CN117916871A - 用于将传感器耦合至传输腔室机器人的方法和机构 - Google Patents

Abstract

一种电子器件制造系统，包括：传输腔室、位于该传输腔室内的工具站、与该传输腔室耦合的处理腔室、以及传输腔室机器人。该传输腔室机器人被配置为向该处理腔室传输基板和从该处理腔室传输基板。该传输腔室机器人被进一步配置为耦合至包括一个或多个传感器的传感器工具，该一个或多个传感器被配置为在该处理腔室的内部进行测量。该传感器工具能够通过该传输腔室机器人的终端受动器从该工具站取回。

Description

用于将传感器耦合至传输腔室机器人的方法和机构

技术领域

本公开内容与电气元件相关，更详细而言是与用于将传感器耦合至传输腔室机器人的方法和机构相关。

背景技术

电子制造系统通常包括多个处理腔室，这些处理腔室在操作期间受到真空影响。在制造基板的期间，污染物和残留的沉积物被引入处理腔室的各种部件中。因此，需要定期检查处理腔室，并基于污染水平或沉积物水平，对其进行清洁，以从壁和气体分布板移除污染物和残留沉积物。

传统上，操作员会定期分离真空系统并移除电子制造系统的部件(如处理腔室门)，以检查处理腔室并决定是否需要清洁。然而，这是费时、费力和低效的过程。另外，一些电子制造系统修改了处理腔室壁，以包括用于检测沉积物堆积的传感器。然而，这些壁传感器会给处理腔室带来缺陷，并影响等离子体的均匀性。

发明内容

以下是本公开内容的简化概要，以提供对本公开内容的一些方面的基本理解。这个概要并不是对本公开内容的广泛概述。它并不旨在识别本公开内容的关键或重要元素，也不旨在划定本公开内容的特定实施方式的任何范围或权利要求的任何范围。其唯一目的是以简化的形式呈现本公开内容的一些概念以作为后面呈现的更详细描述的前言。

在本公开内容的一个方面中，一种电子器件制造系统包括：传输腔室、位于该传输腔室内的工具站、与该传输腔室耦合的处理腔室、以及传输腔室机器人。该传输腔室机器人被配置为向该处理腔室传输基板和从该处理腔室传输基板。该传输腔室机器人被进一步配置为耦合至包括一个或多个传感器的传感器工具，该一个或多个传感器被配置为在该处理腔室的内部进行测量。该传感器工具能够通过该传输腔室机器人的终端受动器从该工具站取回。

在本公开内容的另一个方面中，

在本公开内容的另一个方面中，一种方法包括以下步骤：通过处理器将传输腔室机器人的耦合至传感器装置的一部分定位在处理腔室内，该传感器装置包括一个或多个传感器。该方法进一步包括以下步骤：使用该一个或多个传感器获得与该处理腔室相关联的传感器数据。该方法进一步包括以下步骤：从该处理腔室移除该传输腔室机器人的该部分。

在本公开内容的另一个方面中，一种方法包括以下步骤：通过耦合至传输腔室机器人的传感器装置从处理腔室获得多个传感器值。该方法进一步包括以下步骤：将机器学习模型应用至该多个传感器值，该机器学习模型是基于该处理腔室的子系统的历史传感器数据和与用于沉积膜的配方相关联的任务数据来训练的。该方法进一步包括以下步骤：产生该机器学习模型的输出，其中该输出指示该子系统的故障类型。该方法进一步包括以下步骤：确定该子系统的该故障类型；以及基于该故障类型来产生校正动作。

附图说明

通过示例的方式而非限制的方式在附图的各图中示出本公开内容。

图1是说明依据某些实施方式的示例性系统架构的框图。

图2是依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是依据某些实施方式的示例制造系统的俯视示意图。

图4是依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侧视图。

图5A是依据本公开内容的实施方式的终端受动器的示意图。

图5B是依据本公开内容的实施方式耦合至传感器工具的终端受动器的示意图。

图6A和图6B是依据本公开内容的实施方式的传感器盘和终端受动器的示意图。

图7是依据某些实施方式的用于使用机器学习模型来确定处理腔室子系统的故障类型的方法的流程图。

图8是依据某些实施方式的说明计算机系统的框图。

具体实施方式

本文所描述的是涉及用于将传感器耦合至传输腔室机器人的方法和机构的技术。在制造系统的处理腔室处执行的沉积处理(例如，沉积(CVD)处理、原子层沉积(ALD)处理等)期间，可以将膜沉积在基板的表面上。例如，在CVD处理中，基板被暴露于一种或多种前驱物，这些前驱物在基板表面上发生反应，产生期望的沉积。该膜可以包括在沉积处理期间形成的一个或多个材料层，每个层可以包括特定的厚度梯度(例如，沿着所沉积的膜的层的厚度变化)。例如，第一层可以直接形成在基板的表面上(称为膜的近侧层或近端)，并具有第一厚度。在基板的表面上形成第一层后，可以在第一层上形成具有第二厚度的第二层。这个处理一直持续，直到沉积处理完成，并形成膜的最终层(称为膜的远侧层或远端)。该膜可以包括不同材料的交替层。例如，该膜可以包括交替的氧化物和氮化物层(氧化物-氮化物-氧化物-氮化物堆叠或ONON堆叠)，交替的氧化物和多晶硅层(氧化物-多晶硅-氧化物-多晶硅堆叠或OPOP堆叠)等等。例如，可以接着对膜进行蚀刻处理以在基板的表面上形成图案，进行化学-机械抛光(CMP)处理以使膜的表面平滑，或进行制造成品基板所需的任何其他处理。

处理腔室可以具有在每个基板制造处理(例如，沉积处理、蚀刻处理、抛光处理等)期间操作的多个子系统。子系统可以被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、流速、压力等。在一个例子中，压力子系统可以由测量气体流量、腔室压力、控制阀角度、前级管道(泵之间的真空管道)压力、泵速等的一个或多个传感器来表征。因此，处理腔室可以包括压力子系统、流量子系统、温度子系统等。每个子系统都会经历恶化并偏离最佳性能条件。例如，压力子系统可能由于泵问题、控制阀问题等中的一者或多者而产生降低的压力。

在基板制造处理期间，处理腔室会经历恶化的条件，如污染物的堆积、某些部件上的侵蚀等。如果不能发现并修理这些恶化的条件，就会造成基板中的缺陷，导致劣质产品，降低制造产率，以及大量的停机时间和修理时间。

现有的系统可以修改处理腔室的壁，以包括用于检测这种恶化条件的传感器。然而，这些侵入性的壁传感器会给处理腔室带来缺陷，并影响等离子体的均匀性。这会导致在实现最佳的处理腔室压力和处理气体流速方面的延迟，这会导致所沉积和/或蚀刻的膜的变形。进一步地，这些传感器可能难以安装，因为处理腔室可能是在客户现场进行修改的。

本公开内容的方面和实施方式通过使传输腔室机器人能够装备能够执行测量并从处理腔室内部获取数据的一个或多个传感器，解决了现有技术的这些和其他的缺点。特别是，电子器件制造系统可以在传输腔室中采用被配置为在装载锁定与处理腔室之间输送基板的机器人装置(例如，传输腔室机器人)。传输腔室、处理腔室和装载锁定在某些时候可以在真空下操作。传输腔室机器人可以被配置为将一个或多个传感器耦合至该传输腔室机器人的终端受动器，该一个或多个传感器用于对处理腔室的一个或多个方面进行表征、读数或测量。这些传感器可以包括以下传感器中的一者或多者：加速度计、距离或位置传感器(其例如用于确定两个物体之间的高度、宽度或长度)、相机(例如高分辨率相机、高速相机等)、电容式传感器、反射计、高温计(例如，遥感温度计、红外相机等)、电子节流控件、激光诱导荧光光谱仪、光纤(如光纤探针)、表面声学传感器、涡电流传感器、管道镜、光电二极管传感器、光电倍增管、固态检测器、热电偶、电压传感器、电流传感器、电阻传感器、光源等。

在一些实施方式中，这些传感器可以附接到可以与终端受动器耦合的传感器工具。例如，传输腔室机器人可以被配置为将不同的传感器工具附接至其终端受动器。或者，一个或多个传感器工具可以永久性地附接到传输腔室机器人的终端受动器。每个传感器工具可以包括一个或多个传感器。工具站可以用于容纳、移动、更换传感器工具和/或对传感器工具进行再充电。在一些实施方式中，工具站可以是自动工具更换器，其能够使处理腔室机器人能够选择不同的传感器工具。工具站可以包括储存在仓匣或其他容器(例如，鼓式仓匣、链式仓匣等)上的传感器工具阵列。响应于对传感器工具的选择，工具阵列可以进行重新定位，处理腔室机器人可以从预定的位置选择目标传感器工具。在一些实施方式中，响应于对传感器工具的选择，处理腔室机器人可以将终端受动器定位到工具站中传感器工具的指定位置。在一些实施方式中，工具站可以包括一个或多个充电端口，用于对每个传感器工具进行充电。传感器工具可以进一步包括电子模块，其能够促进与制造系统的通信(例如，发送和接收数据)。

在一些实施方式中，传感器可以附接到传感器盘。传感器盘可以是包括一个或多个传感器的基板形状的设备。传输腔室机器人可以被配置为使用终端受动器从装载锁定取回传感器盘，并使用传感器盘在处理腔室内部进行读数和测量。在一些实施方式中，传感器盘与电源链路和/或数据链路连接。电源链路可以是任何有线或无线(例如感应式)连接，其能够使用任何类型的连接器(例如，接触引脚、低颗粒连接件(low particle connection)、弹簧针(pogo pin))从处理腔室机器人向(多个)传感器提供电力。例如，机器手臂或终端受动器可以包括一种或多种类型的连接器，这些连接器可以连接到传感器盘(或其他传感器工具)，以便向传感器工具提供电力，向传感器工具提供数据连接(也称为数据链路)等等。在一些实施方式中，电源链路可以是用于向传输腔室机器人112的其他功能(例如，连结移动功能、受动器操作功能等)提供电力的类似的或相同的系统。数据链路可以是任何用于提供数据或从传感器获取数据的有线或无线(WiFi、蓝牙、基于互联网等的)连接。例如，数据链路可以用于向(多个)传感器提供指令，以进行测量或获取读数，将收集的数据发送到接口(例如，用户界面)或数据储存系统，等等。

在一些实施方式中，预测系统可以训练机器学习模型并将机器学习模型应用至当前的传感器值，以产生输出，例如，指示处理腔室子系统的故障(fault)模式(例如，异常行为)的一个或多个值和/或指示所发生的故障类型(例如，问题、失效(failure)等)的预测数据。在一些实施方式中，该输出是指示处理腔室子系统的预期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，该值指示与处理腔室子系统相关联的故障模式。然后，在一些实施方式中，系统可以将故障模式与已知故障模式库进行比较，以确定子系统所经历的故障类型。在一些实施方式中，系统执行校正动作，以基于故障模式来调整沉积处理配方的一个或多个参数(例如，处理腔室的温度设定、处理腔室的压力设定、用于沉积在基板表面上的膜所包括的材料的前驱物的流量设定等)。

本公开内容的各个方面所带来的技术优势是显著减少对处理腔室执行检查的时间。该配置允许传输腔室机器人定期地或每次在传输腔室机器人将基板放入处理腔室或从处理腔室取回基板时，执行对处理腔室的检查和表征。检查是在维持真空环境的同时执行的，从而移除了与人工检查相关联的脱离真空系统和移除电子元件制造系统的部件(如处理腔室门)的任何程序。该配置还消除了与在处理腔室内安装传感器相关联的处理腔室缺陷和等离子体均匀性问题。本公开内容的各方面所进一步带来的技术优势是，显著减少检测腔室子系统所经历的问题或故障的时间，以及改善能源消耗等等。本公开内容还可以导致产生诊断数据和执行校正动作，以避免不一致和异常的产品，以及计划外的用户时间或停机时间。

图1描绘了依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可以被包括作为用于处理基板的制造系统(例如图3的制造系统300)的一部分。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(其例如用来产生预测数据、提供模型调适、使用知识库等等)和数据储存器140。预测服务器112可以是预测系统110的一部分。预测系统110可以进一步包括服务器机器170和180。制造设备124可以包括传感器126，这些传感器被配置为捕获在制造系统中正在处理的基板的数据。在一些实施方式中，制造设备124和传感器126可以是传感器系统的一部分，包括传感器服务器(例如，制造设施处的现场服务服务器(FSS))和传感器识别码读取器(例如，传感器系统的前开式标准舱(FOUP)射频识别(RFID)读取器)。在一些实施方式中，计量设备128可以是计量系统的一部分，包括计量服务器(例如，计量数据库、计量文件夹等)和计量识别码读取器(例如，计量系统的FOUP RFID读取器)。

制造设备124可以按照配方或在一段时间内执行运行来生产产品，例如电子器件。制造设备124可以包括处理腔室，例如关于图4所描述的处理腔室400。制造设备124可以在处理腔室处对基板(例如晶片等等)执行处理。基板处理的例子包括在基板的表面上沉积膜的一个或多个层的沉积处理，在基板的表面上形成图案的蚀刻处理等等。制造设备124可以依据处理配方来执行每个处理。处理配方定义了要在处理期间对基板执行的特定操作集合，并且可以包括与每个操作相关联的一个或多个设置。例如，沉积处理配方可以包括处理腔室的温度设置、处理腔室的压力设置、用于沉积在基板表面上的膜中所包括的材料的前驱物的流速设置等。

在一些实施方式中，制造设备124包括传感器126，这些传感器被配置为产生与在制造系统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，这些传感器被配置为在对基板执行处理(例如，沉积处理)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合(例如，可移除地耦合)到传输腔室机器人。特别是，制造设备124可以在传输腔室中采用被配置为在装载锁定与处理腔室之间输送基板的机器人装置(例如，传输腔室机器人)。关于图3更详细地描述了处理腔室。在一个例子中，传感器可以附接到传输腔室机器人的用于支撑基板的终端受动器。在一些实施方式中，传感器可以附接到传感器工具，该传感器工具可以以自动化的方式与终端受动器耦合和解耦，而无需用户手动干预。例如，传输腔室机器人可以被配置为基于将终端受动器以将终端受动器与传感器工具啮合的方式定位，从而将不同的传感器工具附接到该传输腔室机器人的终端受动器。关于传感器工具的进一步细节将关于图5A-图5B提供。在一些实施方式中，传感器可以附接到传感器盘。例如，传输腔室机器人可以被配置为从装载锁定取回传感器盘，并使用传感器盘来在处理腔室内部进行读数和测量。关于传感器盘的进一步细节将关于图6A-图6B提供。

在一些实施方式中，由传感器126产生的光谱数据可以指示沉积在基板的表面上的一种或多种材料的浓度。被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、椭圆偏振传感器、热光谱传感器、电容式传感器等。被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、流速传感器、电压传感器等。关于制造设备124的进一步细节将关于图3和图4提供。

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，与通过制造设备124生产对应产品(如晶片)相关联)的传感器数据(例如，传感器值、特征、跟踪数据)。制造设备124可以按照配方或通过在一段时间内执行运行来生产产品。在一段时间内接收到的传感器数据(例如对应于配方或运行的至少一部分)可以称为随时间推移从不同的传感器126接收到的跟踪数据(例如，历史跟踪数据、当前跟踪数据等)。传感器数据可以包括以下项目中的一者或多者的值：温度(例如加热器温度)、间隔(SP)、压力、高频射频(HFRF)、静电卡盘(ESC)的电压、电流、材料流量、功率、电压等等。传感器数据可以与制造参数相关联或指示制造参数，例如硬件参数(例如制造设备124的设置或部件(例如尺寸、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正在执行制造处理时提供(例如处理产品时的设备读数)。每个基板的传感器数据可以不同。

计量设备128可以提供与由制造设备124所处理的基板相关联的计量数据。计量数据可以包括膜性质数据(例如晶片空间膜性质)、尺寸(例如厚度、高度等)、介电常数、掺杂物浓度、密度、缺陷等的值。在一些实施方式中，计量数据可以进一步包括一个或多个表面轮廓性质数据(例如蚀刻速度、蚀刻速度均匀性、在基板的表面上包括的一个或多个特征的临界尺寸、整个基板表面上的临界尺寸均匀性、边缘放置误差等)的值。计量数据可以是成品或半成品的数据。每个基板的计量数据可以不同。计量数据可以使用例如反射测量技术、椭圆偏振技术、TEM技术等产生。

在一些实施方式中，计量设备128可以被包括作为制造设备124的一部分。例如，计量设备128可以被包括在处理腔室内部或与处理腔室耦合，并被配置为在基板保持在处理腔室中同时在处理(例如，沉积处理、蚀刻处理等)之前、期间和/或之后针对基板产生计量数据。在这种情况下，计量设备128可以称为原位计量设备。在另一个例子中，计量设备128可以与制造设备124的另一个站点耦合。例如，计量设备可以与传输腔室(如图3的传输腔室310)、装载锁定(如装载锁定320)或工厂接口(如工厂接口306)耦合。在这种情况下，计量设备128可以称为整合式计量设备。在其他或类似的实施方式中，计量设备128不与制造设备124的站耦合。在这种情况下，计量设备128可以称为内联式(inline)计量设备或外部计量设备。在一些实施方式中，整合式计量设备和/或内联式计量设备被配置为在处理之前和/或之后针对基板产生计量数据。

客户端装置120可以包括计算设备，例如个人计算机(PC)、膝上型计算机、行动电话、智能手机、平板计算机、上网本计算机、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、过顶(OTT)串流设备、营运商盒子(operator box)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(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相关联的指示的用户输入(例如经由客户端装置120显示的图形用户界面(GUI)接收)。在一些实施方式中，校正动作部件122向预测系统110传输指示，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，并促使校正动作被实施。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，并促使校正动作被实施。每个客户端装置120包括操作系统，该操作系统允许用户进行产生、观看或编辑数据(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)的操作中的一者或多者。

数据储存器140可以是存储器(例如随机存取存储器)、驱动器(例如硬盘驱动器、闪存驱动器)、数据库系统，或能够储存数据的另一种类型的部件或设备。数据储存器140可以包括可以跨越多个计算设备(例如多个服务器计算机)的多个储存部件(例如多个驱动器或多个数据库)。数据储存器140可以储存与在制造设备124处处理基板相关联的数据。例如，数据储存器140可以储存由制造设备124处的传感器126在基板处理之前、期间或之后收集的数据(称为处理数据)。处理数据可以指历史处理数据(例如，针对在制造系统处被处理的先前基板产生的处理数据)和/或当前处理数据(例如，针对在制造系统处被处理的当前基板产生的处理数据)。数据储存器还可以储存与在制造设备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。

数据储存器140还可以储存与在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、配方步骤编号、预防性维护指示符、操作员等。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处理相关联的上下文数据)和/或当前处理数据(例如，与针对先前基板执行的当前处理未来处理相关联的上下文数据)。上下文数据还可以包括与处理腔室的特定子系统相关联的识别传感器。

数据储存器140也可以储存任务数据。任务数据可以包括在沉积处理期间对基板执行的一个或多个操作集合，并可以包括与每个操作相关联的一个或多个设置。例如，沉积处理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、沉积在基板上的膜的材料的前驱物的流速设置等。在另一个例子中，任务数据可以包括将压力控制在针对流量值定义的压力点处。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处理相关联的任务数据)和/或当前任务数据(例如，与针对基板执行的当前处理或未来处理相关联的任务数据)。

在一些实施方式中，数据储存器140可以被配置为储存制造系统的用户无法访问的数据。例如，制造系统的用户(例如，操作员)无法访问针对正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。在一些实施方式中，储存在数据储存器140处的所有数据都可以是制造系统的用户无法访问的。在其他或类似的实施方式中，储存在数据储存器140处的数据的一部分可以是用户无法访问的，而储存在数据储存器140处的数据的另一个部分可以是用户能够访问的。在一些实施方式中，储存在数据储存器140处的数据的一个或多个部分可以使用用户未知的加密机制来加密(例如数据是使用私用加密金钥来加密的)。在其他或类似的实施方式中，数据储存器140可以包括多个数据储存器，其中用户无法访问的数据储存在一个或多个第一数据储存器中，而用户能够访问的数据储存在一个或多个第二数据储存器中。

在一些实施方式中，数据储存器140可以被配置为储存与已知的故障模式相关联的数据。故障模式可以是与关联于处理腔室子系统的一个或多个问题或故障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，故障模式可以包括参数调整步骤，以校正故障模式所指示的问题或故障。例如，预测系统可以将所确定的故障模式与已知的故障模式库进行比较，以确定子系统经历的故障类型、故障的原因、用于校正故障所推荐的校正动作等。

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和服务器机器180。预测服务器112、服务器机器170和服务器机器180可以各自包括一个或多个计算设备，例如机架式服务器、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、桌上型计算机、图形处理单元(GPU)、加速器专用集成电路(ASIC)(例如张量处理单元(TPU))等。

服务器机器170包括训练集产生器172，其能够产生训练数据集(例如数据输入集合和目标输出集合)以训练、验证和/或测试机器学习模型190。机器学习模型190可以是任何能够根据数据进行学习的算法模型。下面关于图2详细描述了训练集产生器172的一些操作。在一些实施方式中，数据集产生器172可以将训练数据划分成训练集、验证集和测试集。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、处理设备等等)、软件(例如运行于处理设备、通用计算机系统或专用机器上的指令)、固件、微代码，或上述项目的组合。训练引擎182可以是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使用训练数据(在本文也称为训练集)所产生的模型制品，该训练数据包括数据输入和对应的目标输出(相应的训练输入的正确答案)。训练引擎182可以在训练数据中寻找将训练输入映射到目标输出(要预测的答案)的模式，并且提供捕获这些模式的机器学习模型190。机器学习模型190可以使用统计建模、支持向量机(SVM)、径向基函数(RBF)、聚类、监督式机器学习、半监督式机器学习、非监督式机器学习、k最近邻算法(k-NN)、线性回归、随机森林、神经网络(例如人工神经网络)等等中的一者或多者。

可以用于执行上述任务中的一些或全部的一种机器学习模型是人工神经网络，如深度神经网络。人工神经网络通常包括具有将特征映射到期望的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(CNN)包含多层卷积过滤器。在较低层处执行池化并且非线性问题可以被解决，在这些较低层上通常附加有多层感知器，将由卷积层所提取的顶层特征映射到决策(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进行特征提取和变换的这样一类机器学习算法。每个连续的层使用来自前一层的输出作为输入。深度神经网络可以以监督(如分类)和/或无监督(如模式分析)的方式学习。深度神经网络包括多层的分层结构，不同的层学习与不同的抽象级别对应的不同的表示级别。在深度学习中，每个层次都会学习将其输入数据变换成略微更加抽象和复合的表示。例如，在等离子体处理调整中，原始输入可以是处理结果分布(例如，指示整个基板表面上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控制元件的一个或多个分区的状态相关联的特征数据(例如，分区的定向、等离子体暴露持续时间等)；第三层可以包括起始配方(例如，用作用于确定更新的处理配方的起点的配方，其用于处理基板以产生满足阀值准则的处理结果)。值得注意的是，深度学习过程可以自行学习哪些特征要最佳地放置在哪个级别。“深度学习”中的“深度”指的是变换数据所通过的层数。更确切地说，深度学习系统具有相当大的信用分配路径(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潜在的因果关系。对于前馈神经网络，CAP的深度可以是网络的深度，并且可以是隐藏层的数量加1。对于信号可以不止一次地传播通过一个层递归神经网络来说，CAP深度可能是无限的。

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(RNN)。RNN是包括存储器以使神经网络能够捕获时间依赖性的这样一种神经网络。RNN能够学习依赖于当前输入和过去输入两者的输入-输出映射。RNN将处理过去和未来的流速测量，并基于这种连续的计量信息做出预测。RNN可以使用训练数据集进行训练，以产生固定数量的输出(例如，确定一组基板处理速率，确定对基板处理配方进行的修改)。可以使用的一种RNN是长短期记忆(LSTM)神经网络。

神经网络的训练可以以监督式学习的方式实现，这涉及通过网络馈送由被标记的输入组成的训练数据集，观察其输出，定义误差(通过测量输出与标签值之间的差异来定义)，并使用诸如深度梯度下降和反向传播之类的技术来调整网络所有层和节点的权重，使误差最小化。在许多应用中，对训练数据集中的许多被标记的输入重复这一过程会产生当出现与存在于训练数据集中的输入不同的输入时也可以产生正确的输出的网络。

包含数百、数千、数万、数十万或更多传感器数据和/或处理结果数据(例如，计量数据，如与传感器数据相关联的一个或多个厚度分布)的训练数据集可以用于形成训练数据集。

为了实现训练，处理逻辑可以将(多个)训练数据集输入至一个或多个未训练的机器学习模型。在将向机器学习模型输入第一输入之前，机器学习模型可以被初始化。处理逻辑基于(多个)训练数据集来训练(多个)未训练的机器学习模型，以产生执行上面阐述的各种操作的一个或多个经训练的机器学习模型。训练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来执行。

机器学习模型处理输入以产生输出。人工神经网络包括输入层，该输入层由数据点中的值组成。下一层称为隐藏层，隐藏层处的节点各自接收一个或多个输入值。每个节点都包含应用至输入值的参数(例如权重)。因此，每个节点基本上都将输入值输入多变量函数(例如，非线性数学变换)，以产生输出值。下一层可能是另一个隐藏层，或输出层。在任一种情况下，下一层处的节点从上一层处的节点接收输出值，每个节点对那些值应用权重，然后产生自己的输出值。这可以在每一层处执行。最后一层是输出层，在输出层处，机器学习模型所能产生的每个类别、预测和/或输出都有一个节点。

因此，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、腔室部件的侵蚀、腔室部件的预测故障等的一个或多个预测。窗口)。处理逻辑基于机器学习模型的输出(例如，预测或推断)与关联于输入训练数据的目标标签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整机器学习模型中一个或多个节点的权重。可以为人工神经网络中的每个节点确定误差项或增量(delta)。基于这个误差，人工神经网络调整其一个或多个节点的一个或多个参数(节点的一个或多个输入的权重)。参数可以以反向传播的方式进行更新，使得最高层处的节点先被更新，然后是下一层处的节点，以此类推。人工神经网络包含多层“神经元”，其中每一层都从上一层处的神经元接收作为输入值。每个神经元的参数包括与从上一层处的每个神经元收到的值相关联的权重。因此，调整参数可以包括调整分配给人工神经网络中一个或多个层的一个或多个神经元的每个输入的权重。

在一轮或多轮训练之后，处理逻辑可以确定停止准则是否已被满足。停止准则可以是准确度的目标水平、来自训练数据集的经处理的图像的目标数量、一个或多个先前数据点上的参数的变化目标量、其组合和/或其他准则。在一个实施方式中，当至少处理了最低数量的数据点，并且至少达到了阈值准确度，就满足了停止准则。阈值准确度可以是例如70％、80％或90％的准确度。在一个实施方式中，如果机器学习模型的准确度已经停止提高，那么停止准则被满足。如果没有满足停止准则，那么就执行进一步的训练。如果满足了停止准则，那么可以完成训练。一旦机器学习模型被训练，训练数据集的保留部分就可以用来测试模型。

一旦产生一个或多个经训练的机器学习模型190，它们就可以作为预测部件114或预测部件114的部件储存在预测服务器112中。

验证引擎184可以能够使用来自训练集产生器172的验证集的对应的特征集合来验证机器学习模型190。一旦模型参数被最佳化，就可以执行模型验证，以确定模型是否得到了改善，并确定深度学习模型的当前准确度。验证引擎184可以基于验证集的对应的特征集合来确定机器学习模型190的准确度。验证引擎184可以丢弃准确度不满足阈值准确度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可以能够选择准确度满足阈值准确度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可以能够选择经训练的机器学习模型190中具有最高的准确度的经训练的机器学习模型190。

测试引擎186能够使用来自数据集产生器172的测试集的对应的特征集合来测试经训练的机器学习模型190。例如，使用训练集的第一特征集合来进行训练的第一经训练的机器学习模型190可以使用测试集的第一特征集合来测试。测试引擎186可以基于测试集来确定所有经训练的机器学习模型中具有最高的准确度的经训练的机器学习模型190。

如下文详述，预测服务器112包括预测部件114，其能够提供指示处理腔室的每个子系统的预期行为的数据，并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状况的数据和诊断。这一点将在下文中进一步详细解释。

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、数据储存器140、服务器机器170和服务器机器180可以经由网络130彼此耦合。在一些实施方式中，网络130是公用网络，其向客户端装置120提供对预测服务器112、数据储存器140和其他公共可用的计算设备的访问。在一些实施方式中，网络130是私用网络，其向客户端装置120提供对制造设备124、计量设备128、数据储存器140和其他私人可用的计算设备的访问。网络130可以包括一个或多个广域网络(WAN)、局域网络(LAN)、有线网络(例如乙太网络)、无线网络(例如802.11网络或Wi-Fi网络)、蜂窝网络(例如长期演进(LTE)网络)、路由器、集线器、交换器、服务器计算机、云端计算网络和/或上述项目的组合。

应注意，在一些其他的实施方式中，服务器机器170和180以及预测服务器112的功能可以由更少数量的机器来提供。例如，在一些实施方式中，服务器机器170和180可以被整合成单个机器，而在一些其他或类似的实施方式中，服务器机器170和180以及预测服务器112可以被整合成单个机器。

一般而言，在一个实施方式中被描述为由服务器机器170、服务器机器180和/或预测服务器112所执行的功能也可以在客户端装置120上执行。此外，归属于特定部件的功能性还可以由一起操作的不同部件或多个部件所执行。

在实施方式中，“用户”可以被表示为单个个人。然而，本公开内容的其他实施方式涵盖“用户”是由多个用户和/或自动化源所控制的实体。例如，联合作为管理员群组的个人用户集合可以被视为“用户”。

图2是依据本公开内容的各个方面的用于训练机器学习模型的方法200的流程图。方法200是由处理逻辑所执行的，该处理逻辑可以包括硬件(电路系统、专用逻辑等等)、软件(例如运行于通用计算机系统或专用机器上)、固件或上述项目的某种组合。在一个实施方式中，方法200可以由计算机系统(例如图1的计算机系统架构100)所执行。在其他或类似的实施方式中，方法200的一个或多个操作可以由图中未描绘的一个或多个其他机器所执行。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。

为便于解释，这些方法被描绘和描述成一系列的动作。然而，依据本公开内容的动作可以以各种顺序和/或并行地发生，并且与本文未提出和描述的其他动作一起发生。此外，可以并非执行所有示出的动作来实施依据所公开的主题的方法。此外，本领域中的技术人员将了解并理解，这些方法可以替代性地经由状态图或事件被表示为一系列的相互关联的状态。此外，应理解，本说明书中所公开的方法能够被储存在制品上，以促进将这种方法运输和转移到计算设备。本文所使用的术语制品旨在包含从任何计算机可读取设备或储存介质可访问的计算机程序。

在框210处，处理逻辑将训练集T初始化为空集合(例如{})。

在框212处，处理逻辑获得与被执行以在先前基板的表面上沉积膜的一个或多个层的先前沉积处理相关联的传感器数据(例如传感器值、特征、跟踪数据)。传感器数据可以进一步与处理腔室的子系统相关联。子系统可以被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、流速、压力等。例如，压力子系统可以由测量气体流量、腔室压力、控制阀角度、前级管道(泵之间的真空管道)压力、泵速等的一个或多个传感器来表征。每个处理腔室可以包括多个不同的子系统，如压力子系统、流量子系统、温度子系统等。

在一些实施方式中，与沉积处理相关联的传感器数据是与先前在制造系统处针对先前基板所执行的先前沉积处理的一个或多个先前沉积设置相关联的历史数据。例如，历史数据可以是与储存在数据储存器140处的先前沉积处理相关联的历史上下文数据。在一些实施方式中，该一个或多个先前沉积设置可以包括先前沉积处理的先前温度设置、先前沉积设置的先前压力设置、用于沉积在先前基板的表面上的先前膜的一种或多种材料的前驱物的先前流速设置或与沉积处理相关联的任何其他设置中的至少一者。流速设置可以指在先前沉积处理的初始实例中的前驱物的流速设置(称为初始流速设置)，在先前沉积处理的最终实例中的前驱物的流速设置(称为最终流速设置)，或在沉积处理期间的前驱物的流速的上升速率(ramping rate)。在一个例子中，先前膜的前驱物可以包括含硼的前驱物或含硅的前驱物。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处理或在处理腔室中执行的任何其他处理相关联。

在框214处，处理逻辑获得与沉积在先前基板的表面上的膜的配方相关联的任务数据。例如，任务数据可以是所需的温度设置、压力设置、用于沉积在基板上的膜的材料的前驱物的流速设置等。任务数据可以包括沉积在先前基板的表面上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。依据先前所述的实施方式，处理逻辑可以从数据储存器140获得任务数据。

在框216处，处理逻辑基于所获得的与针对先前基板所执行的先前沉积处理相关联的传感器数据，从而产生第一训练数据。在框218处，处理逻辑基于与沉积在先前基板的表面上的膜的配方相关联的任务数据，来产生第二训练数据。

在框220处，处理逻辑产生第一训练数据与第二训练数据之间的映射。该映射指的是第一训练数据(其包括或基于针对先前基板执行的先前沉积处理的数据)第二训练数据(其和包括或基于与沉积在先前基板的表面上的膜的配方相关联的任务数据)，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)。在框224处，处理逻辑将该映射添加到训练集T。

在框226处，处理逻辑确定训练集T是否包括足以训练机器学习模型的训练数据量。应注意，在一些实施方式中，训练集T的充分性可以单纯基于训练集中的映射的数量来确定，而在一些其他的实施方式中，作为输入/输出映射的数量的补充或替代，训练集T的充分性可以基于一个或多个其他的准则(例如训练例的多样性的度量等等)来确定。响应于确定训练集不包括足以训练集机器学习模型的训练数据量，方法200返回框212。响应于确定训练集(T)包括足以训练集机器学习模型的训练数据量，方法200继续进行到框228。

在框228处，处理逻辑提供训练集T以训练机器学习模型。在一个实施方式中，训练集T被提供给服务器机器180的训练引擎182以执行训练。在神经网络的情况下，例如，给定输入/输出映射的输入值被输入到神经网络，并且输入/输出映射的输出值被储存在神经网络的输出节点中。然后，依据学习算法(例如反向传播法等等)来调整神经网络中的连接权重，并且对训练集T中其他的输入/输出映射重复该过程。

在一些实施方式中，处理逻辑可以执行异常值检测方法，以便在训练机器学习模型之前从训练集T移除异常。异常值检测方法可以包括识别与大多数训练数据有显著差异的值的技术。这些值可以由误差、噪声等产生。

在框230处，处理逻辑对经训练的机器学习模型执行校准处理。在一些实施方式中，处理逻辑可以基于预测行为与当前行为之间的数值差异，将处理腔室子系统的预期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和与压力子系统、流量子系统或温度子系统的当前测得的行为相关联的一个或多个值进行比较。

在框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、故障等)的预测数据，和/或执行(多个)校正动作以校正可疑的问题或故障。预测数据可以通过将故障模式与已知故障模式库进行比较来产生。

在一些实施方式中，制造系统可以包括超过一个的处理腔室。例如，图3的示例制造系统300说明了多个处理腔室314、316、318。应该注意的是，在一些实施方式中，为了训练机器学习模型而获得的数据和为了提供作为对机器学习模型的输入而收集的数据可以与制造系统的同一处理腔室相关联。在其他或类似的实施方式中，为了训练机器学习模型而获得的数据和为了提供作为对机器学习模型的输入而收集的数据可以与制造系统的不同处理腔室相关联。在其他或类似的实施方式中，为了训练机器学习模型而获得的数据可以与第一制造系统的处理腔室相关联，而为了提供作为对机器学习模型的输入而收集的数据可以与第二制造系统的处理腔室相关联。

图3是依据本公开内容的方面的示例制造系统300的俯视示意图。制造系统300可以在基板302上执行一个或多个处理。基板302可以是任何具适合刚性的、固定尺寸的、平面的制品，例如含硅的盘片或晶片、图案化的晶片、玻璃板等等，其适于在其上制造电子器件或电路部件。

制造系统300可以包括处理工具304和与处理工具304耦合的工厂接口306。处理工具304可以包括壳体308，壳体308中具有传输腔室310。传输腔室310可以包括围绕传输腔室310设置并且与之耦合的一个或多个处理腔室(也称为处理腔室)314、316、318。处理腔室314、316、318可以通过相应的端口(例如狭缝阀等等)与传输腔室310耦合。传输腔室310也可以包括传输腔室机器人312，其被配置为在处理腔室314、316、318、装载锁定320等之间传输基板302。传输腔室机器人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终端受动器。终端受动器可以被配置为搬运特定的物体，如晶片、传感器盘、传感器工具等。在一些实施方式中，终端受动器可以被配置为与来自工具站340的一个或多个传感器工具耦合。

工具站340可以是用于容纳、移动、更换传感器工具和/或对传感器工具进行再充电的站点。在一些实施方式中，工具站340可以是自动工具更换器，能够使处理腔室机器人能够选择不同的传感器工具。工具站340可以包括储存在仓匣(例如，鼓式仓匣、链式仓匣等)或其他容器上的传感器工具阵列。在一些实施方式中，响应于对传感器工具的选择，工具阵列可以重新定位，并且处理腔室机器人312可以从预定的位置选择期望的传感器工具。在一些实施方式中，响应于对传感器工具的选择，处理腔室机器人312可以将终端受动器定位到工具站中的传感器工具的指定位置。在一些实施方式中，工具站340可以包括一个或多个充电端口，用于对每个传感器工具进行充电。例如，当传感器工具被定位在工具站340内(例如在仓匣上)时，传感器工具的充电部件可以连接到(例如，有线连接)充电端口或位于充电端口的附近(例如，无线连接，如感应式充电)。关于传输腔室机器人312和工具站340的进一步细节将关于图5A-图5B提供。

在一些实施方式中，终端受动器可以被配置为从装载锁定获取传感器盘。传感器盘可以是包括一个或多个传感器的基板或任何其他设备。关于传输腔室机器人312和传感器盘的进一步细节将关于图6A-图6B提供。

处理腔室314、316、318可以被调适为在基板302上实现任何数量的处理。可以在每个处理腔室314、316、318中进行相同或不同的基板处理。基板处理可以包括原子层沉积(ALD)、物理气相沉积(PVD)、化学气相沉积(CVD)、蚀刻、退火、固化、预清洁、金属或金属氧化物移除等。可以在处理腔室中在基板上实现其他处理。处理腔室314、316、318可以各自包括一个或多个传感器，这些传感器被配置为在基板处理之前、之后或期间捕获基板302的数据。例如，该一个或多个传感器可以被配置为在基板处理期间捕获基板302的一部分的光谱数据和/或非光谱数据。在其他或类似的实施方式中，该一个或多个传感器可以被配置为在基板处理之前、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，该一个或多个传感器可以被配置为在基板处理期间捕获与处理腔室314、316、318内环境的温度、压力、气体浓度等相关联的数据。

装载锁定320也可以与壳体308和传输腔室310耦合。装载锁定320可以被配置为在一侧与传输腔室310结合和耦合，并且与工厂接口306接合和耦合。在一些实施方式中，装载锁定320可以具有环境受控的气氛，它可以从真空环境(其中基板可以被传输到传输腔室310或从传输腔室310传输)改变为大气压力或接近大气压力的惰性气体环境(其中基板可以被传输到工厂接口306和从工厂接口306传输)。工厂接口306可以是任何合适的外壳，例如设备前端模块(EFEM)。工厂接口306可以被配置为从在工厂接口306的各种装载端口324处对接的基板载体322(例如前开式晶片标准舱(FOUP))接收基板302。工厂接口机器人326(以虚线示出)可以被配置为在载体(也称为容器)322与装载锁定320之间传输基板302。载体322可以是基板储存载体或替换零件储存载体。

制造系统300也可以与被配置为向用户(例如操作员)提供关于制造系统300的信息的客户端装置(未示出)连接。在一些实施方式中，客户端元件可以经由一个或多个图形用户界面(GUI)向制造系统300的用户提供信息。例如，客户端装置可以经由GUI提供关于在处理腔室314、316、318处执行的沉积处理期间要沉积在基板302的表面上的膜的目标厚度分布的信息。依据本文所述的实施方式，客户端装置还可以鉴于被预测为与目标分布对应的相应沉积设置集合来提供关于对处理配方进行的修改的信息。

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/或可以包括诸如个人计算机、服务器计算机、可编程逻辑控制器(PLC)、微控制器等之类的计算设备。系统控制器328可以包括一个或多个处理设备，其可以是诸如微处理器、中央处理单元等之类的通用处理设备。更详细而言，处理设备可以是复杂指令集计算(CISC)微处理器、精简指令集计算(RISC)微处理器、超长指令字(VLIW)微处理器或实施其他指令集的处理器或实施指令集的组合的处理器。处理设备也可以是诸如专用集成电路(ASIC)、现场可编程门阵列(FPGA)、数字信号处理器(DSP)、网络处理器等之类的一个或多个特殊用途处理设备。系统控制器328可以包括数据储存设备(例如一个或多个硬盘驱动器和/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所述的方法和/或实施方式中的任一者或多者。在一些实施方式中，系统控制器328可以执行指令以依据处理配方在制造系统300处执行一个或多个操作。指令可以储存在计算机可读取储存介质上，该计算机可读取储存介质可以包括主存储器、静态存储器、辅助储存器和/或处理装置(在指令的执行期间)。

系统控制器328可以从包括在制造系统300的各种部分(例如，处理腔室314、316、318、传输腔室310、装载锁定320等)之上或之内的传感器接收数据。在一些实施方式中，由系统控制器328所接收的数据可以包括基板302的一部分的光谱数据和非光谱数据。在其他或类似的实施方式中，由系统控制器328接收的数据可以包括与在处理腔室314、316、318处处理基板302相关联的数据，如前所述。出于本说明书的目的，系统控制器328被描述为从包括在处理腔室314、316、318内的传感器接收数据。然而，系统控制器328也可以从制造系统300的任何部分接收数据，并且可以依据本文所述的实施方式使用从该部分所接收的数据。在一个说明性的例子中，系统控制器328可以在处理腔室314、316、318处的基板处理之前、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的各种部分的传感器接收到的数据可以储存在数据储存器350中。数据储存器350可以被包括作为系统控制器328内的部件，或可以是与系统控制器328分开的部件。在一些实施方式中，数据储存器350可以是关于图1所描述的数据储存器140。

图4是依据本公开内容的实施方式的处理腔室400的横截面示意侧视图。在一些实施方式中，处理腔室400可以与关于图3所描述的处理腔室314、316、318对应。处理腔室400可以用于其中提供有腐蚀性等离子体环境的处理。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的腔室。在另一个例子中，处理腔室可以是用于沉积处理的腔室，如前所述。在一个实施方式中，处理腔室400包括腔室主体402和喷淋头430，它们包围内部容积406。喷淋头430可以包括喷淋头基部和喷淋头气体分布板。或者，喷淋头430可以在一些实施方式中由盖和喷嘴取代，或在其他的实施方式中由多个饼形喷淋头隔室和等离子体产生单元取代。腔室主体402可以由铝、不锈钢、或其他合适的材料(例如钛(Ti))制成。腔室主体402一般包括侧壁408和底部410。排气端口426可以被界定在腔室主体402中，并且可以将内部容积406与泵系统428耦合。泵系统428可以包括一个或多个泵和节流阀，它们用来抽空和调节处理腔室400的内部容积406的压力。

喷淋头430可以被支撑在腔室主体402的侧壁408上。喷淋头420(或盖)可以被打开，以允许进入处理腔室400的内部容积406，并且可以在关闭时为处理腔室400提供密封。气体面板458可以与处理腔室400耦合，以通过喷淋头430或盖和喷嘴(例如通过喷淋头或盖和喷嘴的孔)向内部容积406提供处理和/或清洁气体。例如，气体面板458可以为沉积在基板302的表面上的膜451的材料提供前驱物。在一些实施方式中，前驱物可以包括硅基前驱物或硼基前驱物。喷淋头430可以包括气体分布板(GDP)，并且在整个GDP中可以具有多个气体输送孔432(也称为通道)。基板支撑组件448被设置在处理腔室400的位于喷淋头430下方的内部容积406中。基板支撑组件448在处理期间(例如，在沉积处理期间)保持基板302。

在一些实施方式中，处理腔室400可以包括计量设备(未示出)，其被配置为在处理腔室400处执行的处理期间产生原位计量测量。计量设备可以可操作地与系统控制器(例如，系统控制器328，如前所述)耦合。在一些实施方式中，计量设备可以被配置为在沉积处理的特定实例期间为膜451产生计量测量值(例如，厚度)。系统控制器可以基于从计量设备接收到的计量测量值产生膜451的厚度分布。在其他或类似的实施方式中，处理腔室400不包括计量设备。在这样的实施方式中，系统控制器可以在处理腔室400的沉积处理完成后接收膜451的一个或多个计量测量值。系统控制器可以基于该一个或多个计量测量值确定沉积速率，并可以基于所确定的浓度梯度和所确定的沉积处理的沉积速率来关联产生膜451的厚度分布。

图5A是依据本公开内容的实施方式的终端受动器510的示意图。图5B是依据本公开内容的实施方式的与传感器工具520耦合的终端受动器510的示意图。终端受动器510可以包括工具连接器512、基板平台514和机器人连接器516。在一些实施方式中，终端受动器510可以包括一个或多个传感器。传感器工具520可以包括终端受动器连接器522和充电部件526。

机器人连接器516可以用于将终端受动器510与传输腔室机器人(例如，传输腔室机器人310)耦合。基板平台514可以用于搬运特定的物体，如基板(例如，晶片)。工具连接器512可以用于将终端受动器510耦合至与传感器工具520。例如，传输腔室机器人312可以接收指令，以耦合到容纳在工具站(例如，工具站340)中的特定传感器工具(例如，传感器工具520)，将终端受动器510定位在接近传感器工具520的终端受动器连接器522的第一位置(例如，耦合前的位置)，将终端受动器510放置于第二位置以将终端受动器510与传感器工具520的终端受动器连接器522耦合(经由工具连接器512耦合)(例如，耦合位置)，然后从工具站340抽回传感器工具520。在传感器工具520使用完成后，传输腔室机器人312可以将传感器工具520放回工具站340中。在一些实施方式中，工具站340可以被配置为使用例如抓取器将所选的传感器工具自动耦合到终端受动器510。

传感器工具520可以包括一个或多个传感器。这些传感器可以用于对处理腔室314、316、318的一个或多个方面进行表征、读数或测量。这些传感器可以包括以下传感器中的一者或多者：加速度计、距离传感器(其例如用于确定两个物体之间的高度、宽度或长度)、相机(例如高分辨率相机、高速相机等)、电容式传感器、反射计、高温计(例如，遥感温度计、红外相机等)、激光诱导荧光光谱仪、光纤(如光纤探针)、表面声学传感器、涡电流传感器、管道镜、光电二极管传感器、光电倍增管、固态检测器、热电偶、电压传感器、电流传感器、电阻传感器，或任何其他类型的传感器。

加速度计可以用于检测和校正(或校准)传输腔室机器人312的振动和位置噪声。距离传感器可以用于检测卡盘(台板)、边缘环、喷淋头、壁或处理腔室314、316、318的任何其他部件的侵蚀和/或腐蚀。例如，在蚀刻处理期间，可以使用边缘环来促进沿基板表面的均匀性。然而，蚀刻可能会腐蚀边缘环。因此，位置传感器可以用于通过测量边缘环的顶部平面与例如基板的顶部平面之间的距离来检测所述腐蚀。相机可以记录314、316、318的处理腔室的各个区段，供操作员视觉检查。电容器传感器可以用于检测用于处理腔室314、316、318内部的气体分布的喷淋头的位置，确定基板的调平(leveling)，检测侵蚀等。反射计可以用于探测处理腔室314、316、318的壁上的调理膜(seasoning film)的品质。例如，反射计可以产生到处理腔室314、316、318的壁上的光，并记录所反射的光的反射率。高温计可以用于检测处理腔室314、316、318中加热器的温度均匀性，检测处理腔室314、316、318内部的热点等等。传输腔室机器人312可以包括任何数量的所讨论的或其他的传感器，或所讨论的或其他的传感器的任何组合。

在一些实施方式中，传感器工具520可以包括能够促进与系统100(例如，系统控制器328、预测系统110、客户端装置120等)通信的电子模块。电子模块可以包括微控制器和与微控制器耦合的存储缓冲器。存储缓冲器可以用于收集和储存由传感器工具520获得的数据，然后再将数据传输到系统100。在一些实施方式中，数据可以使用无线通信电路进行传输。在其他实施方式中，数据可以使用传感器工具520与系统100之间的有线连接来传输。例如，终端受动器连接器522和/或工具连接器512可以包括一个或多个接触引脚、低颗粒连接件、弹簧引脚，或可以在传感器工具520与系统100之间(经由传输腔室机器人312)传输数据(或电力)的任何其他类型的连接器。在一些实施方式中，数据在被传输到系统100之前，可以先储存(缓存)在存储缓冲器中。在其他的实施方式中，数据可以在被收集时被传输到系统100，而不需要储存在存储缓冲器中。在一些实施方式中，无线或有线连接可以是持续的。在其他实施方式中，可以定期建立无线或有线连接，或在检查完成或其他一些触发事件(例如，当存储缓冲器接近满时，当传感器工具520被定位在工具站340上时等等)后建立无线或有线连接。例如，传感器工具520可以包括用于与工具站520进行通信的有线或无线通信电路。传感器工具520可以收集传感器数据并将其储存在存储缓冲器上，并且一旦传感器工具520被定位在工具站340上，就传输传感器数据。在一些实施方式中，工具站340可以包括能够从传感器工具520接收数据(例如，传感器数据)或向传感器工具520传输数据(例如，指令)的有线或无线连接器。

电子模块可以进一步包括电源元件和上电电路。例如，电源元件可以是电池、电容器(如超电容器(ultracapacitor)或超级电容器(supercapacitor))，或任何其他能够向传感器和/或电子模块提供电力的电源元件(例如，电源链路)。在一些实施方式中，电源元件可以从工具站340再充电。例如，当传感器工具520被收容在工具站340中并且在工具站340中闲置时，传感器工具520可以被充电。特别是，传感器工具520可以经由充电部件526耦合到工具站340的充电端口。在一些实施方式中，充电部件526可以使用一个或多个连接器(例如，接触引脚、低颗粒连接件、弹簧引脚)耦合到充电端口。在其他实施方式中，充电部件526可以被定位在充电端口附近，传感器工具520可以经由无线充电(例如，感应式充电)进行充电。

图6A和图6B是依据本公开内容的实施方式的传感器盘610和终端受动器620的示意图。终端受动器620可以包括电连接器622。电连接器622可以是用于向传感器盘610和从该传感器盘提供电力和/或传输数据的任何类型的连接器(例如，接触引脚、低颗粒连接件、弹簧引脚)，这一点将在下文详细解释。

传感器盘610可以是任何包括一个或多个传感器(例如，传感器612A-612E)的设备。传感器612A-612E可以用于对处理腔室314、316、318的一个或多个方面进行表征、读数或测量。传感器612A-612E可以包括以下传感器中的一者或多者：加速度计、距离传感器(其例如用于确定两个物体之间的高度、宽度或长度)、相机(例如高分辨率相机、高速相机等)、电容式传感器、反射计、高温计(例如，遥感温度计、红外相机等)、激光诱导荧光光谱仪、光纤(如光纤探针)、表面声学传感器、涡电流传感器、管道镜、光电二极管传感器、光电倍增管、固态检测器、热电偶、电压传感器、电流传感器、电阻传感器，或任何其他类型的传感器。虽然传感器盘610绘示了五个传感器612A-612E，但应该理解，任何数量的传感器都可以耦合到传感器盘610。

在一些实施方式中，传感器盘610(和/或传感器612A-612E)连接到电源链路和/或数据链路中的一者或多者。电源链路可以是任何能够向(多个)传感器提供电力的有线连接(例如，经由电连接器622连接)或无线(例如，感应式)连接。在一些实施方式中，电源链路是用于向传输腔室机器人112的其他功能(例如，连结移动功能、受动器操作功能等)提供电力而类似的或相同的系统。在一些实施方式中，电源链路是独立于用于向传输腔室机器人312的其他功能提供电力的另一个电源链路的系统。在一些实施方式中，传感器盘610可以包括电源元件和/或上电电路。数据链路可以是任何用于提供数据或从(多个)传感器获取数据的有线连接(例如经由电连接器622连接)或无线(WiFi、蓝牙、基于互联网等的)连接。例如，数据链路可以用于向传感器提供指令，以进行测量或读数，将收集的数据发送到接口(例如，用户界面)或数据储存系统等等。在一些实施方式中，数据链路是独立于的系统，所述另一个数据链路用于提供指令并与传输腔室机器人312通信，以使传输腔室机器人312能够在传输腔室314、316、318与装载锁定320之间传输和定位基板。在一些实施方式中，传感器盘610可以包括能够促进与系统100(例如，系统控制器328、预测系统110、客户端装置120等)通信的电子模块(例如，微控制器和与微控制器耦合的存储缓冲器)。

传感器盘610可以由终端受动器620搬运。例如，传感器盘可以容纳在FOUP中，该FOUP可以对接在工厂接口306的装载端口324处。工厂接口机器人326可以被配置为在FOUP与装载锁定320之间传输传感器盘610。传输腔室机器人312可以将终端受动器620(其与传感器盘620耦合)定位在任何处理腔室314、316、318内。传输腔室机器人的终端受动器和/臂可以包括一个或多个连接器，用于连接到传感器工具或传感器盘620。这种连接器可以提供电源连接和/或数据链路连接。通过使用传感器盘620，传输腔室机器人312可以进行处理腔室的读数和/或测量。在一些实施方式中，(多个)传感器和或传输腔室机器人312包括处理设备，如中央处理单元(CPU)、微控制器、可编程逻辑控制器(PLC)、片上系统(SoC)、服务器计算机或其他合适类型的计算设备。处理设备可以被配置为执行与传感器的操作有关的编程指令。处理设备可以接收来自传感器装置的反馈信号，并将这些信号计算为传感器数据(例如，温度、视频数据、位置数据等)。处理设备可以基于接收到的指令进一步将控制信号传输给传感器。在一些实施方式中，处理设备被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，处理设备被配置为将反馈信号和/或传感器数据传输或发送至接口(例如，用户界面)、数据储存器等。

处理腔室机器人312可以被进一步配置为将传感器盘610定位回到装载锁定320中。在一些实施方式中，传感器盘610可以是类似于晶片的形状。在其他实施方式中，传感器盘610可以是任何形状，包括但不限于圆形、椭圆形、正方形、矩形、不规则形等。

图7是依据本公开内容的各个方面的用于使用机器学习模型来确定处理腔室子系统的故障类型的方法700的流程图。方法700是由处理逻辑所执行的，该处理逻辑可以包括硬件(电路系统、专用逻辑等等)、软件(其例如运行于通用计算机系统或专用机器上)、固件或上述项目的某种组合。在一个实施方式中，方法700可以由计算机系统(例如图1的计算机系统架构100)所执行。在其他或类似的实施方式中，方法700的一个或多个操作可以由图中未描绘的一个或多个其他机器所执行。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。

在框710处，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，该操作可以包括在处理腔室中执行以在基板的表面上沉积膜的一个或多个层的沉积处理，在基板的表面上的膜的一个或多个层上执行的蚀刻处理等等。该操作可以依据配方来执行。传感器数据可以包括以下项目中的一者或多者的值：温度(例如加热器温度)、间隔、压力、高频射频、静电卡盘的电压、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，例如硬件参数(例如制造设备124的设置或部件(例如尺寸、类型等))或制造设备124的处理参数。

在框712处，处理逻辑将机器学习模型(例如模型190)应用至所获得的传感器数据。机器学习模型可以用于产生与处理腔室子系统的预期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来使用训练集T产生处理腔室子系统的预测行为。在一些实施方式中，机器学习模型是使用处理腔室的子系统的历史传感器数据和与用于执行操作的配方相关联的任务数据来训练的。

在框714处，处理逻辑经由机器学习模型基于传感器数据来产生输出。在一些实施方式中，该输出可以是指示模式(例如故障模式)的值。特别是，该输出可以包括当前数据是否指示处理腔室正在经历故障的预测数据。在一些实施方式中，该输出可以是指示处理腔室子系统的预期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。特别是，该(多个)值可以指示与子系统相关联的传感器集合的实际值与该传感器集合的预期值之间的差异。故障可以包括机构故障、高或低的压力、高或低的气体流量、高或低的温度等。

在框716处，处理逻辑确定处理腔室子系统是否正在经历故障。在一些实施方式中，故障可以包括机构故障、高或低的压力、高或低的气体流量、高或低的温度、腐蚀、侵蚀、恶化等。在一些实施方式中，处理逻辑可以通过将输出与预定的阈值相比较来确定处理腔室子系统是否正在经历故障。在一些实施方式中，处理逻辑可以通过确定输出未能与预期行为相匹配来确定处理腔室子系统是否正在经历故障。响应于处理逻辑确定处理腔室子系统没有正在经历故障(例如输出的值不超过预定阈值)，处理逻辑可以继续进行到框710。响应于处理逻辑确定处理腔室子系统正在经历故障(例如输出的值超过预定阈值)，处理逻辑可以继续进行到框718。

在框718处，处理逻辑可以基于输出来识别故障的类型。在一些实施方式中，处理逻辑可以将故障模式与(多个)制造数据图表和/或已知故障模式库进行比较，以基于故障模式与已知故障模式或(多个)制造数据图表比较时的相似性来确定故障类型。在一些实施方式中，可以使用自然语言处理从制造数据图提取故障类型，然后该故障类型与对应的故障模式相关联。在一些实施方式中，故障类型可以显示在用户界面上(向用户显示)。

在框720处，处理逻辑可以基于识别的故障，执行(或建议)校正动作。在一些实施方式中，可以基于从故障库获得的数据来确定校正动作。在一些实施方式中，校正动作可以包括向客户端装置120产生所确定的问题的警报或指示。在一些实施方式中，校正动作可以包括处理逻辑指示故障或失效的类型、故障或失效的原因和/或推荐的校正动作。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整沉积处理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、用于沉积在基板表面上的膜所包括的材料的前驱物的流量设置等)。在一些实施方式中，沉积处理配方可以在沉积处理之前、期间(例如实时)或之后调整。

图8是依据某些实施方式的说明计算机系统800的框图。在一些实施方式中，计算机系统800可以与其他的计算机系统连接(例如经由网络连接，例如区域网络(LAN)、内部网络、外部网络或互联网)。计算机系统800可以在客户端-服务器环境中以服务器或客户端计算机的身份操作，或在同级间或分散式网络环境中作为同级计算机操作。计算机系统800可以由个人计算机(PC)、平板PC、机顶盒(STB)、个人数字助理(PDA)、蜂窝电话、网页用具(webappliance)、服务器、网络路由器、交换机或桥接器，或能够执行指令集(依序执行或以其他方式执行)的任何设备所提供，这些指令指定要由该设备所采取的动作。进一步地，术语“计算机”应包括单独地或联合地执行一个或多个指令集以执行本文所述的方法中的任一者或更多者的计算机的任何集合。

在另一个方面中，计算机系统800可以包括处理设备802、易失性存储器804(例如随机访问存储器(RAM))、非易失性存储器806(例如只读存储器(ROM)或可电擦除可编程ROM(EEPROM))和数据储存设备816，上述设备可以经由总线808彼此通信。

处理设备802可以由诸如通用处理器(举例而言，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、超长指令字(VLIW)微处理器、实施其他类型指令集的微处理器或实施多种类型指令集的组合的微处理器)或特殊处理器(举例而言，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)之类的一个或多个处理器所提供。

计算机系统800可以进一步包括网络接口设备822(其例如与网络874耦合)。计算机系统800也可以包括视频显示单元810(例如LCD)、字母数字输入设备812(例如键盘)、游标控制设备814(例如鼠标)和信号产生设备820。

在一些实施方式中，数据储存设备816可以包括非暂时性计算机可读取储存介质824，其上可以储存指令826，这些指令对本文所述的方法或功能中的任一者或多者进行编码，包括对图1的部件(例如校正动作部件122、预测部件114等)进行编码和用于实施本文所述的方法的指令。

指令826也可以在其被计算机系统800执行的期间完全地或部分地驻留在易失性存储器804和/或处理设备802内，因此易失性存储器804和处理设备802也可以构成机器可读取储存介质。

虽然在说明性例子中将计算机可读取储存介质824示为单个介质，但术语“计算机可读取储存介质”也应包括储存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和服务器)。术语“计算机可读取储存介质”也应包括能够对指令集进行储存或编码的任何介质，该指令集用于由计算机执行，使该计算机执行本文所述的方法中的任一者或多者。术语“计算机可读取储存介质”应包括但不限于固态存储器、光学介质和磁性介质。

本文所述的方法、部件和特征可以由离散的硬件部件所实施，或者可以整合在诸如ASICS、FPGA、DSP或类似设备之类的其他硬件部件的功能性中。此外，方法、部件和特征还可以由硬件设备内的固件模块或功能电路系统所实施。进一步地，方法、部件和特征可以以硬件设备与计算机程序部件的任何组合或以计算机程序来实施。

除非另有具体陈述，否则诸如“接收”、“执行”、“提供”、“获得”、“促使”、“访问”、“确定”、“添加”、“使用”、“训练”等之类的术语指的是由计算机系统执行或实施的动作和过程，这些动作和过程将在计算机系统寄存器和存储器内表示为物理(电子)量的数据操控并变换成在计算机系统存储器或寄存器或者其他这样的信息储存、传输或显示设备内类似地表示为物理量的其他数据。并且，本文所使用的术语“第一”、“第二”、“第三”、“第四”等是作为区分不同元素的标签，并且可以不具有依据它们数字标记的顺序意义。

本文所述的例子也与一种用于执行本文所述的方法的装置相关。这个装置可以被专门建构为用于执行本文所述的方法，或它可以包括选择性地由储存在计算机系统中的计算机程序来编程的通用计算机系统。可以将这种计算机程序储存在计算机可读取有形储存介质中。

本文所述的方法和说明性例子与任何特定的计算机或其他的装置没有固有的关联性。可以依据本文所述的教导来使用各种通用系统，或者可以证明构建更专门的装置来执行本文所述的方法和/或这些方法的单独功能、常式、子常式或操作中的每一者是方便的。上面的说明中阐述了用于各种这些系统的结构的例子。

以上描述旨在是说明性的，而非限制性的。虽然已经参考具体的说明性例子和实施方式来描述本公开内容，但将认识到，本公开内容不限于所述的例子和实施方式。将参考随附权利要求以及这些权利要求所赋予的等效方案的全部范围来确定本公开内容的范围。

Claims (20)

1.一种电子器件制造系统，包括：

传输腔室；

位于所述传输腔室内的工具站；

与所述传输腔室耦合的处理腔室；以及

传输腔室机器人，所述传输腔室机器人被配置为向所述处理腔室传输基板和从所述处理腔室传输基板，其中所述传输腔室机器人被配置为耦合至包括一个或多个传感器的传感器工具耦合，所述一个或多个传感器被配置为在所述处理腔室的内部进行测量，其中所述传感器工具通过所述传输腔室机器人的终端受动器从所述工具站是可取回的。

2.根据权利要求1所述的电子器件制造系统，其中所述传感器工具进一步包括能够促进经由网络进行无线通信的电子模块。

3.根据权利要求1所述的电子器件制造系统，其中所述传感器工具进一步包括能够向所述一个或多个传感器提供电力的电源元件。

4.根据权利要求3所述的电子器件制造系统，其中所述传感器工具进一步包括能够经由所述工具站的充电端口对所述电源元件进行充电的上电电路。

5.根据权利要求1所述的电子器件制造系统，其中所述终端受动器包括一个或多个电连接器，用于向所述传感器工具提供数据或电力中的至少一者。

6.根据权利要求1所述的电子器件制造系统，其中所述传感器工具包括一个或多个电连接器，用于从所述传输腔室机器人接收数据或电力中的至少一者。

7.根据权利要求1所述的电子器件制造系统，其中所述一个或多个传感器包括以下传感器中的至少一者：加速度计、距离传感器、相机、电容式传感器、反射计、高温计、激光诱导荧光光谱仪、光纤探针、表面声学传感器、涡电流传感器、管道镜、光电二极管传感器、光电倍增管、固态检测器、热电偶、电压传感器、电流传感器或电阻传感器。

8.根据权利要求1所述的电子器件制造系统，其中所述传感器工具包括连接器元件，所述连接器元件被配置为将所述传感器工具耦合至所述终端受动器。

9.一种电子器件制造系统，包括：

装载锁定；

与所述装载锁定耦合的传输腔室；

与所述传输腔室耦合的处理腔室；以及

传输腔室机器人，所述传输腔室机器人被配置为向所述处理腔室传输基板和从所述处理腔室传输基板，其中所述传输腔室机器人被配置为耦合至包括一个或多个传感器的传感器盘，所述一个或多个传感器被配置为在所述处理腔室的内部进行测量，其中所述传感器盘通过所述传输腔室机器人的终端受动器从所述装载锁定是可取回的。

10.根据权利要求9所述的电子器件制造系统，其中所述终端受动器包括一个或多个电连接器，用于向所述传感器盘提供数据或电力中的至少一者。

11.根据权利要求9所述的电子器件制造系统，其中所述传感器盘包括一个或多个电连接器，用于从所述传输腔室机器人接收数据或电力中的至少一者。

12.根据权利要求9所述的电子器件制造系统，其中所述传感器盘包括数据链路，所述数据链路能够向用户界面或数据储存系统发送所述测量。

13.根据权利要求9所述的电子器件制造系统，其中所述一个或多个传感器包括以下传感器中的至少一者：加速度计、距离传感器、相机、电容式传感器、反射计、高温计、激光诱导荧光光谱仪、光纤探针、表面声学传感器、涡电流传感器、管道镜、光电二极管传感器、光电倍增管、固态检测器、热电偶、电压传感器、电流传感器或电阻传感器。

14.根据权利要求9所述的电子器件制造系统，其中所述传感器盘进一步包括：能够促进经由网络进行无线通信的电子模块。

15.一种方法，包括以下步骤：

通过处理器将传输腔室机器人的耦合至传感器装置耦合的一部分定位在处理腔室内，所述传感器装置包括一个或多个传感器；

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；以及

从所述处理腔室移除所述传输腔室机器人的所述一部分。

16.根据权利要求15所述的方法，进一步包括以下步骤：

将所述传感器装置定位在装载锁定中。

17.根据权利要求15所述的方法，进一步包括以下步骤：

在将所述传输腔室机器人的所述一部分定位在所述处理腔室中之前，从位于传输腔室内的工具站取回所述传感器装置；以及

在从所述处理腔室移除所述传输腔室机器人的所述一部分之后，将所述传感器装置放置在所述工具站中。

18.根据权利要求15所述的方法，其中所述传感器装置包括传感器工具或传感器盘中的至少一者。

19.一种方法，包括以下步骤：

通过耦合至传输腔室机器人的传感器装置从处理腔室获得多个传感器值；

将机器学习模型应用至所述多个传感器值，所述机器学习模型是基于所述处理腔室的子系统的历史传感器数据和与用于沉积膜的配方相关联的任务数据来训练的；

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故障类型；

确定所述子系统的所述故障类型；以及

基于所述故障类型来产生校正动作。

20.根据权利要求19所述的方法，其中所述传感器装置包括传感器工具或传感器盘中的至少一者。