CN117836734A - 用于确定处理设备性能的综合分析模块 - Google Patents

Abstract

一种方法包括通过处理装置接收指示处理配方的第一数据。方法进一步包括接收第二数据。第二数据包括与处理配方相关联的操作数据。方法进一步包括接收第三数据。第三数据包括与处理配方相关联的历史数据。方法进一步包括基于第一数据、第二数据、和第三数据执行指示处理腔室的性能的分析。方法进一步包括致使根据所述分析执行校正动作。

Description

用于确定处理设备性能的综合分析模块

技术领域

本公开涉及用于确定制造设备中的故障的诊断方法，并且在一些实施例中，涉及用于改进处理设备的一致性和/或可靠性的综合分析模块。

背景技术

可通过使用制造设备执行一个或多个制造工艺来生产产品。例如，半导体制造设备可用于经由半导体制造工艺生产基板。将生产具有适用于目标应用的特定性质的产品。理解及控制制造腔室内的性质有助于产品的一致生产。

发明内容

下文是本公开的简要概述以便提供对本公开的一些方面的基本理解。此概述非本公开的详尽综述。其既不意欲标识本公开的重要或关键元素，亦不意欲描绘本公开的特定实施例的任何范畴或申请专利范围的任何范畴。其唯一目的是以简要形式呈现本公开的一些概念，作为稍后呈现的更详细描述的序言。

方法包括通过处理装置接收指示处理配方的第一数据。方法进一步包括接收第二数据。第二数据包括与处理配方相关联的操作数据。方法进一步包括接收第三数据。第三数据包括与处理配方相关联的历史数据。方法进一步包括基于第一数据、第二数据、和第三数据执行指示处理腔室的性能的分析。方法进一步包括致使根据所述分析执行校正动作。

在本公开的另一方面中，方法包括通过处理装置接收第一数据，其中第一数据包括处理配方。方法进一步包括对处理配方执行第一分析。第一分析包括将第一数据与关于第一数据的一个或多个最佳已知方法(best known method；BKM)进行比较。方法进一步包括接收第二数据。第二数据包括第一操作数据。第一操作数据使用处理配方从第一数量的处理运行产生。方法进一步包括对第二数据执行第二分析。方法进一步包括接收第三数据。第三数据包括第二操作数据。第二操作数据使用处理配方从第二数量的处理运行产生。方法进一步包括对第三数据执行第三分析。第二数量大于第一数量。方法进一步包括致使基于第一分析、第二分析、和第三分析执行校正动作。

在本公开的另一方面中，一种非暂时性机器可读存储介质存储指令，所述指令在被执行时致使处理装置执行操作。操作包括接收指示处理配方的第一数据。操作进一步包括接收第二数据。第二数据包括与处理配方相关联的操作数据。操作进一步包括接收第三数据。第三数据包括与处理配方相关联的历史数据。操作进一步包括执行指示制造系统的性能的分析。分析是基于第一数据、第二数据、和第三数据。操作进一步包括致使根据所述分析执行校正动作。

附图说明

本公开在附图的各图中通过示例示出并且不作限制。

图1是根据一些实施例的示出示例性系统架构的框图。

图2描绘了根据一些实施例的示例数据集生成器的框图。

图3是根据一些实施例的示出用于产生输出数据的系统的框图。

图4A是根据一些实施例的用于产生用于机器学习模型的数据集的方法的流程图。

图4B是根据一些实施例的用于使用综合分析模块来执行校正动作的方法的流程图。

图4C是根据一些实施例的用于利用综合分析模块来执行校正动作的方法的流程图。

图5A描绘了根据一些实施例的经过自动综合分析模块的数据流。

图5B是根据一些实施例的描绘在综合分析模块中包括的各种分析类别的框图。

图5C是根据一些实施例的描绘综合分析模块的使用的流程图。

图6是根据一些实施例的描绘操作窗口的示例集合的图。

图7描绘了根据一些实施例的用于与综合分析模块交互的示例图形用户界面(graphical user interface；GUI)。

图8是根据一些实施例的示出计算机系统的框图。

具体实施方式

本文描述了用于处理腔室的自动配方及数据分析的系统和方法。本文描述的系统和方法可用于确定系统健康状况、执行异常检测、提供熟练操作人员知识的翻译、收集及实施最佳已知方法(BKM)等。

制造设备用于生产产品，诸如基板(例如，晶圆、半导体)。制造设备可包括制造或处理腔室以使基板与环境分离。所生产的基板的性质是满足目标值以促进具体功能性。制造参数被选择为生产满足目标性质值的基板。许多制造参数(例如，硬件参数、处理参数等)有助于经处理基板的性质。制造系统可通过指定性质值的设定点并且从在制造腔室内设置的传感器接收数据，以及对制造设备进行调整直到传感器读数匹配设定点来控制参数。

可监测制造系统的操作。监测制造系统可包括记录和存储配方数据、设备常数数据、传感器数据、或计量数据。监测制造系统可允许操作人员对制造系统作出改变。监测制造系统可允许对制造系统作出的改进。

在一些常规系统中，可通过目标专家(subject matter expert)检查配方是否符合最佳已知方法(BKM)。配方可被设计为用于目标结果并且依赖于人类交互以确定配方是否根据一个或多个BKM设计。在一些常规系统中，传感器数据可被分析以诊断不理想的性能、推荐的校正动作、或类似者。在一些常规系统中，与一系列制造操作相关联的数据(例如，经处理基板的数量)可被分析以诊断改变或漂移性能。

在一些常规系统中，独立地处理与制造工艺的不同阶段相关联的数据。可分析在处理基板之前产生的数据(诸如配方数据及设备常数数据)是否有异常或错误。可校正在此阶段中发现的任何错误。可在分离的阶段中分析与一个或多个基板相关联的数据。与基板相关联的数据(例如，传感器数据)可被分析以确定处理系统的部件是否按预期执行、是否发生故障、或类似者。在一段时间内与数个基板相关联的数据可被分析以理解制造设备中的较慢改变。

在一些常规系统中，将数据根据具体情况导入分析模块。例如，可将怀疑与不满足性能阈值的制造工艺相关联的数据提供到分析模块。在一些系统中，可分别地执行对各个制造阶段的分析。配方数据分析被用于更新配方数据，传感器数据分析被用于更新影响传感器数据的操作等。

在一些常规系统中，关于处理阶段(例如，配方及设备阶段、处理阶段、处理腔室老化阶段)的更新可基于在该处理阶段期间收集的数据来执行。

在一些常规系统中，数据通过目标专家筛选和/或分析。具有不同专业级别的不同专家可从基板处理的不同阶段筛选数据。不同专家可分析来自基板处理的不同阶段的数据。目标专家可依赖于经处理基板的计量数据来确定哪些数据可提供对制造系统操作的了解。

本公开的方法和系统可解决常规解决方案的缺陷。在一些实施例中，实现综合分析模块。综合分析模块跨多个处理阶段利用数据。综合分析模块可推荐与多个处理阶段相关联的校正动作。综合分析模块可产生输出以供用户(诸如目标专家)审查。综合分析模块可筛选用户可能关注的数据，诸如指示正在劣化的制造设备部件的数据。

本文描述的系统和方法可自动合成大量数据(例如，配方数据、硬件参数数据、传感器数据等)以产生指示系统健康状况、配方准确性、推荐的校正动作等的数据。可将关于多个制造阶段的数据提供到综合分析模块。关于预制造阶段的数据(例如，配方数据、处理腔室设置数据、设备常数数据等)可由综合分析模块进行分析。关于基板制造工艺的数据(例如，传感器数据、硬件参数数据等)可由综合分析模块利用。可由综合分析模块利用关于长期分析的数据(例如，在许多基板处理操作中的数据偏移)。

在一些实施例中，综合分析模块可利用数据分析来通知进一步数据收集。来自处理一个基板的数据可用于确定待与第二基板相关联进行的校正动作。来自一个处理阶段的数据可用于确定待与稍后处理阶段相关联进行的动作。可指示降低的基板性能的数据可用于安排(schedule)与基板、腔室、工具、或类似者相关联的进一步动作。指示降低的基板性能的数据可用于安排基板以进行计量操作。

在一些实施例中，数据分析可包括基于规则的处理。在一些实施例中，数据分析可包括若/则处理。在一些实施例中，数据分析可包括统计度量。在一些实施例中，数据分析可包括统计模型。在一些实施例中，数据分析可包括将数据提供到经训练的机器学习模型。在一些实施例中，来自经训练的机器学习模型的输出可指示一个或多个推荐的校正动作。

在一些实施例中，分析结果可在用户界面上显示。用户界面可向用户警告一个或多个制造系统的条件和/或操作。用户界面可概括处理操作(例如，步骤)的性能。用户界面可概括处理过程的性能(例如，与经处理基板相关联的性能)。用户界面可概括处理腔室的性能。用户界面可概括处理工具的性能。用户界面可概括一组处理工具(例如，制造设施)的性能。用户界面可显示违反规则、违反BKM、配方数据、传感器数据等的细节。

在一些实施例中，综合分析模块可用于执行校正动作。一些校正动作可由综合分析模块进行。一些校正动作可由综合分析模块推荐给用户。校正动作可包括更新处理配方、更新设备常数、更新BKM、安排维护、安排部件替换、安排额外测量或测试等。

本公开的方面提供了优于先前方法的技术优点。综合分析模块使得能够一起使用来自各个处理阶段的数据来改进将来的基板处理过程。综合分析模块实现基于任何处理阶段、或多个处理阶段推荐校正动作。综合分析模块利用数据的广泛选择，以进行决策制定、分析、校正动作等。

在本公开的一些方面中，一种方法包括通过处理装置接收指示处理配方的第一数据。方法进一步包括接收第二数据。第二数据包括与处理配方相关联的操作数据。方法进一步包括接收第三数据。第三数据包括与处理配方相关联的历史数据。方法进一步包括基于第一数据、第二数据、和第三数据执行指示处理腔室的性能的分析。方法进一步包括致使根据分析来执行校正动作。

在本公开的另一方面中，方法包括通过处理装置接收第一数据，其中第一数据包括处理配方。方法进一步包括对处理配方执行第一分析。第一分析包括将第一数据与关于第一数据的一个或多个最佳已知方法(BKM)进行比较。方法进一步包括接收第二数据。第二数据包括第一操作数据。第一操作数据是使用处理配方从第一数量的处理运行产生的。方法进一步包括对第二数据执行第二分析。方法进一步包括接收第三数据。第三数据包括第二操作数据。第二操作数据是使用处理配方由第二数量的处理运行产生的。方法进一步包括对第三数据执行第三分析。第二数量大于第一数量。方法进一步包括致使基于第一分析、第二分析、和第三分析执行校正动作。

在本公开的另一方面中，一种非暂时性机器可读存储介质存储指令，当执行时，所述指令致使处理装置执行操作。操作包括接收指示处理配方的第一数据。操作进一步包括接收第二数据。第二数据包括与处理配方相关联的操作数据。操作进一步包括接收第三数据。第三数据包括与处理配方相关联的历史数据。操作进一步包括执行指示制造系统的性能的分析。分析是基于第一数据、第二数据、和第三数据。操作进一步包括致使根据所述分析来执行校正动作。

图1是根据一些实施例的示出示例性系统100(示例性系统架构)的框图。系统100包括客户端装置120、制造设备124、传感器126、计量设备128、预测服务器112、和数据存储器140。预测服务器112可以是预测系统110的一部分。预测系统110可进一步包括服务器机器170和180。

传感器126可提供与制造设备124相关联(例如，与通过制造设备124生产对应产品(诸如基板)相关联)的传感器数据142。传感器数据142可用于确定设备健康状况和/或产品健康状况(例如，产品质量)。制造设备124可在一段时间内根据配方或执行运行来生产产品。在一些实施例中，传感器数据142可包括下列中的一个或多个的值：光学传感器数据、光谱数据、温度(例如，加热器温度)、间隔(spacing；SP)、压力、高频射频(High FrequencyRadio Frequency；HFRF)、射频(RF)匹配电压、RF匹配电流、RF匹配电容器位置、静电夹盘(Electrostatic Chuck；ESC)的电压、致动器位置、电流、流量、功率、电压等。传感器数据142可包括历史传感器数据144和当前传感器数据146。当前传感器数据146可与当前处理的产品、近期处理的产品、近期处理的产品的数量等相关联。当前传感器数据146可用作经训练的机器学习模型的输入，例如，用于产生预测数据168。历史传感器数据144可包括与先前生产的产品相关联存储的数据。历史传感器数据144可用于训练机器学习模型，例如，模型190。

传感器数据142可与制造参数相关联或指示制造参数，所述制造参数诸如是制造设备124的硬件参数(例如，硬件设置或安装的部件，例如，大小、类型等)或制造设备124的处理参数(例如，加热器设置、气体流量等)。与一些硬件参数和/或处理参数相关联的数据可替代地或额外地存储为制造参数150。制造参数150可包括历史制造参数(例如，与历史处理运行相关联)及当前制造参数。制造参数150可指示制造装置的输入设置(例如，加热器功率、气体流量等)。可以在制造设备124执行制造工艺时提供传感器数据142和/或制造参数150(例如，当处理产品时的设备读数)。传感器数据142可针对每个产品(例如，每个基板)不同。基板可具有通过计量设备128测量的性质值(膜厚度、膜应变等)，例如，在独立式计量设施处测量的性质值。计量数据160可以是数据存储器140的部件。计量数据160可包括历史计量数据164(例如，与先前处理的产品相关联的计量数据)。制造参数150可包括数据配方数据。配方数据可包括与基板处理相关联的设定点。配方数据可包括目标温度、气体组成、气体压力、RF功率、或可包括在处理配方中的任何其他参数。制造参数150的配方数据可包括用于实现目标性质值的时间戳、用于执行一个或多个动作的时间戳、或类似者。制造参数150可包括用于制造设备124执行处理操作的指令。

制造参数150可包括设备常数数据。设备常数可以是与处理腔室、处理工具等相关联的数据。设备常数可使得处理腔室能够执行配方操作。例如，设备常数可包括用于阀打开以实现气体流动的指令。设备常数可包括用于将电流提供到加热器以达到目标温度的指令。设备常数可包括阈值压力级别以考虑待抽空、通风、加压的腔室等。

计量数据160包括与经处理基板的性质相关联的数据。计量数据160可通过计量设备128收集。计量设备128可包括独立式计量设备，例如，物理地与处理工具分离的计量设备。在一些实施例中，通过处理工具处理的基板的子集可被发送到独立式计量设施。综合分析模块可推荐一个或多个基板用于独立式计量。综合分析模块可基于跟踪数据、配方数据、设备常数数据等推荐一个或多个基板来用于计量。

在一些实施例中，可在不使用独立式计量设施的情况下提供计量数据160，例如，原位计量数据(例如，在处理期间收集的计量或计量代理)、整合的计量数据(例如，当产品在腔室内或在真空下时但不在处理操作期间收集的计量或计量代理)、在线计量数据(例如，在基板从真空移除之后收集的数据)等。计量数据160可包括当前计量数据(例如，与当前或近期处理的产品相关联的计量数据)。

在一些实施例中，可(例如，由客户端装置120和/或由预测服务器112)处理传感器数据142、计量数据160、或制造参数150。处理传感器数据142可包括产生特征。在一些实施例中，特征是在传感器数据142、计量数据160、和/或制造参数150(例如，斜率、宽度、高度、峰值等)中的模式或来自传感器数据142、计量数据、和/或制造参数(例如，从电压及电流导出的功率等)的值的组合。传感器数据142可包括特征，并且特征可由预测部件114用于执行信号处理和/或用于获得执行校正动作的预测数据168。

传感器数据142的每个实例(例如，集合)可对应于产品(例如，基板)、制造设备集合、通过制造设备生产的基板类型、或类似者。计量数据160及制造参数150的每个实例可同样对应于产品、制造设备集合、通过制造设备生产的基板类型、或类似者。数据存储器可进一步存储与不同数据类型的相关联集合的信息，例如，指示传感器数据集合、计量数据集合、及制造参数集合均与相同的产品、制造设备、基板类型等相关联的信息。

长期数据164包括与处理许多基板相关联的数据。长期数据164可由综合分析模块使用以确定处理工具的性能是否随着时间改变。长期数据164可用于确定一个或多个部件是否漂移、老化、故障等。长期数据164可用于推荐校正动作。校正动作可包括预防维护、校正维护、部件替换、腔室季化、或类似者。长期数据164可用于处理控制。长期数据164可用于统计处理控制。长期数据164可用于故障检测。长期数据164可用于故障分类。

在一些实施例中，预测系统110可产生预测数据168。预测数据168可包括推荐的校正动作。预测数据168可包括预测故障、漂移、或类似者的根本致因。可响应于从综合分析模块接收输出来产生预测数据168。可通过从一个或多个机器学习模型接收输出来产生预测数据168。可使用受监督的机器学习来产生预测数据168(例如，预测数据168包括来自使用标记的训练数据训练的机器学习模型的输出)。例如，受监督的机器学习模型可接收由作为目标输出的计量数据标记的传感器数据作为训练输入计量目标输出。在一些实施例中，预测系统110可使用无监督的机器学习产生预测数据168。可使用未标记的数据训练无监督的机器学习模型。无监督的机器学习模型的输出可包括群集结果、主要成分分析、异常检测等。在一些实施例中，预测系统110可使用半监督学习(例如，训练数据可包括标记及未标记数据的混合)来产生预测数据168。

客户端装置120、制造设备124、传感器126、计量设备128、预测服务器112、数据存储器140、服务器机器170、及服务器机器180可经由网络130彼此耦接，用于产生预测数据168来执行校正动作。在一些实施例中，网络130可提供对基于云的服务的访问。通过客户端装置120、预测系统110、数据存储器140等执行的操作可通过虚拟的基于云的装置来执行。

在一些实施例中，网络130是公众网络，所述公众网络为客户端装置120提供对预测服务器112、数据存储器140、及其他公众可用的计算装置的访问。在一些实施例中，网络130是私有网络，所述私有网络为客户端装置120提供对制造设备124、传感器126、计量设备128、数据存储器140、及其他私有可用的计算装置的访问。网络130可包括一个或多个广域网(Wide Area Network；WAN)、局域网络(Local Area Network；LAN)、有线网络(例如，以太网络)、无线网络(例如，802.11网络或Wi-Fi网络)、蜂窝网络(例如，长期演进(Long TermEvolution；LTE)网络)、路由器、集线器、交换机、服务器计算机、云计算网络、和/或其组合。

客户端装置120可包括计算装置，诸如个人计算机(Personal Computer；PC)、膝上型计算机、移动电话、智能电话、平板计算机、网络本计算机、网络连接的电视(“智能TV”)、网络连接的媒体播放器(例如，蓝光播放器)、机顶盒、云上(Over-the-Top；OTT)流装置、操作盒等。客户端装置120可包括校正动作部件122。校正动作部件122可接收与制造设备124相关联的指示的用户输入(例如，经由图形用户界面(Graphical User Interface；GUI)，其经由客户端装置120显示)。在一些实施例中，校正动作部件122将指示发送到预测系统110、从预测系统110接收输出(例如，预测数据168)、基于输出来确定校正动作、及致使实施校正动作。在一些实施例中，校正动作部件122获得与制造设备124相关联的传感器数据142(例如，当前传感器数据146)(例如，来自数据存储器140等)并且将与制造设备124相关联的传感器数据142(例如，当前传感器数据146)提供到预测系统110。

在一些实施例中，校正动作部件122从预测系统110接收对校正动作的指示并且致使实施校正动作。每个客户端装置120可包括允许用户进行产生、查看、或编辑数据中的一个或多个的操作系统。客户端装置120可提供用户界面。客户端装置120可将通过预测系统110提供的数据经由用户界面呈现给用户。客户端装置120可将通过综合分析模块提供的数据经由用户界面呈现给用户。预测系统110可实施综合分析模块(例如，经由预测服务器112及模型190)。客户端装置120可呈现与制造设备124相关联的数据。客户端装置120可呈现与制造设备124相关联的推荐的校正动作。

在一些实施例中，计量数据160对应于产品的历史性质数据。计量数据160可对应于使用与历史传感器数据144相关联的制造参数处理的产品。预测数据168可与产品的预测性质数据相关联。预测数据168可与待生产的产品的预测性质相关联。预测数据168可与已经在由当前传感器数据146记录的条件下生产的产品的预测性质相关联。预测数据168可与已经在与一组制造参数150相关联的条件下生产的产品的预测性质相关联。

在一些实施例中，预测数据168是或包括待生产的产品的预测计量数据。预测数据168可包括已经根据记录为当前传感器数据146的条件生产的产品的预测计量数据。在一些实施例中，预测数据168是或包括对任何异常(例如，异常产品、异常部件、异常制造设备124、异常能量使用等)的指示。预测数据168可包括异常的一个或多个致因。在一些实施例中，预测数据168是在制造设备124、传感器126、计量设备128、或类似者的一些部件中随着时间的改变或漂移的指示。在一些实施例中，预测数据168是制造设备124、传感器126、计量设备128、或类似者的部件的寿命终点的指示。在一些实施例中，预测数据168是正执行的处理操作的进展的指示，例如，将用于处理控制。

执行导致有缺陷产品的制造工艺可能在时间、能量、产品、部件、制造设备124、识别缺陷及丢弃有缺陷产品的成本等方面具有昂贵的成本。通过将传感器数据142和/或制造参数150输入预测系统110中、接收预测数据168的输出、及基于预测数据168执行校正动作，系统100可以具有避免产生、识别、及丢弃有缺陷产品的成本的技术优点。通过将长期数据164提供到预测系统110、获得预测数据168、及基于预测数据168执行校正动作，系统100可以具有避免有缺陷产品的成本的技术优点。

执行导致制造设备124的部件的故障的制造工艺在停机时间、对产品的损坏、对设备的损坏、快速订购替换部件等方面可能是昂贵的。通过输入传感器数据142、计量数据160、长期数据164等、接收预测数据168的输出、及基于预测数据168执行校正动作(例如，预测的操作维护，诸如部件的替换、处理、清洁等)，系统100可以具有避免不期望的部件故障、未安排的停机时间、生产率损失、不期望的设备故障、产品报废、或类似者中的一个或多个的成本的技术优点。校正动作可包括维护、部件替换、替换清洁、腔室季化、配方更新、BKM更新等。监测部件(例如，制造设备124、传感器126、计量设备128、及类似者)随着时间的性能可提供对劣化部件的指示。

制造参数对于生产产品可以是次最佳的。次最佳的制造参数可具有增加资源(例如，能量、冷却剂、气体等)消耗、增加生产产品的时间量、增加部件故障、增加有缺陷产品的量等的成本昂贵结果。通过将数据输入预测系统110(例如，综合分析模块)、接收预测数据168的输出、及基于预测数据168执行校正动作，系统100可以具有使用最佳制造参数来避免次最佳制造参数的成本昂贵结果的技术优点。

制造工艺可具有与预期相比较大的环境影响。归因于增加温室气体产生、增加能量利用、增加材料浪费等，配方参数、硬件参数等的一些组合可致使增加环境影响。通过将数据输入预测系统110(例如，综合分析模块)中、接收预测数据168、及基于预测数据168来执行校正动作，系统100可具有减少处理操作的环境影响的技术优点。

校正动作可与下列中的一个或多个相关联：计算处理控制(ComputationalProcess Control；CPC)、统计处理控制(Statistical Process Control；SPC)(例如，对电子部件的用于确定过程在控制中的SPC、用于预测部件的使用寿命的SPC、用于与3-sigma图进行比较的SPC等)、高级处理控制(Advanced Process Control；APC)、基于模型的处理控制、预防操作维护、设计优化、更新制造参数、更新制造配方、反馈控制、机器学习修改、或类似者。

在一些实施例中，校正动作包括提供警告。警告可包括停止或不执行制造工艺的警报。若预测数据168指示预测的异常，诸如产品、部件、或制造设备124的异常，则可触发警告。在一些实施例中，机器学习模型被训练为监测处理运行的进展，作为综合分析模块的一部分。机器学习模型可被训练为监测原位传感器数据以预测制造工艺是否已经完成。在一些实施例中，机器学习模型可发送指令，用于当模型确定过程完成时结束处理运行。在一些实施例中，校正动作包括提供反馈控制。反馈控制可包括响应于指示预测异常的预测数据168来修改制造参数。在一些实施例中，执行校正动作包括致使对一个或多个制造参数的更新。在一些实施例中，执行校正动作可包括再训练与制造设备124相关联的机器学习模型。在一些实施例中，执行校正动作可包括训练与制造设备124相关联的新的机器学习模型。

制造参数150可包括硬件参数。硬件参数可包括指示哪些部件在制造设备124中安装、指示部件替换、指示部件年龄、指示软件版本或更新等的信息。制造参数150可包括处理参数。处理参数可包括温度、压力、流量、速率、电流、电压、气体流量、提升速度等。在一些实施例中，校正动作包括致使或安排预防操作维护。预防维护可包括推荐制造设备124的部件的替换、处理、清洁等。在一些实施例中，校正动作包括致使设计优化，诸如，更新制造参数、制造工艺、制造设备124等，用于优化的产品。在一些实施例中，校正动作包括更新配方。更新配方可包括更改制造子系统进入闲置或活动模式的时序、更改各种性质值的设定点等。

预测服务器112、服务器机器170、及服务器机器180可各自包括一个或多个计算装置，诸如机架服务器、路由器计算机、服务器计算机、个人计算机、主计算机、膝上型计算机、平板计算机、台式计算机、图形处理单元(Graphics Processing Unit；GPU)、加速器专用集成电路(accelerator Application-Specific Integrated Circuit；ASIC)(例如，张量处理单元(Tensor Processing Unit；TPU))等。预测服务器112、服务器机器170、服务器机器180、数据存储器140等的操作可通过云计算服务、云数据存储服务等执行。

预测服务器112可包括预测部件114。在一些实施例中，预测部件114可接收当前传感器数据146、当前制造参数、计量数据160、和/或长期数据164，并且产生输出用于执行校正动作。预测部件114可通过从客户端装置120接收数据来获得数据、从数据存储器140检索数据、或类似者。预测部件114可产生预测数据168作为输出。预测部件114可实施综合分析模块。校正动作可与制造设备124、传感器126、和/或计量设备128相关联。在一些实施例中，预测数据168可包括经处理产品的一个或多个预测尺寸测量。预测数据168可包括产品的预测计量。预测部件114可使用一个或多个模型、规则、统计度量、启发式模型、或类似者以产生输出。在一些实施例中，预测部件114可使用一个或多个经训练的机器学习模型190来确定用于基于当前数据执行校正动作的输出。

制造设备124可与一个或多个机器学习模型(例如，模型190)相关联。与制造设备124相关联的机器学习模型可执行许多任务，包括处理控制、分类、性能预测等。模型190可使用与制造设备124相关联的数据或通过制造设备124处理的产品进行训练，例如，传感器数据142(例如，通过传感器126收集)、制造参数150(例如，与制造设备124的处理控制相关联)、计量数据160(例如，通过计量设备128产生)等。

可用于执行一些或所有以上任务的一种类型的机器学习模型是人工神经网络，诸如深度神经网络。人工神经网络一般包括具有将特征映射到期望输出空间的分类器或回归层的特征表示部件。例如，卷积神经网络(convolutional neural network；CNN)主管多层卷积过滤器。在顶部通常附加有多层感知器的较低层处执行池化，并且可解决非线性，从而将由卷积层提取的顶部层特征映射到决策(例如，分类输出)。

递归神经网络(recurrent neural network；RNN)是另一类型的机器学习模型。递归神经网络模型被设计为解释一系列输入，其中输入本质上彼此有关，例如，时间跟踪数据、顺序数据等。RNN的感知器的输出作为输入反馈到感知器中以产生下一输出。

深度学习是使用多层非线性处理单元的级联用于特征提取及变换的一类机器学习算法。每个相继层使用来自先前层的输出作为输入。深度神经网络可以受监督(例如，分类)和/或未监督(例如，模式分析)方式学习。深度神经网络包括层的层级结构，其中不同层学习对应于不同提取级别的不同表示级别。在深度学习中，每个级别学习将其输入数据变换为略微更抽象和复合的表示。在图像识别应用中，例如，原始输入可能是像素矩阵；第一表示层可抽象像素并且编码边缘；第二层可构成并且编码边缘的布置；第三层可编码较高级别形状(例如，牙齿、嘴唇、牙龈等)；以及第四层可识别扫描角色。值得注意的是，深度学习过程可以自己学习哪些特征最佳地放置在哪个级别。“深度学习”中的“深度”指数据变换所穿过的层的数量。更精确地，深度学习系统具有实质信用分配路径(credit assignmentpath；CAP)深度。CAP是从输入到输出的变换链。CAP描述了输入与输出之间的潜在因果关系。针对前馈神经网络，CAP的深度可以是网络深度并且可以是隐藏层的数量加一。对于其中信号可穿过层传播大于一次的递归神经网络，CAP深度潜在地不受限制。

在一些实施例中，预测部件114接收当前传感器数据146、当前计量数据166和/或当前制造参数154，执行信号处理以将当前数据分解为当前数据集合，将当前数据集合作为输入提供到经训练的模型190，以及从经训练模型190的获得指示经训练模型预测数据168的输出。在一些实施例中，预测部件114接收基板的计量数据(例如，基于传感器数据预测的计量数据)并且将计量数据提供到经训练模型190。例如，当前传感器数据146可包括指示基板的计量(例如，几何形状)的传感器数据。

在一些实施例中，结合模型190(例如，受监督的机器学习模型、无监督的机器学习模型等)论述的各种模型可组合成一个模型(例如，综合模型)，或可以是分离的模型。各种模型(包括启发式模型、基于规则的模型、机器学习模型、统计模型等)可包括在综合分析模型中。

数据可在模型190中包括的若干不同模型、预测部件114等之间来回传递。在一些实施例中，一些或所有这些操作可替代地由不同装置执行，例如，客户端装置120、服务器机器170、服务器机器180等。本领域普通技术人员将理解，数据流的变化、哪些部件执行哪些处理、哪些模型设有哪些数据、及类似者是在本公开的范围内。

数据存储器140可以是存储器(例如，随机存取存储器)、驱动器(例如，硬驱动器、闪速驱动器)、数据库系统、云可访问存储器系统、或能够存储数据的其他类型的部件或装置。数据存储器140可包括可跨越多个计算装置(例如，多个服务器计算机)的多个存储部件(例如，多个驱动器或多个数据库)。数据存储器140可存储传感器数据142、制造参数150、计量数据160、长期数据164、及预测数据168。

传感器数据142可包括在制造工艺的持续时间内的传感器数据时间迹线、数据与物理传感器的关联、预处理的数据(诸如平均值及复合数据)、及指示随着时间的(亦即，制造工艺的)传感器性能的数据。制造参数150及计量数据160可含有类似特征，例如，历史计量数据及当前计量数据。历史传感器数据、历史计量数据、及历史制造参数可以是历史数据(例如，这些数据的至少一部分可用于训练模型190)。当前传感器数据146及当前计量数据可以是当前数据(例如，在历史数据之后，至少一部分将输入学习模型190)，对此将产生预测数据168(例如，用于执行校正动作)。

在一些实施例中，预测系统110进一步包括服务器机器170及服务器机器180。服务器机器170包括数据集生成器172，所述数据集生成器能够产生数据集(例如，数据输入集合及目标输出集合)以训练、验证、和/或测试模型190，包括一个或多个机器学习模型。数据集生成器172的一些操作在下文关于图2及图4A详细描述。在一些实施例中，数据集生成器172可将历史数据划分为训练集合(例如，历史数据的60％)、验证集合(例如，历史数据的20％)、及测试集合(例如，历史数据的20％)。

在一些实施例中，预测系统110(例如，经由预测部件114)产生特征的多个集合。例如，第一特征集合可对应于传感器数据的类型的第一集合(例如，来自传感器的第一集合、来自传感器的第一集合的值的第一组合、在来自传感器的第一集合的值中的第一模式)。特征的第一集合的数据可包括对应于数据集(例如，训练集合、验证集合、及测试集合)的每一者的数据。特征的第二集合可对应于传感器数据的类型的第二集合(例如，来自与传感器的第一集合不同的传感器的第二集合、与第一组合不同的值的第二组合、与第一模式不同的第二模式)，所述传感器数据对应于数据集的每一者。

服务器机器180包括训练引擎182、验证引擎184、选择引擎185、和/或测试引擎186。引擎(例如，训练引擎182、验证引擎184、选择引擎185、及测试引擎186)可指硬件(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可能能够使用与来自数据集生成器172的训练集合相关联的特征的一个或多个集合来训练模型190。训练引擎182可产生多个经训练的模型190，其中每个经训练的模型190对应于训练集合的特征的相异集合(例如，来自传感器的相异集合的传感器数据)。例如，第一经训练的模型可能已经使用所有特征(例如，X1-X5)训练，第二经训练的模型可能已经使用特征的第一子集(例如，X1、X2、X4)训练，并且第三经训练的模型可能已经使用特征的第二子集(例如，X1、X3、X4、及X5)训练，所述第二子集可与特征的第一子集部分重叠。数据集生成器172可接收第一模型的输出并且使用该输出作为第二模型的训练输入。

验证引擎184可能能够使用来自数据集生成器172的验证集合的特征的对应集合来验证经训练的模型190。例如，使用训练集合的特征的第一集合训练的第一经训练的机器学习模型190可使用验证集合的特征的第一集合来验证。验证引擎184可基于验证集合的特征的对应集合来确定经训练的模型190的每一者的准确性。验证引擎184可丢弃具有不满足阈值准确性的准确性的经训练的模型190。在一些实施例中，选择引擎185可能能够选择具有满足阈值准确性的准确性的一个或多个经训练的模型190。在一些实施例中，选择引擎185可能能够选择具有经训练的模型190的最高准确性的经训练的模型190。

测试引擎186可能能够使用来自数据集生成器172的测试集合的特征的对应集合来测试经训练的模型190。例如，使用训练集合的特征的第一集合训练的第一经训练的机器学习模型190可使用测试集合的特征的第一集合测试。测试引擎186可基于测试集合来确定具有所有经训练的模型的最高准确性的经训练的模型190。

在机器学习模型的情况下，模型190可指由训练引擎182使用包括数据输入及对应目标输出(相应训练输入的正确回答)的训练集合创建的模型伪影。可以发现在数据集中将数据输入映射到目标输出(正确回答)的模式并且向机器学习模型190提供捕获这些模式的映射。机器学习模型190可使用下列中的一个或多个：支持向量机器(Support VectorMachine；SVM)、径向基函数(Radial Basis Function；RBF)、聚类、受监督的机器学习、半监督的机器学习、无监督的机器学习、k最近邻算法(k-Nearest Neighbor algorithm；k-NN)、线性回归、随机森林、神经网络(例如，人工神经网络、递归神经网络)等。

预测部件114可将当前数据提供到模型190并且可对输入运行模型190以获得一个或多个输出。例如，预测部件114可将当前传感器数据146提供到模型190并且可对输入运行模型190以获得一个或多个输出。预测部件114可能能够从模型190的输出确定(例如，提取)预测数据168。预测部件114可从输出确定(例如，提取)置信度数据，所述置信度数据指示预测数据168是与用于在当前传感器数据146和/或当前制造参数下使用制造设备124生产或待生产的产品的输入数据相关联的过程的准确预测器的置信度级别。预测部件114或校正动作部件122可使用置信度数据来基于预测数据168确定是否致使与制造设备124相关联的校正动作。

置信度数据可包括或指示预测数据168是对与输入数据的至少一部分相关联的产品或部件的准确预测的置信度级别。在一个示例中，置信度级别是在0与1(包括0与1)之间的实数，其中0指示没有其中预测数据168是对于根据输入数据或制造设备124的部件的部件健康状况处理的产品的准确预测的置信度，并且1指示其中预测数据168准确地预测根据输入数据或制造设备124的部件的部件健康状况处理的产品的性质的绝对置信度。响应于针对预定数量的实例指示置信度级别低于阈值级别的置信度数据(例如，实例的百分比、实例的频率、实例的总数等)，预测部件114可致使再训练经训练的模型190(例如，基于当前传感器数据146、当前制造参数等)。在一些实施例中，再训练可包括利用历史数据产生一个或多个数据集(例如，经由数据集生成器172)。

出于说明而非限制的目的，本公开的方面描述了使用历史数据训练一个或多个机器学习模型190并且将当前数据输入一个或多个经训练的机器学习模型以确定预测数据168。在其他实施例中，启发式模型、基于物理的模型、统计模型、或基于规则的模型用于确定预测数据168(例如，不使用经训练的机器学习模型的情况)。在一些实施例中，此种模型可使用历史数据训练。在一些实施例中，这些模型可利用历史数据再训练。预测部件114可监测历史传感器数据144、历史制造参数、及计量数据160。可监测或以其他方式在启发式、基于物理、或基于规则的模型中使用关于图2的数据输入210A描述的信息的任一者。

在一些实施例中，客户端装置120、预测服务器112、服务器机器170、及服务器机器180的功能可通过较少数量的机器来提供。例如，在一些实施例中，服务器机器170及180可集成到单个机器中，而在一些其他实施例中，服务器机器170、服务器机器180、及预测服务器112可集成到单个机器中。在一些实施例中，客户端装置120及预测服务器112可整合到单个机器中。在一些实施例中，客户端装置120、预测服务器112、服务器机器170、服务器机器180、及数据存储器140的功能可通过基于云的服务执行。

一般而言，若适用，在一个实施例中描述为由客户端装置120、预测服务器112、服务器机器170、及服务器机器180执行的功能也可以在其他实施例中在预测服务器112上执行。此外，属于特定部件的功能性可以通过一起操作的不同或多个部件执行。例如，在一些实施例中，预测服务器112可基于预测数据168来确定校正动作。在另一示例中，客户端装置120可基于来自经训练的机器学习模型的输出来确定预测数据168。

此外，特定部件的功能可以通过一起操作的不同或多个部件执行。预测服务器112、服务器机器170、或服务器机器180的一个或多个可作为服务受到访问，所述服务经由适当的应用编程接口(application programming interface；API)提供到其他系统或装置。

在实施例中，“用户”可表示为单个个体。然而，本公开的其他实施例涵盖“用户”是通过多个用户和/或自动化源控制的实体。例如，作为一组管理员联合的个体用户集合可被认为是“用户”。

本公开的实施例可应用于数据质量评估、特征增强、模型评估、虚拟计量(VirtualMetrology；VM)、预测维护(Predictive Maintenance；PdM)、限制优化、过程控制、或类似者。

图2描绘了示例数据集生成器272(例如，图1的数据集生成器172)的框图。数据集生成器272可用于创建数据集，所述数据集用于模型(例如，图1的模型190)的训练、测试、验证等。数据集生成器272可用于为机器学习模型创建数据集。数据集生成器272可用于为基于物理的模型、统计模型、或类似者创建数据集。数据集生成器272可用于产生数据集以选择、验证、和/或测试基于规则的模型的规则。综合分析模块可包括多个数据集生成器。每个数据集生成器272可以是图1的服务器机器170的一部分。在一些实施例中，可训练、使用、及维护(例如，在制造设施内)与制造设备124相关联的若干机器学习模型。每个机器学习模型可与一个数据集生成器272相关联，多个机器学习模型可共享数据集生成器272等。

图2描绘了包括用于为一个或多个受监督模型创建数据集的数据集生成器272的系统200。数据集生成器272可使用历史数据创建数据集(例如，数据输入210、目标输出220)。在一些实施例中，与数据集生成器272类似的数据集生成器可用于训练无监督的机器学习模型，例如，目标输出220可能不由数据集生成器272产生。无监督的模型可用于异常检测、离群值检测、结果聚类、或类似者。受监督的模型可用于产生在输入与输出数据之间的关联，诸如使用长期数据中的模式以产生指示推荐的校正动作的预测数据。

数据集生成器272可产生数据集来训练、测试、及验证模型。在一些实施例中，数据集生成器272可为机器学习模型产生数据集。在一些实施例中，数据集生成器272可产生数据集，所述数据集用于训练、测试、和/或验证配置为产生预测数据222的模型。机器学习模型设有长期数据264A的集合作为数据输入210。在一些实施例中，根据用于与数据集相关联的模型的目标应用，可将不同数据产生为数据输入210。数据输入210可包括配方数据、制造参数数据、制造硬件数据、传感器数据、计量数据等。

在一些实施例中，数据集生成器272产生包括一个或多个数据输入210(例如，训练输入、验证输入、测试输入)的数据集(例如，训练集合、验证集合、测试集合)。可将数据输入210提供到训练引擎182、验证引擎184、或测试引擎186。数据集可用于训练、验证、或测试模型(例如，图1的模型190)。

在一些实施例中，数据输入210可包括一个或多个数据集合。作为一示例，系统200可产生传感器数据集合，所述传感器数据集合可包括来自一种或多种类型的传感器的一个或多个传感器数据、来自一种或多种类型的传感器的传感器数据的组合、来自一种或多种类型的传感器的传感器数据的模式等。

在一些实施例中，数据集生成器272可产生对应于长期数据264A的第一集合的第一数据输入以训练、验证、或测试第一机器学习模型。数据集生成器272可产生对应于历史长期数据264Z的第二集合的第二数据输入以训练、验证、或测试第二机器学习模型。

在一些实施例中，数据集生成器272产生包括一个或多个数据输入210(例如，训练输入、验证输入、测试输入)的数据集(例如，训练集合、验证集合、测试集合)并且可包括对应于数据输入210的一个或多个目标输出220。数据集也可包括将数据输入210映射到目标输出220的映射数据。

在一些实施例中，数据集生成器272可为配置为执行故障检测分类的机器学习模型产生数据集。故障检测分类模型可使用历史数据(例如，长期数据)训练。故障检测分类模型可配置为接收当前数据并且确定当前数据是否指示异常行为。故障检测分类模型可将当前数据与历史数据进行比较。故障检测分类模型可将历史传感器数据与当前传感器数据进行比较。故障检测分类模型可检测制造过程中的改变，所述改变原本不会被其他方法检测到，诸如统计度量。例如，故障检测分类模型可对在总体统计中可能无法观察到时间偏移、斜坡率等敏感。

在一些实施例中，数据集生成器272可为配置为执行异常检测的机器学习模型产生数据集。异常检测模型可以是无监督的模型。数据集生成器272可能不产生目标输出220来训练、测试、或验证无监督的异常检测模型。与历史数据相比的当前数据中的改变、或长期数据中的趋势可通过异常检测模型检测。来自预处理阶段的数据(例如，配方数据、硬件参数数据、设备常数数据)的异常可使用异常检测模型检测。来自处理阶段的数据(例如，与处理基板相关联的跟踪数据)的异常可使用异常检测模型检测。在许多处理过程中的数据(例如，长期数据)的异常可使用异常检测模型检测。

数据输入210也可被称为“特征”、“属性”、或“信息”。在一些实施例中，数据集生成器272可将数据集提供到训练引擎182、验证引擎184、或测试引擎186，其中数据集用于训练、验证、或测试机器学习模型。

用于训练、验证、或测试机器学习模型的数据输入210可包括用于特定制造腔室(例如，用于特定基板制造设备)的信息。目标输出220可类似地包括与特定制造腔室相关联的信息。在一些实施例中，数据输入210可包括用于具体类型的制造设备(例如，共享具体特性的制造设备)的信息。数据输入210可包括与某一类型的装置相关联的数据，例如，意欲的功能、设计、利用特定配方生产等。目标输出220可与类似数据群组类似地相关联。基于设备、装置、配方等的类型训练机器学习模型可允许经训练的模型在数个设置中(例如，针对数个不同的设施、产品等)产生似真输出。

在一些实施例中，在产生数据集并且使用数据集训练、验证、或测试机器学习模型之后，模型可被进一步训练、验证、或测试，或被调整。调整模型可包括调整与模型的输入数据相关联的权重或参数，诸如神经网络中的连接权重。

图3是根据一些实施例的示出用于产生输出数据(例如，图1的预测数据168)的系统300的框图。在一些实施例中，系统300可与配置为产生预测数据的机器学习模型结合使用。在一些实施例中，系统300可与机器学习模型结合使用以确定与制造设备相关联的校正动作。在一些实施例中，系统300可与机器学习模型结合使用以确定制造设备的故障。在一些实施例中，系统300可与机器学习模型结合使用以聚类或分类基板。系统300可与制造系统相关联的机器学习模型结合使用，所述机器学习模型具有与列出的那些不同的功能。系统300可与其他模型一起使用，用于训练、测试、及使用模型，诸如统计模型或基于物理的模型。

在框310，系统300(例如，图1的预测系统110的部件)执行将在训练、验证、和/或测试机器学习模型中使用的数据的数据划分(例如，经由图1的服务器机器170的数据集生成器172)。在一些实施例中，训练数据364包括历史数据，诸如历史计量数据、历史分类数据(例如，产品是否满足性能阈值的分类)、历史显微图像数据、长期数据等。训练数据364可在框310经历数据划分以产生训练集合302、验证集合304、及测试集合306。例如，训练集合可以是训练数据的60％，验证集合可以是训练数据的20％，并且测试集合可以是训练数据的20％。

训练集合302、验证集合304、及测试集合306的产生可针对特定应用定制。例如，训练集合可以是训练数据的60％，验证集合可以是训练数据的20％，并且测试集合可以是训练数据的20％。系统300可产生用于训练集合、验证集合、及测试集合的每一者的特征的多个集合。例如，若训练数据364包括传感器数据，包括从来自20个传感器(例如，图1的传感器126)的传感器数据及10个制造参数(例如，与来自20个传感器的传感器数据相同的处理运行对应的制造参数)导出的特征，传感器数据可分为包括传感器1-10的特征的第一集合及包括传感器11-20的特征的第二集合。制造参数也可分为多个集合。例如，制造参数可分为包括参数1-5的制造参数的第一集合及包括参数6-10的制造参数的第二集合。训练输入、目标输出、两者、或两者皆不被分为多个集合。多个模型可在数据的不同集合上受到训练。

在框312，系统300使用训练集合302执行模型训练(例如，经由图1的训练引擎182)。机器学习模型的训练和/或基于物理的模型(例如，数字孪生)的训练可以受监督的学习方式实现。受监督的学习涉及将包括经标记的输入的训练数据集提供到模型，观察其输出，定义误差(通过测量在输出与标记值之间的差)，以及使用技术(诸如梯度下降及反向传播)以调谐模型的权重，使得误差最小化。在许多应用中，在训练数据集中的许多经标记的输入中重复此处理产生模型，所述模型可以在被提供了与训练数据集中存在的输入不同的输入时产生正确的输出。在一些实施例中，机器学习模型的训练可以无监督的方式实现，例如，可不在训练期间供应标记或分类。无监督的模型可配置为执行异常检测、结果聚类等。

对于训练数据集中的每个训练数据项，训练数据项可被输入模型(例如，机器学习模型)中。模型可随后处理输入训练数据项以产生输出。输出可包括预测数据。输出可包括推荐的校正动作。输出可包括推荐的进一步调查。输出可包括故障检测分类。输出可与训练数据项的标记(例如，校正分类、校正动作、或类似者)进行比较。

处理逻辑可随后将所产生的输出(例如，推荐的校正动作)与包括在训练数据项中的标记(例如，用于校正故障的有效校正动作)进行比较。处理逻辑基于在输出与标记之间的差异来确定误差(亦即，分类误差)。处理逻辑基于误差来调整模型的一个或多个权重和/或值。

在训练神经网络的情况下，可针对人工神经网络中的每个节点来确定误差项或增量。基于此误差，人工神经网络针对一个或多个其节点调整一个或多个其参数(针对节点的一个或多个输入的权重)。参数可以反向传播方式更新，使得首先更新最高层处的节点，接着更新下一层处的节点，并且依此类推。人工神经网络含有多层“神经元”，其中每个层从先前层处的神经元接收作为输入值。用于每个神经元的参数包括与从先前层处的神经元的每一者接收的值相关联的权重。由此，调整参数可包括针对人工神经网络中的一个或多个层处的一个或多个神经元调整分配给输入的每一者的权重。

系统300可使用训练集合302的特征的多个集合(例如，训练集合302的特征的第一集合、训练集合302的特征的第二集合等)来训练多个模型。例如，系统300可训练模型以使用训练集合中的特征的第一集合(例如，来自传感器1-10的传感器数据、计量测量1-10等)产生第一经训练的模型。系统300可使用训练集合中的特征的第二集合(例如，来自传感器11-20的传感器数据、计量测量11-20等)产生第二经训练的模型。在一些实施例中，可组合第一经训练的模型和第二经训练的模型以产生第三经训练的模型(例如，其可以是与第一或第二经训练的模型自身相比更佳的预测器)。在一些实施例中，在比较模型中使用的特征的集合可重叠(例如，特征的第一集合是来自传感器1-15的传感器数据，并且特征的第二集合是来自传感器5-20的传感器数据)。在一些实施例中，可产生数百个模型，包括具有特征的各种排列的模型及模型的组合。

在框314，系统300使用验证集合304执行模型验证(例如，经由图1的验证引擎184)。系统300可使用验证集合304的特征的对应集合来验证经训练的模型的每一者。例如，系统300可使用在验证集合中的特征的第一集合(例如，来自传感器1-10的传感器数据或计量测量1-10)来验证第一经训练的模型，并且使用验证集合中的特征的第二集合(例如，来自传感器11-20的传感器数据或计量测量11-20)来验证第二经训练的模型。在一些实施例中，系统300可验证在框312产生的数百个模型(例如，具有特征的各个排列的模型、模型的组合等)。在框314，系统300可确定一个或多个经训练模型的每一者的准确性(例如，经由模型验证)并且可确定一个或多个经训练模型是否具有满足阈值准确性的准确性。响应于确定经训练模型皆不具有满足阈值准确性的准确性，流程返回到框312，此处系统300使用训练集合的特征的不同集合来执行模型训练。响应于确定一个或多个经训练模型具有满足阈值准确性的准确性，流程继续到框316。系统300可丢弃具有低于阈值准确性的准确性的经训练模型(例如，基于验证集合)。

在框316，系统300执行模型选择(例如，经由图1的选择引擎185)以确定满足阈值准确性的一个或多个经训练模型中的哪个具有最高准确性(例如，所选择模型308，基于在框314的验证)。响应于确定满足阈值准确性的两个或多个经训练模型具有相同准确性，流程可返回到框312，此处系统300使用对应于进一步细化的特征的集合的进一步细化的训练集合执行模型训练，用于确定具有最高准确性的经训练模型。

在框318，系统300使用测试集合306执行模型测试(例如，经由图1的测试引擎186)以测试所选择模型308。系统300可使用测试集合中的特征的第一集合(例如，来自传感器1-10的传感器数据)来测试第一经训练的模型以确定第一经训练的模型满足阈值准确性(例如，基于测试集合306的特征的第一集合)。响应于所选择模型308的准确性不满足阈值准确性，流程继续到框312，此处系统300使用与不同的特征的集合(例如，来自不同传感器的传感器数据)相对应的不同训练集合执行模型训练(例如，再训练)。归因于所选择模型与训练和/或验证集合过度拟合，所选择模型的准确性可能不满足阈值准确性。归因于所选择模型308不可应用于其他数据集，诸如测试集合306，所选择模型308的准确性可能不满足阈值准确性。响应于基于测试集合306来确定所选择模型308具有满足阈值准确性的准确性，流程继续到框320。在至少框312中，模型可学习训练数据中的模式以进行预测，并且在框318中，系统300可将模型应用于剩余数据(例如，测试集合306)以测试预测。

在框320，系统300使用经训练模型(例如，所选择模型308)以接收当前数据346(例如，当前传感器数据)并且从经训练模型的输出确定(例如，提取)预测数据368。与图1的制造设备124相关联的校正动作可根据预测数据368执行。在一些实施例中，当前数据346可对应于用于训练机器学习模型的历史数据中的相同类型的特征。在一些实施例中，当前数据346对应于用于训练所选择模型308的历史数据中的特征类型的子集(例如，可使用数个计量测量训练机器学习模型，并且所述机器学习模型配置为基于计量测量的子集产生输出)。

在一些实施例中，由系统300训练、验证、及测试的机器学习模型的性能可能劣化。例如，与经训练的机器学习模型相关联的制造系统可经历逐步改变或突然改变。制造系统的改变可导致经训练的机器学习模型的性能降低。可产生新模型来替换具有降低的性能的机器学习模型。可通过再训练更改旧模型、通过产生新模型等，来产生新模型。

可通过将额外数据提供到训练引擎来执行更新机器学习模型。替代或除了训练数据364之外，可将经更新的长期数据360提供到训练引擎。经更新的长期数据360可包括从基板处理操作收集的额外数据，所述基板处理操作是在训练待更新的机器学习模型之后执行的。

在一些实施例中，动作310-320中的一个或多个可以各种次序发生和/或与本文未呈现及描述的其他动作一起发生。在一些实施例中，可能不执行动作310-320中的一个或多个。例如，在一些实施例中，可能不执行框310的数据划分、框314的模型验证、框316的模型选择、或框318的模型测试中的一个或多个。

图3描绘了配置为用于训练、验证、测试、及使用一个或多个机器学习模型的系统。机器学习模型配置为接受数据作为输入(例如，提供到制造设备的设定点、传感器数据、计量数据等)并且提供数据作为输出(例如，预测数据、校正动作数据、分类数据等)。可类似地执行划分、训练、验证、选择、测试、及使用系统300的区块以利用不同类型的数据训练第二模型。再训练也可利用当前数据346和/或更新的长期数据360完成。

图4A至图4C是根据某些实施例的与本公开的方面相关联的方法400A-C的流程图。方法400A-C可通过处理逻辑执行，所述处理逻辑可包括硬件(例如，电路系统、专用逻辑、可编程逻辑、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。在一些实施例中，方法400A-C可部分通过预测系统110执行。方法400A可部分由预测系统110(例如，图1的服务器机器170及数据集生成器172、图2A至图2B的数据集生成器272A-B)执行。根据本公开的实施例，预测系统110可使用方法400A来产生数据集以进行训练、验证、或测试机器学习模型中的至少一者。方法400B-C可由预测服务器112(例如，预测部件114)和/或服务器机器180执行(例如，训练、验证、及测试操作可由服务器机器180执行)。在一些实施例中，非暂时性机器可读存储介质存储指令，所述指令在由(例如，预测系统110、服务器机器180、预测服务器112等的)处理装置执行时，致使处理装置执行方法400A-C中的一个或多个。

为了简单解释，将方法400A-C描绘且描述为一系列操作。然而，根据本公开的操作可以各种次序和/或同时发生，并且与在本文中未呈现及描述的其他操作一起发生。此外，实现根据所公开主题的方法400A-C可不执行所有示出的操作。此外，本领域技术人员将理解及认识到，方法400A-C可以替代地经由状态图或事件表示为一系列相互关联的状态。

图4A是根据一些实施例的用于生成用于机器学习模型的数据集的方法400A的流程图。参见图4A，在一些实施例中，在框401，实施方法400A的处理逻辑将训练集合T初始化为空集。

在框402，处理逻辑产生第一数据输入(例如，第一训练输入、第一验证输入)，所述第一数据输入可包括传感器、制造参数、计量数据等中的一个或多个。在一些实施例中，第一数据输入可包括用于数据类型的特征的第一集合，并且第二数据输入可包括用于数据类型的特征的第二集合(例如，如关于图3描述)。在一些实施例中，输入数据可包括历史数据和/或合成数据。

在一些实施例中，在框403，处理逻辑可选地产生针对一个或多个数据输入(例如，第一数据输入)的第一目标输出。在一些实施例中，输入包括传感器数据并且输出包括异常检测。在一些实施例中，输入包括长期数据并且输出包括故障检测分类。在一些实施例中，输入包括长期数据和/或传感器数据并且输出包括一个或多个推荐的校正动作。在一些实施例中，如在配置为识别故障制造系统的机器学习模型的情况下，输入数据是以传感器数据的形式并且目标输出是可能会故障的部件的列表。在一些实施例中，不产生目标输出(例如，能够分组或发现输入数据中的相关性、而不是要求提供目标输出的无监督的机器学习模型)。

在框404，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)可指数据输入(例如，本文描述的一个或多个数据输入)、针对数据输入的目标输出、以及在数据输入与目标输出之间的关联。在一些实施例中，诸如与其中不提供目标输出的机器学习模型关联，可能不执行框404。

在框405，在一些实施例中，处理逻辑将在框404产生的映射数据添加到数据集T。

在框406，处理逻辑基于数据集T是否足够用于进行训练、验证、和/或测试机器学习模型(诸如图1的模型190)的至少一者来分支。若是，则执行进行到框407，否则，执行继续返回到框402。应当注意，在一些实施例中，数据集T的足够性可简单地基于数据集中的(在一些实施例中，映射到输出的)输入的数量来确定，而在一些其他实施例中，除了或替代输入的数量，数据集T的足够性可基于一个或多个其他准则(例如，数据示例的多样性的量度、准确性等)来确定。

在框407，处理逻辑提供数据集T(例如，到服务器机器180)以训练、验证、和/或测试机器学习模型190。在一些实施例中，数据集T是训练集合并且提供到服务器机器180的训练引擎182以执行训练。在一些实施例中，数据集T是验证集合并且提供到服务器机器180的验证引擎184以执行验证。在一些实施例中，数据集T是测试集合并且提供到服务器机器180的测试引擎186以执行测试。在神经网络的情况下，例如，将给定输入/输出映射的输入值(例如，与数据输入210相关联的数值)输入到神经网络，并且将输入/输出映射的输出值(例如，与目标输出220相关联的数值)存储在神经网络的输出节点中。随后根据学习算法(例如，反向传播等)调整神经网络中的连接权重，并且针对数据集T中的其他输入/输出映射重复该过程。在框407之后，模型(例如，模型190)可以是使用服务器机器180的训练引擎182训练、使用服务器机器180的验证引擎184验证、或使用服务器机器180的测试引擎186测试中的至少一者。经训练的模型可通过(预测服务器112的)预测部件114实施以产生预测数据168，用于执行信号处理、或用于执行与制造设备124相关联的校正动作。

图4B是根据一些实施例的用于使用综合分析模块来执行校正动作的方法400B的流程图。在框410，处理逻辑接收指示处理配方的第一数据。第一数据可包括配方步骤。在使用配方处理任何基板之前，可产生第一数据、通过处理装置接收第一数据等。第一数据可以是与制造的预处理阶段相关联的数据。与制造的预处理阶段相关联的其他数据可进一步提供到处理装置。来自制造的预处理阶段的其他数据可包括工具或腔室的设备常数、制造参数、目标基板性质等。

在框412，处理逻辑接收第二数据。第二数据包括与处理配方相关联的操作数据。第二数据可与制造的处理阶段相关联。第二数据可与一个或多个具体处理过程、操作、或类似者相关联。第二数据可以是传感器数据。第二数据可以是跟踪数据。第二数据可以是在腔室实行处理配方时从处理腔室收集的数据。

在框414，处理逻辑接收第三数据。第三数据包括与处理配方相关联的历史数据。第三数据可包括来自数个经处理基板的数据。第三数据可包括来自大量经处理基板、在大的时间跨度上处理的基板等的数据。第三数据可以是长期数据。第三数据可与第二数据类似，例如，可包括时间跟踪数据。第三数据可与第二数据不同，例如，可包括统计度量、压缩数据、概述数据、或类似者。第三数据可包括基板计量数据、基板性能数据等。

在框416，处理逻辑基于第一数据、第二数据、和第三数据产生指示处理腔室的性能的输出。产生输出可包括将数据提供到综合分析模块。产生输出可包括将数据提供到一个或多个模型。产生输出可包括将数据提供到一个或多个机器学习模型、一个或多个基于规则的模型、一个或多个统计模型、一个或多个物理模型等。

产生输出可包括将数据与一个或多个BKM进行比较。第一数据可与BKM进行比较。配方数据可与BKM进行比较(例如，配方检查)。设备常数可与BKM进行比较(例如，设备常数监测)。硬件参数可与BKM进行比较。产生输出可包括将第一数据和与处理配方相关联的多个规则进行比较。可在处理配方用于处理基板之前执行将第一数据与规则进行比较。

产生输出可包括执行操作窗口分析。操作窗口分析包括执行一个或多个时间窗口内的数据点的统计分析。一个或多个时间窗口可具有不同持续时间。统计分析可与阈值进行比较。一个或多个统计度量是否满足一个或多个阈值条件可用于确定是否推荐校正动作、推荐哪个校正动作等。结合图6更详细描述操作窗口分析。

产生输出可包括对第二数据执行一个或多个测试。可在基板已经使用处理配方处理之后执行测试。可在已经使用处理配方处理第一数量的基板之后执行测试。测试可包括将跟踪数据与历史跟踪数据进行比较、将其他制造数据与历史数据进行比较等。

产生输出可包括对第三数据执行一个或多个测试。第三数据可与处理大量基板相关联(例如，与比第二数据更多的基板相关联)。测试第三数据可包括将第三数据提供到统计模型。测试第三数据可包括将第三数据提供到机器学习模型。测试第三数据可包括检查第三数据的离群值。测试第三数据可包括检查与基板处理相关联的统计度量，例如，用于统计处理控制。测试第三数据可包括检查数据的变化、异常、和/或漂移，例如，用于故障检测分类。

在框418，处理逻辑致使根据产生的输出执行校正动作。致使执行校正动作可包括将警告提供给用户。致使执行校正动作可包括在用户界面上显示视觉表示。致使执行校正动作可包括显示第一数据的视觉表示。致使执行校正动作可包括显示第二数据的视觉表示。致使执行校正动作可包括显示第三数据的视觉表示。致使执行校正动作可包括显示输出的视觉表示。致使执行校正动作可包括产生识别异常处理腔室行为的代码。代码可以是视觉代码，诸如条形码、QR码、或类似者。代码可用于使得用户能够快速查看异常行为的视觉表示。代码可用于使得用户能够快速查看腔室性能的视觉表示。结合图7发现对示例用户界面的额外描述。

在一些实施例中，可能不执行方法400B的一个或多个操作。校正动作可基于第一数据、第二数据、和第三数据的子集执行。响应于通过综合分析模块接收配方数据，可在产生操作数据之前执行校正动作。配方检查操作可推荐一个或多个配方更新，例如，在配方运行之前。响应于通过综合分析模块接收操作数据，可在累积长期(例如，历史)数据之前执行校正动作。可基于少量基板处理过程的操作数据执行一个或多个校正动作。可基于对第一数据(例如，预处理阶段数据)、第二数据(例如，操作数据、处理阶段数据)和第三数据(例如，历史数据、长期阶段数据)的任何组合的分析来执行和/或推荐校正动作。

图4C是根据一些实施例的用于利用综合分析模块来执行校正动作的方法400C的流程图。在框420，处理逻辑接收第一数据，其中第一数据包括处理配方。在框421，处理逻辑对处理配方执行第一分析。分析包括将配方与关于处理配方的一个或多个BKM进行比较。可在使用处理配方之前执行对处理配方的分析，例如，在根据处理配方处理基板之前执行。可通过将第一数据提供到综合分析模块来执行第一分析。可通过将第一数据提供到一个或多个模型来执行第一分析。

在框422，处理逻辑接收第二数据。第二数据包括使用处理配方从第一数量的处理运行产生的操作数据。操作数据可包括传感器数据。操作数据可包括关于处理条件的数据，诸如温度、压力、RF功率等。操作数据可包括关于基板处理的数据，诸如腔室中计量数据、计量代理等。在框423，处理逻辑对第二数据执行第二分析。执行第二分析可包括将第二数据提供到综合分析模块。执行第二分析可包括将第二数据提供到一个或多个模型。执行第二分析可包括将第二数据提供到一个或多个机器学习模型。

在框424，处理逻辑接收第三数据。第三数据包括使用处理配方从第二数量的处理运行产生的操作数据。操作数据可包括传感器数据、制造数据等。操作数据可包括经处理的数据，诸如概括的传感器数据、与传感器数据相关联的统计度量、简化的传感器数据等。处理运行的第二数量大于处理运行的第一数量。第三数据可在许多处理运行的过程中监测处理腔室的性能。在一些实施例中，第三数据可对应于在与第二数据相比更长的时间跨度上收集的数据。第三数据可对应于在较长时间跨度上处理的基板的子集，例如，在一些实施例中可少于第二数据的基板。第三数据可包括长期数据。

在框425，处理逻辑对第三数据执行第三分析。第三分析可包括将第三数据提供到综合分析模块。第三分析可包括将第三数据提供到一个或多个模型。第三分析可包括将第三数据提供到一个或多个机器学习模型。第三分析可包括统计处理控制分析、故障检测分类等。

在框426，处理逻辑致使根据第一分析、第二分析、和第三分析执行校正动作。校正动作可包括将警告提供给用户。校正动作可包括在图形用户界面上显示警告。校正动作可包括更新处理过程的方面，诸如处理配方、一个或多个设备常数、或类似者。校正动作可包括安排维护，诸如校正维护、预防维护、腔室季化、替换一个或多个部件等。校正动作可包括更新综合分析模块，诸如再训练一个或多个模型、更新一个或多个BKM等。

图5A描绘了根据一些实施例的经过自动综合分析模块的数据流。数据可通过来自处理工具502的综合分析模块504来接收。数据可包括配方数据、传感器数据、硬件数据等。可将数据从处理工具502自动地提供到分析模块504。自动地提供的数据可指示用户不选择提供到分析模块504的数据。自动地提供的数据可指示用户不执行除分析模块504的初始设置之外的促进从处理工具502到分析模块504的数据传送的动作。

分析模块504可执行可分为两组的任务：数据分析及显示。数据分析任务可通过分析运行器506执行。显示任务可通过分析仪表板508执行。分析运行器506及分析仪表板508的操作可彼此交互。例如，分析仪表板508可显示通过分析运行器506产生的输出，分析运行器506可执行通过分析模块504经由分析仪表板508从用户接收的任务等。

分析运行器506可包括用于从处理工具数据得出结论的一个或多个模型。分析运行器506可包括将数据与一个或多个BKM进行比较。将数据与BKM进行比较可以是简单的规则检查、若/则检查等。将数据与BKM进行比较可以本质上是统计的，例如，确保平均传感器值在目标阈值内。将数据与BKM进行比较可通过将数据提供到经训练的机器学习模型来执行。将数据与BKM进行比较可包括操作窗口分析。分析运行器506可产生预测数据。分析运行器506可产生基板的预测的计量数据。分析运行器506可将预测的计量数据与测量的计量数据进行比较。分析运行器506可产生工具、腔室、或部件性能的一个或多个报告。分析运行器506可产生工具、腔室、或部件漂移的一个或多个报告。分析运行器506可产生队列性能、队列离群值、或队列漂移的一个或多个报告。分析运行器506可产生基板性能、基板异常、基板离群值等的一个或多个报告。分析运行器506可产生子系统性能的一个或多个报告。子系统可包括工具或腔室的有关部件，诸如温度控制子系统、气体递送子系统、RF递送子系统、或类似者。分析运行器506可产生一个或多个推荐的校正动作。分析运行器506可实施一个或多个校正动作。校正动作可包括将警告提供到用户、推荐的腔室维护、推荐的配方更新、推荐的设备常数更新、推荐的BKM更新(例如，若先前相信的对最佳实践的违反与新数据矛盾)等。

分析仪表板508可包括用户界面。分析仪表板508可向用户显示警告。分析仪表板508可从用户接受命令，诸如显示分析结果、显示一个或多个报告、请求分析运行器506执行额外分析等的命令。通过分析运行器506产生的报告的任一者可经由分析仪表板508显示。分析仪表板508可显示推荐的校正动作。分析仪表板508可显示腔室健康状况、队列健康状况、工具健康状况、或类似者的视觉指示。

图5B是根据一些实施例的描绘在综合分析模块中包括的各种分析类别的框图。综合分析模块的分析运行器510可被认为处理来自基板处理的三个阶段的数据：预处理阶段518、处理阶段519、及长期阶段520。每个处理阶段可对应于包括在分析运行器510中的一种或多种类型的分析。预处理阶段518可包括不需要基板处理操作数据的分析，例如，配方检查。处理阶段519可包括来自一个或多个基板处理操作的分析依赖数据。长期阶段520可包括关于许多基板处理过程、在时间跨度上的基板处理过程、或类似者的一个或多个分析。在一些实施例中，分析模块可被认为以三种方式查看数据。分析模块可被认为分析配方数据(例如，可在处理任何基板之前检查的数据)。分析模块可被认为分析操作数据(例如，可在处理一个或几个基板之后检查的数据)。分析模块可被认为分析长期数据(例如，可关于处理腔室的长期漂移、历史数据分析等的基于处理许多基板的数据)。在一些实施例中，分析模块可确定违反BKM、异常、漂移、操作窗口违反等。在确定故障、问题、或异常行为之后，分析模块可致使校正动作，诸如安排维护、安排软件更新、更新处理配方、安排计量或产品或设备的其他检查等。

与基板预处理阶段518相关联的分析运行器510的操作可包括设备常数监测511及配方检查512。与基板预处理阶段518相关联的分析运行器510的操作可包括处理模型化541。设备常数监测511包括检查设置以及与处理工具相关联的常数。设备常数可包括值、参数、设置、或类似者。设备常数可确定处理腔室如何控制硬件部件。设备常数可确定处理腔室如何解释配方数据。例如，设备常数可控制将多少功率供应到加热器以达成目标温度、将致动器打开多少来达成目标气体流量、机器人多快地传送基板等。综合分析模块可接收指示设备常数的数据。综合分析模块可(例如，经由分析运行器510)将设备常数数据和与BKM相关联的规则或准则的集合进行比较。分析模块可供应推荐来更新不满足一个或多个规则或准则的设备常数。分析模块可供应推荐来更新与BKM不一致的设备常数。分析模块可将推荐的更新供应到BKM。

在一些实施例中，配方检查512可包括针对违反与BKM相关联的规则或准则的第二集合来检查输入配方。例如，可理解，不应当同时应用两种设置，例如，可能难以串行地改变温度及压力，此可能致使不一致的结果以将气体流量降低到某一值以下等。综合分析模块的配方检查操作可确保不违反与此种BKM相关联的规则及准则。配方检查及设备常数监测可包括若/则规则，例如，基于规则的分析。预处理阶段518分析可包括单变量规则，诸如若目标温度超过阈值，则配方是违反BKM。预处理阶段518分析可包括多变量规则，此种规则指示若满足第一条件，则应当监测第二条件。若满足第一条件及第二条件，则参数可以是违反BKM。多变量规则可包括更复杂的关系，包括一系列相互有关的条件。例如，第一变数的阈值可取决于第二变量的测量或目标值。多变量规则可延伸超出单个处理操作(例如，步骤)。多变量规则可关于先前或后续操作。第一处理操作的变量值可影响较早或较迟操作的阈值。第一处理操作的变量值可确定是否在较早或较迟操作中检查条件。

处理模型化541可基于来自预处理阶段541的数据执行。处理模型化541包括将预处理阶段518的数据提供到一个或多个模型，并且从模型接收输出。模型可包括统计模型。模型可包括机器学习模型。处理模型化541的模型可配置为接收预处理阶段518的数据作为输入并且提供预测数据作为输出。处理模型化541的输出可包括根据输入数据处理的基板的性质的估计。处理模型化541的输出可包括根据输入数据处理的基板的预测计量。处理模型化541的输出可包括根据输入数据处理的基板的预测性能。处理模型化541的输出可包括所得基板包括一个或多个目标缺陷的预测风险。处理模型化541的输出可包括所得基板的预测性质，诸如厚度、关键尺寸、折射率、消光系数等。

与处理阶段519相关联的操作可包括处理模型化541、条件513分析、尖峰514分析、和/或操作窗口515分析。处理模型化541可基于制造系统的操作数据执行。处理模型化541可利用与处理阶段519相关联的数据作为处理输入来执行。利用处理阶段519数据的处理模型化541可包括将操作数据(诸如传感器数据)提供到一个或多个模型。模型可包括统计模型、机器学习模型等。处理模型化541的模型可接收处理阶段519的数据作为输入并且产生与输入数据相关联的结果的预测作为输出。与通过处理模型化541基于预处理阶段518的数据产生的输出类似，处理模型化541的模型可基于输入的操作数据产生预测的基板性质。

与处理阶段519相关联的分析可基于制造系统的操作数据。操作数据可包括传感器数据、处理参数、配方设定点等。操作数据可包括来自通过处理系统控制的部件的传感器的数据。例如，操作数据可包括测量处理系统中的致动器位置的传感器。操作数据可包括来自与通过处理系统直接控制的部件不相关联的传感器的数据。例如，操作数据可包括测量处理系统中的温度或压力的传感器。条件检查513可与配方检查512共享一个或多个特征。条件检查513可包括基于规则的分析。条件检查513可验证在处理腔室或处理工具内的条件在可接受范围内。条件检查513可验证传感器测量满足一个或多个阈值条件。例如，高于或低于目标值的传感器测量可通过综合分析模块标识为异常。条件检查513可依赖于其他数据，例如，配方数据。条件检查513可验证传感器测量在目标性质值的阈值窗口内。

尖峰514分析可用于检测时间跟踪传感器数据中的尖峰行为。例如，尖峰行为(包括正及负尖峰)可指示硬件故障、或在处理腔室内的特定物理条件。例如，电弧可致使电能的尖峰。在一些实施例中，较简单的分析方法(例如，在处理操作的过程中检查值的平均值)可能不会揭示有问题行为，诸如尖峰。尖峰可在反射的功率、供应到部件(例如，静电夹盘)的电流等中观察到。尖峰可在任何传感器监测处理条件下观察到。

与处理阶段519相关联的操作可包括操作窗口515分析。在一些实施例中，操作窗口515分析可包括确保传感器在操作限制内执行。例如，可能(例如，经由BKM)知道传感器在其正常操作范围(例如，操作温度)的10％与90％之间时操作最佳。操作窗口515分析可检查各种部件的最佳操作窗口并且将其等与传感器数据进行比较。在一些实施例中，操作窗口515分析可确保受控变量不在限制之外，例如，确保阀未100％打开，例如，以保护阀不受损害等。在一些实施例中，操作窗口515分析可包括时间选通部件，如结合图6更详细描述的。

综合分析可通过综合分析模块对与处理例如在许多处理运行中收集的数据的长期阶段520相关联的数据执行。长期数据分析可指示配方、工具、腔室、队列等如何随着时间执行。长期数据分析可包括统计处理控制(Statistical Process Control；SPC)516。统计处理控制516可包括使用与基板处理相关联的数据的统计度量来分析随着时间的性能。例如，SPC 516可包括获取通过传感器在处理操作中记录的温度、压力等的平均值，并且将其与相同传感器的历史数据进行比较。在一些实施例中，SPC 516方法可比较许多处理运行，例如，数十或成百上千次运行。在一些实施例中，运行可合并用于显示，例如，分组在一起(例如，分组成100次运行、500次运行、1000次运行等的集合)及所应用的统计表示，例如，盒须图等。

在一些实施例中，长期数据分析可包括故障检测分类(Fault DetectionClassification；FDC)517分析。FDC 517分析可包括利用一个或多个机器学习模型。FDC517分析可包括将当前传感器数据供应到经训练的机器学习模型，例如，使用历史传感器数据训练的机器学习模型。机器学习模型可以是受监督的、无监督的、半监督的等。可使用的机器学习模型的示例包括高斯模型、人工神经网络(例如，深度神经网络、卷积神经网络等)支持向量机器等等。FDC 517分析可对SPC 516分析不敏感的异常敏感，诸如具有相同平均值的时间跟踪中的各个形状、时间跟踪中的特征的时间偏移、斜坡率等。FDC 517可用于离群值分类、故障检测、异常检测等。FDC 517分析可将当前数据与学习的行为进行比较以确定当前运行是否是离群值。在训练中，与FDC 517分析相关联的机器学习模型可辨识异常的未标记时间跟踪数据。在一些实施例中，利用处理操作分类为异常的基板可被标识以进行进一步调查，例如，与通常对基板执行相比更彻底的计量。

在实施例中，一个或多个处理窗口(例如，其可以是移动窗口或滑动窗口)可被设置用于审查尖峰和/或对一个或多个规则的违反。每个处理窗口可与其自身规则或规则集合相关联。例如，处理窗口可与传感器值、传感器值的平均值、传感器值的中值、和/或传感器值的其他统计测量中的最小值和/或最大值相关联。不同处理窗口可应用于传感器测量的相同集合，其中每个处理窗口可被调谐为检测不同类型的问题或异常。操作窗口分析可与处理阶段519数据和/或长期阶段520数据相关联地执行。

图5C是根据一些实施例的描绘综合分析模块的使用的流程图。处理专家530(例如，目标专家、处理团队等)可在配方创建532中产生基板处理配方。处理配方可根据一个或多个BKM产生。处理配方可与目标输出产品相关联。处理配方可包括基板蚀刻、材料沉积等。处理配方可包括许多变量，诸如目标温度、压力、流动速率、电浆强度等。处理配方中的任一者可具有时间依赖目标值。处理配方可包括随着时间改变的任何性质的多个值。

配方创建532的配方可意欲用于一个或多个处理工具、一个或多个处理腔室等。与配方相关联的数据、意欲的工具/腔室、意欲的输出产品等可提供到综合分析模块538。

综合分析模块538可根据一个或多个规则产生。综合分析模块538可包括一个或多个模型。综合分析模块538可将违反BKM标识为异常。BKM可由用户539提供到综合分析模块538。用户539可包括一个或多个目标专家。用户539可包括关于生产率、腔室性能、基板性能等的一个或多个专家。处理专家(例如，处理专家530)可有助于综合分析模块538的操作、BKM、或类似者。

综合分析模块538可执行与配方创建532相关联的分析。在一些实施例中，分析模块可对配方输入进行操作。例如，最佳已知方法(BKM)可指示已知不能实现峰值腔室性能的某些设置、不能实现峰值性能的设置的组合等。综合分析模块可用于分析处理设备常数。例如，处理设备可将目标输入(例如，目标开始时间及气体流量体积)翻译为硬件中的物理过程(例如，阀致动的时序及宽度)。综合分析模块可确保设备常数与BKM一致。与将配方数据提供到综合分析模块538相关联的操作可包括在配方检查操作中。与将设备常数及其他硬件数据提供到综合分析模块538相关联的操作可包括在设备常数监测操作中。

在一些实施例中，配方检查过程可在执行任何处理之前发生，例如，在根据配方处理任何基板之前发生。设备常数监测操作可在执行任何处理之前发生。配方检查及设备常数监测操作可在任何时间执行、修改、调整、再次执行等。配方、设备常数、硬件参数等可根据综合分析模块538的输出调整。

基板处理534可利用来自配方创建532的输入执行。配方、设备常数、其他制造参数等可用于处理一个或多个基板。配方、设备常数、制造参数等可能已经归因于综合分析模块538的输出而更新(例如，在根据处理配方处理之前更新)。

在一些实施例中，进一步分析可在已经处理某一数量的基板之后执行。在一些实施例中，分析可对来自少量基板(例如，1至5个基板)的数据执行。在一些实施例中，综合分析模块可自动地评估针对BKM执行的操作(例如，使用腔室传感器数据)。在一些实施例中，BKM可演进，并且综合分析模块可适当地更新，例如，由于发现新的最佳实践。在一些实施例中，综合分析模块可更新以整合用户的额外知识。

随着生产更多基板，基板处理534可继续。在一段时间内，处理可产生与长期处理536相关联的数据。在一些实施例中，综合分析模块可用于长期分析，例如，对许多晶圆、许多操作时间等。与长期处理536相关联的数据可以是或包括与基板处理534类似的数据。例如，与长期处理536相关联的数据可包括传感器数据。与长期处理536相关联的数据可包括和与同基板处理534相关联的数据不同的数据。例如，长期处理536可包括统计数据，诸如与一个或多个处理操作、一个或多个处理过程、在一段时间内处理的基板数量等相关联的统计数据。可长期追踪漂移、老化、部件故障、性能等。与长期处理536相关联的数据可分批处理并且周期性地提供到综合分析模块538。与长期处理536相关联的数据可统计地收集并且在目标时间跨度、目标数量的经处理基板之后根据用户请求、或类似者提供到综合分析模块538。

综合分析模块538可根据来自用户的请求等周期性地执行分析。综合分析模块538可在接收额外数据(例如，与新处理的基板相关联)之后执行额外分析。综合分析模块538可将分析结果合并为报告。报告可周期性地产生，例如，每周、每月等。报告可根据用户请求产生。

在一些实施例中，分析模块的性能可在模块审查540中分析。模块审查540可确定准确预测是否通过综合分析模块538进行。模块审查540可确定与综合分析模块538相关联的BKM是否是适当的、应当更新、或类似者。模块审查可通过处理装置进行，例如，处理装置可确定综合分析模块538的一个或多个输出是否有效。模块审查可作为综合分析模块538的部分包括在内，例如，综合分析模块538可产生关于综合分析模块538的性能的一个或多个报告。模块审查540可包括通过一个或多个用户审查综合分析模块538的结果，所述用户例如目标专家、处理团队、生产率团队、涉及配方创建或将BKM提供到综合分析模块538的用户的任一者等。

综合分析模块538可根据性能分析更新。若模块审查540断定分析模块正在充分执行，则可部署综合分析模块538用于进一步使用。模块审查540可反馈到综合分析模块538中。模块审查540可更新和/或推荐对综合分析模块538的更新。模块审查540可反馈到配方创建532中。模块审查540可更新和/或推荐对配方创建532的更新。模块审查540可反馈到进一步的基板处理534中，例如，通过更新和/或推荐对设备常数或其他制造系统参数的更新。

图6是根据一些实施例的描绘样品操作窗口600的示例集合的图。操作窗口600可用于执行操作窗口分析。操作窗口分析可与基板处理的分析相关联。操作窗口分析可与长期阶段数据处理相关联。

在一些操作中，可能根据一个或多个BKM确保在一段持续时间内一些数据点值是在操作窗口内。例如，传感器可具有理想的操作范围。操作范围可在制造商指南中发现、随着时间发展、通过目标专家呈现、基于长期阶段数据的分析确定、或类似者。对部件的较精细控制可改进性能。例如，致动器的性能可在窄范围的开口内是最佳的，在较宽范围的开口内较不准确，并且在进一步最宽范围的开口内最不准确。

与处理部件相关联的值可在不同的时间跨度内在不同操作窗口内的性能阈值级别下操作。例如，对于在处理操作的持续时间内的第一值窗口内的值(例如，传感器响应)可以是可接受的，但对于在操作持续时间内的较短持续时间，不同的(例如，较不严格)的值窗口可以是可接受的。各种操作窗口持续时间、连同与每个持续时间相关联的输出的可接受值可与部件的数量、值、处理变量、或类似者相关联。

图6图示了用于处理腔室的部件的示例可接受操作窗口600的图。y轴描绘了部件的全部操作范围的百分比标度。x轴是不同窗口持续时间值的集合。将示例操作窗口600描绘为最大可接受值。例如，在大的持续时间内，响应的统计量度(例如，平均值、中值、方差等)可针对满足相当严格的阈值条件。示例操作窗口600包括持续时间100的操作窗口，其中最大可接受值(例如，在持续时间窗口内的所有数据点的最大平均值)是约10％。综合分析模块可确保操作窗口得到保持。例如，综合分析模块可检查传感器数据的一个或多个窗口、确定窗口中的数据值的统计度量、以及将统计度量的值与操作窗口的值进行比较。

数据集合(例如，与传感器相关联的时间跟踪)可经历多个操作窗口分析。跟踪数据可分解为关于操作窗口持续时间的区段。可分析每个区段的违反、异常等。可利用滑动窗口，其中分析近似目标窗口持续时间的数据点的每个组合的违反、异常等。可利用利用重叠窗口的混合方法。窗口布置(例如，选择分析数据点的哪个集合)可以任何常规方式确定。窗口布置可以是系统的、随机的等。目标数量的窗口替换可针对窗口持续时间、每个窗口持续时间等产生。窗口布置可确定数据(例如，操作数据、跟踪数据等)的哪个部分用于确定统计度量是否满足阈值条件。

数据集合可经由多个窗口持续时间分析。例如，可检查传感器响应中的短期违反(例如，若在任何1秒周期内通过传感器测量的性质的平均值高于与传感器相关联的最大值的90％，则所述过程可标识为异常的)。可检查传感器响应中的处理操作长度违反(例如，整个操作的平均传感器响应的值低于目标值)。传感器可进一步用于中间持续时间窗口的操作窗口分析。

可经由多个统计度量分析数据的集合。操作窗口可与统计度量相关联。相同或不同持续时间的第二操作窗口可与维持不同统计度量的值相关联。例如，各自与平均值相关联的操作窗口持续时间的集合、以及各自与标准偏差值相关联的操作窗口持续时间的第二集合可用于分析跟踪传感器数据的集合。

示例操作窗口600是最大有界的，例如，在零与(例如，根据BKM)所选择的最大值之间的任何响应是可接受的。一些操作窗口可以是最小有界的、最小且最大有界的等。

如在图6中描绘，针对任何0.5秒窗口，响应将低于最大值的90％，针对任何2秒窗口，响应将低于最大值的80％，针对任何5秒窗口，响应将低于最大值的50％等。操作窗口分析可包括在与操作窗口参数相关联的时间迹线中滑动不同大小的窗口(例如，持续时间为0.5秒)，并且确定窗口内的点上的目标统计度量的值。结果可被记录并且窗口前进以检查数据点的新选择。前进窗口可重叠原始窗口，例如，可与原始窗口共享数据点。各种大小(例如，0.5秒、2秒、5秒、10秒、20秒、50秒、及100秒，如图6所示)的窗口可用于类似过程。可标识落到适合于其窗口大小的样品操作窗口的可接受范围之外的数据点(例如，时间跟踪数据点的平均值)、指示将它们提供到用户的数据、基于它们发起的校正动作等。

在一些实施例中，样品操作窗口分析可有助于诊断故障的根本致因，例如，较短时间窗口而非较长时间窗口中的违反可指示突然的条件改变，可标识硬件以进行损坏检查等。较长时间窗口中的违反可指示部件漂移、传感器漂移、腔室老化和/或漂移等。在一些实施例中，操作窗口可由用户输入。在一些实施例中，操作窗口参数可由BKM产生。在一些实施例中，操作窗口参数可自动地产生，例如，基于历史数据。

一些操作窗口分析可对长期阶段数据执行。对长期阶段数据执行操作窗口分析可实现确定异常腔室行为、部件行为、基板性能等。例如，单个处理过程可与一个或多个测量值的可接受限制相关联。与传感器数据的情况类似，在一天、一周、或其他持续时间内的所有处理过程的平均值可经历更严格的限制。

操作窗口持续时间可经由各种配方产生。在一些情况下，可自动化操作窗口持续时间选择。可利用目标数量的窗口持续时间，例如，根据对各种潜在故障的期望敏感性、进一步根据分析的成本、时间、及处理功率等。可理解(例如，经由BKM)，与宽范围的持续时间相关联的违反是相关的。线性函数可用于填充所关注的最小持续时间与所关注的最大持续时间之间的窗口持续时间的目标数量。可理解，对于目标处理值，相对短的持续时间、相对长的持续时间、两者、两者皆不等的违反是受到关注的。目标数量的窗口持续时间可利用不同函数产生以将窗口数量与窗口持续时间关联，诸如指数函数、对数函数、S形函数、分段函数等。综合分析模块可被更新(例如，经由模块审查)以根据一段时间内执行的分析来改变用于操作窗口分析的操作窗口持续时间。

在一些实施例中，不同窗口长度函数可产生各种分布的窗口长度。各种长度的窗口持续时间可用于检测各种异常行为。例如，短持续时间窗口可用于检测部件的短持续时间尖峰行为。较长持续时间窗口可用于SPC，以检测部件的长期漂移或故障等。

图7描绘了用于与综合分析模块交互的示例图形用户界面(graphical userinterface；GUI)700。GUI 700可向用户显示从综合分析模块接收的结果。GUI 700可由用户用于将指令提供到综合分析模块。GUI 700可被设计为快速地提供关于一个或多个基板处理过程的信息。GUI 700可提供关于潜在异常的信息。GUI 700可合成规则、BKM、配方数据、传感器数据、长期数据、内部知识等。GUI 700可向用户提供对工具、腔室、队列等的性能的解释。GUI 700可呈现分析结果。GUI 700可呈现所检测的异常。GUI 700可概括腔室、工具等的选择的性能。

GUI 700可包括概述面板702。概述面板702可提供关于各种处理设备的快速信息。概述面板702可使得用户能够从列表中选择处理设备集合来用于进一步调查。示例概述面板702提供处理腔室的列表，但工具、设施、部件、或设备的其他集合可替代地或额外地列出。概述面板702可包括关于列出的设备的性能的度量的可视化。例如，与所列出的处理设备的每一者相关联的图标704可提供性能的概述。图标704可包括性能的数字指示、字母指示、等级、或视觉指示。图标704可使用图案、颜色、或其他视觉指示符来提供对处理设备的性能的快速概述。图标704可基于处理设备的总体性能(例如，基于所检测的异常或违反的数量、基于检测异常的严重性、基于违反的加权组合等)来选择。一些类型的违反可被选择以有助于与其他类型相比更多的设备性能的概述，例如，基于目标专业知识、基于历史数据、基于综合分析模块的先前操作等。性能概述可针对腔室的队列、腔室的子系统、腔室的部件、基于腔室设计的组、配方类别等来呈现。用户可快速地确定腔室、子系统、或设备的其他集合是否正在经历大量异常。用户可基于概述图标704来查看和/或请求进一步分析。

GUI 700包括设备分析面板706。分析面板706可提供与所选择的处理设备的性能相关联的额外信息。分析面板706可呈现通过操作(例如，步骤)、处理子系统(例如，压力子系统)、分析工具(例如，FDC分析、操作窗口分析)、严重性(例如，所检测违反的数量)等布置的所检测异常。在一些实施例中，图形708可提供视觉提示以指示异常。图形708可以是提供关于异常、故障、性能、或类似者的信息的曲线。在一些实施例中，二维图表可描绘对沿着两个轴的性能的指示。例如，图形708包括y轴上的子系统及x轴上的操作数量(例如，步骤数量)。在图形708上放置的图标可指示在操作期间对应子系统的性能。图标可通过形状、颜色、图案等区分。图标的分组可指示特定问题。例如，指示大量违反或异常的图标的水平分组可指示示例图形708中的故障子系统。在一些实施例中，图形用户界面可输出关于多少配方运行包括故障、多少操作(例如，步骤)包括故障的指示，可按腔室、队列等组织数据，以达各种程度的了解。通过图形708呈现的具体数据、呈现的视觉样式等可由用户，例如，经由分析显示设置面板710选择。

传统上，对经处理基板的一些子集进行采样(例如，对这些基板执行计量)以测试这些基板上的装置和/或特征。此种测试经常破坏基板，并且通常是耗时的。由此，通常仅采样经处理基板的小部分。传统上，基板采样基本上随机执行。在实施例中，系统提供对待采样的一个或多个基板的推荐。系统可识别发生一个或多个异常的基板。系统可识别违反目标数量的BKM的基板。此种基板可具有较高的未通过一个或多个计量测试的可能性。由此，此种基板可以是用于执行计量的可用基板。在一些实施例中，用户可以确定哪个基板或哪些基板将基于用户界面执行计量。在一些实施例中，用户界面输出对测试一个或多个基板的推荐。

除了概括的性能数据之外，GUI 700可提供更详细的信息。跟踪数据显示面板712可显示具体跟踪数据、黄金(例如，可接受)跟踪数据、平均或中值跟踪数据等。跟踪数据显示面板712可显示与图形708相关联的跟踪数据。跟踪数据显示面板712可进一步显示操作窗口714。若已知，则GUI 700可提供基板性能数据。例如，计量显示716可供用户用于检查一个或多个基板的一些测量。

在一些实施例中，图形用户界面可经由代码面板718显示代码。GUI 700可显示字母数字代码。GUI 700可显示包括字符的代码。在一些实施例中，图形用户界面可显示快速响应(quick response；QR)代码。GUI 700可显示条形码、另一视觉代码、或另一类型的代码。在一些实施例中，代码可通过综合分析模块产生。代码可含有指示在图形用户界面上显示的方面的信息。例如，代码可将特定运行、工具、配方、操作、时间偏移编码为运行等。代码可由用户用于快速访问与通过GUI 700呈现的相同或类似的数据、分析、显示、或类似者。代码可由用户用于导航到目标视觉表示、目标数据、设备的目标腔室等。代码可用于快速访问用户所关注的数据、分析、可视化等。代码可例如，在由用户键入、由用户扫描之后等通过另一装置实施。代码可用于将所关注数据快速传送到另一用户，例如，允许另一用户快速再现数据、图形、信息、报告等以用于进一步分析。

在一些实施例中，可进一步挖掘综合分析模块的输出以获取故障机制的签名。例如，可将计量及综合分析数据(例如，综合分析模块违反数据)提供到机器学习模型。机器学习模型可被训练为使违反(例如，违反模式)与故障模式相关。可基于分析模块数据的机器学习分类来推荐校正动作。

图8是根据一些实施例的示出计算机系统800的框图。在一些实施例中，计算机系统800可连接(例如，经由网络，诸如局域网(Local Area Network；LAN)、内联网、外联网、或因特网)到其他计算机系统。计算机系统800可在客户端-服务器网络环境中在服务器或客户端计算机的容量中操作，或作为同级间或分布式网络环境中的同级计算机。计算机系统800可通过个人计算机(PC)、平板PC、机顶盒(Set-Top Box；STB)、个人数字助理(PersonalDigital Assistant；PDA)、蜂窝电话、网络设备、服务器、网络路由器、交换机或桥接器、或能够执行指令集(连续或以其他方式)的任何机器执行，所述指令集规定由该机器采取的动作。另外，术语“计算机”应当包括计算机的任何集合，所述计算机独立或联合地执行指令集(或多个指令集)以执行本文描述的任何一个或多个方法。

在进一步的方面中，计算机系统800可包括可经由总线808彼此通信的处理装置802、易失性或主存储器804(例如，随机存取存储器(Random Access Memory；RAM))、非易失性或静态存储器806(例如，只读存储器(Read-Only Memory；ROM)或电可擦除可编程ROM(Electrically-Erasable Programmable ROM；EEPROM))、以及数据存储装置818。

处理装置802可通过一个或多个处理器提供，诸如通用处理器(诸如，例如，复杂指令集计算(Complex Instruction Set Computing；CISC)微处理器、精简指令集计算(Reduced Instruction Set Computing；RISC)微处理器、极长指令字(Very LongInstruction Word；VLIW)微处理器、实施其他类型的指令集的微处理器、或实施各类型指令集的组合的微处理器)或专用处理器(诸如，例如，专用集成电路(Application SpecificIntegrated Circuit；ASIC)、现场可编程门阵列(Field Programmable Gate Array；FPGA)、数字信号处理器(Digital Signal Processor；DSP)、或网络处理器)。

计算机系统800进一步包括网络接口装置822(例如，耦接到网络874)。计算机系统800也可包括视频显示单元810(例如，LCD)、字母数字输入装置812(例如，键盘)、光标控制装置814(例如，鼠标)、以及信号产生装置820。

在一些实施例中，数据存储装置818可包括非暂时性计算机可读存储介质824(例如，非暂时性机器可读介质)，其上可存储对本文描述的方法或功能的任何一个或多个进行编码的指令826，包括图1的指令编码部件(例如，预测部件114、校正动作部件122、模型190等)并且用于实施本文描述的方法。

指令826也可在其通过计算机系统800执行期间完全或部分驻留在易失性存储器804内和/或处理装置802内，因此，易失性存储器804及处理装置802也可构成机器可读存储介质。

尽管计算机可读存储介质824在说明性示例中图标为单个介质，术语“计算机可读存储介质”应当包括存储一个或多个可执行指令集的单个介质或多个介质(例如，集中式或分布式数据库，和/或相关联的高速缓存及服务器)。术语“计算机可读存储介质”也应当包括能够存储或编码指令集以用于由计算机执行的任何有形介质，所述指令集致使计算机执行本文描述的任何一种或多种方法。术语“计算机可读存储介质”应当包括但不限于固态存储器、光学介质、及磁性介质。

本文描述的方法、部件、及特征可通过分立的硬件组件实施或可集成在其他硬件部件(诸如ASIC、FPGA、DSP或类似装置)的功能性中。此外，方法、部件、及特征可以通过固件模块或硬件装置内的功能电路实现。另外，方法、部件、及特征可以硬件装置及计算机程序部件的任何组合实施，或以计算机程序实施。

除非另外具体声明，否则术语诸如“接收”、“执行”、“提供”、“获得”、“致使”、“存取(访问)”、“确定”、“添加”、“使用”、“训练”、“减少”、“产生”、“校正”、或类似者指将表示为计算机系统的缓存器及存储器中的物理(电子)量的数据操控及变换为类似地表示为计算机系统的存储器或缓存器或其他此种信息存储、传输、或显示设备内的物理量的其他数据的计算机系统执行或实施的动作及过程。此外，如本文使用，术语“第一”、“第二”、“第三”、“第四”等意味着在不同组件之中进行区分的标记并且根据其数字命名可能不具有序数意义。

本文描述的示例也关于一种用于执行本文描述的方法的设备。此设备可被专门构造用于执行本文描述的方法，或可包括通过存储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。此种计算机程序可存储在计算机可读有形存储介质中。

本文描述的方法及说明性示例并非固有地关于任何特定计算机或其他设备。各种通用系统可根据本文描述的教导使用，或可证明构造更专用的设备以执行本文描述的方法和/或其独立功能、例程、子例程、或操作的每一者是方便的。用于各种这些系统的结构的示例在上文描述中阐述。

以上描述意欲为说明性而非限制性的。尽管本公开已经参考特定说明性示例及实施例描述，但将认识到本公开不限于所描述的示例及实施例。本公开的范围应当参考随附权利要求连同此种权利要求所赋予的等效物的全部范围来确定。

Claims (20)

1.一种方法，包括：

通过处理装置接收指示处理配方的第一数据；

接收第二数据，其中所述第二数据包括与所述处理配方相关联的操作数据；

接收第三数据，其中所述第三数据包括与所述处理配方相关联的历史数据；

基于所述第一数据、第二数据、和第三数据执行指示处理腔室的性能的分析；以及

致使根据所述分析执行校正动作。

2.根据权利要求1所述的方法，其中分析包括配方检查和设备常数监测。

3.根据权利要求1所述的方法，其中分析包括操作窗口分析，其中操作窗口分析包括：在第一时间窗口内执行数据点的第一统计分析、在第二时间窗口内执行数据点的第二统计分析、以及将所述第一统计分析的结果与第一一个或多个阈值进行比较并且将所述第二统计分析的结果与第二一个或多个阈值进行比较，其中所述第二时间窗口具有与所述第一时间窗口不同的持续时间。

4.根据权利要求1所述的方法，其中致使执行校正动作包括：

在图形用户界面上显示分析结果的视觉表示；以及

产生识别异常处理腔室行为的代码。

5.根据权利要求1所述的方法，其中分析包括：

将所述第二数据作为输入提供到经训练的机器学习模型；以及

从所述经训练的机器学习模型接收指示所述异常处理腔室行为的第四数据。

6.根据权利要求1所述的方法，进一步包括：

确定所述第二数据包括与通过所述处理腔室处理的基板相关联的异常的一个或多个指示；以及

基于异常的所述一个或多个指示推荐所述基板的额外分析。

7.根据权利要求1所述的方法，其中基于所述第一数据、第二数据、和第三数据执行指示所述处理腔室的性能的分析包括：

将第一数据和与处理配方相关联的多个规则进行比较，其中所述比较是在所述处理配方用于处理基板之前执行的；

对所述第二数据执行一个或多个测试，其中在已经在所述处理腔室中使用所述处理配方处理第一数量的基板之后执行所述一个或多个测试；以及

对所述第三数据执行一个或多个测试，其中在已经在所述处理腔室中使用所述处理配方处理第二数量的基板之后执行所述一个或多个测试，并且其中所述第二数量大于所述第一数量。

8.一种方法，包括：

通过处理装置接收第一数据，其中所述第一数据包括处理配方；

对所述处理配方执行第一分析，其中所述分析包括将所述第一数据与关于所述第一数据的一个或多个最佳已知方法(BKM)进行比较；

接收第二数据，其中所述第二数据包括使用所述处理配方从第一数量的处理运行产生的第一操作数据；

对所述第二数据执行第二分析；

接收第三数据，其中所述第三数据包括使用所述处理配方从第二数量的处理运行产生的第二操作数据；

对所述第三数据执行第三分析，其中所述第二数量大于所述第一数量；以及

致使基于所述第一分析、第二分析、和第三分析执行校正动作。

9.根据权利要求8所述的方法，其中所述第一分析包括配方检查和设备常数监测。

10.根据权利要求8所述的方法，其中所述第二分析包括操作窗口分析，其中操作窗口分析包括：

定义第一窗口持续时间；

选择第一多个窗口布置，其中所述第一多个窗口布置的每一者具有所述第一窗口持续时间；

确定第一多个统计度量，其中所述第一多个统计度量的每一者与所述第一多个窗口布置中的一个窗口布置内的数据相关联；

定义第二窗口持续时间；

选择第二多个窗口布置，其中所述第二多个窗口布置的每一者具有所述第二窗口持续时间；

确定第二多个统计度量，其中所述第二多个统计度量的每一者与所述第二多个窗口布置中的一个窗口布置内的数据相关联；

将所述第一多个统计度量与阈值进行比较；以及

将所述第二多个统计度量与阈值进行比较。

11.根据权利要求8所述的方法，其中所述操作数据包括跟踪传感器数据，并且其中所述第二分析包括确定所述跟踪传感器数据的值是否满足阈值条件。

12.根据权利要求8所述的方法，其中所述第一操作数据包括跟踪传感器数据，并且其中所述第二操作数据包括与所述跟踪传感器数据相关联的一个或多个统计度量。

13.根据权利要求8所述的方法，其中所述第三分析包括：

将所述第三数据提供到经训练的机器学习模型，其中所述经训练的机器学习模型配置为基于操作数据检测一个或多个故障；

从所述经训练的机器学习模型接收输出，其中执行所述校正动作是基于来自所述经训练的机器学习模型的所述输出。

14.根据权利要求8所述的方法，其中所述校正动作包括以下中的一个或多个：

将警告提供给用户；

更新处理配方；

更新设备常数；

安排制造设备的维护；或

更新与所述第一分析、第二分析、或第三分析相关联的最佳已知方法。

15.根据权利要求8所述的方法，其中所述校正动作包括：经由图形用户界面(GUI)提供所述第一分析、所述第二分析、或所述第三分析的可视化。

16.根据权利要求15所述的方法，其中所述GUI进一步包括代码，其中所述代码可用于引导第二用户界面显示所述第一分析、所述第二分析、或所述第三分析的可视化。

17.一种存储指令的非暂时性机器可读存储介质，所述指令在被执行时致使处理装置执行操作，所述操作包括：

接收指示处理配方的第一数据；

接收第二数据，其中所述第二数据包括与所述处理配方相关联的操作数据；

接收第三数据，其中所述第三数据包括与所述处理配方相关联的历史数据；

基于所述第一数据、第二数据、和第三数据执行指示制造系统的性能的分析；以及

致使根据所述分析执行校正动作。

18.根据权利要求17所述的非暂时性机器可读存储介质，其中所述校正动作包括：

在图形用户界面上显示分析结果的视觉表示；以及

产生与导航到分析结果的所述视觉表示相关联的代码。

19.根据权利要求17所述的非暂时性机器可读存储介质，所述操作进一步包括：

确定所述第二数据包括与通过所述制造系统处理的基板相关联的异常的一个或多个指示；以及

基于异常的所述一个或多个指示推荐所述基板的额外分析。

20.根据权利要求17所述的非暂时性机器可读存储介质，其中执行指示所述制造系统的性能的分析包括：

将第一数据和与处理配方相关联的多个规则进行比较；

对所述第二数据执行一个或多个测试，其中所述第二数据与使用所述处理配方处理的第一数量的基板相关联；以及

对所述第三数据执行一个或多个测试，其中所述第三数据与使用所述处理配方处理的第二数量的基板相关联，并且其中所述第二数量大于所述第一数量。