CN117178350A - 半导体制造的生态效率（可持续性）仪表板 - Google Patents

半导体制造的生态效率（可持续性）仪表板 Download PDF

Info

Publication number
CN117178350A
CN117178350A CN202280027625.XA CN202280027625A CN117178350A CN 117178350 A CN117178350 A CN 117178350A CN 202280027625 A CN202280027625 A CN 202280027625A CN 117178350 A CN117178350 A CN 117178350A
Authority
CN
China
Prior art keywords
manufacturing
manufacturing process
data
selection
environmental resource
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
Application number
CN202280027625.XA
Other languages
English (en)
Inventor
阿拉·莫拉迪亚
伊丽莎白·内维尔
乌梅什·马德哈夫·克尔卡尔
马克·R·德诺姆
普拉沙斯·科斯努
卡廷克·拉马斯瓦米
卡尔蒂克·萨哈
奥兰多·特雷霍
谢尔盖·梅罗维奇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Applied Materials Inc
Original Assignee
Applied Materials Inc
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Applied Materials Inc filed Critical Applied Materials Inc
Publication of CN117178350A publication Critical patent/CN117178350A/zh
Pending legal-status Critical Current

Links

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]
    • G05B19/41885—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 modeling, simulation of the manufacturing system
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
    • H01L21/67005—Apparatus not specifically provided for elsewhere
    • H01L21/67242—Apparatus for monitoring, sorting or marking
    • H01L21/67276—Production flow monitoring, e.g. for increasing throughput
    • 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
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • 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
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
    • 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
    • G05B2219/32335—Use of ann, neural network
    • 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
    • G05B2219/32359—Modeling, simulating assembly operations
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • General Physics & Mathematics (AREA)
  • Manufacturing & Machinery (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Computer Hardware Design (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Power Engineering (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • General Factory Administration (AREA)

Abstract

一种方法，包括由处理装置接收对第一制造处理或第一制造设备中的至少一者的第一选择以执行第一制造处理的制造操作。该方法可进一步包括将第一选择输入至第一制造设备的数字副本中，其中数字副本输出第一制造处理的物理条件。该方法可进一步包括基于第制造处理的物理条件确定指示在第一制造设备上运行的第一制造处理的第一环境资源消耗的环境资源使用数据。处理装置可进一步确定对第一制造处理进行的修改，该修改减少在第一制造设备上运行的第一制造处理的环境资源消耗。该方法可进一步包括执行将修改应用于第一制造中的至少一者。

Description

半导体制造的生态效率(可持续性)仪表板
技术领域
本说明书大体涉及半导体制造设备的环境影响。更特定而言，本说明书涉及半导体制造处理及执行与制造处理相关联的功能的半导体制造设备的生态效率(eco-efficiency)的监控、识别修改及执行优化。
背景技术
对电子器件的持续需求导致对半导体晶片的越来越大的需求。用于生产这些晶片的制造业的增加以资源利用及产生环境破坏性废物的形式对环境造成巨大损失。因此，对于更生态友好且对环境负责的晶片制造方法及一般制造方法的需求不断增加。鉴于晶片处理为能源密集型的，因此将半导体行业的增长与其环境影响脱钩是有价值的。
发明内容
以下为本公开内容的简化概述，以便提供对本公开内容的一些方面的基本理解。此概述并非本公开内容的广泛概述。其并不旨在划定本公开内容的特定实施的任何范围或权利要求的任何范围。其唯一目的在于，以简化形式呈现本公开内容的一些概念，作为稍后呈现的更详细描述的序言。
描述了一种方法及系统，其用于识别对与改变(例如，提高)半导体制造处理及由半导体制造设备执行的相关联操作的生态特性(例如，减少每单位环境资源消耗)相关联的制造处理进行的修改。在一些实施方式中，该方法可包括由处理装置接收第一制造处理或第一制造设备中的至少一者的第一选择，以执行第一制造处理的制造操作。该方法可进一步包括将第一选择输入至第一制造设备的数字副本中，其中数字副本输出第一制造处理的物理条件。该方法可进一步包括基于第一制造处理的物理条件确定指示在第一制造设备上运行的第一制造处理的第一环境资源消耗(例如，每单位环境资源消耗)和/或环境影响(例如，进入大气中的气态或颗粒状物质)的环境资源使用数据。该方法可进一步包括确定对第一制造处理进行的修改，该修改减少在第一制造设备上运行的第一制造处理的每单位环境资源成本。该方法可进一步包括执行将该修改应用于第一制造处理或提供该修改以由图形用户界面(GUI)进行显示中的至少一者。
在一些实施方式中，执行用于训练机器学习模型以识别对制造处理或制造设备的选择进行的修改以执行该制造处理的制造操作的方法。该方法包括产生用于机器学习模型的训练数据。产生该训练数据可包括识别具有第一制造处理的第一选择的第一训练输入及识别第一训练输入的第一目标输出。该第一目标输出包括对第一制造处理进行的第一修改，该第一修改在被应用时减少第一制造处理的第一每单位环境资源消耗和/或环境影响。该方法进一步包括由计算装置提供该训练数据以在包括第一训练输入的训练输入集合及包括第一目标输出的目标输出集合上训练机器学习模型。被训练的机器学习模型可稍后接收新的制造处理的新的选择以作为输入并基于该新的输入产生新的输出，该新的输出指示对该新的制造处理进行的新的修改，该新的修改在被应用时减少该新的制造处理的新的环境资源消耗和/或环境影响。
附图说明
从以下所给出的实施方式及附图将更完整地理解本公开内容的方面及实施方案，附图旨在通过以示例的方式而限制的方式来绘示方面及实施方案。
图1为绘示可在其中操作本公开内容的实施方案的例示性系统架构的方块图。
图2为绘示可在其中操作本公开内容的实施方案的生态效率可持续性系统架构的方块图。
图3描绘用于监控、维持和/或优化制造处理的示例性方法的流程图。
图4描绘根据本公开内容的一些实施方案的示例性数字副本。
图5为根据本公开内容的一些实施方案的处理参数值窗口的示例性图示。
图6为根据本公开内容的一些实施方案的用于识别对制造处理进行的修改的方法的示例性图示。
图7A至图7C为根据本公开内容的一些实施方案的与识别对制造处理进行的修改相关联的方法的流程图。
图8描绘根据本公开内容的一个或多个方面进行操作的示例计算装置的方块图。
具体实施方式
生态效率(ecological efficiency,eco-efficiency)表征为一种复杂技术，其用于确定在工具使用期间，与特定制造工具相关联的不同输入水平(例如，资源、利用率，等)会如何影响制造工具的生态效率。生态效率表征在制造工具的开发期间可能是有益的，用于帮助开发最大化每单位(或每时间)生态效率并最小化有害环境影响的制造工具。生态效率表征在工具开发之后也可以是有益的，用于在工具可运行时根据工具运行所依据的特定参数来精细调谐工具的每单位生态效率特性。
本文所述实施方式提供一种系统，其用于在制造工具的整个设计、开发及制造处理中系统地执行制造工具的生态效率表征。实施方式进一步提供生态效率表征与多个处理的优化(例如，每半导体器件(例如，存储器、逻辑、集成电路(IC))的累积消耗)的整合。实施方式进一步提供使用利用了与制造处理和/或制造设备相关联的数字副本的生态效率表征来进一步确定修改和/或优化，以便减少(例如，每单位器件、裸片、晶片等的)环境资源消耗和/或环境影响。
在一些实施方式中，生态效率是以每单位为基础计算的。通常，在制造工具开发处理中并未考虑每单位生态效率。另外，表征每单位生态效率以在使用制造工具时(例如，当将工具用于晶片生产时)调整该工具上的设置可能是繁琐且复杂的处理。另外，现有解决方案使用特定的生态效率培训人员以及专业工程师及分析师，以进行生态效率表征分析。本公开内容的实施方式提供用于以每单位为基础进行生态效率表征的改良方法、系统及软件。这些方法、系统及软件可供未接收过特殊生态效率培训的个人使用。
在一个实施方式中，生态效率表征可由软件工具在制造设备寿命循环的所有阶段执行，包括在晶片制造设备的设计阶段及操作阶段期间。生态效率可包括每单位的设备生产(例如，每晶片、或每个制造器件)所消耗的环境资源(例如，电能、水、气体等)的量。生态效率也可表征为每单位的设备生产所产生的环境影响(例如，CO2排放、重金属废物等)的量。
每单位分析允许对生态效率的更精确表征，其中单位是制造工具所操作的任何可测量的量(例如，基板(晶片)、裸片、面积(cm2)、时间循环、器件等)。以“每单位”为基础的生态效率允许准确地确定每单位生产的资源使用及环境影响，且可容易地作为价值度量进行操纵。举例而言，可确定特定制造工具具有每晶片通过(per-wafer-pass)的电能生态效率等级为1.0～2.0kWh/晶片通过(在其他实施方式中，生态效率等级可小于0.5kWh、高达20kWh，或甚至大于20kWh/晶片通过)，其指示由制造工具操作的每一晶片可使用(例如)每晶片通过1.0～2.0kWh的电能。在其他实施方式中，可使用各种其他量的电能。以每晶片通过为基础确定生态效率允许易于与其他制造工具进行比较，这些其他制造工具由于年化晶片处理量的变化而具有不同的年化电能消耗值。在一个实施方式中，也可通过将每晶片的生态效率表征除以每晶片的器件数目而以每器件为基础确定生态效率。
在设备制造的早期设计阶段期间执行生态效率表征允许设计者以最小的成本做出更佳、更具生态效率的设计选择。可在制造设备的设计阶段早期操纵并提高生态效率。在设计处理早期进行生态效率表征可允许更佳、更环保的部件选择、子系统设计、系统整合、处理设计、处理材料选择及系统配置。
在一个实施方式中，多个设计者可并行访问针对特定设备或子部件的已计算出的生态效率模型的数据库。设计者可通过选择并将一个或多个子部件(该一个或多个子部件中的每一者可具有其自己的相应生态效率模型)添加在一起而产生前瞻性设计。可接着组合所有子部件的组合的生态效率模型以产生用于前瞻性设计的总体生态效率模型。前瞻性设计及其生态效率模型以及其子部件的生态效率模型可储存在数据库中。
在工具开发处理中的任何时候，工程师皆可变更该工具的配置，此可能会导致该工具的生态效率模型发生改变。配置的改变及由此产生的生态效率模型的改变可储存在数据库中。以此方式，生态效率表征(例如，每单位生态效率)可以是协作性的，从而允许设备设计者从彼此的工作中受益。在一个实施方式中，当发生与生态效率相关联的变化时，设计者可实时看见制造设备设计的更新。设计者可为所需应用选择具有所需生态效率的设备或子部件。另外，可基于子部件的已知生态效率表征(例如，每单位生态效率表征)为制造设备计算生态效率(例如，每单位生态效率)。针对子部件的这些已知生态效率表征可储存在数据库中。在另一实施方式中，可基于制造设备的子部件中的每一者的组合效用及利用率数据来为制造设备计算生态效率。
可比较并对比部件及子部件。若特定设备或子部件的生态效率模型尚不存在，则设计者可对设备执行生态效率分析，并将所生成的生态效率模型储存在数据库中。设计者可选择保存正开发的设备的各种版本，其中每一版本具有相关联的生态效率模型。以此方式，版本控制是可追溯的，且可通过确定具有所需生态效率的设备设计版本来优化生态效率。在一些实施方式中，部件与子部件之间的比较可用于确定对具有多个腔室匹配的多个设备之间的腔室至腔室匹配的模式、问题和/或洞察。由于部件及子部件或版本之间的这种比较及契约，可报告总体生态效率效能、消耗节省(诸如，碳足迹)。
制造设备及子系统有时用于多种应用中，每一应用具有其自己的生态效率。在此情况下，在不同条件下使用的同一设备或子部件的多个生态效率表征可储存在数据库中。当设计者从数据库选择适当设备时，他可能会看到设备的多种应用，每一应用具有其自己的生态效率表征。另外，设计者能够从数据库选择设备，以用作数据库中尚不存在的新应用的起点。设计者可修改设备的参数以匹配适当应用，执行生态效率表征，并将结果储存回数据库中。
在另一实施方式中，生态效率表征可在操作期间在制造设备自身上执行。制造设备可访问实时变量(诸如，设备的利用率及效用使用数据)，并在生态效率模型中使用实时变量。在此实施方式中，制造设备可根据制造设备的当前操作条件精细调谐设备上的设置，以最大化生态效率。设备上生态效率表征可能有益于精细调谐使用理论、平均或预期变量条件设计的制造设备的生态效率。
在一些实施方式中，可使用数字副本来确定生态效率表征。可将包括制造处理或用于执行制造处理的第一制造处理的制造操作的制造设备中的一者的选择输入至数字副本中。数字副本可包括制造处理和/或制造设备的基于物理的模型。基于物理的模型可实现假设场景，其中使用完全基于物理的或降阶(reduced order)的模型(例如，在开发子系统之前概念化的灯加热变化，诸如，基于红外线的灯加热子系统)来估计模块/子系统消耗。在一些实施方式中，数字副本可包括其他模型(诸如，统计模型)，以确定制造处理或制造设备的物理条件(例如，离开排气装置和/或前级管道的气体所导致的热损失、能源消耗等)。
在一些实施方式中，可将生态效率表征整合至多个制造处理中。举例而言，可跨各种器件及处理计算每器件或处理部件的累积消耗，以协调累积生态效率。附加地或替代地，可表征辅助或支援设备(例如，子制造设备)设备，诸如，跨多个制造设备共享的设备。举例而言，装置和/或设备(诸如，泵、减排、加热器夹套、过滤系统等)或未用于直接处理基板的其他装置也可被监控和表征生态效率。
在一些实施方式中，可基于环境资源使用数据或生态效率表征来确定对制造处理(例如，处理子集或多个处理)进行的修改。举例而言，可将环境资源使用数据用作机器学习模型的输入。可获得来自机器学习模型的一个或多个输出，该一个或多个输出指示对制造处理进行的修改及在一些实施方式中指示修改满足阈值条件的置信水平。对制造处理进行的修改可能与提高所选择的制造处理的生态效率相关联(例如，减少环境资源消耗和/或环境影响)。
在一些实施方式中，确定对制造处理进行的一个或多个修改可能与制造处理的优化程序相关联。系统和/或方法可确定多个修改以应用于制造处理，以便满足预定的生态优化要求。举例而言，地方法规可能会强制限制对某些资源(例如，电力、水等)的使用水平，或通过不同奖励机制激励更低消费行为。可容易地使用本文所述的生态效率系统及方法(例如，作为监控特征的实时仪表板)以准备所需报告以作为合规性证据，且可使用生态效率优化特征以实现制造系统的节省。
在一些实施方式中，合规性报告可包括基于普遍认可的规范和/或标准的报告，诸如，国际半导体设备及材料(Semiconductor Equipment and Materials International；SEMI)在半导体设施系统指南(SEMI S23-0813)中针对半导体制造设备的能源、电力及生产节约所公布的内容。举例而言，SEMI S23-0813提供了重要公用事业的能源转换系数(energy conversions factor；ECF)(例如，每单位流量的能源消耗)。ECF可估计公用事业的能源消耗，并用于估计半导体制造设施的能源节约。
在一些实施方式中，例如，生态效率基于资源消耗，诸如，能源消耗、气体消耗(诸如，氢气、氮气、用于蚀刻或沉积薄膜的化学品、CDA(清洁干燥空气))和/或水消耗(例如，处理冷却水(process cooling water；PCW)、去离子水(de-ionized water；DIW)及超纯水(ultrapure water；UPW))。然而，在一些实施方式中，生态效率基于与制造设备相关联的部件的寿命循环数据。举例而言，与生态效率表征相关联的环境资源消耗和/或环境影响可能与制造设备的耗材部件的更换程序或保养程序相关联。该修改可能与制造设备的耗材部件的保养程序相关联。
在一些实施方式中，表征并优化制造处理可包括配方构建方法。配方构建方法可包括动态地计算个别制造步骤的资源消耗和/或环境影响，以作为配方产生和/或修改处理的一部分。用户可能能够添加、删除和/或修改处理步骤和/或制造设备的各种组合、子组合和/或排序，以执行处理步骤。可分析被修改的配方以确定被修改的配方的生态效率。执行处理可包括(例如)处理晶片、运输晶片、辅助/支援设备启用处理步骤，和/或与制造处理相关联的其他功能。
图1为绘示可在其中操作本公开内容的实施方案的示例性系统架构100的方块图。如图1中所示，系统架构100包括制造系统102、数据储存器112、服务器120、客户端装置150和/或机器学习系统170。机器学习系统170可以是服务器120的一部分。在一些实施方式中，机器学习系统170的一个或多个部件可完全或部分地整合至客户端装置150中。制造系统102、数据储存器112、服务器120、客户端装置150及机器学习系统170可各自由一个或多个计算装置托管，这些计算装置包括服务器计算机、桌上型计算机、膝上型计算机、平板计算机、笔记本计算机、个人数字助理(personal digital assistant；PDA)、移动通信装置、蜂窝式电话、手持型计算机或类似计算装置。
制造系统102、数据储存器112、服务器120、客户端装置150及机器学习系统170可经由网络彼此耦接(例如，用于执行本文所述的方法)。在一些实施方式中，网络160为专用网络，其为系统架构100的每一器件提供对彼此及对其他私人可用计算装置的访问。网络160可包括一个或多个广域网络(WAN)、局域网络(LAN)、有线网络(例如，乙太网络)、无线网络(例如，802.11网络或Wi-Fi网络)、蜂窝式网络(例如，长期演进(Long Term Evolution；LTE)网络)、云端网络、云端服务、路由器、集线器、交换机服务器计算机和/或其任何组合。附加地或替代地，系统架构100的器件中的任一者可整合在一起或在不使用网络160的情况下以其他方式耦接。
客户端装置150可以是或包括任何个人计算机(PC)、膝上型计算机、移动电话、桌上型计算机、平板计算机、网络连接电视(“智能TV”)、网络连接媒体播放器(例如，蓝光播放器)、机上盒、过顶(over-the-top；OTT)串流装置、接线盒等。客户端装置150可包括浏览器152、应用程序154和/或由系统架构100的其他系统描述并执行的其他工具。在一些实施方式中，客户端装置150可能能够访问制造系统102、数据储存器112、服务器120和/或机器学习系统170，并传送(例如，发送和/或接收)生态效率的指示，其包括一种或多种环境资源消耗(例如，环境资源消耗)和/或环境影响，和/或各种处理工具(例如，部件整合工具122、数字副本工具124、优化工具126、配方构建工具128、资源消耗工具130等等)在系统架构100的各种处理阶段(如本文所述)的输入及输出。
如图1中所示，制造系统102包括机器设备104、设备控制器106、处理配方108及传感器110。机器设备104可以是离子注入器、蚀刻反应器(例如，处理腔室)、光刻装置、沉积装置(例如，用于执行化学气相沉积(CVD)、物理气相沉积(PVD)、离子辅助沉积(IAD)等等)的任何组合，或制造装置的任何其他组合。
处理配方108(也称作制造配方或制造处理指令)包括具有处理实施方案的机器操作的顺序，当这些机器操作以指定顺序应用时，会产生制造样品(例如，具有预定性质或满足预定规格的基板或晶片)。在一些实施方式中，处理配方被储存在数据储存器中，附加地或替代地，以某一种方式储存以产生指示制造处理的步骤或操作的数据表。每一步骤可储存给定处理步骤的已知生态效率。附加地或替代地，每一处理步骤可储存指示处理步骤所需的物理条件的参数(例如，目标压力、温度、排气、能源处理量，及其类似者)。
设备控制器106可包括能够执行处理配方108的步骤的软件和/或硬件部件。设备控制器106可经由传感器110监控制造处理。传感器110可测量处理参数以确定是否满足处理准则。处理准则可与处理参数值窗口(例如，如结合图5所述)相关联。传感器110可包括多种传感器，其可用于测量(明确地或作为度量)消耗(例如，功率、电流等)。传感器100可包括物理传感器、物联网(Internet-of-Things；IoT)和/或虚拟传感器(例如，并非物理传感器而是基于估计参数值的模型的基于虚拟测量的传感器)。
附加地或替代地，设备控制器106可通过测量各种处理步骤的资源消耗(例如，排气、能源消耗、处理成分消耗等)来监控生态效率。在一些实施方式中，设备控制器106确定相关联的机器设备104的生态效率。设备控制器106也可基于已确定的生态效率模型来调整与制造设备104相关联的设置(例如，包括对处理配方108进行的已确定的修改)，以便根据当前制造条件优化设备104的生态效率。
在一个实施方式中，设备控制器106可包括主存储器(例如，只读存储器(ROM)、闪存存储器、动态随机存取存储器(DRAM)、静态随机存取存储器(SRAM)等)和/或辅助存储器(例如，数据储存装置，诸如，磁盘驱动器(例如，数据储存器112或云端数据))。主存储器和/或辅助存储器可储存用于执行各种类型的制造处理(例如，处理配方108)的指令。
在一个实施方式中，设备控制器106可基于与制造设备104相关联的第一公用事业使用数据及与制造设备104相关联的第一利用率数据来确定与制造设备104相关联的实际生态效率表征。举例而言，第一公用事业使用数据及第一利用率数据可由设备控制器106确定。在另一实施方式中，第一公用事业使用数据及第一利用率数据从外部源(例如，服务器120、云端服务和/或云端数据储存器)接收。设备控制器106可将实际生态效率表征和与制造设备104相关联的第一生态效率表征(例如，第一经估计生态效率表征)进行比较。当使用不同的使用及利用率数据值来计算第一生态效率表征时，生态效率表征可能不同于与操作制造设备104相关联的实际值。
在一个实施方式中，设备控制器106可确定第一生态效率表征比实际生态效率表征更具有生态效率，从而指示有可能调整制造设备104上的设置以更佳地优化制造设备104以获得生态效率。在一些实施方式中，制造设备104可控制并调整子部件设置以更佳地优化生态效率。
设备控制器106也可基于实际使用数据、实际利用率数据及生态效率表征来确定实际使用数据或实际利用率数据不同于与第一生态效率表征相关联的使用数据及利用率数据。这可能是当使用标称或估计数据值来确定第一生态效率表征并在制造设备104操作时使用不同的实际记录数据值时的情形。在此种情境下，针对与制造设备104相关联的一个或多个设置的调整可有益于优化制造设备的生态效率。
数据储存器112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，或能够储存数据的另一类型的部件或装置，诸如，由云端服务器和/或处理器提供的储存器。数据储存器112可储存一种或多种历史传感器数据。数据储存器112可储存一种或多种生态效率数据114(例如，包括历史的和/或当前的生态效率数据)、传感器及处理配方数据116(例如，包括历史的和/或当前的传感器及处理配方数据116)、和修改及优化数据(例如，包括历史的和/或当前的修改及优化数据118)。传感器及处理配方数据116可包括各种处理步骤、处理参数窗口、替代处理步骤、处理排队指令等，以用于在重叠制造设备上执行多个处理。传感器及处理配方数据116可与生态效率数据114链接或以其他方式与生态效率数据114相关联，以跟踪各种处理步骤、配方等的生态效率。修改及优化数据118可包括对先前处理配方(包括单独地处理步骤，或多个处理配方的协调)进行的历史修改，及由于这些修改引起的相关联的生态效率变化。
生态效率数据114可包括用于生态效率表征中的各种消耗资源。在一个实施方式中，生态效率数据114并入有用水量、排放、电能使用及其任何组合中的一者或多者。在其他实施方式中，生态效率数据114可包括其他类别的资源消耗，诸如，气体使用、重金属使用及富营养化潜力。
服务器120可包括部件整合工具122、数字副本工具124、优化工具126、配方构建工具128和/或资源消耗工具130。部件整合工具122可确定每装置(例如，每个单独制造设备)的累积消耗。服务器120的各种工具可在彼此之间传送数据以执行每个相应功能，如本文所述的。
部件整合工具122可接收制造数据(例如，配方、配方选择、制造设备、配方间及配方内的处理等)，并针对变化的数据划分执行生态效率分析。在一些实施方式中，部件整合工具122可从单独的处理配方确定跨多个处理步骤的生态效率表征。举例而言，部件整合工具122可确定配方从开始至结束跨所有步骤的生态效率表征。在另一示例中，处理的选择可用于确定制造处理步骤的子集的生态效率。
在另一实施方式中，部件整合工具122可执行配方内处理的生态效率表征。举例而言，生态效率表征可能与执行来自多个不同制造处理(例如，处理配方108)的多个不同处理步骤的(例如，制造系统102的)制造装置相关联。在另一示例中，各种处理步骤(例如，在配方内或在配方间)的排序可能影响总体生态效率。部件整合工具122可跨制造装置的系统和/或处理的序列执行总体生态效率表征。举例而言，部件整合工具122可在执行类似功能的子部件(例如，多个处理腔室)之间执行生态效率比较。
在说明性示例中，每一处理步骤可通过处理腔室进行，诸如外延沉积或蚀刻。这些中的每一者是使用处理配方进行的。可能存在用于执行处理(诸如外延沉积)的许多不同处理配方。举例而言，处理配方可包括多个步骤，诸如：1)净化腔室；2)抽空；3)气体流动；4)加热腔室等等。这些步骤可与一个或多个处理配方相关联。
在另一实施方式中，部件整合工具122可执行包括辅助设备的生态效率的生态效率表征。辅助设备可包括并非直接用于制造但有助于执行各种处理配方的设备。举例而言，辅助设备可包括被设计以在各种制造装置之间移动晶片的基板运输系统。在另一示例中，辅助设备可包括散热片、共享排气端口、电力输送系统等。部件整合工具122可考虑辅助装置资源消耗，并组合辅助装置资源消耗及制造资源消耗，以确定处理配方(例如，子集或整个配方)或配方(例如，子集或整个配方)的组合的资源消耗。
在另一实施方式中，部件整合工具122可执行考虑了处理或配方的序列的生态效率表征。举例而言，执行处理步骤A接着执行处理步骤B可导致第一资源消耗，而执行处理步骤B接着执行处理步骤A可导致与第一资源消耗不同的第二资源消耗。部件整合工具122在多个机器设备和/或处理步骤上整合生态效率，并考虑处理配方(例如，子集或整个配方)或配方(例如，子集或整个配方)的组合的处理步骤的序列。
在一些实施方式中，存在针对处理步骤中的每一者的不同制造设备。举例而言，晶片上的膜可具有多个层。第一机器可执行第一操作(例如，沉积)，第二机器可执行第二操作(例如，蚀刻)，第三机器可执行第三操作(例如，沉积)等等。部件整合工具122可指示资源消耗跟踪器跨多台机器跟踪多个处理步骤，以产生数据仓库(data stash)报告。如先前所提及，可以为所选择的处理配方绘制消耗报告，包括晶片从开始到结束的寿命。
数字副本工具124接收来自制造系统102和/或客户端装置150的制造数据，并产生与制造数据相关联的数字副本。制造数据可包括对机器设备104进行的选择及处理配方108的处理步骤。数字副本工具124产生制造系统的物理系统架构或(例如，由用户在客户端装置150上产生的)虚拟输入系统的数字孪生(digital twin)。
由数字副本工具124产生的数字孪生可包括物理模型、统计模型和/或混合模型中的一者。物理模型可包括基于物理的约束及控制算法，其经设计以估计被输入的制造数据的物理条件(例如，排气温度、电力输送要求，和/或指示与环境资源消耗相关联的物理环境的其他条件)。举例而言，用户可在客户端装置150上创建处理配方。处理配方可包括处理或配方的参数及以某种方式使用机器设备的指令。数字副本工具124将获取该制造数据并确定系统的物理约束(例如，操作温度、压力、排气参数等)。举例而言，物理模型可基于腔室的硬件配置(例如，使用类型A的设备材料与类型B的设备材料)和/或配方参数来识别系统的物理条件。在另一示例中，可根据影响水、空气和/或采暖通风及空调(heatingventilation,and air conditioning；HVAC)设备的热损失的相关机器设备部件来确定物理条件。数字副本工具124可与其他工具(例如，部件整合工具122和/或资源消耗工具130)一起工作，以预测所接收到的制造数据的生态效率表征。应注意，数字副本工具124可预测制造处理和所选择的制造设备的生态效率，而无需接收来自由制造设备104执行处理配方的经验数据。因此，制造设备的数字副本可用于预测设备设计和/或处理配方的生态效率，而无需实际构建特定的设备设计或运行特定的处理配方。
在一些实施方式中，数字副本工具124使用的物理模型可包括流体流动建模、气体流动和/或消耗建模、基于化学的建模、热传递建模、电能消耗建模、等离子体建模等等。
在一些实施方式中，数字副本工具124可采用统计建模以预测制造数据的生态效率。统计模型可用于基于先前已处理的历史生态效率数据(例如，生态效率数据114)使用统计操作来处理制造数据，以验证、预测和/或转换制造数据。在一些实施方式中，使用统计过程控制(SPC)分析产生统计模型，以确定数据的控制极限，并基于那些控制极限将数据识别为较为可靠或较不可靠。在一些实施方式中，统计模型与单变量和/或多变量数据分析相关联。举例而言，可使用统计模型分析各种参数，以经由统计过程确定模式及相关性(例如，范围、最小值、最大值、四分位数、方差、标准差等)。在另一示例中，可使用回归分析、路径分析、因子分析、多变量统计过程控制(multivariate statistical process control；MCSPC)和/或多变量方差分析(multivariate analysis of variance；MANOVA)来确定多个变量之间的关系。
优化工具126可接收对处理配方108及机器设备104进行的选择并识别对所选择者进行的修改，以提高生态效率(例如，减少资源消耗、资源成本消耗和/或环境影(例如，进入大气中的气态或颗粒状物质))。优化工具126可结合机器学习模型(例如，机器学习系统170的模型190)的使用。机器学习模型可接收对处理配方和/或机器设备进行的选择来作为输入，并确定对所选择者的一个或多个修改，该一个或多个修改在由制造系统102执行时会提高所选择者的总体生态效率。在一些实施方式中，机器学习模型可使用数字副本工具，以产生用于训练的合成制造数据。替代地或附加地，机器学习模型可使用历史数据(例如，生态效率数据114、传感器及处理配方数据116、和/或修改及优化数据118)来训练机器学习模型。
由优化工具126识别的修改可包括变更处理步骤、改变处理次序、变更由一台机器设备执行的参数、变更第一处理配方与第二处理配方的相互作用(例如，次序、同时操作、延迟时间等)等等。在一些实施方式中，优化工具126可将指令发送至制造系统102以直接执行优化。然而，在其他实施方式中，优化工具可在图形用户界面(GUI)上显示修改以供操作员执行动作。举例而言，数字副本工具124可将一个或多个修改发送至客户端装置150，以用于在浏览器152和/或应用程序154中显示。
在一些实施方式中，优化工具126可调整由数字副本工具124所产生的数字孪生模型的超参数。如将在后面实施方式中论述的，优化工具126可通过在数字副本上运行模拟修改并评估从数字副本输出的生态效率结果来结合强化学习和/或深度学习。
在一些实施方式中，优化工具126可执行生态效率表征及使一种或多种类型的环境资源被优先考虑的优化。举例而言，如先前所述，生态效率表征可基于各种资源消耗，诸如用水量、气体使用、能源使用等等。优化工具126可执行优化，其使第一资源消耗(例如，用水量)优先于第二资源消耗(例如，气体使用)。在一些实施方式中，优化工具126可执行使用加权优先级系统的优化。举例而言，当优化生态效率和/或识别对制造处理进行的生态效率修改时，可为一种或多种资源消耗分配指示相关联的每单位资源消耗的优化优先级的权重。
配方构建工具128可接收对制造处理和/或机器设备的选择，并在虚拟制造处理和/或设备选择的每次添加、删除和/或修改后逐步动态地确定及预测生态效率。配方构建工具128可使用其他工具(例如，部件整合工具122、数字副本工具124、优化工具126及资源消耗工具130)，以在制造配方被更新时动态地更新已确定的生态效率。举例而言，用户可创建制造配方。配方构建工具128可输出处理配方的当前迭代的当前生态效率。配方构建工具128可接收对更新了处理配方的当前迭代进行的修改。配方构建工具128可输出更新的生态效率表征。
资源消耗工具130可跟踪各种资源消耗。举例而言，如先前所提及，生态表征可基于更广泛的资源，诸如，能源消耗、气体排放、用水量等。然而，资源消耗工具130可以更特定地跟踪资源消耗。在一些实施方式中，由资源消耗工具130接收对处理配方和/或制造设备进行的选择。资源消耗工具130可确定与所选择的制造设备和/或处理配方相关联的部件的寿命循环数据。举例而言，制造设备随着使用而磨损，且在一些情况下，需要校正动作(诸如更换和/或修理部件)。该校正动作也与环境消耗相关联(例如，用于执行校正动作的资源消耗)。资源消耗工具130可个别地跟踪部件寿命时间数据，并基于预期的要执行的未来校正动作来提供每单位环境资源消耗和/或环境影响。
在一些实施方式中，可使用数字孪生来估计与制造处理步骤相关联的一些耗材的寿命。寿命数据可用于估计寿命持续时间并预测将响应于预测寿命而即将采取的补救动作。举例而言，寿命数据可用于通过主动通知供应链订购更换零件来维持优化的生态效率性能。
在一些实施方式中，由服务器的其他工具确定的环境资源使用数据可包括与第一制造设备的耗材部件的更换程序或维护程序中的一者相关联的环境资源消耗和/或环境影响。在一些实施方式中，优化工具126可确定对制造处理进行的修改，这些修改可包括执行与机器设备(例如，机器设备104)的部件相关联的校正动作。
在一些实施方式中，机器学习系统170进一步包括服务器机器172、服务器机器180和/或服务器机器192。服务器机器172包括数据集产生器174，其能够产生数据集(例如，数据输入集合及目标输出集合)以训练、验证和/或测试机器学习模型190。以下关于图7A至图7C详细描述数据集产生器174的一些操作。
服务器机器180包括训练引擎182、验证引擎184和/或测试引擎186。引擎(例如，训练引擎182、验证引擎184和/或测试引擎186)可代表硬件(例如，电路系统、专用逻辑、可编程逻辑、微代码、处理装置等)、软件(诸如在处理装置、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产生器174的训练集相关联的一个或多个特征集合来训练机器学习模型190。训练引擎182可产生一个或多个经训练的机器学习模型190，其中每一经训练的机器学习模型190可能是基于训练集的不同的特征集合和/或训练集的不同的标签集合进行训练的。举例而言，第一经训练的机器学习模型可已使用由数字副本工具124输出的资源消耗数据进行了训练，第二经训练的机器学习模型可已使用历史生态效率数据(例如，生态效率数据114)进行了训练等等。
验证引擎184可以能够使用来自数据集产生器174的验证集来验证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产生器174的测试集来测试经训练的机器学习模型190。
(多个)机器学习模型190可代表由训练引擎182使用训练集创建的一个或多个经训练的机器学习模型，该训练集包括数据输入及在一些实施方式中包括对应的目标输出(例如，针对相应训练输入的正确答案)。可找到数据集中的对数据输入进行聚类和/或将数据输入映射至目标输出(正确答案)的模式，并向机器学习模型190提供映射和/或机器学习模型190学习捕捉这些模式的映射。(多个)机器学习模型190可包括人工神经网络、深度神经网络、卷积神经网络、循环神经网络(例如，长短期记忆(long short term memory；LSTM)网络、convLSTM网络等)和/或其他类型的神经网络。机器学习模型190可附加地或替代地包括其他类型的机器学习模型，诸如使用线性回归、高斯回归、随机森林、支持向量机等中的一者或多者的那些机器学习模型。
修改识别部件194可向经训练的机器学习模型190提供当前数据，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。修改识别部件194可以能够从经训练的机器学习模型190的输出做出决策和/或执行操作。ML模型输出可包括置信数据，其指示ML模型输出(例如，修改及优化参数)对应于在被应用时提高对所选择的制造处理和/或处理设备的总体生态效率的修改的置信水平。在一些实施方式中，修改识别部件194可基于ML模型输出执行处理配方修改。修改识别部件194可向服务器120的一个或多个工具提供ML模型输出。
置信数据可包括或指示ML模型输出正确(例如，ML模型输出对应于与训练数据项相关联的已知标签)的置信水平。在一个示例中，置信水平是在0与1(包括1)之间的实数，其中0指示对ML模型输出正确没有信心，而1指示对ML模型输出正确有绝对信心。响应于指示对于预定数量的实例的置信水平低于阈值水平的置信数据(例如，实例的百分比、实例的频率、实例的总数等)，服务器120可使经训练的机器学习模型190被重新训练。
出于说明而非限制目的，本公开内容的方面描述使用处理配方数据来训练机器学习模型，并将对制造处理和/或制造设备进行的当前选择输入至经训练的机器学习模型中以确定ML模型输出(处理修改及优化参数，诸如特定资源消耗的目标生态效率)。在其他实施方案中，使用启发式模型或基于规则的模型来确定输出(例如，不使用经训练的机器学习模型)。
在一些实施方式中，制造系统102、客户端装置150、机器学习系统170、数据储存器112和/或服务器120的功能可由较少数量的机器提供。举例而言，在一些实施方式中，可将服务器机器172及180整合至单个机器中，而在一些其他实施方式中，可将服务器机器172、服务器机器180及服务器机器192整合至单个机器中。在一些实施方式中，可将服务器120、制造系统102及客户端装置150整合至单个机器中。
通常，如果合适的话，在一个实施方式中描述为由制造系统102、客户端装置150和/或机器学习系统170执行的功能也可在其他实施方式中在服务器120上执行。另外，归属于特定部件的功能可由一起操作的不同或多个部件来执行。举例而言，在一些实施方式中，服务器120可接收制造数据并执行机器学习操作。在另一示例中，客户端装置150可基于来自经训练的机器学习模型的输出来执行制造数据。
另外，特定部件的功能可由一起操作的不同或多个部件来执行。服务器120、制造系统102或机器学习系统170中的一者或多者可作为经由适当应用程序编程接口(API)提供给其他系统或装置的服务而被访问。
在实施方式中，可将“用户”表示为单个个体。然而，本公开内容的其他实施方式涵盖作为由多个用户和/或自动化源控制的实体的“用户”。举例而言，联合成管理员的群组的一组单独用户可被视为“用户”。
图2是绘示了可在其中操作本公开内容的实施方案的生态效率可持续性系统架构200的方块图。系统架构200包括对具有一个或多个子部件204(例如，处理腔室)的处理工具202进行的选择。如先前所述，处理工具202包括用于处理基板的各种制造工具。在线206处，传感器测量制造数据(例如，能量消耗传感器数据、气体及水消耗数据等)并将该制造数据传输至公共基础架构208。公共基础架构208可包括一种或多种控制算法，其被配置为执行制造处理步骤并管理处理参数(例如，关键处理参数、机器设备诊断参数、或以其他方式指示制造处理的参数)。
公共基础架构208可将(例如，来自有线传感器和/或无线传感器(诸如物联网(IOT)传感器)的)传感器数据传输至数据管理算法(例如，整合算法210)。整合算法210可解析从处理工具202接收到的制造数据，以选择数据的一部分来执行生态效率表征。整合算法210拉取数据以对所选择制造处理步骤和/或制造设备执行累积生态效率表征。已选数据可与基于物理的模型214相关联地使用，以确定(例如，每一子部件204的)处理工具202的物理条件。该数据可与来自机载定序器和/或计划器或来自操作员的调度信息相组合(例如，在线218处)。调度信息可包括指示即将到来的配方、工具空闲状态、维护等的数据。
与调度数据组合的所选择的制造数据被输入至基于物理的模型214中。在一些实施方式中，基于物理的模型为机械模型。机械模型检查制造数据及调度信息的单独数据点的工作情况及单独数据点耦合的方式，以确定数据耦合的物理/机械表示。在一些实施方式中，机械模型可包括处理数据以确定对资源消耗的预测。举例而言，机械模型可处理制造数据以确定资源消耗(例如，水、能源、气体，等)预测和/或环境影响(例如，进入大气中的气态或颗粒状物质)。可使用历史制造数据产生机械模型，并稍后将其用在当前数据上以确定预测。
在一些实施方式中，(多个)基于物理的模型214可并入各种物理关系，诸如，热力学、流体动力学、能量守恒、气体定律、机械系统、节能、运输及输送等等。举例而言，处理工具可包括流至制造设备装置的一部分以执行冷却处理的冷却水。物理模型可将流体力学与热传递合并，以确定用于将原始制造数据转换为系统处理数据的模型，该系统处理数据可以表征其生态效率。在一些实施方式中，物理模型可用于确定是否满足阈值资源消耗条件。沿用同一示例，物理模型可用于确定流体的流动速率，并继而确定子部件内的热传递速率。若此热传递速率低于阈值速率，则可能会损失额外能源来排气。物理模型可因此确定流体流动速率在低于期望流动速率水平下运行，以维持期望的生态效率水平。
在一些实施方式中，(多个)基于物理的模型214并入有辅助或周边设备操作资源消耗。举例而言，为处理装置供电以向处理工具202提供控制算法(例如，使用共用基础架构208)的能量消耗。辅助设备可能并非设置在制造设备附近，也不直接与单个制造处理相关联，但可使用(多个)基于物理的模型214将其分配为对各种制造处理步骤(或单独制造处理)的贡献。
在一些实施方式中，作为使用物理模型的补充或替代，在制造数据上使用统计模型。统计模型可用于基于统计运算处理数据以验证、预测和/或转换制造数据。在一些实施方式中，使用统计过程控制(SPC)分析产生统计模型，以确定数据的控制极限，并基于那些控制极限将数据识别为较为可靠或较不可靠。在一些实施方式中，统计模型与单变量和/或多变量数据分析相关联。举例而言，可使用统计模型分析各种参数，以经由统计过程确定模式及相关性(例如，范围、最小值、最大值、四分位数、方差、标准差等)。在另一示例中，可使用回归分析、路径分析、因子分析、多变量统计过程控制(MCSPC)和/或多变量方差分析(MANOVA)来确定多个变量之间的关系。
在一些实施方式中，系统架构200包括自适应优化算法216。自适应优化算法216与(多个)基于物理的模型214一起工作以确定对所选择的制造处理和/或执行相关联处理的制造设备进行的修改。在一些实施方式中，自适应优化算法输出自动优化命令以控制软件(例如，在线224处)。在其他实施方式中，自适应优化算法可向操作员输出建议以优化性能(例如，在线220处)。在一些实施方式中，自适应优化算法将自动优化命令直接输出至硬件部件(例如，在线222处)。
在一些实施方式中，自适应优化算法216使用机器学习模型以确定对制造处理和/或制造设备进行的修改。该机器学习模型可以是经训练的机器学习模型(例如，使用方法700A～700C训练并执行)。如将在其他实施方式中论述，机器学习模型可与基于物理的模型一起操作，以识别作为输入被接收到的对制造处理和/或设备进行的修改。
系统架构200可包括综合仪表板GUI 212。综合仪表板GUI可经设计以显示相关制造数据(例如，传感器数据、机器设备诊断、机器设备状态、制造处理状态等)。在一些实施方式中，综合仪表板GUI包括用于从用户接收输入的方法。举例而言，用户可输入制造数据(例如，使用配方构建工具128)以产生配方。该额外制造数据可被用作(多个)基于物理的模型及自适应优化算法216的的一者或多者中的输入。
图3描绘用于监控、维持和/或优化制造处理的示例性方法300的流程图。该示例性方法可分成两个部分：首先，训练机器学习模型324，以及其次，实施制造处理324。在一个实施方式中，示例性方法300包括机器学习模型302、工具软件306、工具硬件308及物理模型312。
在一些实施方式中，机器学习模型用于接收对制造处理和/或制造设备进行的选择，并将一个或多个修改输出至制造处理和/或制造设备以提高生态效率(例如，减少资源消耗)。在一些实施方式中，使用物理模型312产生模拟的训练/验证数据320(例如，使用方法700A)。响应于已接收的模拟的训练/验证数据320，机器学习模型302产生模拟修改318，该模拟修改318可返回至物理模型312并被验证。机器学习模型302在多种模拟和/或真实的训练/验证数据320上进行训练。一但被训练，机器学习模型302可接收对经验制造系统和/或将由系统执行的处理配方进行的选择。机器学习模型302将制造处理指令和/或修改304输出至实施工具软件306的设备控制器(例如，设备控制器106)。这些修改可提高生态效率。工具软件306向工具硬件308提供制造处理指令314。工具硬件308实施制造处理。工具硬件包括传感器，这些传感器将传感器数据报告回实施工具软件306的设备控制器。
在一些实施方式中，设备控制器将工具硬件的一个或多个物理条件识别为违反阈值条件(例如，高温、超压、漏气、缺电等)。设备控制器可修改制造处理指令以校正违反阈值条件(例如，基于来自机器学习模型302的输出)。
包括工具硬件308的制造系统将经验训练/验证310报告回物理模型312。物理模型可接着被更新，并可产生并更新模拟的训练/验证数据320，其可用于进一步训练机器学习模型。
在一些实施方式中，(多个)物理模型312产生模拟的训练/验证数据，然而，在其他实施方式中，(多个)物理模型输出对制造处理进行的修改。在此实施方式中，可将机器学习模型用作优化模型，其调谐超参数(例如，制造数据参数)以识别修改，从而进一步优化制造处理。举例而言，可将制造处理用作对物理模型312的输入。机器学习模型可接着处理物理模型312的输出以识别制造处理的潜在变化(即，超参数)。可在物理模型上运行已识别的变化以确定对应的更新的生态效率。此可在迭代过程中重复，以精细调谐设备设计和/或配方设计。在示例中，可使用Broyden-Fletcher-Goldfarb-Shanno(BFGS)算法的实例、共轭梯度(conjugate gradient；CG)算法、Nelder-Mead算法的实例和/或模型预测控制(modelpredictive control；MPC)算法来产生和/或实施优化模型。
图4描绘根据本公开内容的一些实施方案的示例性数字副本400。数字副本400可包括所选择的制造系统的数字孪生，且可包括(例如)制造系统的数字复制品，其包括相同的腔室、阀、气体输送管线、材料、腔室部件等等。数字副本400可接收制造设备处理数据(例如，传感器数据)404A～404C及处理配方404D作为输入，并输出制造系统的物理条件406。在一些实施方式中，数字副本400包括基于物理的模型，其可并入各种物理关系，诸如，热力学、流体动力学、能量守恒、气体定律、机械系统、节能、运输及输送等等。
举例而言，如图4中所示，数字副本接收第一气体404A的第一气体流量、第二气体404B的第二气体流量及第三气体404C的第三气体流量以及第一处理配方404D作为输入。数字副本使用基于物理的模型来估计通过气流离开腔室的能量的量。举例而言，模型确定排气温度及通过排气的总能量流。在另一示例中，同一数字副本400可输出生态效率优化修改，诸如，腔室的不同硬件配置(例如，使用第一线型A与使用第二线型B)。数字副本可识别系统中影响水、空气及HVAC的热损失的相关部件，并确定所建议的优化以提高节能。
图5为根据本公开内容的一些实施方案的用于制造处理步骤的操作参数限制500的示例性图示。各种制造处理步骤可包括操作参数限制500，其将处理参数窗口510或一组值(例如，值的组合)指示为一组对应参数，当满足这些参数时，会获得满足阈值条件(例如，最低品质条件)的结果。举例而言，处理参数窗口510可包括第一参数502(例如，第一气体的第一流动速率)及第二参数504(例如，气体温度)。为了执行制造处理并满足阈值条件(例如，最低品质标准、统计过程控制(SPC)极限、规范限制等)，确定处理参数值窗口510，其识别会导致产品很有可能满足阈值条件的参数值组合。如图5中所示，处理参数窗口510包括第一参数502的下限506A及上限506A，及第二参数的下限508B及上限508A。
由制造处理系统识别的优化(例如，使用自适应优化算法216和/或基于物理的模型214)可包括确定处理参数窗口510内的被生态优化的处理参数窗口512，相较于在被生态优化的处理参数窗口512以外的处理参数值，被生态优化的处理参数窗口512导致的制造操作消耗资源的量得以减少。
应注意，图5描绘仅根据两个参数502、504的简化处理参数窗口510及被生态优化的处理参数窗口512。处理参数窗口510及被生态优化的处理参数窗口512两者均形成简单的矩形。处理参数窗口可包括两个以上的参数，且可包括更多样化的参数依赖性。举例而言，参数之间非线性的基于物理的关系可导致非线性的处理参数窗口及被生态优化的处理参数窗口。
图6至图7A-7C描绘了根据本公开内容的一些实施方案的流程图，这些流程图绘示了关于与制造处理的环境资源消耗和/或环境影响相关联地训练和/或使用机器学习模型的示例方法600至700A-700C。为了简化说明，将方法600至700A-700C描绘并描述为一系列动作。然而，根据本公开内容的动作可以以各种顺序和/或同时地发生，且具有本文中未呈现并描述的其他动作。另外，实施根据所公开主题的方法600至700A-700C可能不一定执行所有绘示的动作。另外，本领域技术人员将理解并了解，方法600至700A-700C也可以替代地经由状态图或事件被表示为一系列相互关联的状态。
图6是根据本公开内容的一些实施方案的用于识别对制造处理进行的修改的方法600的示例性图示。方法600由处理逻辑来执行，该处理逻辑可包括硬件(电路系统、专用逻辑等)、软件(诸如，在通用计算机系统或专用机器上运行)，或其任何组合。在一个实施方案中，该方法是使用图1的服务器120及经训练的机器学习模型190执行的，而在一些其他实施方式中，图6的一个或多个方块可由各图中未描绘的一个或多个其他机器执行。
方法600可包括接收对第一制造处理或第一制造设备中的至少一者的选择，以执行第一制造处理的制造操作，并识别修改和/或优化以提高生态效率(减少资源消耗和/或环境影响)。制造处理可与制造系统(例如，图1的制造系统102)相关联。
在方块601处，处理逻辑接收对第一制造处理或第一制造设备(例如，图2的工具202及子部件204)中的至少一者的第一选择，以执行第一制造处理的制造操作。
在方块602处，处理逻辑将第一选择输入至第一制造设备的数字副本(例如，图4的数字副本400)中。在一些实施方式中，数字副本可包括基于物理的模型(例如，图2的基于物理的模型214)。
在方块603处，处理逻辑基于第一制造处理的物理条件确定环境资源使用数据，其指示在第一制造设备上运行的第一制造处理的第一环境资源消耗和/或环境影响。在一些实施方式中，环境资源使用数据包括与第一制造设备用于执行第一制造处理的制造操作相关联的能量消耗、气体消耗或水消耗中的至少一者。
在一些实施方式中，处理逻辑使用环境资源使用数据作为机器学习模型的输入。处理逻辑进一步包括获得机器学习模型的一个或多个输出，其中该一个或多个输出指示修改。在一些实施方式中，机器学习模型的一个或多个输出可进一步指示该修改在被执行时减少制造处理的第一环境资源消耗和/或环境影响的置信水平。处理逻辑进一步确定修改满足阈值条件的置信水平。
在一些实施方式中，第一环境资源消耗和/或环境影响包括与第一制造设备的耗材部件的更换程序或维护程序中的一者相关联的环境资源消耗和/或环境影响。
在一些实施方式中，环境资源使用数据包括与制造设备相关联的部件的寿命循环数据。该修改可进一步包括执行与该部件相关联的校正动作。
在方块604处，处理逻辑确定对第一制造处理进行的修改，该修改减少在第一制造设备上运行的第一制造处理的环境资源消耗和/或环境影响(例如，每单位资源消耗)。在一些实施方式中，该修改包括变更制造处理步骤和/或制造设备处理参数中的一者或多者。在一些实施方式中，对第一制造设备用于执行第一制造处理的制造操作的能源消耗、气体消耗或水消耗中的一者或多者进行优先级优化。
在方块605处，处理逻辑可选地将修改应用于制造处理。在方块606处，处理逻辑可选地提供修改以由图形用户界面(GUI)进行显示。在一些实施方式中，确定多个修改并提供该多个修改以用于在图形用户界面(GUI)上进行呈现(例如，用于向诸如系统操作员的用户呈现)。在一些实施方式中，修改按置信水平按等级次序呈现给用户。在一些实施方式中，修改通过视觉指示符呈现给用户，该指示符表示与每一规定动作相关联的置信水平。举例而言，可由第一种颜色(例如，绿色或金色)来描述具有最高置信水平的一个或多个修改，且可由第二种颜色(例如，黄色或银色)来描述具有接近于阈值水平的置信水平的一个或多个修改。在一些实施方式中，可基于相关联的置信水平将修改放置在多层级或多群组中。
在一些实施方式中，处理逻辑可进一步基于环境资源使用数据来确定第一选择不满足阈值生态效率。处理逻辑可进一步响应于确定第一选择不满足阈值生态效率来执行第一选择的优化。执行第一选择的优化包括识别对第一选择进行的一个或多个修改，该一个或多个修改在被应用时会导致满足阈值生态效率的更新的生态效率。
在一些实施方式中，处理逻辑进一步接收对制造设备的第二选择以执行第二制造处理中的第二制造操作。该处理可从与制造设备的第二选择相关联的一个或多个传感器接收与第二制造操作相关联的第二传感器数据。处理逻辑可进一步更新数字副本以产生更新的数字副本，其中更新的数字副本与制造设备的第一及第二选择相关联。处理逻辑可进一步从数字副本获得包括综合环境资源数据的一个或多个输出，该综合环境资源数据指示第一选择及第二选择的环境资源消耗和/或环境影响(例如，每单位消耗和/或影响)。
图7A至图7C是根据本公开内容的一些实施方案的与识别对制造处理进行的修改相关联的方法700A～700C的流程图。方法700A～700C可由处理逻辑来执行，该处理逻辑可包括硬件(例如，电路系统、专用逻辑、可程序化逻辑、微代码、处理装置等)、软件(诸如，在处理装置、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。在一些实施方式中，方法700A可部分地由机器学习系统170(例如，服务器机器172、数据集产生器174等)执行。根据本公开内容的实施方式，机器学习系统170可使用方法700A进行训练、验证或测试机器学习模型中的至少一者。在一些实施方式中，方法700A的一个或多个操作可由服务器机器172的数据集产生器174执行。在一些实施方式中，方法700B～700C可部分地由机器学习系统170(例如，服务器机器172、服务器机器180及服务器机器192等)执行。根据本公开内容的实施方式，机器学习系统170可使用方法700B训练机器学习模型。根据本公开内容的实施方式，机器学习系统170可使用方法700C以使用经训练的机器学习模型。在一些实施方式中，方法700B～700C的一个或多个操作可由机器学习系统170的修改识别部件194执行。可注意到，可使用关于图1至图6中的一者或多者所描述的部件来绘示图7A至图7C的方面。在一些实施方式中，非暂时性储存介质储存指令，当由(机器学习系统170的)处理装置执行时，这些指令促使处理装置执行方法700A～700C。
为了简化说明，将方法700A～700C描绘并描述为一系列动作。然而，根据本公开内容的动作可以各种顺序同时地发生，与每一储存器的多个实例和/或与本文中未呈现并描述的其他动作并行地发生。另外，实施根据所公开主题的方法700A～700C可能不一定执行所有绘示的动作。另外，本领域技术人员将理解并了解，方法700A～700C可替代地经由状态图或事件被表示为一系列相互关联的状态。
参考图7A，方法700A与产生用于机器学习模型的数据集相关量，该机器学习模型用于处理所选择的制造处理和/或制造设备，以识别对输入进行的修改。
在方块702处，实施方法700A的处理逻辑将训练集T初始化为空集。
在方块704处，处理逻辑产生包括对制造处理及制造设备的选择的第一数据输入(例如，第一训练输入、第一验证输入)。
在一些实施方式中，在方块706处，处理逻辑产生数据输入(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(例如)对制造处理和/或制造设备进行的修改。处理逻辑可基于已输入的对制造处理和/或制造设备的选择来产生目标输出。
在方块708处，处理逻辑可选地产生指示输入/输出映射的映射数据。输入/输出映射(或映射数据)可代表数据输入(例如，本文所述的数据输入中的一者或多者)、数据输入的目标输出(例如，其中目标输出识别输出数据)，及(多个)数据输入与目标输出之间的关联性。举例而言，处理逻辑可执行梯度下降及反向传播以更新机器学习模型的一层或多层处的节点的权重。
在方块710处，处理逻辑将在方块704处产生的数据输入和/或在方块708处产生的映射数据添加至数据集T。
在方块712处，处理逻辑基于数据集T是否足以用于训练、验证和/或测试机器学习模型190中的至少一者而分支。若为是，则执行进行至方块714，否则，执行继续返回至方块704。在一些实施方式中，可简单地基于数据集中的输入/输出映射的数量来确定数据集T的充分性，而在一些其他实施中，作为输入/输出映射的数量的补充或替代，可基于一个或多个其他准则(例如，数据示例的多样性的度量、准确度等)来确定数据集T的充分性。
在方块714处，处理逻辑提供数据集T(例如，提供至服务器机器180)来训练、验证和/或测试机器学习模型190。在一些实施方式中，数据集T是训练集并被提供至服务器机器180的训练引擎182以执行训练。在一些实施方式中，数据集T是验证集并被提供至服务器机器180的验证引擎184以执行验证。在一些实施方式中，数据集T是测试集并被提供至服务器机器180的测试引擎186以执行测试。在神经网络的情形下，例如，将给定输入/输出映射的输入值(例如，与数据输入相关联的数值)输入至神经网络，并将输入/输出映射的输出值(例如，与目标输出相关联的数值)储存在神经网络的输出节点中。接着根据学习算法(例如，反向传播等)调整神经网络中的连接权重，并针对数据集T中的其他输入/输出映射重复该过程。在方块714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进行了训练、使用服务器机器180的验证引擎184进行了验证或使用服务器机器180的测试引擎186进行了测试中的至少一者。经训练的机器学习模型可由(机器学习系统170的)修改识别部件194实施以产生输出数据以供服务器120程序(例如，部件整合工具122、数字副本工具124、优化工具126、配方构建工具128和/或资源消耗工具130)进一步使用。
参考图7B，方法700B与训练机器学习模型以确定对制造处理和/或制造设备进行的提高生态效率的修改相关联。
在方块720处，处理逻辑接收对制造处理或制造设备的选择。
在一些实施方式中，在方块722处，处理逻辑识别对应于对制造处理的修改的标签。在一些实施方式中，标签指示对制造设备部件和/或制造处理进行的修改以及相关联的环境资源消耗和/或环境影响的减少。
在方块724处，处理逻辑使用包括制造处理数据(例如，及包括标签的目标输出)的数据输入来训练机器学习模型，以产生经训练的机器学习模型，其被配置为产生可应用于制造处理以减少环境资源消耗和/或环境影响的输出(例如，修改)。
在一些实施方式中，机器学习模型是基于数据输入(例如，在无目标输出的情况下)进行训练的，以使用无监督学习(例如，对数据聚类)产生经训练的机器学习模型。在一些实施方式中，机器学习模型是基于数据输入及目标输出进行训练的，以使用监督学习产生经训练的机器学习模型。
参考图7C，方法700C与将机器学习模型用于确定对制造处理和/或制造设备进行的修改以提高(例如，优化)生态效率(例如，减少环境资源消耗和/或环境影响)相关联。
在方块740处，处理逻辑接收当前制造处理数据。在方块742处，处理逻辑将当前数据(例如，制造处理数据)提供至经训练的机器学习模型。可通过方法700B来训练经训练的机器学习模型。
在方块744处，处理逻辑从经训练的机器学习模型获得一个或多个输出。在一些实施方式中，输出包括对制造处理和/或制造设备进行的修改，这些修改在被实施时将提高制造处理和/或制造设备的生态效率。在方块746处，处理逻辑基于该(多个)输出导致将一个或多个制造处理修改应用于制造处理。
图8描绘根据本公开内容的一个或多个方面操作的示例计算装置的方块图。在各种说明性示例中，计算装置800的各种部件可表示图1中所绘示的客户端装置150、服务器120、数据储存器112及机器学习系统170的各种部件。
示例计算装置800可以通过LAN、内部网络、外部网络和/或网际网络(例如，使用云端环境、云端技术和/或边缘计算)连接至其他计算机装置。计算装置800可在客户端-服务器网络环境中以服务器的身份操作。计算装置800可以是个人计算机(PC)、机顶盒(set-topbox；STB)、服务器、网络路由器、交换机或桥接器，或能够执行一组指令(顺序地或以其他方式)的任何装置，这些指令指定了要由该装置采取的动作。另外，虽然仅绘示出单个示例计算装置，但术语“计算机”也应被视为包括单独地或联合地执行一组(或多组)指令以执行本文所论述方法中的任何一者或多者的计算机的任何集合。
示例计算装置800可包括处理装置802(也称作处理器或CPU)、主存储器804(例如，只读存储器(ROM)、闪存存储器、动态随机存取存储器(DRAM)(诸如，同步DRAM(SDRAM)等)、静态存储器806(例如，闪存存储器、静态随机存取存储器(SRAM)等)，及辅助存储器(例如，数据储存装置818)，这些可经由总线830彼此通信。
处理装置802表示一个或多个通用处理装置，诸如，微处理器、中央处理单元或其类似者。更特定而言，处理装置802可以是复杂指令集计算(CISC)微处理器、精简指令集计算(RISC)微处理器、超长指令字(VLIW)微处理器、实施其他指令集的处理器，或实施指令集组合的处理器。处理装置802也可以是一个或多个专用处理装置，诸如，专用集成电路(ASIC)、现场可编程门阵列(FPGA)、数字信号处理器(DSP)、网络处理器或其类似者。根据本公开内容的一个或多个方面，处理装置802可被配置为执行实施图6至图7中所绘示的方法600至700A-700C的指令。
示例计算装置800可进一步包括网络接口装置808，其可以通信地耦合至网络820。示例计算装置800可进一步包括视频显示器810(例如，液晶显示器(LCD)、触控屏幕或阴极射线管(CRT))、字母数字输入装置812(例如，键盘)、游标控制装置814(例如，鼠标)，及声学信号产生装置816(例如，扬声器)。
数据储存装置818可包括机器可读储存介质(或更特定言之，非暂时性机器可读储存介质)828，其上储存有可执行指令822的一个或多个集合。根据本公开内容的一个或多个方面，可执行指令822可包括与执行图6至图7中所绘示的方法600至700A-700C相关联的可执行指令。
可执行指令822在其由示例计算装置800执行期间也可完全地或至少部分地驻留在主存储器804内和/或处理装置802内，主存储器804及处理装置802也构成计算机可读储存介质。可执行指令822可进一步经由网络接口装置808在网络上传输或被接收。
虽然在图8中将计算机可读储存介质828示为单个介质，但术语“计算机可读储存介质”应被视为包括储存操作指令的一个或多个集合的单个介质或多个介质(例如，集中式或分散式数据库，和/或相关联的高速缓存及服务器)。术语“计算机可读储存介质”也应被视为包括其能够储存或编码指令集合以用于由机器来执行的任何介质，这些指令促使机器执行本文所述方法中的任何一者或多者。术语“计算机可读储存介质”也相应地被视为包括但不限于固态存储器，以及光学及磁性介质。
已根据对计算机存储器内的数据位的操作的算法及符号表示呈现了以上详细描述的一些部分。这些算法描述及表示为数据处理领域的技术人员用于最有效地向本领域技术人员的其他人员传达其工作实质的手段。此处，算法通常被认为导致期望结果的自洽步骤序列。这些步骤是需要对物理量进行物理操纵的步骤。通常，尽管并非必要，但这些量采用能够被储存、传输、组合、比较及以其他方式操纵的电学或磁性信号的形式。主要出于常见用法的原因，已证明将这些信号称作位、值、元素、符号、字符、项、数字或其类似者有时很便利。
然而，应牢记，所有这些或类似术语皆与适当的物理量相关联，且仅是应用于这些量的方便标签。除非另外特别说明，否则如从以下讨论中显而易见的，应了解，在整个说明书中，使用诸如“标识”、“确定”、“储存”、“调整”、“导致”、“返回”、“比较”、“创建”、“停止”、“加载”、“复制”、“抛出”、“更换”、“执行”或其类似术语的术语的讨论代表计算机系统或类似电子计算装置的动作及处理，其对在计算机系统的寄存器及存储器中表示为物理(电子)量的数据进行操纵并将其变换成在计算机系统存储器或寄存器或其他此种信息储存、传输或显示装置内类似地表示为物理量的其他数据。
本公开内容的示例也关于用于执行本文所述方法的设备。此设备可出于所需目的而被特定构造，或其可以是由储存在计算机系统中的计算机程序选择性地编程的通用计算机系统。此种计算机程序可储存在计算机可读储存介质中，诸如但不限于任何类型的磁盘(包括光盘、紧凑磁盘只读存储器(compact disc read only memory；CD-ROM)及磁光盘、只读存储器(ROM)、随机存取存储器(RAM)、可擦除可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM)、磁盘储存介质、光学储存介质、闪存存储器装置、其他类型的机器可存取储存介质)，或适合于储存电子指令的任何类型的介质，每一者皆耦接至计算机系统总线。
本文所呈现的方法及显示器并不与任何特定的计算机或其他设备固有地相关。根据本文所教导，各种通用系统可与程序一起使用，或其可证明构造更专业的设备来执行所需方法步骤是便利的。如在以下描述中所阐述，将出现多种这些系统的所需结构。另外，本公开内容的范围并不限于任何特定的编程语言。将了解，可使用多种编程语言来实施本公开内容的教导。
应理解，以上描述旨在是说明性的，而非限制性的。在阅读并理解以上描述之后，许多其他实施示例对于本领域技术人员将是显而易见的。尽管本公开内容描述了特定示例，但应认识到，本公开内容的系统及方法并不限于本文所述示例，而可在随附权利要求的范围内做出修改来实践。因此，说明书及附图应被认为是说明性含义而非限制性含义。因此，本公开内容的范围应参考随附权利要求连同此权利要求所赋予的等效物的整个范围来确定。

Claims (20)

1.一种方法，包括以下步骤：
由处理装置接收第一制造处理或第一制造设备中的至少一者的第一选择，以执行所述第一制造处理的制造操作；
将所述第一选择输入至所述第一制造设备的数字副本中，其中所述数字副本输出所述第一制造处理的物理条件；
基于所述第一制造处理的所述物理条件确定指示在所述第一制造设备上运行的所述第一制造处理的第一环境资源消耗的环境资源使用数据；
由所述处理装置确定对所述第一制造处理进行的修改，所述修改减少在所述第一制造设备上运行的所述第一制造处理的所述环境资源消耗；以及
执行以下中的至少一者：a)将所述修改应用于所述第一制造处理或b)提供所述修改以由图形用户界面(GUI)进行显示。
2.根据权利要求1所述的方法，其中确定所述修改的步骤包括以下步骤：
将所述环境资源使用数据用作机器学习模型的输入；以及
获得所述机器学习模型的一个或多个输出，所述一个或多个输出指示所述修改。
3.根据权利要求2所述的方法，其中所述一个或多个输出进一步指示所述修改在被执行时减少所述制造处理的所述第一环境资源消耗的置信水平，所述方法进一步包括以下步骤：
确定针对所述修改的所述置信水平满足阈值条件。
4.根据权利要求1所述的方法，进一步包括以下步骤：
基于所述环境资源使用数据确定所述第一选择不满足阈值生态效率；以及
响应于确定所述第一选择不满足所述阈值生态效率，执行所述第一选择的优化，其中执行所述第一选择的所述优化的步骤包括以下步骤：识别对所述第一选择进行的一个或多个修改，所述一个或多个修改在被应用时产生满足所述阈值生态效率的更新的生态效率。
5.根据权利要求1所述的方法，进一步包括以下步骤：
确定与所述制造操作中的第一制造操作相关联的处理参数的处理参数值窗口；以及
在所述处理参数值窗口内确定被生态优化的处理参数窗口，其中相较于在所述被生态优化的处理参数窗口以外的处理参数值，在所述被生态优化的处理参数窗口内的处理参数值导致所述第一制造操作消耗减少量的资源。
6.根据权利要求1所述的方法，其中所述环境资源使用数据包括与所述第一制造设备用于执行所述第一制造处理的所述制造操作相关联的能量消耗、气体消耗或水消耗中的至少一者。
7.根据权利要求6所述的方法，其中所述修改与所述第一制造设备用于执行所述第一制造处理的制造操作的所述能源消耗、所述气体消耗或所述水消耗中的一者或多者的优先级优化相关联。
8.根据权利要求1所述的方法，其中所述数字副本包括所述第一制造设备的基于物理的模型，以执行所述第一制造处理的所述制造操作。
9.根据权利要求1所述的方法，进一步包括以下步骤：
接收制造设备的第二选择，以执行第二制造处理中的第二制造操作；
从与制造设备的所述第二选择相关联的一个或多个传感器接收与所述第二制造操作相关联的第二传感器数据；
更新所述数字副本以产生更新的数字副本，其中所述更新的数字副本与制造设备的所述第一选择及所述第二选择相关联；以及
从所述数字副本获得包括综合环境资源数据的一个或多个输出，所述综合环境资源数据指示所述第一选择及所述第二选择的环境资源消耗。
10.根据权利要求1所述的方法，其中所述第一环境资源消耗包括与所述第一制造设备的耗材部件的更换程序或保养程序中的一者相关联的环境资源消耗。
11.根据权利要求1所述的方法，其中所述环境资源使用数据包括与所述制造设备相关联的部件的寿命循环数据，且其中所述修改包括执行与所述部件相关联的校正动作。
12.一种用于训练机器学习模型以识别对制造处理或制造设备的选择进行的修改以执行所述制造处理的制造操作的方法，其中所述修改与减少所述制造处理的环境资源消耗相关联，所述方法包括以下步骤：
由计算装置产生用于所述机器学习模型的训练数据，其中产生所述训练数据的步骤包括以下步骤：
识别具有第一制造处理的第一选择的第一训练输入；以及
识别所述第一训练输入的第一目标输出，其中所述第一目标输出包括对所述第一制造处理进行的第一修改，所述第一修改在被应用时减少所述第一制造处理的第一环境资源消耗；以及
由所述计算装置提供所述训练数据以在(i)包括所述第一训练输入的训练输入集合和(ii)包括所述第一目标输出的目标输出集合上训练所述机器学习模型，其中所述被训练的所述机器学习模型用于接收新的制造处理的新的选择以作为输入并基于所述新的输入产生新的输出，所述新的输出指示对所述新的制造处理进行的新的修改，所述新的修改在被应用时减少所述新的制造处理的新的环境资源消耗。
13.根据权利要求12所述的方法，其中产生所述训练数据的步骤进一步包括以下步骤：将所述第一选择输入至与所述第一制造处理相关联的制造设备的数字副本中，其中所述数字副本输出所述第一制造处理的物理条件。
14.根据权利要求12所述的方法，其中所述新的环境资源消耗包括与执行所述的新制造处理的制造操作的所述新的制造设备相关联的能量消耗、气体消耗或水消耗中的至少一者。
15.根据权利要求12所述的方法，其中所述训练输入集合中的每和训练输入映射至所述目标输出集合中的目标输出。
16.一种系统，包括：
存储器；以及
处理装置，所述处理装置耦接至所述存储器，用于：
接收第一制造处理或第一制造设备中的至少一者的第一选择，以执行所述第一制造处理的制造操作；
将所述第一选择输入至所述第一制造设备的数字副本中，其中所述数字副本输出所述第一制造处理的物理条件；
基于所述第一制造处理的所述物理条件确定指示在所述第一制造设备上运行的所述第一制造处理的第一环境资源消耗的环境资源使用数据；
确定对所述第一制造处理进行的修改，所述修改减少在所述第一制造设备上运行的所述第一制造处理的所述第一环境资源消耗；以及
执行以下中的至少一者：a)将所述修改应用于所述第一制造处理、或b)提供所述修改以由图形用户界面(GUI)进行显示。
17.根据权利要求16所述的系统，其中所述处理装置进一步用于：
将所述环境资源使用数据用作机器学习模型的输入；以及
获得所述机器学习模型的一个或多个输出，所述一个或多个输出指示所述修改。
18.根据权利要求16所述的系统，其中所述处理装置进一步用于：
基于所述环境资源使用数据确定所述第一选择不满足阈值生态效率；以及
响应于确定所述第一选择不满足所述阈值生态效率，执行所述第一选择的优化，其中，为了执行所述第一选择的所述优化，所述处理装置将识别对所述第一选择进行的一个或多个修改，所述一个或多个修改在被应用时产生满足所述阈值生态效率的更新的生态效率。
19.根据权利要求16所述的系统，其中所述环境资源使用数据包括与所述第一制造设备用于执行所述第一制造处理的制造操作相关联的能量消耗、气体消耗或水消耗中的一者。
20.根据权利要求16所述的系统，其中所述数字副本包括所述第一制造设备的基于物理的模型，以执行所述第一制造处理的所述制造操作。
CN202280027625.XA 2021-04-14 2022-04-12 半导体制造的生态效率（可持续性）仪表板 Pending CN117178350A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US17/230,897 2021-04-14
US17/230,897 US12001197B2 (en) 2021-04-14 2021-04-14 Eco-efficiency (sustainability) dashboard for semiconductor manufacturing
PCT/US2022/024460 WO2022221306A1 (en) 2021-04-14 2022-04-12 Eco-efficiency (sustainability) dashboard for semiconductor manufacturing

Publications (1)

Publication Number Publication Date
CN117178350A true CN117178350A (zh) 2023-12-05

Family

ID=83601346

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202280027625.XA Pending CN117178350A (zh) 2021-04-14 2022-04-12 半导体制造的生态效率（可持续性）仪表板

Country Status (6)

Country Link
US (2) US12001197B2 (zh)
JP (1) JP2024514147A (zh)
KR (1) KR20230169310A (zh)
CN (1) CN117178350A (zh)
TW (1) TW202307599A (zh)
WO (1) WO2022221306A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20240346366A1 (en) * 2023-04-13 2024-10-17 Honeywell International Inc. Systems, apparatuses, methods, and computer program products for artificial intelligence and machine learning integration within a process simulation system
JP7553994B1 (ja) 2023-05-25 2024-09-19 株式会社ゼロボード 情報処理システム、情報処理方法及びプログラム

Family Cites Families (41)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6560506B2 (en) 2000-12-04 2003-05-06 Advanced Micro Devices, Inc. Method and apparatus for control for semiconductor processing for reducing effects of environmental effects
US6913938B2 (en) * 2001-06-19 2005-07-05 Applied Materials, Inc. Feedback control of plasma-enhanced chemical vapor deposition processes
JP4073186B2 (ja) * 2001-09-20 2008-04-09 大日本スクリーン製造株式会社 基板処理装置のスケジュール作成方法及びそのプログラム
EP1895180A2 (en) * 2006-08-30 2008-03-05 Ebara Corporation Magnetic bearing device, rotating system therewith and method of identification of the model of the main unit in a rotating system
US9442470B2 (en) 2008-06-06 2016-09-13 Saudi Arabian Oil Company Methods for planning and retrofit of energy efficient eco-industrial parks through inter-time-inter-systems energy integration
US20100249975A1 (en) 2009-03-24 2010-09-30 Siemens Product Lifecycle Management Software Inc. System and method for sustainability analysis
US20100249968A1 (en) 2009-03-25 2010-09-30 Andreas Neuber Factory resource optimization identification process and system
US9129231B2 (en) 2009-04-24 2015-09-08 Rockwell Automation Technologies, Inc. Real time energy consumption analysis and reporting
US8483861B2 (en) 2009-08-31 2013-07-09 Applied Materials, Inc. Scheduling modeling system for adaptive, automated data collection and performance analysis of manufacturing system for optimal scheduling
US9075408B2 (en) 2009-11-16 2015-07-07 Applied Materials, Inc. Energy savings and global gas emissions monitoring and display
KR20120064427A (ko) * 2010-12-09 2012-06-19 삼성전자주식회사 반도체 공정 산포의 제어 방법
US20120283863A1 (en) * 2011-05-02 2012-11-08 Interface Technologies Resource scheduling and adaptive control software for cutting room operations
US20130018809A1 (en) 2011-07-14 2013-01-17 Yi Li Computer-implemented method and system for evaluating eco-functional properties of a product
US20140095263A1 (en) 2011-08-12 2014-04-03 Mcalister Technologies, Llc Comprehensive cost modeling of sustainably autogenous systems and processes for the production of energy, material resources and nutrient regimes
US20130060719A1 (en) 2011-09-02 2013-03-07 Hunt Energy Iq, Lp Load profile management and cost sensitivity analysis
WO2014153570A2 (en) 2013-03-15 2014-09-25 Transtar Group, Ltd New and improved system for processing various chemicals and materials
JP6224524B2 (ja) 2014-05-23 2017-11-01 日本電信電話株式会社 含有資源量推定装置、含有資源量推定方法、およびプログラム
WO2016058645A1 (en) * 2014-10-16 2016-04-21 Intelen, Inc. Interactive activities for environmental resource saving
CN105512445B (zh) 2016-02-04 2019-01-15 南瑞（武汉）电力设备与工程能效测评中心 一种基于云技术的典型用能系统能耗仿真与节能诊断平台
US10185313B2 (en) * 2016-04-20 2019-01-22 Applied Materials, Inc. Eco-efficiency characterization tool
US11144701B2 (en) * 2017-06-18 2021-10-12 Coventor, Inc. System and method for key parameter identification, process model calibration and variability analysis in a virtual semiconductor device fabrication environment
US11354615B2 (en) 2017-11-21 2022-06-07 International Business Machines Corporation Blockchain-implemented digital agreement management for digital twin assets
JP7402399B2 (ja) 2018-03-20 2023-12-21 東京エレクトロン株式会社 統合的な半導体処理モジュールを組み込んだ自己認識及び補正異種プラットフォーム及びその使用方法
US11263737B2 (en) 2019-01-10 2022-03-01 Lam Research Corporation Defect classification and source analysis for semiconductor equipment
US20200310526A1 (en) * 2019-03-26 2020-10-01 Kyocera Document Solutions Inc. Systems and methods for managing power consumption and device resources
US11755689B2 (en) 2019-06-24 2023-09-12 Intel Corporation Methods, systems, articles of manufacture and apparatus to manage process excursions
WO2021019551A1 (en) 2019-07-26 2021-02-04 Tata Consultancy Services Limited System and method for real-time self-optimization of manufacturing operations
US11610076B2 (en) * 2019-08-07 2023-03-21 Applied Materials, Inc. Automatic and adaptive fault detection and classification limits
US20210089935A1 (en) * 2019-09-23 2021-03-25 International Business Machines Corporation System and method for predicting environmental resource consumption using internet-of-things and augmented reality
JP2023507550A (ja) 2019-11-25 2023-02-24 ストロング フォース アイオーティ ポートフォリオ ２０１６，エルエルシー 産業環境向けインテリジェント振動デジタルツインシステム及び方法
WO2021124478A1 (ja) * 2019-12-18 2021-06-24 三菱電機株式会社 情報処理装置、情報処理方法及び情報処理プログラム
EP3846092A1 (en) * 2019-12-31 2021-07-07 Atos IT Solutions and Services, Inc. Device and method for promoting eco-friendly actions and helping to achieve predetermined environmental goals
US20230049157A1 (en) 2020-01-27 2023-02-16 Lam Research Corporation Performance predictors for semiconductor-manufacturing processes
JP7325356B2 (ja) * 2020-02-20 2023-08-14 東京エレクトロン株式会社 情報処理システム及びシミュレーション方法
US11416977B2 (en) * 2020-03-10 2022-08-16 Applied Materials, Inc. Self-measurement of semiconductor image using deep learning
US11449026B2 (en) * 2020-05-27 2022-09-20 Applied Materials, Inc. Variable loop control feature
US11989495B2 (en) * 2020-12-31 2024-05-21 Applied Materials, Inc. Systems and methods for predicting film thickness using virtual metrology
US11487848B2 (en) * 2021-01-29 2022-11-01 Applied Materials, Inc. Process abnormality identification using measurement violation analysis
US11862520B2 (en) * 2021-02-03 2024-01-02 Applied Materials, Inc. Systems and methods for predicting film thickness of individual layers using virtual metrology
US20220284342A1 (en) * 2021-03-04 2022-09-08 Applied Materials, Inc. Systems and methods for process chamber health monitoring and diagnostics using virtual model
US20230195061A1 (en) * 2021-12-21 2023-06-22 Applied Materials, Inc. Manufacturing equipment parts quality management system

Also Published As

Publication number Publication date
US20240310819A1 (en) 2024-09-19
WO2022221306A1 (en) 2022-10-20
US20220334569A1 (en) 2022-10-20
US12001197B2 (en) 2024-06-04
TW202307599A (zh) 2023-02-16
KR20230169310A (ko) 2023-12-15
JP2024514147A (ja) 2024-03-28

Similar Documents

Publication Publication Date Title
US9424528B2 (en) Method and apparatus for self-learning and self-improving a semiconductor manufacturing tool
US7974723B2 (en) Yield prediction feedback for controlling an equipment engineering system
US20240310819A1 (en) Eco-efficiency (sustainability) dashboard for semiconductor manufacturing
US20190392363A1 (en) Predicting arrival time of components based on historical receipt data
KR20110052534A (ko) 자율적인 생물학 기반 학습 툴
US20110190917A1 (en) Method and apparatus for developing, improving and verifying virtual metrology models in a manufacturing system
KR20110043518A (ko) 자율적인 적응적 반도체 제조
US20240012393A1 (en) Sustainability monitoring platform with sensor support
TW202213006A (zh) 用於多腔室半導體設備的預測晶圓排程
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
US20230408985A1 (en) Apparatus and method for calculating asset capability using model predictive control and/or industrial process optimization
CN118020083A (zh) 使用缺陷模型估计缺陷风险并优化处理配方
Arabi et al. Developing a new model for availability of a series repairable system with multiple cold-standby subsystems and optimization using simulated annealing considering redundancy and repair facility allocation
US20230185268A1 (en) Eco-efficiency monitoring and exploration platform for semiconductor manufacturing
US20240210916A1 (en) Machine and deep learning techniques for predicting ecological efficiency in substrate processing
US20240230189A1 (en) Cooling flow in substrate processing according to predicted cooling parameters
TW202349153A (zh) 用於判定處理設備效能的綜合分析模組
CN118511264A (zh) 处理腔室校准
CN118435137A (zh) 用于使用基于物理的模型的基板制造腔室的诊断方法
CN117678061A (zh) 使用基于物理信息的压缩感知来虚拟测量邻近基板的状态

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