CN117597764A - 用于机器学习等离子系统中的至少一个不规则性的检测的方法 - Google Patents
用于机器学习等离子系统中的至少一个不规则性的检测的方法 Download PDFInfo
- Publication number
- CN117597764A CN117597764A CN202280046821.1A CN202280046821A CN117597764A CN 117597764 A CN117597764 A CN 117597764A CN 202280046821 A CN202280046821 A CN 202280046821A CN 117597764 A CN117597764 A CN 117597764A
- Authority
- CN
- China
- Prior art keywords
- signal
- processing
- input signal
- configuration
- plasma
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 263
- 238000010801 machine learning Methods 0.000 title claims abstract description 49
- 238000012545 processing Methods 0.000 claims abstract description 286
- 230000008569 process Effects 0.000 claims abstract description 158
- 238000001514 detection method Methods 0.000 claims abstract description 113
- 238000012549 training Methods 0.000 claims description 126
- 238000004422 calculation algorithm Methods 0.000 claims description 74
- 238000013528 artificial neural network Methods 0.000 claims description 60
- 238000011156 evaluation Methods 0.000 claims description 42
- 230000009471 action Effects 0.000 claims description 23
- 238000003909 pattern recognition Methods 0.000 claims description 15
- 230000002265 prevention Effects 0.000 claims description 8
- 238000007726 management method Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000015654 memory Effects 0.000 description 84
- 238000005259 measurement Methods 0.000 description 39
- 238000005457 optimization Methods 0.000 description 25
- 230000008901 benefit Effects 0.000 description 22
- 238000001914 filtration Methods 0.000 description 18
- 230000006870 function Effects 0.000 description 9
- 230000008859 change Effects 0.000 description 8
- 210000002569 neuron Anatomy 0.000 description 8
- 235000012431 wafers Nutrition 0.000 description 8
- 239000002245 particle Substances 0.000 description 7
- 230000004913 activation Effects 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 6
- 238000005070 sampling Methods 0.000 description 6
- 238000004088 simulation Methods 0.000 description 6
- 238000012546 transfer Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 238000011068 loading method Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 239000004065 semiconductor Substances 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 230000015556 catabolic process Effects 0.000 description 4
- 238000006731 degradation reaction Methods 0.000 description 4
- 238000000151 deposition Methods 0.000 description 4
- 230000008021 deposition Effects 0.000 description 4
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 230000002123 temporal effect Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 3
- 239000007789 gas Substances 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 3
- 230000002441 reversible effect Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000003321 amplification Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000000576 coating method Methods 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000011065 in-situ storage Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000003449 preventive effect Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 239000000523 sample Substances 0.000 description 2
- 230000005477 standard model Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 101100439969 Arabidopsis thaliana CLPD gene Proteins 0.000 description 1
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000001010 compromised effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005137 deposition process Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012949 factory acceptance testing Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000000126 in silico method Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000001020 plasma etching Methods 0.000 description 1
- 238000009832 plasma treatment Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000003362 replicative effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 210000000952 spleen Anatomy 0.000 description 1
- 238000004544 sputter deposition Methods 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000002459 sustained effect Effects 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Landscapes
- Drying Of Semiconductors (AREA)
Abstract
本发明涉及用于机器学习等离子系统中的至少一个不规则性的检测的方法,等离子系统特别是RF供电的等离子处理系统,所述方法包括:‑提供至少一个输入信号(210),每个输入信号(210)与用于等离子系统的功率递送系统(1)的模拟信号相关和/或与功率递送系统(1)和/或等离子系统的另一个特征相关,所述至少一个输入信号(210)具有指示所述等离子系统中的不规则性的至少一个不规则性特征,‑执行机器学习过程(310),其中具有所述至少一个不规则性特征的所述至少一个输入信号(210)由可编程电路(10)处理,以训练等离子系统中的不规则性的检测。
Description
技术领域
本发明是有关于一种用于机器学习在等离子腔室中的至少一个不规则性的检测的方法。此外,本发明是有关于一种系统及一种数据载波信号。
背景技术
数字信号处理(Digital signal processing),简称DSP,可针对多种应用使用于射频系统中,该多种应用例如是系统的特定情况的滤波和/或检测。为了改善处理及性能速度,DSP可至少部分地于硬件中执行,例如通过利用集成电路(integrated circuits)。集成电路简称IC。然而,参数化集成电路可证实为耗费时间且技术复杂。所述的参数化过程的复杂性可能以许多不希望的方式影响数字信号处理。其中一个为部分减少集成电路中的DSP效率。
在等离子功率递送系统中,可测量射频(radio frequency)信号,射频简称为RF。一般的RF测量包括正向及反向功率,以及在等离子功率递送系统中的数点处的RF电流及电压。测量的信号通常在频率、振幅、噪声或假性含量(spurious content)、及脉冲长度上有所改变。当功率递送系统可良好控制例如是频率的一些改变时,其他改变可能无法控制,特别是在传送RF功率至等离子处理腔室的时候。改变可能导致在所测量的RF信号中发现多种干扰。举例来说,为其中一种干扰形式的谐波可能因等离子本身的非线性本质生成。另一种形式的干扰可能源自于用于生成RF信号的不同频率。在先进的等离子系统中,利用不同频率的多种RF生成器可使用于激发等离子。然而,除了所需生成的预期的频率组之外,像是基频及其谐波的增加或减少组合的混合产物也可能生成。
在测量的RF信号中所发现的许多干扰可在数字化所测量的RF信号之前使用适当的滤波器抑制或至少减少。尽管如此,靠近基频的不想要的边带(sidebands)可能生成,而可能需要更进一步通过DSP滤波和/或可能也迫使对滤波有进一步的需求。实际的输入信号总是无法为理想的信号,因为实际的输入信号往往包含无法避免的失真或其他假象(artefacts),例如由信号源、传送路径、或测量装置所导致。滤波器或滤波器参数的优化对重建不失真、理想的输入信号来稳定调整网络而言相当重要。然而,各滤波器具有有利及不利的特征。举例来说,如果因滤波而增加太多的信号延迟时,控制可能无法以实时的方式响应出与所欲的功率位准的偏差。此外,滤波可能移除需用于获取等离子工艺的品质的信号的相关部分,例如像是二次等离子(secondary plasma)(其可能存在于等离子腔室中的所欲区域之外)、电弧或其他等离子不稳定性的不规则性的存在。因此,不仅是滤波器形式,滤波器的参数配置也需小心地选择,以平衡优化性能的这些特征。
一般来说,干扰减少不足时可能导致测量RF生成器的输出功率的变动。这些变动可理解为“测量假象(measurement artefacts)”。既然测量可能使用于像是输出功率位准的控制的多种应用,这些应用可能仰赖折衷的测量信号。就控制的例子而言,输出功率位准可能根据测量假象错误地确定,而不是正确的测量。
在通过滤波抑制等离子不稳定性的情况中,像是二次等离子或电弧的不规则性可能没有发现下发生,及因而没有启用任何对策。在半导体等离子处理系统中,等离子不稳定性可能导致对所处理的半导体晶圆的损害。等离子不稳定性像是未受控制的电弧。
US20060262889A1公开一种功率源,可在来自控制器的驱动信号驱动时生成信号。在射频信号下,可能同步低取样(undersampling)或同步过取样(oversampling)。
在DE102015212242A1/US20180122625A1中,取样频率系改变以移除干扰。两个公开文件皆说明特定方法以校正干扰频率,包括取样频率的改变,但并非通过机器学习来优化滤波器参数,特别是并非通过机器学习过程。
从现有技术中可知可编程电路常态应用在加速模拟,例如WO2007095574A1或DE102011103861A1,可编程电路特别是现场可编程逻辑门阵列(FPGAs)。
从现有技术更进一步得知,用于在等离子工艺期间检测特定情况的智能系统存在。然而,检测时常缺乏可靠度及处理速度,而无法在事件完成前实时启动校正动作。
使用专用的解决方案来检测等离子工艺中的特定情况已经记述在现有技术中,例如在US8989888B2中。
特别是,专用来管理等离子工艺中的电弧事件的解决方案已经在许多现有技术的公开文件中记载:
EP3254295B1特别是描述电弧处理装置及方法,其中电弧通过关闭RF功率一段特定时间来抑制。
US9316675B2描述一种通过监控RF电压及电流的转换来检测二次等离子的方法。该方法系允许低位准及严重的等离子异常之间的区别。
在US8890537B2中,电弧可通过适当的滤波操作及谐波分析检测出来。
使用像是反射功率、电压及电流的RF相关信号的动态极限来辨别出电弧,以及用于抑制电弧的多种方法系特别说明于US7761247B2中。
US10209294B2表示出多种观察信号的组合如何可改善电弧的检测。
在这些现有技术的公开文件中,所说明的硬件或软件解决方案专为在特定的工艺条件执行而设计,例如溅射系统,或特定的异常(例如专用于二次等离子或电弧)。特别是,所有的解决方案需要在系统可检测到异常之前实际存在该异常。在电弧的情况中,所说明的电弧管理方法将特别是仅在至少一个电弧事件已经发生之后作用而抑制其他电弧。
相较之下,下述的本发明可具有更广泛的应用性及可有更多的用途,因为本发明提供使用概率方案来在不规则性已经完全发展之前检测出不规则性,且接着特别是避免该不规则性发生。
因此,本发明的目的是至少部分地克服上述的缺点。特别是,本发明的目的是改善RF系统中的数字信号处理。
上述的目的通过具有权利要求1的特征的方法,具有权利要求16的特征的系统,及具有权利要求17的特征的数据载波信号来解决。本发明的更进一步的特征及细节公开于个别的从属权利要求、说明及附图中。组合根据本发明的方法而说明的特征及细节也应用于根据本发明的系统及根据本发明的数据载波信号,及在各情况中反之亦然,使得有关于本发明的个别方面的公开可总是相互参照。
发明内容
本发明方法及系统的优点
相较于现有技术中的前述公开文件,本发明的方法、系统及载波信号提供优化数字信号处理,特别是在射频系统中。为此,本发明的一个构想特别为处理过程可用于训练,特别是本发明的系统的训练。训练可于训练模式中利用参考数据执行,使得可编程电路和/或算法的优化的参数化确定,及接着本发明的系统可切换成应用模式。在应用模式中,优化的参数化用于处理与实时相关的输入信号。可编程电路可为像是FPGA的可编程信号处理电路,用于通过执行算法来处理输入信号。
本发明的方法、系统及载波信号优于现有技术的其他优点可也通过在相同的系统上执行训练及实时模式来达成。此外,利用新的训练数据组来进一步训练可有利地在随后的时间点执行,及已经存在的参数化可进一步优化(于下文中,特别是被称作“从实时模式切换处理至训练模式”)。利用新的训练数据组来进一步训练也就是新情况的机器学习。此外,转移优化的参数化到同类的其他系统可行,例如通过利用用户接口来进行。
使用相同的硬件元件(FPGA、控制器、存储器)来用于训练及应用模式两者有利地有助于多个系统之间的参数化的转移,及促使等离子处理系统进一步升级来用于还未知的新状况。训练可在例如具有预存在的输入信号的测试台系统或实验室等离子处理系统上执行,预存在的输入信号已经记录于现场使用的系统上。这些信号的变化性可通过比例缩放(scaling)、滤波、迭加等在数值上增加。接着,优化的参数化可简易地从训练系统传送至现场的等离子处理系统。
此外,通过利用来自存储器的预存在的输入信号,在广泛情况中的RF系统的功能可进行测试,例如在RF系统的工厂验收测试中。在此情况中,输入信号改为通过存储器提供或与ADC数据组合,以及系统行为可利用完全可操作的系统进行验证。系统行为例如是调节回路(regulation loops)的表现、RF信号的滤波、图案识别(pattern recognition)以及任何响应动作,例如警告或互锁。
本发明的说明
本目的特别是通过一种用于机器学习等离子系统中的至少一个不规则性的检测的方法来解决,等离子系统特别是射频(简称RF)供电的等离子系统,优选地为RF供电的等离子处理系统。该方法可包括:
-提供至少一个(或多个)输入信号,各与用于等离子系统的功率递送系统的模拟信号相关和/或与功率递送系统和/或等离子系统的另一个特征相关,该至少一个输入信号具有至少一个不规则性特征,指示等离子系统中的不规则性,
-执行机器学习过程,其中具有该至少一个不规则性特征的该至少一个输入信号由电路(优选地为可编程电路)处理,以训练等离子系统中的不规则性的检测,其中该处理特别是至少部分地通过检测过程执行。
这具有可提供有效率及快速的机器学习的优点。特别是,用于机器学习过程的电路(优选地为可编程电路)的使用可进一步加速该过程。此外,不规则性的检测可提供较安全及更可靠的等离子系统的操作。
根据本发明的另一方面,机器学习过程可配置成为处理过程的至少一部分。当执行处理过程和/或机器学习过程时,该至少一个输入信号可通过电路以优选地通过检测过程利用处理(特别是在处理过程和/或机器学习过程中执行的处理,及优选地为数字信号处理的形式)的至少一个可配置的参数重复地处理。电路优选地为可编程电路。该至少一个可配置的参数可为检测过程的至少一个参数。该至少一个参数的配置可改变,特别是修改,用于在处理过程和/或机器学习过程中的该至少一个输入信号的各处理,以获取个别的处理结果。可配置的参数可为检测过程的参数,特别是神经网络的权重或算法的参数。检测过程可包括于射频系统中的数字信号处理,特别是于射频功率递送系统中。个别的处理结果可为检测过程的结果或输出。配置可改变,以改善检测过程及因而改善数字信号处理。
该至少一个输入信号可与射频系统的射频信号相关和/或与功率递送系统和/或等离子系统的另一个特征相关,例如是来自等离子腔室的信号(例如是光学信号),和/或外部源的信号。来自等离子腔室的信号优选地为在等离子腔室中所测量的信号。
根据本发明的方法可还包括:
-基于这些处理结果,确定至少一个参数结果来特别是作为机器学习的训练结果,该至少一个参数结果特别是包括这些改变的配置的(其中一个的)选择,优选地为用于配置的优化的权重(组)及数值(组),
-提供该至少一个确定的参数结果,特别是确定的配置,用于改善的数字信号处理,特别是用于利用参数结果及特别是选择来参数化电路。
提供和/或确定的参数结果优选地包括用于神经网络的权重组及可使用于电路的参数化。参数化的电路可执行检测过程,其中检测过程可包括利用参数结果的神经网络的应用,特别是通过参数结果提供的权重组。因此,电路可实现神经网络,也就是利用参数结果参数化,特别是利用权重组参数化。
电路的参数化可包括通过参数结果的检测过程的参数化,也就是优选地根据参数结果配置神经网络的权重。参数化的检测过程的执行意在检测出等离子系统的一般(现场)操作中的至少一个不规则性。
可选择地是,可编程电路能够配置成可编程集成电路,优选地为数字信号处理器、复杂可编程逻辑器件或现场可编程逻辑门阵列。
有利地是,在本发明的内容中,可提供电路至少部分地执行检测过程,电路特别是可编程电路,检测过程特别是包括神经网络和/或算法的应用,用于辨别该至少一个不规则性特征,神经网络的应用优选地为利用神经网络的图案识别或图案匹配。神经网络的权重和/或激活函数和/或神经元通过检测过程提供可为可行,特别是通过电路实施。激活函数和/或部分的权重可人为预定。
机器学习过程可包括:
-通过电路利用检测过程及检测过程的至少一个可配置的参数执行该至少一个输入信号的处理,优选地重复地执行该至少一个输入信号的处理,检测过程的该至少一个可配置的参数特别是神经网络的多个权重或算法的多个参数,其中该至少一个参数的配置针对输入信号的各处理改变,特别是修改,以获取个别的处理结果,
-基于这些处理结果,确定至少一个参数结果作为机器学习的训练结果,该至少一个参数结果特别是包括这些改变的配置的选择。
参数结果和/或训练结果可被称作用于神经网络的分类器。
此外,参数结果可分配,以使用于应用检测过程的其他电路。数据载波信号可包括用于该分配的参数结果,优选地具有数据载波信号的数据载体可包括用于该分配的参数结果。因此,包括参数结果的数据载波信号或数据载体也为本发明的标的。
在本发明的内容中,可以有利的是,如果机器学习过程及特别是该至少一个输入信号的处理包括重复的处理步骤。各处理步骤中,相同的至少一个输入信号通过电路利用参数的不同的改变的配置处理,特别是通过可编程电路处理,以特别获取分配到使用的配置的个别的参数结果,其中改变的配置的评估优选地通过比较各获取的处理结果与参数结果来执行。评估可为机器学习过程的一部分,以(例如通过使用传统的优化算法)提供在优化配置的概念上的训练。因此,机器学习可不仅在人工智能的背景下理解,且也可额外地或替代地包括优化问题的自动解决方案来用于识别出该至少一个不规则性特征。优化问题的自动解决方案通过优化算法或简单的迭代搜寻来获取算法的最佳参数。评估可通过可编程电路外的控制电路或另一装置执行。
也可选择地预想的是,改变的配置的评估确定于处理结果与参数结果的匹配,其中具有最高的评估的至少一个配置从改变的配置选择来作为该至少一个确定的参数结果。
此外,参数结果为该至少一个不规则性的预定的指示选择地提供。因此,评估确定于处理结果多靠近理想的参数结果。
根据本发明有利的进一步发展,该至少一个输入信号的各者可提供而意指:
-与使用于提供功率至等离子系统的射频信号相关和/或
-与功率递送系统和/或等离子系统的另一个特征相关,
其中不规则性优选地特定于发生在等离子处理系统中的电弧或特定于电弧的发生概率。不规则性可为特定的图案,表示电弧或另一不想要的不规则性的发生,特别是预期的发生。
电弧可特别是理解为等离子处理期间的电气闪络(electrical flashover)或电弧放电。特别在等离子辅助涂覆工艺中,等离子涂覆可通过该不规则性分布。检测过程若在最短的可能时间中检测出电弧可因而为有利的。
可选择地是,该至少一个不规则性的机器学习的检测能够使用于电弧检测和/或电弧预防和/或电弧管理。检测可生成警告消息的输出。像是关闭的其他动作提供作为电弧管理。如果可检测出预期发生的电弧时,则可预防电弧。
优选地,机器学习过程提供检测过程的至少一个参数的配置的迭代确定来用于检测可提供,特别是神经网络的至少一个权重或算法的至少一个参数的配置。特别是,神经网络或算法至少部分地通过电路实施,特别是通过可编程电路实施。确定的配置可随后使用于功率递送系统的现场操作中的检测过程,包括:
-当不规则性已经通过检测过程检测出来时,输出警告信息。
如果提供该至少一个输入信号包括下述者是有利的:
-记录及转换为射频信号形式的功率递送系统的模拟信号和/或功率递送系统和/或等离子系统的另一个特征,以获取模拟信号和/或该另一个特征的数字表示,
-提供模拟信号和/或该另一个特征的数字表示来作为到电路的该至少一个输入信号,电路特别是可编程电路。
其他的优点为,可提供检测过程,用于该至少一个不规则性的检测的该检测过程通过组合电路的多个功能块在电路中实施,这些功能块用于实时执行多个计算。该电路特别是可编程电路。这也促使神经网络快速的执行。
此外,在本发明的范畴中,在机器学习过程期间,应用的检测过程与实时计算起迭代地使用于用于该至少一个输入信号的处理为可预期的。这提供加速机器学习。
此外,机器学习过程配置成训练过程来用于电路的参数化可为可预期的,电路特别是可编程电路,其中具有相同的参数化的完全相同的电路或另一电路在功率递送系统的现场操作期间可使用于该至少一个不规则性的检测,特别是用于电弧检测和/或电弧预防和/或电弧管理。
此外,可提供特别在现场操作中,基于该至少一个不规则性的检测,开始下述的多个动作的至少一个独立地或组合:
-至少部分地或完全地关闭功率递送系统,其中特别是仅有部分的功率递送系统系关闭或功率递送系统的每个部分都关闭,
-以随后不再重新启动功率递送系统的情况下,关闭功率递送系统,
-以随后再重新启动功率递送系统的情况下,暂时关闭功率递送系统,
-暂时减少功率递送系统的输出功率,
-暂时修改功率递送系统的输出频率,特别是功率递送系统的RF功率信号的输出频率和/或模拟信号的输出频率,
-暂时修改阻抗匹配网络中的至少一个可调整元件。
这提供有效的电弧管理和/或预防。一般来说,基于该至少一个不规则性的检测,暂时改变功率递送系统的至少一个可调整的参数可优选地独立地或组合上述的动作来启动。暂时改变功率递送系统的至少一个可调整的参数例如改变RF功率信号频率或改变阻抗匹配电路中的可调整元件的数值。根据功率递送系统的规格及准确配置,使用而用于该动作的准确的参数可预先定义。最适用于此的参数可利用特定的功率递送系统以实验或依循经验寻找。
在本发明的内容中,若检测不规则性包括概率检测进一步具有优点,特别是用于在电弧发生于等离子处理系统中之前检测出该电弧,也就是预期的电弧,优选地用于确定电弧的发生的概率和/或电弧预防。检测不规则性包括用于在另一不规则性发生在等离子处理系统中之前检测出来的概率检测也是可行的。
本发明的另一方面为一种用于检测等离子系统中的至少一个不规则性的系统,等离子系统特别是RF供电的等离子系统,优选地为RF供电的等离子处理系统,系统包括:
-至少一个传感器,特别是定向耦合器和/或电流电压传感器,用于感测用于等离子系统的功率递送系统的至少一个射频信号和/或功率递送系统和/或等离子系统的另一个特征,
-至少一个转换器,特别是模拟数字转换器,连接于传感器,用于转换该至少一个感测的射频信号和/或该另一个特征成至少输入信号,
-电路,特别是可编程电路,用于该至少一个输入信号的数字信号处理,其中电路根据本发明的方法进行训练来检测该至少一个不规则性。
因此,根据本发明的系统具有与已经参照根据本发明的方法所详细说明的相同的优点。
根据本发明的方法具有可获取多个处理结果的优点,各处理结果特别用于使用的参数的配置,使得最佳的配置可基于处理结果从改变的配置选择。也就是说,参数可通过改变配置(也被称作“改变参数”)来优化。参数结果的选择可因而包括在处理过程中带来最佳的处理结果的至少一个改变的配置。使用用于电路的参数化的参数结果可改善数字信号处理(DSP)。
处理过程可包括通过电路的重复的处理,特别是重复的数字信号处理,但也包括像是下方更特别详细说明的评估和/或改变配置的其他步骤。此外,处理过程可至少部分地视为机器学习过程。也就是说,处理过程可包括机器学习过程。机器学习过程可(至少)包括评估和/或储存确定的参数结果于存储器中,和/或确定和/或提供参数结果,和/或学习和/或优化配置,优选地为参数值的配置和/或神经网络的至少一个权重的配置。
在本发明的公开的内容中,除非另有明确地说明,例如“一(one)”、“二(two)”等的不定冠词及定冠词或数字表示理解为表示“至少(at least)”。即使从“至少”或类似者的明确表示,也不能断定另一简单使用的冠词或数字表示在没有明确表示下暗示限制,例如“正好一个(exactly one)”的概念。此外,数字表示以及处理参数和/或装置参数的表示理解为技术概念,也就是具有通常公差(usual tolerances)。
术语“最佳的处理结果”的使用可涉及:
-数字信号处理的最佳结果,例如最大程度抑制不需要的频率,或在大量的不规则性信号中检测的特定的不规则性的数量最多,
-与RF功率递送系统相关的测量的参数的最佳结果,例如具有最低改变的RF功率输出,
-其中一个测量的信号中的特定图案的最佳检测,
-有关于等离子工艺的测量的参数的最佳结果,例如DC自偏压或离子浓度,
-有关于等离子处理腔室中所处理物件的特性的测量的参数的最佳结果,例如沉积层的厚度。
执行处理过程可通过控制电路(于下文中也称为“控制器”)开始及控制,以提供该至少一个输入信号。控制电路电性连接于可编程电路。此外,确定及提供也可通过控制电路执行。
术语“数字信号处理”一般理解为表示数字信号的处理。特别是,根据本发明的数字信号处理可包括在已经通过至少一个传感器感测RF信号及接着通过RF系统的模拟数字转换器接续地转换成数字信号之后实时处理RF信号。模拟数字转换器简称ADC。相较于数字信号处理,“处理过程”可视为训练过程。训练过程不使用实际实时感测的输入信号(取而代之的是,输入信号可预先地记录或为计算机模拟)。在处理过程中及数字信号处理中使用于处理的算法可为相同。然而,算法的配置首先在处理过程中训练且之后才在数字信号处理中应用。
术语“RF系统”意指输出至少一个电性RF信号的系统。此外,RF系统可包括或可为RF生成器的一部分。RF信号可因而为RF生成器的输出。术语“射频功率递送系统(radio-frequency power delivery system)”可为RF系统的具体配置,被称作用于等离子系统的电源供应器,特别是用于等离子生成系统的电源供应器。该系统可还包括传输线和/或阻抗匹配网络。等离子系统可适用于生成用于等离子处理的等离子,优选地用于等离子蚀刻或等离子沉积。如此技术领域的技术人员所知,等离子处理应用一般利用100W或更多的(放大)功率信号供电,时常也为超过1kW的信号,以适当地离子化气体及生成等离子于等离子处理腔室中。然而,包含于控制所述高功率信号中的控制信号可能包含很多较低的功率信号,及可根据低功率信号处理技术处理。感测像是RF信号的高功率信号的特性可包含各种形式的传感器,及可包含收集该信号的特征量,包括高功率信号的振幅的小部分。
“至少一个输入信号”可为数字信号,优选地与射频系统的射频信号(简称RF信号,及也被称作RF功率信号)相关。特别是,这表示该至少一个输入信号可特别用于RF信号和/或通过感测RF信号获取,特别是通过测量RF信号获取。RF信号可因此为RF系统中或RF系统的实际电性输出的射频范围中的物理信号。RF范围可为从20kHz至300GHz的频率范围,优选地为从300kHz至300MHz(中频带、高频带、及特高频带)的频率范围。输入信号为DC信号也可为可行,DC信号例如是脉冲应用中从RF信号获取及可在低频变化,举例来说,存在于等离子腔室中的测量的DC偏压、测量的正向和/或反射功率、反射系数、RF电压及电流之间的相位、或来自外部传感器的纯量信号。
在机器学习过程已经执行之后,受过训练的不规则性的检测使用来控制信号生成单元也是可行的。也就是说,在现场操作中,参数化的可编程电路可利用检测过程来使用,以检测不规则性,其中基于该至少一个不规则性的检测,可开始信号生成单元的控制。该至少一个不规则性可在真正发生之前检测出来,这意味不规则性的发生概率可通过参数化的可编程电路预测,使得像是控制信号生成单元的动作可开始而避免不规则性的发生。因此,“检测”不规则性可也包括“预测”不规则性。受过训练的检测可为数字信号处理的一部分。
数字信号处理的结果可使用,特别是检测过程的结果可使用,以控制例如DDS核心的信号生成单元或RF系统的其他电路。信号生成单元可使用,以例如调整输出信号的振幅、频率及相位。输出信号藉数字模拟转换器(DAC)及功率放大级转换成RF功率信号。在RF生成器的输出所生成的RF功率信号可接着经由阻抗匹配网络提供至等离子处理系统。在此方式中,例如在RF生成器的输出处对来自定向耦合器的输入信号进行滤波的结果可直接地使用,而以例如通过稳定化传送至等离子中的RF功率及让来自等离子的反射功率最小的方式改变RF功率信号。
特别是,RF范围也可在从300kHz至500kHz的范围中或从1MHz至3MHz的范围中或从10MHz至16MHz的范围中或从24MHz至30MHz的范围中或从37MHz至43MHz的范围中或从57MHz至63MHz的范围中或从77MHz至83MHz的范围中或从159至165MHz的范围中。举例来说,在从10MHz至16MHz的RF范围中,射频信号的特定频率可为13.56MHz。所述的频率范围特别使用于等离子应用中和/或用于RF生成器。
在处理过程中,该至少一个输入信号通过电路重复地处理。根据该至少一个参数的配置,电路可适用于执行用于处理该至少一个输入信号的算法。参数因此可为算法的参数。在滤波的情况中,算法可为滤波器算法,且参数可为滤波器参数和/或滤波器系数。在电弧检测的情况中,算法可为图案识别算法,及参数可为图案匹配特定参考图案的概率。也就是说,所述的概率可表示图案及特定参考图案的相似程度。此外,电路可适用于应用神经网络。在此情况中,参数可为神经网络的至少一个权重。电路在该至少一个参数的配置可改变的概念中可为至少可编程化。
“重复的处理”可理解为是指利用相同的算法但不同的配置的相同的至少一个输入信号的重复的处理。因此,该至少一个参数的配置针对该至少一个输入信号的各处理来改变,以获取个别的处理结果。个别的处理结果换言之可为算法在执行它们个别的配置时的个别结果。
该至少一个参数可有利地为影响处理结果的处理参数。在此情况中,处理包括该至少一个输入信号的滤波,该至少一个参数可包括至少一个滤波器参数。举例来说,该至少一个参数可包括可调整的截止频率和/或阀值和/或类似者。
“确定该至少一个参数结果”可理解为选择获取最佳的处理结果(及因而根据处理结果)的至少一个或正好一个变化的配置。这提供参数配置的优化。“提供该至少一个确定的参数结果来用于改善的数字信号处理”可理解为利用选择的配置参数化电路。
参数结果可包括选自改变的配置的特定配置,其中选择可根据处理结果确定。举例来说,可提供参考(reference),像是使用于评估各处理结果的度量(metric)或参考结果。各处理结果对应于已经使用于获取此处理结果的配置。如此一来,各处理结果可使用于评估配置,特别是评级(rate)配置。因此,确切的配置可对应于最佳评估或最佳评级的处理结果来选择。也就是说,配置优化,使得对应的处理结果及参考之间的差异最小化。“配置的优化”也可被称作“该至少一个参数的优化”,其中该至少一个优化的参数(也就是选择的配置)可接续地使用于优化可编程电路(或另一可编程电路),用于射频系统的“现场”或“实时”操作或“应用模式”。这些术语在下文中以同义的方式使用。
“评估”可理解为处理结果与参考的比较,参考例如是理想的处理结果。处理结果与参考越是匹配,对应的配置的评估越好。评估可通过控制电路或通过可编程电路的专用部件来执行。许多不同的先进的方法技术可用于评估,举例来说,用于信号评估(signalassessment)的统计方法、多变量统计技术(multivariate statistical techniques)、或实证比较时间序列分析(empirical comparative time-series analysis)。
在实施例中,该至少一个参数结果包括至少两个不同的参数结果,用于DSP的不同的应用。DSP及数字信号处理可替代地或额外地包括通过配置参数化的滤波。滤波的配置的选择对减少在RF信号的干扰有显著的影响。然而,一个特定的配置可能不适用于多频应用中的RF功率位准的所有组合,及也可能不适用于在等离子系统的等离子腔室中执行的所有工艺。因此,可能需要确定出用于不同的等离子处理条件的优化的配置。这可通过使用用于不同应用的多个参数结果来达成。
类似地,电弧检测的情况中,一个特定的配置可能仅针对检测特定的不规则性来进行优化,但可能对其他形式的不规则性无法作用。因此,如果想要检测出多个明显的不规则性时,这可通过利用针对各处理而应用的不同配置对输入信号进行依序和/或平行处理来达成。机器学习过程可因而针对不同形式的不规则性以不规则性特征特用于不同形式的不规则性的方式执行数次。
针对各应用和/或不规则性的形式,不同组的输入信号可在训练过程期间提供,这些不同组的输入信号可针对处理过程分别地使用及因而生成不同的参数结果。
根据等离子工艺配方(recipe)的步骤中的不同处理条件的顺序,不同配置之间的快速切换也可在处理条件改变时有利,举例在实时操作期间。因此,不同参数结果储存于存储器中来快速切换可为可行。
在数字信号处理和/或处理过程中,可预定该至少一个输入信号,例如通过提供已数字化的信号来例如作为训练输入信号或参考输入信号。已数字化的信号可为预存在的信号,可为预先记录的信号或例如模拟的信号。因此,处理时不一定需使用ADC。然而,在实时操作中,ADC可转换模拟感测的RF信号成数字表示的信号,此后表示成实时输入信号。在训练模式中,该至少一个预定的输入信号可预定而具有所需的用于处理过程的特征与特性,及因而仅可“代表”真实射频信号。然而,在实时模式中,可编程电路可处理来自感测的RF信号的实时输入信号,而取代预定的输入信号。
RF系统可包括至少一个传感器,用于感测RF信号,特别是用于测量RF信号。RF信号使用于提供RF功率至等离子系统。测量可包括测量为正向及反向功率和/或RF电流和/或RF电压的形式的RF信号,特别是在RF系统中的多个点进行测量。这也可为了调整RF生成器的输出功率,且为了此目的,传感器测量RF信号,特别是在生成器的输出处测量为RF波形的形式的RF信号。定向耦合器(directional coupler)可使用于提供正向及反向波形至传感器。RF信号可因而为模拟信号,该模拟信号随后通过ADC利用特定的取样率转换,以提供数字实时输入信号。在类似的方法中,其他传感器可测量多种参数,像是RF电压或电流、等离子的DC自偏压、或等离子光谱中的特定谱线的强度。其他传感器例如在阻抗匹配网络中或直接在等离子腔室。在阻抗匹配网络中的其他传感器例如相位及大小传感器、电压电流传感器或DC偏压传感器。直接在等离子腔室的其他传感器例如朗缪尔探针(Langmuir probe)或光学传感器。这些测量使用于控制可调整的元件,用于最大化传送到等离子的功率或使用于表示等离子特性。测量的参数可提供作为实时输入信号或可表示成训练输入信号。
可编程电路可装配成可编程集成电路,例如数字信号处理器(DSP)、复杂可编程逻辑器件(CPLD)、或FPGA。
根据本发明,可提供电路至少部分地执行用于识别该至少一个不规则性特征的检测过程。电路特别是可编程电路。检测过程特别是包括(人工)神经网络的应用,优选地为利用神经网络和/或算法的图案识别或图案匹配。检测过程可提供输入信号的评估,特别是通过测量模拟信号所获取的测量数据的评估。
就特别是用于电弧检测来说,用于识别优选地为输入信号中的该至少一个不规则性特征的图案识别或图案匹配或算法而言,可使用多种算法,例如:
·统计图案识别算法(statistical pattern recognition algorithm),其中测量的数据可处理,以获取特征组,像是平均值及标准差、相关系数(correlationcoefficients)、噪声水平、偏差的振幅及方向,特别是缓慢改变的背景图案及快速变化的不规则性。为了让该算法适用于特定的输入信号来用于优化检测及分类不规则性,可使用像是用于偏差的阀值及相关系数的参数。此外,多种特征的组合可使用,其中各特征可具有可调整的权重,以使用来改善校正检测及分类不规则性。
·模板匹配算法(template matching algorithm),其中输入信号可分割成多个区间(intervals)。这些区间包含特征结构,可接着与储存的不规则性的模板比较。用于分割输入信号成有意义的区间的参数可优化来用于与储存的模板的类似特征的最佳检测,例如稳态行为的期间与平均和/或噪声水平有明显偏差的期间的对比。此外,比例因子或比例因子范围也为可改变及优化的参数,比例因子或比例因子范围可使用于正规化输入信号来使得输入信号可与模板比较。此外,用于相关系数的阀值位准的改变可使用于算法的进一步优化。
作为传统确定性算法(deterministic algorithms)的替代方法来说,神经网络可使用于从输入信号自动地撷取特征并进行分类。特别是,针对时间序列的分析及像是电弧的不规则性的检测,下述的网络可使用:
·前馈人工神经网络(Feedforward artificial neural networks)包括输入层、一个或多个隐藏层及输出层,例如具有非线性激活函数(activation function)的多层感知器(multilayer perceptron,MLP)网络,
·卷积神经网络(CNNs),包括特别是卷积层,用于利用时间序列输入信号中的局部相关性,
·递归神经网络(Recurrent neural networks),特别是长短期记忆(longshort-term memory,LSTM)网络,特别是适用于识别及预测输入信号中个别的不规则性,否则输入信号中的该个别的不规则性可能在很长的一段时间不显眼的。
当神经网络使用于输入信号中的图案识别时,神经元的权重、激活函数的阀值、或控制非线性激活函数的形状的参数可为可改变来优化神经网络的参数,用于最佳的不规则性特征的检测及分类。对于考虑优化这些参数的神经网络的训练来说,利用梯度法(gradient methods)的反向传播法(backpropagation)可使用。
在可使用于处理输入信号的算法或神经网络的训练中,特别是在机器学习过程中,可使用可(尤其)通过下述至少一个要素生成及提供的训练数据组(作为根据本发明的方法的该至少一个输入信号),训练数据组也就是大量预存在的输入信号:
·要检测的各种不规则性中的每个不规则性可能必须通过训练数据组中所记录的足够数量的输入信号表示,例如10%或20%,使得不规则性训练数据组包含具有及不具有不规则性两者的输入信号。
·特定的不规则性可通过适当的等离子工艺或RF功率递送系统的处理参数人工地触发,使得它们可相较于正常操作更频繁地发生或具有较高的强度。在此方式中,具有特定不规则性的较大数量的输入信号可在短时间中记录下来。
·例如通过工程师评估,具有已识别不规则性的记录的输入信号可使用,以通过比例缩放(scaling)、位移(shifting)、扩张、压缩和/或偏移(offsetting)特征、通过增加具有特定特征的噪声、通过增加缓慢改变的基线、通过滤波操作来自动地生成全部都具有类似的不规则性的更大的类似输入信号组,而可接着包括在训练数据组中。
·此外,可在较长时间尺度(time scale)为可检测的特定的不规则性可从模拟生成及可接着转换成可增添到训练数据组的输入信号。可在较长时间尺度为可检测的特定的不规则性例如可表示某种元件劣化的特征趋势。
·在训练数据组中的各储存的输入信号也可通过处理的个别的正确分类和/或预期结果补充。在训练模式中,参数可接着针对训练数据组中的所有信号改变,以最小化处理结果及预期结果之间的偏差。
特别是在训练模式中,该至少一个输入信号可包括多个预定批次的预存在的输入信号或多个预存在的输入信号(也就是预先记录或例如模拟的输入信号)。各输入信号可与射频(RF)信号相关,也就是可特定于真实或模拟的RF信号,或代表真实或模拟的RF信号。输入信号也可简单地从测量的RF信号获取,例如通过从测量的RF信号生成的数字表示。此外,各输入信号可包括预知的图案,及对应的参考结果可表示该预知的图案,下方将更详细说明。预存在的输入信号可视为参考或参考信号,因为它们可包括特定的特征和/或提供对应的参考结果。配置的优化可接着通过比较参考结果与处理结果来达成,配置的优化也就是可编程电路的最佳参数化的学习。参考结果可包括目标波形或目标频率或所需的图案检测结果。比较可通过使用适当的度量(metric)达成,度量表示参考结果及处理结果之间的差异程度。
在以批次输入信号的形式提供该至少一个输入信号之后,也就是(至少)利用第一输入信号及第二输入信号,及特别是利用至少10或100或1000个更多的输入信号之后,也可被称作训练过程的处理过程可包括下述的处理流程:
-在第一处理步骤中,利用第一配置处理第一输入信号,利用第一配置处理第二输入信号,及还利用第一配置处理这些其他输入信号,由此获取第一配置的第一处理结果,
-在第二处理步骤中,利用第二配置处理第一输入信号,利用第二配置处理第二输入信号,及还利用第二配置处理这些其他输入信号,由此获取第二配置的第二处理结果,
-在其他处理步骤中,利用多个其他配置处理第一输入信号,利用这些其他配置处理第二输入信号,及还利用这些其他配置处理这些其他输入信号,由此获取这些其他配置的各者的对应处理结果。
因此,处理针对不同的参数配置重复,各处理的配置由此有所改变。针对训练过程,配置的改变(及参数的改变)可通过建立的方法完成,例如梯度下降法(gradientdescent)或反向传播技术(backpropagation techniques)。
在本发明的内容中,可编程电路若装配成可编程集成电路可以是有利的,优选地为数字信号处理器(DSP)、复杂可编程逻辑器件(CPLD)、或现场可编程逻辑门阵列(FPGA)。或者,电路可装配成固定电路,像是特定应用集成电路(ASIC)或另一集成电路。一般来说,任何计算机或控制器(例如PC、微控制器、DSP、CLPD、FPGA等)可使用于机器学习,特别是通过机器学习过程来使用于机器学习。FPGA特别适用于高速实时数字信号处理,及可加速机器学习过程。此外,使用特别是FPGA的可编程电路提供弹性及自动化的训练。射频系统的许多应用于各种方式发展,像是等离子应用,及FPGA方案具有仍可利用相同的硬件架构处理未来的应用的优点。未来的应用需要调整处理,例如尚未知的滤波器设计。相较之下,固定的电路会需要调整或甚至是完全重新设计,例如ASIC。这会导致更多的工作及成本。根据本发明的方法优选地通过简单的软件升级来增加新的配置,软件升级可包括更进阶的滤波器配置。用户可接着针对新的应用选择这些配置的一者。
此外,在本发明的范围中,方法可选择地还包括:
-利用该至少一个确定的参数结果参数化相同或另一可编程电路,
-感测射频系统的射频信号,
-至少部分地通过参数化的电路利用感测的射频信号的处理来执行数字信号处理,
-通过重复地执行感测及数字信号处理来监控射频信号,其中处理过程可优选地被称作训练过程,用于在处理的训练模式中利用预存在的信号作为训练输入信号来执行可编程电路的参数化,和/或其中处理过程可配置有从存储器中获取及可已于训练过程中确定的参数化,而监控特别是在处理的实时模式中执行。射频信号在处理的实时模式中被感测及处理而作为实时输入信号。
这意味射频系统可实际上实时使用,及处理可从训练模式切换成实时模式。
在随后时间点,射频系统可从实时模式切换回到训练模式,及参数化可进一步通过重复地处理额外的预存在的信号来优化,例如预先地记录或模拟的信号。
特别是,本发明的优点为可编程电路通过重复地处理预存在的训练信号来实时处理输入信号及训练系统,以确定用于实时处理模式的最佳配置。预存在的信号可为预先地记录的信号或例如计算机模拟的信号。
这两个功能让RF系统具有非常多用途,及让RF系统受训练以处理新的等离子处理条件或检测新的情况,而无需改变硬件或算法;仅可编程电路的参数化改变。取代必须使用外部的计算机来分析测量的信号及确定出改善的配置,通过切换RF系统成训练模式可在实际的RF系统本身上确定出优化的配置。在此方式中,RF系统的可编程电路具有机器学习或终端装置推论框架(on-device inference framework)的系统特征。机器学习或终端装置推论框架的系统特征皆能够适用于新的应用。
本发明的其他优点可为应用的可编程电路更快地执行数字信号处理,例如比利用标准计算机及像是Matlab/Simulink的工具的标准模型模拟快10,000至100,000倍。可编程电路特别是FPGA。
既然参数结果可包括优化的参数组,优化的参数组也就是用于已经利用处理过程优化的该至少一个参数的各者的配置,可编程电路可利用参数结果的该参化组来参数化。如此一来,根据本发明的方法通过于第一步骤中高度加速优化该至少一个参数来达成改善的数字信号处理。在实时操作的第二步骤中,处理过程及可编程电路使用,而生成用于数字信号处理的较快及较智能的参数组的选择。就在实时操作期间的感测的射频信号的数字信号处理而言,可编程电路可接收至少一个实时输入信号,该至少一个实时输入信号由模拟数字转换器从感测的射频信号转换而成。
此外,用于优化该至少一个参数的电路可与射频系统的实时操作中的最终应用的电路相同。
此外,本发明的范围中可设想出在处理过程中处理的该至少一个输入信号配置成至少一个训练输入信号,并且该方法还包括:
-通过利用预先确定的参数结果配置该至少一个参数来完成可编程电路的参数化,其中配置优选地依序固定,
-从训练模式切换处理成实时模式,其中特别是于实时模式中,实时输入信号通过可编程电路利用固定的配置实时处理,特别是用于实时输入信号的滤波,其中实时输入信号优选地配置成从至少一个模拟数字转换器接收的实际测量信号,该至少一个模拟数字转换器转换通过至少一个传感器感测的射频信号成该至少一个实时输入信号,
-从实时模式切换处理成训练模式,其中优选地在训练模式中,通过利用至少一个额外的训练输入信号作为已经处理的训练输入信号来再度执行处理过程,存在及预先固定的配置进一步优化,以新确定该至少一个参数结果,其中,根据新确定的参数结果与预先确定的参数结果的比较,可编程电路的再参数化通过利用新确定的参数结果配置该至少一个参数来执行。
这允许存在的参数组的进一步优化。用户可确定系统是否应再度切换至训练模式,以载入更多用于已经存在的配置的参考输入信号及参考结果。载入或上传可经由电子接口或用户接口执行。额外的参考输入信号及参考结果可替代地或额外地通过RF系统本身记录,及直接于实时操作中载入存储器中来随后在训练模式中使用。之后,新旧参数配置组进行评估,接着优选的参数组储存到存储器中。此外,从实时模式切换至训练模式提供在随后的时间点进行新情况的训练:切换至训练模式、载入新的参考输入信号及参考结果到存储器中、及确定优化的参数组、及储存优化的参数组至存储器中。
用户也可经由电子接口指示RF系统是否应以利用新的参考输入数据的训练的结果优化已经存在的参数配置,也就是利用优化的配置覆写已经存在的配置,或者是否优化的参数配置将使用于新的应用及于存储器中储存成单独的参数配置来特别是用于新的应用。
根据本发明的方法的另一实施例,该至少一个输入信号的重复地处理通过执行重复的处理步骤,其中针对各步骤,当利用该至少一个参数的改变的配置时,相同的至少一个输入信号通过相同的可编程电路处理,使得个别的处理结果特别用于和/或分派给改变的配置,及其中该至少一个输入信号特别是提供作为一个或多个预定的参考输入信号,针对各预定的参考输入信号,参考结果提供来表示对应的输入信号的处理的所需结果,及基于处理结果用于配置的优化的该至少一个参数结果的确定包括:
通过比较用于该至少一个参考输入信号的获取的处理结果的各者与对应的参考结果来评估改变的配置,其中评估优选地根据处理结果与参考结果的匹配,特别是识别出处理结果及参考结果之间的偏差。也就是说,参数可通过改变配置来优化。相同的至少一个输入信号的重复地处理使用,而可在不同的参数值的意义下提供不同的配置。这可能仅略为生成不同的处理结果。各处理结果可使用,以评估用于获取所述的参考结果的特定的配置的性能。
特别是,本发明的内容中所述的参考、参考输入信号和/或参考结果也被称作参考数据。
此外,通过利用评估,配置的优化可以参数结果可包括参数组,且针对所有参考输入信号而言该参数组让处理结果与参考结果具有最少偏差的概念提供。配置的优化也可被称作参数优化。处理过程可因而被称作训练和/或优化过程。该至少一个预定的参考输入信号及对应的参考结果可被称作训练数据。之后,确定的至少一个参数结果可通过针对第二组参考数据(包括新的输入信号及对应的参考结果)再度执行处理及评估处理结果来验证。在此方式中,可避免参数配置与训练数据过度拟合的问题。
本发明的范围中可提供基于处理结果用于配置的优化的该至少一个参数结果的确定包括:
-选择具有最高的评估的该至少一个配置作为该至少一个确定的参数结果,
-并且特别是提供该至少一个确定的参数结果来用于改善的数字信号处理包括:
-利用该至少一个选择的配置参数化相同或另一可编程电路,
-其中所述的该至少一个预定的参考输入信号及对应的参考结果优选地包括用于数字信号处理的不同应用的多个预定的参考输入信号及多个对应的参考结果,使得基于处理结果确定用于优化配置的所述的该至少一个参数结果针对各应用分开地执行,及提供该至少一个确定的参数结果优选地包括储存选择的配置于存储器中,其中参数化相同或另一可编程电路包括根据应用从储存的配置选择使用的配置。
换句话说,不同的训练数据组可提供而用于不同的数字信号处理应用。这提供针对不同应用参数组之间的切换。
在其他可能性中,至少一个输入信号设置为多个预存在的输入信号(也为“批次的信号”),其中处理过程优选地包括多个重复的处理步骤,其中各处理步骤包括:
-一个接着一个处理相同的输入信号,
-通过控制电路在此处理步骤中设定使用的至少一个参数的配置,
该方法还包括:
-在各处理步骤之后,通过控制电路评估处理结果与预定参考结果的偏差,
-在各评估之后,基于所述的评估调整使用的至少一个参数的配置来用于下个处理步骤,
其中控制电路优选地电性连接于可编程电路及与可编程电路分开地配置,并且
其中使用的至少一个参数的配置特别是针对不同的处理步骤改变,以迭代地优化配置来用于改善的数字信号处理。
控制电路或控制单元可装配成与可编程电路分开的额外的控制处理器。可编程电路可存取存储器。存储器包含训练数据,例如该至少一个输入信号和/或数批次的预存在的输入信号和/或对应的参考结果。预存在的输入信号可为预先地记录的信号或例如模拟的信号。控制电路也可在可编程电路上实现。可编程电路可为FPGA。提供该至少一个输入信号可不直接通过可编程电路本身完成但通过控制电路完成,特别是针对处理过程(例如基于应训练的应用)的训练数据的选择,和/或处理过程中的配置的改变。举例来说,就处理的各迭代来说,控制电路可馈入输入信号和/或调整的配置至可编程电路中。之后,控制电路可执行评估及因而根据评估确定配置的下一次调整。评估至少部分地通过可编程电路实施以加速训练过程也是可行的。
可编程电路可替代地或额外地直接连接至共享存储器,或至少部分的存储器可通过可编程电路实施。在此情况中,控制电路可指示可编程电路应从存储器的哪个位址范围载入训练数据。接着,可编程电路可直接地存取存储器、一个接着一个载入及处理训练数据、以及评估处理结果。该方法具有显著加速从存储器读取的优点。
本发明的内容中可进一步提供处理过程配置成训练过程来用于针对射频系统的应用中不同的特定情况以迭代方式优化配置,使得针对不同情况确定的参数结果配置成用于这些不同情况的不同的优化的参数组。不同的情况可为数字信号处理的不同应用。不同的参数组可包括不同的配置,适用于不同的情况。这提供根据给定的情况的参数组之间的弹性切换。训练过程因而提供不同情况的训练,而可生成针对情况不同的优化的参数组。
在另一有利的实施例中,该至少一个输入信号包括时间信号过程,优选地为瞬时及历史值,特别是射频信号或其衍生的信号的测量值,及处理结果通过处理信号走势获取,以表示检测信号走势中的特定图案的概率。因此,不仅考虑输入信号的瞬时值,也处理来自早于最新时间点的特定时间区段的一系列的数值,及可计算出检测的概率,也就是预期结果。在训练模式中,瞬时及历史值可预定和/或预先地记录。然而,在实时模式中,实时输入信号也可包括时间信号过程,优选地为瞬时及历史值,及特别是射频信号或其衍生的信号的测量值。也就是说,在实时模式中,处理不仅考虑射频信号的瞬时测量的值,还考虑来自早于最新测量时间点的特定时间区段的一系列的数值。这提供用于不同应用的处理的使用,像是可能性评估。
该至少一个输入信号也就是训练输入信号和/或实时输入信号,可配置成至少一个数字信号。数字信号可通过模拟数字转换器提供。模拟数字转换器转换感测的模拟RF信号成数字信号。数字信号可为感测的RF信号的数字化表示,及因而可当成说明测量的RF信号的瞬时振幅(momentary amplitude)的数据点的1维阵列。就随着时间的连续测量来说,阵列可更进一步扩展,使得最新的数据点表示最新的测量。测量的时间测量率(temporalmeasurement rate)及因而阵列的扩展可取决于数字模拟转换器的取样率。通过选择特定长度的时间范围,且特定长度的时间范围往往结束在最新的数据点,可利用数字模拟转换器的测量率或取样率从一端移出较旧的数据点及在阵列的另一端增加较新的数据点来更新而获取1维阵列的序列。
特别是,在实时测量中,辨别关键(critical)状态及在关键状态实际演变成不想要的事件前对关键状态采取行动也有需求。该方法系特别在处理电性设备中的过电压或过电流情况有用,或在等离子工艺期间管理电弧事件有用。如此一来,可能需要对存有特定图案的测量数据流进行连续分析。
根据本发明的方法有利地还包括于感测的射频信号和/或该至少一个输入信号中检测至少一个图案。为了改善检测特定情况的可靠度,通过多个传感器所感测的射频信号可组合使用,使得各信号中的至少一个图案存在于某个特定的时间。举例来说,成功检测事件可能需要在相同的时间点检测出两个RF信号特定图案,或在两者间存有特定的时间延迟。因测量假象或干涉所造成的误报检测(false positive detections)可因而通过组合至少两个信号的评估来避免。若仅有一个信号进行评估,可能发生因测量假象或干涉所造成的误报检测。
特别是,“至少部分地通过参数化电路使用感测的射频频率信号的处理来执行数字信号处理”和/或“执行处理过程,其中该至少一个输入信号通过可编程电路利用处理的该至少一个可配置的参数重复地处理”包括分别检测于感测的射频信号和/或该至少一个输入信号中的该至少一个图案。感测的射频信号可配置成实时输入信号及因而为如上所述的数字信号表示。因此,该至少一个输入信号还使用于处理过程中,及可配置成训练输入信号及因而也为如上所述的数字信号表示。在两个情况中,处理可设计以提供至少一个图案的检测,优选地为图案识别的形式。配置因而可为用于图案识别的配置,特别是图案匹配算法(pattern matching algorithm)或图案识别算法(pattern recognition algorithm)和/或神经网络的个别神经元的权重的配置。图案匹配算法或图案识别算法可具有比使用神经网络较少的技术复杂度的优点。然而,在一些情况中,神经网络可比简单的图案匹配算法更可靠地检测到杂讯或波动信号中的图案。两者的组合也是可行。因此,可配置的参数可设置成算法的参数或神经网络的神经元。处理过程也可设置成或可包括或可为用于机器学习和/或神经网络的训练的机器学习过程的一部分,及数字信号处理可与受训练的神经网络的应用相关。用于配置的优化的该至少一个参数结果可更配置成为神经元的权重组形式的训练结果。检测和/或预测事件的发生可基于至少一个图案的检测而提供。
此外,可基于检测或预测开始动作。特别是,图案检测的结果为图案生成的概率。基于检测,检测和/或预测额外地或替代地包括事件发生的概率的确定。开始动作可确定于该概率与阀值的比较。这特别是提供在事件完成之前开始动作。动作可为校正动作,以抵制事件的发生,例如是关闭RF系统。
在更进一步的实施例中,事件的概率检测或预测可基于多种情况。这可通过监控事件发生一段特定期间的概率的演变来实现。取代通过简单比较瞬时概率值及阀值来检测事件,更可靠的检测的额外条件可例如:
-针对指定时期,概率值始终高于指定阀值;
-针对指定时期,平均的概率值高于指定阀值;
-在概率值已经超过指定阀值之后,增加概率值;
-在指定时期中概率值的导数高于阀值;
-针对多个监控的信号,确定概率值的关联性;
-上述或其他条件之一或多个任意组合。
借助于更复杂的条件,事件的检测可更为可靠且减少对概率值的瞬时波动的依赖。对概率值的监控期间可有利地选择够短,使得事件可仍在完成之前通过开始动作来禁止。系统的训练可因而包括有关于尽早检测事件和/或尽可能准确的分类事件的参数化。所述的结果可接着在参数化中有较高的权重。
在该至少一个数字信号中可检测出特定的图案可提供,特别是为如上所述的线阵列形式的该至少一个数字信号中。优选地,图案的检测利用训练输入信号作为数字信号来训练,和/或利用实时输入信号作为数字信号来实时执行。后述基于图案的检测在RF系统的操作期间提供事件的识别。事件可与发生在RF系统中或等离子处理系统中的问题相关,而需要例如是关闭RF系统的动作。此外,事件还可表示RF系统或等离子处理系统的特定元件劣化。事件可例如通过特定模拟或数字信号通知用户来进行呈报,且特定数字或模拟信号可经由电子接口或用户接口提供,使得用户可利用额外的校正动作对情况做出反应,或在随后的时间点可排定维修和/或预防性维护。
特定的图案可包括如上所述的干扰和/或不规则性(irregularities)和/或特征改变。这些图案可连结于等离子工艺、等离子处理系统、或RF功率递送系统中的特定现象。如果RF信号通过连续测量重复地感测时,数字信号表示连续感测的信号。通过连续地处理数字信号,特别是1维阵列的结果序列,可监测某种图案随着时间的演变可为可行的。
在RF功率信号的周期脉冲调变的情况中,图案匹配算法和/或神经网络可能把RF功率中的突然改变表示成假电弧事件。RF功率中的突然改变例如在脉冲模式操作中的两个位准之间切换时。特别是,甚至组合至少两个信号来进行评估,这些有目的性的功率改变可能被标记为电弧事件。类似地,当等离子通过调变RF功率启动初始地激发时,可能还标注成电弧事件。
为了避免这些误报检测,每当等离子工艺配方或脉冲图案需要切换RF功率位准时,通过图案匹配算法和/或通过神经网络检测不规则性可关闭一小段时间(停滞时间(dead time))。在此方式中,仅有在持续不变的RF功率的时间区段中所发生的真的电弧事件可检测出来。
此外,通过使用人工神经网络,检测特定图案的完整演变可通过优化个别的神经元的权重来学习,及网络利用权重的优化组可接着实时识别出特定图案的发生。为了在事件全部完成之前检测到事件,可选择用于神经网络的适当的输出函数,而生成特定图案在实时输入信号或数据流中的概率。
相同的结果可通过计算参考图案及实际测量的信号数据流之间的互相关(cross-correlation)达成。参考图案相对于信号波形随时间连续地变动。
如果事件已经完整发展,图案会以接近1的概率识别出来。然而,在那个时间点之前,计算的概率已经逐渐地从0朝向1增加,或从靠近0朝向1增加。一旦概率超过某个用户可调整的阀值或上述多种条件的组合时,可在事件实际完成之前呈报事件。在此方式中,与不需要或甚至是灾难性事件相关的测量的数据流中的不规则性可在事件发生之前标记。在此情况中,可启动对策(countermeasures),以避免事件完整发展且减少和/或抑制严重的后果。上述的概率阀值及其他情况可针对事件的各个别的形式独立地设定。举例来说,灾难性事件可利用低阀值处理,而小规模的不规则性可具有较高的阀值。针对严重的不规则性来说,利用较低的阀值的优点为在事件完整发展之前有较长的时期执行校正的动作。另一方面,较高的阀值让分类具有较高的准确性。
举例来说,等离子处理系统中的半导体晶圆的表面上的电弧可能导致严重的缺陷及损失晶圆上的一个或多个芯片。如果电弧够强,等离子处理顺序可能受到严重扰乱而致使整个晶圆被毁弃。对于该种灾难性的电弧事件来说,低概率阀值因而有利,使得事件可在早期阶段中受到抑制。使用该概率技术来在电弧完整演变之前抑制电弧的例子更进一步说明于下方。在另一个例子中,高概率阀值可更适用于较不关键的事件:在用于沉积工艺的等离子处理腔室中,不仅半导体晶圆会涂覆有沉积层,等离子腔室的部件也会涂覆有沉积层。在处理许多晶圆之后,这些腔室部件覆盖有增加的沉积材料厚层,且粒子可能从沉积材料厚层掉落。在等离子工艺期间,这些粒子可能导致可某种程度上能容忍的等离子不规则性体。尽管如此,正确地分类及计算出所有粒子相关的事件重要的,使得预防性维护可在粒子相关事件的数量超过阀值时启动。此预防性维护在此情况中为清洗等离子腔室。在此情况中,高概率阀值提供粒子相关事件与其他不规则性性的分别,及因假粒子事件的计算所导致的太早清洗腔室的情况可因而避免。
在检测之后执行将检测的不规则性分类成不同的不规则性分类可以是可行的。分类可以相同于检测的方式训练,举例来说,机器学习过程可执行以训练分类,其中检测的不规则性通过可编程电路处理,以训练将检测的不规则性分类成不同的不规则性分类。在输入信号中的不规则性的检测及这些不规则性分类成不同的不规则性分类可能与偏离正常操作的某些方面有关或与RF功率递送系统、等离子系统、或等离子工艺中的故障有关,而可于检测算法或神经网络中包含多种信号预处理技术,由此所述的信号处理技术可包括例如至少下述的至少一个:
-减去缓慢改变的基线变化及偏移(其也可在正常的输入信号中观察到而没有不规则性)
-在比较输入信号与正规化的不规则性图案之前,(在时间中和/或振幅中)进行比例缩放操作
-在时域中的移位操作,也就是例如增加或减少时间偏移,以对准不规则性,特别是在多种输入信号组合来进行评估时
-计算至少两个输入信号的关联性
-移除背景噪声,例如通过滤波器操作
-从输入信号移除至少一个特定频率范围
在通过一个或多个上述技术预处理输入信号之后,真实图案检测算法可接着应用于所生成的正规化的输入信号。真实图案检测算法可能包括概率的计算。
由于神经网络的所有部件可转移至对应的逻辑元件中,优化的神经网络在可编程逻辑装置中实施可简单实现,可编程逻辑装置例如FPGA。在相同的方式中,图案匹配算法可通过使用移位暂存器及简易的逻辑操作轻易地于FPGAs中实现。改变神经网络的配置和/或尺寸,或调整图案匹配算法可通过载入新的配置至FPGA中来完成,而无须改变硬件。
如果在应用上需要检测多种图案分类时,可建立针对各特定分类优化的多种平行神经网络或图案匹配算法。使用一个通用的神经网络或图案匹配算法来检测多个图案分类也是可行的,例如通过在明显不同的步骤中依序地评估输入信号,特别是各分类一个。在此情况中,概率的阵列生成来取代一个概率值作为网络的输出,一个阵列对应于一个分类。其他图案分类检测可随后增加。如有需求时,神经网络或图案匹配算法的参数化可通过额外的教导来优化。
不同的配置于此可储存而用于不同的应用,及可接着根据情况启动。特别是,在不同的配置之间快速地切换可行的。这些配置可一个接着另一个启动,例如针对不同、接续的处理步骤。之后,通过启动所安装的系统上的教导模式,更进一步优化存在的配置或利用额外的参数数据学习新的情况可为可行的。因此,甚至在图案完全形成之前,通过提供平行(模拟)分类成多种图案形式,在测量的信号中识别可能的图案也是可行的。
电子接口提供来上传该至少一个输入信号或提供预存在配置至本发明的系统中可更为可行的,特别是到可编程电路、或到控制单元中或存储器中。本发明的方法接着更利用上载的预存在配置参数化可编程电路。如果输入信号上载至控制单元中时,控制单元可在馈入信号至可编程电路之前载入信号至存储器中。该至少一个输入信号可设置成多个输入信号,在上载之后储存于存储器中。
电子接口可配置为用户接口,允许用户上传该至少一个输入信号和/或用户输入信号和/或用户配置和/或控制信号来从训练模式切换系统成实时模式和/或使用用于参数化可编程电路的储存于存储器中的特定配置的信号。一般制定为训练数据的上传输入信号可直接或经由控制单元馈入至可编程电路中来用于数字信号处理,或直接或经由控制单元储存于存储器中。用户输入信号意指来自用户的该至少一个输入信号。用户配置可为预存在配置,用户经由例如云端或现场储存(on-site storage)、或从可连接于用户接口的可移除数据载体媒介载入到接口中。用户配置也可为通过使用本发明的方法生成的用户输入信号的配置。一般来说,训练数据可包括该至少一个输入信号及各输入信号的对应的参考结果。训练数据可设置成特别用于训练过程的预存在(预先地记录或模拟)的数据,训练数据可先载入存储器中及随后一个接着一个(以多个迭代)处理,直到找到优化的参数组。上传的预存在配置可储存于相同的存储器中和/或不同的存储器中,和/或上传的预存在配置可覆写已经根据上述的任何本发明的方法实施的配置。当上传的预存在配置储存于相同的存储器中时,它可作为可编程电路的补充/额外的参数化。上传的配置储存于不同的存储器或记忆空间中具有随时有备份配置的优点。对制造者而言,限制不是由用户生成的任一配置的可存取性也可为优点。在此情况中,载入部分配置至安全及信任的记忆空间中也为选项。通过载入另一配置来覆写可编程电路的配置的优点可为对可编程电路进行新的参数化及需较少的记忆空间。
提供电子接口以存取参数配置和/或固定的配置和/或该至少一个输入信号和/或来自存储器和/或来自可编程电路和/或来自控制单元的数据可行的,存取特别是读取和/或写入和/或覆写。然而,经由电子接口存取受到限制也可是可行的,例如禁止读取和/或覆写和/或交换特定数据和/或算法或神经网络。因此,可锁定储存于存储器和/或可编程电路和/或控制单元的部分的数据或信息,例如通过使用密码学方法(cryptographicmethods)。也就是说,电子接口可使用于上传储存于存储器中用于特定应用的配置可行的。这些配置可为利用适当的训练数据在相似电路上执行的训练过程的结果。特别是,制造者可上传配置给用户,但同时基本的工厂配置及算法或神经网络本身可受到保护而不让用户存取。这具有如果用户不满意或如果系统无法利用新的配置操作时,用户仍可回复到工厂配置的优点。
通过仅使用可编程电路、用户接口、存储器及控制器作为训练台来执行用于优化电路的最佳参数组的训练及确定是可行的。在整个射频系统的训练模式中,已经数字化的训练数据从存储器读取及通过控制器提供来作为用于数字信号处理的输入信号。改变参数及评估处理的结果还以与整个RF系统一致的方法执行。具有典型、商用的FPGA的该训练台系统能够在更短的时间中确定优化的参数结果,例如比利用标准计算机及像是Matlab/Simulink的工具的标准模型模拟快10000至100000倍。
相较于Matlab/Simulink模拟使用时的数小时或数天的执行时间,使用于射频系统中的典型的滤波算法或图案匹配算法的最佳参数化可利用所述的训练台系统在数分钟内确定出来。
甚至是针对具有数千个神经元配置于其中的大型神经网络来说,例如500至1000层,训练台系统能够在几个小时中确定神经元参数的最佳组。针对甚至更复杂的算法或神经网络和/或针对非常大的训练输入数据组来说,确定可编程电路的优化配置可在专用的高性能超级计算机上执行。
有别于在RF系统本身上、在训练台系统上、在使用模拟工具的标准计算机上、或在高性能超级计算机上确定优化配置的上述可能性,确定的配置可经由用户接口通过控制器上传到RF系统的存储器,及接着针对特定的应用使用于参数化可编程电路,可编程电路接着能够即使处理RF系统的输入信号。
在相同的方法中,利用一个RF系统确定的配置可经由用户接口输出,及上传至类似的RF系统,以使用来参数化可编程电路。在该方法中,通过应用来自第一个RF系统的已存在的配置到相同种类的第二个系统上,可避免第二个系统的个别训练。因此,复制已经优化的配置可使用于多个系统,而具有在建立新系统时节省时间的优点。
根据系统与系统之间无法避免的小变化,可能需要更进一步优化新的RF系统的参数化。尽管如此,相较于从可能为完全新的应用的情况的预设参数(default parameter)配置开始,这种参数的优化从已知的良好的配置开始一般将必定更快收敛。
该至少一个输入信号可配置成预定的参考输入信号。针对各预定的参考输入信号来说,处理的所需结果提供作为对应的预定参考结果。训练数据可包括预定的参考输入信号及对应的预定参考结果。
电路执行通过电路的该至少一个可配置的参数来参数化的算法来处理该至少一个输入信号可为可行。接口可使用而用于在处理开始前选择参数的适当配置,该接口特别是用户接口。接口可替代地或选择地用于于从应用或实时操作模式切换成训练模式。处理过程可配置成用于优化配置的学习周期。用户控制接口,以载入参考输入信号和/或参考结果和/或训练数据至存储器中,该存储器特别是射频生成器的存储器,和/或以执行学习周期,和/或以储存新的参数配置于存储器中以随后使用于应用模式中可为可行。在训练模式中,存储器可使用于从应用模式模拟来自模拟数字转换器的连续数据流。因此,存储器可连接于控制电路,且控制电路可于训练模式中从存储器读取该至少一个输入信号及提供至可编程电路中。可编程电路可直接地从存储器读取该至少一个输入信号及执行数字信号处理以加速处理也是可行的。另一方面,在应用或实时操作模式中,可编程电路可直接地连接于模拟数字转换器,以接收输入信号来作为实时输入。
该至少一个输入信号配置成至少一千个或至少一百万个不同的输入信号为其他选择,其中各输入信号表示有关于射频信号的至少一个波形,其中处理系欲根据参数配置评估波形,由此个别的处理结果包括所述的评估的结果。这允许进一步增加处理的性能。此外,自动化训练可加速该至少一个参数的优化,自动化训练例如通过控制电路的控制。
在另一有利的实施例中,可编程电路可包括逻辑元件,用于利用算法分解输入信号成振幅及相位,其中算法可通过改变的配置参数化。算法可因而仰赖许多参数,算法例如是IQ解调(IQ demodulation)或格策尔算法(Goertzel-algorithm)或离散傅立叶变换。举例来说,在IQ解调的情况中,参数可为数字滤波器的系数。参数的配置可因而为为这些参数选择的具体值(concrete value)。
此外,通过比较与改变的配置相关的各处理结果与预定参考结果来评估改变的配置是可预想的,其中预定参考结果包括由可编程电路执行的算法的预定的理想结果。预定的理想结果因而为目前设定的配置的品质的基准(benchmark)。参数配置的改变允许生成不同的处理结果,不同的处理结果可与参考结果比较。处理结果与参考结果之间的偏差显现出所使用的配置的功效,而可理解为配置的评估。
本发明的另一方面为系统,特别是用于射频系统的RF测量系统,优选地为射频功率递送系统或射频生成器或功率等离子系统,该系统包括:
-至少一个传感器,特别是定向耦合器或电流电压(“V/I”)传感器,用于感测射频系统的射频信号,
-至少一个模拟数字转换器,用于转换该至少一个感测的射频信号成至少一个输入信号,
-电路,用于该至少一个输入信号的数字信号处理,该电路特别是可编程电路。电路根据本发明的方法所确定的该至少一个参数结果参数化可提供。
因此,根据本发明的系统具有与已经参照根据本发明的方法所详细说明的相同的优点。系统也可包括模拟抗混叠滤波器和/或传输线和/或匹配电路,特别是阻抗匹配电路。射频系统可特别装配成射频功率递送系统。射频功率递送系统可更装配成等离子系统的电源供应器,特别是等离子功率递送系统。模拟数字转换器可提供,以转换使用于电源供应器及射频系统的传感器所感测的射频信号。
系统可还包括电子接口,用于上传用于参数化电路的预存在配置至可编程电路中或控制单元中或存储器中。利用接口上传和/或写入和/或读取可利用数据传送来执行。电子接口可电性连接于控制单元或存储器或可编程电路,用于利用(特别是直接)数据传送执行上传。电子接口可装配成数据接口,像是可连接于另一电子装置的串列接口。该另一电子装置像是计算机。电子接口执行计算机程式以允许数据传送也是可行的。计算机程式可提供更精密的接口技术,像是区域网络、无线区域网络或蓝牙。电子接口可经由控制单元或存储器或可编程电路存取。
根据本发明的系统可以根据本发明的方法的任何上述特征为特征,以进一步表现出所述的有利特征。
本发明的另一方面为数据载波信号,载有根据本发明的方法确定的至少一个参数结果。因此,根据本发明的数据载波信号具有与根据本发明的方法及系统详细说明的对应的特征的相同优点。数据载波信号可为例如是硬碟或快闪存储器的数据载体的信号。此外,数据载波信号可下载或以类似者执行。本发明的其他可能方面为计算机程式。该计算机程式包括根据本发明的方法所确定的参数结果和/或储存于计算机程式上的计算机可读取数据载体和/或根据本发明的方法所确定的参数结果。数据载波信号可提供,以在用户侧上执行软件升级,也就是利用数据载波信号的确定的参数结果来参数化可编程电路。或者,数据载波信号可提供,以读取可编程电路的参数化及配置,使得配置可储存于RF系统的存储器中,或输出至连接于RF系统的用户接口的可移除的数据载体媒介上。输出也就是储存。可移除的数据载体媒介可接着连接于第二个RF系统或训练台系统,用于上传输出的配置及使用其来优化第二个RF系统的可编程电路的参数化。
本发明的其他优点、特征及细节将通过下述的说明更为清楚。在下述的说明中,本发明的实施例参照附图详细的说明。关于此点,权利要求中及说明中所述及的特征可以单独或为任何组合的方式来对本发明而言为不可缺少的。为了对本发明的上述及其他方面有更佳的了解,下文特举实施例,并配合所附附图详细说明如下:
附图说明
图1a示出本发明的RF测量系统1及本发明的数据载波信号的实施例。
图1b示出应用本发明的RF测量系统1的等离子功率系统的实施例。
图2示出用于改善于本发明的射频系统中的DSP的本发明的方法的实施例。
图3a示出没有校正动作的情况下完整演变的电弧事件的例子。
图3b示出类似于图3a的例子,其中电弧预防在电弧的概率超过阀值时启动。
图3c示出在脉冲模式操作期间用于识别真实的电弧事件的例子。
图4示出在训练模式配置中的本发明的RF测量系统的实施例。
图5示出在应用(实时操作)模式中的本发明的RF测量系统的实施例。
具体实施方式
在下方附图中,即使在不同的实施例范例中,相同的参考编号使用于相同的技术特征。
图1a示出射频生成器的本发明的RF测量系统1的实施例,RF测量系统1优选地为射频功率递送系统1或射频生成器或射频等离子系统。系统包括至少一个传感器20,特别是定向耦合器(directional coupler)或电压电流传感器或等离子传感器32,用于感测射频系统1的射频信号。定向耦合器为一种通用来检测例如功率递送电路中的射频信号的传感器形式。然而,也可应用其他传感器。图1a更示出出射频功率信号的传输线60及两个信号分支,其中上分支可表示正向功率,及下分支表示传感器20获取的RF功率信号的反射功率。此处所述的本发明的系统1的结构可适用于所测量的正向功率或反射功率或两者。此处所述的本发明的系统1的结构也可适用于RF电压、RF电流、反射系数(Γ或“伽玛值(Gammavalue)”)或测量的DC自偏压、或者是利用RF电流的RF相位、RF电压、所测量的正向或反射功率或两者、DC自偏压或反射系数的任何组合。
系统1还包括至少一个模拟数字转换器,ADC 30,用于转换该至少一个感测的射频信号成至少一个输入信号230。ADC转换连续时间及连续数值的信号成离散时间及离散数值的信号。连续时间及连续数值也就是模拟,离散时间及离散数值就是数字。模拟信号可为传感器20所获取的信号,优选地为在传输线60所获取的信号。每秒的取样数目通过取样率提供,及不同数值的数目通过ADC 30的位元数提供。系统1可还包括模拟抗混叠滤波器50及匹配电路,位于传感器及ADC 30之间。匹配电路特别是阻抗匹配电路40。
系统1包括用于数字信号处理的电路10,优选地为可编程电路。电路10适用于该至少一个输入信号230的数字信号处理。输入信号230可为RF生成器的操作期间所测量的信号,也就是实时模式信号。电路更适用于储存于存储器70中的至少一个输入信号210的数字信号处理。输入信号230或储存的输入信号210可为与功率递送系统的射频信号有关的信号。它们可因而为直接测量的信号或模拟的信号。储存的输入信号210可更在到达电路10中之前通过控制器或控制电路80处理。电路10可更通过根据说明于图2中的本发明的方法所确定的该至少一个参数结果进行参数化。参数化可在任何输入信号210或230已经到达电路10之前执行。参数化的电路10接着根据输入信号(来自存储器的输入信号210或来自实时模式的输入信号230)提出处理结果220。处理结果220接着通过控制电路80及可储存于存储器70中作为参数结果240。
图1a还示出数据载波信号240,载有来自处理结果220的确定的该至少一个参数结果240。数据载波信号240可为数据封包,可供授权者或任何第三方下载。数据载波信号可接着使用,以参数化可编程电路10,特别是FPGA10。使用于参数结果240的处理结果220可从根据此处所述的至少一个方法的本发明的方法确定。系统可还包括电子接口90,用于上传预存在配置至可编程电路10中或控制单元80中或存储器70中,用于参数化电路10。所述的电子接口90可电性连接于控制单元80或存储器70或可编程电路10,用于利用直接数据传送(direct data transfer)来执行上传。此外,电子接口90也可使用于执行配置的下载,例如传送配置到类似的应用的不同RF系统。电子接口90可为用户接口。
图1b示出应用本发明的RF测量系统1的等离子功率系统5的实施例。特别是,等离子功率系统5包括RF生成器2、匹配网络4、及等离子处理系统3。等离子处理系统3例如具有RF功率提供于其的电极的等离子腔室31。
RF生成器2包括RF测量系统1。RF测量系统1包括传感器20、模拟数字转换器30、可编程电路10、控制单元80、存储器70及电子接口90。电子接口90也被称作用户接口。此外,RF生成器2包括信号生成单元16及功率放大级23,信号生成单元16例如直接数字合成(directdigital synthesis,DDS)电路,功率从DC电源21提供至功率放大级23,其中信号生成单元16可于可编程电路10中实现。值得注意的是,在本发明的范畴中,信号生成单元16也可为可编程电路10外部的独立的电路或芯片。
匹配网络4包括输入传感器41、阻抗匹配电路40、匹配控制单元42、及选择的输出传感器43。输入传感器41例如相位及大小检测器。阻抗匹配电路40通常包括可为可变的电感器及电容器。输出传感器43例如电压电流传感器或DC偏压传感器。匹配网络4的功能改变RF生成器2的一般为50Ohms的输出阻抗成等离子处理系统3的可变阻抗,使得耦合至等离子中的RF功率最大,及从等离子处理系统3反射回来的功率为最小。
等离子处理系统3包括等离子腔室31,RF功率从匹配网络4提供至等离子腔室31。在等离子腔室31中,气体或混合气体通过馈入的RF功率激发及部分地离子化。RF功率电耦合成等离子可通过连接RF功率于电极来达成。电极例如金属板,位在相反于接地的类似板的位置。在此方式中,等离子电容式耦接于该两个电极。或者,RF功率可连接于电感器,配置于等离子腔室31周围,使得等离子电感式耦合。
一般来说,半导体晶圆装载于等离子腔室31中,及暴露于RF等离子一段特定的时间,以从晶圆的最上层蚀刻材料或沉积材料至晶圆的最上层。
匹配网络4及等离子处理系统3可包括输入传感器41、输出传感器43、等离子传感器32,测量表示RF信号或等离子工艺的特征的信号。这些传感器信号可连接于RF生成器2的专用传感器连接端口来通过模拟数字转换器(ADCs)30转换成数字表示,及可使用作为通过可编程电路10执行的数字信号处理的输入信号。模拟数字转换器30例如单一和/或多通道ADCs。
图2示出用于改善于本发明的射频系统中的数字信号处理的本发明的方法的实施例,本发明的射频系统特别是射频功率递送系统1。方法包括提供101与射频系统1的射频信号相关的至少一个输入信号210,及执行102处理过程310,其中该至少一个输入信号210通过可编程电路10利用处理的至少一个可配置的参数重复地处理。该至少一个参数的配置由此可针对该至少一个输入信号210的各处理改变或特别调整,以获取个别的处理结果220。方法还包括基于处理结果220,确定103用于优化配置的至少一个参数结果(例如优化的参数,特别是来自改变的参数),以及提供104该至少一个确定的参数结果来用于改善的数字信号处理(特别是电路的参数化)。针对本发明的方法来说,可编程电路10可装配成可编程集成电路10,优选地为FPGA。
本发明的方法可还包括利用该至少一个确定的参数结果来参数化105相同或另一可编程电路10,其中参数化105包括感测106射频系统1的射频信号,及至少部分地通过参数化的电路10使用感测的射频信号的处理来执行107数字信号处理。本发明的方法可还包括重复地执行102感测106及数字信号处理来监控射频信号。无论参数化105电路10的细节为何,可编程电路10的处理过程310可设置成训练过程,训练过程用于利用输入信号210作为预存在(例如预先地记录或模拟)的训练输入信号来在处理的训练模式中执行参数化105可编程电路10,而监控于处理的实时模式中执行。在处理的实时模式中,射频信号感测及处理作为实时输入信号。
在处理过程310中处理的该至少一个输入信号210可配置成至少一个训练输入信号。本发明的方法可还包括通过利用预先确定的参数结果配置该至少一个参数来完成可编程电路10的参数化105,其中配置依序地固定;及从训练模式切换处理成实时模式,其中在实时模式中,实时输入信号通过可编程电路10利用固定的配置实时处理,特别是用于实时输入信号中的图案检测,其中实时输入信号优选地配置成从至少一个模拟数字转换器30接收的实际测量信号,该至少一个模拟数字转换器30转换通过至少一个传感器20感测的射频信号成该至少一个实时输入信号;以及从实时模式切换处理成训练模式。在训练模式中,通过利用至少一个额外的训练输入信号作为处理的训练输入信号来再度执行处理过程310,存在及预先固定的配置可进一步优化,以新确定该至少一个参数结果,其中,根据新确定的参数结果与预先确定的参数结果的比较,可编程电路10的再参数化通过利用新确定的参数结果配置该至少一个参数来执行。
该至少一个输入信号210的重复地处理可通过执行重复的处理步骤来进行,其中针对各步骤,当使用该至少一个参数的改变的配置时,相同的该至少一个输入信号210通过相同的可编程电路10处理,使得个别的处理结果220特别用于和/或分派给改变的配置。该至少一个输入信号210可配置成一个或多个预定的参考输入信号257。针对各预定的参考输入信号257,参考结果提供来表示对应的输入信号210的处理的所需结果。基于处理结果220用于配置的优化的该至少一个参数结果的确定130可还包括通过比较用于该至少一个参考输入信号257的各所获取的处理结果与对应的参考结果来评估改变的配置,其中评估根据处理结果220与参考结果的匹配或处理结果220与参考结果之间的偏差。基于处理结果220用于优化配置的该至少一个参数结果的确定103可还包括选择具有最高的评估的该至少一个配置作为至少一个确定的参数结果。参考结果通过用户提供是可行的,例如利用电子接口90上传。因此,用户可在任何时间定义使用哪个标准来进行评估。输入信号及训练数据通过用户定义,及例如针对该理由经由电子接口90上传也是可行的。提供104该至少一个确定的参数结果来用于改善的数字信号处理可还包括利用该至少一个选择的配置来参数化105相同或另一可编程电路10。所述的至少一个预定的参考输入信号257及对应的参考结果优选地包括用于数字信号处理的不同应用的多个预定的参考输入信号257及对应的参考结果,使得基于处理结果220确定用于优化配置的所述的至少一个参数结果针对各应用分开地执行。提供104该至少一个确定的参数结果可还包括储存选择的配置于存储器中,其中参数化相同或另一可编程电路10包括根据应用从储存的配置选择使用的配置。
该至少一个输入信号210可配置为多个预存在的输入信号210。预存在的输入信号可预先地记录或举例模拟。处理过程310可包括重复的处理步骤,其中各处理步骤可包括一个接着一个处理相同的输入信号210,及通过控制电路80在该处理步骤中设定使用的该至少一个参数的配置。本发明的方法可还包括在各处步骤之后通过控制电路80评估处理结果220与预定参考结果的偏差,及在各评估之后基于所述的评估调整使用的至少一个参数的配置来用于下一个处理步骤。控制电路80可因此电性连接于可编程电路10及与可编程电路分开地装配。
使用的至少一个参数的配置可针对不同的处理步骤改变,以迭代地优化配置来用于改善的数字信号处理。
针对射频系统1的应用中的不同特定情况,处理过程310可设置成用于在迭代法中优化配置的训练过程,使得确定而用于不同情况的参数结果设置成针对这些不同情况的不同的优化的参数组。
该至少一个输入信号210可包括时间信号过程(temporal signal course),优选地来自瞬时及历史值,特别是来自射频信号的测量值。处理结果220可通过处理信号走势获取,以表示检测信号走势中的特定图案的概率。
电子接口90可还提供,以上传该至少一个输入信号210至可编程电路10。该至少一个输入信号210由此可配置成在上传后储存于存储器中的多个输入信号210。
该至少一个输入信号210可设置成至少一千或至少一百万个不同的输入信号210,其中各输入信号表示与射频信号相关的至少一个波形。处理可因而根据参数配置评估波形。个别的处理结果220可包括所述的评估的结果。
预存在配置也可经由电子接口90上传至特别是可编程电路10中或控制单元80中或存储器70中。可编程电路10的参数化接着使用预存在配置。上传的预存在配置可储存于相同的存储器70中和/或不同的存储器中。上传的预存在配置可覆写利用本发明的方法计算的任何配置,或除了利用本发明的方法计算或预先地上传及储存于存储器中的任何其他配置之外,它可储存于存储器中。
改变的配置的评估可通过比较有关于改变的配置的各处理结果220与预定参考结果来执行。预定参考结果可包括由可编程电路10执行的算法的预定理想结果。
图3a示出在两个不同的传感器信号中观察的电弧事件的例子,两个不同的传感器信号为第一传感器信号402及第二传感器信号403。最低的曲线表示RF功率404。x轴代表时间405。在此情况中,仅可以监控电弧,没有可启动的预防动作,及电弧可完全演变直到放电完成。在针对该特定情况的电弧来训练图案匹配算法或神经网络之后,算法可提供概率值p(t)406(显示在图3a的上方曲线中而代表概率401),概率值p(t)406可从在时间tstart的零增加到在时间tend的1。电弧事件的最初迹象可在时间tstart留意到,及事件在时间tend完成。在电弧事件之后,概率值p(t)406可再度快速地下降到0。第一传感器信号402可配置成电流传感器信号和/或第二传感器信号403可配置成电压传感器信号。
在图3b中示出出类似的情况。如图3b中所示,上方曲线代表概率401,下面两个曲线代表第一传感器信号402及第二传感器信号403,及最下方的曲线表示RF功率404。x轴表示时间405。相较于图3a,概率值p(t)406可与阀值pthreshold 407比较,及一旦概率值p(t)406超过该阀值pthreshold 407时,可启动校正动作。如图3b中所示,针对等离子事件的概率值p(t)406可从时间tstart逐渐地增加。当概率值p(t)406在时间tstop达到阀值pthreshold 407时,可触发RF功率404的暂时减少。该动作可避免电弧事件及可驱动等离子工艺回到正常操作。特别是,图3a中的第一感测信号402的突波(spike)戏剧化地减少而可意味电弧受到抑制。
图3c示出如何可有效地抑制误报检测的例子。x轴表示时间405。在该例子中,RF功率404可利用脉冲图案调变,而可在两个RF功率位准之间定期切换。通过在时间间隔t1a…t2a、t1b…t2b、t3a…t4a、t3b…t4b、t5a…t6a、t5b…t6b、t7a…t8a、t7b…t8b停用电弧检测,可忽略在低及高RF功率位准之间转换的突波,且仅检测出与RF功率切换无关的两个电弧事件。在该例子中,该两个电弧事件可储存于两个不同的分类中:电弧事件分类A408及电弧事件分类B 409(因它们的不同形状而明显可见)。
在RF功率404的周期脉冲调变的情况中,图案匹配算法或神经网络可能把RF功率404中的突然改变记录为假电弧事件,例如在脉冲模式操作中的两个位准之间切换时。特别是,甚至组合至少两个信号来进行评估,这些有目的性的功率改变可能被标记为电弧事件。
为了避免这些误报检测,每当脉冲图案需要切换RF功率位准时,通过图案匹配算法或通过神经网络检测不规则性可关闭一小段时间(停滞时间(dead time))。在此方式中,仅有在持续不变的RF功率404的时间区段中所发生的真的电弧事件可检测出来。该停滞时间的使用的例子示出于图3c中。
图4示出设置而用于在训练模式中操作的本发明的RF测量系统1的实施例。RF测量系统1例如作为训练台系统。系统1的操作模式253可经由电子接口90设定成训练模式。
在下述中,由参考符号17标注的术语“信号处理电路”表示可编程电路10的一部分,专用于执行信号处理,特别是数字信号处理。可编程电路10可包括其他电路,例如评估电路18,使用于训练模式中来用于确定处理结果220及参考结果之间的偏差。在实时模式期间使用的其他电路可应用于可编程电路10中,但可在训练模式中停用。
当在训练模式中时,系统1连接于功率放大级23、匹配网络4、及等离子处理系统3并非为强制性的。系统1可处理储存于存储器70中或经由电子接口90上传的预存在的参考输入信号257,以取代RF生成器2、匹配网络4、或等离子处理系统3中的传感器所提供的实时输入信号。此外,参考结果256可储存于存储器70中或经由电子接口90提供。这些参考结果表示参考输入信号257的信号处理的预期结果。此外,可使用于参数化信号处理电路17的参数组254可储存于存储器70中或经由电子接口90提供。
此外,用于数字信号处理的算法或例如可应用于可编程电路10中的神经网络的电路布局255也可储存于存储器70中。一般来说,算法及电路布局255经由电子接口90的上传及应用于可编程电路10中受限于制造者,及系统1的一般用户并无法存取。
在训练模式中,控制器80可设定以读取来自电子接口90的用户参数组251、用户参数结果252a、及用户参考输入信号252b,及储存它们至存储器70中。此外,控制器80可设定以通过从存储器70读取储存的参数组254参数化可编程电路10,及因而参数化可编程电路10。
此外,控制器80可设定以从存储器70或从电子接口90读取参考输入信号257,及提供它们作为输入信号210至信号处理电路17。或者,信号处理电路17可直接地存取存储器70及直接地读取参数组254及训练数据,也就是参考输入信号257及参考结果256,使得训练数据的读取及处理加速。
此外,如图4中所示的评估电路18可于可编程电路10中应用,或替代地作为控制单元80中的软件算法。评估的结果也就是优化的参数组254,可通过从可编程电路10提取及经由控制器80写入存储器70来储存于存储器70中,或从可编程电路10通过直接存储器存取(direct memory access)来储存于存储器70中。
此外,值得注意的是,作为图4的配置的替代方案,至少部分的控制单元80和/或至少部分的存储器70可在可编程电路10中实现。这具有显著加速从存储器70读取参考输入信号257及参考结果256,及接续对参考输入信号257进行信号处理,及评估处理结果220与参考结果256的优点。
图5示出在应用(实时操作)模式中的本发明的RF测量系统1的实施例。在应用模式中,信号处理电路17利用预存在的参数组254参数化。预存在的参数组254已经在先前的训练中储存于存储器70中,或已经经由电子接口90上传至存储器70中。根据可经由电子接口90提供的处理配方258,针对各配方步骤,专用的参数组254可从存储器70或从电子接口90经由控制器80载入信号处理电路17中。以此方式参数化的信号处理电路17接着实时处理输入信号。输入信号从RF系统连续地提供,例如从RF生成器2、匹配网络4、或等离子处理系统3中的传感器提供且在ADCs 30中进行数字化。
根据可编程电路10中所应用的算法或神经网络,信号处理的结果可接着使用,以控制信号生成单元16或其他电路19。信号生成单元16例如DDS核心。信号生成单元16使用,以例如调整信号的振幅、频率及相位。该信号通过数字模拟转换器(DAC)22及功率放大级23转换成RF功率信号。在RF生成器2的输出所生成的RF功率信号可接着经由匹配网络4提供至等离子处理系统3。在此方式中,例如在RF生成器2的输出处对来自传感器20的输入信号210进行滤波的结果可直接地使用,而以例如通过稳定化传送至等离子中的RF功率及让来自等离子的反射功率最小的方式改变RF功率信号。
此外,信号处理电路17也可装配,以针对表示某种事件或不想要的情况的图案来监控输入信号210。某种事件或不想要的情况例如等离子处理系统3中的高压放电或二次等离子、或与等离子处理有关的硬件元件的劣化、或等离子阻抗的飘移,而表示可能需要对等离子腔室31进行清洗或其他预防性维护。与等离子处理有关的硬件元件的劣化例如粒子形成于等离子系统中。这些事件可通过电子接口90标记259给用户,或通过可编程电路10中的其他电路19直接地作用,而可触发校正动作250。举例来说,在电弧事件或高压放电的情况中,或如果信号处理已经确定出发生该事件的高概率时,可编程电路10可开始减少或完全关闭RF功率一段时间。此可例如通过减少信号生成单元16中所生成的RF信号的振幅、通过停用DAC 22、或通过中断DAC 22及功率放大级23之间的连接一段时间来达成。
可编程电路10的电路布局或可编程电路10所使用的算法也可储存于存储器70中,及不同的电路布局255可根据应用实施于可编程电路10中。
如前所述,就训练模式以及应用模式而言,至少部分的控制器80和/或至少部分的存储器70可应用于可编程电路10中。这具有在信号处理电路17的不同状态之间可显著加速切换的优点。
实施例的前述解释仅为在示例的内容中说明本发明。当然,在不脱离本发明的范围的情况下,只要在技术上是合理的,实施例的个别特征彼此自由地组合。
附图标记的列表
1系统
2RF生成器
3等离子处理系统
4匹配网络
5等离子功率系统
10电路
16信号生成单元
17信号处理电路
18评估电路
19其他电路
20传感器
21DC电源
22数字模拟转换器(DAC)
23功率放大级(PA)
30模拟数字转换器(ADC)
31等离子腔室
32等离子传感器
40阻抗匹配电路
41输入传感器
42匹配控制单元
43输出传感器,V/I传感器
50抗混叠滤波器
60传输线
70存储器
80控制单元
90电子接口,用户接口
101提供至少一个输入信号,第一方法步骤
102执行,第二方法步骤
103确定,第三方法步骤
104提供至少一个确定的参数结果,第四方法步骤
105参数化,第五方法步骤
106感测,第六方法步骤
107执行,第七方法步骤
210(存储的/预存在的)输入信号
220处理结果
230(实时)输入信号
240参数结果
250校正动作
251用户参数组
252a用户参数结果
252b用户参考输入信号
253操作模式
254参数组
255电路布局
256参考结果
257记录的测量数据组,参考输入信号
258处理配方
259事件标记
310处理过程,机器学习过程
401概率
402第一传感器信号
403第二传感器信号
404RF功率
405时间
406p(t)
407pthreshold
408电弧事件分类A
409电弧事件分类B
Claims (17)
1.一种用于机器学习等离子系统中的至少一个不规则性的检测的方法,所述等离子系统特别是RF供电的等离子处理系统,所述方法包括:
-提供至少一个输入信号(210),每个输入信号(210)与用于所述等离子系统的功率递送系统(1)的模拟信号相关、和/或与所述功率递送系统(1)和/或所述等离子系统的另一个特征相关,所述至少一个输入信号(210)具有:指示所述等离子系统中的所述不规则性的至少一个不规则性特征,
-执行机器学习过程(310),其中具有所述至少一个不规则性特征的所述至少一个输入信号(210)由可编程电路(10)处理,以训练所述等离子系统中的所述不规则性的所述检测。
2.如权利要求1所述的方法,其特征在于,所述可编程电路(10)被配置为可编程集成电路(10),所述可编程集成电路(10)优选地为数字信号处理器(DSP)、复杂可编程逻辑器件(CPLD)或现场可编程逻辑门阵列(FPGA)。
3.如前述的任一权利要求所述的方法,其特征在于,所述可编程电路(10)至少部分地执行检测过程,所述检测过程特别是包括神经网络的应用或算法,用于识别所述至少一个不规则性特征,所述神经网络的应用优选地为利用所述神经网络的图案识别或图案匹配,并且其中所述机器学习过程(310)包括:
-通过所述电路(10),利用所述检测过程以及所述检测过程的至少一个可配置的参数,来执行所述至少一个输入信号(210)的所述处理,所述至少一个可配置的参数特别是所述神经网络的权重或所述算法的参数,其中针对所述输入信号(210)的每个处理而改变所述至少一个参数的配置,所述改变特别是修改,以获取各个的处理结果(220),
-基于所述处理结果(220),确定至少一个参数结果作为所述机器学习的训练结果,所述至少一个参数结果特别是包括所述改变的配置的选择。
4.如权利要求3所述的方法,其特征在于,所述机器学习过程包括多个重复的处理步骤,在每个处理步骤中,所述相同的至少一个输入信号(210)通过所述可编程电路(10)利用所述参数的不同的改变的配置处理,以获取分配至所述使用的配置的各个处理结果(220),其中通过比较每个所述获取的处理结果(220)与参考结果来执行所述改变的配置的评估。
5.如权利要求4所述的方法,其特征在于,所述改变的配置的所述评估取决于所述处理结果(220)与所述参考结果的匹配,其中具有最高的评估的至少一个配置选自所述改变的配置,来作为所述至少一个确定的参数结果。
6.如权利要求4或5所述的方法,其特征在于,所述参考结果为所述至少一个不规则性的预定指示。
7.如前述的任一权利要求所述的方法,其特征在于,所述至少一个输入信号(210)中的每个输入信号(210)与用于提供功率至所述等离子系统的射频信号相关、和/或与所述功率递送系统(1)和/或所述等离子系统的另一个特征相关,并且所述不规则性是特定于发生在所述等离子处理系统中的电弧或特定于所述电弧的发生概率。
8.如前述的任一权利要求所述的方法,其特征在于,所述至少一个不规则性的所述机器学习的检测,用于电弧检测和/或电弧预防和/或电弧管理。
9.如前述的任一权利要求所述的方法,其特征在于,所述机器学习过程(310)提供用于所述检测的检测过程的至少一个参数的配置的迭代确定,所述配置特别是神经网络的至少一个权重或算法的至少一个参数的配置,特别是所述神经网络或所述算法至少部分地通过所述可编程电路(10)实施,其中所述确定的配置随后用于所述功率递送系统(1)的现场操作中的所述检测过程,包括:
-当所述不规则性已经通过所述检测过程检测出来时,输出警告信息。
10.如前述的任一权利要求所述的方法,其特征在于,所述提供所述至少一个输入信号(210)包括:
-记录并转换为射频信号形式的所述功率递送系统(1)的所述模拟信号、和/或所述功率递送系统和/或所述等离子系统的所述另一个特征,以获取所述模拟信号和/或所述另一个特征的数字表示,
-提供所述模拟信号和/或所述另一个特征的所述数字表示,来作为到所述可编程电路(10)的所述至少一个输入信号(210)。
11.如前述的任一权利要求所述的方法,其特征在于,通过组合用于实时执行计算的所述可编程电路(10)的功能块,在所述可编程电路(10)中实现用于所述至少一个不规则性的所述检测的检测过程。
12.如权利要求11所述的方法,其特征在于,在所述机器学习过程(310)期间,所实现的检测过程与实时计算一起迭代地使用,用于所述至少一个输入信号的所述处理。
13.如前述的任一权利要求所述的方法,其特征在于,所述机器学习过程(310)被配置为用于所述可编程电路(10)的参数化的训练过程,其中具有所述相同的参数化的完全相同的可编程电路(10)或另一电路(10),在所述功率递送系统(1)的现场操作期间用于所述至少一个不规则性的所述检测,特别是用于电弧检测和/或电弧预防和/或电弧管理。
14.如权利要求13所述的方法,其特征在于,在所述现场操作中,当所述至少一个不规则性的所述检测时,独立地或组合地开始以下的动作的中至少一个:
-至少部分地或完全地关闭所述功率递送系统(1),
-关闭所述功率递送系统(1),而随后不重新启动所述功率递送系统(1),
-暂时关闭所述功率递送系统(1),而随后重新启动所述功率递送系统(1),
-暂时减少所述功率递送系统(1)的输出功率,
-暂时修改所述功率递送系统(1)的输出频率,
-暂时修改阻抗匹配网络(4)中的至少一个可调整元件。
15.如前述的任一权利要求所述的方法,其特征在于,所述不规则性的所述检测包括概率检测,所述概率检测特别是用于在电弧发生于所述等离子处理系统中之前检测所述电弧,优选地用于确定所述电弧的所述发生的概率和/或用于电弧预防。
16.一种用于检测等离子系统中的至少一个不规则性的系统,所述等离子系统特别是RF供电的等离子处理系统,所述系统包括:
-至少一个传感器(230),所述至少一个传感器(230)特别是定向耦合器和/或电流电压传感器,用于感测用于所述等离子系统的功率递送系统(1)的至少一个射频信号、和/或所述功率递送系统(1)和/或所述等离子系统的另一个特征,
-至少一个转换器(30),所述至少一个转换器(30)特别是模拟数字转换器(30),连接于所述传感器(230),用于转换所述至少一个感测的射频信号和/或所述另一个特征成至少一个输入信号(210),
-可编程电路(10),用于所述至少一个输入信号(210)的数字信号处理,
其特征在于,根据前述任一权利要求的所述的方法训练来所述可编程电路(10),用于所述至少一个不规则性的所述检测。
17.一种数据载波信号(240),携带根据前述任一权利要求的所述方法所确定的所述至少一个参数结果(240)。
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102021117167.9 | 2021-07-02 | ||
EP21201090.4A EP4113574B1 (en) | 2021-07-02 | 2021-10-06 | Method for machine learning a detection of at least one irregularity in a plasma system |
EP21201090.4 | 2021-10-06 | ||
PCT/EP2022/068445 WO2023275405A1 (en) | 2021-07-02 | 2022-07-04 | A method for machine learning a detection of at least one irregularity in a plasma system |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117597764A true CN117597764A (zh) | 2024-02-23 |
Family
ID=89913825
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202280046821.1A Pending CN117597764A (zh) | 2021-07-02 | 2022-07-04 | 用于机器学习等离子系统中的至少一个不规则性的检测的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117597764A (zh) |
-
2022
- 2022-07-04 CN CN202280046821.1A patent/CN117597764A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP4331210B2 (ja) | 神経網を用いたバッテリ残存量推定装置及び方法 | |
TWI797418B (zh) | 用於校正離子注入半導體製造工具中的部件故障的方法及系統 | |
US7809450B2 (en) | Self-correcting multivariate analysis for use in monitoring dynamic parameters in process environments | |
Zhang et al. | Fault detection strategy based on weighted distance of $ k $ nearest neighbors for semiconductor manufacturing processes | |
US11513504B2 (en) | Characterizing and monitoring electrical components of manufacturing equipment | |
Stiasny et al. | Physics-informed neural networks for non-linear system identification for power system dynamics | |
JP2017211713A (ja) | 生産システム | |
US20220083034A1 (en) | Intelligent processing tools | |
Lynn et al. | Real-time virtual metrology and control for plasma etch | |
US20210358785A1 (en) | Event monitoring and characterization | |
JP2023549331A (ja) | 半導体製造装置のための予知保全 | |
US20230138127A1 (en) | Information processing method and information processing apparatus including acquiring a time series data group measured duirng a processing cycle for a substrate | |
CN116671006A (zh) | 利用基于模型的数字孪生进行射频匹配控制 | |
Wang et al. | A DRL-aided multi-layer stability model calibration platform considering multiple events | |
CN117597764A (zh) | 用于机器学习等离子系统中的至少一个不规则性的检测的方法 | |
EP4113574B1 (en) | Method for machine learning a detection of at least one irregularity in a plasma system | |
EP4242904A2 (en) | Method for machine learning a detection of at least one irregularity in a plasma system | |
JP7173168B2 (ja) | 異常検知装置、システム、方法及びプログラム | |
CN117581230A (zh) | 用于改善射频系统中的数字信号处理的方法 | |
US20230281439A1 (en) | Synthetic time series data associated with processing equipment | |
US20090018788A1 (en) | Normalization of process variables in a manufacturing process | |
Yan et al. | Parameters optimization of lebesgue sampling-based fault diagnosis and prognosis with application to li-ion batteries | |
US20230306281A1 (en) | Machine learning model generation and updating for manufacturing equipment | |
EP4227891A1 (en) | Method, apparatus and system for determining model parameters of unscented kalman filter | |
WO2024074218A1 (en) | Method and system for optimising partial discharge detection |
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 |