来源的制作工具的选择。基于AI的管理程序自动判断及分派携带风扇及过滤器的AMC清洁器朝向AMC事件区域移动,从而进行处置。
根据至少一个实施例,一种空气传播污染物管理的方法包括:通过对清洁室的环境进行采样来产生污染物分布图;通过将所述污染物分布图与第一数据库中的至少一个扩散图像进行比较来选择所述清洁室的第一制作工具;将所述第一制作工具的参数与第二数据库中的工艺效用信息进行比较;以及当所述参数与所述工艺效用信息一致时,采取至少一项措施。所述一项措施可包括:将清洁工具移动到与所述污染物分布图的污染物浓度相关联的位置;接通所述清洁工具的风扇;停止向所述第一制作工具的舱式运送;以及终止通过所述第一制作工具进行的生成。
在相关实施例中,选择所述第一制作工具包括:选择所述至少一个扩散图像中的第一扩散图像;以及当所述第一制作工具的置信水平是与所述第一扩散图像相关联的所有制作工具的最高置信水平时,选择所述第一制作工具。
在相关实施例中,所述置信水平是基于至少一个计算流体动力学模拟来确定。
在相关实施例中,所述置信水平是由经训练机器学习分析模型来预测。
在相关实施例中,当所述污染物分布图的峰值浓度水平高于第一阈值时,实行将所述清洁工具移动到所述位置;以及当所述峰值浓度水平高于第二阈值时,实行接通所述风扇,所述第二阈值高于所述第一阈值。
在相关实施例中,当所述峰值浓度水平高于第三阈值时,实行停止所述舱式运送且终止所述生成,所述第三阈值高于所述第二阈值。
在相关实施例中,选择所述第一制作工具包括选择位于所述清洁室的升高地板之下的工具附件。
根据至少一个实施例,一种空气传播污染物管理的方法包括:通过利用采样系统对清洁室污染物进行采样来产生清洁室污染物数据;通过飞行时间质谱仪(TOF-MS)基于所述清洁室污染物数据产生第一图像;基于使用所述第一图像及至少一个其他清洁室扩散图像进行的预测来选择第一制作工具;以及通过由自动导引车辆(AGV)控制器分派的AGV来降低所述第一制作工具附近的污染物浓度。
在相关实施例中,对所述清洁室污染物进行采样包括对氯氟烃、氢氟烃、全氟烃、异丙醇、丙酮及总挥发性有机化合物中的至少一者进行采样。
在相关实施例中,对所述清洁室污染物进行采样包括通过所述采样系统进行采样,所述采样系统包括面密度介于1每平方米到50每平方米的范围内的采样单元。
在相关实施例中,所述采样单元的所述面密度在清洁室的第一区段中比在所述清洁室的第二区段中高。
在相关实施例中,所述第一区段包括刻蚀装置或无电镀铜装置。
在相关实施例中,所述的方法还包括通过对以下内容进行确认来验证所述第一制作工具:来自所述第一制作工具的酸或溶剂供应发送;所述第一制作工具的操作状态;所述第一制作工具的效用信息;或者所述第一制作工具的化学品使用信息。
根据至少一个实施例,一种空气传播污染物管理的方法包括:将晶片定位在制作工具中;检测污染物的高于第一阈值的峰值浓度水平;预计所述制作工具是所述污染物的来源;停止向所述制作工具输送另外的晶片;通过所述制作工具完成对所述晶片的处理;从所述制作工具移除所述晶片;通过修复所述制作工具来降低所述峰值浓度水平;以及当所述制作工具被修复且所述峰值浓度水平低于基线阈值时,恢复向所述制作工具输送所述另外的晶片,所述基线阈值低于所述第一阈值。
在相关实施例中,所述的方法还包括当所述峰值浓度水平超过所述第一阈值与所述基线阈值之间的第二阈值时,向所述制作工具分派清洁工具。
在相关实施例中,所述的方法还包括当所述峰值浓度水平超过所述第二阈值与所述第一阈值之间的第三阈值时,对所述制作工具附近的空气进行过滤。
在相关实施例中,所述的方法还包括当所述峰值浓度水平超过所述第一阈值时,召回所述清洁工具。
在相关实施例中,对所述空气进行过滤包括接通所述清洁工具的与所述清洁工具的过滤器流体连通的风扇。
在相关实施例中,对所述空气进行过滤包括通过所述清洁工具的驱动系统将过滤系统朝向与所述峰值浓度水平相关联的位置进行取向。
在相关实施例中,分派所述清洁工具包括将分派命令从自动导引车辆控制器以无线方式传送到具有过滤系统的自动导引车辆。
前述内容概述若干实施例的特征,以使所属领域中的技术人员可更好地理解本公开的各方面。所属领域中的技术人员应领会,他们可容易地使用本公开作为设计或修改其他工艺及结构的基础以施行与本文中所介绍的实施例相同的目的和/或达成与本文中所介绍的实施例相同的优点。所属领域中的技术人员还应意识到此种等效构造并不背离本公开的精神及范围,且他们可在不背离本公开的精神及范围的条件下在本文中作出各种改变、取代及变更。
Claims (10)
1.一种空气传播污染物管理的方法,包括:
通过对清洁室的环境进行采样来产生污染物分布图;
通过将所述污染物分布图与第一数据库中的至少一个扩散图像进行比较来选择所述清洁室的第一制作工具;
将所述第一制作工具的参数与第二数据库中的工艺效用信息进行比较;以及
当所述参数与所述工艺效用信息一致时,采取以下措施中的至少一项措施:
将清洁工具移动到与所述污染物分布图的污染物浓度相关联的位置;
接通所述清洁工具的风扇;
停止向所述第一制作工具的舱式运送;以及
终止通过所述第一制作工具进行的生成。
2.根据权利要求1所述的方法,其中选择所述第一制作工具包括:
选择所述至少一个扩散图像中的第一扩散图像;以及
当所述第一制作工具的置信水平是与所述第一扩散图像相关联的所有制作工具的最高置信水平时,选择所述第一制作工具。
3.根据权利要求1所述的方法,其中:
当所述污染物分布图的峰值浓度水平高于第一阈值时,实行将所述清洁工具移动到所述位置;以及
当所述峰值浓度水平高于第二阈值时,实行接通所述风扇,所述第二阈值高于所述第一阈值。
4.根据权利要求3所述的方法,其中:
当所述峰值浓度水平高于第三阈值时,实行停止所述舱式运送且终止所述生成,所述第三阈值高于所述第二阈值。
5.一种空气传播污染物管理的方法,包括:
通过利用采样系统对清洁室污染物进行采样来产生清洁室污染物数据;
通过飞行时间质谱仪基于所述清洁室污染物数据产生第一图像;
基于使用所述第一图像及至少一个其他清洁室扩散图像进行的预测来选择第一制作工具;以及
通过由自动导引车辆控制器分派的自动导引车辆来降低所述第一制作工具附近的污染物浓度。
6.根据权利要求5所述的方法,其中对所述清洁室污染物进行采样包括对氯氟烃、氢氟烃、全氟烃、异丙醇、丙酮及总挥发性有机化合物中的至少一者进行采样。
7.根据权利要求5所述的方法,其中对所述清洁室污染物进行采样包括通过所述采样系统进行采样,所述采样系统包括面密度介于1每平方米到50每平方米的范围内的采样单元。
8.一种空气传播污染物管理的方法,包括:
将晶片定位在制作工具中;
检测污染物的高于第一阈值的峰值浓度水平;
预计所述制作工具是所述污染物的来源;
停止向所述制作工具输送另外的晶片;
通过所述制作工具完成对所述晶片的处理;
从所述制作工具移除所述晶片;
通过修复所述制作工具来降低所述峰值浓度水平;以及
当所述制作工具被修复且所述峰值浓度水平低于基线阈值时,恢复向所述制作工具输送所述另外的晶片,所述基线阈值低于所述第一阈值。
9.根据权利要求8所述的方法,还包括当所述峰值浓度水平超过所述第一阈值与所述基线阈值之间的第二阈值时,向所述制作工具分派清洁工具。
10.根据权利要求9所述的方法,还包括当所述峰值浓度水平超过所述第二阈值与所述第一阈值之间的第三阈值时,对所述制作工具附近的空气进行过滤。
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202163163271P | 2021-03-19 | 2021-03-19 | |
US63/163,271 | 2021-03-19 | ||
US17/477,453 US20220297170A1 (en) | 2021-03-19 | 2021-09-16 | Airborne contaminant management method and system |
US17/477,453 | 2021-09-16 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114723213A true CN114723213A (zh) | 2022-07-08 |
Family
ID=82235267
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210042413.0A Pending CN114723213A (zh) | 2021-03-19 | 2022-01-14 | 空气传播污染物管理的方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20220297170A1 (zh) |
CN (1) | CN114723213A (zh) |
TW (1) | TW202238497A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20230066693A1 (en) * | 2021-08-27 | 2023-03-02 | Taiwan Semiconductor Manufacturing Company Ltd. | Method for detecting environmental parameter in semiconductor fabrication facility |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118378113B (zh) * | 2024-06-21 | 2024-09-27 | 中用科技有限公司 | 一种基于时空关联的amc监测数据聚类方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101072620A (zh) * | 2004-06-07 | 2007-11-14 | 安格斯公司 | 去除污染物的系统和方法 |
CN102714135A (zh) * | 2009-12-18 | 2012-10-03 | 阿迪克森真空产品公司 | 通过测量污染控制半导体制造的方法和装置 |
CN103713096A (zh) * | 2012-10-01 | 2014-04-09 | 台湾积体电路制造股份有限公司 | 识别气态分子污染源的方法 |
CN104950037A (zh) * | 2015-06-15 | 2015-09-30 | 广州禾信分析仪器有限公司 | 一种针对挥发性有机物的在线污染源识别监测方法及系统 |
CN108254332A (zh) * | 2018-02-15 | 2018-07-06 | 上海市环境监测中心 | 一种全方位、多层次分析大气环境的移动式实验室 |
CN108826488A (zh) * | 2018-05-07 | 2018-11-16 | 大连理工大学 | 一种自动寻源式的室内污染净化去除装置及方法 |
TW202022777A (zh) * | 2018-12-06 | 2020-06-16 | 濾能股份有限公司 | 微污染管理系統 |
-
2021
- 2021-09-16 US US17/477,453 patent/US20220297170A1/en active Pending
-
2022
- 2022-01-04 TW TW111100296A patent/TW202238497A/zh unknown
- 2022-01-14 CN CN202210042413.0A patent/CN114723213A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101072620A (zh) * | 2004-06-07 | 2007-11-14 | 安格斯公司 | 去除污染物的系统和方法 |
CN102714135A (zh) * | 2009-12-18 | 2012-10-03 | 阿迪克森真空产品公司 | 通过测量污染控制半导体制造的方法和装置 |
CN103713096A (zh) * | 2012-10-01 | 2014-04-09 | 台湾积体电路制造股份有限公司 | 识别气态分子污染源的方法 |
CN104950037A (zh) * | 2015-06-15 | 2015-09-30 | 广州禾信分析仪器有限公司 | 一种针对挥发性有机物的在线污染源识别监测方法及系统 |
CN108254332A (zh) * | 2018-02-15 | 2018-07-06 | 上海市环境监测中心 | 一种全方位、多层次分析大气环境的移动式实验室 |
CN108826488A (zh) * | 2018-05-07 | 2018-11-16 | 大连理工大学 | 一种自动寻源式的室内污染净化去除装置及方法 |
TW202022777A (zh) * | 2018-12-06 | 2020-06-16 | 濾能股份有限公司 | 微污染管理系統 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20230066693A1 (en) * | 2021-08-27 | 2023-03-02 | Taiwan Semiconductor Manufacturing Company Ltd. | Method for detecting environmental parameter in semiconductor fabrication facility |
US11892382B2 (en) * | 2021-08-27 | 2024-02-06 | Taiwan Semiconductor Manufacturing Company Ltd. | Method for detecting environmental parameter in semiconductor fabrication facility |
Also Published As
Publication number | Publication date |
---|---|
US20220297170A1 (en) | 2022-09-22 |
TW202238497A (zh) | 2022-10-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI794451B (zh) | 結合整合式半導體處理模組的自我察知及修正異質平台及其使用方法 | |
CN112106182A (zh) | 结合有集成半导体加工模块的自感知校正异构平台及其使用方法 | |
CN114723213A (zh) | 空气传播污染物管理的方法 | |
CN111542915B (zh) | 使用电子束检验及具有实时情报的深度学习以减少妨害的缺陷探索 | |
US20070168318A1 (en) | Method and system for intelligent automated reticle managment | |
KR101331249B1 (ko) | 제조 데이터 인덱싱을 위한 방법 및 장치 | |
EP2031638A2 (en) | A method of automatically resetting a processing apparatus | |
CN109923654B (zh) | 通过跨层图像相减的晶片噪声减少 | |
JP2002508586A (ja) | クラスタツール | |
KR20080026574A (ko) | 반도체 공정의 헤이즈 제어를 위한 방법 및 시스템 | |
CN108548892A (zh) | 识别气态分子污染源的方法 | |
Tin et al. | A realizable overlay virtual metrology system in semiconductor manufacturing: Proposal, challenges and future perspective | |
KR20240137655A (ko) | 기판 측정들을 사용한 챔버 컴포넌트 컨디션들의 추정 | |
Cholette et al. | Condition monitoring and operational decision making in semiconductor manufacturing | |
Nurani et al. | Development of an optimal sampling strategy for wafer inspection | |
CN110851984B (zh) | 一种数据处理方法及装置 | |
CN113588884B (zh) | 一种基于amc在线监测系统的污染源查找方法 | |
Parks et al. | The evolving role of defects and contamination in semiconductor manufacturing | |
US20240329622A1 (en) | Time series anomaly detection in integrated circuit (ic) fabrication environment | |
Perez | Risk minimization through metrology in semiconductor manufacturing | |
CN118248253B (zh) | 一种半导体气态分子污染物异常预测与应急响应系统及方法 | |
Shindo et al. | Effects of defect propagation/growth on in-line defect-based yield prediction | |
Anaya et al. | Implementation of an effective defect inspection system in a multi product foundry: SM: Smart manufacturing, CFM: Contamination free manufacturing, DI: Defect inspection and reduction, FA: Factory automation/optimization | |
Tobin Jr et al. | Metrology data management and information systems | |
CN118525364A (zh) | 使用基板测量的腔室部件条件估计 |
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 |