CN117882170A - 信息处理方法、信息处理装置、以及基板处理系统 - Google Patents
信息处理方法、信息处理装置、以及基板处理系统 Download PDFInfo
- Publication number
- CN117882170A CN117882170A CN202280058364.8A CN202280058364A CN117882170A CN 117882170 A CN117882170 A CN 117882170A CN 202280058364 A CN202280058364 A CN 202280058364A CN 117882170 A CN117882170 A CN 117882170A
- Authority
- CN
- China
- Prior art keywords
- model
- learning model
- learning
- substrate processing
- sensor
- 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
- 239000000758 substrate Substances 0.000 title claims abstract description 198
- 238000012545 processing Methods 0.000 title claims abstract description 196
- 230000010365 information processing Effects 0.000 title claims abstract description 28
- 238000003672 processing method Methods 0.000 title claims abstract description 21
- 238000000034 method Methods 0.000 claims abstract description 52
- 230000008569 process Effects 0.000 claims abstract description 51
- 238000003860 storage Methods 0.000 claims description 46
- 238000005070 sampling Methods 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 description 48
- 239000007789 gas Substances 0.000 description 31
- 238000004590 computer program Methods 0.000 description 26
- 238000010586 diagram Methods 0.000 description 22
- 238000012549 training Methods 0.000 description 21
- 238000011156 evaluation Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 12
- 238000005259 measurement Methods 0.000 description 10
- 238000012546 transfer Methods 0.000 description 10
- 230000032258 transport Effects 0.000 description 10
- 239000010408 film Substances 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 8
- 230000007246 mechanism Effects 0.000 description 8
- 230000015654 memory Effects 0.000 description 8
- 230000002159 abnormal effect Effects 0.000 description 6
- 238000009792 diffusion process Methods 0.000 description 6
- 239000000284 extract Substances 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 5
- 230000007723 transport mechanism Effects 0.000 description 5
- 238000001636 atomic emission spectroscopy Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 238000005229 chemical vapour deposition Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000005755 formation reaction Methods 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 230000002787 reinforcement Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004380 ashing Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000006866 deterioration Effects 0.000 description 2
- 238000005530 etching Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000007789 sealing Methods 0.000 description 2
- 238000004544 sputter deposition Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000005401 electroluminescence Methods 0.000 description 1
- 238000000295 emission spectrum Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000010926 purge Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000002945 steepest descent method Methods 0.000 description 1
- 239000010409 thin film Substances 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
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
- H01L21/67005—Apparatus not specifically provided for elsewhere
- H01L21/67242—Apparatus for monitoring, sorting or marking
- H01L21/67253—Process monitoring, e.g. flow or thickness monitoring
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- H01L21/02—Manufacture or treatment of semiconductor devices or of parts thereof
-
- 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
- H01L21/67098—Apparatus for thermal treatment
-
- 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
- H01L21/677—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
- H01L21/67703—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 between different workstations
- H01L21/6773—Conveying cassettes, containers or carriers
-
- 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
- H01L21/683—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 supporting or gripping
- H01L21/687—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 supporting or gripping using mechanical means, e.g. chucks, clamps or pinches
- H01L21/68714—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 supporting or gripping using mechanical means, e.g. chucks, clamps or pinches the wafers being placed on a susceptor, stage or support
- H01L21/68785—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 supporting or gripping using mechanical means, e.g. chucks, clamps or pinches the wafers being placed on a susceptor, stage or support characterised by the mechanical construction of the susceptor, stage or support
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Power Engineering (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Manufacturing & Machinery (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Automation & Control Theory (AREA)
- Container, Conveyance, Adherence, Positioning, Of Wafer (AREA)
- General Factory Administration (AREA)
Abstract
提供一种信息处理方法、信息处理装置、以及基板处理系统。包含如下的工序:从设置于基板处理装置的传感器获取时间序列数据的工序;基于获取到的时间序列数据,进行在输入了来自传感器的时间序列数据的情况下,输出与基板处理装置相关的信息的第一学习模型的学习的工序;以及向学习后的第一学习模型输入来自传感器的时间序列数据,输出基于从第一学习模型得到的信息的推断结果的工序。
Description
技术领域
本发明涉及信息处理方法、信息处理装置、以及基板处理系统。
背景技术
在基板处理系统中,使用多个边缘设备,在具有多个边缘设备的多种腔室中,执行各种工序。
专利文献1:国际公开第2018/173121号
专利文献2:国际公开第2019/163823号
发明内容
本公开是鉴于这种情况而完成的,提供高效地制作并管理应用于在基板处理系统中设置的各种边缘设备的模型的信息处理方法、信息处理装置、以及基板处理系统。
本发明的一个技术方案的信息处理方法包含:从设置于基板处理装置的传感器获取时间序列数据的工序;基于获取到的时间序列数据,进行在输入了来自上述传感器的时间序列数据的情况下,输出与上述基板处理装置相关的信息的第一学习模型的学习的工序;以及向学习后的第一学习模型输入来自上述传感器的时间序列数据,输出基于从上述第一学习模型得到的信息的推断结果的工序。
根据本公开,能够高效地制作、管理设置于基板处理系统的各种边缘设备的推论模型。
附图说明
图1是表示实施方式的基板处理系统的结构例的图。
图2是表示基板处理装置的驱动系统的结构的示意图。
图3是表示腔室的结构例的剖视图。
图4是对基板处理装置的控制系统的结构进行说明的框图。
图5是表示基板处理装置所具备的边缘设备的内部结构的框图。
图6是表示边缘设备所具备的观测模型的结构例的示意图。
图7是表示边缘设备所具备的控制模型的结构例的示意图。
图8是表示基板处理装置所具备的控制设备的内部结构的框图。
图9是表示数据库的结构例的概念图。
图10是表示装置组服务器的内部结构的框图。
图11是表示数据库的结构例的概念图。
图12是表示基于边缘设备的第一学习模型的生成顺序的流程图。
图13是表示在运用阶段中在基板处理装置的内部执行的处理的顺序的流程图。
图14是表示在运用阶段中在基板处理装置与装置组服务器之间执行的处理的顺序的流程图。
图15是表示评价结果的显示例的示意图。
具体实施方式
以下,参照附图对一个实施方式进行说明。在说明中,对相同要素或者具有相同功能的要素标注相同的附图标记,并省略重复的说明。
(实施方式1)
图1是表示实施方式的基板处理系统的结构例的图。实施方式的基板处理系统是用于管理应用于多个基板处理装置100A~100D的学习模型的系统。基板处理系统包含多个基板处理装置100A~100D、以及从多个基板处理装置100A~100D收集数据的装置组服务器200。各基板处理装置100A~100D与装置组服务器200经由LAN(Local Area Network:局域网)、专用线路等通信网络NW连接为能够通信。
在本实施方式中,基板处理系统为包含4台基板处理装置100A~100D的结构,但装置台数不限于4台。在以下的说明中,在不需要区别说明基板处理装置100A~100D的情况下,也记载为基板处理装置100(参照图2)。在本实施方式中,装置组服务器200可以是单一的计算机,也可以是由多个计算机、外围设备等构成的计算机系统。另外,装置组服务器200可以是实体被虚拟化的虚拟机,也可以是云。
图2是表示基板处理装置100的驱动系统的结构的示意图。基板处理装置100具备:用于搬入搬出基板W的输送单元HU、以及针对基板W实施基板处理的处理单元SU。
输送单元HU具备盒载台10、输送台20。盒载台10具备盒容器11。在盒容器11中,例如以层叠的状态收纳最多25张基板W。
输送台20具备用于输送基板W的基板输送机构21。基板输送机构21具有大致水平地保持基板W的两个输送臂21A、21B。基板输送机构21使用输送臂21A、21B,从盒容器11一张一张地取出基板W。基板输送机构21将从盒容器11取出的基板W输送到加载互锁真空室(Load lock)25A、25B中的任一方。加载互锁真空室25A、25B将输送单元HU与处理单元SU连接。
处理单元SU具备移动放置室30、4台腔室40A~40D。移动放置室30具有例如形成为在从上方观察时呈多边形状(在图示的例子中为六边形状)的能够密闭的构造。移动放置室30经由能够气密地密闭的闸阀与腔室40A~40D中的各个腔室连接。移动放置室30具备用于输送基板W的基板输送机构31。基板输送机构31具有大致水平地保持基板W的两个输送臂31A、31B。基板输送机构31使用输送臂31A、31B,从加载互锁真空室25A、25B取出基板W,将所取出的基板W输送到腔室40A~40D中的任一个腔室。
通过这样的结构,处理单元SU经由移动放置室30将输送到加载互锁室25A、25B的基板W搬入腔室40A~40D,在腔室40A~40D中执行基板处理。处理单元SU在基板处理的执行后,从腔室40A~40D取出处理完毕的基板W,经由移动放置室30将所取出的基板W向加载互锁室25A、25B搬出。腔室40A~40D所执行的基板处理的一例是基于CVD(Chemical VaporDeposition:化学气相沉积)等的成膜处理。也可以取而代之,腔室40A~40D所执行的基板处理是扩散处理、蚀刻处理、灰化处理、溅射处理等。另外,在图2的例子中,示出了从盒容器11一张一张地取出基板W而进行基板处理的单张式的基板处理装置100,但基板处理装置100也可以是对多个基板W进行同时处理的分批式的基板处理装置等,输送单元HU能够采用任意的结构。
在以下的说明中,在不需要区别说明腔室40A~腔室40D中的各个腔室的情况下,也仅记载为腔室40(参照图3)。
图3是表示腔室40的结构例的剖视图。在图3中,作为一例示出的腔室40是用于对基板W实施成膜处理的装置,具备执行基板处理的处理室41、以及与该处理室41连通的排气室42。
处理室41具有:板状的顶部411以及底部413、以及将顶部411和底部413连结的侧壁部412。处理室41例如呈大致圆筒形状。在侧壁部412形成有用于在与移动放置室30之间进行基板W的搬入搬出的搬入搬出口。通过使设置于处理室41与移动放置室30之间的闸阀成为打开状态,能够通过该搬入搬出口进行基板W的搬入搬出。在底部413的中央形成有开口部413a。排气室42与开口部413a连通地与处理室41的底部413连结。
排气室42具有:环状的凸缘部421、板状的底部423、以及将凸缘部421和底部423连结的侧壁部422。凸缘部421与处理室41的底部413接合。在侧壁部422形成有排气孔424。
处理室41以及排气室42构成为能够将其内部空间维持为减压气氛(真空状态)。为了确保接合部分的气密性,在处理室41以及排气室42的接合部分、以及构成处理室41以及排气室42的各部件的接合部分夹装有作为密封部件的O型环。
腔室40具备:配置于处理室41以及排气室42的外部的排气装置51、将排气孔424和排气装置51连接的排气管52、以及设置于排气管52的中途的阀53。阀53在关闭状态下维持处理室41以及排气室42的气密性,并且能够在打开状态下利用排气装置51进行处理室41以及排气室42的减压。处理室41以及排气室42通过使排气装置51进行动作,而将其内部空间减压到所需的真空度。
腔室40具备:配置在处理室41内的基座(susceptor)61、以及在处理室41内以及排气室42内支承基座61的支承部件62。基座61是用于水平地支承基板W的基板载置台。基座61具有载置基板W的基板载置面(上表面)、以及其相反侧的下表面。在基座61的下表面的中央部固定有支承部件62的一端部。支承部件62的另一端部固定于排气室42的底部423。
虽然未图示,但基座61具有设置为能够相对于基板载置面突出没入的多个支承销。多个支承销构成为通过任意的升降机构而上下位移,在上升位置,能够在与基板输送机构31之间进行基板W的交接。
腔室40具备加热器63、加热器电源64、以及温度传感器TS。加热器63和温度传感器TS的测温部分埋设于基座61。加热器电源64配置于处理室41以及排气室42的外部。加热器63例如经由穿过支承部件62的内部的布线与加热器电源64连接。加热器电源64对加热器63供给用于将载置于基座61的基板W加热为期望的温度的电输出。基座61的温度由温度传感器TS测量。温度传感器TS使用热电偶、热敏电阻等公知的部件而构成。
腔室40具备设置于处理室41的顶部411的喷头71。喷头71具有:形成在其内部的气体扩散空间71a、以及形成为从气体扩散空间71a朝向基座61贯通的多个气体排出孔71b。
腔室40具备:气体导入管72,设置于喷头71中的与多个气体排出孔71b相反的一侧,与气体扩散空间71a连通;气体供给源73,配置于处理室41以及排气室42的外部;气体配管74,将气体导入管72和气体供给源73连接;以及设置于气体配管74的中途的MFC(质量流量控制器)75以及未图示的阀。气体供给源73对喷头71供给用于成膜处理的成膜原料气体、用于对处理室41内以及排气室42内进行清洁的清洁气体、用于置换处理室41内以及排气室42内的气氛的吹扫气体等。这些气体经由气体配管74以及气体导入管72供给到气体扩散空间71a,从多个气体排出孔71b排出到处理室41内。
腔室40具备:配置于处理室41以及排气室42的外部的高频电源76、将喷头71和高频电源76连接的布线77、以及设置于布线77的中途的匹配器78。高频电源76对喷头71供给用于将供给到处理室41内的成膜原料气体等离子体化的高频电力。
通过以上的结构,在腔室40中,能够对载置于基座61的基板W实施成膜处理。即,向真空状态的处理室41的内部输送处理对象的基板W,通过加热器63对载置于基座61的基板W进行加热,从喷头71朝向基板W供给原料气体,由此在基板W的表面形成薄膜。此外,也可以为了促进成膜反应,从高频电源76对喷头71供给高频电力。在该情况下,能够将经由喷头71供给到处理室41内的原料气体等离子体化而成膜。
在图3的例子中,说明了对基板W实施成膜处理的腔室40,腔室40也可以是对基板W实施扩散处理、蚀刻处理、灰化处理、溅射处理等的工艺模块。
图4是对基板处理装置100的控制系统的结构进行说明的框图。基板处理装置100具备:各种传感器S1~S3、供从传感器S1~S3输出的数据分别输入的边缘设备110~130、由边缘设备110~130分别控制的致动器A1~A3、以及控制装置整体的动作的控制设备150。
传感器S1~S3是设置于基板处理装置100,按照时间序列对测量对象的物理量进行测量的传感器。传感器S1~S3将表示测量结果的时间序列数据(以下,也称为传感器数据)输出到后级的边缘设备110~130。
传感器S1的一例是RF(Radio Frequency:射频)传感器。RF传感器设置于高频电源76的输出侧,按照时间序列测量高频电源76的RF功率。也可以取而代之,RF传感器是按照时间序列测量电压、电流、静电电容、阻抗、相位、负荷电力等的传感器。传感器S2的一例是温度传感器。温度传感器包含温度传感器TS,该温度传感器TS的测温部分被埋设于基座61,按照时间序列测量基板载置面的温度(即,处理对象的基板W的温度)。也可以取而代之,温度传感器是按照时间序列测量电极温度、处理室41的内部温度等的传感器。传感器S3的一例是转矩传感器。转矩传感器按照时间序列测量由搭载于基板输送机构21、31的致动器(例如致动器A3)承受的转矩。
搭载于基板处理装置100的传感器S1~S3不限于上述的RF传感器、温度传感器、转矩传感器。另外,搭载于基板处理装置100的传感器的数量不限于三个。例如,基板处理装置100也可以具备包含气体传感器、OES(Optical Emission Spectroscopy:光学发射光谱)传感器、流量传感器等的一个以上的传感器。这里,气体传感器是设置于处理室41,按照时间序列测量充满处理室41的内部的气体的特定的成分量的传感器。在气体传感器中使用质量分析计、红外分光计、气相色谱仪等。OES传感器是设置于处理室41,按照时间序列测量处理室41的内部的等离子体发光强度的传感器。流量传感器是设置于处理室41,按照时间序列测量导入到处理室41的内部的气体的流量的传感器。
此外,传感器S1~S3的采样率是任意的,按照每个传感器而适当地设定。例如,RF传感器的采样率是1~10μsec。温度传感器的采样率例如是100msec。转矩传感器的采样率例如是2.5msec。OES传感器的采样率例如是10~100msec。气体传感器的采样率例如是1~10msec。流量传感器的采样率例如是10msec。
边缘设备110~130基于从传感器S1~S3输入的传感器数据,执行推断基板处理装置100的状态的处理、以及推断针对致动器A1~A3的控制值的处理等。边缘设备110~130例如将状态的推断结果输出到控制设备150,基于控制值的推断结果来控制致动器A1~A3的动作。关于边缘设备110~130的内部结构、以及边缘设备110所执行的处理的内容,后面详述。
致动器A1~A3是边缘设备110~130的控制对象。在本实施方式中,不限于将电动机等的电能变换为物理的运动量的机械要素,将包含电路的各种驱动电路统称为致动器。
例如,在传感器S1是RF传感器的情况下,致动器A1也可以是高频电源76。在该情况下,边缘设备110从RF传感器获取RF功率的时间序列数据,基于获取到的照时间序列数据来推断针对高频电源76的控制值,基于推断出的控制值来控制高频电源76的动作。另外,在传感器S2是温度传感器TS的情况下,致动器A2也可以是加热器电源64。在该情况下,边缘设备120从温度传感器TS获取温度的时间序列数据,基于获取到的时间序列数据来推断针对加热器电源64的控制值,基于推断出的控制值来控制加热器电源64的动作。进一步地,在传感器S3是转矩传感器的情况下,致动器A3也可以是基板输送机构21、31所具备的电动机。在该情况下,边缘设备130从转矩传感器获取由电动机驱动轴承受的转矩的时间序列数据,基于获取到的时间序列数据来推断针对基板输送机构21、31的控制值,基于推断出的控制值来控制基板输送机构21、31的动作。
在本实施方式中,采用针对各边缘设备110~130各自连接有一个传感器以及一个致动器的结构,但与边缘设备110~130连接的传感器以及致动器的数量不限于一个。也可以在边缘设备110~130中的各个边缘设备连接有多个传感器以及多个致动器。另外,在本实施方式中,采用基板处理装置100具备三个边缘设备110~130的结构,但搭载于基板处理装置100的边缘设备的数量不限于三个,只要具备一个以上的边缘设备即可。
控制设备150基于从边缘设备110~130输入的各种信息、以及从外部输入的各种信息,控制基板处理装置100的装置整体的动作。关于控制设备150的内部结构、以及控制设备150所执行的处理的内容,后面详述。
图5是表示基板处理装置100所具备的边缘设备110的内部结构的框图。边缘设备110是设置于基板处理装置100的专用或者通用的计算机,具备控制部111、存储部112、输入部113、输出部114、通信部115等。边缘设备110基于通过输入部113输入的传感器S1的传感器数据,监视基板处理装置100的状态,并且控制致动器A1的动作。
控制部111具备CPU(Central Processing Unit:中央处理器)、ROM(Read OnlyMemory:只读存储器)、RAM(Random Access Memory:随机存取存储器)等。在控制部111所具备的ROM中存储有对边缘设备110所具备的硬件各部的动作进行控制的控制程序等。控制部111内的CPU读入并执行存储于ROM的控制程序、存储于存储部112的各种计算机程序,控制硬件各部的动作,由此使装置整体作为本公开的信息处理装置发挥功能。在控制部111所具备的RAM中暂时存储有在运算的执行中所利用的数据。
在实施方式中,采用控制部111具备CPU、ROM、以及RAM的结构,但控制部111的结构不限于上述的结构。控制部111例如也可以是具备GPU(Graphics Processing Unit:图形处理单元)、FPGA(Field Programmable Gate Array:现场可编程门阵列)、DSP(DigitalSignal Processor:数字信号处理器)、量子处理器、易失性或者非易失性的存储器等的一个或者多个控制电路或者运算电路。另外,控制部111也可以具备输出日期时间信息的时钟、对在赋予测量开始指示之后直到赋予测量结束指示为止的经过时间进行测量的计时器、对数量进行计数的计数器等的功能。
存储部112具备HDD(Hard Disk Drive:硬盘驱动器)、SSD(Solid State Drive:固态硬盘)、EEPROM(Electronically Erasable Programmable Read Only Memory:电可擦可编程只读存储器)等存储装置。在存储部112存储有由控制部111执行的各种计算机程序、由控制部111利用的各种数据。
在存储于存储部112的计算机程序中包含用于生成后述的学习模型(观测模型MD11以及控制模型MD12)的学习处理程序PG11、以及用于使用学习模型来推断基板处理装置100的状态、致动器A1的控制值的推断处理程序PG12。这些计算机程序可以是单一的计算机程序,也可以由多个计算机程序构成。另外,这些计算机程序也可以部分地使用现有的库。
存储于存储部112的学习处理程序PG11、推断处理程序PG12等计算机程序由可读取地记录有该计算机程序的非暂时性的记录介质RM10提供。记录介质RM10是CD-ROM、USB存储器、SD(Secure Digital:安全数字)卡、微型SD卡、闪存(注册商标)等便携式存储器。控制部111使用未图示的读取装置,从记录介质RM10读取各种计算机程序,使所读取的各种计算机程序存储于存储部112。存储于存储部112的计算机程序也可以通过通信来提供。在该情况下,控制部111只要通过通信部115来获取计算机程序,使获取到的计算机程序存储于存储部112即可。
存储部112具备学习模型,该学习模型构成为在被输入从传感器S1输出的时间序列数据的情况下,输出与基板处理装置100相关的信息。在存储部112中,作为定义学习模型的信息,例如存储有学习模型所具备的层的结构信息、各层中包含的节点的信息、节点间的加权以及偏置的参数等。
作为学习模型,本实施方式的边缘设备110具备观测模型MD11、控制模型MD12。观测模型MD11是用于推断基板处理装置1的状态的模型。控制模型MD12是用于推断边缘设备110的控制对象即致动器A1的控制值的模型。在图5所示的例子中,作为学习模型,采用具备观测模型MD11以及控制模型MD12双方的结构,但也可以是仅具备任一方的结构。另外,在图5所示的例子中,采用各具备一个观测模型MD11以及一个控制模型MD12的结构,但观测模型MD11也可以按照观测对象的每个传感器来准备,控制模型MD12也可以按照控制对象的每个致动器来准备。
输入部113具备用于连接传感器S1的接口。与输入部113连接的传感器S1例如是RF传感器。与输入部113连接的传感器S1并不局限于上述,连接有为了观测工艺的状态(性能)所需要的任意的传感器。通过输入部113输入的时间序列数据(传感器数据)暂时地存储于存储部112。
输出部114具备用于连接边缘设备110的控制对象即致动器A1的接口。控制部111使用上述的控制模型MD12推断控制值,基于推断出的控制值而将控制命令从输出部114输出到致动器A1,由此控制致动器A1的动作。
通信部115具备用于在与控制设备150之间发送接收各种数据的通信接口。作为通信部115的通信接口,能够使用依据LAN等通信标准的通信接口。通信部115在从控制部111输入应该发送的数据的情况下,向控制设备150发送数据,在接收到从控制设备150发送来的数据的情况下,将接收到的数据输出到控制部111。
图6是表示边缘设备110所具备的观测模型MD11的结构例的示意图。观测模型MD11构成为,在输入了从传感器S1得到的时间序列数据(传感器数据)的情况下,输出与设置有该传感器S1的基板处理装置100的状态相关的信息(以下,称为状态信息)。作为观测模型MD11,能够采用能够对时间序列数据进行解析的任意的模型。在一例中,观测模型MD11是包含深层学习的机械学习的学习模型,由RNN(Recurrent Neural Network:循环神经网络)、LSTM(Long Short-Term Memory:长短期记忆)等构建。也可以取而代之,观测模型MD11是基于CNN(Convolutional Neural Network:卷积神经网络)、R-CNN(Region based CNN:基于区域的CNN)、YOLO(You Only Look Once)、SSD(Single Shot Multibox Detector:单次多盒探测器)、GAN(Generative Adversarial Network:生成对抗网络)、SVM(Support VectorMachine:支持向量机)、决策树等的学习模型。而且,观测模型MD11也可以是自回归模型、移动平均模型、自回归移动平均模型等深层学习以外的学习模型。
观测模型MD11具备输入层MD11a、中间层MD11b、MD11c、输出层MD11d等。在图6的例子中,采用观测模型MD11具备两个中间层MD11b、MD11c的结构,但也可以是具备三个以上的中间层的结构。
在输入层MD11a、中间层MD11b、MD11c、以及输出层MD11d设置有一个或者多个节点。各层的节点与存在于前后的层的节点在一个方向上通过期望的权重以及偏置而结合。向观测模型MD11的输入层MD11a输入与输入层MD11a所具备的节点的数量相同数量的数据。在本实施方式中,向输入层MD11a的节点输入的传感器数据是从传感器S1得到的时间序列数据。向输入层MD11a输入的传感器数据可以是在时间上连续的多个测量值,也可以是相对于时刻描绘了测量值的图表(图像数据)。
所输入的传感器数据通过输入层MD11a所具备的节点而输出到第一个中间层MD11b所具备的节点。输入到第一个中间层MD11b的数据通过构成该中间层MD11b的节点向第二个中间层MD11c所具备的节点输出。这期间使用包含在各层的节点间设定的权重以及偏置的激活函数,提取传感器数据的特征量。
由中间层MD11b、MD11c提取的传感器数据的特征量被输出到输出层MD11d,并且被取出到观测模型MD11的外部。输出层MD11d使用从第二个中间层MD11c输入的特征量而执行预先设定的运算,作为最终的运算结果,输出基板处理装置100的状态信息。
从输出层MD11d输出的状态信息包含表示基板处理装置100的状态的评价值等。评价值例如是表示构成基板处理装置100的特定的组件的劣化程度的信息。也可以取而代之,评价值是表示特定的组件的故障的有无的信息。构成基板处理装置100的特定的组件包含排气装置51、加热器电源64、气体供给源73、高频电源76等。
观测模型MD11通过任意的学习算法来学习。作为学习算法,能够使用有教师的学习。在该情况下,将包含传感器S1的传感器数据、观测模型MD11应该输出的正解数据的数据集用于训练数据,在输入了传感器数据的情况下,输出基板处理装置100的状态信息地进行学习。训练数据也可以由基板处理装置100的管理者等赋予。例如,将传感器S1的传感器数据、更换组件的日期时间、发现故障的日期时间等作为履历数据进行储存。基于该履历数据,将传感器S1的传感器数据、表示得到该传感器数据的日期时间的劣化的有无或者故障的有无的正解数据作为训练数据来赋予即可。
在图6中作为一例示出的观测模型MD11采用具备输入层MD11a、中间层MD11b、MD11c、以及输出层MD11d的结构,但观测模型MD11的结构不限于图6所示的结构。例如,观测模型MD11也可以是不具备中间层MD11b、11c,仅规定输入输出的关系(即,传感器数据与状态信息的关系)的模型。
在本实施方式中,作为观测模型MD11的学习算法,说明了有教师的学习,但能够使用包含无教师的学习的任意的学习算法,生成观测模型MD11。
边缘设备110的控制部111在执行基于观测模型MD11的运算的情况下,从输出层MD11d获取状态信息,并且获取在中间层MD11b、MD11c中所提取的传感器数据的特征量。控制部111将获取到的基板处理装置100的状态信息以及传感器数据的特征量发送给边缘设备110的上位装置即控制设备150。
图7是表示边缘设备110所具备的控制模型MD12的结构例的示意图。控制模型MD12构成为在输入从传感器S1得到的时间序列数据(传感器数据)的情况下,输出与设置有该传感器S1的基板处理装置100的控制值相关的信息(以下,称为控制信息)。即,在向控制模型MD12的输入层MD12a输入传感器数据的情况下,执行在中间层MD12b、MD12c中提取传感器数据的特征量的运算。从中间层MD12b、MD12c得到的特征量被输出到输出层MD12d,并且被取出到控制模型MD12的外部。输出层MD12d使用从第二个中间层MD12c输入的特征量执行预先决定的运算,作为最终的运算结果输出基板处理装置100的控制信息。从中间层MD12c输出的传感器数据的特征量、以及从输出层MD12d输出的控制信息被输入控制部111。从输出层MD12d输出的控制信息包含用于控制基板处理装置100所具备的至少一个组件的控制值。
控制模型MD12与观测模型MD11同样,也可以利用有教师的学习来学习,也可以利用无教师的学习来学习。另外,控制模型MD12也可以通过强化学习来学习。例如,根据基板处理装置100的状态赋予报酬,使将来得到的报酬的合计最大化地学习强化学习中的价值即可。例如,在强化学习之一即Q学习中,在某个环境的状态下,学习选择行动(控制值)的价值Q。在开始Q学习的时刻,关于基板处理装置100的状态与行动(控制值)的组合,不知道价值Q的正确的值。因此,在某个作业数据下选择各种控制值,基于针对此时的行动(基于控制值的控制)赋予的报酬来计算报酬的合计,进行更良好的控制值的选择,由此学习正确的价值Q。
控制模型MD12并不局限于上述的模型,也可以是能够对时间序列数据进行解析的其他的模型。例如,控制模型MD12也可以是自回归模型、移动平均模型、自回归移动平均模型等深层学习以外的学习模型。另外,控制模型MD12的结构不限于图7所示的结构。例如,控制模型MD12也可以是不具备中间层MD12b、MD12c,仅规定输入输出的关系(即,传感器数据与控制信息的关系)的模型。
边缘设备110的控制部111在执行基于控制模型MD12的运算的情况下,从输出层MD12d获取控制信息,并且获取在中间层MD12b、MD12c中计算的传感器数据的特征量。控制部111将获取到的基板处理装置100的控制信息以及传感器数据的特征量发送给边缘设备110的上位装置即控制设备150。另外,控制部111基于从控制模型MD12获取到的控制信息,控制致动器A1的动作。
在本实施方式中,采用从中间层MD11c、MD12c提取特征量的结构,但也可以将从输出层MD11d、MD12d得到的最终的运算结果视为传感器数据的特征量。另外,控制部111也可以从传感器数据中直接提取特征量。在特征量的提取中,使用峰值检测、区间平均等适当的统计处理。控制部111也可以检测在传感器数据中出现的异常部位,对检测出的异常部位的数据进行加权,由此提取特征量。另外,控制部111也可以将包含在传感器数据中出现的异常部位的时间序列数据的快照提取为特征量。
在图5~图7中说明了边缘设备110的内部结构,但边缘设备120、130的内部结构也同样。即,边缘设备120、130分别具备观测模型以及控制模型,基于从传感器S2、S3输入的传感器数据,推断基板处理装置100的状态以及致动器A1、A2的控制值。边缘设备120、130将从观测模型以及控制模型得到的基板处理装置100的状态信息、以及致动器A1、A2的控制信息、以及从传感器S2、S3输出的传感器数据的特征量发送给边缘设备120、130的上位装置即控制设备150。另外,边缘设备120、130基于从控制模型获取到的控制信息,分别控制致动器A2、A3的动作。
图8是表示基板处理装置100所具备的控制设备150的内部结构的框图。控制设备150是设置于基板处理装置100的内部的专用或者通用的计算机,具备控制部151、存储部152、第一通信部153、第二通信部154、操作部155、显示部156等。控制设备150对从边缘设备110~130发送的数据(传感器数据的特征量)进行收集,储存于存储部152内的数据库DB20。控制设备150基于储存于数据库DB20的中期的数据,生成吸收了传感器的个体差异的第二学习模型。
控制部151具备CPU、ROM、RAM等。在控制部151所具备的ROM中存储有对控制设备150所具备的硬件各部的动作进行控制的控制程序等。控制部151内的CPU读入并执行存储于ROM的控制程序、存储于存储部152的各种计算机程序,控制硬件各部的动作。
控制部151并不局限于上述的结构,也可以是具备GPU、FPGA、DSP、量子处理器、易失性或者非易失性的存储器等的一个或者多个控制电路或者运算电路。另外,控制部151也可以具备输出日期时间信息的时钟、对在赋予测量开始指示之后直到赋予测量结束指示为止的经过时间进行测量的计时器、对数量进行计数的计数器等的功能。
存储部152具备HDD、SSD、EEPROM等存储装置。存储部152具备上述的数据库DB20。图9是表示数据库DB20的结构例的概念图。数据库DB20与边缘设备110~130的识别信息(设备ID)建立关联地存储日期时间信息、以及传感器数据的特征量。进一步地,数据库DB20也可以存储基板处理装置100的状态信息以及控制信息。
在存储部152中,除了数据库DB20之外,还存储有由控制部151执行的各种计算机程序、以及由控制部151利用的各种数据。
在存储于存储部152的计算机程序中,包含用于生成第二学习模型的学习处理程序PG21、以及用于使用第二学习模型来推断基板处理装置100的状态、控制值的推断处理程序PG22。存储于存储部152的计算机程序由可读取地记录该计算机程序的非暂时性的记录介质RM20提供。另外,存储于存储部152的计算机程序也可以通过通信来提供。
存储部152具备第二学习模型,该第二学习模型构成为在输入传感器数据的特征量的情况下,输出与基板处理装置100相关的信息。在存储部152中,作为定义第二学习模型的信息,存储有第二学习模型所具备的层的结构信息、各层中包含的节点的信息、节点间的加权以及偏置的信息等。
作为第二学习模型,控制设备150具备观测模型MD21、控制模型MD22。观测模型MD21是用于推断基板处理装置100的状态的模型。控制模型MD22是用于推断在基板处理装置100中使用的控制值的模型。观测模型MD21以及控制模型MD22的结构与边缘设备110~130所具备的观测模型MD11以及控制模型MD12的结构相同,因此省略其详细的说明。
在本实施方式中,作为第二学习模型,采用具备观测模型MD21以及控制模型MD22双方的结构,但也可以是仅具备任一方的结构。另外,在本实施方式中,作为第二学习模型,采用具备一个观测模型MD21以及一个控制模型MD22的结构,但观测模型MD21也可以按照每个观测对象来准备,控制模型MD22也可以按照每个控制对象来准备。
第一通信部153具备用于在与边缘设备110~130之间发送接收各种数据的通信接口。作为第一通信部153的通信接口,能够使用依据LAN等通信标准的通信接口。第一通信部153在从控制部151输入应该发送的数据的情况下,向目的地的边缘设备110~130发送数据,在接收到从边缘设备110~130发送来的数据的情况下,向控制部151输出接收到的数据。
第二通信部154具备发送接收各种数据的通信接口。第二通信部154所具备的通信接口例如是依据在WiFi(注册商标)、以太网(注册商标)中使用的LAN的通信标准的通信接口。第二通信部154在从控制部151输入应该发送的数据的情况下,向所指定的目的地发送应该发送的数据。另外,第二通信部154在接收到从外部装置发送来的数据的情况下,将接收到的数据输出到控制部151。
操作部155具备触摸面板、键盘、开关等操作设备,受理基于管理者等的各种操作以及设定。控制部151基于由操作部155赋予的各种操作信息而进行适当的控制,根据需要使设定信息存储于存储部152。
显示部156具备液晶显示器、有机EL(Electro-Luminescence:电致发光)等显示设备,根据来自控制部151的指示而显示应该对管理者等报告的信息。
接下来,对装置组服务器200的结构进行说明。
图10是表示装置组服务器200的内部结构的框图。装置组服务器200具备控制部201、存储部202、通信部203、操作部204、显示部205等。装置组服务器200收集从多个基板处理装置100发送的数据,并储存于在存储部202内设置的数据库DB30。装置组服务器200基于储存于数据库DB30的长期的数据,生成吸收了装置间的个体差异的第三学习模型。
控制部201具备CPU、ROM、RAM等。在控制部201所具备的ROM存储有对装置组服务器200所具备的硬件各部的动作进行控制的控制程序等。控制部201内的CPU读入并执行存储于ROM的控制程序、存储于存储部202的各种计算机程序,控制硬件各部的动作。
控制部201并不局限于上述的结构,也可以是具备GPU、FPGA、DSP、量子处理器、易失性或者非易失性的存储器等的一个或者多个控制电路或者运算电路。另外,控制部201也可以具备输出日期时间信息的时钟、对在赋予测量开始指示之后直到赋予测量结束指示为止的经过时间进行测量的计时器、对数量进行计数的计数器等的功能。
存储部202具备HDD、SSD、EEPROM等存储装置。存储部202具备上述的数据库DB30。图11是表示数据库DB30的结构例的概念图。数据库DB30与基板处理装置100的标识符(装置ID)建立关联地存储日期时间信息以及传感器数据的特征量。也可以在数据库DB30中进一步存储有表示基板处理装置100的状态的状态信息、以及用于基板处理装置100的控制的控制信息。
在存储部202中,除了数据库DB30之外,存储有由控制部201执行的各种计算机程序、以及由控制部201利用的各种数据。
在存储于存储部202的计算机程序中,包含用于生成第三学习模型的学习处理程序PG31、以及用于推断基板处理装置100的状态、控制值的推断处理程序PG32。存储于存储部202的计算机程序由可读取地记录该计算机程序的非暂时性的记录介质RM30提供。另外,存储于存储部202的计算机程序也可以通过通信来提供。
存储部202具备第三学习模型,该第三学习模型构成为在输入传感器数据的特征量的情况下,输出与基板处理装置100相关的信息。在存储部202中,作为定义第三学习模型的信息,存储有第三学习模型所具备的层的结构信息、各层中包含的节点的信息、节点间的加权以及偏置的信息等。
作为第三学习模型,装置组服务器200具备观测模型MD31、控制模型MD32。观测模型MD31是用于推断基板处理装置100的状态的模型。控制模型MD32是用于推断在基板处理装置100中使用的控制值的模型。观测模型MD31以及控制模型MD32的结构与控制设备150所具备的观测模型MD21以及控制模型MD22的结构同样,因此省略其详细的说明。
在本实施方式中,作为第三学习模型,采用具备观测模型MD31以及控制模型MD32双方的结构,但也可以是仅具备任一方的结构。另外,在本实施方式中,作为第三学习模型,采用各具备一个观测模型MD31以及一个控制模型MD32的结构,但观测模型MD31也可以按照每个观测对象来准备,控制模型MD32也可以按照每个控制对象来准备。
通信部203具备发送接收各种数据的通信接口。通信部203所具备的通信接口例如是依据在WiFi(注册商标)、以太网(注册商标)中使用的LAN的通信标准的通信接口。通信部203在从控制部201输入应该发送的数据的情况下,向所指定的目的地发送应该发送的数据。另外,通信部203在接收到从外部装置发送来的数据的情况下,将接收到的数据输出到控制部201。
操作部204具备触摸面板、键盘、开关等操作设备,受理由管理者等进行的各种操作以及设定。控制部201基于由操作部204赋予的各种操作信息而进行适当的控制,根据需要使设定信息存储于存储部202。
显示部205具备液晶显示器、有机EL等显示设备,根据来自控制部201的指示而显示应该对管理者等报告的信息。
在图10的例子中,采用装置组服务器200具备操作部204以及显示部205的结构,在装置组服务器200中操作部204以及显示部205不是必须的结构要素。在不具备操作部204的情况下,装置组服务器200从经由通信部203连接为可通信的外部计算机受理操作即可。另外,在不具备显示部205的情况下,装置组服务器200从通信部203向外部计算机发送应该对管理者等报告的信息,并显示于外部计算机即可。
以下,对基板处理系统的动作进行说明。
在本实施方式的基板处理系统中,在开始运用之前的学习阶段,边缘设备110~130生成第一学习模型(观测模型MD11以及控制模型MD12)。
图12是表示基于边缘设备110的第一学习模型的生成顺序的流程图。边缘设备110的控制部111通过输入部113,收集从传感器S1按照时间序列输出的传感器数据(步骤S101)。传感器数据的收集期间例如为一个月。在获取传感器数据时,控制部111从外部受理基板处理装置100的状态信息,获取从输出部114向基板处理装置100输出的控制值。在控制模型MD12的学习未完成的阶段中使用的基板处理装置100的控制值例如参照预先设定的方法而决定。这些状态信息、控制值与传感器数据一同,在观测模型MD11、控制模型MD12的学习时作为训练数据存储于存储部112。
在得到学习所需要的训练数据的情况下,控制部111从存储于存储部112的训练数据中,选择一组训练数据(步骤S102)。控制部111将所选择的一组训练数据中包含的传感器数据分别输入到观测模型MD11以及控制模型MD12,执行观测模型MD11以及控制模型MD12的运算(步骤S103)。在开始学习之前的阶段中,在观测模型MD11以及控制模型MD12的模型参数中,设定有初始值。
控制部111对观测模型MD11以及控制模型MD12的运算结果进行评价(步骤S104),判断观测模型MD11以及控制模型MD12的学习是否完成(步骤S105)。控制部111能够使用基于模型的运算结果、以及作为正解数据而包含的状态或者控制值的误差函数(也称为目标函数、损失函数、成本函数),评价运算结果。控制部111例如在通过最陡下降法等梯度下降法将误差函数最佳化(最小化或者最大化)的过程中,在误差函数为阈值以下(或者阈值以上)的情况下,判断为观测模型MD11以及控制模型MD12的学习完成。
在学习未完成的情况下(S105:否),即在观测模型MD11以及控制模型MD12的任一方的学习未完成的情况下,控制部111更新学习未完成的模型的参数(节点间的权重以及偏置等)(步骤S106),将处理返回到步骤S102。控制部111能够使用从输出层MD11d、MD12d朝向输入层MD11a、MD12a依次更新节点间的权重以及偏置的误差反向传播法,而更新模型中的参数。
在判断为学习完成的情况下(S105:是),得到学习完毕的观测模型MD11以及控制模型MD12,因此控制部111将它们作为第一学习模型而存储于存储部112(步骤S107)。
在图12中,对基于边缘设备110的第一学习模型的生成顺序进行了说明,但在边缘设备120、130中,也能够生成以同样的生成顺序分别应用的第一学习模型。
本实施方式的基板处理系统在各边缘设备110~130中生成第一学习模型之后,转移到运用阶段。基板处理系统在运用阶段中执行以下的处理。
图13是表示在运用阶段中在基板处理装置100的内部执行的处理的顺序的流程图。设置于基板处理装置100的边缘设备110(120、130)的控制部111在通过输入部113获取到从传感器S1按照时间序列输出的传感器数据的情况下(步骤S121),将获取到的传感器数据输入观测模型MD11或者控制模型MD12,由此执行模型(步骤S122)。
控制部111在执行模型的过程中从各模型MD11、MD12的中间层MD11c、MD12c提取传感器数据的特征量(步骤S123)。控制部111例如能够从中间层MD11c、MD12c提取特征量。取而代之,控制部111也可以将从输出层MD11d、MD12d得到的最终的运算结果视为传感器数据的特征量,也可以从传感器数据中直接提取特征量。
控制部111将提取出的特征量与从各模型MD11、MD12得到的状态信息以及控制信息的推断结果一同发送给控制设备150(步骤S124)。另外,控制部111基于由各模型MD11、MD12推断出的状态信息以及控制信息,执行致动器A1的控制(步骤S125)。此外,控制部111每次在步骤S122中获取传感器数据时,执行步骤S122~S125的处理即可。
控制设备150的控制部151从第一通信部153接收从边缘设备110(120、130)发送的特征量(步骤S126),并储存于数据库DB20(步骤S127)。
控制部151判断特征量的收集期间是否结束(步骤S128)。收集期间是在开始特征量的收集之后例如6个月。也可以取而代之,基于储存于数据库DB20的特征量的数量来判断收集期间是否结束。在收集期间未结束的情况下(S128:否),控制部151将处理返回到步骤S126,反复进行接收特征量并储存于数据库DB20的处理。
在收集期间结束的情况下(S128:是),执行观测模型MD21以及控制模型MD22的学习,制作模型(步骤S129)。例如,控制部151通过将存储于数据库DB20的一组特征量以及状态信息用于训练数据而进行学习,能够制作观测模型MD21。另外,控制部151通过将存储于数据库DB20的一组特征量以及控制值用于训练数据而进行学习,能够制作控制模型MD22。模型的制作顺序与观测模型MD11以及控制模型MD12的制作顺序相同。
控制部151在模型的制作后,在从边缘设备110(120、130)接收到新的特征量的情况下,将接收到的特征量输入观测模型MD21或者控制模型MD22,执行模型(步骤S130)。
控制部151基于步骤S130的执行结果,判断在边缘设备110(120、130)中使用的模型是否需要更新(步骤S131)。在控制设备150中基于所储存的中期的数据(例如6个月单位的数据)而制作模型,因此控制部151基于新获取到的特征量来执行模型,由此能够判定从模型所表示的趋势的偏差。控制部151在从模型所表示的趋势的偏差为阈值以上的情况下,判断为边缘设备110(120、130)所具备的模型存在异常。控制部151在判断为模型没有异常的情况下,判断为不需要模型的更新(S131:否),控制部151将处理返回到步骤S130。
控制部151在判断为模型存在异常的情况下,判断为需要模型的更新(S131:是),针对边缘设备110(120、130)发送模型的再学习指示(步骤S132)。
边缘设备110(120、130)的控制部111判断是否接收到从控制设备150发送的再学习指示(步骤S133)。在判断为未接收到再学习指示的情况下(S133:否),控制部111将处理返回到步骤S121,反复执行步骤S121~S125的处理。
在接收到再学习指示的情况下(S133:是),控制部111执行再学习(步骤S134)。控制部111例如通过将从传感器S1得到的传感器数据和基板处理装置100的状态信息用于训练数据而进行追加学习,能够再学习观测模型MD11。另外,控制部111例如通过将从传感器S1得到的传感器数据和在基板处理装置100中使用的控制值用于训练数据而进行追加学习,能够再学习控制模型MD12。也可以取代通过追加学习而再学习观测模型MD11以及控制模型MD12的结构,而是使用上述训练数据,从最初重新学习观测模型MD11以及控制模型MD12的结构。
此外,在本流程图中,采用在控制设备150中判断为需要模型的更新的情况下,将再学习指示发送给边缘设备110(120、130)的结构,但也可以将用于对各模型MD11、MD12的运算结果进行校正的校正值发送给边缘设备110(120、130)。例如,能够根据基于第二学习模型(观测模型MD21以及控制模型MD22)的预测结果与实测结果的误差来计算校正值。
图14是表示在运用阶段中在基板处理装置100与装置组服务器200之间执行的处理的顺序的流程图。如上所述,基板处理装置100的控制设备150在运用阶段中,基于从边缘设备110~130得到的特征量,制作观测模型MD21以及控制模型MD22。控制设备150的控制部151在模型的制作后,在从边缘设备110(120、130)接收到新的特征量的情况下(步骤S141),将接收到的特征量输入观测模型MD21或者控制模型MD22,执行模型(步骤S142)。
控制部111在执行模型的过程中从各模型MD21、MD22的中间层提取传感器数据的特征量(步骤S143),将提取出的特征量与从各模型MD21、MD22得到的状态信息以及控制信息的推断结果一同发送给装置组服务器200(步骤S144)。在本实施方式中,采用从各模型MD21、MD22的中间层提取传感器数据的特征量并发送给装置组服务器200的结构,但也可以采用将从各模型MD21、22的输出层得到的最终的运算结果视为传感器数据的特征量而发送给装置组服务器200的结构。
装置组服务器200的控制部201从通信部203接收从基板处理装置100发送的特征量(步骤S145),并储存于数据库DB30(步骤S146)。
控制部201判断特征量的收集期间是否结束(步骤S147)。收集期间是在开始特征量的收集之后例如2~3年。也可以取而代之,基于储存于数据库DB30的特征量的数量来判断收集期间是否结束。在收集期间未结束的情况下(S147:否),控制部201将处理返回到步骤S145,反复进行接收特征量并储存于数据库DB30的处理。
在收集期间结束的情况下(S147:是),执行观测模型MD31以及控制模型MD32的学习,制作模型(步骤S148)。例如,控制部201通过将存储于数据库DB30的一组特征量以及状态信息用于训练数据而进行学习,能够制作观测模型MD31。另外,控制部201通过将存储于数据库DB30的一组特征量以及控制值用于训练数据而进行学习,能够制作控制模型MD32。模型的制作顺序与观测模型MD11以及控制模型MD12的制作顺序相同。
控制部201在模型的制作后,在从基板处理装置100接收到新的特征量的情况下,将接收到的特征量输入观测模型MD31或者控制模型MD32,执行模型(步骤S149)。
控制部201基于步骤S149的执行结果,判断在基板处理装置100的边缘设备110(120、130)中使用的模型是否需要更新(步骤S150)。在装置组服务器200中基于所储存的长期的数据(例如2~3年单位的数据)制作模型,因此控制部201基于新获取到的特征量执行模型,由此能够判定从模型所表示的趋势的偏差。控制部201在从模型所表示的趋势的偏差为阈值以上的情况下,判断为边缘设备110(120、130)所具备的模型存在异常。控制部201在判断为模型没有异常的情况下,判断为不需要模型的更新(S150:否),控制部201将处理返回到步骤S149。
控制部201在判断为模型存在异常的情况下,判断为需要模型的更新(S150:是),针对基板处理装置100发送模型的再学习指示(步骤S151)。
基板处理装置100所具备的控制设备150的控制部151判断是否接收到从装置组服务器200发送的再学习指示(步骤S152)。在判断为未接收到再学习指示的情况下(S152:否),控制部151将处理返回到步骤S141,反复执行步骤S141~S144的处理。
在接收到再学习指示的情况下(S152:是),控制部151对边缘设备110(120、130)赋予指示,执行再学习(步骤S153)。边缘设备110(120、130)的控制部111例如通过将从传感器S1得到的传感器数据和基板处理装置100的状态信息用于训练数据而进行追加学习,能够再学习观测模型MD11。另外,控制部111例如通过将从传感器S1得到的传感器数据和在基板处理装置100中使用的控制值用于训练数据而进行追加学习,能够再学习控制模型MD12。也可以取代通过追加学习而再学习观测模型MD11以及控制模型MD12的结构,而是使用上述训练数据,从最初重新学习观测模型MD11以及控制模型MD12的结构。
在本流程图中,在从装置组服务器200赋予再学习指示的情况下,采用在边缘设备110(120、130)中再学习观测模型MD11以及控制模型MD12的结构,但也可以采用在控制设备150中再学习观测模型MD21以及控制模型MD22的结构。控制设备150的控制部151能够将储存于数据库DB20的特征量以及状态信息用于训练数据,而再学习观测模型MD21。另外,控制部151能够将储存于数据库DB20的特征量以及控制值用于训练数据,而再学习控制模型MD22。控制部151也可以通过追加学习而再学习观测模型MD21以及控制模型MD22,也可以使用上述训练数据而从最初重新学习观测模型MD21以及控制模型MD22。
此外,在本流程图中,采用在装置组服务器200中判断为需要模型的更新的情况下,将再学习指示发送给基板处理装置100的结构,但也可以将用于校正模型的运算结果的校正值发送给基板处理装置100。例如,能够根据基于第三学习模型(观测模型MD31以及控制模型MD32)的预测结果与实测结果的误差来计算校正值。
像以上那样,在本实施方式中,在各边缘设备110~130中能够制作基于传感器数据的高精细的模型(观测模型MD11以及控制模型MD12)。另外,边缘设备110~130也可以基于获取到的传感器数据,制作对基板处理装置100所具备的组件的劣化进行推断的模型。
各边缘设备110~130不发送传感器数据,将在各模型中提取出的特征量发送给控制设备150,因此能够减少边缘设备110~130与控制设备150之间的网络负荷。控制设备150能够基于传感器数据的特征量,制作中期的趋势的模型(观测模型MD21以及控制模型MD22)。
各基板处理装置100将在各模型中提取出的特征量发送给装置组服务器200,因此能够减少基板处理装置100与装置组服务器200之间的网络负荷。装置组服务器200能够基于从基板处理装置100发送的特征量,制作吸收了装置间的个体差异的长期的趋势的模型(观测模型MD31以及控制模型MD32)。
此外,在向基板处理系统内导入新的基板处理装置(未图示)的情况下,也可以将学习完毕的第一学习模型(观测模型MD11以及控制模型MD12)部署到各边缘设备110~130。进一步地,也可以将学习完毕的第二学习模型(观测模型MD21以及控制模型MD22)部署到各基板处理装置100的控制设备150。
(实施方式2)
在实施方式2中,对评价第一学习模型的完成度、健全性并输出评价结果的结构进行说明。
此外,关于系统结构、基板处理装置100以及装置组服务器200的内部结构,与实施方式1相同,因此省略其说明。
基板处理装置100在学习阶段或者运用阶段的适当的定时,评价边缘设备110~130所具备的第一学习模型(观测模型MD11以及控制模型MD12)的完成度、健全性,输出评价结果。
在基板处理装置100中,为了评价第一学习模型(观测模型MD11以及控制模型MD12),准备评价用的数据集。例如,为了评价边缘设备110所具备的观测模型MD11,能够将包含传感器S1的传感器数据、在输入了该传感器S1的传感器数据的情况下观测模型MD11应该输出的正解数据的集作为评价用的数据集使用。同样,为了评价边缘设备110所具备的控制模型MD12,能够将包含传感器S1的传感器数据、在输入了该传感器S1的传感器数据的情况下控制模型MD12应该输出的正解数据的集作为评价用的数据集使用。用于评价边缘设备120、130的评价用的数据集也相同。
基板处理装置100能够基于在将评价用的数据集所包含的传感器数据输入到观测模型MD11以及控制模型MD12的情况下所得到的推断值与该数据集中包含的正解数据的差异,评价第一学习模型的完成度、健全性。
基板处理装置100在评价第一学习模型的完成度、健全性的情况下,在显示部156显示评价结果。图15是表示评价结果的显示例的示意图。在图15的例子中,表示对边缘设备110~130各自具备的观测模型MD11以及控制模型MD12的完成度和健全性进行评价的结果。此外,在各图表中,A、B、C的索引分别表示边缘设备110、120、130。上段的图表表示观测模型MD11以及控制模型MD12的完成度伴随着学习次数的增加而变高的情形。下段的图表表示各边缘设备110、120、130所具备的观测模型MD11以及控制模型MD12的评价时刻的健全性。
这样,在实施方式2中,能够一览地显示各学习模型的性能,因此管理者在观测模型MD11以及控制模型MD12的完成度、健全性不充分的情况下,通过操作部155赋予再学习指示,由此能够提高观测模型MD11以及控制模型MD12的完成度、健全性。
这次公开的实施方式在全部的方面是例示,应该认为不是限制性的内容。本发明的范围不是由上述的意思表示而是由权利要求表示,包含与权利要求等同的意思以及范围内的全部的变更。
附图标记的说明
110、120、130…边缘设备;111…控制部;112…存储部;113…输入部;114…输出部;115…通信部;150…控制设备;151…控制部;152…存储部;153…第一通信部;154…第二通信部;155…操作部;156…显示部;200…装置组服务器;201…控制部;202…存储部;203…通信部;204…操作部;205…显示部;MD11、MD21、MD31…观测模型;MD12、MD22、MD32…控制模型。
Claims (17)
1.一种信息处理方法,其中,包含:
从设置于基板处理装置的传感器获取时间序列数据的工序;
基于获取到的时间序列数据,进行第一学习模型的学习的工序,所述第一学习模型是在输入了来自所述传感器的时间序列数据的情况下,输出与所述基板处理装置相关的信息的模型;以及
向学习后的第一学习模型输入来自所述传感器的时间序列数据,输出基于从所述第一学习模型得到的信息的推断结果的工序。
2.根据权利要求1所述的信息处理方法,其中,
在所述基板处理装置设置有采样周期不同的多种传感器,
上述信息处理方法包含:
分别使用按照每个传感器而采样周期不同的时间序列数据,单独地进行第一学习模型的学习的工序;以及
将从各传感器输出的时间序列数据输入对应的第一学习模型而输出推断结果的工序。
3.根据权利要求2所述的信息处理方法,其中,包含:
按照与各传感器对应的边缘设备而导入各传感器的第一学习模型,
在各边缘设备中执行所述第一学习模型的学习处理、以及基于所述第一学习模型的推断处理的工序。
4.根据权利要求1至3中任一项所述的信息处理方法,其中,
所述第一学习模型包含观测模型以及控制模型中的至少一方,
上述观测模型用于基于来自所述传感器的时间序列数据,推断所述基板处理装置的状态,
上述控制模型用于基于来自所述传感器的时间序列数据,推断所述基板处理装置的控制值。
5.根据权利要求1至4中任一项所述的信息处理方法,其中,还包含:
从所述时间序列数据中提取第一特征量;以及
将提取出的第一特征量输出到所述基板处理装置内的第一装置。
6.根据权利要求5所述的信息处理方法,其中,还包含在所述第一装置中执行如下的处理的工序:
对从所述时间序列数据中提取出的所述第一特征量进行存储;
基于所存储的所述第一特征量,进行第二学习模型的学习,所述第二学习模型是在输入了第一特征量的情况下,输出与所述基板处理装置相关的信息的模型;以及
向学习后的第二学习模型输入新获取到的第一特征量,输出基于从所述第二学习模型得到的信息的推断结果。
7.根据权利要求6所述的信息处理方法,其中,还包含在所述第一装置中执行如下的处理的工序:
基于使用了所述第二学习模型的推断结果而输出所述第一学习模型的再学习指示。
8.根据权利要求6所述的信息处理方法,其中,还包含:
根据基于所述第二学习模型的运算结果,输出用于对基于所述第一学习模型的运算结果进行校正的校正值的工序。
9.根据权利要求6至8中任一项所述的信息处理方法,其中,还包含:
按照每个所述基板处理装置而提取所述时间序列数据的第二特征量的工序;以及
将提取出的第二特征量输出到所述基板处理装置外的第二装置的工序。
10.根据权利要求9所述的信息处理方法,其中,包含在所述第二装置中执行如下的处理的工序:
对按照每个所述基板处理装置而提取出的所述第二特征量进行存储;
基于所存储的所述第二特征量,进行第三学习模型的学习,所述第三学习模型是在输入了第二特征量的情况下,输出与所述基板处理装置相关的信息的模型;以及
向学习后的第三学习模型输入新获取到的第二特征量,输出基于从所述第三学习模型得到的信息的推断结果。
11.根据权利要求10所述的信息处理方法,其中,还包含在所述第二装置中执行如下的处理的工序:
基于使用了所述第三学习模型的推断结果,输出所述第一学习模型或者所述第二学习模型的再学习指示。
12.根据权利要求10所述的信息处理方法,其中,还包含:
根据基于所述第三学习模型的运算结果,输出用于对基于所述第一学习模型或者所述第二学习模型的运算结果进行校正的校正值的工序。
13.根据权利要求1至12中任一项所述的信息处理方法,其中,还包含:
在设置新的基板处理装置的情况下,将学习完毕的所述第一学习模型导入所述新的基板处理装置的工序。
14.根据权利要求1至13中任一项所述的信息处理方法,其中,还包含:
一览地显示各学习模型的性能的工序。
15.一种信息处理装置,其中,具备:
获取部,从设置于基板处理装置的传感器获取时间序列数据;
学习部,基于获取到的时间序列数据,进行第一学习模型的学习,所述第一学习模型是在输入了来自所述传感器的时间序列数据的情况下,输出与所述基板处理装置相关的信息的模型;以及
推断部,向学习后的第一学习模型输入来自所述传感器的时间序列数据,输出基于从所述第一学习模型得到的信息的推断结果。
16.一种基板处理系统,其中,包含:
多个基板处理装置,具备与传感器连接的边缘设备、以及与边缘设备连接的上位装置,该多个基板处理装置在腔室的内部执行基板处理;以及
装置组服务器,与所述多个基板处理装置连接为能够通信,
所述边缘设备具备:
获取部,从所述传感器获取时间序列数据;
第一学习部,基于获取到的时间序列数据,进行第一学习模型的学习,所述第一学习模型是在输入了来自所述传感器的时间序列数据的情况下,输出与设置有所述传感器的基板处理装置相关的信息的模型;
第一推断部,向学习后的第一学习模型输入来自所述传感器的时间序列数据,输出基于从所述第一学习模型得到的信息的推断结果;以及
输出部,将从所述时间序列数据中提取的第一特征量输出到所述上位装置,
所述上位装置具备:
第一特征量存储部,对从所述边缘设备输入的第一特征量进行存储;
第二学习部,基于所存储的第一特征量,进行第二学习模型的学习,所述第二学习模型是在输入了第一特征量的情况下,输出与所述基板处理装置相关的信息的模型;
第二推断部,向学习后的第二学习模型输入新获取到的第一特征量,输出基于从所述第二学习模型得到的信息的推断结果;以及
发送部,将按照每个所述基板处理装置而提取出的所述时间序列数据的第二特征量发送给所述装置组服务器,
所述装置组服务器具备:
第二特征量存储部,对从所述上位装置接收到的第二特征量进行存储;
第三学习部,基于所存储的第二特征量,进行第三学习模型的学习,所述第三学习模型是在输入了第二特征量的情况下,输出与所述基板处理装置相关的信息的模型;以及
第三推断部,向学习后的第三学习模型输入新获取到的第二特征量,输出基于从所述第三学习模型得到的信息的推断结果。
17.根据权利要求16所述的基板处理系统,其中,
所述上位装置以及所述装置组服务器具备:
判断部,根据基于各自具备的学习模型的推断结果,判断所述第一学习模型是否需要更新;以及
指示部,在判断为需要更新的情况下,对所述边缘设备指示所述第一学习模型的再学习。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021141749 | 2021-08-31 | ||
JP2021-141749 | 2021-08-31 | ||
PCT/JP2022/030707 WO2023032636A1 (ja) | 2021-08-31 | 2022-08-12 | 情報処理方法、情報処理装置、及び基板処理システム |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117882170A true CN117882170A (zh) | 2024-04-12 |
Family
ID=85412213
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202280058364.8A Pending CN117882170A (zh) | 2021-08-31 | 2022-08-12 | 信息处理方法、信息处理装置、以及基板处理系统 |
Country Status (6)
Country | Link |
---|---|
US (1) | US20240202606A1 (zh) |
JP (1) | JPWO2023032636A1 (zh) |
KR (1) | KR20240049620A (zh) |
CN (1) | CN117882170A (zh) |
TW (1) | TW202329205A (zh) |
WO (1) | WO2023032636A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118520835A (zh) * | 2024-07-22 | 2024-08-20 | 上海燧原智能科技有限公司 | 基板排气孔布局补充方法、模型训练方法、装置及设备 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014065269A1 (ja) * | 2012-10-24 | 2014-05-01 | 東京エレクトロン株式会社 | 補正値算出装置、補正値算出方法及びコンピュータプログラム |
EP3605405A4 (en) | 2017-03-21 | 2020-12-02 | Preferred Networks, Inc. | SERVER DEVICE, TRAINED MODEL DELIVERY PROGRAM, TRAINED MODEL DELIVERY PROCESS, AND DRIVEN MODEL DELIVERY SYSTEM |
JP6689507B2 (ja) | 2018-02-20 | 2020-04-28 | 株式会社Abeja | 情報処理システム |
JP2020181959A (ja) * | 2019-04-26 | 2020-11-05 | 東京エレクトロン株式会社 | 学習方法、管理装置および管理プログラム |
JP7412150B2 (ja) * | 2019-11-29 | 2024-01-12 | 東京エレクトロン株式会社 | 予測装置、予測方法及び予測プログラム |
JP7493930B2 (ja) * | 2019-12-10 | 2024-06-03 | キヤノン株式会社 | 情報処理方法、情報処理装置、生産システム、プログラム、記録媒体 |
-
2022
- 2022-08-12 CN CN202280058364.8A patent/CN117882170A/zh active Pending
- 2022-08-12 JP JP2023545409A patent/JPWO2023032636A1/ja active Pending
- 2022-08-12 KR KR1020247010655A patent/KR20240049620A/ko unknown
- 2022-08-12 WO PCT/JP2022/030707 patent/WO2023032636A1/ja active Application Filing
- 2022-08-17 TW TW111130907A patent/TW202329205A/zh unknown
-
2024
- 2024-02-28 US US18/589,462 patent/US20240202606A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
US20240202606A1 (en) | 2024-06-20 |
TW202329205A (zh) | 2023-07-16 |
WO2023032636A1 (ja) | 2023-03-09 |
KR20240049620A (ko) | 2024-04-16 |
JPWO2023032636A1 (zh) | 2023-03-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20240202606A1 (en) | Information processing method, information processing apparatus, and substrate processing system | |
CN117882017A (zh) | 用于半导体制造设备的自适应故障排除的系统和方法 | |
TW202245091A (zh) | 用於使用虛擬模型進行處理腔室健康監測和診斷的系統和方法 | |
WO2022169611A1 (en) | Systems and methods for predicting film thickness of individual layers using virtual metrology | |
US20240202607A1 (en) | Information processing method, information processing apparatus, and information processing system | |
KR20240128702A (ko) | 기판 제조 동안 프로세스 챔버 파라미터들을 조절하기 위한 방법들 및 메커니즘들 | |
US20230260767A1 (en) | Process control knob estimation | |
US11585764B1 (en) | Multi-level RF pulse monitoring and RF pulsing parameter optimization at a manufacturing system | |
US20230306300A1 (en) | Methods and mechanisms for measuring patterned substrate properties during substrate manufacturing | |
US20240288779A1 (en) | Methods and mechanisms for modifying machine-learning models for new semiconductor processing equipment | |
US20230089982A1 (en) | Methods and mechanisms for coupling sensors to transfer chamber robot | |
US20230008072A1 (en) | Method and mechanism for contact-free process chamber characterization | |
KR20240133664A (ko) | 새로운 반도체 처리 장비를 위한 머신 러닝 모델들을 수정하기 위한 방법들 및 메커니즘들 | |
CN117916871A (zh) | 用于将传感器耦合至传输腔室机器人的方法和机构 | |
KR20240125632A (ko) | 디지털 트윈을 구축하기 위한 기판 지지체 특성화 | |
WO2023215470A1 (en) | Methods and mechanisms for adjusting film deposition parameters during substrate manufacturing |
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 |