CN116830254A - 部件、传感器和计量数据整合 - Google Patents
部件、传感器和计量数据整合 Download PDFInfo
- Publication number
- CN116830254A CN116830254A CN202280014485.2A CN202280014485A CN116830254A CN 116830254 A CN116830254 A CN 116830254A CN 202280014485 A CN202280014485 A CN 202280014485A CN 116830254 A CN116830254 A CN 116830254A
- Authority
- CN
- China
- Prior art keywords
- data
- component
- sensor
- sets
- metrology
- 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
- 230000010354 integration Effects 0.000 title description 34
- 238000012545 processing Methods 0.000 claims abstract description 227
- 239000000758 substrate Substances 0.000 claims abstract description 222
- 238000000034 method Methods 0.000 claims abstract description 72
- 230000009471 action Effects 0.000 claims abstract description 61
- 238000004458 analytical method Methods 0.000 claims abstract description 30
- 238000010801 machine learning Methods 0.000 claims description 117
- 238000004519 manufacturing process Methods 0.000 claims description 92
- 238000005259 measurement Methods 0.000 claims description 33
- 230000015654 memory Effects 0.000 claims description 13
- 238000004630 atomic force microscopy Methods 0.000 claims description 9
- 238000013461 design Methods 0.000 claims description 8
- 239000000463 material Substances 0.000 claims description 8
- 230000003287 optical effect Effects 0.000 claims description 5
- 238000003384 imaging method Methods 0.000 claims description 4
- 238000007689 inspection Methods 0.000 claims description 4
- 239000000047 product Substances 0.000 description 62
- 238000012549 training Methods 0.000 description 55
- 238000012360 testing method Methods 0.000 description 42
- 238000010200 validation analysis Methods 0.000 description 24
- 238000003860 storage Methods 0.000 description 15
- 238000012795 verification Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 12
- 230000004044 response Effects 0.000 description 10
- 238000013507 mapping Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 7
- 235000012431 wafers Nutrition 0.000 description 7
- 238000004590 computer program Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 238000009434 installation Methods 0.000 description 4
- 239000002699 waste material Substances 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000003070 Statistical process control Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000005219 brazing Methods 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000005304 joining Methods 0.000 description 2
- 238000012015 optical character recognition Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000004886 process control Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 206010011906 Death Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000007596 consolidation process Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 description 1
- 238000000227 grinding Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- NJPPVKZQTLUDBO-UHFFFAOYSA-N novaluron Chemical compound C1=C(Cl)C(OC(F)(F)C(OC(F)(F)F)F)=CC=C1NC(=O)NC(=O)C1=C(F)C=CC=C1F NJPPVKZQTLUDBO-UHFFFAOYSA-N 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 239000011265 semifinished product Substances 0.000 description 1
- 230000003746 surface roughness Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000003466 welding 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
- G05B19/418—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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0095—Semiconductive materials
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/39—Circuit design at the physical level
- G06F30/398—Design verification or optimisation, e.g. using design rule check [DRC], layout versus schematics [LVS] or finite element methods [FEM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0205—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/31—From computer integrated manufacturing till monitoring
- G05B2219/31264—Control, autonomous self learn knowledge, rearrange task, reallocate resources
-
- 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
- G05B2219/32179—Quality control, monitor production tool with multiple sensors
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/18—Manufacturability analysis or optimisation for manufacturability
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/22—Yield analysis or yield optimisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Analytical Chemistry (AREA)
- Medicinal Chemistry (AREA)
- Food Science & Technology (AREA)
- Computer Hardware Design (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Automation & Control Theory (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Manufacturing & Machinery (AREA)
- Geometry (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- General Factory Administration (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
- Drying Of Semiconductors (AREA)
Abstract
一种方法包括:接收与基板处理装备的对应部件相关联的部件数据、与由基板处理装备执行以产生一个或多个对应基板的一个或多个对应基板处理操作相关联的传感器数据和由包括对应部件的基板处理装备执行的一个或多个对应基板处理操作产生的一个或多个对应基板相关联的计量数据。方法进一步包括生成聚集的部件‑传感器‑计量数据的集合,所述聚集的部件‑传感器‑计量数据的集合包括部件数据的对应集合、传感器数据的对应集合和计量数据的对应集合。方法进一步包括导致对聚集的部件‑传感器‑计量数据的集合进行分析以生成一个或多个输出,从而执行与基板处理装备的对应部件相关联的校正动作。
Description
技术领域
本案涉及数据整合,并且更具体地,涉及部件、传感器和计量数据整合。
背景技术
产品通过使用制造装备执行一个或多个制造工艺来产生。制造装备由多个部件制成。故障产品可以是通过次最佳部件并且通过次最佳制造工艺导致的。
发明内容
下文是本公开的简要概述以便提供对本公开的一些方面的基本理解。此概述不是本公开的详尽综述。其既不旨在标识本公开的重要或关键元素,也不旨在描绘本公开的特定实施方式的任何范畴或权利要求的任何范畴。其唯一目的是以简要形式呈现本公开的一些概念,作为稍后呈现的更详细描述的序言。
在本公开的一方面中,一种方法包括接收部件数据的多个集合,部件数据的多个集合中的每一者与基板处理装备的对应部件相关联。方法进一步包括接收传感器数据的多个集合,传感器数据的多个集合中的每一者与由基板处理装备执行以产生一个或多个对应基板的一个或多个对应基板处理操作相关联。方法进一步包括接收计量数据的多个集合,计量数据的多个集合中的每一者与由包括对应部件的基板处理装备执行的一个或多个对应基板处理操作产生的一个或多个对应基板相关联。方法进一步包括生成聚集的部件-传感器-计量数据的多个集合,聚集的部件-传感器-计量数据的多个集合中的每一者包括部件数据的对应集合、传感器数据的对应集合和计量数据的对应集合。方法进一步包括导致对聚集的部件-传感器-计量数据的多个集合进行分析以生成一个或多个输出,从而执行与基板处理装备的对应部件相关联的校正动作。
在本公开的一方面中,一种系统包括存储器和耦合到存储器的处理设备。处理设备用于接收部件数据的多个集合,部件数据的多个集合中的每一者与基板处理装备的对应部件相关联。处理设备进一步用于接收传感器数据的多个集合,传感器数据的多个集合中的每一者与由基板处理装备执行以产生一个或多个对应基板的一个或多个对应基板处理操作相关联。处理设备进一步用于接收计量数据的多个集合,计量数据的多个集合中的每一者与由包括对应部件的基板处理装备执行的一个或多个对应基板处理操作产生的一个或多个对应基板相关联。处理设备进一步用于生成聚集的部件-传感器-计量数据的多个集合,聚集的部件-传感器-计量数据的多个集合中的每一者包括部件数据的对应集合、传感器数据的对应集合和计量数据的对应集合。处理设备进一步用于导致对聚集的部件-传感器-计量数据的多个集合进行分析以生成一个或多个输出,从而执行与基板处理装备的对应部件相关联的校正动作。
在本公开的一方面中,一种其上储存有指令的非暂态计算机可读介质,所述指令当由处理设备执行时,使处理设备接收部件数据的多个集合,部件数据的多个集合中的每一者与基板处理装备的对应部件相关联。处理设备进一步用于接收传感器数据的多个集合,传感器数据的多个集合中的每一者与由基板处理装备执行以产生一个或多个对应基板的一个或多个对应基板处理操作相关联。处理设备进一步用于接收计量数据的多个集合,计量数据的多个集合中的每一者与由包括对应部件的基板处理装备执行的一个或多个对应基板处理操作产生的一个或多个对应基板相关联。处理设备进一步用于生成聚集的部件-传感器-计量数据的多个集合,聚集的部件-传感器-计量数据的多个集合中的每一者包括部件数据的对应集合、传感器数据的对应集合和计量数据的对应集合。处理设备进一步用于导致对聚集的部件-传感器-计量数据的多个集合进行分析以生成一个或多个输出,从而执行与基板处理装备的对应部件相关联的校正动作。
附图说明
本公开在附图的图示中通过示例示出而不是通过限制示出。
图1是根据某些实施例示出示例性系统架构的框图。
图2A是根据某些实施例的部件、传感器和计量数据整合的方法的流程图。
图2B是根据某些实施例的部件、传感器和计量数据整合的框图。
图3A是根据某些实施例的用于创建机器学习模型的数据集的示例数据集生成器。
图3B是根据某些实施例示出确定预测数据的框图。
图4A至图4C是根据某些实施例的与部件、传感器和计量数据整合相关联的方法的流程图。
图5是根据某些实施例示出计算机系统的框图。
具体实施方式
本文描述了涉及部件、传感器和计量数据整合的技术。
制造装备用于生成产品。例如,基板处理装备用于产生基板。基板处理装备由部件制成(例如,由部件制造装备制成的部件)。基板处理装备执行基板处理装备。确定基板的性能数据。例如,计量装备用于确定通过基板处理装备经由基板处理操作产生的基板的计量数据(例如,测量、尺寸、材料性质、成像数据等)。具有不满足阈值(例如,不满足阈值尺寸等)的性能数据的基板可以是基板处理装备的一个或多个次最佳部件和/或基板处理操作的一个或多个次最佳参数(例如,温度、压力、流动速率等)的结果。
常规地,改进产品是人工试错工艺。响应于基板的性能数据不满足阈值,常规地用户替换基板处理装备的一个或多个部件和/或改变一个或多个基板处理操作的制造参数。此举重复直到基板的性能数据满足阈值为止。这是耗时的、浪费部件、浪费基板、降低产量、并且可能不产生最佳性能的基板。
常规地,部件数据、传感器数据和计量数据在不同位置中以不同格式存储并且可能不可由用户容易地存取。此举防止对不同类型的数据进行数据分析。在一些情况下,当不良产品性能的原因实际上是由某种不同原因导致的时,不良产品性能被错误地归咎于部件制造、部件安装、基板处理操作、维护等中的一者或多者。
本文公开的系统及方法与部件、传感器和计量数据整合相关联。标识了部件数据、传感器数据和计量数据。部件数据与基板处理装备的对应部件相关联。例如,部件数据可以包括尺寸、材料性质、存储数据、运输数据、环境数据等。传感器数据与通过基板处理装备执行以产生基板的基板处理操作相关联。例如,传感器数据可以包括温度、压力、流动速率等。计量数据与通过包括部件的基板处理装备执行的基板处理操作产生的基板相关联。计量数据可以包括基板的测量、基板的图像等。
部件数据、传感器数据和计量数据被聚集(例如,链接、整合等)以形成聚集的部件-传感器-计量数据。在一些实施例中,部件数据、传感器数据和计量数据中的每一者包括标识符并且在标识符之间的公共部分用于标识部件-传感器-计量匹配以生成聚集的部件-传感器-计量数据的集合。
导致对聚集的部件-传感器-计量数据的集合进行分析以生成输出。输出用于执行与基板处理装备的部件相关联的校正动作。校正动作可以包括更新部件的设计、部件的质量、部件的尺寸、部件的特征布局、部件制造操作以产生部件、执行根本原因分析以确定对部件或基板处理操作的更新等。在一些实施例中,导致对聚集的部件-传感器-计量数据进行分析包括存储聚集的部件-传感器-计量数据。在一些实施例中,导致对聚集的部件-传感器-计量数据进行分析包括使用聚集的部件-传感器-计量数据的数据输入训练机器学习模型以产生经训练的机器学习模型。在一些实施例中,导致对聚集的部件-传感器-计量数据进行分析包括将聚集的部件-传感器-计量数据作为数据输入提供到经训练的机器学习模型以接收输出来执行与基板处理装备的部件相关联的校正动作。
与常规解决方案相比,本案的方面导致技术优点。本案用于在没有习知人工试错的情况下确定校正动作。此举减少时间、减少部件浪费、减少产品浪费和增加产量。与仅考虑数据的一部分的习知解决方案相比,本案导致对部件、传感器和计量数据进行分析以由部件制造和基板制造参数确定校正动作。与常规方案相比,在本公开中使用聚集的部件-传感器-计量数据导致更快速且以更少误差执行校正动作。本公开可用于确定部件可变性和/或运行可变性对基板生产的影响(例如,控制工具操作以改进晶片上性能),这可能无法使用常规解决方案来确定。本公开可用于将部件的制造数据与晶片上性能相关联以标识良好与不良部件并且改进部件制造工艺以增加具有良好晶片上性能的部件的数量。与常规解决方案相比,这可导致更好的部件、更好的基板和更大的产量。
尽管本公开的一些实施例描述了部件数据、传感器数据和计量数据的整合,在一些实施例中,可使用数据的不同组合。例如,可使用聚集的部件-传感器数据、聚集的部件-计量数据、聚集的传感器-计量数据、与其他数据聚集的部件制造数据、与其他数据聚集的部件安装数据-和/或类似者。
尽管本公开的一些实施例描述了与基板处理装备相关联的部件数据、传感器数据和计量数据,但在一些实施例中,部件数据、传感器数据和计量数据可以对应于用于产生产品的其他类型的装备(例如,制造装备)。
图1是根据某些实施例示出系统100的示例性系统架构的框图。系统100包括数据整合服务器102、客户端设备106、部件系统120、传感器系统130、计量系统140、预测服务器112和数据存储150。预测服务器112可以是预测系统110的一部分。预测系统110可进一步包括服务器机器170和180。
部件系统120可包括部件服务器122、部件制造装备124、传感器126和标识符读取器128(例如,用于读取部件号和/或部件的序列号)。传感器系统130包括传感器服务器132(例如,在制造设施处的现场服务服务器(FSS))、基板处理装备134、传感器136和标识符读取器138(例如,用于传感器系统130的前开式标准舱(FOUP)射频识别(RFID)读取器)。计量系统140包括计量服务器142(例如,计量数据库、计量文件夹等)、计量装备144和标识符读取器146(例如,用于计量系统140的FOUP RFID读取器)。
传感器126可提供与由制造装备124产生的部件相关联的部件数据152(例如,部件制造装备124的制造参数、部件的测量等)。
部件数据152可包括以下各项中的一项或多项的值:温度(例如,加热器温度)、间隔(SP)、压力、高频射频(HFRF)、电压、电流、流量、功率、电压等。部件数据152可与制造参数相关联或指示制造参数,诸如硬件参数(例如,部件制造装备124的设置或组件(例如,大小、类型等))或部件制造装备124的处理参数。在部件制造装备124执行制造操作时可提供部件数据152(例如,当制造部件时的装备读数)。部件数据152可针对每个部件不同。部件可在基板处理装备134中使用。例如,部件可以是喷头、基座、加热器、橡胶膜以在执行基板、静电夹盘等的第二侧的基板处理时将压力施加到基板的第一侧。
传感器136可提供与由基板处理装备134产生的基板相关联的传感器数据154(例如,基板处理装备134的制造参数等)。传感器数据154可包括以下各项中的一项或多项的值:温度(例如,加热器温度)、间隔(SP)、压力、高频射频(HFRF)、静电夹盘(ESC)的电压、电流、流量、功率、电压等。传感器数据154可与制造参数相关联或指示制造参数,诸如基板处理装备134的硬件参数(例如,基板处理设备134的设置或组件(例如,大小、类型等))或处理参数。在基板处理装备134执行基板处理操作时可提供传感器数据154(例如,当处理基板时的装备读数)。传感器数据154可针对每个产品(例如,每个基板)不同。
计量装备144可提供由基板处理装备134产生的基板的计量数据156(例如,测量、材料性质、存储信息、环境条件等)。计量装备144可提供与由基板处理装备134产生的基板相关联的计量数据156(例如,基板的性质数据)。计量数据156可包括以下各项中的一项或多项的值:膜性质数据(例如,晶片空间膜性质)、尺寸(例如,厚度、高度等)、介电常数、掺杂浓度、密度、缺陷等。计量数据156可以是成品或半成品的数据。计量数据156可针对每个产品(例如,每个基板)不同。
标识符读取器128、138和/或146可提供标识符158。在一些实施例中,标识符读取器128、138和/或138可以是RFID读取器(例如,FOUP RFID读取器、载体RFID读取器)、成像设备(例如,条形码读取器等)和/或类似者。标识符158包括以下各项中的一项或多项:对载体(例如,载体标识符)的指示、对产品的指示(例如,在载体中的哪个基板、基板次序)、对时间戳的指示(例如,日期、时间等)。
在一些实施例中,部件系统120的标识符读取器128可提供与部件的制造、部件的安装、部件的存储、部件的运输等中的一者或多者相关联的标识符158。
在一些实施例中,传感器系统130的标识符读取器138(例如,FOUP RFID读取器)可提供标识符158(例如,载体标识符,诸如FOUP标识符、基板载体标识符、槽标识符等)。
在一些实施例中,计量系统的标识符读取器146(例如,FOUP RFID读取器)可提供标识符158(例如,载体标识符,诸如FOUP标识符、基板载体标识符、槽标识符等)。
在一些实施例中,产品载体(例如,FOUP、晶片载体)可将基板从基板处理装备134传递到计量装备144。基板可在传感器系统130中和计量系统140中保持相同次序(例如,在FOUP或晶片载体中的相同位置)。例如,可以与将基板载入和载出计量装备144相同的次序(例如,用于经由计量系统140提供计量数据156)来将基板载入和载出基板处理装备134(例如,用于执行基板的基板处理和经由传感器服务器132提供传感器数据154)。在一些实施例中,对应于相同产品的由标识符读取器138提供的标识符158(例如,与传感器系统130相关联的FOUP ID)和由标识符读取器146提供的标识符读取器138(例如,与计量系统140相关联的FOUP ID)与相同的产品载体(例如,相同FOUP)和/或载体标识符(例如,传感器载体标识符和计量载体标识符相同)相关联。
数据整合服务器102、客户端设备106、部件系统120(例如,部件服务器122、部件制造装备124、传感器126、标识符读取器128等)、传感器系统130(例如,传感器服务器132、基板处理装备134、传感器136、标识符读取器138等)、计量系统140(例如,计量服务器142、计量装备144、标识符读取器146等)、预测服务器112、数据存储150、服务器机器170和服务器机器180可经由网络116彼此耦合,以用于生成聚集的部件-传感器-计量数据160以执行校正动作。在一些实施例中,网络116是公共网络,所述公共网络为客户端设备106提供对预测服务器112、数据存储150和其他公共可用的计算设备的存取。在一些实施例中,网络116是专用网络,所述专用网络为数据整合服务器102提供对传感器系统130、计量系统140、数据存储150和其他专用计算设备的存取并且为客户端设备106提供对预测服务器112、数据存储150和其他专用计算设备的存取。网络116可包括一个或多个广域网(WAN)、局域网(LAN)、有线网络(例如,以太网)、无线网络(例如,802.11网络或Wi-Fi网络)、蜂巢网络(例如,长期进化(LTE)网络)、路由器、集线器、开关、服务器计算机、云计算网络和/或其组合。
客户端设备106可包括计算设备,诸如个人计算机(PC)、桌面计算机、膝上型计算机、移动电话、智能电话、平板计算机、笔记本计算机等。客户端设备106可包括校正动作组件108。校正动作组件108可接收与基板处理装备134(例如,基板处理装备的部件、由基板处理装备产生的基板等)相关联的指示的用户输入(例如,经由图形用户接口(GUI),所述GUI经由客户端设备106显示)。在一些实施例中,校正动作组件108将指示传送到预测系统110、从预测系统110接收输出(例如,预测数据164)、基于输出来确定校正动作,并导致实施校正动作。客户端设备106可包括操作系统,所述操作系统允许用户进行以下各项中的一项或多项:生成、查看或编辑数据(例如,与部件、基板处理装备134、基板相关联的指示,与部件相关联的校正动作等)。
校正动作可与以下各项中的一项或多项相关联:计算过程控制(CPC)、统计过程控制(SPC)、自动过程控制(APC)、预防性操作维护、设计优化、更新制造参数、反馈控制、机器学习修改等。
在一些实施例中,校正动作提供警报(例如,若预测数据164指示部件或产品具有不良性能,诸如预测部件的孔不是圆形的,则警告停止或不执行制造工艺)。在一些实施例中,校正动作提供反馈控制(例如,修改制造参数,诸如响应于预测数据164指示预测孔不是圆形的而减慢钻头移除)。在一些实施例中,校正动作提供机器学习(例如,基于预测数据164来修改一个或多个制造参数,诸如钻头旋转、插入速率、移除速率等)。
在一些实施例中,校正动作导致对一个或多个制造参数进行更新。制造参数可包括硬件参数(例如,替换组件、使用某些组件等)和/或处理参数(例如,温度、压力、流量、速率等)。在一些实施例中,校正动作导致预防性操作维护(例如,部件制造装备124和/或基板处理装备134的部件的替换、处理、清洁等)。在一些实施例中,校正动作导致设计优化(例如,更新制造参数、制造工艺、部件设计、基板处理装备134等,用于优化的产品)。
数据整合服务器102、预测服务器112、传感器服务器132、计量服务器142、服务器机器170和服务器机器180可各自包括一个或多个计算设备,诸如机架服务器、路由器计算机、服务器计算机、PC、主计算机、膝上型计算机、平板计算机、桌面计算机、图形处理单元(GPU)、加速器专用集成电路(ASIC)(例如,张量处理单元(TPU))等。
数据整合服务器102可包括数据整合组件104。数据整合组件104可接收部件数据152的集合(例如,来自部件服务器122、来自数据存储150)、传感器数据154的集合(例如,来自传感器服务器132、来自数据存储150)和计量数据156的集合(例如,来自计量服务器142、来自数据存储150),确定在部件数据152的集合、传感器数据154的集合和计量数据156的集合之间的部件-传感器-计量匹配,基于传感器-计量匹配来生成聚集的部件-传感器-计量数据160的集合,以及将聚集的部件-传感器-计量数据160的集合存储在数据存储150中。
预测服务器112可包括预测组件114。在一些实施例中,预测组件114可从数据存储检取聚集的部件-传感器-计量数据160并生成输出(例如,预测数据164),用于基于聚集的部件-传感器-计量数据160来执行与基板处理装备134的部件相关联的校正动作。在一些实施例中,预测组件114可使用经训练的机器学习模型190来确定用于执行校正动作的输出。经训练的机器学习模型190可使用聚集的部件-传感器-计量数据160训练以学习关键工艺和硬件参数。通过经训练的机器学习模型190生成用于执行校正动作的输出可包括通过经训练的机器学习模型190规定最佳操作条件(例如,处理参数)和/或空间(例如,硬件参数)。在一些实施例中,预测组件114通过以下操作来确定用于执行校正动作的预测数据164:将当前数据162(例如,当前聚集的部件-传感器-计量数据160)提供到经训练的机器学习模型190中、从经训练的机器学习模型190获得输出,以及基于输出来确定预测数据164。
数据存储150可以是存储器(例如,随机存取存储器)、驱动器(例如,硬盘驱动器、闪存驱动器)、数据库系统、或能够存储数据的另一类型的组件或设备。数据存储150可包括可跨越多个计算设备(例如,多个服务器计算机)的多个存储组件(例如,多个驱动器或多个数据库)。数据存储150可存储部件数据152、传感器数据154、计量数据156、标识符158、聚集的部件-传感器-计量数据160、当前数据162、预测数据164(例如,预测性能数据)和性能数据166。部件数据152、传感器数据154、计量数据156和聚集的部件-传感器-计量数据160可包括历史数据(例如,用于训练机器学习模型190)。当前数据162可以是对此将生成预测数据164(例如,用于基于历史数据来执行校正动作)的数据(例如,传感器数据154、计量数据156和/或聚集的部件-传感器-计量数据160)。
部件数据152可包括部件值和标识符158。传感器数据154可包括传感器值和标识符158。计量数据156可包括计量值和标识符158。部件数据152、传感器数据154和计量数据156的每个示例(例如,集合)可对应于对应的基板处理装备134(例如,与基板装备标识符相关联)、基板处理装备134的对应部件(例如,与部件标识符相关联)、对应产品载体(例如,与标识符相关联)、对应时间戳(例如,与标识符相关联)和/或对应产品(例如,与产品标识符相关联)。
在一些实施例中,客户端设备106可在数据存储150中存储当前数据162(例如,在生成聚集的部件-传感器-计量数据160之后接收的部件、传感器和/或计量数据),并且预测服务器112可从数据储存器150检取当前数据162。在一些实施例中,预测服务器112可在数据存储150中存储经训练的机器学习模型190的输出(例如,预测数据164)并且客户端设备106可从数据存储150检取输出。
在一些实施例中,预测系统110进一步包括服务器机器170和服务器机器180。服务器机器170包括数据集生成器172,所述数据集生成器能够生成数据集(例如,数据输入的集合、数据输入的集合和目标输出的集合)以训练、验证和/或测试机器学习模型190。数据集生成器172的一些操作在下文关于图3A和图4A详细描述。在一些实施例中,数据集生成器172可将聚集的部件-传感器-计量数据160划分为训练集(例如,聚集的部件-传感器-计量数据160的60%)、验证集合-(例如,聚集的部件-传感器-计量数据160的20%)和测试集(例如,聚集的部件-传感器-计量数据160的20%)。在一些实施例中,预测系统110(例如,经由预测组件114)生成特征的多个集合。例如,第一特征集合可以是对应于数据集中的每一者(例如,训练集、验证集和测试集)的第一数据集(例如,来自第一传感器集合),并且第二特征集合可以是对应于数据集中的每一者的各类型数据的第二集合(例如,来自与第一传感器集合不同的第二传感器集合)。
服务器机器180包括训练引擎182、验证引擎184、选择引擎和/或测试引擎186。引擎(例如,训练引擎182、验证引擎184、选择引擎185和测试引擎186)可指硬件(例如,电路系统、专用逻辑、可程序设计逻辑、微代码、处理设备等)、软件(诸如在处理设备、通用计算机系统或专用机器上运行的指令)、固件、微代码或其组合。训练引擎182可以能够使用与来自数据集生成器172的训练集相关联的特征的一个或多个集合来训练机器学习模型190。训练引擎182可生成多个经训练的机器学习模型190,其中每个经训练的机器学习模型190对应于训练集的特征的不同集合(例如,来自传感器的不同集合的传感器数据)。例如,第一经训练的机器学习模型可能已经使用所有特征(例如,X1-X5)训练,第二经训练的机器学习模型可能已经使用特征的第一子集(例如,X1、X2、X4)训练,并且第三经训练的机器学习模型可能已经使用特征的第二子集(例如,X1、X3、X4和X5)训练,所述第二子集可部分重迭特征的第一子集。
验证引擎184可以能够使用来自数据集生成器172的验证集的特征的对应集合来验证经训练的机器学习模型190。例如,使用训练集的特征的第一集合训练的第一经训练的机器学习模型190可使用验证集的特征的第一集合来验证。验证引擎184可基于验证集的特征的对应集合来确定经训练的机器学习模型190中的每一者的准确性。验证引擎184可丢弃具有不满足阈值准确性的准确性的经训练的机器学习模型190。在一些实施例中,选择引擎185可以能够选择具有满足阈值准确性的准确性的一个或多个经训练的机器学习模型190。在一些实施例中,选择引擎185可以能够选择具有经训练的机器学习模型190的最高准确性的经训练的机器学习模型190。
测试引擎186可以能够使用来自数据集生成器172的测试集的特征的对应集合来测试经训练的机器学习模型190。例如,使用训练集合的特征的第一集合训练的第一经训练的机器学习模型190可使用测试集的特征的第一集合来测试。测试引擎186可基于测试集来确定经训练的机器学习模型190具有所有经训练的机器学习模型的最高准确性。
机器学习模型190可指由训练引擎182使用训练集创建的模型伪影,所述训练集包括数据输入,以及在一些实施例中对应的目标输出(相应训练输入的正确答案)。可以发现数据集中的模式将数据输入群集和/或将数据输入映像到目标输出(正确答案)并且向机器学习模型190提供捕获这些模式的映射。机器学习模型190可使用线性回归、随机森林、神经网络(例如,人工神经网络)等中的一者或多者。
预测组件114可将当前数据162提供给经训练的机器学习模型190并且可对输入运行经训练的机器学习模型190以获得一个或多个输出。预测组件114可以能够由经训练的机器学习模型190的输出确定(例如,提取)预测数据164并且可由输出确定(例如,提取)置信度数据,所述置信度数据指示预测数据164对应于基板处理装备134的部件和/或基板的置信度水平。预测组件114或校正动作组件108可使用置信度数据来基于预测数据164确定是否导致与基板处理装备134相关联的校正动作。
置信度数据可包括或指示预测数据164对应于当前数据162的置信度水平。在一个示例中,置信度水平是在0与1(包括0和1)之间的实数,其中0指示没有预测数据164对应于当前数据162的置信度,并且1指示预测数据164对应于当前数据162的绝对置信度。在一些实施例中,系统100可使用预测系统110来确定预测数据164替代使用计量装备144来确定计量数据。在一些实施例中,响应于指示置信度水平低于阈值水平的置信度数据,系统100可导致计量装备144生成计量数据。响应于针对预定数量的实例指示置信度水平低于阈值水平的置信度数据(例如,实例的百分比、实例的频率、实例的总数等),预测组件114可导致重新训练经训练的机器学习模型190(例如,基于当前数据162和对应于当前数据162的性能数据166等)。
出于说明而非限制的目的,本公开的方面描述了使用聚集的部件-传感器-计量数据160训练机器学习模型以及将当前数据162输入到经训练的机器学习模型中以确定预测数据164。在其他实施方式中,启发式模型或基于规则的模型用于确定预测数据164(例如,而不使用经训练的机器学习模型)。预测组件114可监测聚集的部件-传感器-计量数据160。关于图3A的数据输入301描述的信息中的任一者可被监测或以其他方式用于启发式或基于规则的模型中。
在一些实施例中,数据整合服务器102、客户端设备106、预测服务器112、传感器服务器132、计量服务器142、服务器机器170和服务器机器180的功能可通过较少数量的机器提供。例如,在一些实施例中,服务器机器170和180可整合到单个机器中,而在一些其他实施例中,服务器机器170、服务器机器180和预测服务器112可整合到单个机器中。在一些实施例中,传感器服务器132、计量服务器142和数据整合服务器102可整合到单个机器中。
通常,在一个实施例中描述为由数据整合服务器102、客户端设备106、预测服务器112、传感器服务器132、计量服务器142、服务器机器170和服务器机器180执行的功能也可以在其他实施例中对预测服务器112执行,若适当。此外,归因于特定组件的功能性可以由一起操作的不同或多个组件执行。例如,在一些实施例中,预测服务器112可基于预测数据来确定校正动作。在另一示例中,客户端设备106可基于来自经训练的机器学习模型的输出来确定预测数据164。
此外,特定组件的功能可以由一起操作的不同或多个组件执行。预测服务器112、服务器机器170或服务器机器180中的一者或多者可作为服务存取,所述服务通过适当的应用程序编程接口(API)提供到其他系统或设备。
在实施例中,“用户”可表示为单个个体。然而,本公开的其他实施例涵盖作为由多个用户和/或自动化源控制的实体的“用户”。例如,作为一组管理员联合的独立用户集合可被认为是“用户”。
尽管本公开的实施例关于生成聚集的部件-传感器-计量数据160以在制造设施(例如,基板制造设施)中执行校正动作来论述,但是实施例也可通常应用于数据的聚集类型以执行动作。实施例可通常应用于整合不同类型的数据。例如,传感器数据可与对应组件故障数据聚集,以用于预测组件的寿命终止。在另一示例中,图像可与对应图像分类聚集,以用于预测图像的图像分类。
图2A是根据某些实施例的部件、传感器和计量数据整合的方法200A的流程图。方法200A可由处理逻辑执行,所述处理逻辑可包括硬件(例如,电路系统、专用逻辑、可程序设计逻辑、微代码、处理设备等)、软件(诸如在处理设备、通用计算机系统或专用机器上运行的指令)、固件、微代码或其组合。在一个实施例中,方法200A可部分由数据整合服务器102(例如,数据整合组件104)执行。在一些实施例中,非暂态存储介质存储指令,所述指令当由(例如,数据整合服务器102的)处理设备执行时使处理设备执行方法200A。
为了简单解释,将方法200A描绘且描述为一系列动作。然而,根据本公开的动作可以各种次序和/或同时发生,并且在本文中不呈现和描述其他动作。此外,并非可执行所有示出的动作以实现根据所公开的主题的方法200A。此外,本领域技术人员将理解和认识到,方法200A可以替代地经由状态图或事件表示为一系列相互关联的状态。
参考图2A,在框202处,处理逻辑(例如,从部件服务器122、从数据存储150)接收与基板处理装备的部件相关联的部件数据的集合。可为部件指派标识符。在一些实施例中,为部件指派至少两个唯一标识符,包括部件号(例如,包括版本号)和序列号。在制造部件之后,可(例如,经由自动光学检测(AOI)、原子力显微镜(AFM)和/或坐标测量(CMM))测量尺寸(例如,大小、重量、表面粗糙度、特征位置、特征的几何形状、孔的直径、孔的位置、孔的圆度、部件中最小与最大孔之间的差异、部件中的孔直径的范围、表面拓扑、硬度计、硬度等)。部件数据可包括关于下列的信息:部件在哪里制造、部件如何制造(例如,制造工艺、机器加工、研磨、接合、焊接、清洁、铜焊等)、部件何时制造、固化时间、部件存储和运输的环境条件(例如,温度、湿度、压力等)、部件存储多长时间、部件何时安装、部件的测量、部件的一个或多个标识符等。
部件数据可包括部件测量数据并且可在制造数据库中以部件号和序列号存储。响应于将部件安装到基板处理装备(例如,半导体制造系统)中,部件号、序列号和日期(例如,安装日期)可记录到通用数据库中。通用数据库可将部件测量数据从制造数据库(例如,使用部件号和/或序列号来标识部件测量数据)复制到通用数据库中。
在一些实施例中,部件数据包括AOI测量,诸如通孔配置(例如,在背侧上提供光并且在另一侧上测量照明,这可以用于钻孔)、盲孔配置(例如,在与测量相同侧上的光,这可以在铜焊之后使用)、背光照明(例如,拍摄图像并且拟合圆)、前光(或环光)照明等。可以控制焦点、对比度和图像分析以优化结果。
部件数据的集合可包括部件制造数据(例如,部件制造装备的制造参数、处理参数、硬件参数等)、部件测量数据和/或部件材料性质数据。部件数据的集合的至少一部分可经由AOI装备、AFM和/或CMM机器中的一者或多者来测量。部件数据的集合中的每一者可包括与产生部件相关联的部件值和部件标识符。
部件数据152可包括部件数据的多个集合,其中部件数据的每个集合包括部件值和一个或多个标识符以及时间戳(例如,运行日期、运行小时等,其对应于部件何时由部件制造装备124处理)。
在一些实施例中,针对部件数据152的每个集合,部件服务器122可从传感器126接收部件值(例如,与产生部件的部件制造装备124的部件制造操作相关联)并且可从标识符读取器128接收标识符。
可将标识符添加到部件数据152的文档作为字段或属性。在一些实施例中,部件服务器122在部件数据152的文档上存储标识符信息。
在框204处,处理逻辑(例如,从传感器服务器123、从数据存储150)接收与由基板处理装备执行以产生基板的基板处理操作相关联的传感器数据的集合。传感器数据的集合中的每一者可包括与由基板处理设备产生基板相关联的传感器值和传感器数据标识符。
由于基板由基板处理装备产生(例如,基板在半导体制造系统上运行),将传感器数据(例如,压力、温度、时间、气体流量等)连同晶片上的追踪信息(例如,FOUP号、槽号和日期)记录到传感器数据库中。
传感器数据154可包括传感器数据的多个集合,其中传感器数据的每个集合包括传感器值和一个或多个标识符(例如,诸如LOT_ID之类的传感器数据标识符、诸如FOUP ID之类的传感器载体标识符、产品标识符)和时间戳(例如,运行日期、运行小时等,其对应于产品何时由基板处理装备134处理)。
在一些实施例中,针对传感器数据154的每个集合,传感器服务器132可从传感器136接收传感器值(例如,与产生基板的基板处理装备134的基板处理操作相关联)并且可从与基板的基板载体(例如,FOUP)相关联的标识符读取器138(例如,FOUP RFID读取器)接收标识符(例如,诸如FOUP ID之类的传感器载体标识符)。针对传感器数据的每个集合,传感器服务器132可基于传感器载体标识符和时间戳(例如,通过串接传感器载体标识符的至少一部分和时间戳的至少一部分)来生成标识符(例如,LOT_ID)。例如,针对FOUP ID 3044的传感器载体标识符和2018年11月14日的时间戳,传感器服务器132可生成F3044_111418的传感器数据标识符。接合字符可以是任何字符,诸如「-」、「+」等,如为软件架构所选择或方便的。
可将标识符添加到传感器数据154的文档作为字段或属性。在一些实施例中,传感器服务器132在传感器数据154的文档上存储载体标识符(例如,FOUP ID)信息。在一些实施例中,传感器服务器132基于FOUP ID加上日期戳加上时间戳来自动创建唯一传感器数据标识符(例如,LotID)。
在框206处,处理逻辑(例如,从计量服务器142、从数据存储150)接收由包括部件的基板处理装备执行的基板处理操作产生的基板的计量数据的集合。计量数据的集合中的每一者可包括与由基板处理装备产生的部件相关联的计量值和部件标识符。
在处理基板之后,基板在计量工具(例如,计量装备)上被测量并且基板测量(例如,厚度、膜厚度、层厚度、折射率、粒子数量、晶片上计量数据、成像数据等)连同晶片上的追踪信息(例如,FOUP号、槽号和日期)被记录在计量数据库中。
计量数据156可包括计量数据的多个集合,其中计量数据的每个集合包括计量值和标识符。每个标识符可包括计量载体标识符(例如,FOUP ID)、产品标识符和/或时间戳(例如,日期、小时等,对应于何时测量计量)。
在一些实施例中,针对计量数据156的每个集合,计量服务器142可从计量装备144接收计量值(例如,与由基板处理装备134的基板处理操作产生的基板相关联)并且可从与产品的产品载体(例如,FOUP)相关联的标识符读取器146(例如,FOUP RFID读取器)接收标识符(例如,计量载体标识符,诸如FOUP ID)。针对计量数据的每个集合,计量服务器142可基于计量载体标识符和时间戳来生成标识符158。例如,针对F3044的计量载体标识符(例如,其匹配对应传感器数据154的传感器载体标识符)和2018年11月14日的时间戳,传感器服务器132可生成F3044_111418的计量数据标识符。计量数据156可保存在计量文档中,所述计量文档具有计量数据标识符(例如,LOT_ID)和额外上下文信息(例如,产品标识符等)。
在一些实施例中,相同产品载体(例如,FOUP)可与(例如,执行基板的基板处理的)传感器系统130和(例如,测量晶片的)计量系统140中的相同产品相关联。针对相同产品,传感器载体标识符和计量载体标识符可以是相同的载体标识符。
在一些实施例中,计量服务器142可确定计量数据156是否对应于预测量(例如,在期间获得传感器数据154的执行基板的基板处理之前提供的计量数据156)或后测量(例如,在期间获得传感器数据154的执行基板的基板处理之后提供的计量数据156)。计量服务器142可在标识符158中包括对应计量数据156是预测量还是后测量的指示。例如,对应于预测量的计量数据156的文件名可包含“PRE”,并且不具有“PRE”的文件名可被认为是后测量。
在一些实施例中,在第一时间点处将对应于产品集合的传感器数据154从传感器136提供到传感器服务器132,并且在第二时间点处提供对应于产品的相同集合的计量数据156。在一些实施例中,第一时间点和第二时间点对应于相同日期(例如,相同日期戳)。在一些实施例中,第一时间点和第二时间点是针对匹配的对应载体标识符(例如,针对相同FOUPID)的最近时间点。在一些实施例中,针对为预测量的计量数据156,第二时间点是针对匹配的对应载体标识符(例如,针对相同FOUP ID)的第一时间点之前的最快时间点。在一些实施例中,针对为后测量的计量数据156的部分,第二时间点是针对匹配的对应载体标识符(例如,针对相同FOUP ID)的第一时间点之后的最快时间点。
在一些实施例中,标识符158(例如,FOUP ID加上时间戳)由部件服务器122、传感器服务器132和/或计量服务器142自动生成。在一些实施例中,标识符158由用户输入生成。例如,部件服务器122、传感器服务器132和/或计量服务器142可从用户(例如,工艺工程师)接收请求(例如,工作次序)以存取(例如,查看、存储等)部件数据152、传感器数据154和/或计量数据156的集合。部件服务器122、传感器服务器132和/或计量服务器142可将计量数据156的集合传送到集中式数据库以用于由用户使用。标识符158(例如,FOUP ID加上时间戳,序列ID)可以是针对部件数据152、传感器数据154和/或计量数据156创建的文件名的部分。标识符可通过串接信息(例如,FOUP###_DateStamp,诸如FOUP ID 3044在11/14/2018上运行,在文件名中具有以下字符串FOUP3044_111418连同其他上下文信息)来创建。在一些实施例中,处理逻辑(例如,经由数据整合组件104)可使用人工输入的标识符158替代自动生成的标识符158(例如,用于验证或抽查自动生成的标识符)。
在一些实施例中,在框208处,处理逻辑确定在标识符(例如,部件标识符、传感器数据标识符、计量数据标识符)之间的公共部分以标识部件-传感器-计量匹配。在一些实施例中,公共部分是部件数据152、传感器数据154和/或计量数据156的标识符158之间的子字符串(例如,FOUP3044_111418)。在一些实施例中,处理逻辑搜索部件服务器122、传感器服务器132和计量服务器142并且匹配部件服务器122、传感器服务器132和计量服务器142上的公共部分(例如,子字符串FOUP3044_111418)。
在一些实施例中,每个公共部分(例如,子字符串)包括匹配的对应载体标识符(例如,是相同FOUP ID)。每个公共部分可包括最接近载体匹配的对应传感器时间戳(例如,运行日期)和对应计量时间戳(例如,是同一天、是最近时间点等)。
在一些实施例中,处理逻辑标识计量数据156的预测量集合和/或对应于传感器数据154的集合的计量数据的后测量集合。为了确定对应于传感器数据154的集合的运行日期的预测量计量数据(例如,传感器时间戳),处理逻辑确定运行日期之前的预定时间量(例如,从运行日期回顾五天、运行日期和前五天的公共部分等)具有对应时间戳的计量数据156的所有集合(例如,来自所有计量装备144的计量文档),所述计量数据匹配载体标识符(例如,相同的FOUP ID)、匹配产品标识符(例如,相同槽号)、并且是预测量(例如,在文件名中具有“PRE”)。处理逻辑可选择具有最接近运行日期之前的对应时间戳的计量数据156作为要链接到传感器数据154的预测量计量数据。
为了确定运行日期的后测量计量数据,处理逻辑确定运行日期之后的预定时间量(例如,从运行日期前推五天、运行日期和后五天的公共部分等)具有对应时间戳的计量数据156的所有集合(例如,来自所有计量装备144的计量文档),所述计量数据匹配载体标识符、匹配产品标识符、并且是后测量(例如,在文件名中不具有“PRE”)。处理逻辑可选择具有最接近运行日期之后的对应时间戳的计量数据156作为要链接到传感器数据154的后测量计量数据。
处理逻辑可选择要链接到传感器数据154的集合的计量数据156的一个或多个集合(例如,最近预测量计量数据和最近后测量计量数据)。
在一些实施例中,传感器数据154通过运行(例如,基板处理操作、制造工艺)存储。传感器数据154的每个集合可对应于相同运行。传感器数据154可包括对应基板处理装备134的标识符(例如,工具ID)、对应制造工艺的标识符(例如,运行ID)、时间戳(例如,制造工艺开始时间、运行开始时间,诸如2018-1114 5:00:00.000)、传感器数据标识符(例如,lotID、与时间戳接合的载体标识符,诸如F3044_111418)和制造工艺标识符(例如,配方)。在表1中示出传感器数据154的示例数据结构(例如,表)。
表1
在一些实施例中,将计量数据156存储在文档中,所述文档包括文档标识符(例如,文档ID)、文件名和计量工艺(例如,介电测量、椭偏仪等)。文件名可包括载体标识符(例如,F3044)、时间戳(例如,111418)或时间范围(例如,111418-11.15.18)和产品标识符(例如,指示槽号,诸如“_s1”)。在表2中示出计量数据的示例数据结构(例如,表)。
表2
文档ID | 文件名 | 计量 |
文档1 | Data-F3044_111418-11.15.18-Data_s1.csv | 椭偏仪 |
文档2 | Data-F3044_111418-11.15.18-Data_s2.csv | 椭偏仪 |
文档3 | Data-F3044_111418-11.15.18-Data_s3.csv | 椭偏仪 |
文档4 | Data-F3044_111418-11.15.18-Data_s4.csv | 椭偏仪 |
文档5 | Data-F3044_111418-11.15.18-Data_s5.csv | 椭偏仪 |
处理逻辑可从传感器服务器132接收传感器数据154并且从计量服务器142(例如,共享文件夹)接收计量数据156(例如,计量文档数据)。处理逻辑可标识在传感器数据154与计量数据156之间的公共属性(例如,载体标识符、时间戳、部分、子字符串等)。由于槽完整性(例如,在制造工艺和计量工艺中以相同次序的产品),处理逻辑可以能够通过传感器数据154的次序来标识对应于计量数据156的产品标识符156的传感器数据154(例如,传感器数据154的第一时间戳对应于第一产品标识符)。处理逻辑可通过关联文档标识符、制造装备的标识符和制造工艺标识符来提供在计量数据156(例如,计量文档)与传感器数据154(例如,运行数据)之间的链接。处理逻辑可提供GUI以显示链接信息。在表3中示出在传感器数据154与计量数据156之间的链接的示例数据结构(例如,表)。
表3
表3示出槽2中的产品由工具A于5:00处理,槽4中的产品由工具A于5:10处理,槽1中的产品由工具B于5:00处理,槽3中的产品由工具B于5:10处理,并且槽5中的产品由工具B于5:20处理。处理逻辑可生成聚集的部件-传感器-计量数据160,所述聚集的部件-传感器-计量数据包括传感器数据154、计量数据156和对公共属性的指示(例如,与表3中的链接属性类似或不同)。
在框210处,处理逻辑生成聚集的部件-传感器-计量数据的集合(例如,聚集的部件-传感器-计量数据结构或数据表),所述聚集的部件-传感器-计量数据包括部件数据的对应集合、传感器数据的对应集合和计量数据的对应集合。逻辑逻辑可针对部件-传感器-计量匹配中的每一者生成聚集的部件-传感器-计量数据的集合。
在一些实施例中,与由传感器数据库产生基板相关联的传感器数据和来自计量数据库的基板的计量数据通过匹配追踪信息(例如,FOUP号、槽号和日期)来链接。传感器-计量数据可通过使用日期(例如,部件的安装日期、部件的制造日期和基板处理操作的日期)与来自制造数据库的部件数据链接。链接的数据可以可用于人工数据处理(例如,人工计算、人工处理、使用电子表格或数据分析软件)或自动数据处理(例如,自动计算、自动处理、自动机器学习模型)的格式(例如,聚集的部件-传感器-计量数据)输出。
聚集的部件-传感器-计量数据的每个集合可包括各自对应于(例如,整合、聚集、链接等的)公共标识符158的部件数据的相应集合、传感器数据的相应集合和计量数据的相应集合。例如,聚集的部件-传感器-计量数据结构可包括部件数据、传感器数据(例如,传感器_1至传感器_N)、产品标识符(例如,晶片_ID)、载体标识符(例如,FOUP_ID)、传感器时间戳(例如,日期戳、计量数据(例如,厚度、折射率(RI)、介电常数(k)等)和/或计量时间戳(例如,日期戳),其中产品标识符148与产品标识符匹配,传感器载体标识符与计量载体标识符匹配,并且传感器时间戳与计量时间戳匹配。
在一些实施例中,处理逻辑接合或链接文档与产品标识符(例如,晶片_ID)作为公共字段或属性。
在框212处,处理逻辑导致对聚集的部件-传感器-计量数据的集合进行分析以生成输出,从而执行与基板处理装备的部件相关联的校正动作。
导致对聚集的部件-传感器-计量数据的集合进行分析可包括提供聚集的部件-传感器-计量数据的集合以训练机器学习模型(例如,参见图4B)。
导致对聚集的部件-传感器-计量数据的集合进行分析可包括将聚集的部件-传感器-计量数据的集合提供到经训练的机器学习模型并且从经训练的机器学习模型接收一个或多个输出(例如,参见图4C)。
导致对聚集的部件-传感器-计量数据的集合进行分析可包括对聚集的部件-传感器-计量数据的集合执行数据挖掘、确定(例如,晶片范围和AOI范围)之间的相关性、根本原因放大、群集等(例如,以执行根本原因分析)。在一些实施例中,导致对聚集的部件-传感器-计量数据的集合进行分析标识存在问题(例如,不良均匀性)的一般区域,以用于执行进一步分析(例如,确定如何改进均匀性)。在一些实施例中,导致对聚集的部件-传感器-计量数据的集合进行分析包括以下各项中的一项或多项的阶段:群集、异常检测、关联分析等。例如,分析可用于在确定导致问题的组件的特征之后并且在确定导致问题的制造参数之后确定哪个组件导致问题。
导致对聚集的部件-传感器-计量数据的集合进行分析可包括存储聚集的部件-传感器-计量数据的集合(例如,用于训练机器学习模型以提供能够生成输出的经训练的机器学习模型,从而执行校正动作)。在一些实施例中,处理逻辑在数据存储中、在数据库仓库中、在技术数据仓库中等存储聚集的部件-传感器-计量数据的集合。聚集的部件-传感器-计量数据的集合中的每一者可存储在对应数据结构中(例如,在对应表中、在对应文档中等)。
在一些实施例中,聚集的部件-传感器-计量数据存储在数据库中,所述数据库要基于部件数据、传感器数据和/或计量数据搜索以确定最佳部件设计、部件制造参数、部件特征布局、部件尺寸、部件材料性质等。
在一些实施例中,存储聚集的部件-传感器-计量数据(例如,未标记的数据)以训练机器学习模型(例如,无监督机器学习、群集等)来生成经训练的机器学习模型。经训练的机器学习模型可以能够生成一个或多个输出(例如,预测数据,群集新数据所属的指示)。
在一些实施例中,存储聚集的部件-传感器-计量数据(例如,标记的数据)以训练机器学习模型190(例如,受监督的机器学习)来生成经训练的机器学习模型。经训练的机器学习模型可以能够生成一个或多个输出(例如,人工智能(AI)应用,诸如基于当前数据162的输入生成预测数据164),以用于执行与基板处理装备134相关联的校正动作。
在一些实施例中,聚集的部件-传感器-计量数据在集中位置(例如,数据存储150)中作为编目数据存储以供未来使用。常规地,部件数据、传感器数据和计量数据存储在不同位置中(例如,不同设施,在用户的膝上型计算机上等)。可存在数百个传感器(例如,超过500个),因此随着时间变化的部件数据和传感器数据(例如,在用户的膝上型计算机上)占用大量存储容量并且可能最终被丢弃。方法200A可用于长时间(例如,数月、数年)生成和存储聚集的部件-传感器-计量数据160,以用于稍后分析来执行校正动作。
在一些实施例中,处理逻辑生成聚集的部件-传感器-计量数据的集合而不使用人工地关联部件数据、传感器数据和计量数据的用户输入。在一些实施例中,处理逻辑生成经聚集的部件-传感器-计量数据的集合而不使用光学字符识别(OCR)系统。
在一些实施例中,每个产品载体具有携带产品(例如,基板)的多个槽,并且当产品由基板处理装备134(例如,在腔室上)处理时可维持槽完整性(例如,在槽中的产品的次序),并且发送槽完整性用于由计量装备144进行计量测量(例如,要由基板处理装备134处理的第一产品是要由计量装备144测量的第一产品)。
在一些实施例中,校正动作包括更新部件的设计(例如,消除部件制造操作)、部件的质量(例如,减少部件变化,诸如改进孔的直径、位置和/或圆度)、部件的尺寸(例如,更新部件的一部分的厚度和/或直径)、部件的特征布局(例如,更新部件上的孔位置)、用于产生部件的部件制造操作(例如,替换或避免某些制造操作)等。在一些实施例中,校正动作包括执行根本原因分析以确定部件中的更新或对基板处理操作的更新。在一些实施例中,校正动作包括使GUI显示警报、中断部件制造装备或基板处理装备的操作(例如,停止基板处理装备134、停止基板处理装备134的一部分、不执行制造工艺等)和/或导致对部件制造装备或基板处理装备的制造参数的更新。在一些实施例中,校正动作包括更新基板处理操作(例如,调整操作条件以获得基板输出)。
在一些实施例中,方法200A用于确定在导致不同性能的类似基板处理装备之间的差异(例如,部件差异、制造参数的差异等)。
由于校正动作,新部件可具有更佳质量(例如,减少的变化、减少的孔大小变化等)和/或基板可具有更佳质量(例如,具有在阈值内的测量)。
图2B是根据某些实施例的部件、传感器和计量数据整合的框图200B。框图200B的部分可与图2A的方法200A的框类似或相同。
框图200B可包括部件服务器222、部件系统220、传感器服务器232(例如,FSS、图1的传感器服务器132)、传感器系统230(例如,工具/处理系统,图1的传感器系统130)、计量服务器242和计量系统240(例如,图1的计量系统140)。部件系统220可包括部件制造装备224、传感器226(例如,图1的传感器126)和标识符读取器228。传感器系统230可包括基板处理装备234(例如,图1的基板处理装备134)、传感器236(例如,图1的传感器136)和标识符读取器238(例如,FOUP RFID读取器、图1的标识符读取器138)。计量系统240可包括计量装备244(例如,图1的计量装备144)和标识符读取器246(例如,FOUP RFID读取器、图1的标识符读取器146)。
部件服务器222可从部件系统220接收部件值和部件标识符以生成部件数据252(图1的部件数据152)。传感器服务器232可从传感器系统230接收传感器值和传感器数据标识符以生成传感器数据254(图1的传感器数据154)。计量服务器242可从计量系统240接收计量值和计量数据标识符以生成传感器数据254(图1的传感器数据154)。
数据整合服务器102(例如,经由数据整合组件104)可接收部件数据252(例如,参见框202)、接收传感器数据254(例如,参见框204)和接收计量数据256(例如,参见框206)。在一些实施例中,数据整合服务器102可从用户数据存储接收FOUP ID和日期戳(DateStamp)的用户输入(例如,人工输入)。用户输入可包括标识符(例如,计量数据标识符)的人工录入。数据整合服务器102可将从计量服务器242接收的计量数据与用户输入进行比较以验证计量数据256的准确性(例如,抽查)。
数据整合服务器102可匹配公共部分(例如,子字符串FOUP####_DateStamp)(例如,参见框208)。数据整合服务器102可基于公共部分来生成聚集的部件-传感器-计量数据的集合(例如,参见框210)(例如,链接/接合数据结构(诸如数据表)中的文档)。数据整合服务器102可在数据存储(例如,图1的数据存储150、技术数据仓库(TDW)等)中存储聚集的部件-传感器-计量数据260(例如,图1的聚集的部件-传感器-计量数据160)。
图3A是根据某些实施例的用于使用聚集的部件-传感器-计量数据360(例如,图1的聚集的部件-传感器-计量数据360)来创建机器学习模型(例如,图1的模型190)的数据集的示例数据集生成器372(例如,图1的数据集生成器172)。图3A的系统300A示出了数据集生成器372、数据输入301和目标输出303。
在一些实施例中,数据集生成器372生成包括一个或多个数据输入301(例如,训练输入、验证输入、测试输入)的数据集(例如,训练集、验证集、测试集)。在一些实施例中,数据集进一步包括对应于数据输入301的一个或多个目标输出303。数据集也可包括将数据输入301映射到目标输出303的映射数据。数据输入301也可被称为“特征”、“属性”或“信息”。在一些实施例中,数据集生成器372可将数据集提供到训练引擎182、验证引擎184或测试引擎186,其中数据集用于训练、验证或测试机器学习模型190。生成训练集的一些实施例可进一步关于图4A描述。
在一些实施例中,数据集生成器372基于聚集的部件-传感器-计量数据360来生成数据输入301。在一些实施例中,数据集生成器372基于与聚集的部件-传感器-计量数据360相关联的性能数据366来生成目标输出303。数据集生成器372可确定从聚集的部件-传感器-计量数据360的每个集合到性能数据366的映射。
在一些实施例中,数据输入301可包括聚集的部件-传感器-计量数据360的特征的一个或多个集合。聚集的部件-传感器-计量数据360的每个实例可包括针对一个或多个类型的部件的部件数据、来自一个或多个类型的传感器的传感器数据和/或与一个或多个类型的基板相关联的计量数据。
在一些实施例中,数据集生成器272可生成对应于特征的第一集合的第一数据输入以训练、验证或测试第一机器学习模型,并且数据集生成器272可生成对应于特征的第二集合的第二数据输入以训练、验证或测试第二机器学习模型。
在一些实施例中,数据集生成器272可离散化数据输入301或目标输出303中的一者或多者(例如,以用于回归问题的分类算法中)。数据输入301或目标输出303的离散化可将变量的连续值变换为离散值。在一些实施例中,数据输入301的离散值指示离散制造参数以获得目标输出303(例如,离散性质数据)。
用于训练、验证或测试机器学习模型的数据输入301和目标输出303可包括特定设施(例如,特定部件制造设施或基板制造设施)的信息。例如,聚集的部件-传感器-计量数据360和性能数据366可用于相同的制造设施。
在一些实施例中,用于训练机器学习模型的信息可来自具有特定特性的制造设施的特定类型制造装备(例如,部件制造装备124、基板处理这个134),并且允许经训练的机器学习模型基于与特定组的一个或多个组件共享特性相关联的聚集的部件-传感器-计量数据360的输入来确定特定组的制造装备的结果。在一些实施例中,用于训练机器学习模型的信息可用于来自两个或更多个制造设施的组件并且可允许经训练的机器学习模型基于来自一个制造设施的输入来确定组件的结果。
在一些实施例中,在生成数据集并且使用数据集训练、验证或测试机器学习模型190之后,机器学习模型190可进一步训练、验证或测试(例如,图1的另外的聚集的部件-传感器-计量数据160和性能数据166)或调整(例如,调整与机器学习模型190的输入数据相关联的权重,诸如在神经网络中的连接权重)。
图3B是根据某些实施例的示出用于生成预测数据364(例如,图1的预测数据164)的系统300的框图。系统300B可用于基于聚集的部件-传感器-计量数据360(例如,图1的聚集的部件-传感器-计量数据360)来确定与基板处理装备134的部件相关联的校正动作。
在框310处,系统300(例如,图1的预测系统110)执行聚集的部件-传感器-计量数据360(例如,图1的聚集的部件-传感器-计量数据160)(并且在一些实施例中,性能数据366)的数据划分(例如,经由图1的服务器机器170的数据集生成器172)以生成训练集302、验证集304和测试集306。例如,训练集可以是聚集的部件-传感器-计量数据360的60%,验证集可以是聚集的部件-传感器-计量数据360的20%,并且验证集可以是聚集的部件-传感器-计量数据360的20%。系统300可生成训练集、验证集和测试集中的每一者的特征的多个集合。例如,若聚集的部件-传感器-计量数据360与20个传感器(例如,图1的传感器126)和100个产品(例如,各自对应于来自20个传感器的传感器数据的晶片)相关联,则特征的第一集合可以是传感器1-10,特征的第二集合可以是传感器11-20,训练集可以是产品1-60,验证集可以是产品61-80,并且测试集可以是产品81-100。在该示例中,训练集的特征的第一集合将来自产品1-60的传感器1-10。
在框312处,系统300使用训练集302执行模型训练(例如,经由图1的训练引擎182)。系统300可使用训练集302的特征的多个集合(例如,训练集302的特征的第一集合、训练集302的特征的第二集合等)来训练多个模型。例如,系统300可使用训练集中的特征的第一集合(例如,来自产品1-60的传感器1-10的传感器数据)来训练机器学习模型以生成第一经训练的机器学习模型,并且使用训练集中的特征的第二集合(例如,来自产品1-60的传感器11-20的传感器数据)来生成第二经训练的机器学习模型。在一些实施例中,第一经训练的机器学习模型和第二经训练的机器学习模型可组合以生成第三经训练的机器学习模型(例如,其可以是与第一经训练的机器学习模型或第二经训练的机器学习模型自身相比更佳的预测器)。在一些实施例中,在比较模型中使用的特征集合可重迭(例如,特征的第一集合来自传感器1-15并且特征的第二集合来自传感器5-20)。在一些实施例中,可生成数百个模型,包括具有特征的各种排列的模型和模型的组合。
在框314处,系统300使用验证集304执行模型验证(例如,经由图1的验证引擎184)。系统300可使用验证集304的特征的对应集合来验证经训练的模型中的每一者。例如,系统300可使用验证集中的特征的第一集合(例如,来自产品61-80的传感器1-10的传感器数据)来验证第一经训练的机器学习模型,并且使用验证集中的特征的第二集合(例如,来自产品61-80的传感器11-20的传感器数据)来验证第二经训练的机器学习模型。在一些实施例中,系统300可验证在框312处生成的数百个模型(例如,具有特征的各种排列的模型、模型的组合等)。在框314处,系统300可确定一个或多个经训练模型中的每一者的准确性(例如,经由模型验证)并且可确定一个或多个经训练模型是否具有满足阈值准确性的准确性。响应于确定经训练模型都不具有满足阈值准确性的准确性,流程返回到框312,其中系统300使用训练集的特征的不同集合来执行模型训练。响应于确定一个或多个经训练模型具有满足阈值准确性的准确性,流程继续到框316。系统300可丢弃具有低于阈值准确性的准确性的经训练的机器学习模型(例如,基于验证集)。
在框316处,系统300执行模型选择(例如,经由图1的选择引擎185)以确定满足阈值准确性的一个或多个经训练模型中的哪一者具有最高准确性(例如,经选择模型308,基于框314的验证)。响应于确定满足阈值准确性的两个或更多个经训练模型具有相同准确性,流程可返回到框312,其中系统300使用对应于进一步细化的特征集合的进一步细化的训练集来执行模型训练,以用于确定具有最高准确性的经训练模型。
在框318处,系统300使用测试集306执行模型测试(例如,经由图1的测试引擎186)以测试经选择模型308。系统300可使用测试集中的特征的第一集合(例如,来自产品81-100的传感器1-10的传感器数据)来测试第一经训练的机器学习模型以确定第一经训练的机器学习模型满足阈值准确性(例如,基于测试集306的特征的第一集合)。响应于经选择模型308的准确性不满足阈值准确性(例如,经选择模型308过度地拟合到训练集302和/或验证集304,并且不可适用于其他数据集,诸如测试集306),流程继续到框312,其中系统300使用对应于特征的不同集合(例如,来自不同传感器的传感器数据)的不同训练集来执行模型训练(例如,重新训练)。响应于基于测试集306来确定经选择模型308具有满足阈值准确性的准确性,流程继续到框320。在至少框312中,模型可学习聚集的部件-传感器-计量数据360中的模式以进行预测并且在框318中,系统300可将模型应用于剩余数据(例如,测试集306)以测试预测。
在框320处,系统300使用经训练模型(例如,经选择模型308)以接收当前数据362(例如,图1的当前数据162、图1的当前聚集的部件-传感器-计量数据160)并且从经训练模型的输出来确定(例如,提取)预测数据364(例如,图1的预测数据164)以执行与部件制造装备124的部件相关联的校正动作。
在一些实施例中,接收对应于当前数据362的性能数据366并且基于当前数据362和性能数据366来重新训练模型308。
在一些实施例中,框310-320的一个或多个操作可以各种次序发生和/或与本文未呈现和描述的其他操作发生。在一些实施例中,可以不执行框310-320的一个或多个操作。例如,在一些实施例中,可以不执行框310的数据划分、框314的模型验证、框316的模型选择或框318的模型测试中的一者或多者。
图4A至图4C是根据某些实施例的与部件、传感器和计量数据整合相关联的方法400A-400C的流程图。方法400A-400C可由处理逻辑执行,所述处理逻辑可包括硬件(例如,电路系统、专用逻辑、可程序设计逻辑、微代码、处理设备等)、软件(诸如在处理设备、通用计算机系统或专用机器上运行的指令)、固件、微代码或其组合。在一些实施例中,方法400A可部分由预测系统110(例如,服务器机器170、数据集生成器172等)执行。根据本公开的实施例,预测系统110可使用方法400A来进行机器学习模型的训练、验证或测试中的至少一者。在一些实施例中,如关于图1和图3A描述,方法400A的一个或多个操作可由服务器机器170的数据集生成器172执行。在一些实施例中,方法400B-400C可部分由预测系统110(例如,预测服务器112、预测组件114等)执行。根据本公开的实施例,预测系统110可使用方法400B来训练机器学习模型。根据本公开的实施例,预测系统110可使用方法400C来使用经训练的机器学习模型。在一些实施例中,如关于图1和图3B描述,方法400B-400C的一个或多个操作可由预测服务器112的预测组件114执行。可注意,关于图1、图2或图3A至图3B中的一者或多者描述的组件可用于说明图4A至图4C的方面。在一些实施例中,非暂态存储介质存储指令,所述指令当由(例如,预测系统110的)处理设备执行时,使处理设备执行方法400A-400C。
为了简单解释,将方法400A-400C描绘且描述为一系列动作。然而,根据本公开的动作可以各种次序和/或同时发生以及与本文中未呈现和描述的其他动作发生。此外,并非可执行所有示出的动作以实现根据所公开的目标的方法400A-400C。此外,本领域技术人员将理解和认识到,方法400A-400C可以替代地经由状态图或事件表示为一系列相互关联的状态。
参见图4A,方法400A与生成机器学习模型的数据集相关联,所述机器学习模型用于执行与基板处理装备的部件相关联的校正动作。
在框402处,实施方法400A的处理逻辑将训练集T初始化为空集。
在框404处,处理逻辑生成第一数据输入(例如,第一训练输入、第一验证输入),所述第一数据输入包括聚集的部件-传感器-计量数据(例如,图1的聚集的部件-传感器-计量数据160)。在一些实施例中,第一数据输入可包括各类型的聚集的部件-传感器-计量数据的特征的第一集合,并且第二数据输入可包括各类型的聚集的部件-传感器-计量数据的特征的第二集合(例如,如关于图3A所描述)。处理逻辑可基于聚集的部件-传感器-计量数据160的部分来生成数据输入(例如,从聚集的部件-传感器-计量数据160的数据结构或表提取部件数据152、传感器数据154和/或计量数据156)。
在一些实施例中,在框406处,处理逻辑生成数据输入(例如,第一数据输入)中的一者或多者的第一目标输出。第一目标输出可以是对应性能数据(例如,性能数据366、与聚集的部件-传感器-计量数据160相关联的基板的标记)。处理逻辑可基于聚集的部件-传感器-计量数据160来生成目标输出(例如,从与从其提取数据输入的传感器数据相同的聚集的部件-传感器-计量数据160的数据结构或表提取部件数据152、传感器数据154和/或计量数据156)。
在框408处,处理逻辑可选地生成指示输入/输出映射的映射数据。输入/输出映射(或映射数据)可指数据输入(例如,本文描述的数据输入中的一者或多者)、数据输入的目标输出(例如,其中目标输出标识性能数据166)和(多个)数据输入与目标输出之间的关联。映射数据可以是基于从其提取数据输入和目标输出的聚集的部件-传感器-计量数据160的公共数据结构或表。
在框410处,处理逻辑将在框404处生成的数据输入和/或在框408处生成的映射数据添加到数据集T。
在框412处,处理逻辑基于数据集T是否足够用于对机器学习模型190的训练、验证和/或测试中的至少一者来分支。若是,则执行进行到框414,否则,执行在框404处继续返回。在一些实施例中,数据集T的充分性可简单地基于数据集中的输入/输出映射的数量来确定,而在一些其他实施方式中,除了或替代输入/输出映射的数量,数据集T的充分性可基于一个或多个其他准则(例如,数据示例的多样性的测量、准确性等)来确定。
在框414处,处理逻辑提供数据集T(例如,到服务器机器180)以训练、验证和/或测试机器学习模型190。在一些实施例中,数据集T是训练集并且提供到服务器机器180的训练引擎182以执行训练。在一些实施例中,数据集T是验证集并且提供到服务器机器180的验证引擎184以执行验证。在一些实施例中,数据集T是测试集并且提供到服务器机器180的测试引擎186以执行测试。在神经网络的情况下,例如,将给定输入/输出映射的输入值(例如,与数据输入301相关联的数值)输入到神经网络,并且将输入/输出映射的输出值(例如,与目标输出303相关联的数值)存储在神经网络的输出节点中。神经网络中的连接权重随后根据学习算法(例如,反向传播等)调整,并且程序针对数据集T中的其他输入/输出映射重复。在框414之后,机器学习模型(例如,机器学习模型190)可以是使用服务器机器180的训练引擎182训练、使用服务器机器180的验证引擎184验证、或使用服务器机器180的测试引擎186测试中的至少一者。经训练的机器学习模型可由(预测服务器112的)预测组件114实施以生成预测数据164,以用于执行与基板处理装备134的部件相关联的校正动作。
参见图4B,方法400B与用于执行与基板处理装备的部件相关联的校正动作的训练机器学习模型相关联。
在框420处,处理逻辑标识与基板处理装备的部件相关联的聚集的部件-传感器-计量数据。聚集的部件-传感器-计量数据可由部件的部件数据、由包括部件的基板处理装备执行以生成基板的基板处理操作的传感器数据和基板的计量数据来生成。聚集的部件-传感器-计量数据的集合可以是对应于已经制造的部件和已经产生的基板的历史数据。
在一些实施例中,在框422处,处理逻辑标识对应于聚集的部件-传感器-计量数据的性能数据。在一些实施例中,性能数据指示与聚集的部件-传感器-计量数据相关联的基板的测量(例如,尺寸、图像等)是否满足阈值测量(例如,其是良好还是不良的)。
在框424处,处理逻辑使用包括聚集的部件-传感器-计量数据的数据输入(例如,和包括性能数据的目标输出)来训练机器学习模型以生成经训练的机器学习模型,所述经训练的机器学习模型被配置为生成输出,以导致执行与基板处理装备的部件相关联的校正动作。
在一些实施例中,机器学习模型基于数据输入(例如,不具有目标输出)训练以生成无监督的经训练机器学习模型(例如,以对数据进行群集)。在一些实施例中,机器学习模型基于数据输入和目标输出来训练以生成受监督的经训练机器学习模型。
参见图4C,方法400C与使用用于执行与基板处理装备的部件相关联的校正动作的机器学习模型相关联。
在框440处,处理逻辑接收当前数据。在一些实施例中,当前数据是当前部件和/或当前基板的聚集的部件-传感器-计量数据(例如,对此不存在性能数据)。在一些实施例中,当前数据包括部件数据、传感器数据和/或计量数据。
在框442处,处理逻辑将当前数据(例如,聚集的部件-传感器-计量数据)提供到经训练的机器学习模型。经训练的机器学习模型可通过方法400B训练。
在框444处,处理逻辑从经训练的机器学习模型获得指示预测数据的一个或多个输出。在一些实施例中,预测数据是预测性能数据(例如,基板是良好还是不良的,部件是良好还是不良的)(例如,来自受监督机器学习模型的结果)。在一些实施例中,预测数据是对历史数据与当前数据之间的类似性的指示(例如,历史数据和当前数据是相同群集的部分,当前数据不与任何历史数据群集)(例如,来自无监督机器学习模型的结果)。
在框446处,处理逻辑基于预测数据导致执行与基板处理装备的部件相关联的校正动作。在一些实施例中,校正动作包括调节部件制造(例如,设计、尺寸、特征布局、制造操作)或基板产生(例如,基板处理操作、基板处理设备的硬件、基板处理操作的制造参数等)。
图5是根据某些实施例的示出计算机系统500的框图。在一些实施例中,计算机系统500可连接(例如,经由网络,诸如局域网络(LAN)、内联网、外联网或因特网)到其他计算机系统。计算机系统500可在客户端-服务器环境中在服务器或客户端计算机的容量中操作,或作为同级间或分布式网络环境中的同级计算机操作。计算机系统500可由PC、平板PC、个人数字助理(PDA)、蜂巢电话、网站设备、服务器、网络路由器、开关或网桥、或能够执行指令集(连续或以其他方式)的任何设备来提供,所述指令集指定由所述设备采取的动作。另外,术语“计算机”应当包括计算机的任何集合,所述计算机独立或联合地执行指令集(或多个指令集)以执行本文描述的方法中的任何一者或多者。
在进一步方面中,计算机系统500可包括可经由总线508彼此通信的处理设备502、易失性存储器504(例如,随机存取存储器(RAM))、非易失性存储器506(例如,只读存储器(ROM)或电可擦除可编程ROM(EEPROM))和数据存储设备516。
处理设备502可由一个或多个处理器提供,诸如通用处理器(诸如,例如,复杂指令集计算(CISC)微处理器、精简指令集计算(RISC)微处理器、极长指令字(VLIW)微处理器、实施其他类型的指令集的微处理器、或实施各类型指令集的组合的微处理器)或专用处理器(诸如,例如,专用集成电路(ASIC)、现场可编程门阵列(FPGA)、数字信号处理器(DSP)或网络处理器)。
计算机系统500可进一步包括网络接口设备522。计算机系统500也可包括视频显示单元510(例如,液晶显示器(LCD))、字母数字输入设备512(例如,键盘)、光标控制设备514(例如,鼠标)和信号生成设备520。
在一些实施方式中,数据存储设备516可包括非暂态计算机可读存储介质524,其上可存储对本文描述的方法或功能中的任何一者或多者进行编码的指令526,包括图1的指令编码组件(例如,数据整合组件104、校正动作组件108、预测组件114等)并且用于实施本文描述的方法。
指令526也可在其由计算机系统500执行期间完全或部分驻留在易失性存储器504内和/或处理设备502内,因此,易失性存储器504和处理设备502也可构成机器可读存储介质。
尽管计算机可读存储介质524在说明性示例中示出为单个介质,但是术语“计算机可读存储介质”应当包括存储一个或多个可执行指令集的单个介质或多个介质(例如,集中式或分布式数据库,和/或相关联的高速缓存和服务器)。术语“计算机可读存储介质”也应当包括能够存储或编码指令集用于由计算机执行的任何有形介质,所述指令集使计算机执行本文描述的方法中的任何一者或多者。术语“计算机可读存储介质”应当包括但不限于固态存储器、光学介质和磁性介质。
本文描述的方法、组件和特征可由离散硬件组件实施或可整合在其他硬件组件(诸如ASIC、FPGA、DSP或类似设备)的功能性中。此外,方法、组件和特征可以由固件模块或硬件设备内的功能性电路系统实施。另外,方法、组件和特征可以硬件设备和计算机程序组件的任何组合实施,或以计算机程序实施。
除非另外具体声明,否则诸如“接收”、“生成”、“导致”、“确定”、“更新”、“执行”、“存储”、“训练”、“中断”、“选择”、“提供”、“显示”等之类的术语指由计算机系统执行或实施的动作和工艺,所述计算机系统将表示为计算机系统寄存器和存储器内的物理(电子)量的数据操控和变换为类似地表示为计算机系统存储器或寄存器或其他此种信息存储、传输、或显示设备内的物理量的其他数据。此外,如本文使用,术语“第一”、“第二”、“第三”、“第四”等意指在不同组件之中进行区分的标记并且根据其数字命名可能不具有序数意义。
本文描述的示例也涉及一种用于执行本文描述的方法的装置。该装置可被专门构造用于执行本文描述的方法,或可包括由存储在计算机系统中的计算机程序选择性编程的通用计算机系统。此种计算机程序可存储在计算机可读有形存储介质中。
本文描述的方法和说明性示例并非固有地关于任何特定计算机或其他装置。各种通用系统可根据本文描述的教导使用,或可证明构造更专用的设备以执行本文描述的方法和/或其独立功能、例程、子例程、或操作中的每一者是方便的。各种这些系统的结构的示例在上文描述中被阐述。
以上描述旨在是说明性而非限制性的。尽管已经参考特定说明性示例和实施方式描述了本公开,但将认识到本公开不限于所描述的示例和实施方式。本公开的范畴应当参考所附权利要求连同这些权利要求所赋予的等效物的全部范畴来确定。
Claims (20)
1.一种方法,所述方法包括:
接收部件数据的多个集合,部件数据的所述多个集合中的每一者与基板处理装备的对应部件相关联;
接收传感器数据的多个集合,传感器数据的所述多个集合中的每一者与由所述基板处理装备执行以产生一个或多个对应基板的一个或多个对应基板处理操作相关联;
接收计量数据的多个集合,计量数据的所述多个集合中的每一者与由包括所述对应部件的所述基板处理装备执行的所述一个或多个对应基板处理操作产生的所述一个或多个对应基板相关联;以及
生成聚集的部件-传感器-计量数据的多个集合,聚集的部件-传感器-计量数据的所述多个集合中的每一者包括部件数据的对应集合、传感器数据的对应集合和计量数据的对应集合;以及
导致对聚集的部件-传感器-计量数据的所述多个集合进行分析以生成一个或多个输出,从而执行与所述基板处理装备的所述对应部件相关联的校正动作。
2.如权利要求1所述的方法,其中部件数据的所述多个集合包括部件制造数据、部件测量数据或部件材料性质数据中的一者或多者。
3.如权利要求1所述的方法,其中部件数据的所述多个集合的至少一部分是经由以下各项中的一项或多项测量的:自动光学检查(AOI)装备、原子力显微镜(AFM)或坐标测量(CMM)机器。
4.如权利要求1所述的方法,其中传感器数据的所述多个集合包括压力数据、温度数据、时间数据或气体流量数据中的一者或多者。
5.如权利要求1所述的方法,其中计量数据的所述多个集合包括晶片上计量数据、成像数据或厚度数据中的一者或多者。
6.如权利要求1所述的方法,其中:
部件数据的所述多个集合中的每一者包括与产生所述对应部件相关联的对应部件值和对应部件标识符;
传感器数据的所述多个集合中的每一者包括与由所述基板处理装备产生所述一个或多个对应基板相关联的对应传感器值和对应传感器数据标识符;以及
计量数据的所述多个集合中的每一者包括与由所述基板处理装备产生的所述一个或多个对应基板相关联的对应计量值和对应计量数据标识符。
7.如权利要求6所述的方法,其中所述生成聚集的部件-传感器-计量数据的所述多个集合包括:
确定每个对应部件标识符、每个对应传感器数据标识符和每个对应计量数据标识符之间的公共部分以标识部件-传感器-计量匹配;以及
针对所述部件-传感器-计量匹配中的每一者,生成聚集的部件-传感器-计量数据的对应集合,聚集的部件-传感器-计量数据的所述对应集合包括对应于所述对应部件标识符的部件数据的相应集合、对应于所述对应传感器数据标识符的传感器数据的相应集合和对应于所述对应计量数据标识符的计量数据的相应集合,以生成聚集的部件-传感器-计量数据的所述多个集合。
8.如权利要求1所述的方法,其中所述导致对聚集的部件-传感器-计量数据的所述多个集合进行所述分析包括:提供聚集的部件-传感器-计量数据的所述多个集合以训练机器学习模型。
9.如权利要求1所述的方法,其中所述导致对聚集的部件-传感器-计量数据的所述多个集合进行所述分析包括:将聚集的部件-传感器-计量数据的所述多个集合提供到经训练的机器学习模型以及从所述经训练的机器学习模型接收所述一个或多个输出。
10.如权利要求1所述的方法,其中所述导致对聚集的部件-传感器-计量数据的所述多个集合进行所述分析包括:存储聚集的部件-传感器-计量数据的所述多个集合以训练机器学习模型从而提供经训练的机器学习模型,并且其中所述经训练的机器学习模型能够生成所述一个或多个输出以执行所述校正动作。
11.如权利要求1所述的方法,其中执行所述校正动作包括以下操作中的一者或多者:
更新所述对应部件的设计;
更新所述对应部件的质量;
更新所述对应部件的尺寸;
更新所述对应部件的特征布局;
更新部件制造操作以产生所述对应部件;或
执行根本原因分析以确定对所述对应部件或对所述一个或多个对应基板处理操作的更新。
12.一种系统,包括:
存储器;以及
处理设备,所述处理设备耦合到所述存储器,所述处理设备用于:
接收部件数据的多个集合,部件数据的所述多个集合中的每一者与基板处理装备的对应部件相关联;
接收传感器数据的多个集合,传感器数据的所述多个集合中的每一者与由所述基板处理装备执行以产生一个或多个对应基板的一个或多个对应基板处理操作相关联;
接收计量数据的多个集合,计量数据的所述多个集合中的每一者与由包括所述对应部件的所述基板处理装备执行的所述一个或多个对应基板处理操作产生的所述一个或多个对应基板相关联;以及
生成聚集的部件-传感器-计量数据的多个集合,聚集的部件-传感器-
计量数据的所述多个集合中的每一者包括部件数据的对应集合、传感器数据的对应集合和计量数据的对应集合;以及
导致对聚集的部件-传感器-计量数据的所述多个集合进行分析以生成一个或多个输出,从而执行与所述基板处理装备的所述对应部件相关联的校正动作。
13.如权利要求12所述的系统,其中:
部件数据的所述多个集合包括部件制造数据、部件测量数据或部件材料性质数据中的一者或多者;以及
部件数据的所述多个集合的至少一部分经由以下各项中的一项或多项测量:自动光学检查(AOI)装备、原子力显微镜(AFM)或坐标测量(CMM)机器。
14.如权利要求12所述的系统,其中为了导致对聚集的部件-传感器-计量数据的所述多个集合进行所述分析,所述处理设备用于提供聚集的部件-传感器-计量数据的所述多个集合以训练机器学习模型。
15.如权利要求12所述的系统,其中为了导致对聚集的部件-传感器-计量数据的所述多个集合进行所述分析,所述处理设备用于将聚集的部件-传感器-计量数据的所述多个集合提供到经训练的机器学习模型并且从所述经训练的机器学习模型接收所述一个或多个输出。
16.如权利要求12所述的系统,其中为了导致对聚集的部件-传感器-计量数据的所述多个集合进行所述分析,所述处理设备用于储存聚集的部件-传感器-计量数据的所述多个集合以训练机器学习模型从而提供经训练的机器学习模型,并且其中所述经训练的机器学习模型能够生成所述一个或多个输出以执行所述校正动作。
17.一种其上储存有指令的非暂态计算机可读介质,所述指令当由处理设备执行时,使所述处理设备:
接收部件数据的多个集合,部件数据的所述多个集合中的每一者与基板处理装备的对应部件相关联;
接收传感器数据的多个集合,传感器数据的所述多个集合中的每一者与由所述基板处理装备执行以产生一个或多个对应基板的一个或多个对应基板处理操作相关联;
接收计量数据的多个集合,计量数据的所述多个集合中的每一者与由包括所述对应部件的所述基板处理装备执行的所述一个或多个对应基板处理操作产生的所述一个或多个对应基板相关联;以及
生成聚集的部件-传感器-计量数据的多个集合,聚集的部件-传感器-计量数据的所述多个集合中的每一者包括部件数据的对应集合、传感器数据的对应集合和计量数据的对应集合;以及
导致对聚集的部件-传感器-计量数据的所述多个集合进行分析以生成一个或多个输出,从而执行与所述基板处理装备的所述对应部件相关联的校正动作。
18.如权利要求17所述的非暂态计算机可读介质,其中:
部件数据的所述多个集合包括部件制造数据、部件测量数据或部件材料性质数据中的一者或多者;以及
部件数据的所述多个集合的至少一部分经由以下各项中的一项或多项测量:自动光学检查(AOI)装备、原子力显微镜(AFM)、或坐标测量(CMM)机器。
19.如权利要求17所述的非暂态计算机可读介质,其中为了导致对聚集的部件-传感器-计量数据的所述多个集合进行所述分析,所述处理设备用于提供聚集的部件-传感器-计量数据的所述多个集合以训练机器学习模型。
20.如权利要求17所述的非暂态计算机可读介质,其中为了导致对聚集的部件-传感器-计量数据的所述多个集合进行所述分析,所述处理设备用于将聚集的部件-传感器-计量数据的所述多个集合提供到经训练的机器学习模型并且从所述经训练的机器学习模型接收所述一个或多个输出。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US17/177,978 | 2021-02-17 | ||
US17/177,978 US11853042B2 (en) | 2021-02-17 | 2021-02-17 | Part, sensor, and metrology data integration |
PCT/US2022/016003 WO2022177805A1 (en) | 2021-02-17 | 2022-02-10 | Part, sensor, and metrology data integration |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116830254A true CN116830254A (zh) | 2023-09-29 |
Family
ID=82801169
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202280014485.2A Pending CN116830254A (zh) | 2021-02-17 | 2022-02-10 | 部件、传感器和计量数据整合 |
Country Status (6)
Country | Link |
---|---|
US (2) | US11853042B2 (zh) |
JP (1) | JP2024509741A (zh) |
KR (1) | KR20230146069A (zh) |
CN (1) | CN116830254A (zh) |
TW (1) | TW202236119A (zh) |
WO (1) | WO2022177805A1 (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11592812B2 (en) | 2019-02-19 | 2023-02-28 | Applied Materials, Inc. | Sensor metrology data integration |
US20220066410A1 (en) * | 2020-08-28 | 2022-03-03 | Pdf Solutions, Inc. | Sequenced Approach For Determining Wafer Path Quality |
US11989495B2 (en) * | 2020-12-31 | 2024-05-21 | Applied Materials, Inc. | Systems and methods for predicting film thickness using virtual metrology |
US11853042B2 (en) | 2021-02-17 | 2023-12-26 | Applied Materials, Inc. | Part, sensor, and metrology data integration |
Family Cites Families (33)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7337019B2 (en) * | 2001-07-16 | 2008-02-26 | Applied Materials, Inc. | Integration of fault detection with run-to-run control |
US7401066B2 (en) | 2002-03-21 | 2008-07-15 | Applied Materials, Inc. | Correlation of end-of-line data mining with process tool data mining |
US6751518B1 (en) | 2002-04-29 | 2004-06-15 | Advanced Micro Devices, Inc. | Dynamic process state adjustment of a processing tool to reduce non-uniformity |
US7363099B2 (en) * | 2002-06-07 | 2008-04-22 | Cadence Design Systems, Inc. | Integrated circuit metrology |
US20040167655A1 (en) * | 2003-02-22 | 2004-08-26 | Scott Middlebrooks | Optimal model predictive control of overlay implemented in a ASIC fab |
US7321993B1 (en) * | 2004-07-01 | 2008-01-22 | Advanced Micro Devices, Inc. | Method and apparatus for fault detection classification of multiple tools based upon external data |
US7212878B2 (en) * | 2004-08-27 | 2007-05-01 | Tokyo Electron Limited | Wafer-to-wafer control using virtual modules |
US7359759B2 (en) | 2005-10-31 | 2008-04-15 | Taiwan Semiconductor Manufacturing Company | Method and system for virtual metrology in semiconductor manufacturing |
US20080262769A1 (en) * | 2007-04-23 | 2008-10-23 | Daniel Kadosh | Using multivariate health metrics to determine market segment and testing requirements |
US7765020B2 (en) | 2007-05-04 | 2010-07-27 | Applied Materials, Inc. | Graphical user interface for presenting multivariate fault contributions |
US7873585B2 (en) * | 2007-08-31 | 2011-01-18 | Kla-Tencor Technologies Corporation | Apparatus and methods for predicting a semiconductor parameter across an area of a wafer |
CN101621016B (zh) | 2008-07-02 | 2011-10-05 | 中芯国际集成电路制造(上海)有限公司 | 在制造集成电路中用于缺陷检测的方法和系统 |
US8239056B2 (en) * | 2009-11-11 | 2012-08-07 | Taiwan Semiconductor Manufacturing Company, Ltd. | Advanced process control for new tapeout product |
US10295993B2 (en) * | 2011-09-01 | 2019-05-21 | Kla-Tencor Corporation | Method and system for detecting and correcting problematic advanced process control parameters |
US9915940B2 (en) | 2011-10-31 | 2018-03-13 | Applied Materials, Llc | Bi-directional association and graphical acquisition of time-based equipment sensor data and material-based metrology statistical process control data |
US9031684B2 (en) * | 2011-11-01 | 2015-05-12 | Taiwan Semiconductor Manufacturing Company, Ltd. | Multi-factor advanced process control method and system for integrated circuit fabrication |
US9588441B2 (en) * | 2012-05-18 | 2017-03-07 | Kla-Tencor Corporation | Method and device for using substrate geometry to determine optimum substrate analysis sampling |
US20140149296A1 (en) | 2012-11-29 | 2014-05-29 | Applied Materials, Inc. | Enhanced preventative maintenance utilizing direct part marking |
US9470743B2 (en) * | 2014-03-04 | 2016-10-18 | Nvidia Corporation | Dynamic yield prediction |
WO2016086138A1 (en) * | 2014-11-25 | 2016-06-02 | Stream Mosaic, Inc. | Improved process control techniques for semiconductor manufacturing processes |
US20160342147A1 (en) | 2015-05-19 | 2016-11-24 | Applied Materials, Inc. | Methods and systems for applying run-to-run control and virtual metrology to reduce equipment recovery time |
WO2017016839A1 (en) | 2015-07-24 | 2017-02-02 | Asml Netherlands B.V. | Inspection apparatus, inspection method, lithographic apparatus and manufacturing method |
US10713586B2 (en) | 2015-07-24 | 2020-07-14 | Certis Cisco Security Pte Ltd | System and method for high speed threat intelligence management using unsupervised machine learning and prioritization algorithms |
JP6382911B2 (ja) | 2016-11-01 | 2018-08-29 | ファナック株式会社 | ワイヤ放電加工機 |
EP3352013A1 (en) * | 2017-01-23 | 2018-07-25 | ASML Netherlands B.V. | Generating predicted data for control or monitoring of a production process |
TWI644190B (zh) | 2017-06-29 | 2018-12-11 | 台灣積體電路製造股份有限公司 | 製程系統與製程方法 |
TWI647564B (zh) | 2017-11-07 | 2019-01-11 | 先智雲端數據股份有限公司 | 用於診斷資料中心儲存設備之剩餘壽命的方法與系統 |
KR102666904B1 (ko) * | 2018-03-13 | 2024-05-20 | 어플라이드 머티어리얼스, 인코포레이티드 | 반도체 처리의 모니터링을 위한 기계 학습 시스템들 |
KR102603071B1 (ko) * | 2018-12-07 | 2023-11-15 | 에이에스엠엘 네델란즈 비.브이. | 반도체 제조 프로세스에서 수율에 영향을 주는 근본 원인을 결정하기 위한 방법 |
US11263737B2 (en) | 2019-01-10 | 2022-03-01 | Lam Research Corporation | Defect classification and source analysis for semiconductor equipment |
US11592812B2 (en) | 2019-02-19 | 2023-02-28 | Applied Materials, Inc. | Sensor metrology data integration |
KR20210134823A (ko) | 2019-03-29 | 2021-11-10 | 램 리써치 코포레이션 | 기판 프로세싱 시스템들을 위한 모델 기반 스케줄링 |
US11853042B2 (en) | 2021-02-17 | 2023-12-26 | Applied Materials, Inc. | Part, sensor, and metrology data integration |
-
2021
- 2021-02-17 US US17/177,978 patent/US11853042B2/en active Active
-
2022
- 2022-02-10 CN CN202280014485.2A patent/CN116830254A/zh active Pending
- 2022-02-10 WO PCT/US2022/016003 patent/WO2022177805A1/en active Application Filing
- 2022-02-10 KR KR1020237031428A patent/KR20230146069A/ko unknown
- 2022-02-10 JP JP2023548968A patent/JP2024509741A/ja active Pending
- 2022-02-14 TW TW111105218A patent/TW202236119A/zh unknown
-
2023
- 2023-10-26 US US18/495,724 patent/US20240061409A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
TW202236119A (zh) | 2022-09-16 |
WO2022177805A1 (en) | 2022-08-25 |
JP2024509741A (ja) | 2024-03-05 |
US20220260978A1 (en) | 2022-08-18 |
US20240061409A1 (en) | 2024-02-22 |
KR20230146069A (ko) | 2023-10-18 |
US11853042B2 (en) | 2023-12-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113454552B (zh) | 传感器计量数据整合 | |
CN116830254A (zh) | 部件、传感器和计量数据整合 | |
US20220198333A1 (en) | Recipe optimization through machine learning | |
TW202346959A (zh) | 用於製造設備的診斷工具與工具之匹配和比較下鑽分析方法 | |
TW202343177A (zh) | 用於製造設備的診斷工具與工具之匹配和全跡比較下鑽分析方法 | |
US20130080372A1 (en) | Architecture and methods for tool health prediction | |
US20100131091A1 (en) | A method and relative device for the management of technological recipe information to aid in defining process flows, in particular for the development and production of micro-and nanotechnology devices in cleanroom laboratories | |
TW202343176A (zh) | 用於製造設備的診斷工具與工具之匹配方法 | |
CN117980840A (zh) | 用于基板处理的机器学习平台 | |
Cherukuri et al. | Control Spare Parts Inventory Obsolescence by Predictive Modelling | |
CN114916237A (zh) | 用于缺陷分析的计算机实现的方法、评估缺陷出现的可能性的计算机实现的方法、用于缺陷分析的设备、计算机程序产品和智能缺陷分析系统 | |
US20240144464A1 (en) | Classification of defect patterns of substrates | |
TWI230349B (en) | Method and apparatus for analyzing manufacturing data | |
US20240087135A1 (en) | Clog detection via image analytics | |
Adesiyan | Performance prediction of production lines using machine learning algorithm | |
US20240062097A1 (en) | Equipment parameter management at a manufacturing system using machine learning | |
US20230306281A1 (en) | Machine learning model generation and updating for manufacturing equipment | |
TW202334771A (zh) | 與值無關的情況的識別和匹配 | |
TW202349153A (zh) | 用於判定處理設備效能的綜合分析模組 | |
Chien et al. | Bayesian inference for multi-label classification for root cause analysis and probe card maintenance decision support and an empirical study | |
KR20230158428A (ko) | 기판 처리 장비를 위한 다차원 센서 데이터의 전체적 분석 | |
TW202424831A (zh) | 在使用機器學習的製造系統處的裝備參數管理 | |
TW202422746A (zh) | 用於製程學習的基板輪廓的分段函數擬合 | |
TW202307599A (zh) | 半導體製造的生態效率(可持續性)儀表板 |
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 |