CN117836922A - 用于无接触处理腔室表征的方法及机制 - Google Patents

用于无接触处理腔室表征的方法及机制 Download PDF

Info

Publication number
CN117836922A
CN117836922A CN202280047384.5A CN202280047384A CN117836922A CN 117836922 A CN117836922 A CN 117836922A CN 202280047384 A CN202280047384 A CN 202280047384A CN 117836922 A CN117836922 A CN 117836922A
Authority
CN
China
Prior art keywords
sensor
transfer chamber
data
coupled
robot
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202280047384.5A
Other languages
English (en)
Inventor
维维克·B·沙阿
张春雷
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Applied Materials Inc
Original Assignee
Applied Materials Inc
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Applied Materials Inc filed Critical Applied Materials Inc
Publication of CN117836922A publication Critical patent/CN117836922A/zh
Pending legal-status Critical Current

Links

Classifications

    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
    • H01L21/677—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere for conveying, e.g. between different workstations
    • H01L21/67739—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere for conveying, e.g. between different workstations into and out of processing chamber
    • H01L21/67742—Mechanical parts of transfer devices
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
    • H01L21/67005—Apparatus not specifically provided for elsewhere
    • H01L21/67011—Apparatus for manufacture or treatment
    • H01L21/67155—Apparatus for manufacturing or treating in a plurality of work-stations
    • H01L21/67161—Apparatus for manufacturing or treating in a plurality of work-stations characterized by the layout of the process chambers
    • H01L21/67167—Apparatus for manufacturing or treating in a plurality of work-stations characterized by the layout of the process chambers surrounding a central transfer chamber
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
    • H01L21/67005—Apparatus not specifically provided for elsewhere
    • H01L21/67011—Apparatus for manufacture or treatment
    • H01L21/67155—Apparatus for manufacturing or treating in a plurality of work-stations
    • H01L21/6719—Apparatus for manufacturing or treating in a plurality of work-stations characterized by the construction of the processing chambers, e.g. modular processing chambers
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
    • H01L21/67005—Apparatus not specifically provided for elsewhere
    • H01L21/67011—Apparatus for manufacture or treatment
    • H01L21/67155—Apparatus for manufacturing or treating in a plurality of work-stations
    • H01L21/67196—Apparatus for manufacturing or treating in a plurality of work-stations characterized by the construction of the transfer chamber
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
    • H01L21/67005—Apparatus not specifically provided for elsewhere
    • H01L21/67011—Apparatus for manufacture or treatment
    • H01L21/67155—Apparatus for manufacturing or treating in a plurality of work-stations
    • H01L21/67201—Apparatus for manufacturing or treating in a plurality of work-stations characterized by the construction of the load-lock chamber
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
    • H01L21/67005—Apparatus not specifically provided for elsewhere
    • H01L21/67242—Apparatus for monitoring, sorting or marking
    • H01L21/67248—Temperature monitoring
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
    • H01L21/67005—Apparatus not specifically provided for elsewhere
    • H01L21/67242—Apparatus for monitoring, sorting or marking
    • H01L21/67253—Process monitoring, e.g. flow or thickness monitoring
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
    • H01L21/67005—Apparatus not specifically provided for elsewhere
    • H01L21/67242—Apparatus for monitoring, sorting or marking
    • H01L21/67259—Position monitoring, e.g. misposition detection or presence detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • General Physics & Mathematics (AREA)
  • Manufacturing & Machinery (AREA)
  • Computer Hardware Design (AREA)
  • Physics & Mathematics (AREA)
  • Power Engineering (AREA)
  • Robotics (AREA)
  • Chemical Vapour Deposition (AREA)
  • Container, Conveyance, Adherence, Positioning, Of Wafer (AREA)
  • Manipulator (AREA)
  • General Factory Administration (AREA)

Abstract

本文公开了传递腔室机器人及其使用方法的实施方式。在一个实施方式中，一种用于电子器件制造系统的处理工具包含传递腔室、耦接到传递腔室的处理腔室、及传递腔室机器人。传递腔室机器人经配置为将基板传递到处理腔室及从处理腔室传递基板，并且包含经配置为在处理腔室内部进行测量的传感器。

Description

用于无接触处理腔室表征的方法及机制
技术领域
本公开内容的实施方式一般涉及用于半导体处理腔室的无接触表征的方法及机制。
背景
电子制造系统大体包括在操作期间经受真空的多个处理腔室。在制造基板期间，将污染物及残留沉积物引入处理腔室的各个部件中。因此，处理腔室需要周期性地检查，并且基于污染水平或沉积物水平，清洁处理腔室以从壁及气体分配板去除污染物及残留沉积物。
传统上，操作人员将周期性地断开真空系统并且移除电子制造系统的部件(诸如处理腔室门)以检查处理腔室并且确定是否需要清洁。然而，此举是耗时、昂贵、且低效的工艺。或者，一些电子制造系统将处理腔室壁修改为包括用于检测沉积物堆积的传感器。然而，这些壁传感器将缺陷引入处理腔室并且影响等离子体均匀性。
概述
本公开内容的某些实施方式涉及一种用于电子器件制造系统的处理工具。处理工具包含传递腔室、耦接到传递腔室的处理腔室、及经配置为将基板传递到处理腔室及从处理腔室传递基板的传递腔室机器人。传递腔室机器人包含经配置为在处理腔室内部进行测量的传感器。
本公开内容的另一方面涉及一种电子器件制造系统，包含装载锁定机构及处理工具。处理工具包含传递腔室、耦接到传递腔室的处理腔室、及经配置为将基板传递到处理腔室及从处理腔室传递基板的传递腔室机器人。传递腔室机器人包含经配置为在处理腔室内部进行测量的传感器。
本公开内容的另一方面涉及一种传递腔室机器人。传递腔室机器人包含：臂组件，包含多个连杆；终端受动器，耦接到臂组件，其中终端受动器经配置为将基板传递到处理腔室及从处理腔室传递基板；和传感器，耦接到臂组件并且经配置为在处理腔室内部进行测量。
本公开内容的另一方面涉及一种方法，该方法包含：由处理器定位处理腔室内的传递腔室机器人的一部分，该部分包含至少一个传感器；由一个或多个传感器获得与处理腔室相关联的传感器数据；和从处理腔室移除传递腔室机器人的该部分。
本公开内容的另一方面包括一种方法，该方法包含由处理器，由处理腔室处的传感器装置产生多个传感器值。方法进一步包括将机器学习模型应用于多个传感器值，该机器学习模型基于处理腔室的子系统的历史传感器数据及与用于沉积膜的配方相关联的任务数据来训练。方法进一步包括产生机器学习模型的输出，其中输出指示子系统的失效类型。方法进一步包括确定子系统的失效类型并且基于失效类型来产生校正动作。
附图简要说明
本公开内容在随附的附图中通过实例示出并且不作限制，在附图中相同附图标记指示类似元件。应当注意，在本公开内容中，对“一(an)”或“一个(one)”实施方式的不同指称不一定是相同实施方式，并且此种指称意味着至少一个。
图1是根据某些实施方式的示出示例性系统架构的方块图。
图2是根据某些实施方式的用于训练机器学习模型的方法的流程图。
图3是根据某些实施方式的示例制造系统的顶部示意图。
图4是根据某些实施方式的示例制造系统的示例处理腔室的横截面示意性侧视图。
图5是根据本公开内容的实施方式的处理工具的示意性俯视图。
图6是根据本公开内容的实施方式的传递腔室机器人连杆组件的示意性俯视图。
图7是根据本公开内容的方面的用于控制传递腔室机器人以使用传感器进行测量的方法的流程图。
图8是根据某些实施方式的用于使用机器学习模型确定处理腔室子系统的失效类型的方法的流程图。
图9是根据某些实施方式的示出计算机系统的方块图。
实施方式的具体描述
本文描述了涉及用于制造系统的半导体处理腔室的无接触表征的方法及机制的技术。膜可以在制造系统的处理腔室处执行的沉积工艺(例如，沉积(CVD)工艺、原子层沉积(atomic layer deposition；ALD)工艺等等)期间在基板表面上沉积。例如，在CVD工艺中，将基板暴露于一种或多种前驱物，所述前驱物在基板表面上反应以产生期望沉积物。膜可以包括在沉积工艺期间形成的一层或多层材料，并且每个层可以包括特定厚度梯度(例如，沿着沉积膜的层的厚度改变)。例如，第一层可以直接在基板表面(被称为膜的近端层或近端)上形成并且具有第一厚度。在基板表面上形成第一层之后，具有第二厚度的第二层可以在第一层上形成。此工艺继续直到完成沉积工艺并且形成膜的最终层(被称为膜的远端层或远端)。膜可以包括不同材料的交替层。例如，膜可以包括氧化物及氮化物层的交替层(氧化物-氮化物-氧化物-氮化物堆叠或ONON堆叠)、交替的氧化物及多晶硅层(氧化物-多晶硅-氧化物-多晶硅堆叠或OPOP堆叠)等等。膜可以随后经受例如蚀刻工艺以在基板表面上形成图案、经受化学机械抛光(chemical-mechanical polishing；CMP)工艺以平滑膜的表面、或经受制造完成的基板所需要的任何其他工艺。
在沉积工艺及蚀刻工艺期间，处理腔室可以经历劣化条件，诸如堆积污染物、对某些部件的腐蚀等。未能捕捉及修复这些劣化条件可以导致基板中的缺陷、导致次品、降低制造良率、及显著停机时间及修复时间。
现有系统可将处理腔室壁修改为包括用于检测此种劣化条件的传感器。然而，这些侵入式壁传感器将缺陷引入处理腔室并且影响等离子体均匀性。此可以导致实现最佳处理腔室压力及处理气体的流动速率的延迟，从而可以导致膜变形。另外，因为可能需要在消费者现场修改处理腔室，所以这些传感器可能难以安装。
本公开内容的方面及实施方式解决了通过用一个或多个传感器装备传递腔室机器人的现有技术的这些及其他缺点，所述传感器能够执行测量并且从处理腔室内部撷取数据。特定而言，电子器件制造系统可以在传递腔室中采用机器人设备(例如，传递腔室机器人)，该传递腔室经配置为在装载锁定机构与处理腔室之间运输基板。传递腔室、处理腔室、及装载锁定机构可在某些时间在真空下操作。传递腔室机器人可以装备有一个或多个传感器，所述传感器用于表征、读取、或测量处理腔室的一个或多个方面。传感器可包括下列的一个或多个：加速计、距离传感器(例如，用于确定在两个对象之间的高度、宽度或长度)、相机(例如，高分辨率相机、高速相机等)、电容传感器、反射计、高温计(例如，遥感温度计、红外相机等)、激光诱导的荧光分光镜、光纤光学组件等。
在一些实施方式中，传感器可以耦接到传递腔室机器人的终端受动器或传递腔室机器人的一个或多个接头。在其他实施方式中，传递腔室机器人可以包括可以用于操作传感器的额外连杆和/或更多自由度。特定而言，传递腔室机器人可以包括一个或多个额外连杆以耦接到传感器、和/或一个或多个额外自由度以平移、旋转和/或定位处理腔室内的传感器。由传感器撷取的数据可以发送到用户界面或数据库用于处理及分析。基于数据，制造系统的操作人员可以确定是否暂停操作并且执行维护，或继续制造基板。
在一些实施方式中，预测系统可以训练及应用机器学习模型到当前传感器值以产生输出，诸如，指示处理腔室子系统的故障模式(例如，异常行为)的一个或多个值和/或指示已发生的故障类型(例如，问题、失效等)的预测数据。在一些实施方式中，输出是指示在处理腔室子系统的希望行为与处理腔室子系统的实际行为之间的差异的值。在一些实施方式中，值指示与处理腔室子系统相关联的故障模式。在一些实施方式中，系统可以随后将故障模式与已知故障模式的链接库进行比较以确定由子系统经历的失效类型。在一些实施方式中，系统执行校正动作以基于故障模式调节沉积工艺配方的一个或多个参数(例如，处理腔室的温度设置、处理腔室的压力设置、在基板表面上沉积的膜中包括的材料的前驱物的流动速率设置等)。
本公开内容的方面导致执行处理腔室的检查所需的时间的显著减少的技术优点。配置允许传递腔室机器人在每次传递腔室机器人将基板放置到处理腔室中或从处理腔室撷取基板时执行检查并且表征处理腔室。执行检查，同时维持真空环境，因此消除对断开真空系统并且移除与人工检查相关联的电子制造系统的部件(诸如处理腔室门)的需要。配置还消除处理腔室的缺陷及与处理腔室内的安装传感器相关联的等离子体均匀性问题。
图1描绘了根据本公开内容的方面的说明性计算机系统架构100。在一些实施方式中，计算机系统架构100可以作为用于处理基板的制造系统(诸如图3的制造系统300)的部分包括在内。计算机系统架构100包括客户端装置120、制造设备124、计量设备128、预测服务器112(例如，用于产生预测数据、提供模型适应、使用知识库等)、及数据存储器140。预测服务器112可以系预测系统110的部分。预测系统110可以进一步包括服务器机器170及180。制造设备124可以包括经配置为捕获在制造系统处处理的基板的数据的传感器126。在一些实施方式中，制造设备124及传感器126可以是传感器系统的部分，该传感器系统包括传感器服务器(例如，制造设施处的现场服务服务器(field service server；FSS))及传感器识别符读取器(例如，传感器系统的前开式标准舱(front opening unified pod；FOUP)射频识别(radio frequency identification；RFID)读取器)。在一些实施方式中，计量设备128可以是计量系统的部分，该计量系统包括计量服务器(例如，计量数据库、计量文件夹等)及计量识别符读取器(例如，计量系统的FOUP RFID读取器)。
制造设备124可以在一段时间中根据配方或执行运行来生产产品，诸如电子器件。制造设备124可以包括处理腔室，诸如关于图4描述的处理腔室400。制造设备124可以执行处理腔室处的基板(例如，晶片等)的工艺。基板工艺的实例包括用于在基板表面上沉积一层或多层膜的沉积工艺、用于在基板表面上形成图案的蚀刻工艺等。制造设备124可以根据工艺配方执行每个工艺。工艺配方定义在工艺期间待针对基板执行的操作的特定集合并且可以包括与每个操作相关联的一个或多个设置。例如，沉积工艺配方可以包括处理腔室的温度设置、处理腔室的压力设置、在基板表面上沉积的膜中包括的材料的前驱物的流动速率设置等。
在一些实施方式中，制造设备124包括传感器126，所述传感器经配置为产生与制造系统100处处理的基板相关联的数据。例如，处理腔室可以包括一个或多个传感器，所述传感器经配置为在针对基板执行工艺(例如，沉积工艺)之前、期间和/或之后产生与基板相关联的光谱或非光谱数据。在一些实施方式中，一个或多个传感器可以耦接到传递腔室机器人。特定而言，制造设备124可以在传递腔室中采用机器人设备(例如，传递腔室机器人)，该传递腔室经配置为在装载锁定机构与处理腔室之间运输基板。关于图3更详细描述处理腔室机器人。在一实例中，传感器可以附接到用于支撑基板的传递腔室机器人的终端受动器。关于图5及图6提供关于附接的传感器的另外细节。
在一些实施方式中，传感器126产生的光谱数据可以指示在基板表面上沉积的一种或多种材料的浓度。经配置为产生与基板相关联的光谱数据的传感器126可以包括反射测量传感器、椭圆测量传感器、热谱传感器、电容传感器等等。经配置为产生与基板相关联的非光谱数据的传感器126可以包括温度传感器、压力传感器、流动速率传感器、电压传感器等。关于图3及图4提供有关制造设备124的另外细节。
在一些实施方式中，传感器126提供与制造设备124相关联(例如，与由制造设备124产生对应产品(诸如晶片)相关联)的传感器数据(例如，传感器值、特征、迹线数据)。制造设备124可在一段时间中根据配方或通过执行运行来产生产品。在一段时间中(例如，对应于配方或运行的至少部分)接收的传感器数据可称为随着时间从不同传感器126接收的迹线数据(例如，历史迹线数据、当前迹线数据等)。传感器数据可以包括下列的一个或多个的值：温度(例如，加热器温度)、间隔(spacing；SP)、压力、高频射频(high frequencyradio frequency；HFRF)、静电夹盘(electrostatic chuck；ESC)的电压、电流、材料流量、功率、电压等。传感器数据可以与制造参数相关联或指示制造参数，制造参数诸如硬件参数，诸如制造设备124的设置或部件(例如，大小、类型等)、或制造设备124的处理参数。传感器数据可以在制造设备124执行制造工艺时提供(例如，当处理产品时的设备读数)。传感器数据可以针对每个基板不同。
计量设备128可以提供与由制造设备124处理的基板相关联的计量数据。计量数据可以包括下列的值：膜性质数据(例如，晶片空间膜性质)、尺寸(例如，厚度、高度等)、介电常数、掺杂剂浓度、密度、缺陷等。在一些实施方式中，计量数据可以进一步包括下列的值：一个或多个表面分布性质数据(例如，蚀刻速率、蚀刻速率均匀性、在基板表面上包括的一个或多个特征的临界尺寸、跨基板表面的临界尺寸均匀性、边缘放置误差等)。计量数据可以是完成或半完成产品的计量数据。计量数据可以针对每个基板不同。计量数据可以使用例如反射测量技术、椭圆测量技术、TEM技术等等产生。
在一些实施方式中，计量设备128可以作为制造设备124的一部分包括在内。例如，计量设备128可以包括在处理腔室内部或耦接到处理腔室并且经配置为在工艺(例如，沉积工艺、蚀刻工艺等)之前、期间、和/或之后产生基板的计量数据，同时基板保留在处理腔室中。在此种情况中，计量设备128可以被称为原位计量设备。在另一实例中，计量设备128可以耦接到制造设备124的另一站。例如，计量设备可以耦接到传递腔室(诸如图3的传递腔室310)、装载锁定机构(诸如装载锁定机构320)、或工厂接口(诸如工厂接口306)。在此种情况中，计量设备128可以被称为集成的计量设备。在其他或类似实施方式中，计量设备128不耦接到制造设备124的站。在此种情况中，计量设备128可以被称为在线计量设备或外部计量设备。在一些实施方式中，集成的计量设备和/或在线计量设备经配置为在工艺之前和/或之后产生基板的计量数据。
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、笔记本计算机、网络连接电视(“智能TV”)、网络连接介质播放器(例如，蓝光播放器)、机顶盒、云上(over-the-top；OTT)串流装置、运营商盒等。在一些实施方式中，可以从客户端装置120接收计量数据。客户端装置120可以显示图形用户界面(graphical user interface；GUI)，其中GUI使用户能够提供在制造系统处处理的基板的计量测量值作为输入。客户端装置120可以包括校正动作部件122。校正动作部件122可以接收与制造设备124相关联的指示的使用者输入(例如，经由图形用户界面(GUI)，其经由客户端装置120显示)。在一些实施方式中，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)、基于输出来确定校正动作、及导致实施校正动作。在一些实施方式中，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导致实施校正动作。每个客户端装置120可包括操作系统，该操作系统允许用户进行下列的一个或多个：产生、查看、或编辑数据(例如，与制造设备124相关联的指示、与制造设备124相关联的校正动作等)。
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，硬盘、快闪驱动器)、数据库系统、或能够存储数据的另一类型的部件或装置。数据存储器140可以包括可以跨越多个计算装置(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可以存储与制造设备124处处理基板相关联的数据。例如，数据存储器140可以在基板工艺之前、期间、或之后存储在制造设备124处由传感器126收集的数据(被称为处理数据)。处理数据可以指历史处理数据(例如，针对制造系统处处理的先前基板产生的处理数据)和/或当前处理数据(例如，针对制造系统处处理的当前基板产生的处理数据)。数据存储器还可以存储与制造设备124处处理的基板的一部分相关联的光谱数据或非光谱数据。光谱数据可以包括历史光谱数据和/或当前光谱数据。
数据存储器140还可以存储与制造系统处处理的一个或多个基板相关联的上下文数据。上下文数据可以包括配方名称、配方步骤数目、预防维护指示符、操作人员等。上下文数据可以指历史上下文数据(例如，与针对先前基板执行的先前工艺相关联的上下文数据)和/或当前处理数据(例如，与待针对先前基板执行的当前工艺或未来工艺相关联的上下文数据)。上下文数据可以进一步包括识别与处理腔室的特定子系统相关联的传感器。
数据存储器140还可以存储任务数据。任务数据可以包括在沉积工艺期间待针对基板执行的操作的一个或多个集合并且可以包括与每个操作相关联的一个或多个设置。例如，沉积工艺的任务数据可以包括处理腔室的温度设置、处理腔室的压力设置、在基板上沉积的膜的材料的前驱物的流动速率设置等。在另一实例中，任务数据可以包括针对流量值将压力控制在定义的压力点。任务数据可以指历史任务数据(例如，与针对先前基板执行的先前工艺相关联的任务数据)和或当前任务数据(例如，与当前工艺或待针对先前基板执行的未来工艺相关联的任务数据)。
在一些实施方式中，数据存储器140可以存储希望分布、厚度分布、及校正分布。希望分布可以包括与希望通过某一处理配方产生的期望膜分布相关联的一个或多个数据点。在一些实施方式中，希望分布可以包括膜的期望厚度。厚度分布包括与由制造设备124产生的当前膜分布相关联的一个或多个数据点。可以使用计量设备127、128测量厚度分布。校正分布可以包括应用于处理腔室或处理配方的参数的一个或多个调节或偏移。例如，校正分布可以包括调节处理腔室的温度设置、处理腔室的压力设置、在基板表面上沉积的膜中包括的材料的前驱物的流动速率设置、供应到处理腔室的功率、两个或多个设置的比率等。校正分布可以通过以下产生：比较希望分布(例如，由处理配方产生的所希望厚度分布)，并且使用已知故障模式的链接库和/或算法确定应用于处理配方的参数以实现希望分布的调节。校正分布可以应用于与沉积工艺、蚀刻工艺等相关联的步骤。
在一些实施方式中，数据存储器140可以经配置为存储制造系统的用户不可存取的数据。例如，针对在制造系统处处理的基板获得的处理数据、光谱数据、上下文数据等为制造系统的用户(例如，操作人员)不可存取的。在一些实施方式中，在数据存储器140处存储的所有数据可以由制造系统的用户无法存取。在其他或类似实施方式中，在数据存储器140处存储的数据的一部分不能由使用者存取，而在数据存储器140处存储的数据的另一部分可以由使用者存取。在一些实施方式中，可以使用使用者未知的加密机制来加密在数据存储器140处存储的数据的一个或多个部分(例如，数据使用私有加密密钥加密)。在其他或类似实施方式中，数据存储器140可以包括多个数据存储器，其中在一个或多个第一数据存储器中存储用户无法存取的数据并且在一个或多个第二数据存储器中存储用户可存取的数据。
在一些实施方式中，数据存储器140可以经配置为存储与已知故障模式相关联的数据。故障模式可以系与处理腔室子系统相关联的一个或多个问题或失效相关联的一个或多个值(例如，向量、标量等)。在一些实施方式中，故障模式可以与校正动作相关联。例如，故障模式可以包括用于校正由故障模式指示的问题或失效的参数调节步骤。例如，预测系统可以将确定的故障模式与已知故障模式的链接库进行比较以确定由子系统经历的失效的类型、失效的原因、用于校正故障的建议校正动作等等。
在一些实施方式中，预测系统110包括预测服务器112、服务器机器170及服务器机器180。预测服务器112、服务器机器170、及服务器机器180可以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、大型计算机、膝上型计算机、平板计算机、桌面计算机、图形处理单元(Graphics Processing Unit；GPU)、加速器专用集成电路(Application-Specific Integrated Circuit；ASIC)(例如，张量处理单元(Tensor Processing Unit；TPU))等。
服务器机器170包括训练集合产生器172，该训练集合产生器能够产生训练数据集合(例如，数据输入集合及目标输出集合)以训练、验证、和/或测试机器学习模型190。机器学习模型190可以是能够从数据中学习的任何算法模型。在下文关于图2详细描述数据集合产生器172的一些操作。在一些实施方式中，数据集合产生器172可以将训练数据划分为训练集合、验证集合、及测试集合。在一些实施方式中，预测系统110产生训练数据的多个集合。
服务器机器180可以包括训练引擎182、验证引擎184、选择引擎185和/或测试引擎186。引擎可以指硬件(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可以能够训练一个或多个机器学习模型190。机器学习模型190可以指由训练引擎182使用包括训练输入及对应目标输出(相应训练输入的正确答案)的训练数据(本文也称为训练集合)创建的模型伪影。训练引擎182可以发现训练数据中的图案，所述图案将训练输入映射到目标输出(预测的答案)，并且提供捕获这些图案的机器学习模型190。机器学习模型190可以使用下列的一个或多个：统计模型化、支持向量机器(support vectormachine；SVM)、径向基函数(Radial Basis Function；RBF)、群集化、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最邻近算法(k-NN)、线性回归、随机森林、神经网络(例如，人工神经网络)等。
可以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。人工神经网络大体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辨认器的较低层处执行池化，并且可解决非线性，从而将由卷积层撷取的顶部层特征映射到决策(例如，分类输出)。深度学习是使用多层非线性处理单元的级联用于特征撷取及变换的一类机器学习算法。每个连续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/或不受监督(例如，模式分析)方式学习。深度神经网络包括层的阶层，其中不同层学习对应于不同抽象水平的不同表示水平。在深度学习中，每个水平学习将其输入数据变换为略微更抽象及复合表示。在等离子体处理调谐中，例如，原始输入可以是处理结果分布(例如，指示跨基板表面的一个或多个厚度值的厚度分布)；第二层可以构成与等离子体处理系统的受控元件的一个或多个区域的状态相关联的特征数据(例如，区域定向、等离子体暴露持续时间等)；第三层可以包括开始配方(例如，用作确定更新的处理配方的开始点的配方，该处理配方处理基板以产生满足阈值准则的处理结果)。值得注意的系，深度学习处理可以自己学习哪些特征最佳地放置在哪个位准。“深度学习”中的“深度”指数据穿过其变换的层的数量。更精确地，深度学习系统具有可观的信用指派路径(credit assignment path；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。对于前馈神经网络，CAP的深度可以是网络深度并且可以是隐藏层的数量加一。对于其中信号可以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。
在一个实施方式中，一个或多个机器学习模型是递归神经网络(recurrentneural network；RNN)。RNN是包括存储器的神经网络类型，该存储器使神经网络能够捕获时间依赖性。RNN能够学习取决于当前输入及过去输入两者的输入-输出映射。RNN将解决过去及将来的流动速率测量并且基于此连续度量信息来进行预测。可以使用训练数据集训练RNN以产生固定数量的输出(例如，以确定基板处理速率的集合、确定对基板处理配方的修改)。可以使用的一种类型的RNN是长短期记忆(long short term memory；LSTM)神经网络。
神经网络的训练可以受监督的学习方式来实现，此涉及经由网络馈送由标记的输入组成的训练数据集，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(诸如深度梯度下降及反向传播)以调谐网络在其所有层及节点上的权重，使得误差最小化。在许多应用中，在训练数据集中的许多标记的输入中重复此处理产生网络，该网络可以在被呈现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。
含有数百、数千、数万、数十万或更多传感器数据和/或处理结果数据的训练数据集(例如，计量数据，诸如与传感器数据相关联的一个或多个厚度分布)可以用于形成训练数据集。
为了完成训练，处理逻辑可以将训练数据集输入到一个或多个未训练的机器学习模型中。在将第一输入输入到机器学习模型中之前，可以初始化机器学习模型。处理逻辑基于训练数据集训练未训练的机器学习模型以产生执行如上文阐述的各种操作的一个或多个经训练的机器学习模型。可以通过一次一个地将一个或多个传感器数据输入机器学习模型中来执行训练。
机器学习模型处理输入以产生输出。人工神经网络包括由数据点中的值组成的输入层。下一层被称为隐藏层，并且隐藏层处的节点各自接收一个或多个输入值。每个节点含有应用于输入值的参数(例如，权重)。每个节点由此基本上将输入值输入到多变量函数(例如，非线性数学变换)中以产生输出值。下一层可以是另一隐藏层或输出层。在任一情况下，下一层处的节点从先前层处的节点接收输出值，并且每个节点将权重应用于那些值且随后产生其自身的输出值。可以在每个层处执行此动作。最后层是输出层，其中对于机器学习模型可以产生的每个种类、预测和/或输出存在一个节点。
由此，输出可以包括一个或多个预测或推断。例如，输出预测或推断可以包括对腔室部件上的膜堆积、腔室部件的腐蚀、腔室部件的预测失效等等的一个或多个预测。处理逻辑基于在机器学习模型的输出(例如，预测或推断)与同输入训练数据相关联的目标标记之间的差异来确定误差(即，分类误差)。处理逻辑基于误差来调节机器学习模型中的一个或多个节点的权重。可以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节一个或多个其参数(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”，其中每个层作为输入值从先前层处的神经元接收。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，调节参数可以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节指派给输入的每一者的权重。
在一轮或多轮训练之后，处理逻辑可以确定是否已经满足停止准则。停止准则可以是目标准确性水瓶、来自训练数据集的处理图像的目标数量、在一个或多个先前数据点上方的参数的目标改变量、其组合和/或其他准则。在一个实施方式中，当已经处理了至少最小数量的数据点并且实现了至少阈值准确性时，满足停止准则。阈值准确性可以是例如70％、80％或90％的准确性。在一个实施方式中，若已停止改进机器学习模型的准确性，则满足停止准则。若尚未满足停止准则，则执行进一步训练。若已经满足停止准则，则训练可以完成。一旦训练了机器学习模型，训练数据集的保留部分就可以用于测试模型。
一旦产生一个或多个经训练的机器学习模型190，它们就可以存储在预测服务器112中作为预测部件114或作为预测部件114的部件。
验证引擎184可以能够使用来自训练集合产生器172的验证集合的特征的对应集合来验证机器学习模型190。一旦已经优化模型参数，则可以执行模型确认以确定是否改进了模型并且确定深度学习模型的当前准确性。验证引擎184可以基于验证集合的特征的对应集合来确定机器学习模型190的准确性。验证引擎184可以丢弃具有不满足阈值准确性的准确性的经训练的机器学习模型190。在一些实施方式中，选择引擎185可以能够选择具有满足阈值准确性的准确性的经训练的机器学习模型190。在一些实施方式中，选择引擎185可以能够选择具有经训练的机器学习模型190的最高准确性的经训练的机器学习模型190。
测试引擎186可以能够使用来自数据集合产生器172的测试集合的特征的对应集合来测试经训练的机器学习模型190。例如，可以使用测试集合的特征的第一集合测试已经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。测试引擎186可以基于测试集合来确定经训练的机器学习模型190具有所有经训练的机器学习模型的最高准确性。
如下文详细描述，预测服务器112包括预测部件114，该预测部件能够提供指示处理腔室的每个子系统的希望行为的数据，并且对当前传感器数据输入运行经训练的机器学习模型190以获得一个或多个输出。预测服务器112可以进一步提供指示处理腔室子系统的健康及诊断的数据。此将在下文进一步详细解释。
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可以经由网络130彼此耦接。在一些实施方式中，网络130是公共网络，该公共网络为客户端装置120提供对预测服务器112、数据存储器140、及其他公共可用的计算装置的存取。在一些实施方式中，网络130是私有网络，该私有网络为客户端装置120提供对制造设备124、计量设备128、数据存储器140、及其他私有可用的计算装置的存取。网络130可以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)、蜂巢网络(例如，长期演进(Long Term Evolution；LTE)网络)、路由器、集线器、交换机、服务器计算机、云端计算网络和/或其组合。
应当注意，在一些其他实施方式中，服务器机器170及180、以及预测服务器112的功能可以由较少数量的机器提供。例如，在一些实施方式中，服务器机器170及180可以集成到单个机器中，而在一些其他或类似实施方式中，服务器机器170及180，以及预测服务器112可以集成到单个机器中。
大体上，由服务器机器170、服务器机器180和/或预测服务器112执行的在一个实施方式中描述的功能也可以在客户端装置120执行。此外，归属于特定部件的功能性可以由一起操作的不同或多个部件执行。
在实施方式中，“使用者”可以表示为单个个体。然而，本公开内容的其他实施方式涵盖“使用者”是由多个使用者和/或自动化源控制的实体。例如，作为一组管理员联合的独立用户集合可以被认为是“使用者”。
图2是根据本公开内容的方面的用于训练机器学习模型的方法200的流程图。方法200由处理逻辑执行，该处理逻辑可以包括硬件(电路系统、专用逻辑等)、软件(诸如在通用计算机系统或专用机器上运行)、固件、或其一些组合。在一个实施方式中，方法200可以由计算系统(诸如图1的计算机系统架构100)执行。在其他或类似实施方式中，方法200的一个或多个操作可以由未在附图中描绘的一个或多个其他机器执行。在一些方面中，方法200的一个或多个操作可以由服务器机器170、服务器机器180和/或预测服务器112执行。
为了解释的简单，将方法描绘且描述为一系列动作。然而，根据本公开内容的动作可以各种顺序和/或同时发生，并且在本文中不呈现及描述其他动作。此外，并非可以执行所有示出的动作以实施根据所公开的目标的方法。此外，本领域技术人员将理解及了解，方法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。此外，应当了解，本说明书中公开的方法能够存储在制品上，以便于将此种方法传输及传递到计算装置。如本文使用，术语制品意欲涵盖可从任何计算机可读取装置或存储介质存取的计算机程序。
于方块210，处理逻辑将训练集合T初始化为空集(例如，{})。
于方块212，处理逻辑获得与经执行以在先前基板的表面上沉积一层或多层膜的先前沉积工艺相关联的传感器数据(例如，传感器值、特征、迹线数据)。传感器数据可以进一步与处理腔室的子系统相关联。子系统可以表征为与处理腔室的操作参数有关的传感器集合。操作参数可以是温度、流动速率、压力等等。例如，压力子系统可以由一个或多个传感器表征，所述传感器测量气体流量、腔室压力、控制阀角度、前级(在泵之间的真空线)压力、泵送速度等等。每个处理腔室可以包括多个不同子系统，诸如压力子系统、流量子系统、温度子系统等等。
在一些实施方式中，与沉积工艺相关联的传感器数据是与先前针对制造系统处的先前基板执行的先前沉积工艺的一个或多个先前沉积设置相关联的历史数据。例如，历史数据可以是在数据存储器140处存储的与先前沉积工艺相关联的历史上下文数据。在一些实施方式中，一个或多个先前沉积设置可以包括下列的至少一者：先前沉积工艺的先前温度设置、先前沉积设置的先前压力设置、在先前基板的表面上沉积的先前膜的一种或多种材料的前驱物的先前流动速率设置、或与沉积工艺相关联的任何其他设置。流动速率设置可以指在先前沉积工艺的初始实例处的前驱物的流动速率设置(被称为初始流动速率设置)、在先前沉积工艺的最终实例处的前驱物的流动速率设置(被称为最终流动速率设置)、或在沉积工艺期间的前驱物的流动速率的斜坡速率。在一个实例中，先前膜的前驱物可以包括含硼前驱物或含硅前驱物。在一些实施方式中，传感器数据还可以与在先前基板上执行的先前蚀刻工艺、或在处理腔室中执行的任何其他工艺相关联。
于方块214，处理逻辑获得与在先前基板的表面上沉积的膜的配方相关联的任务数据。例如，任务数据可以是需要的温度设置、压力设置、在基板上沉积的膜的材料的前驱物的流动速率设置等。任务数据可以包括在先前基板的表面上沉积的先前膜的历史任务数据。在一些实施方式中，先前膜的历史任务数据可以对应于与先前膜的配方相关联的历史任务值。处理逻辑可以根据先前描述的实施方式获得来自数据存储器140的任务数据。
于方块216，处理逻辑基于与针对先前基板执行的先前沉积工艺相关联的所获得传感器数据来产生第一训练数据。于方块218，处理逻辑基于与在先前基板的表面上沉积的膜的配方相关联的任务数据来产生第二训练数据。
于方块220，处理逻辑产生在第一训练数据与第二训练数据之间的映射。映射指包括或基于针对先前基板执行的先前沉积工艺的数据的第一训练数据、及包括或基于与在先前基板的表面上沉积的膜的配方相关联的任务数据的第二训练数据，其中第一训练数据与第二训练数据相关联(或映射到第二训练数据)。于方块224，处理逻辑将映射添加到训练集合T。
于方块226，处理逻辑确定训练集合T是否包括足够量的训练数据以训练机器学习模型。应当注意，在一些实施方式中，训练集合T的充分性可以简单地基于训练集合中的映射数目来确定，而在一些其他实施方式中，除了或替代输入/输出映射的数目，可以基于一个或多个其他准则(例如，训练实例的多样性的测量等)来确定训练集合T的充分性。响应于确定训练集合不包括足够量的训练数据以训练机器学习模型，方法200返回到方块212。响应于确定训练集合T包括足够量的训练数据以训练机器学习模型，方法200继续到方块228。
于方块228，处理逻辑提供训练集合T以训练机器学习模型。在一个实施方式中，将训练集合T提供到服务器机器180的训练引擎182以执行训练。在神经网络的情况下，例如，将给定输入/输出映射的输入值输入到神经网络，并且将输入/输出映射的输出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)调节神经网络中的连接权重，并且针对训练集合T中的其他输入/输出映射重复程序。
在一些实施方式中，在训练机器学习模型之前，处理逻辑可以执行离群值检测方法以从训练集合T移除异常。离群值检测方法可以包括识别与大部分训练数据显著不同的值的技术。这些值可以由误差、噪声等产生。
于方块230，处理逻辑对经训练的机器学习模型执行校准工艺。在一些实施方式中，处理逻辑可以基于在预测行为与当前行为之间的值的差异将处理腔室子系统的希望行为与处理腔室子系统的当前行为进行比较。例如，处理逻辑可以将与压力子系统、流量子系统、或温度子系统的预测数据相关联的一个或多个值分别与同压力子系统、流量子系统、或温度子系统的当前测量行为相关联的一个或多个值进行比较。
在方块230之后，机器学习模型可以用于产生指示处理腔室子系统的故障模式(例如，异常行为)的一个或多个值，产生指示故障类型(例如，问题、失效等)的预测数据，和/或执行校正动作以校正可疑问题或失效。可以通过将故障模式与已知故障模式的链接库进行比较来产生预测数据。
在一些实施方式中，制造系统可以包括一个以上的处理腔室。例如，图3的示例制造系统300示出了多个处理腔室314、316、318。应当注意，在一些实施方式中，经获得以训练机器学习模型的数据及经收集以作为输入提供到机器学习模型的数据可以与制造系统的相同处理腔室相关联。在其他或类似实施方式中，经获得以训练机器学习模型的数据及经收集以作为输入提供到机器学习模型的数据可以与制造系统的不同处理腔室相关联。在其他或类似实施方式中，经获得以训练机器学习模型的数据可以与第一制造系统的处理腔室相关联并且经收集以作为输入提供到机器学习模型的数据可以与第二制造系统的处理腔室相关联。
图3是根据本公开内容的方面的示例制造系统300的顶部示意图。制造系统300可以在基板302上执行一个或多个工艺。基板302可以是任何适宜的刚性、固定尺寸的平面物品，诸如，例如，含硅圆盘或晶片、图案化晶片、玻璃板、或类似者，该平面物品适用于制造电子期间或其上的电路部件。
制造系统300可以包括处理工具304及耦接到处理工具304的工厂接口306。处理工具304可以包括其中具有传递腔室310的外壳308。传递腔室310可以包括在周围设置且与其耦接的一个或多个处理腔室(process chamber)(也称为处理腔室(processing chamber))314、316、318。处理腔室314、316、318可以经由相应端口108(诸如狭缝阀或类似者)耦接到传递腔室310。传递腔室310还可以包括经配置为在处理腔室314、316、318、装载锁定机构320等之间传递基板302的传递腔室机器人312。传递腔室机器人312可以包括一个或多个臂，其中每个臂在每个臂的端部处包括一个或多个连杆及一个或多个终端受动器。终端受动器可以经配置为搬运特定对象，诸如晶片。替代地或另外地，终端受动器经配置为搬运对象，诸如处理套组环。在一些实施方式中，传递腔室机器人312是选择性顺应性组装机械臂(selective compliance assembly robot arm；SCARA)机器人，诸如2连杆SCARA机器人、3连杆SCARA机器人、4连杆SCARA机器人等等。
处理腔室机器人312可以进一步包括一个或多个传感器。传感器可以用于表征、读取、或测量处理腔室314、316、318的一个或多个方面。传感器可包括下列的一个或多个：加速计、距离传感器(例如，用于确定在两个对象之间的高度、宽度或长度)、相机(例如，高分辨率相机、高速相机等)、电容传感器、反射计、高温计(例如，遥感温度计、红外相机等)、激光诱导的荧光分光镜、光纤光学组件、或任何其他类型的传感器。
加速计可以用于检测及校正(或校准)传递腔室机器人312的振动及位置噪声。距离传感器可以用于检测夹盘(台)、边缘环、喷头、壁、或处理腔室314、316、318的任何其他部件上的腐蚀和/或侵蚀。例如，在蚀刻工艺期间，边缘环可以用于促进沿着基板表面的均匀性。然而，蚀刻可以侵蚀边缘环。由此，位置传感器可以用于通过测量在边缘环的顶面与例如基板的顶平面之间的距离来检测所述侵蚀。相机可以记录处理腔室314、316、318的截面，用于由操作人员目视检查。电容器传感器可以用于检测在处理腔室314、316、318内部用于气体分配的喷头的位置、确定基板水平、检测腐蚀等。反射计可以用于探测处理腔室314、316、318的壁上的老化膜的质量。例如，反射计可以产生到处理腔室314、316、318的壁上的光并且记录反射光的反射指数。高温计可以用于检测处理腔室314、316、318中的加热器的温度均匀性、检测处理腔室314、316、318内部的热点等。传递腔室机器人312可以包括所论述传感器或其他传感器的任何数量或组合。
一个或多个传感器可以耦接到传递腔室机器人312的终端受动器、传递腔室机器人312的一个或多个连杆、或传递腔室机器人312的任何其他截面。在一些实施方式中，与传递基板所需者相比，传递腔室机器人312可以包括额外连杆和/或更多自由度。额外连杆和/或自由度可以用于操作传感器。特定而言，传递腔室机器人312可以包括一个或多个额外连杆以耦接到传感器，并且连杆(或传递腔室机器人312)可以包括一个或多个额外自由度以平移、旋转和/或定位处理腔室314、316、318内的传感器。例如，传递腔室机器人312可以包括耦接到高分辨率相机的能够在处理腔室314、316、318内旋转该相机的额外连杆。
在一些实施方式中，传感器耦接到电力链路和/或数据链路中的一者或多者。电力链路可以是能够将电力提供到传感器的任何有线或无线(例如，感应)连接。在一些实施方式中，电力链路是用于将电力提供到传递腔室机器人312的其他功能(例如，连杆移动功能、效应器操作功能等)的类似或相同系统。在一些实施方式中，电力链路是独立于用于将电力提供到传递腔室机器人312的其他功能的另一电力链路的系统。数据链路可以是用于提供或从传感器撷取数据的任何有线或无线(WiFi、蓝牙、基于因特网等)连接。例如，数据链路可以用于将指令提供到传感器以进行测量或读取、将收集的数据发送到接口(用户界面)或数据存储系统等。在一些实施方式中，数据链路是独立于另一数据链路的系统，该另一数据链路用于提供指令并且与传递腔室机器人312通信以使得传递腔室机器人312能够在传递腔室314、316、318及装载锁定机构320之间传递及定位基板。
处理腔室314、316、318可以适用于在基板302上执行任何数量的工艺。相同或不同的基板工艺可以在每个处理腔室314、316、318中发生。基板工艺可以包括原子层沉积(atomic layer deposition；ALD)、物理气相沉积(physical vapor deposition；PVD)、化学气相沉积(chemical vapor deposition；CVD)、蚀刻、退火、固化、预清洁、金属或金属氧化物去除、或类似者。其他工艺可以在其中的基板上执行。处理腔室314、316、318可以各自包括一个或多个传感器，所述传感器经配置为在基板工艺之前、之后、或期间捕获基板302的数据。例如，一个或多个传感器可以经配置为在基板工艺期间捕获基板302的一部分的光谱数据和/或非光谱数据。在其他或类似实施方式中，一个或多个传感器可以经配置为在基板工艺之前、之后、或期间捕获与处理腔室314、316、318内的环境相关联的数据。例如，一个或多个传感器可以经配置为在基板工艺期间捕获与处理腔室314、316、318内的环境的温度、压力、气体浓度等相关联的数据。
装载锁定机构320也可以耦接到外壳308及传递腔室310。装载锁定机构320可以经配置为与一侧上的传递腔室310及工厂接口306对接并且耦接到该传递腔室及该工厂接口。装载锁定机构320可以具有环境受控的气氛，在一些实施方式中该环境受控的气氛可以从真空环境(其中可以将基板传递到传递腔室310且从传递腔室310传递基板)改变为处于或接近大气压惰性气体环境(其中可以将基板传递到工厂接口306且从工厂接口306传递基板)。工厂接口306可以是任何适宜的壳体，诸如，例如，设备前端模块(Equipment FrontEnd Module；EFEM)。工厂接口306可以经配置为从位于工厂接口306的各个装载端口324处的基板载具322(例如，前开式标准舱(FOUP))接收基板302。工厂接口机器人326(以虚线图标)可以经配置为在载具(也称为容器)322与装载锁定机构320之间传递基板302。载具322可以是基板存储载具或替换部分存储载具。
制造系统300也可以连接到客户端装置(未图标)，该客户端装置经配置为将关于制造系统300的信息提供到用户(例如，操作人员)。在一些实施方式中，客户端装置可以经由一个或多个图形用户界面(GUI)将信息提供到制造系统300的用户。例如，客户端装置可以经由GUI提供关于在处理腔室314、316、318处执行的沉积工艺期间待在基板302的表面上沉积的膜的目标厚度分布的信息。根据本文描述的实施方式，鉴于经预测为对应于目标分布的沉积设置的相应集合，客户端装置还可以提供关于对工艺配方的修改的信息。
制造系统300还可以包括系统控制器328。系统控制器328可以是和/或包括计算装置，诸如个人计算机、服务器计算机、可编程逻辑控制器(programmable logiccontroller；PLC)、微控制器等等。系控制器328可以包括一个或多个处理装置，所述处理装置可以是通用处理装置，诸如微处理器、中央处理单元、或类似者。更特定而言，处理装置可以是复杂指令集计算(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、极长指令词(very longinstruction word；VLIW)微处理器、或实施其他指令集的处理器或实施指令集组合的处理器。处理装置还可以是一个或多个专用处理装置，诸如专用集成电路(applicationspecific integrated circuit；ASIC)、现场可编程门阵列(field programmable gatearray；FPGA)、数字信号处理器(digital signal processor；DSP)、网络处理器、或类似者。系统控制器328可以包括数据存储装置(例如，一个或多个磁盘驱动器和/或固态驱动器)、主存储器、静态存储器、网络接口和/或其他部件。系统控制器328可以执行指令以执行本文描述的方法论和/或实施方式中的任何一个或多个。在一些实施方式中，系统控制器328可以执行指令以根据工艺配方在制造系统300处执行一个或多个操作。指令可以存储在计算机可读存储介质上，该计算机可读存储介质可以包括主存储器、静态存储器、辅助存储器和/或处理装置(在执行指令期间)。
系统控制器328可以从在制造系统300的各个部分(例如，处理腔室314、316、318，传递腔室310，装载锁定机构320等)上或内包括的传感器接收数据。在一些实施方式中，系统控制器328接收的数据可以包括基板320的一部分的光谱数据和/或非光谱数据。在其他或类似实施方式中，如先前描述，由系统控制器328接收的数据可以包括与处理腔室314、316、318处的处理基板302相关联的数据。出于本说明的目的，将系统控制器328描述为从处理腔室314、316、318内包括的传感器接收数据。然而，根据本文描述的实施方式，系统控制器328可以从制造系统300的任何部分接收数据，并且可以使用从该部分接收的数据。在说明性实例中，系统控制器328可以在处理腔室314、316、318处的基板工艺之前、之后、或期间从处理腔室314、316、318的一个或多个传感器接收数据。从制造系统300的各个部分的传感器接收的数据可以存储在数据存储器350中。数据存储器350可以作为部件包括在系统控制器328内或可以是与系统控制器328分离的部件。
图4是根据本公开内容的实施方式的处理腔室400的横截面示意性侧视图。在一些实施方式中，处理腔室400可以对应于关于图3描述的处理腔室314、316、318。处理腔室400可以用于其中提供腐蚀性等离子体环境的工艺。例如，处理腔室400可以是用于等离子体蚀刻器或等离子体蚀刻反应器等等的腔室。在另一实例中，如先前描述，处理腔室可以是用于沉积工艺的腔室。在一些实施方式中，处理腔室400可以是在电子器件制造系统中使用的任何腔室。如所论述，传递腔室机器人312可以进入处理腔室400并且使用一个或多个传感器执行读取、测量、及收集数据。
在一个实施方式中，处理腔室400包括封闭内部空间406的腔室主体402及喷头430。喷头430可以包括喷头基底及喷头气体分配板。或者，喷头430可以在一些实施方式中由盖及喷嘴替代，或在其他实施方式中由多个饼形喷头隔室及等离子体产生单元替代。腔室主体402可以由铝、不锈钢或其他适宜材料(诸如钛(Ti))制造。腔室主体402大体包括侧壁408及底部410。排气口426可以在腔室主体402中界定，并且可以将内部空间406耦接到流量控制设备428。流量控制设备428可以包括用于抽空及调节处理腔室400的内部空间406的压力的一个或多个泵及节流阀。
喷头430可以支撑在腔室主体402的侧壁408上。喷头420(或盖)可以打开以允许进入处理腔室400的内部空间406，并且当关闭时可以为处理腔室400提供密封。气体面板458可以耦接到处理腔室400以将处理和/或清洁气体经由供应线412穿过喷头430或盖及喷嘴(例如，穿过喷头或盖的孔及喷嘴)提供到内部空间406。例如，气体面板458可以提供在基板302的表面上沉积的膜451的材料的前驱物。在一些实施方式中，前驱物可以包括基于硅的前驱物或基于硼的前驱物。喷头430可以包括气体分配板(gas distribution plate；GDP)并且在整个GDP中可以具有多个气体递送孔洞432(也称为通道)。基板支撑组件448在喷头430下方的处理腔室400的内部空间406中设置。基板支撑组件448在处理期间(例如，在沉积工艺期间)固持基板302。
在一些实施方式中，处理腔室400可以包括经配置为在处理腔室400处执行的工艺期间产生原位计量测量的计量设备(未图示)。计量设备可以可操作地耦接到系统控制器(例如，系统控制器328，如先前描述)。在一些实施方式中，计量设备可以经配置为在沉积工艺的特定实例期间产生膜451的计量测量值(例如，厚度)。系统控制器可以基于从计量设备接收的计量测量值产生膜451的厚度分布。在其他或类似实施方式中，处理腔室400不包括计量设备。在此种实施方式中，在处理腔室400处完成沉积工艺之后，系统控制器可以接收膜451的一个或多个计量测量值。系统控制器可以基于一个或多个计量测量值来确定沉积速率并且可以基于沉积工艺的所确定浓度梯度及所确定沉积速率来关联产生膜451的厚度分布。
图5是根据本公开内容的实施方式的处理工具500的示意性俯视图。在一些实施方式中，处理工具500可以对应于关于图3描述的处理工具504。处理工具500可以包括处理腔室510A-510F、传递腔室515、及传递腔室机器人520。传递腔室机器人520可以包括终端受动器525A及525B。终端受动器525A可以包括传感器530A及530B。传感器530A、530B可以包括下列的一个或多个：加速计、距离传感器、相机、电容传感器、反射计、高温计、激光诱导的荧光分光镜、光纤光学组件等。
传递腔室机器人520可以定位任何处理腔室510A-510F内的终端受动器525A、525B。通过说明性实例的方式，图5图示了在处理腔室510C内定位的终端受动器525A。使用传感器530A及530B，传递腔室机器人520可以进行读取和/或测量处理腔室510C。在一些实施方式中，传感器及或传递腔室机器人520包括处理装置，诸如中央处理单元(centralprocessing unit；CPU)、微控制器、可编程逻辑控制器(programmable logic controller；PLC)、芯片上系统(system on a chip；SoC)、服务器计算机、或其他适宜类型的计算装置。处理装置可以经配置为执行关于传感器的操作的编程指令。处理装置可以从传感器装置接收反馈信号并且将信号计算为传感器数据(例如，温度、视频数据、位置数据等)。处理装置可以进一步基于接收的指令将控制信号发送到传感器。在一些实施方式中，处理装置经配置为用于高速反馈处理，并且可以包括例如EPM。在一些实施方式中，处理装置经配置为将反馈信号和/或传感器数据传送(transmit)或发送(send)到接口(例如，用户界面)、数据存储器等。
图6是根据本公开内容的实施方式的传递腔室机器人连杆组件600的示意性俯视图。连杆组件600可以包括第一连杆610、第二连杆615、及传感器620。传感器620可以耦接到第二连杆615。传感器620可以包括下列的一个或多个：加速计、距离传感器、相机、电容传感器、反射计、高温计、激光诱导的荧光分光镜、光纤光学组件等。通过说明性实例的方式，第二连杆615可以经由销耦接到第一连杆610，此使得第二连杆615(及传感器620)以弧形运动625移动。第一连杆610可以经由传递腔室机器人的另一连杆耦接到传递腔室机器人、耦接到传递腔室机器人的终端受动器等。
图7是根据本公开内容的方面的用于控制传递腔室机器人以使用传感器进行测量的方法700的流程图。方法700由处理逻辑执行，该处理逻辑可以包括硬件(电路系统、专用逻辑等)、软件(诸如在通用计算机系统或专用机器上运行)、固件、或其一些组合。在一个实施方式中，方法700可以由计算机系统(诸如图1的系统控制器128)执行。在其他或类似实施方式中，方法700的一个或多个操作可以由未在附图中描绘的一个或多个其他机器执行。
于方块710，处理逻辑定位处理腔室内的一个或多个传感器。一个或多个传感器可以耦接到传递腔室机器人。例如，处理逻辑可以定位传感器与之附接的传递腔室机器人的终端受动器、传感器与之附接的传递腔室机器人的连杆、或其任何组合。处理逻辑可以响应于用户输入(例如，经由用户界面)、响应于预定命令(例如，排程命令)等定位传感器。在一些实施方式中，处理逻辑可以基于传感器和/或处理腔室的类型使用含有关于处理腔室内的传感器的位置的数据的数据库或链接库。
于方块720，处理逻辑从传递腔室机器人的一个或多个传感器获得传感器数据。例如，一个或多个传感器可以捕获与处理腔室相关联的部件的任何部分的光谱数据和/或非光谱数据。此外，一个或多个传感器可以经配置为捕获与处理腔室内的环境相关联的数据。例如，一个或多个传感器可以经配置为捕获与处理腔室内的环境的温度、压力、气体浓度等相关联的数据。在一些实施方式中，一旦定位，处理逻辑就可以移动处理腔室内的传感器(由移动连杆、终端受动器等)以收集传感器数据。移动可以是基于经由用户界面、控制器(例如，操纵杆、触摸屏)等的使用者输入的自动移动(例如，预定移动)或人工移动。例如，在其中传感器是相机的实施方式中，使用者可将相机导引至处理腔室内的其他位置以记录视频和/或音频数据。传感器数据可发送到用户界面、数据库结构等。
于方块730，处理逻辑从处理腔室移除传感器。例如，处理逻辑可以定位传递腔室内或不同处理腔室内的传感器。
图8是根据本公开内容的方面的用于使用机器学习模型确定处理腔室子系统的失效类型的方法800的流程图。方法800由处理逻辑执行，该处理逻辑可以包括硬件(电路系统、专用逻辑等)、软件(诸如在通用计算机系统或专用机器上运行)、固件、或其一些组合。在一个实施方式中，方法800可以由计算系统(诸如图1的计算机系统架构100)执行。在其他或类似实施方式中，方法800的一个或多个操作可以由未在附图中描绘的一个或多个其他机器执行。在一些方面中，方法600的一个或多个操作可以由服务器机器170、服务器机器180和/或预测服务器112执行。
于方块810，处理逻辑获得与处理腔室中执行的操作相关联的传感器数据。在一些实施方式中，操作可以包括在处理腔室中执行以在基板表面上沉积一层或多层膜的沉积工艺、在基板表面上的一层或多层膜上执行的蚀刻工艺等。操作可以根据配方执行。传感器数据可以包括下列的一个或多个的值：温度(例如，加热器温度)、间隔、压力、高频射频、静电夹盘的电压、电流、材料流量、电力、电压等。传感器数据可以与制造参数相关联或指示制造参数，制造参数诸如硬件参数，诸如制造设备124的设置或部件(例如，大小、类型等)、或制造设备124的处理参数。可以使用传感器126获得传感器数据。
于方块812，处理逻辑将机器学习模型(例如，模型190)应用于获得的传感器数据。机器学习模型可以用于产生与处理腔室子系统的希望行为相关联的一个或多个值。例如，机器学习模型可以使用算法以使用训练集合T产生处理腔室子系统的预测行为。在一些实施方式中，机器学习模型使用处理腔室的子系统的历史传感器数据及与用于执行操作的配方相关联的任务数据来训练。
于方块814，处理逻辑基于传感器数据经由机器学习模型产生输出。在一些实施方式中，输出可以是指示模式(例如，故障模式)的值。特定而言，输出可以包括当前数据是否指示由处理腔室经历的失效的预测数据。在一些实施方式中，输出是指示在处理腔室子系统的希望行为与处理腔室子系统的实际行为之间的差异的至少一个值。特定而言，值可以指示在与子系统相关联的传感器集合的实际值与传感器集合的希望值之间的差异。失效可以包括机构故障、高压或低压、高气体流量或低气体流量、高温或低温等。
于方块816，处理逻辑确定处理腔室子系统是否经历失效。在一些实施方式中，失效可以包括机构故障、高压或低压、高气体流量或低气体流量、高温或低温、侵蚀、腐蚀、劣化等。在一些实施方式中，处理逻辑可以通过将输出与预定阈值进行比较来确定处理腔室子系统是否经历失效。在一些实施方式中，处理逻辑可以通过确定输出未能匹配希望行为来确定处理腔室子系统是否经历失效。响应于处理逻辑确定处理腔室子系统未经历失效(例如，输出的值不超过预定阈值)，处理逻辑可以进行到方块810。响应于处理逻辑确定处理腔室子系统正经历失效(例如，输出的值超过预定阈值)，处理逻辑可以进行到方块818。
于方块818，处理逻辑可以基于输出识别失效类型。在一些实施方式中，处理逻辑可以将故障模式与制造数据图表和/或已知故障模式的链接库进行比较，用于当与已知故障模式或制造数据图表进行比较时基于故障模式的类似性来确定失效类型。在一些实施方式中，可以使用自然语言处理从制造数据图表中提取故障类型并且故障类型随后与对应故障模式相关联。在一些实施方式中，失效类型可以在用户界面上显示(给用户)。
于方块820，处理逻辑可以基于识别的失效执行(或建议)校正动作。在一些实施方式中，可以基于从故障链接库获得的数据确定校正动作。在一些实施方式中，校正动作可以包括向客户端装置120产生所确定问题的警报或指示。在一些实施方式中，校正动作可以包括指示故障或失效的类型、故障或失效的原因和/或建议的校正动作的处理逻辑。在一些实施方式中，校正动作可以包括处理逻辑基于膜的期望性质来调节沉积工艺配方的一个或多个参数(例如，处理腔室的温度设置、处理腔室的压力设置、在基板表面上沉积的膜中包括的材料的前驱物的流动速率设置等)。在一些实施方式中，可以在沉积工艺之前、期间(例如，实时地)或之后调节沉积工艺配方。
图9是根据某些实施方式示出计算机系统900的方块图。在一些实施方式中，计算机系统900可连接(例如，经由网络，诸如局域网络(LAN)、网内网络、网外网络、或因特网)到其他计算机系统。计算机系统900可在客户端-服务器网络环境中以服务器或客户端计算机的身份操作，或作为同级间或分布式网络环境中作为同级点计算机。计算机系统900可由个人计算机(PC)、平板PC、机顶盒(Set-Top Box；STB)、个人数字助理(Personal DigitalAssistant；PDA)、蜂巢电话、网络设备、服务器、网络路由器、交换机或网桥、或能够执行指令集(连续或以其他方式)的任何装置执行，该指令集规定由该装置采取的动作。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。
在另外的方面中，计算机系统900可包括可经由总线908彼此通信的处理装置902、易失性存储器904(例如，随机存取存储器(Random Access Memory；RAM))、非易失性存储器906(例如，只读存储器(Read-Only Memory；ROM)或电子可擦除可编程ROM(Electrically-Erasable Programmable ROM；EEPROM))、及数据存储装置916。
处理装置902可由一个或多个处理器提供，诸如通用处理器(诸如，例如，复杂指令集计算(CISC)微处理器、精简指令集计算(RISC)微处理器、极长指令字(VLIW)微处理器、实施其他类型的指令集的微处理器、或实施各类型指令集的组合的微处理器)或专用处理器(诸如，例如，专用集成电路(ASIC)、现场可编程门阵列(FPGA)、数字信号处理器(DSP)、或网络处理器)。
计算机系统900可进一步包括网络接口装置922(例如，耦接到网络974)。计算机系统900还可包括视频显示单元910(例如，LCD)、字母数字输入装置912(例如，键盘)、光标控制装置914(例如，鼠标)、及信号产生装置920。
在一些实施方式中，数据存储装置916可包括非暂时性计算机可读存储介质924，其上可存储编码本文描述的方法或功能的任何一个或多个的指令926，包括图1的指令编码部件(例如，校正动作部件122、预测部件114等)并且用于实施本文描述的方法。
指令926也可在其由计算机系统900执行期间完全或部分驻存在易失性存储器904内和/或处理装置902内，因此，易失性存储器904及处理装置902也可构成机器可读取存储介质。
尽管计算机可读存储介质924在说明性实例中图标为单个介质，但术语“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”还应当包括能够存储或编码指令集用于由计算机执行的任何有形介质，该指令集导致计算机执行本文描述的任何一个或多个方法。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、及特征可由离散硬件部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、及特征可以由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”、“导致”、“存取”、“确定”、“添加”、“使用”、“训练”、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、或显示装置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工艺。此外，如本文使用，术语“第一”、“第二”、“第三”、“第四”等意味着在不同元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。
本文描述的实例还涉及一种用于执行本文描述的方法的设备。此设备可经专门构造用于执行本文描述的方法，或可包括由存储在计算机系统中的计算机程序选择性编程的通用计算机系统。此种计算机程序可存储在计算机可读取有形存储介质中。
本文描述的方法及说明性实例并非固有地关于任何特定计算机或其他设备。可根据本文描述的教示使用各种通用系统，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。在上文描述中阐述用于各种这些系统的结构的实例。
以上描述意欲为说明性而非限制性的。尽管已经参考特定说明性实例及实施方式描述本公开内容，但将认识到本公开内容不限于所描述的实例及实施方式。本公开内容的范围应当参考随附权利要求书连同此种权利要求书所赋予的等同物的全部范围来确定。
前述描述阐述了数个具体细节，诸如特定系统、部件、方法等等的实例，以便提供对本公开内容的若干实施方式的良好理解。然而，本领域技术人员将显而易见，可以在没有这些具体细节的情况下实践本公开内容的至少一些实施方式。在其他情况中，未详细描述并熟知的部件或方法且其以简单的方块图格式提供，以便避免不必要地混淆本公开内容。因此，阐述的具体细节仅是示例性的。特定实施方式可以从这些示例性细节改变并且仍预期在本公开内容的范围内。
在整个此说明书中提及“一个实施方式”或“一实施方式”意指结合实施方式描述的特定特征、结构、或特性包括在至少一个实施方式中。因此，在整个此说明书的各个位置中出现词组“在一个实施方式中”或“在一实施方式中”不一定皆指相同实施方式。另外，术语“或”意欲意味着包括性“或”而非排除性“或”。当在本文中使用术语“约”或“近似”时，这意欲意味着所提供的标称值在±10％内为精确的。

Claims (22)

1.一种用于电子器件制造系统的处理工具，所述处理工具包含：
传递腔室；
处理腔室，耦接到所述传递腔室；和
传递腔室机器人，经配置为将基板传递到所述处理腔室及从所述处理腔室传递基板，其中所述传递腔室机器人包含经配置为在所述处理腔室内部进行测量的传感器。
2.如权利要求1所述的处理工具，其中所述传感器耦接到所述传递腔室机器人的终端受动器。
3.如权利要求1所述的处理工具，其中所述传感器耦接到所述传递腔室机器人的连杆。
4.如权利要求1所述的处理工具，其中所述传感器包含下列的至少一者：加速计、距离传感器、相机、电容传感器、反射计、高温计、激光诱导的荧光分光镜、或光纤光学组件。
5.如权利要求1所述的处理工具，其中所述传感器耦接到能够将电力提供到所述传感器的电力链路。
6.如权利要求1所述的处理工具，其中所述传感器耦接到能够将所述测量发送到用户界面或数据存储系统的数据链路。
7.如权利要求1所述的处理工具，其中所述传感器可以独立于耦接到所述传递腔室机器人的终端受动器而定位。
8.一种电子器件制造系统，包含：
装载锁定机构及处理工具，其中所述处理工具包含：
传递腔室；
处理腔室，耦接到所述传递腔室；和
传递腔室机器人，经配置为将基板从所述装载锁定机构传递到所述处理腔室及反之亦然，其中所述传递腔室机器人包含经配置为在所述处理腔室内部进行测量的传感器。
9.如权利要求8所述的电子器件制造系统，其中所述传感器耦接到所述传递腔室机器人的终端受动器。
10.如权利要求8所述的电子器件制造系统，其中所述传感器耦接到所述传递腔室机器人的连杆。
11.如权利要求8所述的电子器件制造系统，其中所述传感器包含下列的至少一者：加速计、距离传感器、相机、电容传感器、反射计、高温计、激光诱导的荧光分光镜、或光纤光学组件。
12.如权利要求8所述的电子器件制造系统，其中所述传感器耦接到能够将电力提供到所述传感器的电力链路。
13.如权利要求8所述的电子器件制造系统，其中所述传感器耦接到能够将所述测量发送到用户界面或数据存储系统的数据链路。
14.如权利要求8所述的电子器件制造系统，其中所述传感器可以独立于耦接到所述传递腔室机器人的终端受动器而定位。
15.一种传递腔室机器人，包含：
臂组件，包含多个连杆；
终端受动器，耦接到所述臂组件，其中所述终端受动器经配置将基板传递到处理腔室及从所述处理腔室传递基板；和
传感器，耦接到所述臂组件并且经配置为在所述处理腔室内部进行测量。
16.如权利要求15所述的传递腔室机器人，其中所述传感器耦接到所述传递腔室机器人的所述终端受动器。
17.如权利要求15所述的传递腔室机器人，其中所述传感器耦接到所述多个连杆的连杆。
18.如权利要求15所述的传递腔室机器人，其中所述传感器包含下列的至少一者：加速计、距离传感器、相机、电容传感器、反射计、高温计、激光诱导的荧光分光镜、或光纤光学组件。
19.如权利要求15所述的传递腔室机器人，其中所述传感器可以独立于耦接到所述传递腔室机器人的所述终端受动器而定位。
20.一种方法，包含以下步骤：
由处理器定位处理腔室内的传递腔室机器人的部分，所述部分包含至少一个传感器；
使用所述一个或多个传感器获得与所述处理腔室相关联的传感器数据；和
从所述处理腔室移除所述传递腔室机器人的所述部分。
21.一种方法，包含以下步骤：
由处理器获得由处理腔室处的传感器装置产生的多个传感器值；
将机器学习模型应用于所述多个传感器值，基于所述处理腔室的子系统的历史传感器数据及与用于沉积所述膜的所述配方相关联的任务数据来训练所述机器学习模型；
产生所述机器学习模型的输出，其中所述输出指示所述子系统的失效类型；
确定所述子系统的所述失效类型；和
基于所述失效类型来产生校正动作。
22.如权利要求21所述的方法，其中所述传感器装置耦接到传递腔室机器人。
CN202280047384.5A 2021-07-08 2022-07-06 用于无接触处理腔室表征的方法及机制 Pending CN117836922A (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US202163219498P 2021-07-08 2021-07-08
US63/219,498 2021-07-08
US17/857,630 US20230008072A1 (en) 2021-07-08 2022-07-05 Method and mechanism for contact-free process chamber characterization
US17/857,630 2022-07-05
PCT/US2022/036263 WO2023283271A1 (en) 2021-07-08 2022-07-06 Method and mechanism for contact-free process chamber characterization

Publications (1)

Publication Number Publication Date
CN117836922A true CN117836922A (zh) 2024-04-05

Family

ID=84799379

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202280047384.5A Pending CN117836922A (zh) 2021-07-08 2022-07-06 用于无接触处理腔室表征的方法及机制

Country Status (7)

Country Link
US (1) US20230008072A1 (zh)
EP (1) EP4367714A4 (zh)
JP (1) JP2024527564A (zh)
KR (1) KR20240027837A (zh)
CN (1) CN117836922A (zh)
TW (1) TW202309755A (zh)
WO (1) WO2023283271A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI858685B (zh) * 2023-05-01 2024-10-11 友達光電股份有限公司 設備清洗排程方法及裝置

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5963315A (en) * 1997-08-18 1999-10-05 Motorola, Inc. Method and apparatus for processing a semiconductor wafer on a robotic track having access to in situ wafer backside particle detection
KR20070053538A (ko) * 2005-11-21 2007-05-25 삼성전자주식회사 얼라인부를 갖는 웨이퍼 이송로봇
US8260461B2 (en) * 2007-08-30 2012-09-04 Applied Materials, Inc. Method and system for robot calibrations with a camera
US8224607B2 (en) * 2007-08-30 2012-07-17 Applied Materials, Inc. Method and apparatus for robot calibrations with a calibrating device
JP2010226014A (ja) * 2009-03-25 2010-10-07 Panasonic Corp 基板搬送装置
US8958907B2 (en) * 2011-03-31 2015-02-17 Sinfonia Technology Co., Ltd. Robot arm apparatus
TWI725303B (zh) * 2012-02-10 2021-04-21 美商布魯克斯自動機械公司 基材處理設備
US10014198B2 (en) * 2015-08-21 2018-07-03 Lam Research Corporation Wear detection of consumable part in semiconductor manufacturing equipment
US11101163B2 (en) * 2018-01-30 2021-08-24 Taiwan Semiconductor Manufacturing Co., Ltd. Systems and methods for automated robotic arm sensing
JP6999241B2 (ja) * 2018-07-25 2022-01-18 株式会社ディスコ プラズマエッチング装置
US11348813B2 (en) * 2019-01-31 2022-05-31 Applied Materials, Inc. Correcting component failures in ion implant semiconductor manufacturing tool
US11592812B2 (en) * 2019-02-19 2023-02-28 Applied Materials, Inc. Sensor metrology data integration
US11279032B2 (en) * 2019-04-11 2022-03-22 Applied Materials, Inc. Apparatus, systems, and methods for improved joint coordinate teaching accuracy of robots
US12341040B2 (en) * 2019-07-26 2025-06-24 Lam Research Corporation Integrated adaptive positioning systems and routines for automated wafer-handling robot teach and health check
US12215966B2 (en) * 2019-12-06 2025-02-04 Applied Materials, Inc. Methods and systems of optical inspection of electronic device manufacturing machines
US20220284342A1 (en) * 2021-03-04 2022-09-08 Applied Materials, Inc. Systems and methods for process chamber health monitoring and diagnostics using virtual model

Also Published As

Publication number Publication date
WO2023283271A1 (en) 2023-01-12
EP4367714A1 (en) 2024-05-15
TW202309755A (zh) 2023-03-01
US20230008072A1 (en) 2023-01-12
KR20240027837A (ko) 2024-03-04
JP2024527564A (ja) 2024-07-25
EP4367714A4 (en) 2025-06-11

Similar Documents

Publication Publication Date Title
US20220284342A1 (en) Systems and methods for process chamber health monitoring and diagnostics using virtual model
US12235624B2 (en) Methods and mechanisms for adjusting process chamber parameters during substrate manufacturing
US20250181049A1 (en) Methods and mechanisms for generating a data collection plan for a semiconductor manufacturing system
TW202334767A (zh) 用於製程配方最佳化的方法及機制
CN119256394A (zh) 用于在基板制造期间调节膜沉积参数的方法和机制
US20230008072A1 (en) Method and mechanism for contact-free process chamber characterization
US20230306300A1 (en) Methods and mechanisms for measuring patterned substrate properties during substrate manufacturing
US20230089982A1 (en) Methods and mechanisms for coupling sensors to transfer chamber robot
US12259719B2 (en) Methods and mechanisms for preventing fluctuation in machine-learning model performance
CN117916871A (zh) 用于将传感器耦合至传输腔室机器人的方法和机构
US20250094829A1 (en) Methods and mechanisms for trace-based transfer learning
KR20230151494A (ko) 모델 성능 튜닝을 위한 가상 노브들을 생성하기 위한 방법들 및 메커니즘들

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