CN116872218B - 一种半导体晶圆传送过程偏心纠正方法及纠正系统 - Google Patents
一种半导体晶圆传送过程偏心纠正方法及纠正系统 Download PDFInfo
- Publication number
- CN116872218B CN116872218B CN202311136432.0A CN202311136432A CN116872218B CN 116872218 B CN116872218 B CN 116872218B CN 202311136432 A CN202311136432 A CN 202311136432A CN 116872218 B CN116872218 B CN 116872218B
- Authority
- CN
- China
- Prior art keywords
- wafer
- eccentric
- speed
- real
- negative pressure
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 90
- 238000012937 correction Methods 0.000 title claims abstract description 70
- 239000004065 semiconductor Substances 0.000 title claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 115
- 238000010801 machine learning Methods 0.000 claims abstract description 84
- 238000001179 sorption measurement Methods 0.000 claims abstract description 62
- 238000004519 manufacturing process Methods 0.000 claims abstract description 31
- 235000012431 wafers Nutrition 0.000 claims description 247
- 230000005540 biological transmission Effects 0.000 claims description 48
- 238000012360 testing method Methods 0.000 claims description 48
- 238000012546 transfer Methods 0.000 claims description 44
- 239000013598 vector Substances 0.000 claims description 38
- 230000001133 acceleration Effects 0.000 claims description 28
- 238000005457 optimization Methods 0.000 claims description 24
- 230000015654 memory Effects 0.000 claims description 16
- 230000033001 locomotion Effects 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000013480 data collection Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000003708 edge detection Methods 0.000 claims description 3
- 230000002068 genetic effect Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1628—Programme controls characterised by the control loop
- B25J9/163—Programme controls characterised by the control loop learning, adaptive, model based, rule based expert control
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1602—Programme controls characterised by the control system, structure, architecture
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1612—Programme controls characterised by the hand, wrist, grip control
-
- 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]
Abstract
本发明公开了一种半导体晶圆传送过程偏心纠正方法及纠正系统,涉及晶圆传送偏心纠正技术领域,通过收集负压训练数据以及偏心训练数据,训练出预测晶圆负压值的第一机器学习模型以及预测偏心速度的第二机器学习模型,收集实时传送数据,并在监测到晶圆发生偏心时,基于晶圆偏心速度、实时传送数据、第一机器学习模型和第二机器学习模型,获得吸附力纠偏值和速度纠偏值;控制生产晶圆传送机械臂上吸盘的吸附力增大吸附力纠偏值,并控制机械臂移动速度降低速度纠偏值;达到及时发现晶圆偏心并进行在安全范围内的处理,保证晶圆的安全性的效果。
Description
技术领域
本发明涉及晶圆传送偏心纠正技术领域,具体是一种半导体晶圆传送过程偏心纠正方法及纠正系统。
背景技术
在晶圆机械臂对晶圆进行传送的过程中,偏心情况指的是晶圆在机械臂上或传送过程中的重心与轴线不完全重合的情况。晶圆是圆形的,如果晶圆在机械臂或传送系统中的位置偏离轴心,就会出现偏心;
偏心可能由多种原因造成,包括但不限于吸附力度不足、机械臂的运动不平稳以及外力干扰等;在传送过程中,因偏心的原因往往是机械原因,对其停机再重新纠正机械臂的位置,并不能保证后续传送过程不会再发生偏心问题;而通过调整机械臂的速度和吸附力等参数,从而降低晶圆的惯性和增大晶圆的吸附程度,可以有效解决晶圆偏心问题,且对后续的晶圆传送也具有保障;
申请公开号为CN115732380A的发明专利公开了一种晶圆偏心调节方法,包括以下步骤:S1、采样,采集晶圆的边缘位置数据;S2、拟合,拟合出当前位置的晶圆外边缘图形数据以及圆心坐标;S3、确认晶圆定位槽的圆心点,计算细分偏差量,依次比较获得偏差量最大值,偏离最大值为定位槽的中心位置,对应角度即为圆心夹角θ;S4、二次拟合:去除定位槽的附近数据,重新拟合数据获得整圆边缘图形数据,对应重新拟合的圆心数据坐标为;S5、曝光补偿:经推算从定位槽中心点角度位置开始,旋转I角度对应的X轴补偿距离;S6、同步曝光:同步控制旋转轴角度与X轴补偿距离完成曝光。该方法通过一个直线模组进行晶圆的偏心调节,使结构紧凑、减少了控制误差、提高了控制精度;但该方法并未能解决因机械原因导致晶圆偏心,如何保证在纠正后安全传送的问题;
为此,本发明提出一种半导体晶圆传送过程偏心纠正方法及纠正系统。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此,本发明提出一种半导体晶圆传送过程偏心纠正方法及纠正系统,达到及时发现晶圆偏心并进行在安全范围内的处理,保证晶圆的安全性的效果。
为实现上述目的,根据本发明的实施例1提出一种半导体晶圆传送过程偏心纠正方法,包括以下步骤:
步骤一:收集传送速度曲线;在测试环境,基于传送速度曲线,收集负压训练数据以及偏心训练数据;
步骤二:基于负压训练数据,训练出预测晶圆负压值的第一机器学习模型;基于偏心训练数据,训练出预测偏心速度的第二机器学习模型;
步骤三:在生产环境,收集晶圆在传送过程中的实时传送数据,并在监测到晶圆发生偏心时,基于晶圆偏心速度、实时传送数据、第一机器学习模型和第二机器学习模型,获得吸附力纠偏值和速度纠偏值;
步骤四:晶圆控制后台控制生产晶圆传送机械臂上吸盘的吸附力增大吸附力纠偏值,并控制生产晶圆传送机械臂移动速度降低速度纠偏值;重复执行步骤三至步骤四,直至监测到晶圆未发生偏心;
其中,所述传送速度曲线为预先根据晶圆运动轨迹设置的,在晶圆传送过程中随时间变化的由实时速度形成的曲线;所述晶圆运动轨迹为预设的包含晶圆从起始位置传送至终点位置的传送路线;
在所述测试环境,测试人员收集不同使用时长的测试晶圆传送机械臂,并控制每台测试晶圆传送机械臂以传送速度曲线的速度,按晶圆运动轨迹的路线进行晶圆传送;在晶圆传送的过程中,通过测试人员在晶圆控制后台控制测试晶圆传送机械臂的加速度以及吸盘的吸附力,并使用不同的数据采集设备,收集偏心训练数据以及负压训练数据;
收集所述负压训练数据的方式为:
在每个测试晶圆传送机械臂上安装速度传感器、加速度传感器、压力传感器、振幅传感器以及图像捕获设备;
对于测试环境中的每次晶圆传送过程,在传送的每一单位时刻,通过速度传感器获得实时移动速度、通过加速度传感器获得实时加速度、通过压力传感器获得吸盘上的实时压力、通过振幅传感器获得实时振动幅度、通过图像捕获设备获得晶圆在吸盘上的实时图像、在晶圆控制后台获得测试人员控制的实时吸附力;
所述负压训练数据包括每一单位时刻的负压特征向量以及对应的晶圆负压标签;
所述负压特征向量中的元素包括实时移动速度、实时加速度、实时吸附力以及实时振动幅度;
所述晶圆负压标签为每一单位时刻对应的晶圆承受的实时压力;
收集所述偏心训练数据的方式为:
在图像捕获设备中安装有偏心速度识别程序,所述偏心速度识别程序使用目标识别算法识别每帧实时图像中的晶圆,并使用边缘检测算法检测晶圆的边缘位置和吸盘的边缘位置;
计算每帧实时图像中,晶圆的边缘位置和吸盘的边缘位置的距离作为晶圆偏心距离;
对于每帧实时图像,计算该帧实时图像晶圆偏心距离与上一帧实时图像晶圆偏心距离的差值,将该差值作为该帧实时图像的偏心速度;若任意一帧实时图像的偏心速度大于预设的偏心速度阈值,向测试人员发送测试纠正指令;
测试人员接收到测试纠正指令后,控制测试晶圆传送机械臂以随机的加速度进行减速,或将吸附力添加随机值;
偏心训练数据包括在测试人员接收到测试纠正指令后,每一单位时刻的偏心特征向量以及偏心速度标签;
其中,所述偏心特征向量中的元素包括测试人员控制的吸附力差值、加速度以及测试晶圆传送机械臂的振动幅度;其中,所述吸附力差值为每一单位时刻吸盘的吸附力与上一单位时刻吸盘的吸附力的差值;
其中,所述偏心速度标签为每一单位时刻的偏心速度;
训练出预测晶圆负压值的第一机器学习模型的方式为:
将负压训练数据中,每个负压特征向量作为第一机器学习模型的输入,所述第一机器学习模型以对每组负压特征向量预测的晶圆负压标签为输出,以负压训练数据中,负压特征向量对应的晶圆负压标签为预测目标,以最小化对所有晶圆负压标签的预测误差之和作为训练目标;对第一机器学习模型进行训练,直至预测误差之和达到收敛时停止训练,训练出根据负压特征向量输出预测的晶圆负压标签的第一机器学习模型;优选的,所述第一机器学习模型是多项式回归模型;该预测的晶圆负压标签即为晶圆负压值;
训练出预测偏心速度的第二机器学习模型的方式为:
将偏心训练数据中,每个偏心特征向量作为第二机器学习模型的输入,所述第二机器学习模型以对每组偏心特征向量预测的偏心速度标签为输出,以偏心训练数据中,偏心特征向量对应的偏心速度标签为预测目标,以最小化对所有偏心速度标签的预测误差之和作为训练目标;对第二机器学习模型进行训练,直至预测误差之和达到收敛时停止训练,训练出根据负压特征向量输出预测的晶圆负压标签的第二机器学习模型;优选的,所述第二机器学习模型是多项式回归模型;该预测的偏心速度标签即为偏心速度;
所述实时传送数据包括生产晶圆传送机械臂在传送晶圆过程中的实时移动速度、实时加速度、实时吸附力、实时振动幅度以及每一单位时刻的实时图像的偏心速度;
监测晶圆发生偏心的方式为:
若任意时刻,生产晶圆传送机械臂的偏心速度大于偏心速度阈值时,判断为晶圆发生偏心;
获得吸附力纠偏值和速度纠偏值的方式为:
从训练完成的第一机器学习模型的最终参数中获得对应的第一函数表达式f1(V,J,X,D);其中,V、J、X、D分别为实时移动速度、实时加速度、实时吸附力以及实时振动幅度;
从训练完成的第二机器学习模型的最终参数中获得对应的第二函数表达式f2(XC,J,D);其中,XC为吸附力差值;
设置优化目标Y;设置吸附力纠偏值变量xc和速度纠偏值变量j;
将生产晶圆传送机械臂的实时振动幅度标记为d0,将生产晶圆传送机械臂的实时速度标记为v0,将生产晶圆传送机械臂的实时吸附力标记为x0;
所述优化目标Y=f2(xc,j,d0);
设计约束目标U,其中约束目标U为:f1(v0-j,j,x0+xc,d0)<R;其中,R为晶圆所能承受的最大负压;
以最小化优化目标函数Y为优化问题的优化目标,以约束目标U作为优化问题的约束,使用优化问题求解工具、蚁群算法或遗传算法对该优化问题进行求解;获得吸附力纠偏值变量xc和速度纠偏值变量j的解,则吸附力纠偏值变量xc的解作为吸附力纠偏值,而速度纠偏值变量j的解作为速度纠偏值。
根据本发明的实施例2提出一种半导体晶圆传送过程偏心纠正装置,包括测试数据收集模块、模型训练模块以及偏心纠正模块;其中,各个模块之间电性连接;
测试数据收集模块,收集传送速度曲线;在测试环境,基于传送速度曲线,收集负压训练数据以及偏心训练数据,并将负压训练数据以及偏心训练数据发送至模型训练模块;
模型训练模块,基于负压训练数据,训练出预测晶圆负压值的第一机器学习模型;基于偏心训练数据,训练出预测偏心速度的第二机器学习模型,并将第一机器学习模型和第二机器学习模型发送至偏心纠正模块;
偏心纠正模块,在生产环境的晶圆在传送过程中,收集实时传送数据,并在监测晶圆发生偏心时,基于晶圆偏心速度、实时传送数据、第一机器学习模型和第二机器学习模型,获得吸附力纠偏值和速度纠偏值;晶圆控制后台控制机械臂上吸盘的吸附力增大吸附力纠偏值,并控制机械臂移动速度降低速度纠偏值。
根据本发明的实施例3提出的一种电子设备,包括:处理器和存储器,其中,所述存储器中存储有可供处理器调用的计算机程序;
所述处理器通过调用所述存储器中存储的计算机程序,执行上述的一种半导体晶圆传送过程偏心纠正方法实现。
根据本发明的实施例4提出的一种计算机可读存储介质,其上存储有可擦写的计算机程序;
当所述计算机程序在计算机设备上运行时,使得所述计算机设备执行上述的一种半导体晶圆传送过程偏心纠正方法实现。
与现有技术相比,本发明的有益效果是:
本发明通过收集传送速度曲线;在测试环境,基于传送速度曲线,收集负压训练数据以及偏心训练数据,基于负压训练数据,训练出预测晶圆负压值的第一机器学习模型;基于偏心训练数据,训练出预测偏心速度的第二机器学习模型,在生产环境的晶圆在传送过程中,收集实时传送数据,并在监测晶圆发生偏心时,基于晶圆偏心速度、实时传送数据、第一机器学习模型和第二机器学习模型,获得吸附力纠偏值和速度纠偏值,晶圆控制后台控制机械臂上吸盘的吸附力增大吸附力纠偏值,并控制机械臂移动速度降低速度纠偏值;通过减速以及增吸盘的吸附力,达到尽可能的降低晶圆偏移的效果,实现偏心纠正功能,而进一步的又使用优化算法求解工具,保证在偏心纠正过程中,避免晶圆破损;从而达到及时发现晶圆偏心并进行在安全范围内的处理,保证晶圆的安全性的效果。
附图说明
图1为本发明的实施例1中的半导体晶圆传送过程偏心纠正方法的流程图;
图2为本发明实施例1中传送速度曲线的示例图;
图3为本发明实施例2中的半导体晶圆传送过程偏心纠正装置的模块连接关系图;
图4为本发明实施例3中的电子设备结构示意图;
图5为本发明实施例4中的计算机可读存储介质结构示意图。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
实施例1
如图1所示,一种半导体晶圆传送过程偏心纠正方法,用于晶圆控制后台中,包括以下步骤:
步骤一:收集传送速度曲线;在测试环境,基于传送速度曲线,收集负压训练数据以及偏心训练数据;
步骤二:基于负压训练数据,训练出预测晶圆负压值的第一机器学习模型;基于偏心训练数据,训练出预测偏心速度的第二机器学习模型;
步骤三:在生产环境,收集晶圆在传送过程中的实时传送数据,并在监测晶圆发生偏心时,基于晶圆偏心速度、实时传送数据、第一机器学习模型和第二机器学习模型,获得吸附力纠偏值和速度纠偏值;
步骤四:晶圆控制后台控制生产晶圆传送机械臂上吸盘的吸附力增大吸附力纠偏值,并控制生产晶圆传送机械臂移动速度降低速度纠偏值;重复执行步骤三至步骤四,直至监测到晶圆未发生偏心
其中,所述传送速度曲线为预先根据晶圆运动轨迹设置的,在晶圆传送过程中随时间变化的由实时速度形成的曲线;所述晶圆运动轨迹为预设的包含晶圆从起始位置传送至终点位置的传送路线;如图2所示,为一条晶圆传送过程的传送速度曲线,其经过先吸附晶圆,再将晶圆进行加速,后匀速,再遇到转弯时,先减速再加速以安全经过转弯的过程,最后到达传送目的地前,进行减速;需要说明的是,晶圆运动轨迹根据具体的传送需要设定;而传送速度曲线是根据具体的晶圆运动轨迹,通过测试人员进行测试生成的,以保证晶圆在传送过程中的稳定性和安全性;
进一步的,在所述测试环境,测试人员收集不同使用时长的测试晶圆传送机械臂,并控制每台测试晶圆传送机械臂以传送速度曲线的速度,按晶圆运动轨迹的路线进行晶圆传送;在晶圆传送的过程中,通过测试人员在晶圆控制后台控制测试晶圆传送机械臂的加速度以及吸盘的吸附力,并使用不同的数据采集设备,收集偏心训练数据以及负压训练数据;
具体的,收集所述负压训练数据的方式为:
在每个测试晶圆传送机械臂上安装速度传感器、加速度传感器、压力传感器、振幅传感器以及图像捕获设备;具体的,速度传感器、加速度传感器、压力传感器、振幅传感器以及图像捕获设备的安装位置根据测试晶圆传送机械臂的具体结构而具体设定;
对于测试环境中的每次晶圆传送过程,在传送的每一单位时刻,通过速度传感器获得实时移动速度、通过加速度传感器获得实时加速度、通过压力传感器获得吸盘上的实时压力、通过振幅传感器获得实时振动幅度、通过图像捕获设备获得晶圆在吸盘上的实时图像、在晶圆控制后台获得测试人员控制的实时吸附力;需要说明的是,为了方便计算,本实施例中,将每一单位时刻的时长设置为图像捕获设备捕获实时图像的帧数;
所述负压训练数据包括每一单位时刻的负压特征向量以及对应的晶圆负压标签;
所述负压特征向量中的元素包括实时移动速度、实时加速度、实时吸附力以及实时振动幅度;
所述晶圆负压标签为每一单位时刻对应的晶圆承受的实时压力;
收集所述偏心训练数据的方式为:
在图像捕获设备中安装有偏心速度识别程序,所述偏心速度识别程序使用目标识别算法识别每帧实时图像中的晶圆,并使用边缘检测算法检测晶圆的边缘位置和吸盘的边缘位置;
计算每帧实时图像中,晶圆的边缘位置和吸盘的边缘位置的距离作为晶圆偏心距离;
对于每帧实时图像,计算该帧实时图像晶圆偏心距离与上一帧实时图像晶圆偏心距离的差值,将该差值作为该帧实时图像的偏心速度;若任意一帧实时图像的偏心速度大于预设的偏心速度阈值,向测试人员发送测试纠正指令;
测试人员接收到测试纠正指令后,控制测试晶圆传送机械臂以随机的加速度进行减速,或将吸附力添加随机值;
偏心训练数据包括在测试人员接收到测试纠正指令后,每一单位时刻的偏心特征向量以及偏心速度标签;
其中,所述偏心特征向量中的元素包括测试人员控制的吸附力差值、加速度以及测试晶圆传送机械臂的振动幅度;其中,所述吸附力差值为每一单位时刻吸盘的吸附力与上一单位时刻吸盘的吸附力的差值;
其中,所述偏心速度标签为每一单位时刻的偏心速度;
训练出预测晶圆负压值的第一机器学习模型的方式为:
将负压训练数据中,每个负压特征向量作为第一机器学习模型的输入,所述第一机器学习模型以对每组负压特征向量预测的晶圆负压标签为输出,以负压训练数据中,负压特征向量对应的晶圆负压标签为预测目标,以最小化对所有晶圆负压标签的预测误差之和作为训练目标;对第一机器学习模型进行训练,直至预测误差之和达到收敛时停止训练,训练出根据负压特征向量输出预测的晶圆负压标签的第一机器学习模型;优选的,所述第一机器学习模型是多项式回归模型;可以理解的是,该预测的晶圆负压标签即为晶圆负压值;
训练出预测偏心速度的第二机器学习模型的方式为:
将偏心训练数据中,每个偏心特征向量作为第二机器学习模型的输入,所述第二机器学习模型以对每组偏心特征向量预测的偏心速度标签为输出,以偏心训练数据中,偏心特征向量对应的偏心速度标签为预测目标,以最小化对所有偏心速度标签的预测误差之和作为训练目标;对第二机器学习模型进行训练,直至预测误差之和达到收敛时停止训练,训练出根据负压特征向量输出预测的晶圆负压标签的第二机器学习模型;优选的,所述第二机器学习模型是多项式回归模型;可以理解的是,该预测的偏心速度标签即为偏心速度;
需要说明的是,预测误差的计算公式为:,其中,c为特征数据的编号,zc为预测误差,ac为第c组特征数据对应的预测的状态值,wc为第c组训练数据对应的实际的状态值;例如,第一机器学习模型中特征数据对应的是负压特征向量,状态值对应的是晶圆负压标签;第二机器学习模型中,特征数据对应的是偏心特征向量,状态值对应的是偏心速度标签;
需要说明的是,所述生产环境为测试人员不参与控制的,用于使用生产晶圆传送机械臂处理实际的晶圆传送需求的环境;
所述实时传送数据包括生产晶圆传送机械臂在传送晶圆过程中的实时移动速度、实时加速度、实时吸附力、实时振动幅度以及每一单位时刻的实时图像的偏心速度;
监测晶圆发生偏心的方式为:
若任意时刻,生产晶圆传送机械臂的偏心速度大于偏心速度阈值时,判断为晶圆发生偏心;若偏心速度小于或等于偏心速度阈值,判断为未发生偏心;
获得吸附力纠偏值和速度纠偏值的方式为:
从训练完成的第一机器学习模型的最终参数中获得对应的第一函数表达式f1(V,J,X,D);其中,V、J、X、D分别为实时移动速度、实时加速度、实时吸附力以及实时振动幅度;
从训练完成的第二机器学习模型的最终参数中获得对应的第二函数表达式f2(XC,J,D);其中,XC为吸附力差值;
设置优化目标Y;设置吸附力纠偏值变量xc和速度纠偏值变量j;
将生产晶圆传送机械臂的实时振动幅度标记为d0,将生产晶圆传送机械臂的实时速度标记为v0,将生产晶圆传送机械臂的实时吸附力标记为x0;
所述优化目标Y=f2(xc,j,d0);即优化的目标为最小化偏心速度,通过减速以及增吸盘的吸附力,达到尽可能的降低晶圆偏移的效果,实现偏心纠正功能;
设计约束目标U,其中约束目标U为:f1(v0-j,j,x0+xc,d0)<R;其中,R为晶圆所能承受的最大负压;最大负压R可以通过预先进行负压实验获得,即不断向晶圆施加负压,直至晶圆出现破损时的负压作为最大负压;约束目标U用来约束在对晶圆使用降低和增大负压值进行偏心纠正时,避免晶圆出现破损;
以最小化优化目标函数Y为优化问题的优化目标,以约束目标U作为优化问题的约束,使用优化问题求解工具、蚁群算法或遗传算法对该优化问题进行求解;获得吸附力纠偏值变量xc和速度纠偏值变量j的解,则吸附力纠偏值变量xc的解作为吸附力纠偏值,而速度纠偏值变量j的解作为速度纠偏值。
实施例2
如图3所示,一种半导体晶圆传送过程偏心纠正装置,包括测试数据收集模块、模型训练模块以及偏心纠正模块;其中,各个模块之间电性连接;
其中,所述测试数据收集模块主要用于收集传送速度曲线;在测试环境,基于传送速度曲线,收集负压训练数据以及偏心训练数据,并将负压训练数据以及偏心训练数据发送至模型训练模块;
其中,所述模型训练模块主要用于基于负压训练数据,训练出预测晶圆负压值的第一机器学习模型;基于偏心训练数据,训练出预测偏心速度的第二机器学习模型,并将第一机器学习模型和第二机器学习模型发送至偏心纠正模块;
所述偏心纠正模块主要用于在生产环境的晶圆在传送过程中,收集实时传送数据,并在监测晶圆发生偏心时,基于晶圆偏心速度、实时传送数据、第一机器学习模型和第二机器学习模型,获得吸附力纠偏值和速度纠偏值;晶圆控制后台控制机械臂上吸盘的吸附力增大吸附力纠偏值,并控制机械臂移动速度降低速度纠偏值。
实施例3
图4是本申请一个实施例提供的电子设备结构示意图。如图4所示,根据本申请的又一方面还提供了一种电子设备100。该电子设备100可包括一个或多个处理器以及一个或多个存储器。其中,存储器中存储有计算机可读代码,计算机可读代码当由一个或多个处理器运行时,可以执行如上所述的一种半导体晶圆传送过程偏心纠正方法实现。
根据本申请实施方式的方法或系统也可以借助于图4所示的电子设备电子设备的架构来实现。如图4所示,电子设备100可包括总线101、一个或多个CPU102、只读存储器(ROM)103、随机存取存储器(RAM)104、连接到网络的通信端口105、输入/输出组件106、硬盘107等。电子设备100中的存储设备,例如ROM103或硬盘107可存储本申请提供的一种半导体晶圆传送过程偏心纠正方法实现。一种半导体晶圆传送过程偏心纠正方法实现可例如包括以下步骤:步骤一:收集传送速度曲线;在测试环境,基于传送速度曲线,收集负压训练数据以及偏心训练数据;步骤二:基于负压训练数据,训练出预测晶圆负压值的第一机器学习模型;基于偏心训练数据,训练出预测偏心速度的第二机器学习模型;步骤三:在生产环境的晶圆在传送过程中,收集实时传送数据,并在监测晶圆发生偏心时,基于晶圆偏心速度、实时传送数据、第一机器学习模型和第二机器学习模型,获得吸附力纠偏值和速度纠偏值;步骤四:晶圆控制后台控制机械臂上吸盘的吸附力增大吸附力纠偏值,并控制机械臂移动速度降低速度纠偏值;重复执行步骤三至步骤四,直至监测到晶圆未发生偏心
进一步地,电子设备100还可包括用户界面108。当然,图4所示的架构只是示例性的,在实现不同的设备时,根据实际需要,可以省略图4示出的电子设备中的一个或多个组件。
实施例4
图5是本申请一个实施例提供的计算机可读存储介质结构示意图。如图5所示,是根据本申请一个实施方式的计算机可读存储介质200。计算机可读存储介质200上存储有计算机可读指令。当计算机可读指令由处理器运行时,可执行参照以上附图描述的根据本申请实施方式的一种半导体晶圆传送过程偏心纠正方法实现。计算机可读存储介质200包括但不限于例如易失性存储器和/或非易失性存储器。易失性存储器例如可包括随机存取存储器(RAM)和高速缓冲存储器(cache)等。非易失性存储器例如可包括只读存储器(ROM)、硬盘、闪存等。
另外,根据本申请的实施方式,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本申请提供了一种非暂时性机器可读存储介质,所述非暂时性机器可读存储介质存储有机器可读指令,所述机器可读指令能够由处理器运行以执行与本申请提供的方法步骤对应的指令,在该计算机程序被中央处理单元(CPU)执行时,执行本申请的方法中限定的上述功能。
可能以许多方式来实现本申请的方法和装置、设备。例如,可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本申请的方法和装置、设备。用于方法的步骤的上述顺序仅是为了进行说明,本申请的方法的步骤不限于以上具体描述的顺序,除非以其它方式特别说明。此外,在一些实施例中,还可将本申请实施为记录在记录介质中的程序,这些程序包括用于实现根据本申请的方法的机器可读指令。因而,本申请还覆盖存储用于执行根据本申请的方法的程序的记录介质。
另外,本申请的实施方式中提供的上述技术方案中与现有技术中对应技术方案实现原理一致的部分并未详细说明,以免过多赘述。
如上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明。应理解的是,以上所述仅为本发明的具体实施方式,并不用于限制本发明。凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等均应包含在本发明的保护范围之内。
以上的预设的参数或预设的阈值均由本领域的技术人员根据实际情况设定或者大量数据模拟获得。
以上实施例仅用以说明本发明的技术方法而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方法进行修改或等同替换,而不脱离本发明技术方法的精神和范围。
Claims (10)
1.一种半导体晶圆传送过程偏心纠正方法,用于晶圆传送机械臂后台控制系统中,其特征在于,包括以下步骤:
步骤一:收集传送速度曲线;在测试环境,基于传送速度曲线,收集负压训练数据以及偏心训练数据;
步骤二:基于负压训练数据,训练出预测晶圆负压值的第一机器学习模型;基于偏心训练数据,训练出预测偏心速度的第二机器学习模型;
步骤三:在生产环境,收集晶圆在传送过程中的实时传送数据,并在监测到晶圆发生偏心时,基于晶圆偏心速度、实时传送数据、第一机器学习模型和第二机器学习模型,获得吸附力纠偏值和速度纠偏值;
步骤四:晶圆控制后台控制生产晶圆传送机械臂上吸盘的吸附力增大吸附力纠偏值,并控制生产晶圆传送机械臂移动速度降低速度纠偏值;重复执行步骤三至步骤四,直至监测到晶圆未发生偏心;
收集所述负压训练数据的方式为:
在每个测试晶圆传送机械臂上安装速度传感器、加速度传感器、压力传感器、振幅传感器以及图像捕获设备;
对于测试环境中的每次晶圆传送过程,在传送的每一单位时刻,通过速度传感器获得实时移动速度、通过加速度传感器获得实时加速度、通过压力传感器获得吸盘上的实时压力、通过振幅传感器获得实时振动幅度、通过图像捕获设备获得晶圆在吸盘上的实时图像、在晶圆控制后台获得测试人员控制的实时吸附力;
所述负压训练数据包括每一单位时刻的负压特征向量以及对应的晶圆负压标签;
所述负压特征向量中的元素包括实时移动速度、实时加速度、实时吸附力以及实时振动幅度;
所述晶圆负压标签为每一单位时刻对应的晶圆承受的实时压力;
收集所述偏心训练数据的方式为:
在图像捕获设备中安装有偏心速度识别程序,所述偏心速度识别程序使用目标识别算法识别每帧实时图像中的晶圆,并使用边缘检测算法检测晶圆的边缘位置和吸盘的边缘位置;
计算每帧实时图像中,晶圆的边缘位置和吸盘的边缘位置的距离作为晶圆偏心距离;
对于每帧实时图像,计算该帧实时图像晶圆偏心距离与上一帧实时图像晶圆偏心距离的差值,将该差值作为该帧实时图像的偏心速度;若任意一帧实时图像的偏心速度大于预设的偏心速度阈值,向测试人员发送测试纠正指令;
测试人员接收到测试纠正指令后,控制测试晶圆传送机械臂以随机的加速度进行减速,或将吸附力添加随机值;
偏心训练数据包括在测试人员接收到测试纠正指令后,每一单位时刻的偏心特征向量以及偏心速度标签;
其中,所述偏心特征向量中的元素包括测试人员控制的吸附力差值、加速度以及测试晶圆传送机械臂的振动幅度;其中,所述吸附力差值为每一单位时刻吸盘的吸附力与上一单位时刻吸盘的吸附力的差值;
其中,所述偏心速度标签为每一单位时刻的偏心速度。
2.根据权利要求1所述的一种半导体晶圆传送过程偏心纠正方法,其特征在于,所述传送速度曲线为预先根据晶圆运动轨迹设置的,在晶圆传送过程中随时间变化的由实时速度形成的曲线;所述晶圆运动轨迹为预设的包含晶圆从起始位置传送至终点位置的传送路线。
3.根据权利要求2所述的一种半导体晶圆传送过程偏心纠正方法,其特征在于,在所述测试环境,测试人员收集不同使用时长的测试晶圆传送机械臂,并控制每台测试晶圆传送机械臂以传送速度曲线的速度,按晶圆运动轨迹的路线进行晶圆传送;在晶圆传送的过程中,通过测试人员在晶圆控制后台控制测试晶圆传送机械臂的加速度以及吸盘的吸附力,并使用不同的数据采集设备,收集偏心训练数据以及负压训练数据。
4.根据权利要求3所述的一种半导体晶圆传送过程偏心纠正方法,其特征在于,训练出预测晶圆负压值的第一机器学习模型的方式为:
将负压训练数据中,每个负压特征向量作为第一机器学习模型的输入,所述第一机器学习模型以对每组负压特征向量预测的晶圆负压标签为输出,以负压训练数据中,负压特征向量对应的晶圆负压标签为预测目标,以最小化对所有晶圆负压标签的预测误差之和作为训练目标;对第一机器学习模型进行训练,直至预测误差之和达到收敛时停止训练,训练出根据负压特征向量输出预测的晶圆负压标签的第一机器学习模型;该预测的晶圆负压标签即为晶圆负压值。
5.根据权利要求4所述的一种半导体晶圆传送过程偏心纠正方法,其特征在于,训练出预测偏心速度的第二机器学习模型的方式为:
将偏心训练数据中,每个偏心特征向量作为第二机器学习模型的输入,所述第二机器学习模型以对每组偏心特征向量预测的偏心速度标签为输出,以偏心训练数据中,偏心特征向量对应的偏心速度标签为预测目标,以最小化对所有偏心速度标签的预测误差之和作为训练目标;对第二机器学习模型进行训练,直至预测误差之和达到收敛时停止训练,训练出根据负压特征向量输出预测的晶圆负压标签的第二机器学习模型;该预测的偏心速度标签即为偏心速度。
6.根据权利要求5所述的一种半导体晶圆传送过程偏心纠正方法,其特征在于,所述实时传送数据包括生产晶圆传送机械臂在传送晶圆过程中的实时移动速度、实时加速度、实时吸附力、实时振动幅度以及每一单位时刻的实时图像的偏心速度。
7.根据权利要求6所述的一种半导体晶圆传送过程偏心纠正方法,其特征在于,获得吸附力纠偏值和速度纠偏值的方式为:
从训练完成的第一机器学习模型的最终参数中获得对应的第一函数表达式f1(V,J,X,D);其中,V、J、X、D分别为实时移动速度、实时加速度、实时吸附力以及实时振动幅度;
从训练完成的第二机器学习模型的最终参数中获得对应的第二函数表达式f2(XC,J,D);其中,XC为吸附力差值;
设置优化目标Y;设置吸附力纠偏值变量xc和速度纠偏值变量j;
将生产晶圆传送机械臂的实时振动幅度标记为d0,将生产晶圆传送机械臂的实时速度标记为v0,将生产晶圆传送机械臂的实时吸附力标记为x0;
所述优化目标Y=f2(xc,j,d0);
设计约束目标U,其中约束目标U为:f1(v0-j,j,x0+xc,d0)<R;其中,R为晶圆所能承受的最大负压;
以最小化优化目标函数Y为优化问题的优化目标,以约束目标U作为优化问题的约束,使用蚁群算法或遗传算法对该优化问题进行求解;获得吸附力纠偏值变量xc和速度纠偏值变量j的解,则吸附力纠偏值变量xc的解作为吸附力纠偏值,而速度纠偏值变量j的解作为速度纠偏值。
8.一种半导体晶圆传送过程偏心纠正装置,其基于权利要求1-7中任意一项所述的一种半导体晶圆传送过程偏心纠正方法实现,其特征在于,包括测试数据收集模块、模型训练模块以及偏心纠正模块;其中,各个模块之间电性连接;
测试数据收集模块,收集传送速度曲线;在测试环境,基于传送速度曲线,收集负压训练数据以及偏心训练数据,并将负压训练数据以及偏心训练数据发送至模型训练模块;
模型训练模块,基于负压训练数据,训练出预测晶圆负压值的第一机器学习模型;基于偏心训练数据,训练出预测偏心速度的第二机器学习模型,并将第一机器学习模型和第二机器学习模型发送至偏心纠正模块;
偏心纠正模块,在生产环境的晶圆在传送过程中,收集实时传送数据,并在监测晶圆发生偏心时,基于晶圆偏心速度、实时传送数据、第一机器学习模型和第二机器学习模型,获得吸附力纠偏值和速度纠偏值;晶圆控制后台控制机械臂上吸盘的吸附力增大吸附力纠偏值,并控制机械臂移动速度降低速度纠偏值。
9.一种电子设备,其特征在于,包括:处理器和存储器,其中:
所述存储器中存储有可供处理器调用的计算机程序;
所述处理器通过调用所述存储器中存储的计算机程序,在后台中执行权利要求1-7任意一项所述的一种半导体晶圆传送过程偏心纠正方法实现。
10.一种计算机可读存储介质,其特征在于,其上存储有可擦写的计算机程序;
当所述计算机程序在计算机设备上运行时,使得所述计算机设备执行权利要求1-7任意一项所述的一种半导体晶圆传送过程偏心纠正方法实现。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311136432.0A CN116872218B (zh) | 2023-09-05 | 2023-09-05 | 一种半导体晶圆传送过程偏心纠正方法及纠正系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311136432.0A CN116872218B (zh) | 2023-09-05 | 2023-09-05 | 一种半导体晶圆传送过程偏心纠正方法及纠正系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116872218A CN116872218A (zh) | 2023-10-13 |
CN116872218B true CN116872218B (zh) | 2023-11-24 |
Family
ID=88257162
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311136432.0A Active CN116872218B (zh) | 2023-09-05 | 2023-09-05 | 一种半导体晶圆传送过程偏心纠正方法及纠正系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116872218B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117140591A (zh) * | 2023-11-01 | 2023-12-01 | 泓浒(苏州)半导体科技有限公司 | 超洁净环境下圆晶转运机械臂的吸附力检测系统及方法 |
CN117332705B (zh) * | 2023-12-01 | 2024-02-13 | 江苏美特林科特殊合金股份有限公司 | 基于扫描轨迹控制的电子束镍铌熔炼方法及系统 |
CN117711993B (zh) * | 2024-02-06 | 2024-04-12 | 泓浒(苏州)半导体科技有限公司 | 基于负载感知的晶圆搬运机械臂自适应吸力调节方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003266266A (ja) * | 2002-03-20 | 2003-09-24 | Disco Abrasive Syst Ltd | 半導体ウエーハの搬送装置 |
CN1975997A (zh) * | 2005-12-02 | 2007-06-06 | 日东电工株式会社 | 半导体晶片的定位方法及使用它的装置 |
CN112775956A (zh) * | 2019-11-08 | 2021-05-11 | 沈阳新松机器人自动化股份有限公司 | 一种机械手awc纠偏系统实现方法 |
CN115157227A (zh) * | 2022-08-10 | 2022-10-11 | 三河建华高科有限责任公司 | 一种洁净环境用晶圆传输机器人 |
CN115319787A (zh) * | 2022-07-29 | 2022-11-11 | 北京京仪自动化装备技术股份有限公司 | 一种非接触式机械手吸附力的调节系统及方法 |
CN115732380A (zh) * | 2022-10-08 | 2023-03-03 | 吉姆西半导体科技(无锡)有限公司 | 一种晶圆偏心调节方法、装置及存储介质 |
CN115723128A (zh) * | 2022-11-16 | 2023-03-03 | 拓荆科技股份有限公司 | 一种机械手的控制方法、一种机械手和半导体加工系统 |
CN116277037A (zh) * | 2023-05-19 | 2023-06-23 | 泓浒(苏州)半导体科技有限公司 | 一种晶圆搬运机械臂控制系统及方法 |
CN116394285A (zh) * | 2023-03-31 | 2023-07-07 | 北京京仪自动化装备技术股份有限公司 | 悬浮机械手 |
CN116572236A (zh) * | 2023-04-26 | 2023-08-11 | 深圳众为兴技术股份有限公司 | 晶圆片动态纠偏方法、装置及计算机设备 |
-
2023
- 2023-09-05 CN CN202311136432.0A patent/CN116872218B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003266266A (ja) * | 2002-03-20 | 2003-09-24 | Disco Abrasive Syst Ltd | 半導体ウエーハの搬送装置 |
CN1975997A (zh) * | 2005-12-02 | 2007-06-06 | 日东电工株式会社 | 半导体晶片的定位方法及使用它的装置 |
CN112775956A (zh) * | 2019-11-08 | 2021-05-11 | 沈阳新松机器人自动化股份有限公司 | 一种机械手awc纠偏系统实现方法 |
CN115319787A (zh) * | 2022-07-29 | 2022-11-11 | 北京京仪自动化装备技术股份有限公司 | 一种非接触式机械手吸附力的调节系统及方法 |
CN115157227A (zh) * | 2022-08-10 | 2022-10-11 | 三河建华高科有限责任公司 | 一种洁净环境用晶圆传输机器人 |
CN115732380A (zh) * | 2022-10-08 | 2023-03-03 | 吉姆西半导体科技(无锡)有限公司 | 一种晶圆偏心调节方法、装置及存储介质 |
CN115723128A (zh) * | 2022-11-16 | 2023-03-03 | 拓荆科技股份有限公司 | 一种机械手的控制方法、一种机械手和半导体加工系统 |
CN116394285A (zh) * | 2023-03-31 | 2023-07-07 | 北京京仪自动化装备技术股份有限公司 | 悬浮机械手 |
CN116572236A (zh) * | 2023-04-26 | 2023-08-11 | 深圳众为兴技术股份有限公司 | 晶圆片动态纠偏方法、装置及计算机设备 |
CN116277037A (zh) * | 2023-05-19 | 2023-06-23 | 泓浒(苏州)半导体科技有限公司 | 一种晶圆搬运机械臂控制系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116872218A (zh) | 2023-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116872218B (zh) | 一种半导体晶圆传送过程偏心纠正方法及纠正系统 | |
US10350752B2 (en) | Robot system, measurement data processing device and measurement data processing method for picking out workpiece using measurement data corrected by means of machine learning | |
CN108818536B (zh) | 一种机器人手眼标定的在线偏移修正方法及装置 | |
US20150055852A1 (en) | Accuracy compensation method, system, and device | |
US11613015B2 (en) | Technique for providing reliable control in a cloud robotics system | |
US11376732B2 (en) | Robot system for correcting teaching of robot using image processing | |
CN112936260A (zh) | 一种六轴工业机器人无传感器碰撞检测方法及系统 | |
US11318612B2 (en) | Control device, control method, and storage medium | |
WO2022088816A1 (zh) | 识别控制指令的方法及装置、非易失性存储介质、处理器、电子装置、多关节机器人 | |
WO2023168849A1 (zh) | 机械臂动作捕捉方法、介质、电子设备及系统 | |
CN113560942B (zh) | 机床的工件取放控制装置及其控制方法 | |
US20200189116A1 (en) | Control apparatus that controls arm for gripping object | |
CN111015657A (zh) | 一种工业机器人的自适应控制方法、装置及系统 | |
US10343318B2 (en) | Molding system provided with molding machine and molded article removal device | |
CN115421442A (zh) | 一种用于激光加工的位置补偿方法及设备和存储介质 | |
CN115026836A (zh) | 五轴机械手的控制方法、装置、设备及存储介质 | |
CN114089637A (zh) | 多模态鲁棒自抗扰运动控制方法及系统 | |
CN113635297A (zh) | 一种基于刚度检测的机器人自适应力接触控制方法及系统 | |
CN117162104B (zh) | 超洁净环境下的转运机械臂装机控制预警系统及方法 | |
CN112621750A (zh) | 一种工业机器人自动控制系统 | |
CN117711993B (zh) | 基于负载感知的晶圆搬运机械臂自适应吸力调节方法 | |
CN113370203A (zh) | 机器人控制方法、装置、计算机设备及存储介质 | |
CN115547907B (zh) | 晶圆传送用机械臂的智能控制方法及系统 | |
JP7282002B2 (ja) | 情報処理装置、情報処理システム、情報処理方法、コンピュータプログラム、建設機械 | |
CN112975943A (zh) | 判断机器人夹爪最佳抓取高度的处理方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |